1.

- El error estndar robusto, o consistente a heterocedasticidad o error estndar de White o de Eicker-White es mayor que el error estndar habitual, calculado suponiendo que se cumple el supuesto de homocedasticidad 2 [(V(e/X)=V(Y/X)=constante= ], ya que en caso de heterocedast los estimadores MCO no son los de mnima varianza. Cierto o falso?

APNDICE SOBRE HETEROCEDASTICIDAD:

A la V(Y/X) se le representa con (o con S si es una muestra) y es la varianza de la regresin. No hay que confundirla con la varianza marginal 2 2 de Y (V(Yi)) *se la suele representar con y (o con Sy si es una muestra)]. Adems, V(Y/X) es igual a V(e|X): Es la varianza de la distribucin de Y 2 2 2 para cada Xi: (Yi-med(Y|X=Xi)) /nX=Xi= (Yi-b0+b1Xi)) /nX=Xi= =(ei) /nX=Xi Homocedasticidad => V(/X1 Xk)= V(Y/X1 Xk)= constante =
2
2 2

Heterocedasticidad: V(/X1 Xk)= V(Y/X1 Xk)= no constante = 2(Xi) esto quiere decir que el valor de la varianza de la regresin es distinto para cada valor de X. Qu pasa en caso de heterocedasticidad? Ya se vio que EN CASO DE MUESTREO ALEATORIO los estimadores MCO (b0 y bj) son insesgados y consistentes. Esto quiere decir que: E(bi)=i y que: p lim(bi)= i

Pero no son los de mnima varianza (no son los de mxima eficiencia) Las V(bj) y los errores estndar calculados usando la frmula habitual son sesgados e inconsistentes, y no valen para contrastes de H0 y para intervalos de confianza.
En la deducin de la V(b1) se llegaba a: V(b1)= (Xi-Med(X)) (X) / ((Xi-Med(X)) ) Pero como en caso de homocedasticidad (X) = constante= => V(b1) = / (Xi-Med(X)) no vlida si heterocedasticidad pues (X) # constante #
2 2 2 2 2 2 2 2 2 2

Tambin los estimadores de variables instrumentales son consistentes en caso de heterocedasticidad, pero la frmula habitual de su varianza tampoco es vlida.
Pero en caso de heterocedasticidad se puede utilizar la siguiente frmula para la varianza tanto para MCO como para variables instrumentales: Sb =(Xi-Med(X)) ei /((Xi-Med(X)) )
2 2 2 2 2

Este estimador de V(b) es vlido PARA CUALQUIER FORMA DE HETEROCEDASTICIDAD y tambin en caso de homocedasticidad (en caso de duda sobre homocedasticidad o no podemos usarlo, porque sirve siempre) Esta frmula vale tambin para el caso de que la FEC no sea linear. Tambin hay una versin de la frmula anterior para el caso de regresin linear mtiple El error estndar calculado a partir de esta varianza (su raz cuadrada) se llama error estndar robusto, o consistente a heterocedasticidad o error estndar de White o de Eicker-White. El error estndar robusto puede ser mayor o menor que el habitual que se usa en caso de homocedasticidad; aunque suele ser mayor. No hay manera de saber a priori (antes de calcular ambos) cual ser el caso.

Con heterocedasticidad se puede seguir usando la N(0, 1) para calcular los Intervalos de confianza y para contrastar H0, como en caso de homocedasticidad, ya que el estadstico de contraste (t): (bi-i)/[ / (Xi-Med(X)) ] aprox= N(0, 1) se distribuye aproximadamente como una N(0, 1) tanto con estimadores MCO como con estimadores de variables instrumentales. 0 se puede calcular tambin una forma de contraste similar al W que es robusta a heterocedasticidad (no es posible hacerlo a mano, solo con ordenador) Si hay heterocedasticidad, los estadsticos que se usaban antes para contraste de H0 e intervalos de confianza (t; W ) no 2 se distribuyen como una t de Student, una F o una X y por tanto no son vlidos
NOTA: 0 2 2

Si el error Std robusto es siempre vlido, por qu no se usa siempre en lugar del que slo es vlido en caso de homocedast? Un motivo es que los estadsticos de contraste (t) basados en el error habitual se distribuyen EXACTAMENTE como una t de Student, si hay homocedast y adems los errores (e) del modelo se distribuyen normalmente, mientras que el error robusto es vlido asintticamente: tiende al valor real al aumentar el n; de forma que en muestras no grandes tanto el error robusto como el estadstico t basado en l puede diferir bastante del verdadero valor. Por ello, en muestras no muy grandes es conveniente seguir disponiendo de error no robusto, aunque en muestras grandes cada vez se prescinde ms de l.

UNA COSA IMPORTANTE Y NUEVA es que en caso de heterocedasticidad no tiene sentido usar el R o el error estndar de la regresin para medir lo bueno o malo del ajuste del modelo, ya que para cada valor de X el grado de ajuste es distinto (varianza de los errores o residuales distinta). 1.- El error estndar robusto, o consistente a heterocedasticidad o error estndar de White o de Eicker-White es mayor que el error estndar habitual, calculado suponiendo que se cumple el supuesto de homocedasticidad [(V(e/X)=V(Y/X)=constante=2], ya que en caso de heterocedast los estimadores MCO no son los de mnima varianza. Cierto o falso? Falso de toda falsedad 2.- CONTRASTE DE BREUSCH-PAGAN PARA HETEROCEDASTICIDAD Cmo saber si hay heterocedasticidad en el modelo siguiente?:
Modelo 3: MCO, usando las observaciones 1-88Variable dependiente: price Coeficiente Desv. Tpica Estadstico t Valor p -------------------------------------------------------------const -21770,3 29475,0 -0,7386 0,4622 lotsize 2,06771 0,642126 3,220 0,0018 *** sqrft 122,778 13,2374 9,275 1,66e-014 *** bdrms 13852,5 9010,15 1,537 0,1279 Media de la vble. dep. 293546,0 D.T. de la vble. dep. 102713,4 Suma de cuad. residuos 3,01e+11 D.T. de la regresin 59833,48 R-cuadrado 0,672362

En caso de homocedasticidad: V(/X1,X2,X3)=2 => E(2|X1,X2,X3)=2 Vamos a contrastar H0: E(2|X1,X2,X3)=2 Si H0 es falsa=> 2 depende de X1,X2,X3 => en 2= 0+1X1+2X2+3X3+1 uno o ms i son distintos de cero =>

H0: 1=2=3= 0 | H1: al menos uno de ellos es distinto de cero. los errores del modelo 3 son estimaciones de los . Hacemos la regresin de esos errores al cuadrado (usq3) sobre las X:
Variable dependiente: usq3 Coeficiente Desv. Tpica Estadstico t Valor p -------------------------------------------------------------------

const -5,52279e+09 3,25948e+09 -1,694 0,0939 * lotsize 201521 71009,1 2,838 0,0057 *** sqrft 1,69104e+06 1,46385e+06 1,155 0,2513 bdrms 1,04176e+09 9,96381e+08 1,046 0,2988 Media de la vble. dep. 3,42e+09 D.T. de la vble. dep. 7,09e+09 Suma de cuad. residuos 3,68e+21 D.T. de la regresin 6,62e+09 R-cuadrado 0,160141

y hacemos un contraste de significacin conjunta o global (llamado tambin contraste de regresin) basado en R-cuadrado: W0=nR2/(1-R2)= 880,160141/(1- 0,160141 )= 16,7794927 P(X2k=316,778) < 0,00079 => Rechazamos H0 y aceptamos heterocedasticidad. Tambin se puede calcular F= R2/(1-R2)(n-k-1)/k= 5,35 => P(Fk, n-k-15,35) = 0,002 Qu se puede hacer en este caso? Una posibilidad es utilizar los errores estndar robustos a heterocedast:
Variable dependiente: price Desviaciones tpicas robustas ante heterocedasticidad, variante HC1 Coeficiente Desv. Tpica Estadstico t Valor p -------------------------------------------------------------const -21770,3 37138,2 -0,5862 0,5593 lotsize 2,06771 1,25142 1,652 0,1022 sqrft 122,778 17,7253 6,927 8,10e-010 *** bdrms 13852,5 8478,62 1,634 0,1060 Media de la vble. dep. 293546,0 D.T. de la vble. dep. 102713,4 Suma de cuad. residuos 3,01e+11 D.T. de la regresin 59833,48 R-cuadrado 0,672362

Otra posibilidad es UTILIZAR UNA FORMA FUNCIONAL LOGARTMICA La transformacin logartmica frecuentemente reduce la heterocedasticidad:
Variable dependiente: lprice Coeficiente Desv. Tpica Estadstico t Valor p ----------------------------------------------------------------const 5,61070 0,651283 8,615 3,54e-013 *** bdrms 0,0369586 0,0275313 1,342 0,1831 llotsize 0,167968 0,0382811 4,388 3,31e-05 *** lsqrft 0,700233 0,0928651 7,540 5,01e-011 ***

Repitiendo el contraste de Breuch-Pagan con el modelo Log-level se ve que el R2 de los errores al cuadrado del modelo sobre las X es 0,0480 y que P>0,2 => no se rechaza H0: homocedasticidad. 3.- Adaptacin del CONTRASTE DE BREUSCH-PAGAN PARA HETEROCEDASTICIDAD dependiente de un subconjunto de variables: Log(Wage)=b0+b1Educ+b2Exper+b3Tenure+b4VaronCasado+b5VaronSoltero+b6MujerCasada+e Pensamos que V(e) no depende de Exper, Tenure y Educ; pero que s puede depender del sexo y del estado civil. En este caso, se regresa los errores al cuadrado del modelo (e2) solo sobre VaronCasado, VaronSoltero y MujerCasada (MujerSoltera es el grupo de referencia)y se contrasta H0: VaronSoltero = MujerCasada = VaronCasado = 0 con el R2 4.- CONTRASTE DE WHITE PARA HETEROCEDASTICIDAD Se basa en sustituir la H0: E(2|X1,X2,X3 Xk)=2 por la H0: 2 no correlacionado con (X1,X2,X3.. Xk) Se regresa e2 sobre todas las X, sus cuadrado (X2) y sus productos cruzados (X1 por X2 a Xk; X2 por todas las dems X Xk por el resto de las X) y se contrasta la significacin conjunta de esta regresin con el W 0 con la F.

El problema es el excesivo nmero de parmetros: tres X dan lugar a 9; seis X dan lugar a 27, etc. 5.- Modificacin del CONTRASTE DE WHITE PARA HETEROCEDASTICIDAD a fin de solucionar el problema del excesivo nmero de parmetros: Sea el modelo: Variable dependiente: lprice (n=88)
Coeficiente Desv. Tpica Estadstico t Valor p -------------------------------------------------------------const 11,6671 0,0935360 124,7 3,97e-097 *** lotsize 5,60184e-06 2,03772e-06 2,749 0,0073 *** sqrft 0,000364118 4,20076e-05 8,668 2,77e-013 *** bdrms 0,0252389 0,0285928 0,8827 0,3799

Los (Yajustados) (Lprice ajustados) son funcin linear de las Xi. Por ello, las (Yajustadas) 2 son funcin de los cuadrados de las X y productos cruzados entre ellas En lugar de ajustar e2 sobre X1, X2, X3, X12, X22, X32, X1X2, X2X3, X2X3, como en el test de White, se sustituyen las X, sus cuadrados y sus productos cruzados por los (Yajustadas) y por (Yajustadas)2: e2= d0+d1Lpriceajustados+d2 Lpriceajustados2+v [no olvidar que Lpriceajustados=b0+b1Lotsize+b2Sqrft+b3Bdrms+e] Y se hace un contraste de significacin conjunta o global (llamado tambin contraste de regresin) para H0: 1=2=0 [es decir, H0: homocedasticidad] basado en el R2 de este modelo:
Variable dependiente: e2 Coeficiente Desv. Tpica Estadstico t Valor p --------------------------------------------------------------const 23,7786 16,1969 1,468 0,1458 yhat9 -3,71426 2,55831 -1,452 0,1502 sq_yhat9 0,145132 0,100991 1,437 0,1544 R-cuadrado 0,039173

F= R2/(1-R2)(n-2-1)/2= 0,039173/(1-0,039173)(88-2-1)/2= 1,733 => P(F2, n-2-11,733) = 0,183 Igual que con el Breuch-Pagan del punto 2 previo, tampoco con esta forma especial del contraste de White se rechaza H0: homocedasticidad. NO OLVIDAR que en este contraste los gl del numerador de F son siempre 2

APNDICE SOBRE ENDOGENICIDAD: Sabemos que para que los estimadores MCO sean consistentes se tiene que cumplir que: E(e/X1Xk)=0 => C(Xi, e)= 0 Si se cumple lo anterior estaramos ante variables explicativas exgenas. Pero si C(Xi, e)# 0 => entonces Xi sera endgena.

CAUSAS DE ENDOGENICIDAD: Omisin de variables relevantes Error de medicin u en Y* (Y=Y*+u) o en Xi* (Xi= Xi* + u) en caso de que C(Xi, e)# 0 SIMULTANEIDAD: asunto complejo que es tratado en otro lugar

CONSECUENCIAS DE LA ENDOGENICIDAD: Sea: Y=0+1X+ en que: Cov(X, )# 0

Si sucede esto entonces: 0+1X NO es la proyeccin lineal y 0 y 1 NO son los parmetros de L(Y|X) Sea: Y=b0+b1X+e b1= C(X,Y)/V(X)= C(X, 0+1X+ e)/V(X)=[C(X, 0)+1C(X,X)+C(X,e)]/V(X)= 1+ C(X,e)/V(X) => p lim(b1)= p lim(1+ C(X,e)/V(X))= 1+ C(X,)/V(X)# 1

Por tanto: en caso de endogenicidad los estimadores MCO son inconsistentes. La inconsistencia o sesgo asinttico en las pendientes es igual a: C(X,)/V(X)
[nota: tambin son sesgados ya que E(b1)= 1+ E(C(X,e)/V(X)) b0 tambin es inconsistente y sesgado, pues para calcularlo hay que utilizar en la frmula b1que es inconsistente-]