Heterocedasticidad

Econometría

Econometría Heterocedasticidad 1 / 28
Indice

1 Heterocedasticidad
Denición. Aspectos generales
Estimadores robustos
Pruebas de heterocedasticidad
Mínimos cuadrados ponderados
Mínimos cuadrados generalizados factibles

Econometría Heterocedasticidad 2 / 28
Heterocedasticidad

La homocedasticidad no se satisface cuando la varianza de los no

observables varía en los diversos segmentos de la población, donde los
segmentos están determinados por los diversos valores de las variables
explicativas.
Por ejemplo, en una ecuación del ahorro, habrá heterocedasticidad si la
varianza de los factores no observados que afectan el ahorro aumenta con
el ingreso.
La homocedasticidad es necesaria para justicar las pruebas t y F usuales y
los intervalos de conanza para la estimación por MCO del modelo de
regresión lineal.

Econometría Heterocedasticidad 3 / 28
Consecuencias de la heterocedasticidad

La heterocedasticidad no ocasiona sesgo.

La heterocedasticidad no ocasiona inconsistencia.
La interpretación de las medidas de bondad de ajuste, R 2 y R̄ 2 , no se
ven afectadas.

El supuesto de homocedaticidad se utiliza para derivar los estimadores de la

varianza de β̂MCO . Por lo tanto, si se viola la homocedasticidad,
Los estimadores de la varianza de β̂MCO son sesgados.
Lo anterior hace que dejen de ser válidos los intervalos de conanza y
los estadísticos t y F . Se invalida toda la inferencia.
Los estimadores β̂MCO dejan de ser ecientes. Ya no son estimadores
MELI, se violan los supuestos de Gauss-Markov.

Econometría Heterocedasticidad 4 / 28
Inferencia robusta

La inferencia robusta se basa en ajustar los errores estándar y los

estadísticos t y F de manera que sean válidos en presencia de
heterocedasticidad de la forma desconocida.
Sea el siguiente modelo,
yi = β0 + β1 xi + ui .
El estimador de MCO se puede expresar como,
Pn
1 (xi − x̄)ui
β̂1 = β1 Pi=
n 2
,
i=1 (xi − x̄)
bajo los supuestos RLM.1 a RLM.4, y condicionando sobre las x 0 s , tenemos
− x̄)σi2
Pn
i=1 (xi
(1)


Var β̂1 = .
STCx2
Si asumimos homocedasticidad, σi2 = σ 2 y la Var β̂1 = σ 2 /STCx .

De (1) vemos que la fórmula para la varianza obtenida bajo

homocedasticidad, en presencia de heterocedasticidad ya no es válida.
Econometría Heterocedasticidad 5 / 28
Estimador robusto de White

Se necesita una manera de estimar la Var β̂1 ( ecuación (1)) en presencia

de heterocedasticidad.
Siendo ûi los residuales

de la regresion de MCO de y sobre x , un estimador
válido de la Var β̂1 para heterocedasticidad de cualquier forma
(incluyendo homocedasticidad), viene dado por,
− x̄)ûi2
Pn
i=1 (xi
.
STCx2
En el caso de regresión múltiple tenemos,
Pn 2 2
i=1 rˆij ûi
ˆ β̂j = (2)


Var ,
STCj2
donde rˆij denota el i-ésimo residual de regresar xj sobre el resto de las
variables independientes, y SRCj es la suma de residuales cuadrados de esa
regresión.
La raíz cuadrada de (2) son los errores estándar robustos a
heterocedasticidad.
Econometría Heterocedasticidad 6 / 28
Ejemplo

En este caso, las variables son estadísticamente signicativas tanto

bajo homocedasticidad como bajo heterocedasticidad.
No necesariamente los ee(β̂) robustos van a ser mayores.
No sabemos si los errores son heterocedasticos!
Econometría Heterocedasticidad 7 / 28
Consideraciones

Si los errores estándar robustos también son válidos bajo homocedasticidad,

para qué utilizar los errores estándar de MCO?

Si el supuesto de homocedasticidad se satisface y los errores están

distribuidos normalmente, los estadísticos t usuales tienen
distribuciones t exactas, sin importar el tamaño de muestra.
Con tamaños de muestra pequeños, el estadístico t robusto puede
tener distribuciones que no estén muy próximas a la distribución t y
que podrían echar a perder la inferencia.
Son resultados válidos para muestras grandes.
Es usual que se presenten ambas estimaciones (robustas y no robustas)

Econometría Heterocedasticidad 8 / 28
Pruebas de heterocedasticidad

Se el siguiente modelo lineal,

y = β0 + β1 x1 + . . . + βk xk + u. (3)
Los supuestos RLM.1 a RLM.4 se mantienen, en particular
E (u|x1 , . . . , xk ) = 0.
La hipotesis nula (homocedasticidad) viene dada por,
H0 : Var (u|x1 , . . . , xk ) = σ 2 .
Dado que, Var (u|x) = E (u 2 |x), entonces,
H0 : E (u 2 |x1 , . . . , xk ) = E (u 2 ) = σ 2 .
Con objeto de probar la violación del supuesto de homocedasticidad, se
prueba si u 2 está relacionada (en valor esperado) con una o más de las
variables explicativas.
Si H0 es falsa, el valor esperado de u 2 , dadas las variables independientes,
puede ser prácticamente cualquier función de xj .
Econometría Heterocedasticidad 9 / 28
Prueba de Breusch-Pagan

Un método sencillo es suponer una función lineal,

u 2 = δ0 + δ1 x1 + . . . + δk xk + v , (4)

donde E (v |x1 , . . . , xk ) = 0. Los estimadores MCO de (4) son insesgados.

La variable dependiente de esta ecuación es el cuadrado del error en la
ecuación de regresión original (3).

La hipótesis de homocedasticidad implica,

H0 : δ1 = δ2 = . . . = δk = 0.

La hipótesis anterior podría evaluarse con la prueba F o ML. De qué

manera?

Econometría Heterocedasticidad 10 / 28
Dado que u no es observable, reemplazamos u en (4) por su estimador û .

û 2 = δ0 + δ1 x1 + . . . + δk xk + v .

Siendo Rû22 el R 2 del modelo anterior, tenemos,

Rû22 /k
F =
(1 − Rû22 )/(n − k − 1)

Este estadístico F tiene (aproximadamente) una distribución Fk, (n−k−1)

bajo la hipótesis nula de homocedasticidad.
Otra alternativa es utilizar el estadístico ML que también se utiliza para
pruebas de signicancia global, el estadístico viene dado por,

ML = nRû22 .

Bajo la hipótesis nula, ML se distribuye asintóticamente como χ2k .

A este último estadístico (ML) se lo conoce como la prueba de
Breusch-Pagan para heterocedasticidad.

Econometría Heterocedasticidad 11 / 28
Ejemplo

Econometría Heterocedasticidad 12 / 28
Prueba de White

El supuesto de homocedasticidad, Var (u|x1 , . . . , xk ) = σ 2 , puede ser

sustituido por el supuesto más débil de que el error cuadrado, u 2 , no está
correlacionado con ninguna de las variables independientes (xj ), ni con los
cuadrados de las variables independientes (xj2 ), ni con ninguno de los
productos cruzados (xj xh para j 6= h).
La prueba de White es una extension de la de Breusch-Pagan donde se
incorporan el cuadrado de las variables explicativas y sus productos
cruzados.
Siendo un modelo de k = 3 variables explicativas,

û 2 =δ0 + δ1 x1 + δ2 x2 + δ3 x3 + δ4 x12 + δ5 x22 +

δ6 x32 + δ7 x1 x2 + δ8 x2 x3 + δ9 x3 x1 + error .

Se puede usar la prueba ML o la F para probar que todas las δj (menos el

intercepto) son cero.
Econometría Heterocedasticidad 13 / 28
Esta abundancia de regresores es una debilidad de la forma pura de la
prueba de White.
Es posible obtener una prueba que sea más fácil de realizar que la de White
y que preserve mejor los grados de libertad.
Los valores ajustados de yi son funciones lineales de las variables
explicativas,
ŷi = βˆ0 + β̂1 xi 1 + . . . + β̂k xik .
Si los valores ajustados se elevan al cuadrado, se obtiene una función
particular de todos los cuadrados y productos cruzados de las variables
independientes.
û 2 = δ0 + δ1 ŷ + δ2 ŷ 2 + error .
Se puede probar H0 : δ1 = δ2 = 0 con la prueba ML o la F .

Econometría Heterocedasticidad 14 / 28
La validez de las pruebas de heterocedasticidad presentadas anteriormente
dependen del cumplimiento de los supuestos RLM.1-RLM.4.
Si se viola el RLM.4, en particular si la E (y |x) esta mal especicada,
entonces una prueba para heterocedasticidad puede rechazar H0 , aún
cuando var (y |x) sea constante.
Por ejemplo, si en un modelo de regresión se omiten uno o más términos
cuadráticos o se utiliza el modelo lineal cuando debe utilizarse el
logarítmico, una prueba para la heterocedasticidad puede ser signicativa.
Existen pruebas para evaluar la correcta especicación del modelo. Lo
adecuado sería, primero evaluar la especicación y luego la
heterocedasticidad.

Econometría Heterocedasticidad 15 / 28
Mínimos cuadrados ponderados

Supongamos que,
Var (u|x) = σ 2 h(x),
donde x hace referencia a el conjunto de variables explicativas y h(x) > 0
es una función conocida de las variables explicativas.
Dada una muestra aleatoria de la población, puede escribirse,

σi = Var (ui |xi ) = σ 2 h(xi ).

√
Qué sucede si divido√ al error heterocedastico, ui , por hi ?
Por un lado, E (ui / hi |xi ) = 0 y por otro, condicionando sobre x ,

E (ui / hi )2 = E (ui2 )/hi = (σ 2 hi )/hi = σ 2 .

 p 

Mi error original u , que era heterocedastico lo puedo transformar en un

nuevo error con media condicional cero y homocedastico.
Econometría Heterocedasticidad 16 / 28
Sea la ecuación original (con errores heterocedasticos),

yi = β0 + β1 xi 1 + . . . + βk xik + ui . (5)

Dividiendo la ecuación (5) por hi , tenemos

yi /hi = β0 /hi + β1 (xi 1 /hi ) + . . . + βk (xik /hi ) + (ui /hi ),

(6)
yi∗ = β0∗ + β1 xi∗1 + . . . + βk xik∗ + ui∗ .

Esta última ecuación, que es una transformación de (5), tiene errores

homocedasticos.
Es importante notar que, los parámetros, a excepción de β0 , son los
mismos en (6) que en (5). Solo cambian las variables explicativas.

Econometría Heterocedasticidad 17 / 28
La ecuación transformada (6) tiene las siguientes características,
Es lineal en sus parámetros.
Los datos provienen de un muestreo aleatorio.
ui∗ tiene media cero y varianza constante σ 2 , condicional sobre xi∗ .
Si ui tiene una distribución normal, entonces ui∗ tiene una distribución
normal con varianza σ 2

Con lo anterior tenemos que, si el modelo original satisface los supuestos

del modelo lineal clásico (excepto homocedasticidad), entonces el modelo
transformado también los satisface y ademas es homocedastico.
Con esto, podemos estimar los parámetros de (6) con MCO y obtener
estimadores MELI. De manera que tenemos estimadores MELI de los
parámetros de (5), excepto de la ordenada al origen.
A su vez podemos realizar toda la inferencia (test t , F e intervalos de
conanza).

Econometría Heterocedasticidad 18 / 28
Ejemplo I

Sea la siguiente función de ahorro,

savi = β0 + β1 inci + ui .
Var (ui |inci ) = σ 2 inci .

Aquí, h(x) = h(inc) = inc : la varianza del error es proporcional al nivel de

ingreso (inc). Esto signica que, a medida que aumenta el ingreso,
aumenta la variabilidad en el ahorro.
La ecuación transformada viene dada por,
p p p p
savi / inci = β0 / inci + β1 inci + ui / inci .

Si estimamos los parámetros de la ecuación anterior con MCO, vamos a

obtener un estimador MELI de β1 (impacto del ingreso sobre el ahorro
medio) y vamos a poder realizar toda la inferencia.

Econometría Heterocedasticidad 19 / 28
Ejemplo II

Ahora se estiman las ecuaciones que explican la riqueza nanciera total

neta (nettfa, medida en miles de dólares) en términos del ingreso (inc ,
también medido en miles de dólares) y de algunas otras variables, como
edad, género, y un indicador de si la persona es elegible para un plan de
pensiones 401(k).

Se dan los errores estándar de MCO robustos a la heterocedasticidad. Los

coecientes estimados de mínimos cuadrados ponderados y sus errores
estándar se obtienen bajo el supuesto var (u|x) = σ 2 inc .

Econometría Heterocedasticidad 20 / 28
Utilizando los residuales de MCO obtenidos de la regresión de MCO
reportada en la columna (1), la regresión de û 2 sobre inc da un estadístico
t de 2.96. ¾Debería preocuparnos la heterocedasticidad?
Econometría Heterocedasticidad 21 / 28
MCG factibles

Siendo √ g (.) = var (u|x) = σ 2 h(.), en MCP mostramos

p que
var (ui /phi ) = σ 2 , pero si hubiésemos dividido por σ 2 hi tendríamos que
var (ui / σ 2 hi ) = 1.
En ambos casos las varianzas son constantes, con lo cual, para lograr
errores homocedasticos es igual dividir por h(.) que por g (.).
En la mayoría de los casos, la forma exacta de heterocedasticidad no es
obvia. Es decir, es difícil encontrar la función g (.) = σ 2 h(.). En MCP
asumimos que h(.) es conocida.
En muchos casos puede modelarse la función g (.), luego, reemplazando
ĝ (.) por g (.) se obtienen los estimadores de Mínimos Cuadrados
Generalizados Factibles (MCGF).

Econometría Heterocedasticidad 22 / 28
Hay muchas maneras de modelar la heterocedasticidad, un método
particular y bastante exible viene dado por,

Var (u|x) = σ 2 exp(δ0 + δ1 x1 + . . . + δk xk ), (7)

en este caso tenemos que h(x) = exp(δ0 + δ1 x1 + . . . + δk xk ).

pause Dada la ecuación (7) y sabiendo que E (u 2 |x) = Var (u|x) tenemos
que,
u 2 = σ 2 exp(δ0 + δ1 x1 + . . . + δk xk )v ,
donde v es un error con media condicional igual a 1.

Econometría Heterocedasticidad 23 / 28
Linearizando tenemos que,

log (u 2 ) = α0 + δ1 x1 + . . . + δk xk + e, (8)

e tiene media condicional cero y es independiente de las x 0 s , con lo cual los

parámetros del modelo anterior se pueden estimar con MCO. Es importante
notar que lo que vamos a estimar es g (x) = σ 2 h(.), no solo h(.).
ˆ (u 2 ) y
Una vez estimado el modelo (8) obtenemos los valores ajustados, log
reemplazando tenemos,
ˆ (u 2 ))
ĝ (.) = exp(log

Reemplazando h(.) por ĝ (.) en el estimador de MCP obtenemos los

estimadores de MCPF.

Econometría Heterocedasticidad 24 / 28
Consideraciones

Una alternativa útil para estimar h(.) es sustituir las variables

independientes de la regresión (8) por los valores ajustados de MCO y
sus cuadrados, es decir, haciendo una regresión de log (u 2 ) contra ŷ y
ŷ 2 .

Si conocemos h(.) los estimadores de MCP son MELI.

Si tenemos que estimar g (.), los estimadores de MCGF dejan de ser

insesgados, pero siguen siendo consistentes y son asintóticamente mas
ecientes que MCO.

Las estimaciones de MCGF se utilizan en lugar de las de MCO debido

a que los estimadores de MCGF son más ecientes y tienen
estadísticos de prueba con las distribuciones t y F usuales, por lo
menos en muestras grandes.

Econometría Heterocedasticidad 25 / 28
Se puede utilizar la ecuación (8) para probar la existencia de
heterocedasticidad, se la conoce como prueba de Park. Es mas
restrictiva que la de Breusch-Pagan o White.

Al calcular el estadístico F se debe utilizar los mismos ponderadores

tanto para el modelo restringido como para el no restringido. Los
ponderadores se obtienen del modelo no restringido.

Una diferencia signicativa entre los estimadores de MCO y MCP

puede indicar una mala especicación de la forma funcional en E (y |x).

Econometría Heterocedasticidad 26 / 28
Función de heterocedasticidad incorrecta

Si E (u|x) = 0, entonces ninguna función

p de x está correlacionada con
u y por tanto, el error ponderado
p u/ h(x) no está correlacionado con
los regresores ponderados, xj / h(x) para cualquier función h(x) que
sea siempre positiva.
Esto implica que, si var (u|x) = σ 2 h(x) está mal especicada, los
estimadores de MCP van a seguir siendo insesgados y consistentes.

Si la función no se conoce y hay que estimarla (MCGF) no se puede

asegurar que los estimadores sean insesgados, pero si consistentes (ya
sea que la función de la varianza esté o no bien especicada).

Los errores estándar y los estadísticos de prueba usuales de MCP ya

no son válidos, incluso en muestras grandes. Pero se pueden usar los
estimadores robustos de White.

Econometría Heterocedasticidad 27 / 28
Si la función de la varianza está mal especicada, no hay garantía de
que sea más eciente que MCO.

En casos de una fuerte heterocedasticidad, suele ser mejor usar una

forma incorrecta de heterocedasticidad y emplear MCGF que ignorar
por completo la heterocedasticidad y usar MCO. En este caso, la
inferencia sobre el modelo de MCGF la podemos hacer utilizando los
estimadores robustos de White.

Econometría Heterocedasticidad 28 / 28