Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 1 / 31

Heteroscedasticidad
Universidad de Granada
Contenidos
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 2 / 31
Naturaleza del problema
Causas y consecuencias de la heteroscedasticidad
Procedimientos de Detecci on
Estimaci on en los modelos con heteroscedasticidad
Naturaleza del problema
Contenidos
Naturaleza del problema
Heteroscedasticidad
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 3 / 31
Heteroscedasticidad
Contenidos
Naturaleza del problema
Heteroscedasticidad
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 4 / 31
En el modelo lineal general, y = X+u, se supone que la perturbaci on aleatoria
es tal que E[u] = 0
n1
y V ar(u) = E[u u
t
] =
2
I
nn
, lo cual implica que:
E[u
t
] = 0, t {1, . . . , n}.
E[u
2
t
] = V ar(u
t
) =
2
, t {1, . . . , n} (varianza constante = homo-
cedasticidad).
E[u
i
u
j
] = Cov(u
i
, u
j
) = 0, i = j {1, . . . , n} (incorrelaci on).
Cuando se incumple el supuesto de homocedasticidad, es decir, la varianza no es
constante sino que vara con la observaci on (E[u
2
t
] =
2
t
, t), se dice que hay
heteroscedasticidad.
Consideramos entonces el modelo lineal general y
n1
= X
nk

k1
+
u
n1
, tal que E[u] = 0
n1
y V ar(u) =
2

nn
donde es una matriz
diagonal con diagonal no constante.
Advi ertase que en este caso se dice que el modelo tiene una matriz de
varianzas-covarianzas no escalar o con perturbaciones no esf ericas (ya que la
matriz de varianzas-covarianzas de la perturbaci on aleatoria ya no es igual al pro-
ducto de una constante por la matriz identidad).
Ejemplo (Novales - Econometra)
Contenidos
Naturaleza del problema
Heteroscedasticidad
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 5 / 31
Este problema aparece especialmente cuando se disponen de datos de secci on
cruzada, es decir, cuando se disponen de observaciones que miden una variable
en un momento determinado para distintas entidades (individuos, familias, empre-
sas, etc.).
As, por ejemplo, en un modelo de consumo en funci on de los ingresos, C
t
=

1
+
2
I
t
+u
t
, es esperable que aquellas familias con mayores ingresos tengan
mayor varianza que aquellas otras con ingresos inferiores. Esto es debido a que
tienen un mayor excedente sobre el que decidir qu e parte ahorrar y cu al gastar.
Parecida interpretaci on se puede realizar sobre un modelo que estudie los
dividendos que reparte una empresa a partir sus benecios, D
t
=
1
+
2
B
t
+
v
t
. Las empresas con mayores benecios tendr an mayor margen al jar su poltica
de dividendos, por lo que es esperable que la varianza de la perturbaci on aleatoria
dependa del nivel de benecios de cada empresa.
Causas y consecuencias de la
heteroscedasticidad
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Causas de la
heteroscedasticidad
Consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 6 / 31
Causas de la heteroscedasticidad
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Causas de la
heteroscedasticidad
Consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 7 / 31
Las principales causas de la presencia de heteroscedasticidad en un modelo lineal
m ultiple son:
Naturaleza del fen omeno: en situaciones en las que se disponen de datos
de secci on cruzada (como las del ejemplo anterior: consumo de bienes de
lujo e ingresos familiares, poltica de dividendos y ganancias empresariales
o poltica de inversi on y ganancias empresariales) es factible la presencia de
heteroscedasticidad.
Usar datos agregados: cuando las observaciones de la variable dependiente
pueden dividirse en grupos (por ejemplo, una persona que reside en una
provincia, un grupo de empresas que pertenecen a un mismo sector, etc.) y
se usan como datos los promedios proporcionados por tales grupos es factible
la presencia de heteroscedasticidad.
Si se omite una variable relevante en el modelo, es esperable que la pertur-
baci on aleatoria dependa de dicha variable omitida, por lo que su varianza
difcilmente ser a constante.
Ejemplo (Novales - Econometra)
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Causas de la
heteroscedasticidad
Consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 8 / 31
Supongamos que en lugar de considerar el modelo
Y
t
=
1
+
2
X
2t
+
3
X
3t
+u
t
,
se especica este otro
Y
t
=
1
+
2
X
2t
+v
t
.
Si la variable omitida es realmente relevante, la perturbaci on aleatoria v
t
de-
pender a de X
3t
por lo que se puede establecer que v
t
= u
t
+
3
X
3t
. Y en tal
caso:
V ar(v
t
) = E[v
2
t
] = E[u
2
t
+
2
3
X
2
3t
+ 2
3
X
3t
u
t
]
= E[u
2
t
] +
2
3
X
2
3t
+ 2
3
X
3t
E[u
t
] =
2
+
2
3
X
2
3t
=
2
.
Como es evidente, la varianza de la perturbaci on aleatoria no es constante sino
que varia con cada observaci on.
Consecuencias de la heteroscedasticidad
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Causas de la
heteroscedasticidad
Consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 9 / 31
Puesto que en el m etodo de estimaci on por MCOno inuye la matriz de varianzas-
covarianzas de la perturbaci on aleatoria es claro que el estimador por MCO del
modelo con perturbaciones no esf ericas ser a:

MCO
=

X
t
X

1
X
t
y.
Dicho estimador sigue siendo lineal e insesgado, ya que las condiciones
que conducen a vericar dichas propiedades en el modelo con perturbaciones
esf ericas no se han modicado (las demostraciones son id enticas a tal caso). Sin
embargo, ya no se tiene asegurado que la varianza sea mnima, ya que ahora:
V ar

MCO

X
t
X

1
X
t
E[u u
t
]X

X
t
X

1
=
2

X
t
X

1
X
t
X

X
t
X

1
,
distinta a la del modelo con perturbaciones esf ericas:
2
(X
t
X)
1
.
Por tanto, la consecuencia de la presencia de heteroscedasticidad en un mod-
elo lineal es que los estimadores obtenidos, aunque ser an lineales e insesgados,
no ser an optimos.
Procedimientos de Detecci on
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
M etodos gr acos
M etodos analticos
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 10 / 31
Procedimientos de Detecci on
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
M etodos gr acos
M etodos analticos
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 11 / 31
Para detectar la heteroscedasticidad en un modelo lineal m ultiple disponemos de
distintos procedimientos.
En primer lugar usaremos m etodos gr acos a partir de los cuales intentare-
mos intuir cu ales son las variables que provocan la existencia de heteroscedasti-
cidad en el modelo. Concretamente, estudiaremos los gr acos de los residuos y
de dispersi on.
Puesto que tomar una decisi on a partir de un procedimiento gr aco no es muy
adecuado ya que son f acilmente manipulables, recurriremos a m etodos analticos
para determinar la presencia de heteroscedasticidad en el modelo. Los test es-
tudiados son el de Glesjer, Goldfeld-Quandt, Breusch-Pagan y White. Los dos
primeros se deben usar cuando la muestra es peque na y una variable es la
causa de la heteroscedasticidad, mientras que los otros dos cuando la muestra
es grande y no se sabe la o las variables que provocan el problema. Adem as,
la hip otesis nula de todos estos contrastes es siempre que el modelo es ho-
moced astico.
M etodos Gr acos
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
M etodos gr acos
M etodos analticos
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 12 / 31
Dentro de los procedimientos gr acos consideraremos:
Gr aco de los residuos: es un gr aco de dispersi on de los residuos o residuos
al cuadrado, e
t
o e
2
t
, frente a t. Si en dichos gr acos observamos grupos
de observaciones con distinta varianza, podemos pensar en la presencia de
heteroscedasticidad.
Gr acos de dispersi on: consiste en el diagrama de dispersi on de los resid-
uos o residuos al cuadrado, e
t
o e
2
t
, frente a la variable independiente que
sospechamos que puede causar la heteroscedasticidad. Si la variabilidad de los
residuos aumenta o disminuye conforme aumenta el valor de la variable inde-
pendiente, entonces podemos pensar que la varianza de la perturbaci on aleato-
ria depende de dicha variable y, por tanto, habra presencia de heteroscedasti-
cidad.
Ejemplo
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
M etodos gr acos
M etodos analticos
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 13 / 31
Supongamos que para el ejemplo
anterior en el que deseamos analizar
los dividendos de una empresa en
funci on de sus benecicios
disponemos de las 20 observaciones
de la tabla 1.
Tras realizar la estimaci on por
MCO se obtiene que:

D
t
= 102229 + 00638456 B
t
(135823) (0011223)
con
R
2
= 0642 y donde entre par entesis
se especica la desviaci on tpica
estimada de cada coeciente
estimado.
Tabla 1: Dividendos y benecios de 20 empresas
Empresas Dividendos Benecios
1 132 61
2 15 78
3 222 158
4 152 110
5 161 85
6 185 150
7 155 140
8 15 70
9 20 122
10 15 70
11 21 140
12 162 91
13 185 105
14 17 115
15 175 115
16 22 160
17 18 165
18 23 170
19 17 130
20 17 90
Dada la naturaleza del problema, tal y como se ha indicado, sospechamos la
posible presencia de heteroscedasticidad en el modelo. Por tal motivo, en primer
lugar usaremos los m etodos gr acos para intentar detectarla.
Ejemplo
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
M etodos gr acos
M etodos analticos
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 14 / 31
-4
-3
-2
-1
0
1
2
2 4 6 8 10 12 14 16 18 20
e
Obs
Figura 1: Gr aco de los residuos
Ejemplo
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
M etodos gr acos
M etodos analticos
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 15 / 31
2
0
2
4
6
8
10
12
14
60 80 100 120 140 160
e
2
Beneficios
e2 con respecto a Beneficios (con ajuste mnimocuadrtico)
Y = 3,53 + 0,0524X
Figura 2: Gr aco de dispersi on
Ejemplo
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
M etodos gr acos
M etodos analticos
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 16 / 31
En el gr aco de los residuos de la gura 1 podemos observar que los grupos de
observaciones dados por 1-7, 8-13 y 14-20 tienen distinta varianza. Al mismo
tiempo, en el gr aco de dispersi on de la gura 2 observamos que la varianza de
los residuos al cuadrado aumenta conforme lo hace la variable dividendos.
Todo lo anteriormente expuesto nos hace pensar en la presencia de het-
eroscedasticidad en el modelo. Si bien, para conrmar este hecho recurriremos a
los distintos m etodos analticos que disponemos.
Algunos de dichos procedimientos analticos presuponen que la het-
eroscedasticidad est a provocada por una variable independiente en concreto.
Dicha informaci on se puede obtener a partir de los procedimientos gr acos.
Test de Glesjer
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
M etodos gr acos
M etodos analticos
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 17 / 31
1. Ajustar el modelo original por MCO y obtener los residuos, e
t
.
2. Ajustar por MCO la regresi on auxiliar que tiene como variable dependiente
el valor absoluto de los residuos anteriores y como independiente la variable
que se supone provoca la heteroscedasticidad elevada a h. Esto es:
|e
t
| = +X
h
t
+v
t
.
Los valores m as comunes para h son 2, 1 y 1/2.
3. Observar los contrastes de signicaci on individual de la pendiente de la re-
gresi on auxiliar. Si rechazamos H
0
: = 0, indicar a presencia de het-
eroscedasticidad.
Al rechazar H
0
: = 0 entonces los residuos depender an de X
h
t
, por lo que
habr a heteroscedasticidad en el modelo y podemos considerar que E[u
2
t
] =

2
X
h
t
.
Ejemplo
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
M etodos gr acos
M etodos analticos
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 18 / 31
Tras realizar la estimaci on por MCO
del modelo original (ejemplo anterior)
hemos obtenido los errores o
residuos de la tabla 2. A partir de los
cuales hemos ajustado las siguientes
regresiones auxiliares:
| e
t
| =215499 - 863351 B
2
t
R
2
=03617
(03191) (27034)
| e
t
| =31728 - 197755 B
1
t
R
2
=04163
(05479) (551884)
| e
t
| =5212 - 406989 B
1/2
t
R
2
=04374
(10576) (108788)
| e
t
| =-293457 + 039747 B
1/2
t
R
2
=04619
(109025) (01011)
| e
t
| =-0891826 + 001888 B
t
R
2
=04646
(05783) (0004778)
| e
t
| =0138792 + 0000079 B
2
t
R
2
=04536
(03424) (00000205)
Tabla 2: Residuos del modelo original
Empresas Benecios |e
t
|
1 61 0917530
2 78 0202905
3 158 1889445
4 110 2045965
5 85 0450176
6 150 1299790
7 140 3661333
8 70 0307860
9 122 1987888
10 70 0307860
11 140 1838667
12 91 0167102
13 105 1573263
14 115 0565193
15 115 0065193
16 160 1561754
17 165 2757474
18 170 1923298
19 130 1522877
20 90 1030948
En todos los casos rechazamos H
0
, por lo que hay heteroscedasticidad.
Adem as, como el mejor modelo es el quinto (mayor coeciente de determinaci on),
pensamos que E[u
2
t
] =
2
B
t
.
Test de Goldfeld-Quandt
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
M etodos gr acos
M etodos analticos
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 19 / 31
1. Ordenar de menor a mayor las observaciones respecto de la variable que
consideramos que produce la heteroscedasticidad.
2. Eliminar m observaciones centrales (normalmente un tercio de la muestra).
3. Ajustar por MCO los dos grupos de observaciones restantes y calcular sus
suma de cuadrados de los residuos (SCR
1
para el primer grupo y SCR
2
para el segundo).
4. Calcular el estadstico de contraste F
exp
=
SCR
2
SCR
1
, que sigue una distribuci on
F de Snedecor con
nm
2
grados de libertad en el numerador y en el denom-
inador.
5. Si F
exp
> Fnm
2
,
nm
2
(1 ) rechazamos la hip otesis nula de homocedas-
ticidad.
Advi ertase que algunos textos consideran que los grados de libertad de la F de
Snedecor son
nm2k
2
. Nosotros usaremos cualquiera de las dos versiones.
Ejemplo
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
M etodos gr acos
M etodos analticos
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 20 / 31
Tras reordenar de forma creciente los
datos con respecto a la variable que
provoca la heteroscedasticidad
(benecios), ajustamos por MCO las
regresiones formadas por las 7
primeras observaciones y las 7
ultimas, ya que suprimimos las 6
observaciones centrales:

D
t
=75343 + 0100477 B
t
R
2
=08739
(13407) (0017) SCR
1
=1134109

D
t
=115735 + 0121975 B
t
R
2
=02735
(137885) (00889) SCR
2
=32934
Tabla 3: Observaciones reordenadas
Empresa Dividendos Benecios
1 132 61
8 15 70
10 15 70
2 15 78
5 161 85
20 17 90
12 162 91
13 185 105
4 152 110
15 175 115
14 17 115
9 20 122
19 17 130
7 155 140
11 21 140
6 185 150
3 222 158
16 22 160
17 18 165
18 23 170
Como F
exp
=
SCR
2
SCR
1
=
32

934
1

134109
= 29

03954 > 3

17889 = F
7,7
(0

95),
entonces rechazamos la hip otesis nula de homocedasticidad. Esto es, hay het-
eroscedasticidad en el modelo considerado.
Test de White
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
M etodos gr acos
M etodos analticos
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 21 / 31
1. Ajustar el modelo original por MCO y obtener los residuos, e
t
.
2. Ajustar por MCO la regresi on auxiliar en la que la variable dependiente son
los residuos al cuadrado y las independientes todas las variables del modelo
original, sus cuadrados y todos los posibles productos cruzados (omitiendo
las repeticiones).
3. Calcular el estadstico de contraste
exp
= nR
2
aux
, donde R
2
aux
es el coe-
ciente de determinaci on de la regresi on auxiliar, que sigue una distribuci on
chi-cuadrado con p1 grados de libertad donde p es el n umero de regresores
de la regresi on auxiliar.
4. Si
exp
>
2
p1
(1 ), entonces rechazamos la hip otesis nula de homo-
cedasticidad.
El test de Breusch-Pagan coincide con este test con la unica diferencia de que
la regresi on auxiliar normalmente s olo se consideran como independientes todas
las variables del modelo.
Ejemplo
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
M etodos gr acos
M etodos analticos
Estimaci on en los
modelos con
heteroscedasticidad
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 22 / 31
Al aplicar el test de Glesjer ya hemos ajustado el modelo original por MCO y
obtenido los residuos, por lo que procedemos a ajustar directamente la regresi on
auxiliar:
e
2
t
= -517545 + 00833 B
t
- 00001328 B
2
t
R
2
= 03115679
(82864) (01505) (000064)
Puesto que
exp
= n R
2
aux
= 20 0

315679 = 6

313575 > 5

99146 =

2
2
, entonces rechazamos la hip otesis nula de homocedasticidad y, por tanto, en
el modelo considerado hay presencia de heteroscedasticidad.
Para el test de Breusch-Pagan la regresi on auxiliar sera:
e
2
t
= -352638 + 00524 B
t
R
2
= 0313955
(22116) (00182)
En tal caso,
exp
= n R
2
aux
= 20 0

313955 = 6

2791 > 3

84146 =
2
1
y
entonces rechazamos la hip otesis nula de homocedasticidad.
Estimaci on en los modelos con
heteroscedasticidad
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Mnimos Cuadrados
Ponderados
Ejemplo
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 23 / 31
Mnimos Cuadrados Ponderados
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Mnimos Cuadrados
Ponderados
Ejemplo
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 24 / 31
Hemos comprobado que en un modelo con perturbaciones no esf ericas el esti-
mador por mnimos cuadrados ordinarios es lineal e insesgado pero no tenemos
asegurado que sea optimo (en el sentido de varianza mnima).
Para resolver este problema surgen los mnimos cuadrados generalizados.
Dicho m etodo consiste en transformar un modelo con perturbaciones no esf ericas
en otro con perturbaciones esf ericas, de forma que al aplicarle a este ultimo el
m etodo de mnimos cuadrados ordinarios se obtenga un estimador lineal, inses-
gado y optimo.
En dicha transformaci on es fundamental el teorema de Aitken, el cual arma
que al ser una matriz sim etrica denida positiva entonces existe una matriz
regular, P, tal que P
t
P =
1
(en tal caso se verica que = P
1

P
1

t
,
de donde se deduce que PP
t
= I
nn
).
Esto es, premultiplicando el modelo con perturbaciones no esf ericas por una
matriz no estoc astica, P, se obtiene que y

= X

+ u

, donde y

= Py,
X

= PX y u

= Pu. Entonces:
E[u

] = E[Pu] = PE[u] = 0
n1
,
E[u

u
t

] = E[Puu
t
P
t
] = PE[uu
t
]P
t
=
2
PP
t
=
2
I
nn
.
Mnimos Cuadrados Ponderados
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Mnimos Cuadrados
Ponderados
Ejemplo
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 25 / 31
Consideremos el modelo lineal general, y = X +u, tal que
E[u] = 0
n1
, V ar(u) = E[u u
t
] =

2
1
0 0
0
2
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
2
n

,
es decir, la perturbaci on aleatoria es incorrelada, E[u
i
u
j
] = 0, i = j
{1, . . . , n}, y heteroced astica, V ar(u
t
) = E[u
2
t
] =
2
t
, t = 1, . . . , n.
Por cuesti on de notaci on consideraremos:
E[u u
t
] =
2
1

1 0 0
0

2
2

2
1
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0

2
n

2
1

=
2
,
donde
2
=
2
1
y = diag(w
1
, . . . , w
n
) con w
t
=

2
t

2
1
, t = 1, . . . , n.
Mnimos Cuadrados Ponderados
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Mnimos Cuadrados
Ponderados
Ejemplo
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 26 / 31
Por tanto, se ha considerado que la varianza de la perturbaci on aleatoria tiene la
siguiente estructura:
V ar(u
t
) = E[u
2
t
] =
2
w
t
, t.
Esta suposici on nal es fundamental para que el modelo pueda ser esti-
mado. En principio, si suponemos que todas las varianzas son distintas entre
s, tendramos que estimar k + n par ametros: k correspondientes a los coe-
cientes de las variables independientes y n correspondientes a la varianza de la
perturbaci on aleatoria. Ante esta situaci on, habra m as par ametros a estimar que
observaciones disponibles, n. Estimaci on absolutamente imposible.
Ahora bien, teniendo en cuenta que w
t
estar a relacionado con las variables
independientes (tal y como se ha puesto de maniesto en los m etodos analticos),
simplemente habra que estimar
2
. Por tanto, hemos pasado a estimar un s olo
par ametro en lugar de n. Es decir, hay que estimar en el modelo k+1 par ametros.
Cuesti on que ahora si es asumible.
Mnimos Cuadrados Ponderados
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Mnimos Cuadrados
Ponderados
Ejemplo
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 27 / 31
Para resolver el problema de heteroscedasticidad, como hemos indicado, hay
que encontrar una matriz P no estoc astica tal que P
t
P =
1
. En este caso,
puesto que

1
=

1
w
1
0 0
0
1
w
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
1
w
n

,
es claro que
P =

w
1
0 0
0
1

w
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
1

w
n

.
Mnimos Cuadrados Ponderados
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Mnimos Cuadrados
Ponderados
Ejemplo
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 28 / 31
Comprobemos que el modelo transformado a partir de la matriz P anterior, y

=
X

+ u

, donde
y

= Py =

Y
1

w
1
Y
2

w
2
.
.
.
Y
n

w
n

, u

= Pu =

u
1

w
1
u
2

w
2
.
.
.
u
n

w
n

,
X

= PX =

w
1
X
21

w
1

X
k1

w
1
1

w
2
X
22

w
2

X
k2

w
2
.
.
.
.
.
.
.
.
.
.
.
.
1

w
n
X
2n

w
n

X
kn

w
n

,
es un modelo con perturbaciones esf ericas. En efecto, es claro que:
Y

t
=
Y
t

w
t
, u

t
=
u
t

w
t
, X

it
=
X
it

w
t
, i = 1, . . . , k, t = 1, . . . , n.
Mnimos Cuadrados Ponderados
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Mnimos Cuadrados
Ponderados
Ejemplo
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 29 / 31
Y entonces:
E[u

t
] = E

u
t

w
t

=
1

w
t
E[u
t
] = 0, t
V ar(u

t
) = V ar

u
t

w
t

=
1
w
t
V ar(u
t
) =

2
w
t
w
t
=
2
, t
Cov(u

i
, u

j
) = E[u

i
u

j
] = E

u
i

w
i

u
j

w
j

=
E[u
i
u
j
]

w
i
w
j
= 0, i = j
Es evidente que el modelo transformado es un modelo con perturbaciones
esf ericas, por lo que las estimaciones obtenidas a partir del mismo ser an lineales,
insesgadas y optimas.
Advi ertase que en el modelo transformado se ponderan los datos inversa-
mente al valor de la desviaci on tpica de las perturbaciones. Por tal motivo, el
m etodo de mnimos cuadrados generalizados (MCG) recibe en este caso el nom-
bre de mnimos cuadrados ponderados (MCP).
Ejemplo
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Mnimos Cuadrados
Ponderados
Ejemplo
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 30 / 31
En el modelo considerado sobre al an alisis de los dividendos de las empresas
en funci on de sus benecios hemos constatado, a partir de 20 observaciones, la
presencia de heteroscedasticidad en dicho modelo. Por tanto, las estimaciones
obtenidas

D
t
= 102229 + 00638456 B
t
R
2
= 0642
(135823) (0011223)
no son optimas.
Gracias al test de Glesjer hemos supuesto que E[u
2
t
] =
2
B
t
, es decir, la
perturbaci on aleatoria depende directamente de los benecios. Por tanto, lo que
en teora se denotaba como w
t
corresponde a la variable benecios, B
t
. Luego
para transformar los datos habr a que dividir por la raz cuadrada de dicha variable:
D

t
=
D
t

B
t
, cte

t
=
1

B
t
, B

t
=
B
t

B
t
=

B
t
,
con t = 1, . . . , 20.
Ejemplo
Contenidos
Naturaleza del problema
Causas y
consecuencias de la
heteroscedasticidad
Procedimientos de
Detecci on
Estimaci on en los
modelos con
heteroscedasticidad
Mnimos Cuadrados
Ponderados
Ejemplo
Incumplimiento de las hip otesis b asicas en el modelo lineal uniecuacional m ultiple 31 / 31
A partir de los datos transformados
(ver la tabla 4) se obtiene la siguiente
estimaci on por MCO del modelo
transformado:

t
= 10

2147 cte

t
+ 0

0639 B

t
(11196) (0011)
con R
2
= 0

9931 (advi ertase que los

valores num ericos de las nuevas
estimaciones no dieren mucho de
las originales).
Para estudiar si se ha resuelto el
problema de heteroscedasticidad,
realizaremos el contraste de White
para su detecci on:
Tabla 4: Datos del modelo transformado
Empresa B

t
D

t
cte

t
1 781025 1690087 01280369
2 883176 1698416 01132277
3 1256981 1766137 007956
4 1048809 1449263 009535
5 921954 1746290 01084652
6 1224745 1510519 008165
7 1183216 1309989 008452
8 836660 1792843 01195229
9 1104536 1810715 009054
10 836660 1792843 01195229
11 1183216 1774824 008452
12 953939 1698221 01048285
13 1024695 1805415 009759
14 1072381 1585258 009325
15 1072381 1631883 009325
16 1264911 1739253 007906
17 1284523 1401298 007785
18 1303840 1764019 007670
19 1140175 1490999 008771
20 948683 1791957 01054093
e
2
t
= 101

913 cte

t
+ 1

42678 B

t
199

428 cte

t
2
0

03957 B

t
2
18

4964 cte

t
B

t
(50118) (4907) (124859) (747421) (01197)
con R
2
= 0

301086. Como n R
2
aux
= 20 0

301086 = 6

021711 >
9

48773 =
2
4
(0

95) no se rechaza la hip otesis nula de homocedasticidad. Por

tanto, se ha resuelto el problema.