Minimos cuadrados ponderados

Integrantes:
Cornelio Velasquez Maritza
Suarez valencia Grecia
Garay Reyes Carlos
Henriquez humberto
 RESUMEN
Este artculo muestra cmo la inferencia asintticamente vlida en modelos de
regresin basados en el estimador de mnimos cuadrados ponderados (MCP) puede
obtenerse incluso cuando el modelo para reponderar los datos est mal especificado.
Al igual que el estimador ordinario de mnimos cuadrados, el estimador MCP puede
ir acompaado de errores estndar consistentes en heterocedasticidad (HC) sin
conocimiento de la forma funcional de la heteroscedasticidad condicional. Primero,
proporcionamos pruebas rigurosas bajo supuestos razonables; segundo,
proporcionamos soporte numrico a favor de este enfoque. De hecho, un estudio de
Monte Carlo demuestra atractivas propiedades de muestra finita en comparacin
con el statu quo, en trminos de estimacin e inferencia.
heterocedasticidad condicional
 El hecho de que la varianza de ut sea constante para todo t (que no dependa
de t), se denomina hiptesis de homocedasticidad. Por tanto el caso
contrario, en el que la varianza ut no es constante estamos ante la presencia
de heterocedasticidad. La importancia del incumplimiento de la hiptesis de
homocedasticidad radica, entre otras cosas, en que los estimadores obtenidos
por mnimos cuadrados no son de varianza mnima aunque sigan siendo
insesgados. Adems, para cada variable del modelo se estimar una varianza
del error.
 Para analizar la heterocedasticidad condicional de un modelo se suele comenzar por
el anlisis grfico de los residuos, siendo esenciales las grficas de los residuos (a
poder ser estandarizados) respecto de la variable endgena predicha y respecto de
las exgenas, que deben de presentar una estructura aleatoria libre de tendencia. El
grfico de los residuos contra cada variable exgena permite detectar como variable
ms culpable de heterocedasticidad aquella cuyo grfico se separa ms de la
aleatoriedad. Tambin es un instrumento grfico til la grfica de valores
observados frente a valores predichos, cuyos puntos han de ser lo ms ajustados
posible a la diagonal del primer cuadrante.
 CONTRASTES DE WHITE
A parte del anlisis grfico es necesario realizar contrastes formales de
heterocedasticidad, entre los que destacan Goldfeld-Quandt, Glesjer, Breush-
Pagan, White, y Reset de Ramsey.
Los pasos para realizar el contraste son los
siguientes: En resumen, algunas ventajas del
test de White son:
1. Es un test general
2. Es un test constructivo, nos
sugiere una forma de
heterocedasticidad si se rechaza
H0
3. Es muy simple de aplicar.
 SOLUCIONES PARA LA
HETEROCEDASTICIDAD
CONDICIONAL
HETEROCEDASTICIDAD CONOCIDA
 MNIMOS CUADRADOS PONDERADOS
En el modelo 11 los errores son:

Cumplen las hiptesis bsicas:

2.Varianza constante
 En donde: