Professional Documents
Culture Documents
i
i i
x
x
Var
2
para toda i.
( )
2
2
2
3
i
x
Var
+ +
2
2 ,
$o cual puede ser e>presado como!
4 4 4
2
4 4
,
4
2
i oi i
u X X Y
i
+ +
( ) ( )
2
2
4 4
var
,
_
i
i
i i
u
E u E u
,
_
i
i
i i
u
E u E u
( ) ,
, ,
2
2
2
2
i
i
i
i
u E
! es decir la 'arianza del error
trans%ormado es *nica o constante (&omoced8stico).
5or lo tanto aplicando MCO a los datos trans%ormados se o)tienen los
i
?
@s estimados que
son ME$, 9 son conocidos como los estimadores de los MC2.
0e puede utilizar la %ormula 11.".A en la p8gina "BC.
Como en este proceso se minimiza la suma de residuos al cuadrado ponderada (Ecuacin
11.".C)! esto es conocido como 5nimos Cuadrados #onderados (5C#"% Este es un
caso especial de la t(cnica de estimacin mas general.
Recordemos en el caso de los MCO se minimiza!
( )
u 1 <
i i i
2
1 2
2
mientras que a&ora minimizamos
( ) D u D 1 <
i i i i i
? ? 2
1 2
2
donde3
D
i
i
i
9
?
i
estimadores lineales insesgados.
.&ora la pregunta es3 Eue sucede con el inter'alo de con%ianza! las prue)as de &iptesis 9
con otros procedimientos si se contin*a utilizando el estimador de MCO! se distinguen
dos situaciones3
a) Estimacin MCO considerando la Heterocedasticidad
0i se utiliza
i
9 se utiliza la %ormula de 'arianza dada por
( )
( )
2
2
2 2
2
3
i
i i
x
x
Var
suponiendo que se conocen los
i
Fs. Es posi)le esta)lecer las &iptesis 9 realizar los
tests usuales con las distri)uciones t 9 -6666
En general! NO! de)ido a que la 'arianza de los estimadores MC2 son generalmente
menores a los MCO. 5or lo tanto! se tender8 a o)tener coe%icientes no signi%icati'os 9
inter'alos de con%ianza mu9 amplios.
)) Estimacin considerando la &eterocedasticidad
0i adem8s de utilizar el estimador de MCO se continua usando la %ormula de 'arianza
que no considera la &eterocedasticidad
( )
2
2
2
3
i
x
Var
2
es un estimador sesgado de ( ) Gar
2
! tal como es calculada por
( )
( )
2
2
2 2
2
3
i
i i
x
x
Var
1
i
o contra una de las 'aria)les e>plicati'as
Ger -igura 11.C p8gina "H2.
)) M(todos -ormales
1) #rue(a de #ar;
Esta es una %ormalizacin del m(todo gra%ico sugiriendo que
i
2
es alg*n tipo de
%uncin de la 'aria)le e>plicati'a <
i
. $a %orma %uncional sugerida por el %ue3
i
'
< e
i
2 2
1
]
1
1
1 H
1
2
2
( )
#aso ,> .+*stese la regresin a los datos so)re 1 9 < 9 o)t(ngase los residuales u
i
.
#aso 2> Iome el 'alor a)soluto de u
i
9 ord(nense los 'alores de |u
i
| 9 <
i
o 1
estimado de acuerdo con un orden ascendente o descendente 9 calc*lese el coe%iciente de
correlacin por rango de 0pearman.
#aso -> 0uponiendo que el coe%iciente po)lacional de correlacin por rango
s
es
cero 9 n>A! la signi%icancia de r
s
se prue)a usando la prue)a t siguiente3
t
r n
r
s
s
2
1
2
con grados de li)ertad nJ2
0i t calculado es ma9or que el t ta)la! se acepta la &iptesis de &eterocedasticidad.
K) #rue(a de <ol$eld y ?uandt
0e aplica si se supone que la 'arianza &eteroced8stica!
i
2
esta relacionada
positi'amente con una de las 'aria)les e>plicati'as en el modelo de regresin.
i i
<
2 2 2
#aso ,> Ord(nense las o)ser'aciones de acuerdo con los 'alores de <
i
empezando
por el 'alor de < m8s )a+o.
#aso 2> Om/tanse las c o)ser'aciones centrales 9 di'/danse las o)ser'aciones
restantes en 2 grupos! cada uno con (nJc)L2 o)ser'aciones.
#aso -> .+ustense regresiones MCO separadas de am)os grupos de o)ser'aciones 9
o)tengase las respecti'as sumas de residuales 9 cada una de las 0RC tiene M(nJc)L2N O P
grados de li)ertad.
#aso 4> Calc*lese la razn!
0RC g l
0RC g l
2
1
L . .
L . .
Qa+o el supuesto de que los errores estan normalmente distri)uidos 9 si el supuesto de
&omocedasticidad es '8lido! entonces sigue una distri)ucin - con grados de li)ertad
en el numerador 9 denominador (nJcJ2R)L2.
0i el - calculado es superior al - ta)la! se rec&aza la &iptesis de &omocedasticidad.
.E/E0OCEDA1/ICIDAD (Cont%"
#rue(a de @reusc6-#a9an-<od$rey (@#<"
Sna de las limitaciones de la prue)a de 2old%eldJEuant es que el (>ito de la misma
depende de la adecuada seleccin de la 'aria)le <! que ser'ir8 como re%erencia para el
ordenamiento de las o)ser'aciones 9 del n*mero de o)ser'aciones centrales a ser
omitidas. 5or su parte! la prue)a Q52 no tiene estas limitaciones.
0upongase el siguiente modelo de regresin lineal!
t kt k t t t
u X X X Y + + + + + % %%%%%%%%%%
- - 2 2 ,
0i la 'arianza del error!
2
t
puede ser descripta como
( )
t mt m t t t
u Z Z Z f + + + + + % %%%%%%%%%%
- - 2 2 ,
2
9 si se considera que
2
t
es una %uncin lineal de las T no estoc8sticas (alguna o algunas
de las < pueden ser consideradas T).
0i
! % %%%%%%%%%%
- 2 ,
m
0igni%ica que
2
t
es &omoced8stica.
#rue(a <eneral de .eterocedasticidad
Esta prue)a no se apo9a en el supuesto de normalidad 9 es %acil de implementar.
Considerese el siguiente modelo de tres 'aria)les
t t t t
u X X Y + + +
- - 2 2 ,
5aso 13 Est/mese la regresin 9 o)t(ngase los residuales.
5aso 23 E%ect*ese la siguiente regresin au>iliar3
i i i i i i i i
v X X X X X X u + + + + + +
- 2 A
2
- B
2
2 4 - - 2 2 ,
2
3
5aso "3 Qa+o la &iptesis nula de que no &a9 &eterocedasticidad! puede demostrarse que
el tamaUo de la muestra (n) multiplicado por el R
2
! o)tenido de la regresin au>iliar!
asintticamente sigue la distri)ucin c&iJcuadrado con g. de l. igual al n*mero de
regresores (e>clu9endo el t(rmino constante) en la regresin au>iliar. Es decir!
2
% %
2
4
l g
R n
5aso K3 0i el 'alor c&iJcuadrado o)tenido en el paso pre'io! el 'alor c&iJcuadrado cr/tico
al ni'el de signi%icancia seleccionado! la conclusin es que &a9 &eterocedasticidad.
Medidas Remediales
$a Heterocedasticidad no destru9e las propiedades de insesgamiento 9 consistencia de los
estimadores MCO! sin em)argo! estos 9a son e%icientes! ni siquiera asintticamente. Esta
%alta de e%iciencia resta credi)ilidad a las estimaciones MCO.
E>isten 2 en%oques3 cuando
2
i
es conocida 9 cuando no lo es.
a) Cuando
2
i
es conocida3
M(todo de los M/nimos Cuadrados 5onderados
)) Cuando
2
i
no es conocida3
Carian*as y errores Consistentes con .eterocedasticidad de D6ite
Esta estimacin permite que la in%erencia sea '8lida asintticamente.
$os detalles matem8ticos se &allan %uera del alcance de nuestro curso. 0in em)argo!
pueden ser %8cilmente calculados usando cualquier paquete econom(trico.
En 0&azam se puede usar la opcin .E/COC
Sn pro)lema de este m(todo es que el mismo se re%iere a muestras grandes 9 que puede
no ser tan e%iciente con respecto a aquellos m(todos que trans%orman la in%ormacin para
re%le+ar tipos espec/%icos de &eterocedasticidad.
#atrones de .eterocedasticidad (1upuestos"
1upuesto ,> $a 'arianza del error es proporcional a <
i
2
E(u
i
2
)
2
<
i
2
0i por m(todos gr8%icos se cree que la 'arianza de las pertur)aciones es proporcional al
cuadrado de la 'aria)le e>plicati'a! se puede proceder de la siguiente manera3 di'idir el
modelo original por <
i
a am)os lados.
i
i i
i
i i
i
v
X X
u
X X
Y
+ + + +
2 , 2
,
,
,
_
i
i
i
X
u
E v E
1upuesto 2> $a 'arianza del error es proporcional a <
i
. Irans%ormacin de ra/z
cuadrada3
E(u
i
2
)
2
<
i
Esta es la trans%ormacin de los datos
i i
i i
i
i
i i
i
v X
X X
u
X
X X
Y
+ + + +
2 , 2
,
,
,
_
i
i
i
X
u
E v E
1upuesto -> $a 'arianza del error es proporcional al cuadrado del 'alor medio de 1
i
.
E(u
i
2
)
2
ME(1
i
)N
2
i
i
i
i i
i
i
i
i i
i
v
Y E
X
Y E Y E
u
Y E
X
Y E Y E
Y
+ + + +
" ( " (
,
" ( " ( " ( " (
2 , 2
,