Escolar Documentos
Profissional Documentos
Cultura Documentos
Heteroscedasticidad
Basadas en Cap. 8.1, 8.2 y 8.3 y Apendice E.4 de Wooldridge (2009)
Nieves Vald
es (UAI)
Res
umen de clase: Econometra
June 2, 2014
1 / 14
Res
umen de clase: Econometra
June 2, 2014
2 / 14
Nieves Vald
es (UAI)
Res
umen de clase: Econometra
June 2, 2014
3 / 14
Var(|X)
= Var[(X 0 X)1 X 0 U |X]
= (X 0 X)1 X 0 [Var(U |X)]X(X 0 X)1
Bajo los supuestos RLM 1 al 5, es decir, si adicionalmente asumimos
que el modelo es homoscedastico, se conoce la forma de la varianza
del error (aunque es inobservada), especficamente:
Var(U |X) = 2 In,n
Nieves Vald
es (UAI)
Res
umen de clase: Econometra
June 2, 2014
4 / 14
Var(|X)
= (X 0 X)1 X 0 [Var(U |X)]X(X 0 X)1
= 2 (X 0 X)1
2 es desconocido, pero podemos estimarlo usando la suma de
residuos al cuadrado y corrigiendo por los grados de libertad de los
residuos. Entonces obtenemos el estimador de la matriz de varianzas
y covarianzas del estimador:
Pn
2
\
i=1 u
Var(|X) =
(X 0 X)1
nk1
Nieves Vald
es (UAI)
Res
umen de clase: Econometra
June 2, 2014
5 / 14
Var(|X)
= (X 0 X)1 X 0 [Var(U |X)]X(X 0 X)1
y no podemos decir nada mas al respecto, ni obtener un estimador.
Se puede obtener la matriz de varianzas y covarianzas bajo
heteroscedasticidad utilizando la distribuci
on normal asintotica (en
muestras grandes) del estimador.
Nieves Vald
es (UAI)
Res
umen de clase: Econometra
June 2, 2014
6 / 14
n( ) N ormal(0, Avar())
En esta distribucion asint
otica, la matriz de varianzas y covarianzas es:
=
Avar()
1
E(X 0 X)1 E(X 0 Xu2 )E(X 0 X)1
n
Nieves Vald
es (UAI)
Res
umen de clase: Econometra
June 2, 2014
7 / 14
Avar() =
n
n
(n k 1)
n
!
n
X
n
(X 0 X)1
u
2i Xi0 Xi (X 0 X)1
=
nk1
i=1
se(j ) = Avar()
(j+1,j+1)
Res
umen de clase: Econometra
June 2, 2014
8 / 14
j j |H0
e.s.robusto j
Nieves Vald
es (UAI)
Res
umen de clase: Econometra
June 2, 2014
9 / 14
Nieves Vald
es (UAI)
Res
umen de clase: Econometra
June 2, 2014
10 / 14
Contrastes de heteroscedasticidad
A pesar de que hay metodos robustos a la heteroscedasticidad hay buenas
razones para aplicar contrastes de heteroscedasticidad:
Los estadsticos t tienen distribuciones t exactas bajo normalidad y
con e.s. habituales.
Si hay heteroscedasticidad el estimador MCO ya no es el estimador
lineal insesgado optimo: hay mejores estimadores si la
heteroscedasticidad es conocida.
Hay muchos contrastes de heteroscedasticidad:
Unos solo detectan la presencia de heteroscedasticidad, pero sin
precisar si la varianza del error depende de los regresores.
Los mas modernos se centran en formas de heteroscedasticidad que
invalidan los e.s. habituales.
Nieves Vald
es (UAI)
Res
umen de clase: Econometra
June 2, 2014
11 / 14
Res
umen de clase: Econometra
June 2, 2014
12 / 14
Res
umen de clase: Econometra
June 2, 2014
13 / 14
Ru22 /k
a
Fk,nk1 bajo H0 .
2
1 Ru2 / (n k 1)
donde k es el n
umero de regresores en la regresi
on con variable
2
dependiente u
.
Este estadstico tiene una distribuci
on (asint
otica) Fk,nk1 bajo H0 .
Si rechazamos la H0 concluimos que existe heteroscedasticidad en el
modelo, si no rechazamos la H0 concluimos que existe
homoscedasticidad en el modelo.
Nieves Vald
es (UAI)
Res
umen de clase: Econometra
June 2, 2014
14 / 14