Capitulo 6:

Heteroscedasticidad
Definicin y causas de heteroscedasticidad
Contrastes de heteroscedasticidad: White,
Goldfeld-Quandt y Breusch-Pagan
Estimacin por MCG

Informacin
Estos transparencias no son completas.
La idea con las transparencias es dar una
estructura general y asegurar que grficos
y ecuaciones estn reproducidos
correctamente.
Cada estudiante debe tomar notas
adecuadas para completar las
transparencias.

Definicin
Definicin: la varianza de la perturbacin
no es constante.

Ejemplo: ingresos gastos.

Causas
La naturaleza de la relacin entre las
variables
La transformacin de variables
La omisin de variables relevantes

Contrastes de heteroscedasticidad
Estructura general;
1. la hiptesis nula es homoscedasticidad.
2. la construccin est basada en los
residuos de la estimacin por MCO (sin
considerar la posible
heteroscedasticidad).

Contrastes de heteroscedasticidad

Contrastes de heteroscedasticidad
Goldfeld-Quandt
Puede ser til cuando la
heteroscedasticidad depende de una
nica variable.

Contrastes de heteroscedasticidad
Goldfeld-Quandt
1)
2)
3)
4)
V E2
GQ( F [n2 k , n1 k ])
V E1

H 0 : i2 u2

2
2
H
:

u xi
A i

Contrastes de heteroscedasticidad
Breusch-Pagan
Puede ser til cuando la
heteroscedasticidad depende de una
funcin de variables.

Contrastes de heteroscedasticidad
Breusch-Pagan
1)
2)

gi

g i 1 2 z2i ... p z pi vi

ei2
n

2
i

VE g ' g ( Z )' ( Z ) ' Z ' g g ' Z ( Z ' Z ) Z ' g

3)

VE
BP( [ p 1])
2
A

H 0 : i2 u2 1

2
H
:

A
i f (Z )

Contrastes de heteroscedasticidad
Breusch-Pagan (Koenker y Bassett, 1982)

e 1 2 z2i ... p z pi vi
2
i

VE
BP (m)( [ p 1]) m
m
A

1 N 2
m (ei n 1 ei2 ) 2
N i 1

H 0 : i2 u2 1

2
H
:

A
i f (Z )

VEm (u u i )' Z(Z' Z) Z' (u u i )

u (e12 , e22 ,..., en2 )

i 11 ,...1n

u e' e / n

Contrastes de heteroscedasticidad
White
Puede ser til cuando la
heteroscedasticidad depende de una
funcin de variables.

Contrastes de heteroscedasticidad
White
1)
2)
3)

j 2

j 2

e 1 j x ji j ( x ji ) 2 s ,t ( xsi xti ) vi
2
i

s ,t

2
2

H
:

2
2
0
i
u 1
W ( [ p 1]) NR*
2
H
:

A
i f (Z )

Estimacin por MCG: Mnimo

cuadrados ponderados
MCG ( X ' 1 X ) 1 X ' 1 y
var(
) 2 ( X ' 1 X ) 1
MCG

2
donde : 2 s MCG

e 1e

nk

Necesitamos saber

Estimacin por MCG: Mnimo

cuadrados ponderados
y X u , E (uu)
2

y* X * u* , E (u*u*) I
2

donde : y* Ty, X* TX, u * Tu

Estimacin por MCG: Mnimo

cuadrados ponderados
Perturbacin conocida: (Ejemplos)
(i ) i2 2 x 2i
(ii ) i2 2 x 22i
(iii ) i2 2 ( x 2i x3i )
k

(iv) i2 2 x ji
j 2

Estimacin por MCG: Mnimo

cuadrados ponderados
(1) la estructura de la varianza para (ii) es la matriz,
x22,1 0 0

2
x2 , 2 0
2
2 0
E (uu ' ) u

2
0 x2, N
0
(2) el caso de transformacin de variables, agregadas,
()
(3) el caso de transformacin de variables, promedios,
()

Estimacin por MCG: Mnimo

cuadrados ponderados
Con esta informacin se defina la matriz T
para transformar el modelo.
1 / x22,1

0
1 / x22, 2

2
1 / x2, N

1 / x2,1

Recuerda que T T 1 .

1 / x2 , 2

0
0

1 / x2, N

Estimacin por MCG: Mnimo

cuadrados ponderados
Estimador de mnimos cuadrados ponderados

wi xi xi '
i 1

donde

wx y

i 1

i i

1
wi 2
x 2 ,i

Observaciones con varianza ms pequea tiene

un peso mas elevada en la sumatoria y as
tambin en su influencia en el estimador.

Estimacin por MCG

Perturbacin desconocida: 1a etapa:
Estimar los parmetros de la funcin de la
varianza.
Estimar por MCO la regresin auxiliar ,
ei
ei2 1 2 x 2i vi
donde
representa
los residuos de la estimacin MCO del
modelo original, sin tener en cuenta la
posible heteroscedasticidad.

Estimacin por MCG

0
1 2 x2,1

0
1 2 x2, 2

0
0

1 2 x2, N

0
1 /(1 2 x2,1 )

0
1 /(1 2 x2, 2 )
1

0
0

1 / (1 2 x2,1 )

1 /(1 2 x2, N )

1 / (1 2 x2, 2 )
0

0
1 / (1 2 x2, N )

Estimacin por MCG

2a etapa: Aplica las formulas del
estimador MCG, es decir estimar la
relacin Ty TX Tu por MCO.
yi
1
x2 i
xki
ui
1
2
... k

1 2 x2i
1 2 x2i
1 2 x2,1
1 2 x2i
1 2 x2i

Estimacin por MCO: White

Se puede estimar el modelo por MCO y
corregir la varianza.
var( MCO ) 2 ( X ' X ) 1 X ' X ( X ' X ) 1
1 2

N(X ' X )
X ' X ( X ' X ) 1
N

e12

1 2

X ' X

0
2
2

0 e 0
1

X'
X

2
0 0 e N