Você está na página 1de 27

Ao de la consolidacin del Mar de Grau

UNIVERSIDAD NACIONAL
HERMILIO VALDIZN
FACULTAD DE CIENCIAS ECONMICAS
E. A. P. ECONOMA

TEMA

HETEROSCEDASTICIDAD: QU PASA SI LA VARIANZA


DEL ERROR NO ES CONSTANTE?

ASIGNATURA:
Econometra II
DOCENTE:
Castro Cspedes, Jlio
RESPONSABLES:
Villavicencio Salvador, Rosmeri

HUANUCO - PERU
2016

EJERCICIOS DEL CAPITULO 11


EJERCICIO 11.1.
Establezca si las siguientes afirmaciones son verdaderas, falsas o
inciertas y comente sus razones brevemente:
a) En presencia de heteroscedasticidad, los estimadores de MCO son
sesgados e ineficientes.
FALSO: Porque en presencia de heteroscedasticidad los estimadores de MCO
siguen siendo insesgados y consistentes, pero ya no tienen varianza mnima,
es decir, ya no son eficientes.
b) Si hay heteroscedasticidad, las pruebas convencionales t y F son invlidas.
VERDADERO. Porque dado que Var no es mnima los intervalos de confianza
tienden a ser innecesariamente grandes y las pruebas t y F tienden a ser
imprecisas.
c) En presencia de heteroscedasticidad, el mtodo de MCO habitual siempre
sobreestima los errores estndar de los estimadores.
VERDADERO: Porque la caracterstica ms sobresaliente de estos resultados
es que los MCO, con o sin correccin por heteroscedasticidad, sobreestiman
consistentemente

el

verdadero

error

estndar

obtenido

mediante

el

procedimiento MCG, especialmente para valores grandes de , con lo cual se


establece la superioridad de MCG.
d) Si los residuales estimados mediante una regresin por MCO exhiben un
patrn sistemtico, significa que hay heteroscedasticidad en los datos.
VERDADERO: Porque si el residuo al cuadrado nos da un valor mayor que
cero

nos

presenta

heteroscedasticidad.

un

patrn

sistemtico

significa

que

existe

e) No hay una prueba general de heteroscedasticidad que no est basada en


algn supuesto acerca de cul variable est correlacionada con el trmino de
error.
FALSO: Porque no existe una prueba que nos seale especficamente que
variable explicativa est relacionada con el trmino de perturbacin, sino que
ms bien nos dan pruebas generales para detectar heteroscedasticidad.
f) Si el modelo de regresin est mal especificado (por ejemplo, si se omiti
una variable importante), los residuos de MCO mostrarn un patrn claramente
distinguible.
VERDADERO: Es verdadero porque al omitiruna variable que tiene relevancia
terica en el modelo se va a distinguir claramente un patrn sistemtico, ya
que los residuos van a presentar un gran peso por la variable omitida.
g) Si una regresora con varianza no constante se omite (incorrectamente) de
un

modelo,

los

residuos

(MCO)

sern

heteroscedsticos

VERDADERO: Es verdadero porque si se omite una variable que tiene


varianza no constante, esta va a seguir presente en el modelo a travs del
trmino de perturbacin y seguir siendo heteroscedstica
EJERCICIO 11.2.
En una regresin de salarios promedio (W, $) sobre el nmero de
empleados (N) de una muestra aleatoria de 30 empresas se obtuvieron los
siguientes resultados: *
w
^

=7.5 + 0.009N

t = n.a. (16.10)

R2

= 0.90

w
^ /N = 0.008 + 7.8(1/N)
t = (14.43) (76.58)

a) Cmo interpreta las dos regresiones?

R2 =0.99

i) Dado un incremento unitario en el nmero de empleados se estima


que los salarios promedio tambin se incrementar en 0.009 dlares, es
decir existe una relacin directa entre los salarios promedio y el nmero
de empleados, por tanto si se incrementa el nmero de empleados
tambin se incrementarn los salarios promedios y viceversa.
ii) Como observamos en la segunda regresin podemos darnos cuenta
que el autor trata de corregir la heteroscedasticidad dividiendo el modelo
para la variable estocstica con lo cual el modelo mejora ya que se
obtiene un coeficiente de determinacin mayor y las pruebas t de
significancia individual se incrementan.
b) Qu est suponiendo el autor al pasar de la ecuacin (1) a la (2)?
Estaba preocupado por la heteroscedasticidad? Cmo se sabe?
El autor al pasar de la ecuacin (1) a la (2) supone que existe
heteroscedasticidad y por la misma razn trata de corregir este problema
dividiendo la regresin para la variable heteroscedstica a travs del
mtodo de Mnimos Cuadrados Generalizados que es capaz de producir
estimadores que son MELI.
c) Puede relacionar las pendientes y los interceptos de los dos
modelos?
El coeficiente de interseccin en Eq. (1) es el coeficiente de la pendiente
Eq. (2) y el pendiente coeficiente en Eq. (1) es la interseccin en Eq. (2).
d) Puede comparar los valores de R2 de los dos modelos? Por qu?
NO las variables dependientes en los dos modelos no son lo mismo
EJERCICIO 11.3
a) Puede estimar los parmetros de los modelos mediante el mtodo de
mnimos cuadrados ordinarios? Por qu?
1+ 2 X + V t
^
W t
1

1+ 2 X + V t
^
W t
2
1

RESPUESTA
NO estos modelos no son lineales en el parmetro y no se puede ser estimado
por MCO.
b) Si la respuesta es negativa, puede sugerir un mtodo informal o
formal de estimacin de los parmetros de tales modelos? (Vase el
captulo 14.)
Que estn especializados no-lineales procedimientos de clculo. Discutir este
tema en captulo de modelos de regresin lineal.
Informalmente, podemos estimar los parmetros de un proceso de ensayos y
error.
EJERCICIO 11.4.
Aunque los modelos logartmicos como el de la ecuacin (11.6.12) a
menudo reducen la heteroscedasticidad, se debe prestar cuidadosa
atencin a las propiedades del trmino de perturbacin de estos modelos.
Por ejemplo, el modelo

Yt =

1+ X 1 2 u1

(1)

Puede escribirse como


ln Yi = ln 1 + 2 ln Xi + ln ui . (2)
RESPUESTA.
a) Si ln ui tiene valor esperado cero, cul debe ser la distribucin de ui?
Si expresa este modelo en trminos logartmicos,
tendr ln ui como el trmino de perturbacin en el lado derecho.
b) Si E(ui) = 1, ser E (ln ui) = 0? Por qu?
No. E\\n(ui)] = [In(I)] = 0. Pero E [In(iu)] debido a la concavidad propiedad de
transformacin logartmica. La expectativa del registro de una variable aleatoria

es menor que el registro de su esperanza a menos que que la variable tiene


una variable cero, en cuyos casos son iguales.
c) Si E (ln ui) es diferente de cero, qu puede hacer para volverlo cero?
Deje que.

por cierto, aviso que no queremos una estimacin directa de

EJERCICIO 11.5.

Muestre que 2 de (11.3.8) tambin se expresa como.

y var ( 2 ) dada en (11.3.9) tambin se expresa como

Donde
medias ponderadas

representa las desviaciones en relacin con las


definidas como

RESPUESTA.
Esta es una ecuacin de sustituirla definicin y la simplificacin
EJERCICIO 11.6.
Con propsitos pedaggicos, Hanushek y Jackson estiman el siguiente
modelo:

Ct = 1 + 2PNBt + 3Dt + ui . (1)

Donde Ct _ gasto agregado de consumo privado en el ao t, PNBt = producto


nacional bruto en el ao t y Dt =gastos de defensa nacional en el ao t, con el
objetivo de estudiar el efecto de los gastos de defensa sobre otros gastos en la
economa. Los autores postulan que

= 2 (PNBt )2, luego transforman (1)

y estiman.

Ct/PIBt _ 1 (1/PIBt) + 2 + 3 (Dt/PIBt) + ut/PIBt (2)


Los resultados empricos basados en la informacin de 1946 a 1975 fueron los
siguientes (errores estndar entre parntesis): *
^
C
t =26.19

(2.73)
Ct/PNBt =

+ 0.6248 PNBt
(0.0060)

0.4398 Dt
R 2 = 0.999

(0.0736)

25.92 (1/PNBt) + 0.6246 0.4315 (Dt/PNBt)

(2.22)

(0.0068)

R2 =

(0.0597)

0.875
RESPUESTA.
a) Qu supuesto hacen los autores sobre la naturaleza de la
heteroscedasticidad? Puede justificarlo?
La suposicin es que la varianza del error es proporcional al cuadrado del PIB.
Que se describe en la postulacin. Los autores hacen de este supuesto al
observarlos dataos a travs del tiempo y observar esta relacin.
b) Compare los resultados de las dos regresiones. La transformacin
del modelo original mejora los resultados, es decir, reduce los errores
estndar estimados? Por qu?
Los resultados son esencialmente lo mismo. Aunque los errores estndar de
dos de los coeficientes son inferiores es el segundo modelo. Este se puede
tomar

como

justificaciones

empricas

de

la

transformacin

de

heterocedasticidad.
c) Puede comparar los dos valores de R2? Por qu? (Sugerencia:
Examine las variables dependientes.)

NO. El R2 Trminos puede no ser directamente comparados. Las variables


dependientes en los modelos no son lo mismo.

EJERCICIO 11.7.
Consulte las regresiones estimadas (11.6.2) y (11.6.3). Los resultados de
la regresin son muy similares. A qu se debe esta conclusin?
RESPUESTA.
Como se ver en el problema 11.13. La Bartlett prueba demuestra que no
existe no era un problema de heterocedasticidad en este conjunto de datos.
Por lo tanto, este diagnstico no es sorprendente.
EJERCICIO 11.8.
Pruebe que si wi = w, una constante, para cada i,

idnticos, as como sus varianzas.


RESPUESTA.
Sustituyendo Wl = w (11.3.8) obtenemos:

La igualdad de las varianzas se puede demostrar de manera similar.


EJERCICIO 11.9
Consulte las frmulas (11.2.2) y (11.2.3), y suponga que
2

t =

2 kt

^
2

son

Donde 2 es una constante y kt son ponderaciones conocidas, no


necesariamente todas iguales.
Con este supuesto, muestre que la varianza dada en (11.2.2) se expresa como

El primer trmino del miembro derecho es la frmula de la varianza dada en

(11.2.3), es decir, var ( 2 ) con homoscedasticidad. Qu puede decir sobre

^
la naturaleza de la relacin entre var ( 2 ) con heteroscedasticidad y con
homoscedasticidad? (Sugerencia: Examine, en la frmula anterior, el segundo
trmino del miembro derecho.) Puede derivar alguna conclusin general
sobre las relaciones entre (11.2.2) y (11.2.3)?
RESPUESTA.
En la ecuacin. (11.2.2) tenemos:

Sustituir

= 2k, en la ecuacin anterior obtenemos 0

El primer trmino de la ecuacin es la varianza en eq. (11.2.3) por lo tanto

Entonces la varianza heteroscedasticidad dado anteriormente es mayor que 2


>
Homoscedasticos varianza. En este caso. La varianza homocesdasticos
subestimar la varianza heteroscedasticidad de inflado las estadsticas y F. uno
no puede sacar conclusiones generales debido a que su resultado se basa en
una forma especfica de heterocedasticidad.

Ejercicio 11.10
En el modelo
Y i= 2 X i+ ui ( Nota : No hay intercepto )
u
se lesinforma que var ( i)= 2 X 2i +. demuestre que

X 21

2 X 4i
^
var ( 2 ) =

RESPUESTA
De anexar de 3A. 3 y 6A. 1, tenemos T.X2 var(w)

X 21

2 X 4i
^
var ( 2 ) =

Dado que var(ui) = obtenemos:


X 2i 2 X 2i 2 X 4i

^
var ( 2 ) =
=
2
2
( X 2i )
( X 2i )
Ejercicio 11.11
Con la informacin de la tabla 11.1. Efecte la regresin de la
remuneracin salarial promedio Y sobre la productividad promedio X, y
considere el tamao de la planta laboral como unidad de observacin.
Interprete sus resultados y vea si estn de acuerdo con los presentados
en (11.5.3).
Los resultados de la regresin ya estn en 11.5.3. Si aumenta la productividad
media por un dlar, en promedio, la indemnizacin aumenta en unos 23
centavos.

a) De la regresin anterior, obtenga los residuos

u^i

RESPUESTA
Los residuos de esta regresin son el siguiente:
-775,6579, -205,0481, 165,8512,. 199,3785, 183,9356, 54,6657,
150,6239, 112,8410, 113,4100
b) Segn la prueba de Park, efecte la regresin de ln

2
u^i

i sobre ln Xi y

verifique la regresin (11.5.4).


RESPUESTA
Esta es una cuestin de fcil verificacin.
c) Segn el mtodo de Glejser, efecte la regresin de |ui | sobre Xi y
luego la regresin de |u i| sobre Xi Comente sus resultados.
RESPUESTA
Los resultados de la regresin son los siguientes:
|u^i|=407,34550.0203 X
t=( 0.6433 ) (0.3013 ) r 2=0.0128

|u^i|=757.29763.07097 X i
t=( 0.4479 ) (0.2787 ) r 2=

0.0109

Como se demuestran estos resultados, hay pocas pruebas de


heterestocidasticidad sobre la base de las pruebas Glejser.
d) Encuentre la correlacin de orden entre |ui| y Xi, y comente sobre la
naturaleza de la heteroscedasticidad presente en los datos, si existe.
RESPUESTA
Si estas es una categora la absoluta los residuos de bajo a alto valor Y,
de la misma forma las cifras de la productividad promedio rango de baja
a alto valor y calcular el coeficiente de correlacin de Spearman en
(11.5.5) se puede observar que este coeficiente es de aproximadamente

-0.5167. Mediante la frmula dada en t (11.5.6), el valor de t es de


aproximadamente .0, 8562. Este valor de t no es estadsticamente
significativa: el 5% valor critico de 7 gl es 2.447. En valor absoluto. Po lo
tanto, sobre la base de la Rank teste de correlacin, no tenemos ningn
motivo para esperar heterostacidad.
Ejercicio 11.12
La tabla 11.6 presenta informacin sobre la razn ventas/efectivo en las
industrias manufactureras de Estados Unidos, clasificadas por tamao de
activos del establecimiento de 1971-I a 1973-IV. (Informacin trimestral.)
La razn ventas/efectivo puede considerarse una medida de la velocidad
del ingreso en el sector empresarial, es decir, el nmero de veces que
circula un dlar.
RESPUESTA
a) Por cada tamao de activos, calcule la media y la desviacin estndar
de la razn ventas/efectivo.
b) Grafique el valor de la media frente a la desviacin estndar obtenida en
a), con el tamao de activos como unidad de observacin.

c) Con un modelo de regresin apropiado, determine si la desviacin


estndar de la razn se incrementa con el valor de la media. De no ser
as, cmo interpreta el resultado?
RESPUESTA

Los resultados de la regresin son los siguientes:


Sty=0.99100.0650 significa
t=( 0.3756 ) (0.1795 ) r 2 =0.0064
Dado que la pendiente del coeficiente no es estadsticamente diferente
de cero, no hay ninguna relacin sistemticamente las dos variables,
que pueden ser vistos en la figura (a)
d) Si hay una relacin estadsticamente significativa entre los dos, cmo
transformara

la

informacin

de

manera

que

no

haya

heteroscedasticidad?
RESPUESTA
No hay necesidad de ninguna transformacin, porque no hay una
relacin sistemtica entre el promedio de ventas o relacin de efectivo y
la desviacin estndar las distintas clases de activos.
Ejercicio 11.13.
Prueba de homogeneidad de varianza de Bartlett.* Suponga que hay k
varianzas mustrales independientes

s 21 , s22 , , s 2k con f1, f2,..., fk gl, cada

una proveniente de poblaciones normalmente distribuidas con media y


varianza
2

2i . Suponga adems que deseamos probar la hiptesis nula


2

H 0= 1= 2 == k = ; es

decir,

cada

varianza

muestral

es

una

estimacin de la misma varianza poblacional 2.


Si la hiptesis nula es verdadera, entonces
k

f i s2i f s 2
1 i
S 2= i=1
=
f
fi
Constituye una estimacin de la estimacin comn (agrupada) de la
varianza poblacional 2, donde fi = (ni 1), con ni como el nmero de
k

observaciones en el i-simo grupo y donde

f = f i
i=1

Bartlett demostr que la hiptesis nula se prueba por la razn A/B,


distribuida aproximadamente como la distribucin 2 con k 1 gl, donde.
A=f s 2 (f i s2i )
B=1+

1
3(k 1)

1 1
(
( f ) f )

Aplique la prueba de Bartlett a los datos de la tabla 11.1 y verifique que no


se puede rechazar la hiptesis de que las varianzas poblacionales de la
remuneracin salarial son las mismas para cada tamao de la planta
laboral del establecimiento, en el nivel de significancia de 5%.
Nota: fi, los gl para cada varianza maestral, es 9, pues ni para cada
muestra (es decir, clase de empleados) es 10.
RESPUESTA
Utilizando la prueba de Bartlett, el valor %2 s 6.6473, cuyo valor de p es
0.5748.
Ejercicio 11.14.
Considere el siguiente modelo de regresin a travs del origen:

Yi _ Xi + ui, para i = 1, 2
Se tiene que u1 N (0, 2) y u2 N (0, 22), y que son estadsticamente
independientes. Si X1 = +1 y X2 = 1, obtenga la estimacin por mnimos
cuadrados ponderados (MCP) de y su varianza. Si en esta situacin
supuso de manera incorrecta que la dos varianzas de los errores son
iguales (por ejemplo, iguales a 2), cul sera el estimador de MCO de
?, y su varianza? Compare estas estimaciones con las obtenidas por el
mtodo de MCP. Qu conclusin general deduce?
RESPUESTA
Utilizando la formula (11.3.8) sobre la ponderacin de los mnimos cuadrados,
puede ser demostrando que:
^= 1 ( 2 Y 1Y 2 ) y var ( ^ )= 2 2
3
3
Si utilizamos la operacin, luego del ejercicio (6.1.6), obtenemos:
^=

Xi Y i

2
i

Y 1=Y 2 1
= ( Y 1 =Y 2 )
2
2

Y usando el ejercicio (6.1.7), obtenemos

var ( ^)=

1
= 2
X 2
2
i

Al comparar las dos estimaciones, veamos que los mnimos cuadrados


ponderados sea un 2/3 y 1/3 a Yx a Y2, mientras que la operacin de igual
peso a los dos Y observaciones. La variacin de la pendiente estimador es muy
media ponderada de los mnimos cuadrados que en el Sudan.
Ejercicio 11.15.
La tabla 11.7 proporciona datos sobre 81 automviles respecto de su MPG
(millas promedio por galn), CF (caballos de fuerza de su motor), VOL
(pies cbicos de su cabina), VM (velocidad mxima en millas por hora) y
su PS (peso del vehculo en cientos de lb).
a) Considere el siguiente modelo:
MPGi = 1 + 2VMi + 3CFi +4PSi + ui
Estime los parmetros de este modelo e interprete los resultados. Desde
el punto de vista econmico, tiene sentido?
RESPUESTA
Los resultados de la regresin son las siguientes:
MPG i=189.95971.2716 Pi + 0.3904 HP i1,9032 WT i
se= ( 22.5287 )( 0.2331) ( 0.0762 ) ( 0.1855 )
t=( 8.4318 ) (5.4551 ) (10.2593 )
2

R =0.8828
Como era de esperar, MPG se relaciona de forma positiva y
negativamente a HP relacionadas con la velocidad y el peso.
b) Esperara que la varianza del error en el modelo anterior sea
heteroscedstica? Por qu?
RESPUESTA
Ya que se trata de uno los datos transversales de una diversidad de
coches, a priori uno puede esperar la heteroscedasticidad.
(Ic) Regresin el cuadrado de los residuos obtenidos a partir del modelo
se muestra en (a) en los tres regresores, su cuadrado, y sus trminos de

producto, obtenemos un valor de RI 0.3094. Multiplicando este valor por


el nmero de observaciones (=81), obtenemos 25,0646, que bajo la
hiptesis nula de que no hay la heteroscedasticidad tiene la distribucin
Chi Cuadrado con 9 y 1 (3 regresores, 3 al cuadrado los regresores, 3
tres trminos de productos). El valor de p de la obtencin de un valor de
Chi cuadrado de 25,0646 o superior (bajo la hiptesis nula) es 0.0029,
que es muy pequeo. Por lo tanto, debemos rechazar la hiptesis nula.
Es decir, hay heteroscedasticidad.
c) Con la prueba de White determine si la varianza de error es
heteroscedstica.
RESPUESTA
No existe una formula sencilla para determinar la naturaleza exacta de
heteroscedasticidad el presente caso. Tal vez se podra hacer algunas
suposiciones sencillas y probar diferentes transformaciones. Por
ejemplo, si se considera que el culpable variable es HP, y si
consideramos que la varianza del error es proporcional al cuadrado de
HP, podramos dividir a travs de Hp y ver qu sucede. Por supuesto,
cualquier otra regresor es un posible candidato para la transformacin.
d) Obtenga los errores estndar de White consistentes con la
heteroscedasticidad, as como los valores t, y compare los resultados
con los obtenidos mediante MCO.
RESPUESTA
Variable dependiente: MGP Mtodos Cuadrados.
Muestra: 181
Incluyo observaciones: 81
Blanco heteroscedasticidad consistent errores estndar y covarianza

Cuando se compara los resultados con los resultados de los MOC, usted
encontraras que los valores de los coeficientes estimados son los
mismos, pero sus variaciones y errores estndar son diferentes. Como

puede ver, el error estndar de la pendiente estimada todos los


coeficientes es mayores en el blanco.
Procedimiento, por lo tanto, son los ms bajos, lo que sugiere que la
operacin haba subestimado los errores estndar. Todo esto podra ser
debido a la heteroscedasticidad.
e) Si se establece heteroscedasticidad, cmo puede transformar los datos
de manera que en los datos transformados la varianza del error sea
homoscedstica? Muestre los clculos necesarios.
RESPUESTA
No existe una formula sencilla para determinar la naturaleza exacta de
heteroscedasticidad el presente caso. Tal vez se podra hacer algunas
suposiciones sencillas y probar diferentes transformaciones. Por
ejemplo, si se considera que el culpable variable es HP, y si
consideramos que la varianza del error es proporcional al cuadrado de
HP, podramos dividir a travs de Hp y ver qu sucede. Por supuesto,
cualquier otra regresor es un posible candidato para la transformacin.
Ejercicio 11.16.
Gasto alimentario en India. En la tabla 2.8 se proporcionaron datos sobre
el gasto en alimentos y el gasto total de 55 familias de India.
a) Haga la regresin del gasto alimentario sobre el gasto total y examine
los residuos obtenidos en dicha regresin.
RESPUESTA:
Los resultados de la regresin son los siguientes:
Variable dependiente: FOODEXP

b) Grafique los residuos obtenidos en el inciso a) contra el gasto total y


verifique si existe algn patrn sistemtico
RESPUESTA:

Parece que como el gasto total aumente el valor absoluto de las


desviaciones tambin aumento, quizs forma no lineal.
c) Si la grfica del inciso b) sugiere heteroscedasticidad, aplique las
pruebas de Park, Glejser y White para determinar si la sensacin
respecto de la heteroscedasticidad observada en b) se sustenta con
estas pruebas.
RESPUESTA:
(IC) PRUEBA PARQUE.

Habida cuenta de que la estimacin pendiente coeficiente es


significativo, el parque confirma la heteroscedasticidad.
PRUEBA GLEJSER

De la pendiente estimada coeficiente es estadsticamente significativo,


GLEJER prueba tambin sugiere la heteroscedasticidad.
TEST DE WHITE

Si se multiplican los r squared valor por 55, y la hiptesis nula es que


no hay heteroscedasticidad, el producto resultante de 7,3745 sigue la
distribucin Chi Cuadrado con 2gl y el valor de p de tal valor de Chi
Cuadrado es aproximadamente 0.025, que es pequeo. Asi pues, al
igual que en el Parque Glejer y pruebas, el test de White sugiere
tambin la heteroscedasticidad.
d) Obtenga

los

errores

estndar

de

White

consistentes

con

la

heteroscedasticidad y comprelos con los errores estndar de MCO.


Decida si vale la pena corregir este ejemplo a causa de la
heteroscedasticidad.
RESPUESTA:
La heteroscedasticidad de resultados corregidos son las siguientes:

En comparacin con los resultados de la regresin OLS en (a), no hay


mucha diferencia en el error estndar de la pendiente, aunque el
coeficiente error estndar de la ordenada ha disminuido.
Si esta diferencia vale la pena molestarse, es difcil de decir. Pero, a
menos que se nos vaya a travs de este ejercicio, no sabemos cmo
grande o pequeo es la diferencia entre el blanco y la operacin de los
procedimientos.
Ejercicio 11.17.
Repita el ejercicio 11.16, pero en esta ocasin efecte la regresin del
logaritmo del gasto alimentario sobre el logaritmo del gasto total. Si
observa heteroscedasticidad en el modelo lineal del ejercicio 11.16 pero

no en el modelo log-lineal, a qu conclusin llega? Muestre todos los


clculos necesarios.
RESPUESTA
Los resultados de la regresin son las siguientes:

El parque, Glejser y blanco del test aplicado a los residuos obtenidos de la


regresin doble registr no mostro evidencia de heteroscedasticidad.
Este ejemplo muestra que transformacin logartmica a menudo pueden reducir
la heteroscedasticidad. Por lo tanto, la forma funcional en el que un modelo de
regresin se expresa puede ser crucial para determinar si existe o no la
heteroscedasticidad.
Ejercicio 11.18.
Un atajo de la prueba de White. Como mencionamos en el texto, la prueba
de White consume grados de libertad si existen varias regresoras y se
introducen todas las regresoras, sus trminos cuadrados y sus productos
cruzados. Por consiguiente, en vez de estimar las regresiones como la
(11.5.22), por qu no simplemente efecta la siguiente regresin?
2
2
u^1=1 +2 Y^i +2 Y^i + v 1

Donde Yi son los valores estimados Y (es decir, la regresada) de


cualquier modelo que se calcule. Despus de todo, Yi es tan slo el
promedio ponderado de las regresoras, donde los coeficientes estimados
de la regresin sirven como ponderaciones.
Obtenga el valor R2 de la regresin anterior y utilice (11.5.22) para probar
la hiptesis de que no existe heteroscedasticidad.
Aplique la prueba anterior al ejemplo de gasto alimentario del ejercicio
11.6.
RESPUESTA
El cuadrado de los residuos de la regresin de gasto en alimentos sobre el
importe total de los gastos fueron los primeros obtenidos, denota por Ri 2, a

continuacin se ha perdido en el pronstico y previsin al cuadrado valor


obtenido a partir de la regresin de gasto en alimentos sobre el gasto total. Los
resultados fueron los siguientes:

Multiplicando el anterior R2 por 55, obtenemos 7,3745. Bajo la hiptesis nula de


que no hay la heteroscedasticidad, este valor se ajusta a la distribucin Chi
cuadrado con 2gl. El valor de p de la obtencin de un valor del Chi Cuadrado
de en la medida de lo 7,3745 o mayor es de unos 0.025, que es bastante
pequea. Po lo tanto la conclusin es que la varianza del error es
heteroscedasticidad.
Se puede demostrar que si el procedimiento anterior se aplica al cuadrado de
los criterios obtenidos de la regresin del logaritmo del gasto en alimento sobre
el registro de los gastos totales, no hay evidencia de heteroscedasticidad.
Ejercicio 11.19.
Reconsidere el ejemplo sobre I y D de la seccin 11.7. Repita ese ejemplo
con las ganancias como la regresora. A priori, esperara que los
resultados fuesen diferentes de los que utilizan las ventas como
regresoras?, por qu?
RESPUESTA
No hay ninguna razn para creer que los resultados sern diferentes porque
las ganancias y las ventas estn altamente correlacionados, como puede verse
enla siguiente regresin de ganancias de las ventas.

Ejercicio 11.20.

La tabla 11.8 proporciona datos sobre la mediana de los salarios de


catedrticos en estadstica que laboraron en centros universitarios de
investigacin de Estados Unidos durante el ao acadmico 2007.
a) Grafique la mediana de los salarios respecto de los rangos de aos
(como medida de los aos de experiencia). Para propsitos de la
grfica, suponga que la mediana de los salarios est referida al punto
medio del rango de aos correspondiente. Por consiguiente, el salario
de $124 578 del rango 4-5 est referido a 4.5 aos del rango
correspondiente, y as sucesivamente. Para el ltimo grupo, suponga
que el rango es 31-33.
RESPUESTA:

Tal como se muestra en esta figura, con aumentos de sueldo promedio


aos de graduacin, pero no lineal.
b) Considere los siguientes modelos de regresin:

Donde Y = mediana del salario, X = ao en el rango (medido como el


punto medio del intervalo), y u y v son los trminos de error. Puede
justificar por qu el modelo (2) sera preferible al modelo (1)? A partir de
estos datos, estime los modelos.
RESPUESTA:
De la cifra indicada en (a) parece que modelo (2) puede ser ms
apropiado, que se corresponde tambin con la teora econmica del
capital humano.
Los resultados de los modelos lineales cuadrtica son los siguientes

c) Si observa heteroscedasticidad en el modelo (1) pero no en el modelo


(2), a qu conclusiones llega? Muestre los clculos necesarios.
RESPUESTA:

La heteroscedasticidad de White prueba aplicada al modelo (1) se


demostr que no haba evidencia de heteroscedasticidad. El valor de
nR2 de la regresion auxiliar del cuadrado de los residuos es 11,4108 con
un valor de p de 0.0033, lo cual sugiere una fuerte heteroscedasticidad.
Cuando el mismo se aplic la prueba con el modelo (2), n R 2 fue
7.6494, con ap valor de 0.0538, lo que sugiere que no hay
heteroscedasticidad al nivel del 5%. Pero este valor es tan cerca del
nivel del 5% que uno podra sospechar la heteroscedasticidad leve en el
modelo, aunque la posibilidad de error en la especificacin no puede
descartarse.
d) Si observa heteroscedasticidad en el modelo (2), cmo puede
transformar los datos de manera que en el modelo transformado no
existiera heteroscedasticidad?
RESPUESTA:
Suponiendo que la varianza del error es proporcional al cuadrado de la
experiencia, no hemos dividido modelo (1) a travs de X y obtener los
siguientes resultados:

El modelo se sometio a prueba la heterocedasticidad de White, no hubo


pruebas de heterocedasticidad.
Ejercicio 11.21.
Tiene la siguiente informacin:
SCR1 basado en las primeras 30 observaciones = 55, gl =25
SCR2 basado en las ltimas 30 observaciones = 140, gl = 25
Realice la prueba de heteroscedasticidad de Goldfeld-Quandt en el nivel
de significancia de 5%.
RESPUESTA:
La estadstica de prueba,

El 5% crticos de F de 25gl en el numerador y en el denominador es de 1.97,


dado que el valor estimado de 2,5454 supera este valor crtico, rechazar la
hiptesis nula de homocedasticidad.
Ejercicio 11.22.
La tabla 11.9 presenta informacin acerca de los precios de acciones (Y) y
los precios al consumidor (X) expresados en cambios porcentuales
anuales para un corte transversal de 20 pases.
a) Grafique los datos en un diagrama de dispersin.
RESULTADO:
El grafico es la siguiente.

b) Efecte la regresin de Y sobre X y examine los residuos de esta


regresin. Qu observa?
RESULTADO:
Los resultados de la regresin son los siguientes:
Variable

coeficiente

est. Error

t-statistic

prob.

4,610280

1,084906

4,249478

0,0005

0,757433

0,149941

5,051559

0,0001

R-cuadrado.

0,583380

Los residuos de esta regresin cuando se trazan con X mostro la


siguiente imagen.

Un residual que pertenece a chile, domina el otro residuo


c) Como los datos de Chile parecen atpicos, repita la regresin en b) sin la
informacin sobre Chile. Ahora examine los residuos de esta regresin.
Qu observa?
RESULTADO:
No incluye la observacin de chile, los resultados de la regresin fueron
los siguientes:
Variable

coeficiente

est. Error

t-statistic

prob

R-cuadrado = 0,009262
Como se puede ver en (a) el pendiente coeficiente fue muy significativa,
pero en esta regresin no lo es. Ver como solo un punto extremo, un
caso atpico, ya que puede distorsionar los resultados de la regresin. El
cuadrado de los residuos de esta regresin cuando se traza contra X
mostro el siguiente grfico.

d)

Si, con base en los resultados de b), concluye que hubo


heteroscedasticidad en la varianza del error, pero con base en los
resultados de c) modifica este resultado, qu conclusiones generales
obtiene?
RESULTADO:
Comparando los grficos residuales en las letras (b) y (c), vemos que
una vez Chile se retire de los datos existe poca relacin entre Y y X por
lo tanto, cualquier aspecto de la heteroscedasticidad es falsa.