Escolar Documentos
Profissional Documentos
Cultura Documentos
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