Manual de Econometria 9

Fichero: capitulo 9 nuevo.
doc
CAPTULO 9
HETEROCEDASTICIDAD.
1. CAUSAS MUESTRALES Y ESTRUCTURALES
Como sabemos, la heterocedasticidad consiste en que las observaciones

2
muestrales tienen varianzas del error diferentes entre s: var(Ui)= i, i=1,2,...n.

Viola la hiptesis clsica de homocedasticidad, o igual varianza de los n errores
aleatorios, y es un caso particular, junto a la autocorrelacin, de perturbaciones no
esfricas. Las figuras 9.1 y 9.2 presentan los casos de perturbaciones
homocedsticas y heterocedsticas respectivamente.
______________________________________
Manual de Econometra. Captulo 9, pgina 1 .
1
2
Carlos Murillo Fort y Beatriz Gonzlez Lpez-Valcrcel (2000)
1
Catedrtico Universidad Pompeu Fabra
2
Catedrtica Universidad de Las Palmas de GC
A lo largo de este captulo se abordan las siguientes cuestiones: cundo y por qu

surge; cules son las consecuencias de estimar por MCO un modelo
heterocedstico; cmo hacer un diagnstico correcto del problema, es decir, qu
contrastes ponen a prueba la hiptesis de homocedasticidad frente a la evidencia
de los datos muestrales; y por ltimo, cmo estimar un modelo heterocedstico, y
cmo evitar que surja la heterocedasticidad, eliminndola, si llega el caso.
La heterocedasticidad puede surgir por causas estructurales o muestrales, es
decir, su presencia puede ser sugerida por la teora o por el propio diseo muestral
y plan de muestreo en la recogida de la informacin para estimar el modelo.
Las causas estructurales o tericas suelen darse en modelos de corte transversal
con unidades muestrales de diferente "tamao". Consideremos, por ejemplo, un
modelo de decisiones de gasto en vivienda de las familias en funcin de la renta
familiar y de otras caractersticas. Podemos suponer que el grado de aleatoriedad
del gasto de las familias crece con los ingresos; las familias de ingresos bajos son
muy homogneas entre s, es decir, gastarn cantidades similares, ya que su
margen de maniobra para tomar decisiones de gasto es reducido. En cambio, las
familias de renta alta tendrn pautas de gasto ms heterogneas entre s. La
variabilidad del gasto entre familias "ricas" es mucho mayor que entre familias
"pobres". En este ejemplo, la propia teora sugiere la forma o pauta de la
heterocedasticidad: la varianza del error depende positivamente de la renta.
Otros ejemplos donde posiblemente surja el problema de la heterocedasticidad
'estructural' son los siguientes: un modelo que explica el reparto de dividendos (en
millones de ptas.) de una sociedad en funcin de los beneficios obtenidos en el
ejercicio (tambin en millones de ptas.) y de otras variables como el tamao de la
sociedad; un modelo de gastos en publicidad de diferentes marcas comerciales en
______________________________________
1
2
1
2
funcin de sus ventas y otras variables; un modelo que explica las ventas de una
compaa en funcin de su marketing-mix. Ntese que en todos los ejemplos los
datos muestrales son transversales, las unidades muestrales tienen diferente
"tamao" (familias de bajos y altos ingresos, empresas de dimensin reducida y
grande, etc.) y que la variable dependiente se mide en trminos absolutos
(millones de ptas. por ejemplo). Un hecho frecuente es que la dispersin absoluta
sea mayor en las unidades de mayor volumen precisamente por este motivo
'estructural', si bien es posible que la dispersin relativa sea ms homognea. As,
aunque los dividendos distribudos por las sociedades grandes estn muy
dispersos en torno al valor esperado, es posible que el ratio dividendos distribudos
sobre beneficios, dados los beneficios y dems caractersticas de la sociedad,
tenga una dispersin similar, independiente del tamao de las sociedades.
Los errores de especificacin de la forma funcional tambin pueden producir
1
heterocedasticidad . As, si el verdadero modelo, homocedstico, es doble-log y

estimamos un modelo lineal, las perturbaciones de ste son heterocedsticas,
como demostramos en el apndice 9.1.
Hay un tipo de modelos heterocedsticos con datos temporales que est
despertando creciente inters por su potencial de aplicacin en econometra
financiera, con series de cotizaciones o de rendimientos de valores. Son los
modelos ARCH, o GARCH, de varianza condicionada heterocedstica, en los que
el riesgo condicional de un valor (varianza de sus rendimientos en el da t, dada
toda la informacin disponible hasta ese da) va variando a lo largo del tiempo. A
diferencia de las situaciones anteriores, en las que la heterocedasticidad se
consideraba un 'problema' a evitar o tratar, en este caso es una fuente de
informacin que mejora sensiblemente la capacidad predictiva del modelo.
1
Para los alumnos de Bea: ya nos hemos encontrado un caso en la prctica 1
______________________________________
1
2
1
2
La heterocedasticidad puede surgir tambin por causas muestrales, en el sentido

de que el propio diseo de recogida de informacin o plan de muestreo genera
perturbaciones con varianzas distintas. Por ejemplo, cuando trabajamos con datos
agregados o medios procedentes de distintas submuestras, siendo variable el
tamao de las mismas. Supongamos un modelo lineal que explica el gasto en
publicidad de las empresas en funcin de las ventas del ao anterior y de otras
variables que omitimos por simplicidad. Supongamos tambin que el modelo
desagregado es homocedstico:
Y i = 0 + 1 X i + U i ; (i = 1,2,...n); var( U i ) =
(9.1)
donde Yi y Xi representan respectivamente los gastos de publicidad y las ventas

desfasadas un ao de la empresa i-sima, y Ui es el error aleatorio y
homocedstico del modelo.
Supongamos que solamente tenemos datos medios por zonas, obtenidos a partir
de muestras de empresas de cada una de las J zonas. El plan de muestreo ha sido
una estratificacin por zonas con afijacin proporcional, es decir, en cada estrato
(zona) se tom una muestra proporcional al nmero de empresas radicadas en la
misma, resultando J submuestras de empresas de tamao nj (j=1,2,...J), de
forma que nj=n. Nuestro modelo explica el gasto medio en publicidad en cada
zona en funcin de las ventas del ao previo. El modelo se estima con J
observaciones:
Y j = 0 + 1 X j +U j ; (j = 1,2,...J)
Los errores Uj de este modelo son la media de los nj errores de las empresas de la
zona j. Tienen esperanza nula y son por construccin heterocedsticos, ya que la
______________________________________
1
2
1
2
varianza de la media es la varianza de la poblacin dividida entre el tamao

muestral. En nuestro caso, la varianza del error de cada observacin es
inversamente proporcional al nmero de empresas en la muestra de la zona:
U j=
in=1j U i
; (j = 1,2,...J)
nj
E( U j ) = 0 j = 1,2,...J
(9.2)
Var( U j ) = ; (j = 1,2,...J)
nj
2
Ejercicio 9.1.- Si en el ejemplo anterior los J datos son valores agregados en vez
de medios (ventas y gastos en publicidad totales de las nj empresas del grupo)
obtenga la expresin de las varianzas de las perturbaciones
Heterocedasticidad por grupos. En ocasiones, la heterocedasticidad aparece en

modelos de datos agrupados. Pongamos a ttulo de ejemplo la ecuacin de salarios
de licenciados universitarios que propusimos en el captulo 6. El logaritmo del
salario depende de los aos de experiencia laboral (EXPER), con una relacin
cuadrtica, es decir, como explicativas inclumos la experiencia y su cuadrado.
Adems, el modelo hipotetiza que hay diferencias sistemticas entre los hombres
y las mujeres, y entre las cuatro titulaciones (Humanidades, Economa, Medicina e
Ingeniera). La muestra, de 600 licenciados, se reparte entre las titulaciones con
n1(Humanidades) =
172; n2(Ingeniera) =
345; n3(Medicina) = 148;
n4(Economa) = 335; El modelo que proponamos en el captulo 6 era el siguiente,

en el que se supona que las perturbaciones eran independientes, con media cero y
varianza constante:
______________________________________
1
2
1
2
Y i = Log ( Salarioi ) = 1 + 2 S i + 3 T 1i + 4 T 2i + 5 T 3i + 6 E i + 7 E 2 i + u i ;
S i = MUJERi ; T 1i = Dummy de Medicina; T 2 i = Dummy de Economa T 3i = Dummy de Ingeniera;
E = exp eriencia laboral
Ahora supongamos que la varianza del error aleatorio difiere entre las titulaciones.
2
A la titulacin j (j=1,...4) corresponde una varianza j. Esto puede ocurrir porque,

por ejemplo,
los salarios de los de Humanidades, para un nivel dado de
experiencia, son muy homogneos, al trabajar en su mayora como enseantes,

mientras que los ingenieros presentan un abanico salarial mayor dependiendo del
puesto de trabajo y las funciones desempeadas.
En este ejemplo, hay
heterocedasticidad por grupos. El modelo contiene tantas varianzas del error

desconocidas, a estimar, como grupos y hay un nmero suficientemente grande
de observaciones en cada grupo para estimarlas, basndose en las sumas de
cuadrados de los respectivos errores.
Ms adelante veremos un contraste de
homocedasticidad por grupos.
2.
FORMAS
FUNCIONALES.
HETEROCEDASTICIDAD
ADITIVA
MULTIPLICATIVA.
Hemos visto que cuando la heterocedasticidad es un problema producido por el
plan de muestreo o por la agregacin de variables, generalmente conocemos,
excepto por un factor de escala, las varianzas de los errores de cada una de las
observaciones, que dependen del nmero de unidades muestrales desagregadas
contenido en cada observacin agregada. Conocemos, pues, la matriz y el
mtodo de MCG puede aplicarse sin dificultad, obteniendo estimadores ELIO como
se indicaba en la leccin anterior. El nico parmetro a estimar, aparte de los
2
coeficientes de regresin, es , el factor de escala en la expresin (UU') =V =

______________________________________
1
2
1
2
.
Pero cuando la heterocedasticidad obedece a otras causas, que hemos llamado
'estructurales' o bien es consecuencia de una especificacin incorrecta de la
forma funcional, las varianzas de los n errores son desconocidas. Si no hay
autocorrelacin, la matriz V es diagonal y contiene n valores desconocidos. Con
una muestra de tamao n no se pueden estimar libremente esas n varianzas y los
K parmetros de regresin por falta de grados de libertad. Pero para aplicar MCGF
es preciso tener, como sabemos, una estimacin consistente de la matriz V ( o ,
ya que en este caso podemos considerarlas equivalentes). Una posibilidad es
2
i.
parametrizar el comportamiento de las varianzas
La propia teora, el tipo de
variables, la experiencia previa o la propia voz de los datos pueden sugerir un

determinado esquema funcional de comportamiento. Por ejemplo, en el modelo
explicativo del gasto familiar en turismo y ocio una hiptesis tericamente
plausible y avalada por diversos estudios previos sugiere que la varianza del error
del gasto es proporcional a la renta familiar. Las siguientes son algunas formas
funcionales posibles para la varianza de las perturbaciones:
1)Var( U i ) = Z i ; ( > 0); i = 1,2,...N
2)Var( U i ) = Z i2 ; > 0; i = 1,2,...N
3)Var( U i ) = 0 + 1 Z i ; ( 1 > 0); i = 1,2,...N
(9.3)
0+ 1 Z i ; i = 1,2,...N
4)Var( U i ) = e
5)Var( U i ) = 12 ; (i = 1,2,... n1 )
= 22 ;
(i = n1 + 1,...N )
donde Zi representa alguna variable explicativa del modelo u otra ajena al mismo.
En las formas 1) y 2) la varianza del error es directamente proporcional a la
______________________________________
1
2
1
2
variable Z y a su cuadrado respectivamente. En 2) se evita la posibilidad absurda

de
tener
varianzas
negativas.
El
esquema
3)
recibe
el
nombre
de
heterocedasticidad aditiva, ya que la varianza de los errores es una funcin lineal

de Z, con trmino constante. La forma 4) se llama heterocedasticidad
multiplicativa. En ella, la varianza de los errores es una funcin exponencial de Z.
En ambos casos, se puede generalizar para incluir varias variables Zp (p=1,2,...P).
El caso 5) indica que la muestra contiene dos submuestras diferentes en cuanto a
la dispersin de las perturbaciones, y admite tambin una generalizacin a ms de
dos submuestras. Por ejemplo, con datos trimestrales podra ocurrir que la
varianza del error fuera homognea dentro de cada trimestre pero diferente para
los cuatro trimestres del ao; en ese caso, tendramos cuatro submuestras. En
otras ocasiones tendremos menos suerte, y no seremos capaces de encontrar una
2
i
especificacin adecuada para
compatible con los datos. An en este caso,
como veremos en el apartado 4, podremos estimar el modelo por MCGF

estimando consistentemente mediante los residuos de la regresin por MCO.
3. DIAGNSTICO DE LA HETEROCEDASTICIDAD. CONTRASTES

En este apartado se resean varios mtodos, incluyendo, de menor a mayor
formalizacin, desde la inspeccin visual de algunos grficos hasta los contrastes
cuya hiptesis nula es la homocedasticidad del modelo, frente a la hiptesis
alternativa de heterocedasticidad, en alguna de sus mltiples formas.
El tipo de datos y de problema nos previene sobre la posible presencia de
heterocedasticidad. En general, cuando trabajemos con datos transversales y
unidades de "tamaos" diferentes, debemos estar prevenidos. Por otra parte,
como vimos en el primer apartado, si los datos son agregados o medias de
______________________________________
1
2
1
2
distintas submuestras sabemos que el modelo es heterocedstico.
El anlisis visual de algunos grficos har que aumente o disminuya nuestra

______________________________________
1
2
1
2
sospecha, e incluso nos puede ayudar a detectar las variables (Z) responsables de
los cambios de varianza entre observaciones. En abscisas se representan las
posibles Z (generalmente, los regresores, uno cada vez), o los valores ajustados de
Y. En ordenadas, los residuos de la regresin MCO en valor absoluto o sus
cuadrados. Veamos algunos ejemplos: La figura 9.3 representa una situacin
homocedstica: los errores son independientes de los valores de Y ajustados, y
por tanto, podemos pensar que tambin lo son del conjunto de regresores. En la
figura 9.4, los errores cuadrticos crecen linealmente con Xr (una de las variables
explicativas del modelo): sospechamos una forma 1) de heterocedasticidad, donde
Zi es Xri. En la figura 9.5, la relacin parece ser cuadrtica (heterocedasticidad de
la forma 2).
Existen mltiples test estadsticos para detectar la heterocedasticidad, cuya
hiptesis nula es siempre que los errores son homocedsticos.
Uno de los contrastes clsicos es el de Goldfeld y Quandt (1972), adecuado
cuando sospechamos que dos o ms submuestras o grupos de individuos
perfectamente identificables pueden diferenciarse en la varianza de sus
respectivos errores. Es el caso 5) del apartado anterior. Por ejemplo, supongamos
que para explicar el precio de los coches en Espaa se recurre a un conjunto de
variables de prestacin: velocidad mxima, potencia del motor, etc.. La muestra
abarca una amplia gama de modelos incluyendo los pequeos utilitarios y los
familiares. Es posible que el grupo de modelos base, los ms pequeos, baratos y
sencillos de cada marca, tengan desviaciones respecto al precio esperado, dadas
sus caractersticas, que los modelos familiares, ms grandes y de mayor precio.
Supongamos, pues, un modelo con heterocedasticidad de la forma 5), es decir,
hay dos submuestras independientes de tamaos respectivos n1 y n2, con n1>k y
2
1
n2>k y n1+n2 = n, con varianzas del error
2
2
respectivamente. Podramos
______________________________________
1
2
1
2
estimar dos modelos de regresin independientes, uno para cada submuestra:

2
Y 1 = X 1 1 + U 1 ; U 1 ~ N(0; 1 I 1 )
(9.4)
2
Y 2 = X 2 2 + U 2 ; U 2 ~ N(0; 2 I 2 )
Como sabemos, en cada regresin se verifica que la suma de cuadrados de los

residuos MCO dividida entre la varianza de la perturbacin aleatoria sigue una
2
distribucin y ambas son independientes:
SCERR1
S1
~ n 1-k
2
(9.5)
SCERR2
2
2
S2
2
2
~ n 2- k
2
Para contrastar la hiptesis nula de homocedasticidad:

2
1
H0:
2
2
construimos una distribucin F a partir de las dos distribuciones, como cociente

2
entre ambas distribuciones , cada una de ellas dividida entre sus grados de
libertad. Si se cumple H0, se verifica que:
S2
n2 - k ~
F n 2 - k,n 1- k
S1
n1 - k
(9.6)
Si el estadstico de prueba [9.6] calculado para nuestro problema es mayor que el

valor crtico de la F, decidimos rechazar la hiptesis nula.
______________________________________
1
2
1
2
Este contraste es exacto para muestras finitas admitiendo la posibilidad de que los
coeficientes de regresin de ambas submuestras sean diferentes. Para el modelo
restringido (coeficientes iguales), solamente es vlido asintticamente.
Este contraste de Goldfeld y Quandt puede extenderse al caso de g grupos, y
muestra de tamao n. La hiptesis nula de homocedasticidad es:
H 0 : 12 = 22 = ... = g2 = 2
E (uu ' ) = V = I n
2
(9.7)
La hiptesis alternativa de heterocedasticidad es:
12 I n
0
E (uu ' ) = V =
M
0
22 I n
M
0
...
0
...
0
O
M
... g2 I n
(9.8)
El contraste, basado en el proncipio del ratio de verosimilitudes, consiste en

estimar por MV el modelo restringido (bajo la hiptesis nula) y el no restringido
(permitiendo varianzas diferentes entre grupos). El estadstico de prueba y su
distribucin asinttica bajo la hiptesis nula es:
g
RV = n Ln 2 ni Ln i2 ~ 2 g 1
2
(9.9)
i =1
Goldfeld y Quandt partieron de los resultados anteriores para disear un contraste

de heterocedasticidad que no valiera solamente para aplicar a dos submuestras
______________________________________
1
2
1
2
previamente identificables sino tambin para esquemas de dependencia funcional

desconocida. Supongamos un modelo en que la varianza del error es proporcional
a una variable Zi conocida, que generalmente ser alguno de los regresores. La
idea es formar dos submuestras, una con los individuos para los que Zi presenta
los valores ms pequeos y otra de individuos con Zi mayor, estimar el modelo
para ambas muestras por separado y hacer el contraste [9.6]. Los pasos a seguir
son: 1) ordenar la muestra en orden creciente de valores de Zi; 2) eliminar las h
observaciones centrales; 3) Estimar el modelo para las dos submuestras extremas,
ambas de igual tamao (N-h)/2; 4) Realizar el contraste [9.6]. El estadstico de
prueba es S2/S1 porque las dos submuestras tienen el mismo tamao. La eleccin
del nmero de datos centrales a descartar, h, debe garantizar que las dos
muestras extremas resulten bastante 'separadas' pero a la vez que tengan un
tamao
suficiente
para
estimar
el
modelo.
Es
recomentable
descartar
aproximadamente un tercio de la muestra.

Un segundo tipo de contrastes se basa en hacer una regresin de los residuos
mnimocuadrticos de la regresin (en valor absoluto o al cuadrado) contra un
conjunto de variables Z que se suponen conjuntamente causantes de la
heterocedasticidad.
Supongamos,
por
ejemplo,
una
pauta
lineal
de
heterocedasticidad:
Var( U i ) = E( U i2 ) = i2 = 0 + 1 Z 1i + ...+ p Z p i ; i = 1,2,...n
Aproximando el cuadrado de las perturbaciones, desconocidas, mediante el
cuadrado de los residuos MCO, se estima por regresin la ecuacin que 'explica'
linealmente el cuadrado de los residuos MCO en funcin de las Z:
ei = d 0 + d 1 Z 1 i + ...+ d p Z p i + vi ; (i = 1,2,...n)
La hiptesis nula de homocedasticidad es la de nulidad conjunta de los
coeficientes d, excluyendo el trmino independiente, que se pone a prueba con el
______________________________________
1
2
1
2
estadstico F:
H 0 : d 1 = d 2 = ... = d p = 0
Esta es la base de una prolfica familia de contrastes, entre los cuales el ms
destacado representante es el de Breusch y Pagan.
El contraste de Breusch y Pagan, que ya se ha presentado en el captulo 5,
detecta incluso pautas no lineales de comportamiento de la varianza de la
perturbacin:
i2 = f ( 0 + 1 Z 1 i + ...+ p Z p i )
La hiptesis nula, de homocedasticidad, es que todos los coeficientes excepto 0
son nulos:
H 0 : 1 = 2 = ... = p = 0
Para realizar el test se siguen los siguientes pasos: 1) se estima el modelo original
por MCO y se calculan los residuos MCO; 2) se calcula la serie eN de residuos
tipificados, restando a cada uno la media y dividiendo entre la desviacin tpica. Si
el modelo tiene constante, la media de los residuos es cero y en este caso tipificar
es simplemente dividir entre la desviacin tpica (
N^2
serie e
e' e
).
n
Se calcula tambin la
de residuos tipificados al cuadrado; 3) se hace la regresin lineal de

N^2
estos ltimos, e
contra el conjunto de variables Z, incluyendo una constante y
se calcula la suma de cuadrados explicada; 4) si la hiptesis nula es cierta, la

mitad de la suma de cuadrados explicada se distribuye asintticamente como una
2
con p grados de libertad. Si el valor del estadstico de prueba supera el valor

crtico tabulado, dado el nivel de significacin elegido, rechazamos la hipteis nula
decidiendo que el modelo presenta heterocedasticidad.
______________________________________
1
2
1
2
El contraste de White es el ms general. Es un contraste asinttico que no

necesita especificar la lista de variables responsables de la heterocedasticidad. Se
estima una regresin auxiliar en la que los cuadrados de los residuos
minimocuadrticos vienen explicados
por una constante, cada una de las
variables explicativas, sus respectivos cuadrados y todos los productos cruzados

entre cada dos variables explicativas. Bajo la hiptesis nula de homocedasticidad,
el estadstico
nR 2 ~ 2 (q ) ,
donde R es el coeficiente de determinacin de la
regresin auxiliar y q es el nmero de variables explicativas de dicha regresin

auxiliar, excluyendo la constante. La ventaja de este contraste es que es muy
flexible, detectando heterocedasticidad bajo condiciones muy generales. Su
principal problema es que, en caso de detectarla, no nos da pista alguna sobre la
forma de la heterocedasticidad o la lista de variables responsables de la misma.
Una dificultad adicional, si la muestra no es muy grande, es el escaso nmero de
grados de libertad que quedan, ya que la lista de regresores es tan ampli.
Ejercicio 9.2. Si en el modelo original, del que queremos averiguar si hay o no heterocedasticidad,
hay K=6 variables explicativas, incluyendo la constante, y la muestra es de tamao 100, calcula el
nmero de grados de libertad de la regresin auxiliar para el test de White.
Otros contrastes basados en regresiones auxiliares de los residuos o sus

cuadrados, son los de Glejser y de Park. Puedes consultar detalles en los manuales
de econometra.
4. TRATAMIENTO DE LA HETEROCEDASTICIDAD. ESTIMACION DE UN MODELO

HETEROCEDASTICO O TRANSFORMACIN DEL MODELO
Al ser un caso particular de perturbaciones no esfricas, ya conocemos los
______________________________________
1
2
1
2
efectos de la estimacin por MCO de un modelo heterocedstico: los estimadores

de MCO son insesgados y consistentes, pero no eficientes. Los estimadores de
MCG son ptimos o eficientes, es decir, los de varianza mnima. Adems,
recordemos que si estimamos por MCO el modelo suponiendo homocedasticidad
cometemos un sesgo en la estimacin de la matriz de covarianzas de
2
-1
estimadores, ya que calcularemos (X'X)
los
cuando en realidad su matriz de
covarianzas es [7.3].
Recordemos tambin que las medidas de bondad del ajuste y los contrastes de
significacin y de restricciones sobre los parmetros pueden ser engaosas debido
a la mala estimacin de la precisin de los estimadores, sin que a priori pueda
conocerse la direccin del sesgo.
En el caso concreto de un modelo heterocedstico pero sin autocorrelacin, los
estimadores de MCG son de hecho estimadores de mnimos cuadrados
ponderados porque, la transformacin [7.10] consiste en ponderar a cada
individuo de la muestra inversamente a la desviacin tpica de su respectiva
perturbacin. En efecto, en este caso la matriz V= es diagonal de forma que la
matriz C de [7.5] es la matriz identidad y P es tambin diagonal:
______________________________________
1
2
1
2
V = = ; C = I n ; P = - 2 = V - 2
12
2
V =
...
*
ri
de forma que Y i = Yi/i y X
1
2
1
P=
22
...
1
2n
= Xri/i. La funcin a minimizar es ahora la suma de
cuadrados de los residuos ponderada segn la fiabilidad de cada dato: si la variaza

de la perturbacin de un individuo es grande, el dato muestral de la variable
dependiente de ese individuo tiene un intervalo de confianza grande, no debemos
asignar demasiado peso a los individuos poco fiables. Piense en la situacin
opuesta: si supiramos que la perturbacin de un individuo tiene varianza casi
nula, esto significa que el dato de su endgena es (casi) exactamente la funcin
de regresin poblacional, o sea, el valor esperado de Y dadas las X. Al ser una
estimacin muy fiable de un punto de la FRP, es lgico que asignemos a ese
individuo mucho peso.
Ejercicio 9.3.- Un modelo de gastos en vivienda
Queremos estimar un modelo con datos de N=20 familias que explique el gasto
anual en vivienda de cada una (Y) en funcin de la renta (X). El modelo es:
Y i = + X i +U i ; (i = 1,2,...20)
donde Yi son los gastos anuales en vivienda de la familia i-sima en miles de
unidades monetarias, y Xi son sus ingresos anuales expresados en las mismas
unidades. Los datos muestrales son los siguientes:
______________________________________
1
2
1
2
GR
UP
O
DE
FA
MIL
IAS
INGRESOS
NETOS/A
O (Millones
de ptas.)
GASTOS EN VIVIENDA/AO (MILES DE PTAS.)

Y
Gasto
medio de
las
familias
del grupo
Varianza
del gasto
dentro del
grupo
S2y
210
220
230
235
240
0.8
227
116
405
415
450
540
580
478
4866
650
600
790
820
900
752
12296
550
700
1020
1200
980
890
54560
a) Estimar por MCO el modelo de regresin lineal.

b) Suponiendo que la varianza de las perturbaciones sea proporcional al cuadrado
de la renta, reestimar el modelo por mnimos cuadrados ponderados.
Solucin:
a) La estimacin del modelo por MCO es la siguiente:
Y i = 186 . 648 + 125 . 9694 X
(t
= 0 . 7486 ;
= 7 . 3220
F = 53 . 61
b) La transformacin adecuada para convertir el modelo en homocedstico

consiste en dividir cada variable del modelo entre la renta disponible Xi. El modelo
resultante, estimado por MCO, es:
Y
X
R
= 154 . 9167
i
+ 110 . 5
(t
= 0 . 6289 ;
1
Xi
= 5 . 5227
F = 30 . 50067
Si la pauta de heterocedasticidad es como hemos supuesto, estos ltimos

estimadores son los de varianza mnima (ptimos) y las medidas de bondad del
ajuste del modelo original estn basadas en una estimacin errnea de la matriz de
______________________________________
1
2
1
2
covarianzas de U. Por tanto, los R de ambos modelos no pueden compararse.

Han cambiado mucho los resultados de la estimacin (coeficientes estimados)?
Observacin: para contestar esta pregunta, piensa qu coeficientes de ambos
modelos son comparables entre s.
Ejercicio 9.4.- Para el modelo de regresin lineal siguiente:

Y i = 1 + 2 X 2 i + 3 X 3 i +U i
a) i2 = 2 X 2i
b) i2 = 2 X 22i
c) i2 = 2 X 1i2 X 22i
d) i2 = 2 X 1i X 2i
indicar cul es el modelo (homocedstico) transformado en cada uno de los

siguientes casos:
Solucin:
a)
Yi
X
= 1
2i
1
X
2i
X
1
b) Y i =
+ 2 + 3
1
X 2i
X 2i
X
c)
2i
3i
2i
X 3i
X 2i
Ui
X 2i
Yi
Ui
1
1
1
= 1
+ 2
+ 3
+
X 2 i X 3i
X 21 X 3 i
X 3i
X 2 i X 2 i X 3i
EL MTODO DE MCGF. CMO ESTIMAR CONSISTENTEMENTE LA MATRIZ

Como sabemos, para aplicar MCG es preciso estimar previamente la matriz de
2
covarianzas de los errores , es decir, determinar los pesos wi por los que
ponderar a cada individuo de la muestra. Hay dos posibilidades para determinar
dichos pesos. La primera consiste en admitir alguna hiptesis especfica acerca de
______________________________________
1
2
1
2
la forma funcional de la heterocedasticidad, como en el ejercicio anterior y aplicar

mnimos cuadrados
ponderados, estimando el modelo transformado :
wiY i = wi 1+ wi 2 X
+ ... + w i
1
con w i =
i
2i
Ki
Observe que en general el modelo resultante no tiene trmino independiente, por

lo que las medidas de bondad del ajuste basadas en la frmula habitual de
descomposicin de la varianza pierden validez.
Pero hay ocasiones en las que no tenemos base terica ni emprica para apostar
por una determinada hiptesis en este sentido. En este caso, podramos estimar
2
i mediante e i, es decir, el cuadrado del residuo MCO correspondiente a cada

observacin. El modelo a estimar sera, pues:
Y i = 1 + X 2i + ...+ X Ki + U i
1
2
K
ei
e1
ei
ei
ei
Ejercicio 9.5. Qu desventajas tiene esta propuesta?, Cmo ser el ajuste?.

Aplquelo con E-Views a un ejemplo concreto
Como se advirti en el captulo anterior, las propiedades en muestras pequeas de
los estimadores de MCGF son desconocidas y en la prctica es posible que,
cuando trabajamos con muestras pequeas, sea incluso preferible estimar el
modelo por MCO que al menos proporciona estimadores insesgados. En este caso,
______________________________________
1
2
1
2
si la muestra es grande, conviene emplear la correccin de White para estimar sus

varianzas.
Los estimadores de White de las varianzas de los estimadores MCO

Si optamos por el mtodo de MCO, hay, como sabemos, un problema adicional.
La matriz de varianzas covarianzas de los estimadores MCO, como sabemos, es
2
[7.3], frmula que contiene las varianzas desconocidas i. White (1980) demostr
2
i
que [7.3] se puede estimar consistentemente sustituyendo en ella
por e i,
siendo como de costumbre ei el residuo minimocuadrtico de la observacin isima. Todos los paquetes economtricos dan la opcin de calcular los
estimadores consistentes de White, o la correccin de White de la s varianzas
de los estimadores. Con esos trminos, se estn refiriendo a la estimacin de la
matriz de varianzas-covarianzas de los estimadores MCO que acabamos de
presentar.
Ejemplo. Observa atentamente y comenta los siguientes resultados, del modelo
explicativo del salario de 600 licenciados universitarios con el que ya hemos
trabajado en el captulo 6. Qu se ha hecho en cada estimacin y por qu?
Estimacin 1
Dependent Variable: LOG(SALARIO)
Method: Least Squares
Sample: 1 600
Included observations: 600
______________________________________
1
2
1
2
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
EXPER
EXPER^2
INGENIERO
MEDICINA
ECONOMIA
MUJER
HARVARD
POSGRADO
12.58346
0.017376
-0.000711
0.188897
0.145605
0.093852
-0.091262
0.195579
0.031638
0.016769
0.002316
9.23E-05
0.013384
0.016136
0.013465
0.009081
0.016143
0.009881
750.3996
7.503810
-7.706221
14.11378
9.023679
6.970193
-10.04968
12.11571
3.202046
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0014
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.476313
0.469224
0.110915
7.270516
472.5676
1.944500
Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
12.75184
0.152242
-1.545225
-1.479271
67.19209
0.000000
Estimacin 2
Date: 10/28/01 Time: 18:25
Sample: 1 600
Weighting series: 1/RESID
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
EXPER
EXPER^2
INGENIERO
MEDICINA
ECONOMIA
MUJER
HARVARD
POSGRADO
12.58582
0.017251
-0.000705
0.187151
0.141893
0.091417
-0.091320
0.193591
0.032478
0.002295
0.000291
1.03E-05
0.001405
0.001816
0.001488
0.000286
0.002048
0.000723
5484.304
59.25447
-68.17610
133.1850
78.13480
61.43859
-318.7607
94.54385
44.90079
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
Weighted Statistics
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
1.000000
1.000000
0.017002
0.170843
1597.819
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
12.79008
211.6233
-5.296063
-5.230109
22658.27
______________________________________
1
2
1
2
Durbin-Watson stat
0.028731
Prob(F-statistic)
0.000000
0.476236
0.469146
0.110923
1.942783
Mean dependent var

S.D. dependent var
Sum squared resid
12.75184
0.152242
7.271588
Unweighted Statistics
R-squared
Adjusted R-squared
S.E. of regression
Durbin-Watson stat
Estimacin 3

Sample: 1 600
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
EXPER
EXPER^2
INGENIERO
MEDICINA
ECONOMIA
MUJER
HARVARD
POSGRADO
12.58346
0.017376
-0.000711
0.188897
0.145605
0.093852
-0.091262
0.195579
0.031638
0.017261
0.002524
0.000100
0.012327
0.015941
0.012654
0.009088
0.020375
0.011118
729.0193
6.885542
-7.113170
15.32370
9.133909
7.416805
-10.04158
9.598800
2.845817
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0046
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.476313
0.469224
0.110915
7.270516
472.5676
1.944500
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
12.75184
0.152242
-1.545225
-1.479271
67.19209
0.000000
OTRAS FORMAS DE AFRONTAR LA HETEROCEDASTICIDAD: LAS SOLUCIONES

AD HOC
______________________________________
1
2
1
2
Se han sugerido otras soluciones prcticas para eliminar la heterocedasticidad,

mediante ciertas transformaciones del modelo, entre las que destacan:
a) Estimar el modelo con las variables en logaritmos
b) Tomar valores relativos (porcentaje de gasto sobre la renta en lugar de la
cifra de gasto en unidades monetarias)
c) Emplear deflactores cuando los datos son temporales y corresponden a
series largas
d) Dividir la muestra en submuestras ms homogneas en cuanto al
'tamao' de sus individuos y estimar por separado.
Esos son procedimientos 'ad hoc' cuya justificacin estadstica se encuentra
fcilmente. Por ejemplo, podra ocurrir que el modelo 'verdadero' fuera doble-log y
la heterocedasticidad provocada por la especificacin incorrecta de la relacin, de
ah que al tomar logaritmos se corrija el problema. (Est el lector capacitadopara
descubrir en qu casos las transformaciones b), c) y d) sugeridas pueden eliminar
la heterocedasticidad?).
5. LOS MODELOS ARCH DE HETEROCEDASTICIDAD CONDICIONAL

AUTOREGRESIVA
Engle (1982) propuso una clase de modelos llamados genricamente ARCH
(Autoregressive Conditional Heterocedasticity) que han demostrado ser muy tiles
para explicar el comportamiento de muchas series financieras, como las
cotizaciones burstiles o los tipos de cambio de las monedas y en general los
______________________________________
1
2
1
2
precios en mercados especulativos . Se trata de modelos para datos temporales

que por construccin tienen varianzas condicionadas variables a lo largo del
perodo muestral. El trmino 'condicional' se refiere al conjunto de informacin
disponible en el momento t, es decir, a los datos histricos previos observados.
Un modelo ARCH sencillo es el ARCH(1):
Y t = Y t -1 + X t + U t ; U t ~ N(0, ht )
Var( U t ) = ht = 0 + 1 U t2-1
La variable endgena depende de su propio valor con un retardo, en una regresin
de Y contra s misma por lo que recibe el nombre autoregresivo y de alguna/s
exgenas. En este modelo, la varianza de la perturbacin aleatoria en el momento
t condicionada a la informacin disponible hasta el perodo anterior, depende del
cuadrado de la propia perturbacin en t-1 (de ah que el orden de este sencillo
modelo ARCH sea 1) y por tanto el modelo es heterocedstico, en la medida en
que U va variando a lo largo del tiempo tambin lo hace la varianza ht. Los
modelos ARCH se estiman por procedimientos iterativos de estimacin no lineal.
La propia existencia de efectos ARCH, es decir, de heterocedasticidad condicional,
puede contrastarse mediante contrastes especficos que se pueden encontrar
descritos en la literatura especializada.
Caso .- Un modelo ARCH para los rendimientos de la bolsa de Madrid

A ttulo ilustrativo, se presenta la salida de una estimacin GARCH de los rendimientos de las
acciones en la bolsa de Madrid. Los datos corresponden a cotizaciones diarias al IBEX35 desde el
28-03-96 al 21-09-99. El alumno puede consultar la ayuda el E-Views para interperetar esos
resultados
Estos modelos se han generalizado a los GARCH, como el del ejemplo
______________________________________
1
2
1
2
CAPTULO 9. RESUMEN
La heterocedasticidad consiste en que las varianzas de las perturbaciones

difieren entre unidades muestrales o 'individuos'.
Generalmente, surge en muestras transversales: a) cuando los individuos son
agregados o promedios de unidades muestrales homocedsticas; b) cuando los
individuos tienen 'tamao' muy diferente (grandes empresas y PYMES en la
misma muestra); c) cuando por error de especificacin se ha estimado
incorrectamente la forma funcional. Un caso frecuente ocurre cuando el
modelo es doble-log y se estima una ecuacin lineal.
Surge tambin en modelos de precios en mercados especulativos, para datos
temporales. En los modelos ARCH, que explican satisfactoriamente el
comportamiento de cotizaciones burstiles y tipos de cambio, la varianza de la
perturbacin Ut condicionada a la informacin disponible hasta t-1 depende de
2
______________________________________
U t-1 y por tanto, al variar a lo largo de la muestra,
es heterocedstica.
1

1
heterocedasticidad existen diversos
contrastes.
Su Pompeu
hiptesis
Catedrtico
Universidad
Fabra
2
Universidad
de Las Palmasque
de GC
homocedasticidad y difieren Catedrtica
en la hiptesis
alternativa,
Para detectar la
nula siempre es
puede ser ms o menos general. Hemos estudiado los test de Goldfeld y
Quandt y sus extensiones, el de Breusch y Pagan y el de White
Los estimadores MCO de un modelo heterocedsticos son insesgados pero no

ptimos. Para estimar su matriz de varianzas-covarianzas es recomendable
emplear el estimador consistente de White, que aplica [7.3] sustituyendo los
2
elementos de por los cuadrados de los residuos MCO e i.
APENDICE 9.1
Si el verdadero modelo es log-lineal y se estima un modelo lineal, ste es

heterocedstico.
Demostracin:
El modelo verdadero, log-lineal, suponiendo sin prdida de generalidad un solo
regresor, es:
2
Y i = X i eu i ; ui _N (0, )
ln Y i = + ln X i + ui
con = ln
El modelo estimado es lineal en x. Queremos demostrar que su error, vi, es

heterocedstico:
Y i = 0 + 1 X i + vi
i
Puesto que ui es normal, eu sigue una distribucin log-normal, con:
1
E( eu ) = e 2
i
Var( eu ) = e ( e - 1)
de forma que la esperanza del error del modelo estimado, vi, es:
E( vi ) = E( Y i - 0 - 1 X i ) =
E( X i eui - 0 - 1 X i )
1
= X i e 2 - 0 - 1 X i
2
y su varianza resulta ser:
______________________________________
1
2
1
2
Var( vi ) = E[ vi - E( vi ) ] 2
1
= E[ X i eui - 0 1 X i - X i e 2 + 0 1 X i ]
1
= E[ X i ( eui - e 2 ) ] 2
2
= 2 X i2 e ( e - 1)
2
Vemos que vi es heterocedstica, ya que su varianza depende de los datos

muestrales de la variable exgena Xi. Concretamente, si >0 es una funcin
creciente y si <0 es una funcin decreciente de Xi.
______________________________________
1
2
1
2

Manual de Econometria 9

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Manual de Econometria 9

Hochgeladen von

Copyright:

Verfügbare Formate

Fichero: capitulo 9 nuevo.

1. CAUSAS MUESTRALES Y ESTRUCTURALES

Como sabemos, la heterocedasticidad consiste en que las observaciones

muestrales tienen varianzas del error diferentes entre s: var(Ui)= i, i=1,2,...n.

A lo largo de este captulo se abordan las siguientes cuestiones: cundo y por qu

heterocedasticidad . As, si el verdadero modelo, homocedstico, es doble-log y

Para los alumnos de Bea: ya nos hemos encontrado un caso en la prctica 1

La heterocedasticidad puede surgir tambin por causas muestrales, en el sentido

donde Yi y Xi representan respectivamente los gastos de publicidad y las ventas

varianza de la media es la varianza de la poblacin dividida entre el tamao

Heterocedasticidad por grupos. En ocasiones, la heterocedasticidad aparece en

345; n3(Medicina) = 148;

n4(Economa) = 335; El modelo que proponamos en el captulo 6 era el siguiente,

A la titulacin j (j=1,...4) corresponde una varianza j. Esto puede ocurrir porque,

los salarios de los de Humanidades, para un nivel dado de

experiencia, son muy homogneos, al trabajar en su mayora como enseantes,

En este ejemplo, hay

heterocedasticidad por grupos. El modelo contiene tantas varianzas del error

Ms adelante veremos un contraste de

homocedasticidad por grupos.

coeficientes de regresin, es , el factor de escala en la expresin (UU') =V =

parametrizar el comportamiento de las varianzas

La propia teora, el tipo de

variables, la experiencia previa o la propia voz de los datos pueden sugerir un

variable Z y a su cuadrado respectivamente. En 2) se evita la posibilidad absurda

heterocedasticidad aditiva, ya que la varianza de los errores es una funcin lineal

especificacin adecuada para

compatible con los datos. An en este caso,

como veremos en el apartado 4, podremos estimar el modelo por MCGF

3. DIAGNSTICO DE LA HETEROCEDASTICIDAD. CONTRASTES

distintas submuestras sabemos que el modelo es heterocedstico.

El anlisis visual de algunos grficos har que aumente o disminuya nuestra

n2>k y n1+n2 = n, con varianzas del error

estimar dos modelos de regresin independientes, uno para cada submuestra:

Como sabemos, en cada regresin se verifica que la suma de cuadrados de los

distribucin y ambas son independientes:

Para contrastar la hiptesis nula de homocedasticidad:

construimos una distribucin F a partir de las dos distribuciones, como cociente

Si el estadstico de prueba [9.6] calculado para nuestro problema es mayor que el

La hiptesis alternativa de heterocedasticidad es:

El contraste, basado en el proncipio del ratio de verosimilitudes, consiste en

Goldfeld y Quandt partieron de los resultados anteriores para disear un contraste

previamente identificables sino tambin para esquemas de dependencia funcional

aproximadamente un tercio de la muestra.

de residuos tipificados al cuadrado; 3) se hace la regresin lineal de

contra el conjunto de variables Z, incluyendo una constante y

se calcula la suma de cuadrados explicada; 4) si la hiptesis nula es cierta, la

con p grados de libertad. Si el valor del estadstico de prueba supera el valor

El contraste de White es el ms general. Es un contraste asinttico que no

por una constante, cada una de las

variables explicativas, sus respectivos cuadrados y todos los productos cruzados

donde R es el coeficiente de determinacin de la

regresin auxiliar y q es el nmero de variables explicativas de dicha regresin

Otros contrastes basados en regresiones auxiliares de los residuos o sus

4. TRATAMIENTO DE LA HETEROCEDASTICIDAD. ESTIMACION DE UN MODELO

efectos de la estimacin por MCO de un modelo heterocedstico: los estimadores

estimadores, ya que calcularemos (X'X)

cuando en realidad su matriz de

de forma que Y i = Yi/i y X

= Xri/i. La funcin a minimizar es ahora la suma de

cuadrados de los residuos ponderada segn la fiabilidad de cada dato: si la variaza

GASTOS EN VIVIENDA/AO (MILES DE PTAS.)

a) Estimar por MCO el modelo de regresin lineal.

b) La transformacin adecuada para convertir el modelo en homocedstico