Anda di halaman 1dari 8

Universidad Autnoma de Asuncin

Facultad de Ciencias Econmicas y Empresariales


Departamento de Economa
Econometra Intermedia (ECON-4!"
#ro$% &os' An(al Ins$r)n #elo*o
ins$ran+mmail%com%py
Clase ,-
.E/E0OCEDA1/ICIDAD
1) Naturaleza de la Heterocedasticidad
Recordemos que uno de los supuestos de los MCO es la Homocedasticidad (igual
dispersin).
E (u
i
2
)
2
i 1! 2! "!######.!n
$a Heterocedasticidad se re%iere al &ec&o de que la 'arianza del t(rmino de error
cam)ia o no es *nica para todas las o)ser'aciones.
E (u
i
2
)
i
2
i 1! 2! "!######.! n.
0a*ones para la .eterocedasticidad
a) Modelos de aprendiza+e so)re errores
)) ,ngreso discrecional
c) Me+oramiento en las t(cnicas de recoleccin de in%ormacin
d) -actores .t/picos
e) Error de especi%icacin del modelo
2) Estimacin de MCO en presencia de la Heterocedasticidad
0i E (u
i
2
)
i
2
que sucede con los estimadores de MCO.
$os mismos de+an de ser e%icientes! pero siguen siendo lineales e insesgados.
1 la 'arianza de los estimadores es!
( )
( )
2
2
2 2
2
3

i
i i
x
x
Var

la cual es equi'alente a la ecuacin de a)a+o cuando los


i
2

2
para toda i.
( )

2
2
2
3
i
x
Var

") M(todo de los M/nimos Cuadrados 2eneralizados (MC2)


$a pregunta es3 45or qu( el estimador usual de los MCO no es e%iciente a*n cuando sea
insesgado6
7e)ido a la gran 'aria)ilidad de la 'aria)le dependiente. 5ara estimar los par8metros en
estas condiciones! idealmente quisieramos que las o)ser'aciones que surgen de
po)laciones con ma9or 'aria)ilidad o)tengan una menor ponderacin que aquellas que
pro'ienen de aquellas con menor 'aria)ilidad.
$os MCO no siguen esta estrategia 9 no &ace uso de la :in%ormacin; contenida en la
'aria)ilidad desigual de la 'aria)le dependiente! 9a que el mismo asigna la misma
importancia o peso a cada o)ser'acin.
El M(todo de los MC2 si &ace uso de esta in%ormacin adicional. .nalizemos la
siguiente situacin
i i oi i
u X X Y + +
2 2 ,

donde <
=i
1 para todo i.
0upongamos que las 'arianzas &eterocedasticas!
i
2
son conocidas.
i
i
i i
o
i
i
u X X Y

+ +
2
2 ,
$o cual puede ser e>presado como!
4 4 4
2
4 4
,
4
2
i oi i
u X X Y
i
+ +
( ) ( )
2
2
4 4
var

,
_


i
i
i i
u
E u E u

Cual es el propsito de trans%ormar el modelo original66


O)ser'ese la siguiente caracter/stica del error trans%ormado
( ) ( )
2
2
4 4
var

,
_


i
i
i i
u
E u E u

( ) ,
, ,
2
2
2
2

i
i
i
i
u E

! es decir la 'arianza del error
trans%ormado es *nica o constante (&omoced8stico).
5or lo tanto aplicando MCO a los datos trans%ormados se o)tienen los
i
?
@s estimados que
son ME$, 9 son conocidos como los estimadores de los MC2.
0e puede utilizar la %ormula 11.".A en la p8gina "BC.
Como en este proceso se minimiza la suma de residuos al cuadrado ponderada (Ecuacin
11.".C)! esto es conocido como 5nimos Cuadrados #onderados (5C#"% Este es un
caso especial de la t(cnica de estimacin mas general.
Recordemos en el caso de los MCO se minimiza!
( )


u 1 <
i i i
2
1 2
2


mientras que a&ora minimizamos
( ) D u D 1 <
i i i i i

? ? 2
1 2
2


donde3
D
i
i

Consecuencias de utili*ar 5CO con 6eterocedasticidad

i
9
?

i
estimadores lineales insesgados.
.&ora la pregunta es3 Eue sucede con el inter'alo de con%ianza! las prue)as de &iptesis 9
con otros procedimientos si se contin*a utilizando el estimador de MCO! se distinguen
dos situaciones3
a) Estimacin MCO considerando la Heterocedasticidad
0i se utiliza

i
9 se utiliza la %ormula de 'arianza dada por
( )
( )
2
2
2 2
2
3

i
i i
x
x
Var


suponiendo que se conocen los

i
Fs. Es posi)le esta)lecer las &iptesis 9 realizar los
tests usuales con las distri)uciones t 9 -6666
En general! NO! de)ido a que la 'arianza de los estimadores MC2 son generalmente
menores a los MCO. 5or lo tanto! se tender8 a o)tener coe%icientes no signi%icati'os 9
inter'alos de con%ianza mu9 amplios.
)) Estimacin considerando la &eterocedasticidad
0i adem8s de utilizar el estimador de MCO se continua usando la %ormula de 'arianza
que no considera la &eterocedasticidad
( )

2
2
2
3
i
x
Var

! la situacin es m8s complicada.


En este caso! ( ) Gar

2
es un estimador sesgado de ( ) Gar
2
! tal como es calculada por
( )
( )
2
2
2 2
2
3

i
i i
x
x
Var

. En otras pala)ras! en promedio la so)re estima o su)estima 9 en


general no se puede decir si el sesgo es positi'o o negati'o! de)ido a que la misma
depende de la naturaleza de la relacin entre
i
9 los 'alores tomados por las 'aria)les
e>plicati'as <. 5or lo tanto! utili*ando los procedimientos de prue(as usuales7 las
conclusiones a 8ue se lle9uen pueden ser errneas%
DE/ECCION DE :A .E/E0OCEDA1/ICIDAD
a) M(todos ,n%ormales
1) Naturaleza del 5ro)lema! en el caso de in%ormacin de corte trans'ersal que contiene
unidades &eterog(neas.
2) M(todo 2r8%ico
0i no se tiene ninguna in%ormacin acerca de la Heterocedasticidad! se puede realizar
un an8lisis post mortem de los residuales al cuadrado!
u
i
2
! o)tenidos utilizando el
m(todo de los MCO! de manera a 'er si los mismos e>&i)en alg*n patrn sistem8tico.
0e de)e gra%icar los u
i
2
contra

1
i
o contra una de las 'aria)les e>plicati'as
Ger -igura 11.C p8gina "H2.

)) M(todos -ormales
1) #rue(a de #ar;
Esta es una %ormalizacin del m(todo gra%ico sugiriendo que
i
2
es alg*n tipo de
%uncin de la 'aria)le e>plicati'a <
i
. $a %orma %uncional sugerida por el %ue3


i
'
< e
i
2 2

el cual puede ser e>presado en t(rminos logar/tmicos!


ln ln ln
i i
< '
2 2
+ +
donde '
i
es un t(rmino de pertur)acin estoc8stica.
Como
i
2
es desconocido! se sugiere utilizar la siguiente ecuacin!
ln ln ln u < '
i i
2 2
+ +
ln ln u < '
i i
2
+ +
0i resulta ser estad/sticamente signi%icati'o! sugerir8 que &a9 &eterocedasticidad en los
datos.
5ro)lema3 2old%eld 9 Euant &an argumentado que el t(rmino de error '
i
puede no
satis%acer los supuestos de los MCO 9 puede en s/ mismo ser &eteroced8stico.
5ero se puede utilizar esta prue)a como un m(todo e>ploratorio.
2) #rue(a de <le=ser
Esta es una prue)a similar a la anterior! pero con otras %ormas %uncionales (Ger
p8gina "H" 9 "HB). Iienen las mismas cr/ticas que el m(todo anterior 9 algunas de las
%ormas %uncionales sugeridas no son lineales en los par8metros 9 no pueden ser estimadas
usando los MCO.
") #rue(a de correlacin por 9rado de 1pearman
r
d
n n
s
i

1
]
1
1

1 H
1
2
2
( )
#aso ,> .+*stese la regresin a los datos so)re 1 9 < 9 o)t(ngase los residuales u
i
.
#aso 2> Iome el 'alor a)soluto de u
i
9 ord(nense los 'alores de |u
i
| 9 <
i
o 1
estimado de acuerdo con un orden ascendente o descendente 9 calc*lese el coe%iciente de
correlacin por rango de 0pearman.
#aso -> 0uponiendo que el coe%iciente po)lacional de correlacin por rango
s
es
cero 9 n>A! la signi%icancia de r
s
se prue)a usando la prue)a t siguiente3
t
r n
r
s
s

2
1
2
con grados de li)ertad nJ2
0i t calculado es ma9or que el t ta)la! se acepta la &iptesis de &eterocedasticidad.
K) #rue(a de <ol$eld y ?uandt
0e aplica si se supone que la 'arianza &eteroced8stica!
i
2
esta relacionada
positi'amente con una de las 'aria)les e>plicati'as en el modelo de regresin.

i i
<
2 2 2

#aso ,> Ord(nense las o)ser'aciones de acuerdo con los 'alores de <
i
empezando
por el 'alor de < m8s )a+o.
#aso 2> Om/tanse las c o)ser'aciones centrales 9 di'/danse las o)ser'aciones
restantes en 2 grupos! cada uno con (nJc)L2 o)ser'aciones.
#aso -> .+ustense regresiones MCO separadas de am)os grupos de o)ser'aciones 9
o)tengase las respecti'as sumas de residuales 9 cada una de las 0RC tiene M(nJc)L2N O P
grados de li)ertad.
#aso 4> Calc*lese la razn!

0RC g l
0RC g l
2
1
L . .
L . .
Qa+o el supuesto de que los errores estan normalmente distri)uidos 9 si el supuesto de
&omocedasticidad es '8lido! entonces sigue una distri)ucin - con grados de li)ertad
en el numerador 9 denominador (nJcJ2R)L2.
0i el - calculado es superior al - ta)la! se rec&aza la &iptesis de &omocedasticidad.
.E/E0OCEDA1/ICIDAD (Cont%"
#rue(a de @reusc6-#a9an-<od$rey (@#<"
Sna de las limitaciones de la prue)a de 2old%eldJEuant es que el (>ito de la misma
depende de la adecuada seleccin de la 'aria)le <! que ser'ir8 como re%erencia para el
ordenamiento de las o)ser'aciones 9 del n*mero de o)ser'aciones centrales a ser
omitidas. 5or su parte! la prue)a Q52 no tiene estas limitaciones.
0upongase el siguiente modelo de regresin lineal!
t kt k t t t
u X X X Y + + + + + % %%%%%%%%%%
- - 2 2 ,
0i la 'arianza del error!
2
t
puede ser descripta como
( )
t mt m t t t
u Z Z Z f + + + + + % %%%%%%%%%%
- - 2 2 ,
2
9 si se considera que
2
t
es una %uncin lineal de las T no estoc8sticas (alguna o algunas
de las < pueden ser consideradas T).
0i
! % %%%%%%%%%%
- 2 ,

m

0igni%ica que
2
t
es &omoced8stica.
#rue(a <eneral de .eterocedasticidad
Esta prue)a no se apo9a en el supuesto de normalidad 9 es %acil de implementar.
Considerese el siguiente modelo de tres 'aria)les
t t t t
u X X Y + + +
- - 2 2 ,

5aso 13 Est/mese la regresin 9 o)t(ngase los residuales.
5aso 23 E%ect*ese la siguiente regresin au>iliar3
i i i i i i i i
v X X X X X X u + + + + + +
- 2 A
2
- B
2
2 4 - - 2 2 ,
2
3
5aso "3 Qa+o la &iptesis nula de que no &a9 &eterocedasticidad! puede demostrarse que
el tamaUo de la muestra (n) multiplicado por el R
2
! o)tenido de la regresin au>iliar!
asintticamente sigue la distri)ucin c&iJcuadrado con g. de l. igual al n*mero de
regresores (e>clu9endo el t(rmino constante) en la regresin au>iliar. Es decir!
2
% %
2
4
l g
R n
5aso K3 0i el 'alor c&iJcuadrado o)tenido en el paso pre'io! el 'alor c&iJcuadrado cr/tico
al ni'el de signi%icancia seleccionado! la conclusin es que &a9 &eterocedasticidad.
Medidas Remediales
$a Heterocedasticidad no destru9e las propiedades de insesgamiento 9 consistencia de los
estimadores MCO! sin em)argo! estos 9a son e%icientes! ni siquiera asintticamente. Esta
%alta de e%iciencia resta credi)ilidad a las estimaciones MCO.
E>isten 2 en%oques3 cuando
2
i
es conocida 9 cuando no lo es.
a) Cuando
2
i
es conocida3
M(todo de los M/nimos Cuadrados 5onderados
)) Cuando
2
i
no es conocida3
Carian*as y errores Consistentes con .eterocedasticidad de D6ite
Esta estimacin permite que la in%erencia sea '8lida asintticamente.
$os detalles matem8ticos se &allan %uera del alcance de nuestro curso. 0in em)argo!
pueden ser %8cilmente calculados usando cualquier paquete econom(trico.
En 0&azam se puede usar la opcin .E/COC
Sn pro)lema de este m(todo es que el mismo se re%iere a muestras grandes 9 que puede
no ser tan e%iciente con respecto a aquellos m(todos que trans%orman la in%ormacin para
re%le+ar tipos espec/%icos de &eterocedasticidad.
#atrones de .eterocedasticidad (1upuestos"
1upuesto ,> $a 'arianza del error es proporcional a <
i
2

E(u
i
2
)
2
<
i
2
0i por m(todos gr8%icos se cree que la 'arianza de las pertur)aciones es proporcional al
cuadrado de la 'aria)le e>plicati'a! se puede proceder de la siguiente manera3 di'idir el
modelo original por <
i
a am)os lados.
i
i i
i
i i
i
v
X X
u
X X
Y
+ + + +
2 , 2
,
,

Con lo cual se puede demostrar que '


i
se 'uel'e

&omoced8stico.
( )
2
2
2

,
_

i
i
i
X
u
E v E
1upuesto 2> $a 'arianza del error es proporcional a <
i
. Irans%ormacin de ra/z
cuadrada3
E(u
i
2
)
2
<
i
Esta es la trans%ormacin de los datos
i i
i i
i
i
i i
i
v X
X X
u
X
X X
Y
+ + + +
2 , 2
,
,

Con lo cual se puede demostrar que '


i
se 'uel'e

&omoced8stico.
( )
2
2
2

,
_

i
i
i
X
u
E v E
1upuesto -> $a 'arianza del error es proporcional al cuadrado del 'alor medio de 1
i
.
E(u
i
2
)
2
ME(1
i
)N
2
i
i
i
i i
i
i
i
i i
i
v
Y E
X
Y E Y E
u
Y E
X
Y E Y E
Y
+ + + +
" ( " (
,
" ( " ( " ( " (
2 , 2
,

Como estimador de E(1


i
) se puede utilizar el 'alor estimado de la regresin original sin
considerar el pro)lema de &eterocedasticidad.
1upuesto 4> Sna trans%ormacin do)le logar/tmica en general reduce el pro)lema de
&eterocedasticidad! con respecto a la regresin en 'alores a)solutos.
Cual de las trans%ormaciones sugeridas! se de)er8 utilizar depende de la naturaleza del
pro)lema 9 de la se'eridad de la &eterocedasticidad! sin em)argo e>isten otros pro)lemas
adicionales que de)en ser considerados3
1. Cuando se 'a mas alla del modelo de dos 'aria)les! puede no sa)erse a priori cual de
las 'aria)les < de)e utilizarse. (como regla pr8ctica se puede gra%icar u
i
2
contra cada
una de las 'aria)les < 9 decidir con respecto a cual de ellas e>iste algun patrn
determinado.
2. $a trans%ormacin logar/tmica es no aplica)le! si alguno de los 'alores es negati'o o
cero.
". Cuando &a9 un pro)lema de correlacin esp*rea! por e+emplo cuando de encuentra la
presencia de correlacin entre las razones de 'aria)les! a*n cuando las 'aria)les
originales no esten correlacionadas o sean aleatorias.
K. Cuando las
2
i
no se conocen directamente 9 son estimadas a partir de una o m8s de
las trans%ormaciones 9a analizadas! todos estos procedimientos son estrictamente
'8lidos solo para muestras grandes.

Anda mungkin juga menyukai