PROBANDO LA HETEROCEDASTICIDAD

EN EL PROGRAMA DE EVIEWS
DATOS:

Table 11.5

R&D Expenditure in the USA, 1988 ($,millions)

Table 11.5

SALES RD PROFITS

6375,3 62,5 185,1

11626,4 92,9 1569,5
14655,1 178,3 276,8
21869,2 258,4 2828,1
26408,3 494,7 225,9
32405,6 1083 3751,9
35107,7 1620,6 2884,1
40295,4 421,7 4645,7
70761,6 509,2 5036,4
80552,8 6620,1 13869,9
95294 3918,6 4487,8
101314,1 1595,3 10278,9
116141,3 6107,5 8787,3
122315,7 4454,1 16438,8
141649,9 3163,8 9761,4
175025,8 13210,7 19774,5
230614,5 1703,8 22626,6
293543 9528,2 18415,4
GRAFICA:
utilidades
24,000

20,000

16,000

12,000

8,000

4,000

0
2 4 6 8 10 12 14 16 18

Interpretacin:

Para las diferentes agrupaciones que estn indexadas del 1 al 18, donde por
ejemplo 18 es la industria de automotores, la industria 10 por ejemplo es salud y la
industria 2 es industrias financieras no bancarias, por definicin esta base de datos
es heterognea como se puede observar en la grfica.

Interpretacin:

Parece que se estn cumpliendo los supuestos del modelo de regresin lineal. El
valor t parece ser estadsticamente significativas, pero an no sabemos si son
heterocedasticos o no.
50,000,000

40,000,000
UGORRO^2

30,000,000

20,000,000

10,000,000

0
0 4,000 8,000 12,000 16,000 20,000 24,000

utilidades

Interpretacin:

Se puede observar que para el diferente nivel de utilidades que se observa es que
el ugorro crece.
Prueba White:

Interpretacin:

Vemos que la test de White bajo la hiptesis nula de que esto es homocedastico.
Las observaciones por la r cuadrada de este modelo se distribuyen asintticamente
como una ji-cuadrada.

Comparamos el valor de ji-cuadrado= 5.99 con 13.7 y como 13.7 > 5.99 entonces
rechazamos la Ho de homocedasticidad, decimos que hay evidencia de
heterocedasticidad.
Errores consistentes bajo heterocedasticidad

Interpretacin:

Cuando estamos usando el mtodo de White aumenta creci de 0.08 aumentan a

0.14, decir estos errores del 0.14 y el 713.98 ya son los errores estndar correctos,
esos son los errores estndar de una matriz que ya es consisten, es decir que ya
converge en probabilidad al ver el verdadero valor poblacional cuando la muestra es
muy grande.

Esta matriz ya corrige el problema de heterocedasticidad, bajo esta especificacin ya

podemos hacer pruebas de hiptesis.