Ayudantia

Econometria

Detección de Heterocedasticidad
Ayudante: Pedro González
Que es la Heterocedasticidad
 Estamos en presencia de
Heterocedasticidad,cuando la varianza del error
no es constante, debido a que un supuesto
importante del modelo de regresión lineal, es
que las perturbaciones que aparecen en la FRP
son homocedasticas, es decir todas tienen
igual varianza.
Que es la Heterocedasticidad

 Cual es la naturaleza de la
heterocedasticidad
 Supuesto importante del modelo de
regresión lineal es que la varianza de cada
termino de la perturbación ui, condicional a
los valores seleccionados desde las
variables explicativas es igual a la
varianza, este es el supuesto de
homocedasticidad.
Que es la Heterocedasticidad

 ¿Cuales son sus consecuencias?

 Estimación MCO considerando la
heterocedasticidad.
 Las pruebas t y F darán intervalos imprecisos
 Estimación MCO ignorando la
heterocedasticidad
 Existirá una subestimación o sobreestimación
 Test para detectar

Heterocedasticidad
Prueba de Park
 Sugiere utilizar como aproximación.
Si corremos la regresión considerando
υ i2 los residuos al cuadrado como
variable dependiente y los resultados son:
Betas resultan ser estadísticamente significativos, esto sugiere que
existe presencia de heterocedasticidad, en caso contrario se puede
aceptar el supuesto de homocedasticidad.
La prueba Park es un procedimiento de dos etapas:
5. Se debe efectuar la regresión MCO.
6. Se obtienen los residuos y se efectúa la regresión.
Para probar utilicemos la tabla 11.1 donde:
Y = β1 + β 2 X i + υ i
Y = compensación promedio en miles de dólares
x = productividad promedio en miles de dólares.
 Test para detectar
Heterocedasticidad
 Obtenemos los resultados de la regresión y
regresionamos el siguiente modelo:

Λ
ln υ i = β 1 + β 2 ln X i

Se debe revisar si los parámetros son estadísticamente significativos, si es

Así podemos sugerir que estamos en presencia de heterocedasticidad, de
Lo contrario sugeriremos que estamos cumpliendo el supuesto de
Homocedasticidad.
Resultados Regresión
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,661 a ,438 ,357 337,27438
a. Predictors: (Constant), ProdProm

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 619377,5 1 619377,506 5,445 ,052a
Residual 796278,0 7 113754,007
Total 1415656 8
a. Predictors: (Constant), ProdProm
b. Dependent Variable: CompProm

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1992,062 936,612 2,127 ,071
ProdProm ,233 ,100 ,661 2,333 ,052
a. Dependent Variable: CompProm
Regresión de los residuos
Λ2
ln µ = β1 + β 2 ln X i + µi
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate No existe una relación
1 ,245a ,060 -,074 1,46652 Estadísticamente
a. Predictors: (Constant), LNProdProm
Significativa entre las
ANOVAb Dos variables
Sum of
Model Squares df Mean Square F Sig.
,526a
Se puede concluir que
1 Regression ,959 1 ,959 ,446
Residual 15,055 7 2,151

No hay heterocedasticidad
Total 16,014 8
a. Predictors: (Constant), LNProdProm
b. Dependent Variable: lnred2
En la varianza del error
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 35,827 38,323 ,935 ,381
LNProdProm -2,802 4,196 -,245 -,668 ,526
a. Dependent Variable: lnred2
Test para detectar
Heterocedasticidad
 Prueba de Glejser
 Esta prueba es similar a la de Park, pero realiza la regresión
considerando la variable dependiente del valor absoluto de los
residuos.
 Geijser asume que los residuos, regresionados sobre la
variables x están muy asociados a la varianza.
 Al igual que park se debe revisar si los parámetros son
estadísticamente significativos.

Λ
υ I = β1 + β 2 X I
Prueba de Glejser
Model Summary
Se puede apreciar
Adjusted Std. Error of
Model R R Square R Square the Estimate Que no existe relación
1 ,113a ,013 -,128 228,01170
a. Predictors: (Constant), ProdProm
Entre el valor absoluto
De los residuos y
ANOVAb
La variable regresora,
Sum of
Model
1 Regression
Squares
4724,555
df
1
Mean Square
4724,555
F
,091
Sig.
,772a
La productividad
Residual
Total
363925,4
368649,9
7
8
51989,336
Promedio.
a. Predictors: (Constant), ProdProm
b. Dependent Variable: abserror

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 407,476 633,189 ,644 ,540
ProdProm -,020 ,068 -,113 -,301 ,772
a. Dependent Variable: abserror
 Test para detectar

Heterocedasticidad
Prueba Goldfeld-Quandt
 Supone que la varianza heterocedastica, esta relacionada positivamente con
una de las variables explicativas.
 Método
 Paso 1: Ordénese las observaciones de acuerdo a los valores de Xi
empezando por el valor mas bajo.
 Paso 2: omítanse las c observaciones centrales, donde c se ha especificado a
priori y divídanse las observaciones restantes (n-c) en dos grupos, cada uno
de (n-c)/2 observaciones.
 Paso 3: Ajústense las regresiones MCO separadas a las primeras (n-c)/2
observaciones y a las ultimas (n-c)/2 , y obtenga las sumas residuales al
cuadrado SRC1 y SRC2, SRC1 representa los valores mas bajos (varianza
mas baja) y SRC2 a los valores mas altos (grupo de varianza mas grande).
 Paso 4 Calcúlese la razón:

SRC2 / g  de  l
λ=
SRC1 / g  de  l
n − c − 2k
( ) g  de  l
2
Test Para detectar
Heterocedasticidad
 Prueba Goldfeld-Quandt
 Se ha supuesto que los residuos están normalmente
distribuidos y si el supuesto de homocedasticidad es
valido, entonces puede mostrarse que landa sigue la
distribución F con un numero de g de l en el numerador
y en del denominador iguales a (n-c-2k)/2
 Si el landa calculado es superior al F critico
correspondiente al nivel de significancia seleccionado se
puede rechazar la hipótesis de homocedasticidad, es
decir se puede afirmar que la presencia de
heterocedasticidad es muy probable.
 Para realizar un ejemplo utilicemos la tabla 11.3
 Ejemplo Goldfeld-Quandt
Regresión Primera Parte Regresión Segunda Parte
Model Summary
Model Summary
Adjusted Std. Error of
Adjusted Std. Error of
M odel R R Square R Square the Estimate
M odel R R Square R Square the Estimate
1 ,943a ,889 ,879 5,85558
1 ,876a ,768 ,747 11,81986
a. Predictors: (Constant), x3
a. Predictors: (Constant), x4

ANOVAb ANOVAb

Sum of Sum of
Model Squares df Mean Square F Sig. Model Squares df Mean Square F Sig.
1 Regression 3010,065 1 3010,065 87,788 ,000a 1 Regression 5088,893 1 5088,893 36,425 ,000a
Residual 377,166 11 34,288 Residual 1536,800 11 139,709
Total 3387,231 12 Total 6625,692 12
a. Predictors: (Constant), x3 a. Predictors: (Constant), x4
b. Dependent Variable: y3
b. Dependent Variable: y4

Coefficientsa
Coe fficie ntsa
Unstandardized Standardized
Coefficients Coefficients Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) Model B Std. Error Beta t Sig.
3,409 8,705 ,392 ,703
1 (Constant) -28,027 30,642 -,915 ,380
x3 ,697 ,074 ,943 9,370 ,000
x4 ,794 ,132 ,876 6,035 ,000
a. Dependent Variable: y3
a. Dependent Variable: y4
 Ejemplo Goldfeld-Quandt
 Grados de liberta
=11

SRC2 / g  de  l 1536.8 / 11

λ= = = 4.07
SRC1 / g  de  l 377.17 / 11

El F critico para 11 g de l a un nivel de significancia del 5% es de 2,82, puesto

Que el valor calculado excede al valor critico, se puede concluir que hay
Heterocedasticidad en la varianza del error.
Test para detectar
Heterocedasticidad
 Prueba Breusch-Pagan-Godfrey
 El éxito de la prueba anterior GQ depende no solo del
valor de c (observaciones centrales omitidas), sino
también de la identificación de la variable x correcta que
servirá de referencia para el ordenamiento de las
observaciones, esta limitación puede evitarse utilizando
este test.
 Paso 1: Estímese por MCO y obtenga los residuos.
 Paso 2: Obténgase Λ 2
u
σ2 =∑ i
n
 Paso 3: Constrúyanse las variables pi definidas como:

Λ
ui
pi = 2
σ
Test para detectar
Heterocedasticidad
 Paso 4:
 Regrésense los pi, así construidos sobre las Z
como:
pi = α i + α 2 Z 2i + .... + α ni Z ni + vi

 Paso 5:
 Obténgase la SEC (Suma explicada de los
cuadrados) de la regresión anterior y defínase

1
φ = ( SRC )
2
Test para detectar
Heterocedasticidad
 Suponiendo que los residuos están
normalmente distribuidos, se puede
mostrar que si hay homocedasticidad y si
el tamaño n de la muestra aumenta
indefinidamente, entonces: phi sigue una
distribución ji cuadrada con (m-1) grados
de libertad, si excede el valor critico de ji
cuadrado se puede rechazar la hipótesis
de homocedasticidad.
 Utilizar para el ejemplo la tabla 11.3
Ejemplo Breusch-Pagan-Godfrey
Paso 1 Regresión MCO
M ode l Summaryb

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,973 a ,947 ,945 9,18297
a. Predictors: (Constant), X2
b. Dependent Variable: Y2

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 41886,713 1 41886,713 496,718 ,000a
Residual 2361,153 28 84,327
Total 44247,867 29
a. Predictors: (Constant), X2
b. Dependent Variable: Y2

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 9,290 5,231 1,776 ,087
X2 ,638 ,029 ,973 22,287 ,000
a. Dependent Variable: Y2
 Ejemplo Breusch-Pagan-Godfrey
 Paso 2
2361,14
σ2 =∑ = 78.7046
30

 Paso 3 Obtener la variable p

 Paso 4 Regresión Utilizando p como dependiente
M ode l Summary ANOVAb

Adjusted Std. Error of Sum of

Model R R Square R Square the Estimate Model Squares df Mean Square F Sig.
1 ,419a ,176 ,146 1,32166 1 Regression 10,428 1 10,428 5,970 ,021 a
a. Predictors: (Constant), X2 Residual 48,910 28 1,747
Total 59,338 29
a. Predictors: (Constant), X2
b. Dependent Variable: p

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -,743 ,753 -,986 ,332
X2 ,010 ,004 ,419 2,443 ,021
a. Dependent Variable: p
Ejemplo Breusch-Pagan-
Godfrey
 Paso 5
1
φ = (10.428) = 5.214
2
Ji-Cuadrado al 5% 3.8414 y el valor de x2 critico al 1 % es de 6.6349
Por lo tanto el valor obtenido es significante al 5%, pero no al 1%
Test White
 Prueba General de White
 Paso 1: Obténgase los residuos u.
 Paso 2: Efectué la siguiente regresión auxiliar:
Λ2
µ = α 1 + α 2 X 2 i + α 3 X 3i + ν

 Obténgase R2 de esta regresión auxiliar

Test White
 Paso 3: Bajo la hipótesis no hay heterocedasticidad,
puede demostrarse que el tamaño de la muestra
multiplicado por R2, obtenido de la regresión auxiliar
asintoticamente sigue la distribución ji-cuadrada con g
de l igual al numero de variables regresoras,
excluyendo el termino constante, en la regresión
auxiliar es decir:
n*R ≈ χ 2 2
g  de  l
 Paso 4: Si el valor de ji-cuadrada excede el valor
critico del nivel de significancia seleccionado, la
conclusión es que hay heterocedasticidad