Econometría Básica
Capítulo 11
Heteroscedasticidad:
¿Qué pasa si la varianza del error no es constante?
¿Qué es el supuesto de homoscedasticidad?
Homo(igual) + cedasticidad(dispersión)
Es decir, varianzas iguales, la varianza condicional de 𝑌𝑖 (la cual es
igual a la de 𝑢𝑖 ), condicional a las 𝑋𝑖 dadas, permanece igual sin
importar los valores que tome la variable X.
𝐸(𝑢𝑖2 ) = 𝜎 2 𝑖 = 1,2, … , 𝑛
La varianza condicional de 𝑌𝑖 aumenta a medida que lo hace X. Aquí,
las varianzas de 𝑌𝑖 no son las mismas. Por tanto, hay
Heteroscedasticidad.
𝐸(𝑢𝑖2 ) = 𝜎𝑖2
Razones por las cuales las varianzas de 𝒖𝒊 pueden ser
variables:
1. Con base a los modelos de aprendizaje de los errores, a
medida que la gente aprende, disminuyen sus errores de
comportamiento con el tiempo.
2. A medida que mejoran las técnicas de recolección de datos,
es probable que 𝜎 2 se reduzca.
3. La Heteroscedasticidad también surge por la presencia de
datos atípicos1 o aberrantes.
4. El modelo no está correctamente especificado, omisión de
variables importantes.
5. Asimetría en la distribución de una o más regresoras
incluidas en el modelo.
6. Incorrecta transformación de los datos2 y una forma
funcional incorrecta3
¿Es la heteroscedasticidad un problema de corte
transversal?
Por lo general este problema es más común con la información de
corte transversal que en las series de tiempo. En la información de
corte transversal, por lo general se trata con miembros de una
población en un momento dado. Además, estos miembros pueden
presentar características diferentes (tamaño, ingresos o edad). En
las series de tiempo, por el contrario, las variables tienden a ser
órdenes de magnitud similares porque suelen recopilarse
información sobre el mismo fenómeno o hecho a lo largo de un
periodo.
Consecuencias de la heteroscedasticidad para MCO
Es importante recordad que la heteroscedasticidad no ocasiona
sesgo ni inconsistencia en los estimadores MCO de las 𝛽𝑗 , mientras
que omitir una variable importante sí tendrá efecto. La
interpretación de las medidas de bondad de ajuste, 𝑅 2 y 𝑅̅ 2,
tampoco se ve afectada por la presencia de heteroscedasticidad
¿Por qué? Como en la R-cuadrada poblacional ambas varianzas son
incondicionales, la R-cuadrada poblacional no se ve afectada por la
presencia de heteroscedasticidad en Var(𝑢|𝑥1 , … , 𝑥𝑘 ). Además,
1 5
Una observación atípica es la que es muy diferente (muy pequeña o muy
grande) en relación con las demás observaciones en la muestra. Un dato
atípico es una observación que proviene de una población distinta a la que
genera las demás observaciones de la muestra.
2
Transformaciones de razón o de primeras diferencias.
3
Modelos lineales frente a modelos log-lineales.
4
Los estadísticos t no tienen una distribución t, de manera análoga el
estadístico el F.
1
𝑆𝐶𝑅/𝑛 estima consistentemente 𝜎𝑢2 y 𝑆𝐶𝑇/𝑛 estima
consistentemente 𝜎𝑦2 , al margen de si Var(𝑢|𝑥1 , … , 𝑥𝑘 ) es constante.
Los estadísticos empleados en las pruebas de hipótesis4 bajo los
supuestos de Gauss-Markov ya no son válidos en presencia de
heteroscedasticidad.
El MCO da el mejor MELI5, depende de manera crucial del supuesto
de homoscedasticidad. Si Var(𝑢|𝐱) no es constante, MCO6 ya no es
MELI. Existen ejemplos en los MCO pueden ser MELI a pesar de la
heteroscedasticidad.
Conclusión, si insistimos en los procedimientos de pruebas usuales
a pesar de la presencia de heteroscedasticidad, las conclusiones o
inferencias que obtengamos pueden ser muy equivocadas.
Detección de la heteroscedasticidad
Primero aclarar que: No existen reglas precisas y rápidas para
detectarla, así en la mayoría de investigaciones, la
heteroscedasticidad puede ser un asunto de intuición, de conjeturas
refinadas, de un trabajo basado en experiencia empírica previa o de
pura especulación.
Métodos informales
Naturaleza del problema
Con mucha frecuencia la naturaleza del problema en consideración
sugiere la posibilidad de heteroscedasticidad. De hecho, en la
información de corte transversal que comprende unidades
heterogéneas, la heteroscedasticidad puede ser la regla y no la
excepción7.
Método gráfico
Si no hay información a priori o empírica sobre la naturaleza de la
heteroscedasticidad, en la práctica se puede llevar a cabo un análisis
de regresión con el supuesto de que no hay heteroscedasticidad y
luego hacer un examen post mortem de los residuos elevados al
cuadrado, 𝑢12 , para ver si exhiben algún patrón sistemático.
Métodos formales
Prueba de Park
Park sugiere utilizar 𝑢𝑖2 como aproximación y correr la siguiente
regresión:
ln 𝑢𝑖2 = ln 𝜎 2 + 𝛽 ln 𝑋𝑖 + 𝑣𝑖
= 𝛼 + 𝛽 ln 𝑋𝑖 + 𝑣𝑖
Si 𝛽 resulta estadísticamente significativo, esto sugerirá
heteroscedasticidad en los datos. Si resulta no significativo,
podemos aceptar el supuesto de homoscedasticidad. Aunque
empíricamente la prueba de Park, es atractiva, presenta algunos
problemas. Goldfeld y Quandt argumentan que el término de error
𝑣𝑖 puede no satisfacer los supuestos de MCO y en sí mismo ser
heteroscedástico. No obstante, es posible utilizar la prueba de Park
como método estrictamente exploratorio.
Mejor estimador linealmente insesgado.
6
Ante la presencia de heteroscedasticidad, utilice MCG (Mínimos cuadros
generalizados). Al menos en los casos graves.
7
Así, en el análisis de corte transversal que relaciona el gasto de inversión
con ventas, suele esperarse la presencia de heteroscedasticidad si se
agrupan empresas pequeñas, medianas y grandes.
 Econometría Básica

Prueba de Glejser 𝑆𝐶𝑅2 /𝑔𝑙

𝜆=
𝑆𝐶𝑅1 /𝑔𝑙
La prueba de Glejser en esencia es similar a la de Park. Glejser
sugiere una regresión sobre los valores absolutos de 𝑢̂𝑖 sobre la Si en una aplicación 𝜆(=F) calculada es superior al F crítico en el
variable X que se cree muy asociada con 𝜎 2 . nivel de significancia seleccionado, podemos rechazar la hipótesis
de homoscedasticidad, es decir, podemos afirmar que la
De nuevo, como un asunto empírico o practico, se puede utilizar el
heteroscedasticidad es muy probable.
método de Glejser. Sin embargo, Goldfeld y Quandt señalan que el
término de error 𝑣𝑖 tiene algunos problemas, pues su valor ¿Por qué se omiten las observaciones centrales c? Estas
esperado es diferente de cero, está serialmente relacionado e observaciones se omiten para agudizar o acentuar la diferencia
irónicamente es heteroscedástico. En la práctica la técnica de entre el grupo de varianzas pequeñas y el grupo de varianzas
Glejser es útil para muestras grandes, y en muestras pequeñas sirve grandes. La capacidad de la prueba depende de cómo se seleccione
estrictamente como herramienta cualitativa para obtener una c. Para el modelo de dos variables, sugieren que c sea de 8 si la
noción sobre la heteroscedasticidad. muestra es de alrededor de 30 y 16 si la muestra es cercana a 60.
Prueba de correlación de orden de Spearman ¿Cómo se hace con Eviews?
∑ 𝑑𝑖2 𝐻0 : 𝐻𝑜𝑚𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
𝑟𝑠 = 1 − 6 [ ]
𝑛(𝑛2 − 1)
𝐻𝑎 : 𝐻𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
Donde 𝑑𝑖 = la diferencia en las posiciones o lugares asignados al i-
ésimo individuo o fenómeno respecto de dos características y n= Goldfeld Quandt
número de individuos o fenómenos ordenados. C 𝐹𝑒𝑥𝑝 Sig Resultado
Suponga que 𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑢𝑖
Generar una tendencia de tiempo
Paso 1: Ajuste la regresión a los datos Y y X, y obtenga los residuos
𝑢𝑖 Generar t
t=@trend(1)
Paso 2: Ignore el signo, es decir, tome su valor absoluto |𝑢𝑖 |, y
ordene los valores de |𝑢𝑖 | y 𝑋𝑖 de acuerdo con un orden ascendente Nos dirigimos a PROC- SORT CURRENT PAGE- seleccionamos la
o descendente, y calcule el coeficiente de correlación de orden variable que vamos a ordenar.
Spearman dado antes.
Buscar el valor de C
Paso 3: Si supone que el coeficiente poblacional de correlación de
orden 𝑝𝑠 es cero y n>8, la significancia del 𝑟𝑠 muestral se prueba Ingresar el valor n en la plantilla, los demás valores aparecerán por
mediante la prueba t de la siguiente manera: defecto.

𝑟𝑠 √𝑛 − 2 C=n/3
𝑡=
√1 − 𝑟𝑠2 (n-c)/2 = Intervalos de tiempo

Con gl= n-2 Dividimos las observaciones y omitimos los datos centrales.
Si el valor t calculado excede el valor t crítico, podemos aceptar la Gráfica: Omitimos el segundo intervalo de observaciones
hipótesis de heteroscedasticidad; de lo contrario, podemos
smpl primer intervalo de observaciones
rechazarla. Si el modelo de regresión considera más de una variable
X, 𝑟𝑠 se calcula entre |𝑢𝑖 | y cada variable X por separado. ls Y c X
Prueba de Goldfeld-Quandt smpl tercer intervalo de observaciones
Es aplicable si se supone que la varianza heteroscedástica, 𝜎 2 , está ls Y c X
relacionada positivamente con una de las variables en el modelo de
regresión. ¿Cómo comprobarlo? Buscamos:
SCR1
Paso 1: Ordene las observaciones de acuerdo con los valores de 𝑋𝑖 SCR2
a partir del valor más bajo de X. 𝑭𝒆𝒙𝒑 = SCR2/SCR1
Paso 2: Omita las observaciones centrales, donde c se especificó a K= No. Parámetros
priori, y divida las observaciones restantes (n-c) en dos grupos, cada gl=[ (n-c)/2 ] - k
uno de (n-c)/2 observaciones. en la barra de comandos en Eviews:
Paso 3: Ajuste regresiones MCO separadas a las primeras (n-c)/2 =@fdist(fexp,2gl)
observaciones y a las últimas (n-c)/2 observaciones, y obtenga las
respectivas sumas de cuadrados residuales 𝑆𝐶𝑅1 y 𝑆𝐶𝑅2 ; 𝑆𝐶𝑅1 Si el resultado es menor a 0.05 se rechaza 𝐻0
representa la SCR de la regresión correspondiente a los valores más
Luego, ordenar nuevamente las variables Proc, Sort current page, t
bajos de 𝑋𝑖 (el grupo de varianzas pequeñas), y el 𝑆𝐶𝑅2 , a los valores
más grandes de 𝑋𝑖 (el grupo de varianza grande). Cada SCR tiene Repetir el proceso para las demás variables
(𝑛 − 𝑐) 𝑛 − 𝑐 − 2𝑘 Prueba Breusch-Pagan-Godfrey
−𝑘 𝑜 ( ) 𝑔𝑙
2 2
El éxito de la prueba de Goldfeld-Quandt depende no solo del valor
Donde K es el número de parámetros que deben estimarse. de c, sino también de la identificación de la variable X correcta que
servirá de referencia para ordenar las observaciones. Esta
Paso 4: Calcule la razón limitación de la prueba se evita si consideramos la prueba Breusch-
Pagan-Godfrey (BPG).
2
 Econometría Básica

¿Cómo se realiza en Eviews?

𝐻0 : 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
𝐻1 : 𝐻𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
Breusch Pagan
Regresión total n Resultado
SCR(RT)

Varianza de máxima verosimilitud (VMV):

𝑆𝐶𝑅(𝑅𝑇)
𝑛
Generamos G
G=r2/VMV

Generar regresión, G contra cada explicativa

ls g c x

De la regresión generada extraemos nuestro 𝑟 2 y el SCR

𝑅2
𝑆𝐶𝐸 = 𝑆𝐶𝑅 ∗ ( )
1 − 𝑅2
X2exp = SCE/2 Xexp=@chisq(X2 exp, k-1)
@chisq(X2, (k-1))
Si el resultado es menor a 0.05 se rechaza la hipótesis.
Si la prueba de BP da como resultado un valor P suficientemente
pequeño, deberá tomarse alguna medida correctiva. Una
posibilidad es utilizar los errores estándar y los estadísticos de
prueba robustos 8a la heteroscedasticidad.
Prueba general de heteroscedasticidad de White
La prueba general de heteroscedasticidad propuesta por White no
se apoya en el supuesto de normalidad y es fácil aplicarla. La
prueba de White puede ser una prueba de heteroscedasticidad
(pura), de error de especificación o de ambos. Se argumenta que, si
no están presentes los términos con productos cruzados en el
procedimiento de prueba de White, esto constituye una prueba de
heteroscedasticidad pura. Si existen tales términos, es una prueba
de heteroscedasticidad y de sesgo de especificación.
𝐻0 : 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
𝐻1 : 𝐻𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
ls y c xn
View-residual diagnostic-heteroscedastic test-
white
Observar: Obs R-quared y probabilidad de Chi cuadrado
Si el resultado es menor que 0.05 se rechaza.

8
Inferencia robusta a la heteroscedasticidad en la estimación por MCO,
consultar Wooldrige página 269
3