Resumen de clase: Econometra

Heteroscedasticidad
Basadas en Cap. 8.1, 8.2 y 8.3 y Apendice E.4 de Wooldridge (2009)

Profesor del curso: Nieves Valdes

Escuela de Gobierno
Universidad Adolfo Ib
an
ez

Nieves Vald
es (UAI)

Res
umen de clase: Econometra

June 2, 2014

1 / 14

Consecuencias de la heteroscedasticidad para el estimador

MCO
Modelo de regresion lineal m
ultiple:
y = 0 + 1 x1 + 2 x2 + + k xk + u.
Insesgadez de j (RLM.1-RLM.4), tambien consistencia.
Varianza de j : RLM.1-RLM.5, donde el supuesto
RLM.5,Var(u|x1 , . . . , xk ) = 2 no afecta a la insesgadez ni a la
consistencia de los EMCO.
El supuesto de homoscedasticidad afecta a la consistencia de los
estimadores de Var(j ), a la distribuci
on t y F de los estadsticos de
contraste: no son validos bajo heteroscedasticidad.
El Teorema de Gauss-Markov tambien depende del supuesto de
Homoscedasticidad: si falla, ya no es ELIO, ni eficiente dentro de la
clase descrita.
Nieves Vald
es (UAI)

Res
umen de clase: Econometra

June 2, 2014

2 / 14

Inferencia robusta a la heteroscedasticidad tras estimar por

MCO
A pesar de los problemas anteriores, MCO es un metodo u
til de
estimacion bajo heteroscedasticidad.
Se han desarrollado correcciones para los errores estandar y
estadsticos t y F de forma que sean validos en presencia de
heteroscedasticidad de forma desconocida.
Estos son metodos robustos a la heteroscedasticidad porque son
validos (en muestras grandes, es decir, asint
oticamente) tanto si hay
homoscedasticidad como si no, sin necesidad de saber en que caso
estamos.

Nieves Vald
es (UAI)

Res
umen de clase: Econometra

June 2, 2014

3 / 14

Obtencion de la Matriz de Varianzas y Covarianzas bajo

heteroscedasticidad
Escribimos el modelo de regresi
on lineal m
ultiple en forma matricial
como:
Y = X + U.
Bajo los supuestos RLM 1 al 4, hemos demostrado que:

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

Por lo tanto bajo homoscedasticidad, la matriz de varianzas y

covarianzas del estimador es:

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

Si el modelo, por el contrario, es heteroscedastico, la varianza del

error es:
Var(U |X) = 2 (X),
es decir, cierta funcion de X que es desconocida.
En este caso, la matriz de varianzas y covarianzas es simplemente:

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

Bajo los supuetos RLM 1 al 4, y usando el Teorema Central del lmite

y la Ley de los Grandes N
umeros, se puede demostrar que:

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

La division entre el tama

no muestral, n, se debe a que la
aproximacion a la matriz varianza-covarianza de se reduce (tiende)
1
a cero a la tasa .
n

Nieves Vald
es (UAI)

Res
umen de clase: Econometra

June 2, 2014

7 / 14

Estimadores robustos a la heteroscedasticidad

usando los residuos
White (1980) demostr
o como estimar Avar()
MCO u
i ,
 Pn
1 Pn
 Pn
1
0
0
2i Xi0 Xi
1
\
i=1 Xi Xi
i=1 Xi Xi
i=1 u

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

que es valida para cualquier tipo de heteroscedasticidad, es decir, no

necesitamos conocer la forma de 2 (X).
El error est
andar robusto a la heteroscedasticidad para j es:

1/2
\

se(j ) = Avar()
(j+1,j+1)

Estos errores estandar a veces se llaman de White, Huber o Eicker.

Nieves Vald
es (UAI)

Res
umen de clase: Econometra

June 2, 2014

8 / 14

Estadstico t robusto a la heteroscedasticidad:

Estadstico t robusto a la heteroscedasticidad:
t=

j j |H0
 
e.s.robusto j

Los coeficientes j se siguen estimando por MCO y j |H0 siempre es

el mismo.
Los errores estandar robustos pueden ser menores o mayores que los
errores estandar habituales, aunque frecuentemente son mayores.

Nieves Vald
es (UAI)

Res
umen de clase: Econometra

June 2, 2014

9 / 14

Estadstico t robusto a la heteroscedasticidad:

Porque se siguen usando los errores estandar habituales?
Si hay homoscedasticidad y los errores son normales, entonces los
estadsticos t con errores estandar habituales, tienen una distribucion
exactamente t, mientras que los t + s.e. robustos no.
Con muestras grandes cada vez mas se proporcionan solamente los e.s.
robustos (o ambos para ver si cambian las conclusiones).

Bajo heteroscedasticidad, el estadstico F como venamos usando

hasta el momento ya no es valido.
Tambien existen estadsticos F robustos a la heteroscedasticidad,
generalmente conocidos como estadsticos W de Wald robustos a la
heteroscedasticidad.

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

Planteamiento del Problema (1)

Modelo de regresion lineal m
ultiple
y = 0 + 1 x1 + 2 x2 + + k xk + u,
con los supuestos RLM.1-4, incluyendo que E (u|x1 , x2 , . . . , xk ) = 0.
Hipotesis nula de que RLM. 5 es verdadera:
H0 : V ar (u|x1 , x2 , . . . , xk ) = 2 ,
o equivalentemente




H0 : E u2 |x1 , x2 , . . . , xk = E u2 = 2 ,
y buscamos en los datos evidencia en contra para rechazar H0 .


Si H0 es falsa E u2 |x1 , x2 , . . . , xk estara relacionada con los
regresores, mediante cualquier funci
on.
Nieves Vald
es (UAI)

Res
umen de clase: Econometra

June 2, 2014

12 / 14

Planteamiento del Problema (2)

Una primera posibilidad es considerar una funci
on lineal,
u2 = 0 + 1 x1 + 2 x2 + + k xk + v,
donde v es un termino de error de media nula dadas las xs.
La hipotesis de homoscedasticidad es igual a
H0 : 1 = 2 = = k = 0.
Bajo H0 podemos pensar que v es independiente de las x0 s, por lo
que el estadstico F de significatividad global de las variables
explicativas permite contrastar H0 (de manera asintotica, es decir,
con una muestra grande).
Sin embargo u2 o u no se observan en la muestra, por lo que
podemos estimar en su lugar la ecuaci
on
u
2 = 0 + 1 x1 + 2 x2 + + k xk + error,
y calcular el estadstico F para la significatividad conjunta de
x1 , x2 , . . . , xk .
Nieves Vald
es (UAI)

Res
umen de clase: Econometra

June 2, 2014

13 / 14

Planteamiento del Problema (3)

El uso de residuos en lugar de errores no afecta a la distribucion
asintotica del estadstico F :
F =

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