TEMA 6:

HETEROSCEDASTICIDAD

S Álvarez,
S. Álvarez A
A. Beyaert
Beyaert, M
M. Camacho
Camacho, M
M. González
González, A
A. Quesada
Departamento de Métodos Cuantitativos para la Economía y la Empresa

Econometría I (3º GECO)
Lo que estudiaremos en este tema:

1
1. El problema
bl de
d la
l heteroscedasticidad
h t d ti id d
1.1 Introducción
1.2 Consecuencias sobre el estimador MCO
1 3 Mínimos Cuadrados
1.3 C adrados Generali
Generalizados
ados

2. Detección de la heteroscedasticidad
2.1 Contraste de Breusch-Pagan
2.2 Contraste de White

3. Estimación e inferencia
3.1 Mínimos Cuadrados Generalizados Factible
3.2 Método de White

Bibliografía básica: Wooldridge, 2006, cap. 8

Econometría I (3º GECO) Tema 6 2
1. El problema de la heteroscedasticidad
1 1 Introducción
1.1

• M d l
Modelo: y i   0  1 x 1i     k x ki   i

• Heteroscedasticidad: “la
la varianza del error no es constante
constante”

V(i X)  V(i x11 , x 21 ,, x (k 1) N , x kN )  i2 i  1,, N

 V(yi X)  i2 i  1,, N

• N se cumple
No l RLM.4
RLM 4
• Algunos ejemplos económicos
– Consumo en función
C f ió de
d la
l renta
t
– Salario en función de los años de educación
– Dividendos a repartir entre accionistas en función del beneficio
– Errores cometidos en función de las horas de aprendizaje
Econometría I (3º GECO) Tema 6 3
1. El problema de la heteroscedasticidad
1 1 Introducción
1.1

• En notación matricial la matriz de varianzas de las perturbaciones es:

 12 0 0 
 
 0  22   

V( X)  E( X)  
   0 
 
0  0  2N 

porque: V(i X)  i2

Cov(i ,  j X)  0 i  j por RLM.5

Econometría I (3º GECO) Tema 6 4
1. El problema de la heteroscedasticidad
1 1 Introducción
1.1

• G áfi
Gráficamente:
y i   0  1 x i   i
y
Ey / x 

E  y / x    0  1x
E y x  x 3 
E y x  x 2 
E y x  x1 

x1 x2 x3
x

Econometría I (3º GECO) Tema 6 5
1. El problema de la heteroscedasticidad
1 2 Consecuencias sobre el estimador MCO
1.2

• Se siguen
S i cumpliendo
li d RLM.1 RLM 3  la
RLM 1 a RLM.3 l estimación
i ió MCO de
d los
l
parámetros sigue siendo
 
– insesgada E ˆ X   

– consistente p lim  ˆ    
N 
• Cambia la varianza de los parámetros estimados por MCO
Homoscedasticidad

 
V ˆ X   2 (XX) 1

Heteroscedasticidad

 
V ˆ X  ((XX)) 1 XX(X
( X)) 1

Econometría I (3º GECO) Tema 6 6
1. El problema de la heteroscedasticidad
1 2 Consecuencias sobre el estimador MCO
1.2

• N se puede
No d aplicar
li ell Teorema
T d Gauss-Markov
de G M k 
 La varianza de MCO ya no es óptima (MCO ya no es ELIO)

•  
La estimación de la varianza de los estimadores, V̂ ˆ X  s 2 (XX) 1 ,
es:
– sesgada 
– inconsistente 

• Bajo RLM.6 los contrastes t y F habituales ya no son válidos 

– Están basados en V ˆ  bajo homoscedasticidad

• No afecta a interpretación de R 2 ni R a2 

Econometría I (3º GECO) Tema 6 7
1. El problema de la heteroscedasticidad
1 3 Mínimos Cuadrados Generalizados
1.3

• Con heteroscedasticidad el estimador más apropiado es Mínimos

Cuadrados Generalizados (MCG)

• Supongamos el modelo con heteroscedasticidad

y i   0  1 x 1i     k x ki   i

V   | X     V  i | X   i2 i=1,,N  no cumple RLM.4

• Si  es conocida podemos calcular

calc lar MCG

Econometría I (3º GECO) Tema 6 8
1. El problema de la heteroscedasticidad
1 3 Mínimos Cuadrados Generalizados
1.3

Cálculo MCG y i   0  1 x 1i     k x ki   i V  i | X   i2

• Dividimos por la desviación típica, obtenemos el modelo ponderado

yi 1 x x 
  0  1 1i     k ki  i
i i i i i

y*i  0 x *0i  1x1i*    k x *ki  *i  Y*  X*  *

• El modelo ponderado cumple RLM.1-RLM.5: V  *i X   1 i=1,,N

• MCG es MCO en el modelo ponderado

* * 1 * *
ˆ MCG
CG  (X X ) (X Y )  (X  1
X) 1
(X  1
Y)

 según el Teorema de Gauss-Markov, MCG es ELIO

V(ˆ MCG X)   X 1X 
1
E(ˆ MCG X)  
Econometría I (3º GECO) Tema 6 9
1. El problema de la heteroscedasticidad
1 3 Mínimos Cuadrados Generalizados
1.3

• MCG en contexto de heteroscedasticidad se llama Mínimos

Cuadrados Ponderados: cada observación se pondera
inversamente a la varianza de su error

• Los contrastes t y F habituales serían aplicables

p en el modelo

ponderado

• Para interpretar los parámetros del modelo siempre volvemos a la

ecuación original

• En la práctica casi nunca conoceremos 

– En la Sección 3 veremos distintas soluciones prácticas

Econometría I (3º GECO) Tema 6 10
1. El problema de la heteroscedasticidad
1 3 Mínimos Cuadrados Generalizados
1.3

• Ejemplo y i   0  1 x 1i     k x ki   i
– Supongamos que sabemos

V  i | X   x1i

– El modelo ponderado es homoscedástico

yi 1 x x 
 0  1 1i     k ki  i
x 1i x 1i x 1i x 1i x 1i

 i  x1i
V  
 x  x1i
 1i 
– Nota: no necesitamos conocer 

Econometría I (3º GECO) Tema 6 11
 2. Detección de la heteroscedasticidad
2 1 Contraste de Breuch
2.1 Breuch-Pagan
Pagan

H 0 : homoscedasticidad
H1 : heteroscedasticidad
• Alguna(s) explicativa(s) causa(n) la heteroscedasticidad
• Procedimiento de contraste: y i   0  1 x 1i     k x ki   i
1
1. E ti
Estimamos ell modelo
d l y obtenemos
bt l residuos,
los id ei
2. Regresión auxiliar por MCO y obtenemos el R-cuadrado (R e2 )

e i2   0  1 x 1i     k x ki  u i
3. Contraste de significatividad global en esa regresión
H0 : 1= …=k=0 (homosced.)
H1 : no H0 (heterosced.)
4
4. Estadístico del contraste NR e2 ~  2k
H0

Econometría I (3º GECO) Tema 6 12
2. Detección de la heteroscedasticidad
2 2 Contraste de White
2.2

H 0 : homoscedasticidad
H1 : heteroscedasticidad
• El contraste de White es un contraste muy
y general
g de
heteroscedasticidad
• Procedimiento de contraste:

1. MCO en y i   0  1 x 1i     k x ki   i y obtenemos los residuos e i

2
2. R
Regresión
ió auxiliar
ili por MCO y obtenemos
bt d d ( R e2)
ell R-cuadrado
R

k k k
e   0    j x ji    j x    jh x ji x hi  u i
2
i
2
ji
j1 j1 j1 h  j

libertad, a veces se supone jh=0

Si hay pocos grados de libertad 0

Econometría I (3º GECO) Tema 6 13
2. Detección de la heteroscedasticidad
2 2 Contraste de White
2.2

• Procedimiento de contraste:
3. Contraste de significatividad global en la regresión auxiliar

H0 : j= 0, j = 0 y jh=0  j,h (homosced.)

H1 : no H0 (heterosced.)

4. Estadístico del contraste:

NR e2 H~ q2
0

q es el número de regresores en la regresión auxiliar (sin

( contar la
constante)

Econometría I (3º GECO) Tema 6 14
3. Estimación e inferencia
3 1 Mínimos Cuadrados Generalizados Factible
3.1

• MCGF es aplicable cuando no conocemos  pero sí su estructura

• Ejemplo: sea V(i X)  i2 una combinación lineal de las explicativas
y i   0  1 x 1i     k x ki   i
V  i | X    0  1x1i     k x ki

• Estimamos  i2
– Obtenemos los residuos MCO en el modelo original
– Regresamos sus cuadrados sobre las explicativas
e i2   0  1 x 1i     k x ki  u i  ˆ i2  ê i2
• MCGF es MCO en el modelo ponderado
yi 1 x x 
 0  1 1i    k ki  i  ˆ MCGF  ((X
ˆ 1X)) 1 ((X
ˆ 1Y))
ˆ i ˆ i ˆ i ˆ i ˆ i
Econometría I (3º GECO) Tema 6 15
3. Estimación e inferencia
3 1 Mínimos Cuadrados Generalizados Factible
3.1

• ˆ  MCGF sería MCG y cumpliría

Si pudiéramos usar  en vez de ̂
sus mismas buenas propiedades
• Como usamos ̂
– Muestras pequeñas: MCGF es sesgado
– Muestras grandes: si la estructura de la varianza es correcta
 MCGF es consistente
 MCGF es asintóticamente eficiente
 La inferencia asintótica del Tema 4 es válida

Econometría I (3º GECO) Tema 6 16
3. Estimación e inferencia
3 2 Método de White
3.2

• El método de White se aplica si no conocemos la estructura de  i2

•  se estima por MCO (insesgada y consistente)
•  
V ˆ X  ((XX)) 1 XX(X
( X)) 1
• V(ˆ X) se estima de forma robusta a heteroscedasticidad
 e12 0  0 
 
0 e 2
 
V̂(ˆ X)  (XX) 1 X  2  X(XX) 1
   0
 2 
 0  0 eN 
donde ei son los residuos MCO del modelo original
ˆ ˆ X
Se puede demostrar que p lim V
N 
    V ˆ X 
•  
Con V̂ ˆ X los estadísticos t y F son válidos en muestras grandes
Econometría I (3º GECO) Tema 6 17
Lo que hemos aprendido:

1. Bajo heteroscedasticidad:
 MCO es insesgado y consistente pero no óptimo. Los contrastes del
Tema 4 no son válidos
 MCG es ELIO y consistente. Los contrastes del Tema 4 son válidos.
E poco útil en la
Es l práctica
á ti porque casii nunca conocemos la
l varianza
i

2. En la practica
 MCGF si conocemos la estructura de la varianza del error. La
estimamos y aplicamos MCG como si fuese conocida
 MCO si no es así, pero usamos estimaciones de las varianzas de los
parámetros que sean robustas para hacer inferencia (método de
White)
Econometría I (3º GECO) Tema 6 18