Econometría (A41)

3º de ADEM

PRÁCTICA 5. Normalidad y heteroscedasticidad

Ejercicios basados en Gujarati, D.N. (2003), Econometría, ed. McGraw-Hill, Madrid.

1. El fichero cable.wf1 contiene datos utilizados por un fabricante de cable para predecir las ventas a
uno de sus mayores clientes durante el periodo 1988–2003. Las variables de la tabla se definen como
sigue:
Y = ventas anuales (longitud de cable, en metros)
X2 = PNB, en miles de millones de €
X3 = número de hogares dados de alta, en miles
X4 = tasa de desempleo
X5 = tipos de interés a 6 meses
X6 = ganancias por línea contratada
En este contexto, utilizando el modelo A sugerido a partir del problema 4 de la práctica anterior:

Modelo A: Yt = β1 + β2 X3t + β3 X4t + β4 X6t + ut

respóndase a las siguientes preguntas:

a) ¿Se cumple el supuesto de normalidad? De no cumplirse, ¿pone en entredicho los resultados de

la estimación?
El supuesto de normalidad en el modelo de regresión lineal general establece que los residuos del modelo
(ui ) deben distribuirse de acuerdo con la distribución normal, esto es:

ui ∼ N (0, σ 2 )

Eviews propone contrastar dicha hipótesis a través del contraste de Jarque-Bera, que contrastaría:

H0 : Los residuos se distribuyen normalmente, N ∼ (0, σ 2 )

H1 : Los residuos no se distribuyen normalmente, N  (0, σ 2 )
Una vez estimado el Modelo A deberíamos hacer doble click sobre el objeto “resid” (que son los residuos
estimados del modelo ûi ) y, en la nueva ventana, pinchar:
View ->Descriptive statistics ->Histogram and stats
y una de las informaciones proporcionadas es el contraste de Jarque-Bera de normalidad. Dado que
obtenemos un p − valor = 0,5704 no podemos rechazar la hipótesis nula de normalidad a los niveles
de significación habituales, por lo que no hay evidencia suficiente como para rechazar dicha hipótesis.
En cualquier caso, de existir, la violación del supuesto no sería grave si nuestro propósito es únicamente
la estimación. Y, en cualquier caso, aunque los residuos no se distribuyan normalmente, de acuerdo
con el teorema central del límite los estimadores MCO sí que se distribuirían normalmente de manera
asintótica. El problema es que en economía y empresa las muestras pequeñas son norma más que
excepción.
Así que en casos en los que no se cumpla la normalidad podemos seguir algún tipo de reglas ad hoc que
mitiguen la no normalidad.

1
b) ¿Hay evidencia de heteroscedasticidad? De existir, ¿qué medidas podríamos tomar para corregirla?
Así como la autocorrelación es un problema muy propio de los datos de series temporales, la heteros-
cedasticidad es muy habitual cuando tenemos datos de corte transversal, debido a la heterogeneidad
latente entre las distintas observaciones que componen la muestra (por ejemplo, familias con distintos
niveles de ingresos, directivos con distintos salarios, países con distintos niveles de renta per capita,
etc.).
La gravedad del problema se debe a que, aunque los estimadores MCO en presencia de heteroscedasti-
cidad son consistentes, los errores típicos no son válidos, por lo que la inferencia deja de ser válida. Por
tanto, a efectos prácticos, si encontramos evidencia de heteroscedasticidad, debemos tomar una de las
dos siguientes opciones:
1) Escoger la opción de “errores típicos robustos” a la existencia de heteroscedasticidad.
2) Modelizar la heteroscedasticidad para obtener estimadores más eficientes utilizando mínimos cua-
drados ponderados.
Los contrastes más habituales para detectar la presencia de heteroscedasticidad son:
1) Contraste de Goldfeld-Quandt.
2) Contraste de Breusch-Pagan-Godfrey.
3) Contraste general de heteroscedasticidad de White.
Así como el contraste de Goldfeld-Quandt tiene el inconveniente de tener que reordenar las observa-
ciones con respecto a la variable X (regresor) que supuestamente causa la heteroscedasticidad, y que el
contraste de Breusch-Pagan-Godfrey tiene el inconveniente de ser sensible a la hipótesis de normalidad,
el contraste general de White ni descansa sobre el supuesto de normalidad, ni es difícil de implementar,
por lo que nos centraremos en él.
Se trata de un procedimiento que también contrasta la existencia de error de especificación, esto es:
H0 : los errores son homoscedásticos e independientes de los regresores, y la especificación lineal del
modelo es correcta
Por tanto, si rechazamos la H0 es indicativo de que no se cumple alguna de las condiciones estipuladas
por la H0 . Por el contrario, si no puedo rechazar, ninguna de las tres condiciones se está violando.
Para que Eviews lleve a cabo el contraste de White, habrá que abrir el objeto “ecuación” (la que
acabamos de estimar) y especificar:
View ->Residual tests
y tendremos dos posibilidades:
White heteroskedasticity (cross terms): se trata del contraste de White original, que incluye todos
los términos relativos a los productos cruzados.
White heteroskedasticity (no cross terms): si hay muchos regresores, el número de términos de
productos cruzados se puede hacer muy grande, así que puede resultar poco práctico incluirlos
todos. En este caso, se incluirían sólo los términos cuadráticos.
No se puede rechazar la H0 , pues en ambos casos los p-valores correspondientes al estadístico de White
asy
(n · R2 ∼ χ2g.d.l. ) son extremadamente altos (0,9657, cuando hay productos, y 0,9699, cuando no hay
productos). Por tanto, no se viola el supuesto de homoscedasticidad.
De haber existido, una forma habitual de corregir el problema de la heteroscedasticidad es llevar a
cabo transformaciones en los datos (algo recomendable cuando σi2 no es conocida). Las transformacio-
nes dependerán del tipo de patrón heteroscedástico observado; algunas de las más habituales son las
siguientes:

2
 Patrón observado Transformación de los datos
E(u2i ) = σ 2 Xi2 √Yi /Xi = β√1 /Xi + β√ 2 + ui /Xi √
E(u2i ) = σ 2 Xi Yi / Xi = β1 / Xi + β2 Xi + ui / Xi
E(u2i ) = σ 2 [E(Yi )]2 Yi /Ŷi = β1 /Ŷi + β2 Xi /Ŷi + ui /Ŷi
— lnYi = β1 + β2 lnXi + ui

Este último tipo de transformación es el más habitual, dado que comprime drásticamente el rango de
variación en las variables objeto de estudio.
A efectos prácticos, cuando estimemos un modelo con datos de corte transversal, al estimar la ecuación
podemos pinchar la pestaña:
Options ->Heteroskedasticity consistent coefficient covariance ->White
y obtendremos una estimación robusta a la heteroscedasticidad.
c) Contraste la siguiente batería de hipótesis:
1) H0 : β2 = 1, H1 : β2 6= 1.
Dicha hipótesis se contrastaría a través del estadístico t

βˆ1 − β1
t=
se(βˆ1 )
Sin embargo, en Eviews tenemos implementada directamente la versión general, esto es:
2 − R2 )/m
(RU R R
F = 2 )/(n − k)
(1 − RU R
donde m es el número de restricciones, k el número de parámetros en la regresión “restringida” y
n el número de observaciones. Este estadístico F se utiliza para contrastar una determinada hipó-
tesis que se ha sustituido en el modelo original (no restringido, unrestricted, UR) para convertirlo
en un modelo “restringido” (restricted, R). El estadístico F se utilizará para contrastar la hipótesis
concreta que se está considerando.
Para ello, abriremos el objeto “ecuación estimada” y sobre él:
View ->Coefficient tests ->Wald - Coefficient restrictions ->c(2)=1
que nos dará un p − valor = 0,0581, por lo que no podemos rechazar la H0 , esto es, no podemos
decir que β2 sea significativamente distinto de 1 (no podemos rechazar H0 ) ni al 5 % (0,0581 >
0,05), ni menos al 1 %.
2) H0 : β3 = −1, H1 : β3 6= −1.
En este caso el resultado es p − valor = 0,0245, por lo que rechazamos la H0 al 5 % (pero no al
1 %), hay evidencia empírica suficiente como para asegurar que β3 es significativamente distinto
de −1.
3) H0 : β2 + β3 = 0, H1 : β2 + β3 6= 0.
En este caso:
View ->Coefficient tests ->Wald - Coefficient restrictions ->c(2)+c(3)=0
Y obtenemos p − valor = 0,0247, por lo que obtenemos la misma conclusión que en el apartado
anterior.
4) H0 : R2 = 0, H1 : R2 6= 0.
Contrastar esta hipótesis supone calcular el estadístico F :

R2 /(k − 1)
F =
(1 − R2 )/(n − k)

3
 donde k es el número de regresores (incluyendo la constante) y n el número de observaciones. Esa
F nos la da la ventana de resultados de la estimación de la ecuación, esto es, F = 6,0330, que
corresponde a un p−valor = 0,00955, por lo que rechazo H0 al 1 %. Nótese que cuando más alto
es R2 , más alto es el estadístico F , por lo que tiene lógica que sea un contraste de H0 : R2 = 0.
Asimismo, el estadístico F proporcionado por la ventana de resultados de la estimación de la
ecuación también contrasta la hipótesis:

H0 : β2 = β3 = β4 = 0
esto es, si algún β es significativamente distinto de cero.
5) Supongamos que en primer lugar regresamos Y sobre X2 , X3 y X4 , y después decidimos
añadir las variables X5 y X6 . ¿Cómo podríamos saber si tiene sentido añadir las variables X5
y X6 ? ¿Qué contraste utilizaríamos?
Esto consiste únicamente en estimar el modelo:

Yt = β1 + β2 X2t + β3 X3t + β4 X4t + β5 X5t + β6 X6t + ut

y tras ello considerar la H0 : β5 = β6 = 0. Si rechazamos, incluiríamos las variables. Si no puedo
rechazar, no las incluiríamos.
El resultado de aplicar el contraste de Wald es F = 6,2481 que corresponde a p−valor = 0,0174,
esto es, rechazo H0 al 5 %, (aunque no al 1 %). Por tanto, tomando como nivel de significación
5 %, debería incluir las variables en el modelo.