Conceptos bsicos sobre Heterocedasticidad y Tratamiento en E-views

CONCEPTOS BSICOS SOBRE

LA HETEROCEDASTICIDAD EN
EL MODELO BSICO DE
REGRESIN LINEAL
TRATAMIENTO CON E-VIEWS

Rafael de Arce y Ramn Maha

Dpto. de Economa Aplicada
Universidad Autnoma de Madrid
rafael.dearce@uam.es
ramon.mahia@uam.es
(Revisado marzo2008)

NDICE DE CONTENIDOS
CONCEPTOS BSICOS SOBRE LA HETEROCEDASTICIDAD EN EL MODELO
BSICO DE REGRESIN LINEAL........................................................................................1

1.- Qu es.....................................................................................................................3
2.- Causas frecuentes de heterocedasticidad..............................................................3
3.- Efectos de la heterocedasticidad sobre el MBRL.................................................5
4.- Cmo se detecta la presencia de Heterocedasticidad..........................................7
A. Contrastes Grficos................................................................................................7
A.1) Grfica del error a travs de las distintas observaciones del modelo................7
A.2) Grfica del valor cuadrtico del error y los valores de Y y Xs..................8
B. Contrastes numricos.............................................................................................8
B.1.) Contraste de Glesjer..........................................................................................8
B.2.) Contraste de Breusch-Pagan.............................................................................9
B.3.) Contraste de White (prueba general de heterocedasticidad de White)...........10
B.4.) Contraste a partir del coeficiente de correlacin por rangos de Spearman ... 12
5.- Cmo se corrige....................................................................................................13
TRATAMIENTO DE LA HETEROCEDASTICIDAD EN E-VIEWS.................................15
EJEMPLO PRCTICO DE ANLISIS DE HETEROCEDASTICIDAD...........................22

1.- Qu es

El modelo bsico de regresin lineal exige que la varianza condicional de las perturbaciones
aleatorias a los valores de los regresores X sea constante:

Varui

/X

aunque generalmente la hiptesis se formula sin mencionar el carcter condicional de la

varianza, simplemente como:

Varu i

Para comprender de forma intuitiva esta restriccin podemos razonar del siguiente modo.
Iguales varianzas de u para los distintos valores de x implica necesariamente igual
dispersin (varianzas) de y para distintos valores de x lo que implica necesariamente que la
recta de regresin va a representar con igual precisin la relacin entre x e y
independientemente de los valores de x. Esto es muy importante porque debe recordarse
que el anlisis de regresin es un anlisis de regresin condicional de y sobre x lo cual
implica, por lgica, que si se desea obtener un parmetro de relacin estable y til entre ambas
variables, los valores muestrales de y deben mostrarse igualmente dispersos ante variaciones
de x. Dicho de otro modo, y en trminos del error, aunque el error ser mayor para mayores
valores de x (no se fuerza que el error tenga un tamao igual para el recorrido de x) la
dispersin del error alrededor de la recta de regresin ser la misma. Esto permite considerar
igualmente vlidos todos los datos muestrales de los regresores x para determinar la relacin
condicional de y a los valores de x sin tener que ponderar ms o menos unos valores u otros
de x en funcin de la menor o mayor dispersin de y en los distintos casos.
En un plano puramente analtico, la matriz de varianzas-covarianzas de las perturbaciones de un
modelo heterocedstico se representara del siguiente modo:
E(u ) 2
1

E(UU ' )

E(u u )
1 2

E(u 1 ) 2

0

E(u2 ) 2

0
0

E(u2 )

...
E(u1u n
)

E(u ) 2

E(u 2 u n )

i I n

...
0

E(un

) 2

Como ya se vio en el captulo introductorio sobre el estimador de Aitken, en el caso concreto de

la presencia de una matriz de varianzas-covarianzas no escalar de las perturbaciones aleatorias,
la estimacin mximo verosmil de los parmetros del modelo resulta ahora:

MCG

X ' X 1
X' Y

Un estimador que goza de buenas propiedades estadsticas (lineal, insesgado, eficiente y

consistente ).

2.- Causas frecuentes de heterocedasticidad

Aunque las que se citan a continuacin no son las nicas posibilidades que dan lugar a un
modelo heterocedstico, s son las ms frecuentes.
1

Etimolgicamente, por cierto, la palabra deriva de hetero (distinto) y el verbo griego skedanime que
significa dispersar o esparcir.

A.- Causas relacionadas con la seleccin de variables exgenas:

A.1- Variables explicativas con una distribucin asimtrica
Si una variable explicativa presenta una distribucin asimtrica (por ejemplo la renta), resultar
inevitable que, por ejemplo para el caso de asimetra a derechas, los valores mayores del
regresor estn asociados a una mayor dispersin en el trmino de error de la regresin.
A.2- Variables explicativas con amplio recorrido
Las variables con amplio recorrido favorecen la aparicin de heterocedasticidad en mayor
medida que aquellas otras que presentan un agrupamiento muy claro alrededor del valor de la
media. Esto no es tan evidente como el efecto de la asimetra pero, en cierto modo, y dado que
trabajamos con muestras, la seleccin de una muestra que favorezca la heterocedasticidad es
ms probable en el caso de variables con amplios recorridos que con escasas varianzas. Este
riesgo es especialmente elevado en los modelos de corte transversal ya que la seleccin de los
elementos muestrales es arbitraria (no viene determinada por el paso del tiempo y, por tanto,
puede incurrir en el riesgo de mezclar muestras provenientes de poblaciones diferentes) por lo
que la muestra pueden agrupar, casualmente, grupos de observaciones que presenten valores
muy dispersos y poco dispersos al mismo tiempo.
A.3.- Omisin de variables relevantes en el modelo especificado.
En este caso no hablamos de las variables seleccionadas, sino, precisamente, de las no
seleccionadas. Cuando se ha omitido una variable en la especificacin, dicha variable quedar
parcialmente recogida en el comportamiento de las perturbaciones aleatorias, pudiendo
introducir en stas su propia variacin, no necesariamente fija.
Recurdese que la hiptesis inicial del MBRL de homocedasticidad haca referencia a la
varianza constante de las perturbaciones aleatorias, pero no obligaba a que las variables
explicativas tuvieran tambin varianza constante, hecho que, adems, sera una restriccin muy
poco plausible.
B.- Otras causas
B.1.- Cambio de estructura
El hecho de que se produzca un cambio de estructura determina un mal ajuste de los parmetros
al conjunto de los datos muestrales. Este no tiene porque influir del mismo modo en todo el
2
recorrido de la muestra , pudiendo producir cuantas de desajuste del modelo diferentes y, por
tanto, varianza no constante por subperodos.
B.2. Forma funcional incorrecta
La utilizacin de una forma funcional incorrecta, por ejemplo la utilizacin de una funcin
lineal en lugar de una logartmica potencial, puede provocar que la calidad del ajuste de la
regresin vare segn los valores de las exgenas, por ejemplo, ajustando bien para los valores
pequeos y mal para los grandes; en ese caso, es posible que en las zonas de peor ajuste existan,
no slo errores mayores, sino tambin errores ms dispersos.

De hecho, los parmetros estimados "recogern mejor" el comportamiento de la serie en aquella de las dos
estructuras distintas que se produzca durante mayor nmero de observaciones, ya que los parmetros estimados en
presencia de un cambio de estructura sern una media ponderada de los que resultaran de una estimacin particular
para cada una de las dos submuestras

B.3.- Modelos de aprendizaje sobre los errores

3

Esta causa, apuntada por Gujarati , se refiere a la modelizacin de fenmenos que contienen un
mecanismo de auto - aprendizaje en funcin de los errores (desajustes) previos. En este tipo de
fenmenos, el paso del tiempo implica progresivamente, no slo un menor tamao del error,
sino adems una varianza progresivamente inferior.
B.4.- Presencia de puntos atpicos
La presencia de algunos valores atpicos en la muestra de datos implicar necesariamente un
desajuste en la varianza de la perturbacin (en cierto modo, un punto atpico puede considerarse
un elemento muestral perteneciente a otra distribucin y, por tanto, potencialmente con varianza
distinta).

En todo caso, sea cul sea el origen del problema, en muchas ocasiones es posible asociar la
varianza no constante de las perturbaciones aleatorias a los valores de alguna de las variables
4
incluidas en el modelo. Dicho de otro modo, podra suponerse que la varianza de la
perturbacin se compone de una parte constante, homocedstica, y otra que vara segn los
valores de una determinada variable Zi:

i2 f (2 Zi )

donde sera la parte fija de la varianza, y Zi la variable o incluso la matriz de variables cuyos
valores se asocian con los cambios en la varianza de las perturbaciones aleatorias.
2

Es muy probable que esta asociacin entre el proceso de heterocedasticidad y una determinada
variable o una combinacin de ellas sea algo simplista, probablemente no sea muy realista y y
quiz no alcance a ser completamente satisfactoria para explicar el patrn de movimiento de
la varianza. Sin embargo, asumir este tipo de conexin entre varianza de U y una/s variable/ss
est en la base de la mayora de los procedimientos de deteccin de la heterocedasticidad y,
desde luego, resulta imprescindible para los mecanismos de solucin de la heterocedasticidad.
Efectivamente, este tipo de funcin podra ser empleada precisamente como el supuesto
simplificador al que anteriormente se haca referencia para posibilitar la estimacin mediante
MCG sin encontrarnos con ms incgnitas (elementos de la matriz ) que observaciones.

3.- Efectos de la heterocedasticidad sobre el MBRL

En trminos generales, los efectos de la presencia de heterocedasticidad sobre el MBRL
estimado con Mnimos Cuadrados Ordinarios son:
- El estimador de Mnimos Cuadrados Ordinarios sigue siendo lineal, insesgado y
consistente pero deja de ser eficiente (varianza mnima). Es interesante recordar que la
homocedasticidad de la perturbacin no juega ningn papel relevante en la insesgadez o
la consistencia, propiedades muy importantes que si se alteran, sin embargo, ante la
presencia de regresores estocsticos o, en muchas ocasiones, ante la omisin de
variables relevantes.

3
4

Econometra. D.N Gujarati. Ed. Mc Graw Hill.

En realidad, cabe tambin pensar en la posibilidad que el patrn de heterocedasticidad est relacionado con los

valores de alguna variable no incluida en el modelo (una variable omitida, consciente o inconscientemente) aunque,
en general, y quiz por un criterio de sencillez operativa, los mtodos de correccin y deteccin se suelen concentrar
en la lista de variables exgenas incluidas en la especificacin.

- Las varianzas del estimador de Mnimos Cuadrados Ordinarios, adems de no ser

mnimas, no pueden calcularse con la expresin utilizada en presencia de
1
2
homocedasticidad ( V () X ' X ) o, dicho de otro modo, esta expresin es
un
estimador sesgado de la verdadera varianza de los parmetros; alternativamente, debe
utilizarse la expresin covvar( ) 2 X ' X 1 X 'X X '

de modo que, si se

sigue utilizando la expresin de MCO, se cometer un error de clculo lo que implica,

bsicamente, que nuestros clculos t ya no se distribuirn como una t, el contraste
F ya no se distribuir como una F o los contrastes LM ya no seguirn una ChiCuadrado.
Ante estos dos problemas, caben en realidad distintos escenarios en funcin de la estrategia
elegida por el modelizador:
1.- Utilizar MCO considerando la presencia de heterocedasticidad
En ese caso, an resolviendo el problema de clculo, seguimos enfrentando un problema de
eficiencia lo cual significa, en todo caso, que los contrastes de significacin habituales t, F,
Chi-Cuadrado tenderan a ser ms exigentes, a ofrecer resultados menos concluyentes al tiempo
que los intervalos de confianza habitualmente computados para los parmetros tendern a ser
ms amplios.
2.- Utilizar MCO ignorando la heterocedasticidad
En este caso, tenemos una varianza que, dado el error de clculo es un estimador sesgado del
verdadero valor de la varianza (valor correctamente calculado) sin que, en general, se pueda
saber si ese clculo incorrecto sobreestima o subestima el verdadero valor. As pues, las
conclusiones derivadas de la utilizacin de los contrates habituales son, sencillamente,
5
incorrectas. Conviene adems tener en cuenta que el problema del clculo incorrecto deriva en
realidad de que el estimador insesgado de la varianza de la perturbacin ya no resulta ser:

~2

e' e
n k

de modo que, adems del error de clculo en la estimacin de la varianza de los parmetros,
todos aquellos contrastes o tests basados en este estimador insesgado sern tambin incorrectos.
En todo caso, un error frecuente consiste en pensar que cualquier clculo que implique la
utilizacin de los errores de un modelo heterocedstico ser incorrecto cuando, en realidad, no
2
es as. Un ejemplo interesante es el clculo del coeficiente de determinacin R (o su versin
corregida) que no se ve afectado por la existencia de heterocedasticidad. La razn estriba en que
2
el clculo de la R se realiza a partir del clculo de las varianzas poblaciones de u (u) y de
y (y) y el hecho de que utilicemos conceptos poblaciones, no muestrales, implica que
5

Sobre esta reflexin puede ser interesante recordar un par de experimentos. El primero, realizado por Goldfeldt y
Quandt en 1972 (Non Linnear Methods in Econometrics. North Holland, pp 280.) lleg a dos conclusiones: (1) que la
prdida de eficiencia de MCO respecto a MCG puede ser de hasta 10 veces en el parmetro constante y de 4 veces en
los parmetros que acompaan a variables explicativas y (2) que el clculo incorrecto de de la varianza de los
estimadores ignorando la heterocedasticidad produce en general un sesgo por infravaloracin de la real del orden del
doble. El segundo, realizado por Davidson y Mackinnon en 1993 (Estimation and Inference in Econometrics, OUP,
Nueva Cork, 19993, pp. 549-550) concluy que el uso de MCO (con o sin correccin) sobreestima consistentemente
el verdadero error estndar de los parmetros obtenido mediante el procedimiento correcto (MCG) mientras que la
utilizacin de MCO sin corregir tienden a ofrecer menores varianzas que las obtenidos por MCO corregidos, para los
parmetros de pendiente, y mayores para el trmino independiente.

utilizamos varianzas no condicionales a los valores de x de modo que la R (poblacional) no

se ve afectada por la presencia de heterocedasticidad; de hecho, la expresin ~ 2 e'e n
estima consistentemente la varianza del error poblacional (u).
3.- Utilizar MCG
Es evidente que esta parece la mejor de las soluciones aunque tambin debe observarse que
utilizacin de este estimador exigira conocer o estimar de antemano los valores de los
elementos de . Estimar las n varianzas distintas de partiendo de n observaciones y k
variables explicativas es imposible, de modo que, como se ver ms adelante, la utilizacin de
este estimador exigir asumir algn supuesto simplificador sobre la causa de una eventual
heterocedasticidad, un supuesto simplificador que permita a su vez determinar, de forma
tambin simplificada, la forma de la matriz . Evidentemente, encontrar una simplificacin
correcta de dotar de plena utilidad (eficiencia) a la estimacin con MCG pero, a sensu
contrario, un mal diseo de la causa de la heterocedasticidad y su expresin en no garantizar
esa eficiencia.

4.- Cmo se detecta la presencia de Heterocedasticidad

Antes de entrar a enumerar y revisar brevemente los principales procedimientos deben quedar
claras dos cuestiones preliminares:
1.- Resultar imposible observar directamente la presencia de heterocedasticidad ya que, en la
mayora de los anlisis economtricos, slo dispondremos de un valor de Y para cada valor de
X (y por tanto de un nico valor de U) por lo que resulta conceptualmente imposible
observar si la varianza de las U para cada valor de X es la misma. Por tanto, la mayor parte
de los mtodos se apoyarn en los residuos obtenidos en un modelo previo (estimado
generalmente con MCO); estos residuos, se utilizarn como una muestra vlida de las
perturbaciones aleatorias desconocidas.
2.- Antes de la aplicacin de mtodos tcnicos (ms o menos informales) debemos preguntarnos
por la existencia de heterocedasticidad desde un punto de vista terico considerando la
naturaleza del problema analizado, las exgenas incluidas y, en definitiva, la propensin terica
del modelo hacia la heterocedasticidad.

A.Contrastes Grficos
A.1) Grfica del error a travs de las distintas observaciones del modelo
Dado que las series econmicas presentan casi siempre una tendencia definida (positiva o
negativa), la simple grfica de error puede servir para conocer intuitivamente si el mero
transcurso del tiempo da lugar a un incremento/decremento continuado del error, lo que sera
significativo de una relacin entre la evolucin de las variables del modelo y los valores cada
vez mayores o cada vez menores de ste.
Grficos del error sintomticos de presencia de heterocedasticidad

10
5
0
-5
-10

15

6
4
2
0
-2
-4
-6

En ambos, la mera evolucin del tiempo est correlacionada con valores cada vez mayores
(izquierda) del error o cada vez menores (derecha), con lo que el clculo de la varianza por
subperodos arrojara valores significativamente diferentes; es decir la serie del error sera
heterocedstica. Evidentemente, este tipo de grficos SLO tiene sentido si el modelo es
temporal ya que, en el caso del modelo transversal, la ordenacin de valores del eje X
depender del criterio elegido para ordenar la muestra, un criterio que puede no coincidir con el
patrn de crecimiento o decrecimiento de la varianza.

A.2) Grfica del valor cuadrtico del error y los valores de Y y Xs

6

La representacin de los valores del error al cuadrado y la variable endgena o cada una de las
variables exgenas puede revelar la existencia de algn patrn sistemtico en la varianza de la
perturbacin (se entiende que el error al cuadrado se asocia con la dispersin del error). Este
tipo de grfico, no slo permite obtener una idea preliminar de si existe o no heterocedasticidad
sino tambin de la o las variables que pudieran estar conectadas con la misma.
B. Contrastes numricos
Todos los procedimientos presentados aqu tratan de cuantificar la presencia de
heterocedasticidad. Algunos de ellos, no slo se limitan a cuantificarla sino que, adems,
permiten valorar la existencia de heterocedasticidad en trminos de probabilidad recurriendo a
distribuciones estadsticas conocidas; este ltimo grupo de contrates se denominan, por ello,
7
contrastes "paramtricos".
B.1.) Contraste de Glesjer
De forma similar al caso anterior, Glesjer propone descartar la variacin del error en funcin de
una variable z, que ahora pueden estar elevadas a una potencia "h" que estara comprendida
entre -1 y 1. El modelo que se propone es:
1. Estimar el modelo inicial, sobre el que se pretende saber si hay o no heterocedasticidad,
empleando MCO y determinando los errores.

6
7

Eventualmente podran tambin realizarse los grficos con valores absolutos del residuo.

En particular, los contrastes que se presentan parten de una estructura acorde a la del Multiplicador de Lagrange. De
forma muy intuitiva, sin querer hacer una argumentacin estrictamente acadmica, diremos que en este tipo de
contrastes se propone siempre dos modelos, uno inicial y otro en el que se incorpora algn aadido en la
especificacin. A partir de un ratio sobre los errores de cada uno de estos modelos (o alguna transformada de estos),
se compara si el modelo ms completo aporta suficiente explicacin adicional de la endgena como para compensar
el coste de incorporar ms variables.

yi 0 1 x1i 2 x2i ... k xki ui

1
X ' X X
'Y ei y i y i
2. Estimar cuatro regresiones para los valores absolutos del error del modelo anterior en
funcin de una variable elevada consecutivamente a "h", que para cada modelo tomara
los valores -1, -0,5, 0,5 y 1.

| ei

h1,0.5,0.5,1

| 0 1 z

Se escoger la regresin de las cuatro con parmetros significativos y con mayor R .

2

3. Se entiende que, si el valor de esta R es suficientemente grande, se estar confirmando

que existe heterocedasticidad producida por la variable z, ya que esta es capaz de
explicar la evolucin de la evolucin del error como estimada de la evolucin de las
perturbaciones aleatorias. Esta conclusin es especialmente vlida para muestras
grandes segn las propias conclusiones ofrecidas por Glesjer por lo que su utilizacin
parece especialmente adecuada en este tipo de condiciones muestrales.

B.2.) Contraste de Breusch-Pagan

La idea del contraste 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.
El proceso a seguir para llevar a cabo este contraste es el siguiente:
1. Estimar el modelo inicial, sobre el que se pretende saber si hay o no heterocedasticidad,
empleando MCO y determinando los errores.

yi 0 1 x1i 2 x2i ... k xki ui

1
X ' X X
'Y ei y i y i
2. Calcular una serie con los errores del modelo anterior al cuadrado estandarizados:
2
e~ ei2
i

e' e
2
n
3. Estimas una regresin del error calculado en el paso (2) explicado por una constante y
el conjunto de las variables Z que se pretende saber si producen o no heterocedasticidad
2
en el modelo, obtenindose la R de este modelo y la varianza de la estimada:

~e 2

z
i

Re~

1 1i

2
2i

... z
p

pi

Conceptos bsicos sobre Heterocedasticidad y Tratamiento en E-views

1
0

4. En principio, dado que el modelo tiene trmino constante, se cumple la regla general de
las regresiones segn la cual la varianza de la endgena real es igual a la suma de la
varianza de la endgena estimada ms la varianza del error obtenido en el modelo
2

( S~2 S ~ 2 S ) o su equivalente multiplicando a ambos lados de la igualdad por el

e
e

nmero de observaciones n, donde en vez de varianzas hablaremos de Sumas al

cuadrado. Por ello, si el modelo es "malo" la varianza de la endgena estimada ser
pequea (es lo mismo que decir que la varianza del error estimado es grande o que el
"modelo tiene mucho error"). En definitiva, y siguiendo el inters que aqu buscamos, si
la varianza de la endgena estimada en este segundo modelo es muy pequea,
estaremos afirmando que el poder explicativo del conjunto de variables Z sobre la
representacin de la varianza de las perturbaciones aleatorias es escaso. A partir de esta
afirmacin, podramos generar un contraste calculado con la suma residual, a sabiendas
de que cuanto ms cerca de cero se encuentre, ms probabilidades de homocedasticidad
habr en el modelo. El contraste propuesto es:
2
S ~ 2* n
e

2
los autores demuestran que, en el caso de un modelo homocedstico, se distribuye como
2
una p , con lo que, si el valor del ratio supera al valor de tablas, se rechaza la hiptesis
nula (homocedasticidad); es decir, se acepta que el conjunto de variables Z est
produciendo heterocedasticidad en el modelo original.
El contraste de Breusch Pagan efectivamente nos servir para aceptar o descartar la presencia de
heterocedasticidad debida a ese conjunto de variables Z citado, pero su operatividad es limitada.
Si el conjunto de las variables Z contiene variables no incluidas en el modelo original, parece
difcil no haberlas tenido en cuenta antes para realizar una buena especificacin y s tenerlas en
cuenta ahora para la contrastacin. Por otro lado, la lista de variables Z debe ser necesariamente
pequea para poder realizarse el contraste.
B.3.) Contraste de White (prueba general de heterocedasticidad de White)
Aunque en apariencia esta prueba es parecida a las mencionadas anteriormente, parece admitido
que algo ms robusta al no requerir supuestos previos como, por ejemplo, la normalidad de las
perturbaciones. Por otro lado, tal y como se ver a continuacin, la prueba no exigir determinar
a priori las variables explicativas de la heterocedasticidad (lo cual no es necesariamente una
virtud) y es por esta razn por lo que se denomina prueba general.
En este contraste la idea subyacente es determinar si las variables explicativas del modelo, sus
cuadrados y todos sus cruces posibles no repetidos sirven para determinar la evolucin del error
al cuadrado. Es decir; si la evolucin de las variables explicativas y de sus varianzas y
covarianzas son significativas para determinar el valor de la varianza muestral de los errores,
entendida sta como una estimacin de las varianzas de las perturbaciones aleatorias.
El proceso a seguir para realizar este contraste sera el siguiente:
1. Estimar el modelo original por MCO, determinando la serie de los errores. Escrito esto
en forma matricial para un modelo con "n" observaciones y "k" variables explicativas:

Y X U
1
X ' X X
'Y Y X
e Y Y
2. Estimar un modelo en el que la endgena sera los valores al cuadrado de los errores
obtenidos previamente (paso 1) con todas las variables explicativas del modelo inicial,
sus cuadrados y sus combinaciones no repetidas.
2

ei 0 1 x1i ... k xki k 1 x1i ... k k xki k k 1 x1i x2i

k k 2 x1i x3i ... 3k 1 x2i x3i ... i
3.

El valor de la R de este segundo modelo (paso 2) nos dir si las variables elegidas
e
sirven o no para estimar la evolucin variante del error al cuadrado, representativo de la
varianza estimada de las perturbaciones aleatorias. Evidentemente, si la varianza de
stas fuera constante (homocedasticidad), el carcter no constante de las variables
2
explicativas implicadas en el modelo no servira para explicar la endgena, luego la R e
debiera ser muy pequea.

En principio, la

R , como proporcin de la varianza de la endgena real que queda explicada

e

por la estimada, debiera ser muy pequea si la capacidad explicativa de los regresores
considerados tambin es muy pequea, siendo estos regresores, por su construccin,
representativos de varianzas y covarianzas de todas las explicativas del modelo original. Dicho
2
esto, evidentemente un valor de la R suficientemente pequeo servir para concluir que no
existe heterocedasticidad en el modelo producida por los valores de las explicativas
consideradas en el modelo inicial. Para encontrar el valor crtico en esa consideracin de
suficientemente pequeo se emplea la expresin deducida por Breusch y Pagan como
2
producto del coeficiente R por el nmero de datos del modelo, que se distribuira del siguiente
modo:
2

nR p1
e

En definitiva, si obtenemos un valor del producto nR e mayor que el reflejado por las tablas de

p1 , afirmaremos que existe heterocedasticidad, y viceversa, si este valor es ms pequeo

2

diremos que se mantiene la homocedasticidad (luego la hiptesis nula de este contraste es la

homocedasticidad).
Otro modo de contrastar la existencia de heterocedasticidad en el modelo a partir de la validez o
no de los parmetros incluidos en la regresin propuesta por White vendra dado por el valor del
contraste de significacin conjunta F. Si dicho contraste afirmara que, en conjunto, las variables
explicitadas tienen capacidad explicativa sobre la endgena, estaramos afirmando la presencia
de heterocedasticidad en el modelo.

En este caso, la endgena real ser el valor del error muestral al cuadrado de la primera regresin practicada. En el
caso de homocedasticidad, este debe ser casi constante, por lo que difcilmente la evolucin de otras variables podra
explicar un valor fijo. Por ello es intuitivo pensar que cuanto mayor sea la R2 de este modelo, ms probable ser la
heterocedasticidad.

B.4.) Contraste a partir del coeficiente de correlacin por rangos de Spearman

La filosofa de este contraste reside en que la variable sospechosa de producir
heterocedasticidad debera provocar un crecimiento del residuo estimado al mismo ritmo que
ella va creciendo. Por ello, si ordenramos de menor a mayor tanto la variable sospechosa, por
ejemplo xji, como el valor absoluto del residuo, |ei|, el cambio de puesto en ambas, y para cada
una de las observaciones, debiera ser del mismo nmero de puestos respecto al orden original de
las series. En la medida en la que este cambio de puesto respecto al original no sea el mismo
para las dos (una vez ordenadas) se podra hablar de movimientos no correlacionados. Dado que
la correlacin se mide entre uno y menos uno, Spearman propone determinar un grado de
correlacin en ese cambio de puesto respecto al inicial de cada una de las variables a partir de
la diferencia entre el nuevo puesto y el inicial:
n

r 1

6d i

i1

n(n
1)

En esta expresin, una coincidencia mxima (todas las distancias son igual a cero), dara lugar a
una correlacin de Spearman igual a uno; mientras que una distancia mxima, provocara un
9
valor cero de dicho coeficiente de correlacin .
En la siguiente tabla se hace un pequeo ejemplo numrico de clculo del coeficiente de
Spearman para clarificar lo dicho hasta ahora.

Series originales
Puest
o
1
2
3
4
5

x
j

1.83
8424
501
2.33
2688

|
e
1
1,
1,
1,
1,
,

Series ordenadas
Puest
|
o
e
2
1
3
1,
5
1,
1
1,
4
1,
,

x
j

424
501
688
1.83
8
2.33
2
n

r 1

6di

i1

n(n
1)

Puest
o
3
4
2
5
1

d
2-3=1
3-4=152=3
1-5=441=3

1
1
9
1
69

6 * 30 1 1,8 0,8
5(25
1)

En este caso, el grado de correlacin negativa de ambas series sera bastante elevado, dado que
los extremos de correlacin seran +/-1.
Para valorar la significatividad o no de esta correlacin, se conoce la funcin de distribucin del
siguiente ratio bajo la hiptesis nula de no significatividad, demostrado por el autor:

Realmente, el coeficiente de correlacin por rangos de Spearman es equivalente a emplear el coeficiente

de correlacin lineal

r(x, y)

cov(x, y)

a las variables de puntuacin de orden de ambas colocadas

Sx S y
segn la progresin de una de ellas. Para ver el detalle del denominador, se puede acudir a MartnGuzmn y Martn Pliego (1985), pginas 312-314.

rsN 2
1 r 2S

tn2

Con ello, si el resultado del ratio es superior al valor de tablas podremos afirmar que la
correlacin es significativa o, de cara a nuestro inters en este caso, que hay indicios de
heterocedasticidad en el modelo provocada por la variable xji.
B.5) Otros contrastes
Aunque no se comentarn aqu, si es conveniente citar otros contrastes habituales para la
determinacin de la heterocedasticidad, como:
-

Contraste de Harvey
Contraste test de Park
Contraste RESET de Ramsey
Golfeld-Quandt
Contraste de picos
LM Arch

5.- Cmo se corrige

Antes de entrar en los mtodos operativos que permiten la estimacin en presencia de
heterocedasticidad, deben hacerse dos puntualizaciones:
1.- La correccin que se ver en este apartado se plantea como una estrategia adaptativa, de
convivencia con la heterocedasticidad pero, en todo caso, debe entenderse que, en algunas
ocasiones, el problema que genera un comportamiento heterocedstico de la perturbacin puede
resolverse variando la especificacin lo que, sin duda alguna, sera una verdadera correccin del
problema.
2.- La estimacin alternativa al uso de MCO en situaciones de heterocedasticidad es la
utilizacin de MCG y, por tanto, esta es la nica estrategia analticamente correcta para la
solucin del problema. No obstante, y como ya se ha dicho, esto implicara conocer el verdadero
valor de la matriz sigma de varianzas y covarianzas, situacin que, en la prctica, no es habitual.
Por tanto, los mtodos que se presentan aqu suponen una alternativa operativa a esta hipottica
situacin ideal.
1.- Transformacin de las variables originales
Como hemos venido viendo repetidas veces a lo largo del tema, la heterocedasticidad viene
producida por la dependencia de la varianza de las perturbaciones aleatorias de una o ms
variables que, a su vez, pueden estar presentes en el modelo o no. Los distintos mtodos de
detectar este problema servan para probar la dependencia de la varianza de la perturbacin
aleatoria de un conjunto de variables, a partir de lo que hemos llamado un supuesto
simplificador:

i2 f (2 Zi )
Por lgica, el modo de subsanar el problema detectado ser operar convenientemente la
variables del modelo precisamente eliminando la fuente de heterocedasticidad que habremos
podido definir cuando detectamos la misma. Como veremos a continuacin, si el conjunto total

de las variables del modelo (endgena incluida) es dividido por la forma estimada de esta
funcin de la raz de la varianza heterocedstica (una vez algn mtodo de deteccin nos haya

confirmado que efectivamente el comportamiento de esta varianza se puede seguir

convenientemente con dicha funcin) estaremos corrigiendo el modelo.
Para comprobar esto, podemos volver a la forma matricial de varianzas covarianzas no escalar:

E(UU ' )

E(u ) 2
1

E(u1u 2 )

E(u2 )

E(u 1 ) 2

0

...

E(u ) 2

E(u 2 u n )

E(u1u n
)

E(u2 ) 2

i I n

...

0
E(un

En esta matriz, si dividimos por f (2 Z ) , obtendremos una diagonal principal de unos;

i
i

es decir, volveramos al caso de una matriz de varianzas covarianzas escalar tal y como la que se
supone en el modelo bsico de regresin lineal.
Formalmente, para probar esto seguimos los siguientes pasos. Dado que la matriz es una
matriz semidefinida positiva (todos los elementos de su diagonal principal son necesariamente
positivos), siempre podremos descomponerla en dos matrices de la forma:
PP'

'

Volviendo a la matriz de varianzas covarianzas no escalar y uniendo esto a la funcin que

hemos comprobado sirve para definir esta varianza no constante i f (2 Z ) , es fcil llegar
2

a que la descomposicin PP'

E(u ) 2

E(u2 )

0
0

...
0

' es:

2
1
0

2
2
0
0

2
0
... E(u

n
0
2
0
)
'
.
.

1

0
0

0
1

0

n
0

...
2
0 n

0
0

2 PP'
0
0

...

0 n

Si multiplicamos cada variable del modelo por esta matriz P, tal y como se ha sugerido,
obtenemos unas nuevas variables del siguiente tipo:
1

P Y P

x P U Y X U

donde:
*

1
1

E(U
U

')
E(P

UU '
P

' ) P
P

E(UU ' )

' E(UU ' ) 1

1
'
P
P

I n

Por lo que podemos afirmar que el modelo transformado (aquel por el que se han dividido todas
las variables por la desviacin tpica estimada de las perturbaciones aleatorias) soporta una

matriz de varianzas covarianzas de las perturbaciones aleatorias escalar, con lo que se puede
estimar con toda garanta por MCO.
En definitiva, y a modo de breve receta, los pasos para la correccin de la heterocedasticidad
seran los siguientes:
a) Se estiman los parmetros del modelo por MCO, ignorando por el momento el
problema de la heterocedasticidad de las perturbaciones aleatorias
b)

Se establece un supuesto acerca de la formacin de i y se emplean los residuos de la

regresin por MCO para estimar la forma funcional supuesta.

c) Se divide cada observacin por i

segn el paso anterior (segn el valor de esa

heterocedasticidad supuesta estimada, siempre y cuando un contraste nos haya

confirmado que el modelo simplificador es bueno).
d) Se estima el modelo original ahora con todas las variables transformadas segn el paso
c).
2.- Estimacin consistente de White
El procedimiento propuesto por White permite una estimacin que, en trminos asintticos,
permite la utilizacin de los procedimientos de inferencia estadstica clsica.
Bsicamente, la idea consiste en utilizar los errores cuadrticos de una estimacin previa de
MCO como elementos de la matriz de varianzas de la perturbacin (matriz ). White demostr
que, esta estrategia de ponderacin permite obtener estimadores consistentes de las varianzas
de los parmetros. La mayor parte de los paquetes informticos incorporan este clculo de modo
que, en general, su utilizacin parece recomendable, al menos con fines exploratorios.
En todo caso, deben hacerse dos puntualizaciones que quiz resulten interesantes al que, por vez
primera, se asome a este procedimiento.
1.- Los parmetros estimados consistentemente con White coincidirn con los de la regresin
original MCO (en todo caso, recuerde que el problema de la heterocedasticidad no es un
problema de sesgo ni inconsistencia).
2.- Nada garantiza, a priori, que las varianzas de los parmetros estimados con White sean
menores que las originales, dado que debe recordarse que las MCO originales (mal calculadas)
presentaban un sesgo indeterminado, pero generalmente de infravaloracin de la varianza real.

TRATAMIENTO DE LA HETEROCEDASTICIDAD EN E-VIEWS

Se propone un modelo para cuantificar las ventas de Burger King (VTASBK) en una serie de 20
pases, proponindose como explicativas las siguientes variables:
PRECIOSBK:
PRECIOSMAC:
RENTAPC:

Precios Hamburguesa Whoper

Precios Hamburguesa Big Mac
Renta per capita del pas

Realizada una primera regresin, los resultados obtenidos son los siguientes:

1000
800
600
400
20

200

10

0
-10
-20
-30

6
Residual

10

12
Actual

14

16

18

20

Fitted

Matriz de correlaciones de las variables

VTASBK
PRECIOSB
K
PRECIOSMA
C RENTA PC

VTASBK
1.00000
0
0.36090
0
0.22608
5
0.99956
6

PRECIOSB
K 0.360900
1.000000
0.704328
0.367945

PRECIOSMA
C 0.226085
0.704328
1.000000
0.235402

RENTAP
C0.999566
0.367945
0.235402
1.000000
2

No se da ninguna correlacin entre variables explicativas superior al R obtenido en el modelo,

por lo que no parece haber indicios de multicolinealidad. Tan slo existe una fuerte correlacin
entre PRECIOSBK y PRECIOSMAC (0,7043), en cualquier caso ms pequeo que el 0,99.
A la luz del grfico de residuos, podra pensarse que que los cinco primeros pases presentaran
una varianza mayor que los siguientes, aunque, como suele ocurrir con los grficos, no se puede
apreciar nada claramente.

El siguiente elemento a contrastar sera la presencia de heterocedasticidad en el modelo. El

programa E-Views suministra, con este fin, la posibilidad de detectar la heterocedasticidad,
entre otros, a partir del Test de Residuos de White, ofreciendo dos posibilidades:
-

No Cross Terms: Realizar la regresin de los errores al cuadrado de la regresin inicial

del modelo escribiendo como explicativas todas las exgenas de la inicial y sus valores
al cuadrado.
Cross Terms: igual que la anterior, pero incluyendo adems, como explictivas del error
al cuadrado, los productos no repetidos de todas las variables explicativas del modelo
inicial entre s.

En principio, el contraste expresado por White sera la segunda opcin, pero, en modelos con
escasas observaciones, a lo mejor no es posible realizar la estimacin con tantos regresores y es
ms recomendable la primera opcin (por no eliminar completamente los grados de libertad).
En nuestro caso, el nmero de observaciones es 20 (pases) y el nmero de explicativas tres ms
la constante, luego el contraste de White con trminos cruzados equivaldra a incluir 10
variables explicativas sobre el cuadrado de los errores de la regresin inicial (la constante, las
tres explicativas, sus tres cuadrados y los tres cruces posibles no repetidos entre ellas).
Para aplicar este contraste en E-views, desde la misma ventana donde se ha realizado la
regresin, se sigue el siguiente trayecto:

Los resultado de este Test de residuos White heteroskedasticity (cross terms) son:
White Heteroskedasticity Test:
F-statistic
Obs*R-squared

7.45877
17.4069
4

Probability
Probability

0.0021
0.0427
12

Como resultado, se nos ofrecen dos formas de contrastar la validez de las variables elegidas para
explicar un comportamiento no homogneo del error al cuadrado (estimador de la varianza de la
perturbacin aleatoria en este caso):
-

F-stastitic (como siempre con k-1; n-k grados de libertad), nos vendra a dar una medida
de la bondad del modelo (probabilidad de heterocedasticidad si se confirma la validez
conjunta de las variables elegidas para determinar la variacin del error al cuadrado - la
endgena-).
Obs*R-squared ( nR ): supuesta la hiptesis nula de homocedasticidad, el
e
p1
2

clculo propuesto debera comportarse como una con p-1 grados de libertad. En
p
1

nuestro caso p=10 (las explicativas de la regresin practicada). (El valor de tablas de
2

10 , para el 95% de confianza, es 16,9).

A la luz de lo dicho, ambos estadsticos propuestos afirman, con un 97,9% de probabilidades el
primero y con un 96,73% de probabilidades el segundo, la existencia de heterocedasticidad.

La misma salida nos muestra la regresin utilizada para realizar estos clculos, que sera la
siguiente:
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 04/04/01 Time: 18:13
Sample: 1 20
Included observations: 20
Variable
C
PRECIOSBK
PRECIOSBK^2
PRECIOSBK*PRECIOSMA
C PRECIOSBK*RENTAPC
PRECIOSMAC
PRECIOSMAC^2
PRECIOSMAC*RENTAPC
RENTAPC
RENTAPC^2
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

Coefficie
nt
3872.14
1071.91
-9
423.386
0.06558
8
6562.12
-5
2332.04
0.04849
-5
0.09023
-7.94E07
0.87034
0.75365
9
51.7143
8
26743.7
-7
100.362
1.81078
9

Std.
tError
Statisti
761.410
4225.29
4
0.91642
452.857
2.3670
4
3433.56
-12
8
0.12330
0.01929
3.3985
9
29
4306.57
1.5237
8
3209.94
-45
5
0.72650
0.03957
1.2254
4
0.03450
-23
42.13E-2.61506
07
3.71929
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Pro
b.
0.13
0.38
10
0.03
95
0.90
43
0.00
68
0.15
86
0.48
42
0.24
85
0.02
58
0.00
40
57.081
104.19
42
11.036
20
11.534
07
7.4587
79
0.0021
02

A la luz de esta regresin, es fcil comprobar la significatividad de la variable rentapc y

rentapc^2 para explicar la varianza del error. Tambin los es preciosbk^2 y preciosbk*rentapc.
Para corregir el problema de la heterocedasticidad, habra que emplear Mnimos Cuadrados
Generalizados, o bien transformar todas las variables del modelo predividiendo todas sus
observaciones por la raz cuadrada del valor estimado del error al cuadrado en el modelo que se
ha utilizado para contrastar la presencia de heterocedasticidad y que nos ha informado sobre la
presencia de la misma y la buena explicacin del comportamiento no constante de la varianza.
El programa E-views permite realizar la estimacin por MCG usando como valor de el
obtenible a partir de la propuesta de White (1980).
El estimador consistente de la matriz de covarianzas para lograr una estimacin correcta de los
parmetros en presencia de heterocedasticidad es el siguiente:

2 X ' X 1 e
n

x'

n k

i1

it

1
x X ' X
t

Para lograr una estimacin empleando esta correccin en E-views, es necesario, una vez se
ejecuta una estimacin lineal normal, pulsar el botn de estimate. Aparecer entonces, a la
derecha, un botn de opciones que, pulsado, permite sealar Heteroskedasticity: consistent
covariance White.

2
0

Conceptos bsicos sobre Heterocedasticidad y Tratamiento en E-views

Estimando segn esta propuesta, ya que hemos confirmado la presencia de heterocedasticidad,

los resultados seran los siguientes:
Dependent Variable: VTASBK
Method: Least Squares
Date: 04/20/01 Time: 13:37
Sample: 1 20
Included observations: 20
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable
C
PRECIOSBK
PRECIOSMAC
RENTAPC
R-squared
Adjusted Rsquared
S.E.
of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

Coefficie
nt
23.7879
-2.35625
16.7407
0.02527
8
0.99922
0.99907
8
8.44700
7
1141.63
-1
68.8235
2.37676
3

Std. Error
Statistic
8.785312
7.695290
0.306194
13.70312
1.221674
0.000213

t-

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Pro
b.
0.01
0.76
34
0.23
95
0.00
00
421.89
278.25
93
7.2823
58
7.4815
04
6867.3
46
0.0000
00

Referencias bibliogrficas
GUJARATI, D. (2006): Principios de Econometra. Mc Graw Hill, Captulo 13. pag.385
GOLFEDLD,SM Y QUANDT (1972): Non Linnear Methods in Econometrics. North Holland,
pag. 280.

MARTN-GUZMN Y MARTN PLIEGO (1985): Curso bsico de Estadstica

Econmica. Editorial AC
NOVALES, A. (1993): Econometra. Editorial M'c Graw Hill, segunda edicin. Madrid.
Captulo 6, pgina: 193.
OTERO, JM (1993): Econometra. Series temporales y prediccin. Editorial AC, libros
cientficos y tcnicos. Madrid.

PULIDO, A. y PREZ, J. (2001): Modelos Economtricos. Editorial Pirmide, SA. Madrid.

Captulo 14, pgina: 711.

Ejemplo prctico de anlisis de heterocedasticidad

Ramn Maha Marzo 2006

I.- REGRESIN INICIAL

Los datos para realizar esta regresin se han tomado del ejemplo 11.10 del libro
Econometra de D.N. Gujarati, Ed. Mc.Graw Hill. Cuarta Edicin. Los datos se
refieren a gastos en I+D (GID), Ventas y Beneficios para 18 sectores industriales
considerados y fueron a su vez extrados de Business Week, Special 1989 Bonus Issue,
R&D Scorecard, pp. 180-224. .
El ejemplo utilizado no se corresponde, sin embargo, con el realizado por Gujarati en el
texto arriba indicado: la regresin que se propone para el anlisis en este ejemplo trata
de explicar los cambios en los gastos en I+D en funcin de las ventas y los beneficios.

I.A.- Output de la Estimacin

Dependent Variable: GID
Method: Least Squares
Date: 03/02/06 Time: 11:36
Sample: 1 18
Included observations: 18
Variable

Coefficient

C
VENTAS
BENEFICIOS

-139.3921
0.012558
0.239862

R-squared
Adjusted Rsquared
S.E.
of regression
Sum squared
residlikelihood
Log
Durbin-Watson
stat

0.524535
0.461139
27204.69
1.11E+10
-207.7006
3.173929

Std. Error
Statistic
9920.038
0.017998
0.198594

t-

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Pro
b.
0.98
0.49
60
0.24
58
30568.
37060.
02
23.4111
8
23.559
57
8.2740
23
0.00378

3 apuntes muy breves sobre la valoracin global de signos y significacin:

-

Signos correctos
Variables no significativas ni individualmente ni de forma conjunta
2
R escaso

I.B.- Problemas de multicolinealidad?

A la vista de la fuerte correlacin entre ventas y beneficios, lo ms probable es que SI.

No obstante, vamos a mantener la regresin sin cambios con estas dos explicativas con
el fin de ilustrar los procedimientos de deteccin de heterocedasticidad en este contexto
multivariante.

II.- DETECCIN DE LA HETEROCEDASTICIDAD

II.B.- Aproximacin Terica
La utilizacin de modelos transversales, especialmente cuando las unidades observadas
presentan, para las variables de inters, diferentes tamaos, supone un riesgo evidente
de heterocedasticidad. Por otro lado, cabe suponer que los gastos en I+D sean, no slo
ms grandes cuanto mayor sea la empresa (mayor sea su volumen de ventas), sino
probablemente tambin ms variables; algo similar ocurre de hecho con otras variables
empresariales que presentan una distribucin heterocedstica respecto al tamao (la
distribucin de salarios, la productividad, etc.).

II.B.- Aproximacin Grfica

II.B.1.- Real, estimada, error.
La muestra aparece ordenada segn el tamao (ventas) de la empresa. Por ello, y a pesar
de tratarse de un modelo transversal, este tipo de grfico tiene sentido en este ejemplo si
suponemos que la heterocedasticidad est relacionada con el tamao .
150000
100000
50000

100000
50000

0
-50000
-100000

Residual

10

12
Actual

14

16
Fitted

18

El grfico de los errores muestra, efectivamente, que la dispersin de los mismos

alrededor de la media nula aumenta segn el tamao de la empresa tambin lo hace (en
este caso, insisto, el eje horizontal no representa slo la transicin de unas empresas a
otras sino tambin el incremento de tamao dado que la muestra aparece ordenada por
volumen de ventas).

II.B.2.- Grficos X/Y (scat) entre errores y variables

La representacin de los residuos al cuadrado de la regresin y la variable de ventas o
beneficios (amabas representan el tamao), arroja, nuevamente un claro indicio de
relacin entre ambas. Se ilustran dos versiones de los mismos grficos, en la primera
versin se ha utilizado la muestra completa de errores, en la segunda, con el fin de
acentuar el grfico, se han eliminado los dos residuos atpicamente grandes de la serie
de errores cuadrticos (observaciones 16 y 17). En todos los casos se muestra la lnea de
regresin de la nube de puntos en la que se aprecia, claramente, una pendiente positiva.
La utilizacin de residuos en valor absoluto en lugar de residuos cuadrticos no implica
diferencias sustanciales.
Grficos Errores Cuadrticos / Exgenas (sin correccin de atpicos)
5.E+09

RESID2

4.E+09

3.E+09

2.E+09

1.E+09

0.E+00

1000000

2000000

VENTAS

30000

5.E+09

RESID2

4.E+09
3.E+09
2.E+09
1.E+09
0.E+00

50000 100000 150000 200000 25000

BENEFICIOS

Grficos Errores Cuadrticos / Exgenas (corregidos atpicos observaciones 16 y 17)

RESID_AT

8.E+08

6.E+08

4.E+08

2.E+08

0.E+00

1000000

2000000

VENTAS

30000

RESID_AT

8.E+08

6.E+08

4.E+08

2.E+08

0.E+00

50000 100000 150000 200000 25000

BENEFICIOS

II.C.- Mtodos numricos

II.C.1.- Regresiones univariantes de Glesjer
Conforme al procedimiento descrito en los documentos tericos, realizamos la
estimacin del valor absoluto del residuo en funcin de cada una de las dos exgenas
utilizando distintas parametrizaciones para el modelo (distintos valores de h).
e X
i

0
i

vi
2

Para estas regresiones, observamos el valor del coeficiente de determinacin R y el pvalue del contraste t de Student para el coeficiente 1.
Beneficios
2

Ventas
2

R
p-value
R
p-value
0.
0.0004
0.46
0.0019
0.
0.0001
0.42
0.0034
63
0.
0.0000
0.27
0.0280
68
0.
0.0358
0.33
0.0123
25
0.
0.0862
0.23
0.0461
17
0.
0.1392
0.11
0.1842
13
A la vista de los resultados, se confirma la evidente relacin del error con las variables
exgenas, especialmente con la variable de beneficios. La parametrizacin con mejores
h=0,
h=1
h=2
h=0.5
h=-1
h=-2

resultados (la que en mayor medida evidencia la heterocedasticidad) supone la relacin

entre los errores absolutos y el beneficio al cuadrado lo cual puede ser d einters a la
hora de proponer una transformacin homocedstica para el modelo.

II.C.2.- Contraste de Breusch - Pagan

Realizamos en primer lugar la transformacin de la serie de residuos originales RGID a
la versin cuadrtica estandarizada que se propone en el contraste BP:
2

e
~
ei i

Para realizar este clculo, primero necesitamos conocer el valor de la varianza residual
de los residuos originales que resulta ser:
2

2i

11.101.429.732,93

18

616.746.096,27

10

de modo que tenemos :

RGID

ei
-480,17
-4.156,22
-581,86
-6.806,36
1.228,31
-2.099,32
5.018,89
-11.846,96
-15.734,91
22.961,39
16.594,31
-21.285,29
25.552,56
-10.109,80
-9.424,18
62.836,05
-66.054,61
14.388,17

RGID_2ST

ei 2
e 2

0,0004
0,0280
0,0005
0,0751
0,0024
0,0071
0,0408
0,2276
0,4014
0,8549
0,4465
0,7346
1,0587
0,1657
0,1440
6,4019
7,0746
0,3357

Realizamos ahora la regresin de esta serie de residuos transformada en funcin de

la/las variables aparentemente conectadas con la heterocedasticidad. En nuestro caso,
proponemos utilizar el beneficio y su cuadrado como variables explicativas:
2
~
ei 0 1 BENEFICIOS i 2 BENEFICIOS

i
10

vi

En E-Views, si nuestra variable original de residuos se denomina RGID, la variable

transformada para BP podra generarse como: rgid_2st=(rgid/(@var(rgid))^0.5)^2

Dependent Variable: RGID_2ST

Method: Least Squares
Date: 03/02/06 Time: 13:02
Sample: 1 18
Included observations: 18

R-

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
BENEFICIOS
BENEFICIOS^2

0.544613
-2.62E-05
2.23E-10

0.586361
1.54E-05
7.09E-11

0.928802
-1.698895
3.144029

0.3677
0.1100
0.0067

squared
0.699449 Mean dependent var
Adjusted R-squared
0.659376 S.D. dependent var
S-E. of regression
1.234069
Akaike info criterion
Sum squared resid 22.84389 Schwarz criterion
Log likelihood
-27.68570 F-statistic
Durbin-Watson stat
1.798649 Prob(F-statistic)

1.000000
2.114471
3.409522
3.557918
17.45420
0.000121

La suma cuadrtica explicada de esta regresin es

e~
i

56.2901

es decir:

e ~

28.14500503

Con el fin de contrastar la Hiptesis nula de nula de Homocedasticidad, y dado que la

ratio SCE/2 se distribuye como una Chi cuadrado con p grados de libertad (nmero de
parmetros estimados) observamos el valor de una Chi cuadrado a una sola cola para un
nivel de significacin del 95% y 3 grados de libertad (parmetros estimados en la
regresin): 7.81. El valor muestral calculado, 26.59 es claramente superior al valor de
tablas luego, al 95% de confianza, rechazamos la hiptesis nula de Homocedasticidad.

II.C.3.- Contraste de White

No parecen necesarios contrastes adicionales para asegurar la presencia de
heterocedasticidad ligada a la variable de beneficios pero, no obstante, realizamos la
prueba de White con fines ilustrativos. E-Views realiza de forma automtica este
contraste si, una vez realizada la regresin, hacemos clic sobre la opcin View11
Residual Test White Heteroskedasticity .

11

La opcin cross terms utiliza como exgenas los productos cruzados de las variables exgenas
mientras que opcin no cross terms slo emplea las exgenas y sus cuadrados.

La regresin de White, efectuada para los residuos cuadrticos en funcin de las

variables exgenas, sus cuadrados y sus productos cruzados resulta ser:
White Heteroskedasticity Test:
F-statistic
Obs*R-squared

19.4175
16.0199
4

Probability
Probability

0.0000
0.0067
87

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 03/02/06 Time: 15:29
Sample: 1 18
Included observations: 18
Variable

Coefficient

C
VENTAS
VENTAS^2
VENTAS*BENEFICI
OS BENEFICIOS
BENEFICIOS^2

69515964
1349.794
-0.002708
0.050108
-19656.93
-0.116371

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.889997
0.844162
5.15E+08
3.18E+18
-382.9592
2.127352

Std.
tError
Statisti
2.65E+0
0.2620
1077.11
1.2531
4
0.00079
-57
0
3.4267
0.02074
2.4153
6
12978.0
-48
5
0.14663
-1.5146
2
0.7936
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Pro
b.
0.79
0.23
40
0.00
50
0.03
26
0.15
58
0.44
28
6.17E+
1.30E+
09
43.217
68
43.514
48
19.417
56
0.00002

Una vez ms, los indicios de autocorrelacin son claros. Los resultados del test de
2
White muestran, por un lado, el elevado valor de la R en la regresin instrumental, que
supera el valor de una Chi cuadrado con p-1=6-1 grados de libertad, para un nivel
de significacin del 0.67%, es decir, del 99,3%. Por otro lado, aparecen coeficientes
estadsticamente significativos al 99,5% para la variable de Beneficios al cuadrado y
al 96,8% para el producto cruzado de los Beneficios por las Ventas.

Conceptos bsicos sobre Heterocedasticidad y Tratamiento en E-views

3
0

III.- CORRECCIN DE LA HETEROCEDASTICIDAD

III.A.- Transformacin de las variables originales
Proponemos como solucin al problema la transformacin de los datos originales
utilizando para la transformacin la variable de Beneficios al cuadrado, es decir, aquella
que en mayor medida se ha mostrado conectada con la heterocedasticidad.
En la prctica, eso supone dividir la endgena y las exgenas entre la variable de
beneficios (la raz de los beneficios al cuadrado son los propios beneficios). Por
ejemplo, y para el caso de la endgena, la regresin se efectuara ahora utilizando como
variable a explicar la ratio de los Gastos en I+D sobre los beneficios.
Pantalla de Estimacin: INICIAL

Pantalla de Estimacin: TRANSFORMADA

Pueden observarse los siguientes cambios que merecen atencin:

1.- Al dividir todas las variables entre la variable BENEFICIOS, debemos
observar que tambin quedar dividida la propia variable BENEFICIOS,
generando por tanto una variable con todos sus valores iguales a 1; es decir,
generando un trmino independiente. Por esa razn no se especifica en la
versin corregida de E-Views la aparicin del trmino C.

2.- El trmino independiente de la regresin original, especificado en E-Views

originalmente como C, era en realidad una variable con todos sus valores
iguales a 1. Al dividir ese trmino independiente entre la variable
BENEFICIOS tenemos en realidad una nueva variable 1/Beneficios, que es la
que aparece en la pantalla de estimacin.
Esta transformacin puede observarse matricialmente aqu:
Matriz Original X Matriz Transformada X

Ventas1

Benef1

1 Ventas2

Benef2

1 Ventas3
..

.. Ventas18

Benef3

Benef1
1

Benef

Ventas1

1
Benef
3

..

..

Benef18

Benef18

Benef1
Ventas2
Benef2
Ventas3
Benef3

1
1

V entas18
Benef18

Dependent Variable: GID/BENEFICIOS

Method: Least Squares
Date: 03/02/06 Time: 15:58
Sample: 1 18
Included observations: 18
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable

Coefficient

1/BENEFICIOS
VENTAS/BENEFICIO
BENEFICIOS/BENEFICIOS

-1269.387
0.022273
0.124798
0.0703
0.819102

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.794982
0.225319
0.761527
2.924325

2.486807

Std.
Error
365.608
0.00151
0.064034

tStatistic
14.7545
1.948917

Mean dependent
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Pro
b.
0.00
0.00
0.4678
0.4976
24
0.0084
08
0.1568
04
33.959
85
0.00000

Si se desea comparar los coeficientes de esta nueva regresin con los de la original,
podra multiplicarse toda la regresin por la variable Beneficios. Los parmetros de
la regresin original son ahora ligeramente distintos a los de la original, sus errores
estndar mucho ms reducidos y el coeficiente de determinacin ha mejorado
sustancialmente:

Regresin Inicial
Trmino Independiente
Std. Error
p-value
Ventas
Std. Error
p-value
Beneficios
Std. Error
p-value

Regresin Corregida

-139.39
9920.038
0.98
90
0.012558
0.017998
0.49
60
0.239862
0.198594
0.24
58
0.52
45

R2

365.60
84
0.0034
0.0222
73
0.0015
10
0.0000
0.1247
98
0.0640
34
0.0703
0.8191

Por otro lado, la representacin de los residuos de la regresin no muestra,

aparentemente, indicios de heterocedasticidad:

2.5
2.0
1.5
1.0
0.5
0.4

0.0

0.2
0.0
-0.2
-0.4

Residual

10

12
Actual

14

16

18

Fitted

III.B.- Estimacin de White

El propio E-Views ofrece la posibilidad de utilizar una estimacin corregida a partir de
una ponderacin realizada con los residuos obtenidos del contraste de White. Esta
opcin est disponible en la pantalla del men de estimacin de la ecuacin, dentro de la
opcin Options:

Cuando se hace esto, se obtiene para nuestro ejemplo la siguiente estimacin:

Dependent Variable: GID
Method: Least Squares
Date: 03/02/06 Time: 16:14
Sample: 1 18
Included observations: 18
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable

Coefficient

C
VENTAS
BENEFICIOS

-139.3921
0.012558
0.239862

R-squared
Adjusted Rsquared
S.E.
of regression
Sum squared
residlikelihood
Log
Durbin-Watson
stat

0.524535
0.461139
27204.69
1.11E+10
-207.7006
3.173929

Std. Error
Statistic
6783.051
0.014446
0.244817

t-

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Pro
b.
0.98
0.39
84
0.34
27
30568.
37060.
02
23.4111
8
23.559
57
8.2740
23
0.00378

Puede comprobarse que los parmetros obtenidos en la regresin no difieren de los

iniciales pero, sin embargo, s lo hace su precisin (su Std. Error) y, por tanto, sus
estadsticos de significatividad individual. En nuestro caso, la precisin del parmetro
relativo a las ventas es menor si se utiliza la correccin de White mientras que sucede lo
contrario para el caso de la variable beneficios.