Dudas sobre Goldfeld Quandt y Breusch-Pagan.

Dentro del captulo de Heterocedasticidad, Bloque B de la asignatura en el segundo cuatrimestre

2007/2008 del Grupo 36, cuando nos referimos a los contrastes de las Hiptesis Estructurales de la
Perturbacin Aleatoria, tenemos el Contraste F tambin conocido por el nombre de sus dos autores
norteamericanos Goldfeld y Quandt. Tambin hemos utilizado el Contraste Breusch-Pagan.
Vase pg. 718 del libro de consulta Modelos Economtrico para el primer contraste y pgina 8 de
los apuntes de apoyo suministrados mediante enlace online para el segundo contraste mencionado.
Estos contrastes (paramtricos) se realizan despus de los contrastes no paramtricos.
Pues bien, recientemente la pregunta era como se instrumentaban en la prctica. Veamos un ejemplo:
a) Goldfeld y Quandt
Se divide la muestra en dos periodos. SCR1 y SCR2 y queremos comprobar si la Suma de los
Errores al cuadrado es significativamente diferente en ambos subperiodos de la muestra.
Estamos ante la sospecha de que la varianza de la perturbacin aleaotoria es directa o
inversamente proporcional al valor de una de las variables explicativas.
Sabiendo por lo anlisis grficos y no paramtricos cul puede ser la variable causante del problema,
ordenamos las observaciones atendiendo al orden creciente o ascendente de sus valores. (Se
ordenan todas las obervaciones por valores crecientes de la variable exgena seleccionada. De forma
que Xri Xrj para todo i < j).
Esto supondr que los valores ms altos quedan en el subperiodo 2.
Esta operacin puede corresponderse con la serie original en condiciones de series temporales de
variables crecientes en el tiempo.
Otra literatura diferencia en el orden, cuando la supuesta proporcionalidad es directa el orden a aplicar
es creciente y, cuando es inversa el orden a aplicar es decreciente.
En cualquier caso, se ordena segn los valores de la variable X se ordenan todas las dems series del
modelo. Tanto la Y como las dems explicativas. Claramente, los valores sern crecientes pero no
asociados a los meses reales originales, sino que los primeres meses de las series tendrn los valores
ms bajos de cada variable.
En la prctica, es mejor aplicar ese criterio de ordenacin y volver a tener series renombradas. Por
ejemplo, la variable X1 despus de ser ordenada conforme al criterio creciente pasar a ser cX1, y as
tambin las dems. Por tanto, las regresiones siguientes se harn con las nuevas variables
reordenadas.
Posteriormente, elegimos P observaciones centrales a descartar
Ojo, con un modelo de regresin simple, los autores sugieren eliminar un p = 8 para n = 30, o un p =
16 para n = 60 90. Para muestras ms pequeas deber reducirse el criterio de p observaciones
eliminadas para garantizar que la prdida de grados de libertad es excesiva. Deber siempre
garantizarse que (n-p) / 2 > K parmetros del modelo a estimar. Otra literatura considera que p = n/3
haciendo tres submuestras y considerando la 1 y 3 para el contraste.
Hacemos una regresin para cada subperiodo
Calculamos el siguiente ratio G-Q
Lambda = (SCR2 / (((n2-p)/2)-k) ) / (SCR1 / (((n1-p)/2)-k) )
Con el valor obtenido en Eviews insertamos la ecuacin que nos dir el resultado del contraste
@fdist (valor obtenido) = Rdo. Si aceptamos Ho, aceptamos Homocedasticidad.

Qu estamos haciendo? Calculamos el cociente de la suma de los cuadrados de los residuos de las
dos regresiones que, en el supuesto de Homocedasticidad, se distribuye como una F con el mismo
mmero de grados de libertad en el numerador que en el denominador, es decir
(n-p)/2) -k = (n-p-2k)/2; F = SCR2 / SCR1; F exp > F tablas -> Heterocedasticidad.
Formulamos las siguientes Hiptesis:
Ho: No existe Heteroedasticidad; H1: Existe Heterocedasticidad
En la teora, si el valor de F es elevado, superando el valor crtico de las tablas para los
correspondientes grados de libertad, indicar que el segundo conjunto de residuos es
significativamente ms alto que en el primero, lo que lleva al rechazo de la Ho (Homocedasticidad).
En la prctica, normalmente, para valores muy altos de Lambda supone que el numerador y
denominador no son similares, es decir, que los SCR 2 y SCR 1 son bastante diferentes. Por tanto,
estn camino de no aceptacin de la Ho, por tanto, Heterocedasticidad.
Anotaciones:
SCR 2 ser el del segundo periodo muestral, la segunda submuestra.
SCR 1 ser el primer subperiodo.
Se elaboran las dos regresiones del tipo:
VARIABLE Y
Least Squares
Sample: subperiodo 2
Observations: .
Variables
Coefficient
VARIABLE X
C
R-Squared
.
Sum squared resid 2
VARIABLE Y
Least Squares
Sample: subperiodo 1
Observations: .

Std. Error

t-Statistic

Prob

Variables
Coefficient
VARIABLE X
C
R-Squared
.
Sum squared resid 1

Std. Error

t-Statistic

Prob

Se opera la frmula y se calcula @fdist (valor obtenido) para decidir sobre Ho, o bien se
opera la frmula (ratio G-Q) y se obtiene el valor de tablas de la F Snedecor (n-p/2; n-p/2;0,05.
Si, hipotticamente, G-Q = 6,5 y, es mayor que F tablas al 95% que es 2,5 implica que hay
comprobacin cuantitativa de que el modelo presenta heterocedasticidad (H1). Se rechaza la Ho.
Posteriormente, se repetir esta accin/procedimiento con el resto de variables exgenos candidatas.

b) Breusch-Pagan
La idea del contraste B-P es comprobar si se puede encontrar un conjunto de variables Z que sirvan
para explicar la evolucin de la varianza de las perturbaciones aleatorias, estimada sta a partir del
cuadrado de los errores del modelo inicial sobre el que se pretende comprobar si existe o no
heterocedasticidad. Recordemos que est referenciado a la pg. 8 del documento de apoyo online.
Esta prueba no depende del numero de observaciones omitidas, ni de la identificacin de la variable
que genera la heteroscedasticidad para realizar el ordenamiento, ni de la forma funcional. Es simple y
se basa en los residuos MCO.
Estimar el modelo inicial, MCO y determinar los errores e i = y i yesti
Calcular la serie de residuos
Resid2 = resid^2 (el smbolo ^ se obtiene al pulsar shift+tecla^ y pulsar espacio)
Genr resdi2 = resid^2
Genr residBP = resid2/(sum squared resid/n)
Consultar los estadsticos descriptivos de la variable residBP y as obtener la Varianza ya que
conocemos la Std. Deviation () y podemos calcular al cuadrado = a la Varianza.
Como 2 = e * e / n lo que estamos haciendo es e2 i = e2 i / 2
Este valor nos elimina los problemas de interpretacin sobre la evolucin media del error en el tiempo
debidos a la compensacin de signos y, la estandarizacin elimina distorsiones debidas a posibles
dimensiones diferentes de los errores originales.
Ahora bien, la formulacin despus de hacer las regresiones es:
Sy2 = Sum. Squared Resid / (1 R2)
Sy2 estimada = Sy2 * R2
Y, por ltimo, dividimos entre dos, resultado que se aproxima a una Chi Cuadrado con p
grados de libertad
Sy2 estimada / 2 = Z (Breusch-Pagan) Rdo. Exp.
@CHISQ(valor obtenido) = . Rdo. Tablas. para decidir sobre Ho.
Si no superan el valor de las Tablas no causan Heterocedasticidad (H1).
Dependent Variable: residBP (de la var. endgena)
Least Squares
Sample:
Observations: .
Variable
Coefficient
Std. Error
VARIABLE X
C
R-Squared
.
Sum squared resid

t-Statistic

Prob

La interpretacin es sencilla, si la varianza de la endgena estimada (residBP) es pequea, la

varianza del error estimada es grande o el modelo tiene mucho error. Es decir, la varianza de la
endgena (residBP) afirma que el conjunto de variables Z sobre la representacin de la varianza de
las perturbaciones aleatorias es escaso. Habr muchas posibilidades de Homocedasticidad.
Los autores demuestran que, en el caso de un modelo homocedstico, se distribuye como una 2 p,con
lo que, si el valor del ratio supera al valor de tablas se rechaza la hiptesis nula, se acepta que el
conjunto de variables Z est produciendo heterocedasticidad en el modelo original.