Hetero Parte2

OTROS MÉTODOS PARA DETECTAR HETEROCEDASTICIDAD
❖ El Coeficiente de Spearman es utilizado para muestras menores a 30

observaciones:
Pasos
1. Correr regresión por MCO
2. Obtener los errores
3. Obtener el orden de rango para la variable Xi que consiste en ordenar en

forma ascendente los valores de dicha variable. En caso de empate obtener la
media aritmética.
4. Obtener el orden de rango de e para los valores en forma absoluta siguiendo

el criterio del punto anterior.
5. Obtener las diferencias d y d2 restando a cada valor del orden de rango de Xi

el respectivo orden de rango de e en el valor absoluto.
6. Calcular el coeficiente de correlación de rango de Spearman mediante:
∑ 𝑑2
𝑟𝑠 = 1 − 6 | |
𝑛(𝑛2 − 1)
Calcular el estadístico t para n-k g.l.

𝑟𝑠√𝑛 − 𝑘
𝑡𝑐 =
√1 − 𝑟𝑠 2
Se evalúa bajo las siguientes hipótesis:
H0: p=0, homocedasticidad

H1: p≠0, heterocedasticidad
Regla de decisión: Si tc<tt entonces de acepta H0, es decir existe homocedasticidad.
Ejemplo:
X1 e Orden X1 Orden e d d2
7 7 -0.2381 7.5 3 4.5 20.25
6 5 -0.0245 6 1 5 25
5 4 -0.027 5 2 3 9
4 3 0.6679 4 6 -2 4
1 2 -0.2481 2 4 -2 4
2 2 0.3134 2 5 -3 9
3 2 1.2307 2 7 -5 25
8 7 -3.0958 7.5 9 -1.5 2.25
9 8 -1.7909 9 8 1 1
10 9 3.8393 10 10 0 0
Suma 99.5
Promedio (1+2+3)/3= 2
Promedio 7+8/2= 7.5
Calculamos el coeficiente de Spearman.
99.5
rs = 1 − 6 = 1 − 6 0.10050 = 1 − 0.630 = 0.39
10(99)
Se realiza la prueba estadística.
0.39 8 1.19
tc = = 1.19
1 − 0.1521
-2.3 2.3
Por lo tanto, dado que tc < tt, encontramos que las varianzas son homocedásticas.
❖ Prueba de Goldfeld y Quant.
Restringe la hipótesis alternativa, es decir la estructura de la heteroscedasticidad a

una relación monótona creciente o decreciente entre la varianza de las
perturbaciones y el valor de solamente una de los regresores o de los valores
estimados de la variable endógena. Por lo tanto, las hipótesis son:
HO :  22 =  2 hom oscedasticidad
H1 :  12 = H ( xij ) heterosced asticidad , donde h es una función monótona
H1 :  2 , 2 heterosced asticidad
Pasos:
1. Se ordenan las observaciones de todas las variables del modelo en forma

creciente.
2. Se dividen los datos ordenados en 3 subseries
:
N1 = la primera subserie 40% de las observaciones.
d = los desechos 20% de las observaciones.
N2 = la segunda subserie 40% de las observaciones.
3. Se eliminan los desechos de las observaciones centrales y se forman 2

grupos.
4. Se efectúan 2 regresiones por MCO una para cada subserie.
5. Obtener la suma residual de cuadrados para cada regresión para obtener la

varianza residual.
6. Efectuar el estadístico F
 2 mayor
F=
 2 menor
g. de l. numerador k-1
g. de l denominador n-k
Regla de decisión: Si Fc < Ft, entonces las varianzas presentan homocedasticidad,

en caso contrario presentan heterocedasticidad.
Ejemplo:
Gasto de Consumo Ingresos Totales
6.1 6.2 n1 = (0.4) (30) = 12
7 8.1 n2 = (0.4) (30) = 12
8 9.5 d = (0.2) (30) = 6
10.3 10.1
12.1 10.3
13.1 12.1 Subserie 1
13.3 13.5
14.8 14.1
15.2 14.1
15.3 16.4
17.9 18.2
18.6 19.2
19.8 20.1
19.9 21.5
20.1 22.3 Desechos
21.6 23.9
25 24.1
25.5 26.1
26.2 28.3
28.1 29
29.3 30.1
30.3 32.3
31.2 34.5
31.8 35.6
32.5 36.6 Subserie 2
33.1 38
33.5 40.2
38.6 40.3
38.8 43.3
40.7 44.7
Ahora procedemos a obtener las regresiones de cada subserie
Subserie 1 Subserie 2
0 0.148320 4.604082
1 0.987616 0.782747
Estimador
de la 1.112198 1.907695
Varianza
Como 1.907695 > 1.12198, tenemos entonces:
Calculamos el estadístico de prueba:
1.907695
F= = 1.71524682
1.112198
Ft = 4.2, por lo tanto, dado que Fc<Ft observamos homoscedasticidad en las

varianzas.
Cómo corregir la heteroscedasticidad
1. Eliminar la variable que presenta el problema si es posible:
2. Aplicar modelos semilogarítmo a Y.

Y =  0 + 1 x1 +  2 X 2
log Y =  0 + 1 x1 +  2 X 2
3. Aplicar doble logaritmo a las variables del modelo.

log Y =  0 + 1 log X 1 +  2 log X 2
4. Modificar el tamaño de la muestra.
5. Aplicar Mínimos Cuadrados Ponderados.
6. Mínimos cuadrados generalizados
Mínimos Cuadrados Ponderados
La ponderación consiste en dividir cada término del modelo entre la variable

independiente X y correr la regresión
Y =  0 + 1 x1 +  2 X 2 + t
Xi
Y   X 
= 0 + 1 + 2 2 + t
X1 X1 X1 X1
Por ejemplo, si tenemos que:
Y/X1 = -8.23
1/X1 = -0.22
X2/X1= 1.23
Sustituimos en el modelo, quedando así:

Y − 0.22 1.23 X 2 t
= + (−8.23) + +
X1 X1 X1 X1
Ahora Multiplicamos el modelo por X1 quedando así:
Una vez que tenemos el modelo realizamos nuevamente las pruebas de

heteroscedasticidad
Y − 0.22 1.23 X 2 t 
X 1  = + (−8.23) + + 
 X1 X1 X1 X 1 
Y = −0.22 − 8.23 X 1 + 1.23 X 2
Mínimos Cuadrados Generalizados
Este método de estimación supone que la matriz de varianza-covarianza de las

perturbaciones es una matriz conocida y calcula las estimaciones utilizando la
información que suministra la min e' ( −1
)
MCG  e = (Y − X MCG )'  (Y − X MCG )
ˆ −1 ˆ
misma. La función a minimizar
incorpora dicha información al introducir la matriz omega (Ω) como ponderación.
ˆMCG = (X '  −1 X ) (X '  −1Y )

−1
El resultado de la estimación:
Se demuestra que el estimador calculado cumple todas las propiedades del
estimador mínimo cuadrático en el modelo clásico, pues coincide con el estimador,
que se puede derivar transformando el modelo de regresión generalizado al modelo
de regresión que cumpla las hipótesis clásicas.

Hetero Parte2

Cargado por

Copyright:

Formatos disponibles

Hetero Parte2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Hetero Parte2

Cargado por

Copyright:

Formatos disponibles

OTROS MÉTODOS PARA DETECTAR HETEROCEDASTICIDAD

❖ El Coeficiente de Spearman es utilizado para muestras menores a 30

2. Obtener los errores

3. Obtener el orden de rango para la variable Xi que consiste en ordenar en

4. Obtener el orden de rango de e para los valores en forma absoluta siguiendo

5. Obtener las diferencias d y d2 restando a cada valor del orden de rango de Xi

6. Calcular el coeficiente de correlación de rango de Spearman mediante:

Calcular el estadístico t para n-k g.l.

Se evalúa bajo las siguientes hipótesis:

H0: p=0, homocedasticidad

Regla de decisión: Si tc<tt entonces de acepta H0, es decir existe homocedasticidad.

Calculamos el coeficiente de Spearman.

Se realiza la prueba estadística.

❖ Prueba de Goldfeld y Quant.

Restringe la hipótesis alternativa, es decir la estructura de la heteroscedasticidad a

H1 :  12 = H ( xij ) heterosced asticidad , donde h es una función monótona

1. Se ordenan las observaciones de todas las variables del modelo en forma

3. Se eliminan los desechos de las observaciones centrales y se forman 2

4. Se efectúan 2 regresiones por MCO una para cada subserie.

5. Obtener la suma residual de cuadrados para cada regresión para obtener la

Regla de decisión: Si Fc < Ft, entonces las varianzas presentan homocedasticidad,

Ahora procedemos a obtener las regresiones de cada subserie

Ft = 4.2, por lo tanto, dado que Fc<Ft observamos homoscedasticidad en las

1. Eliminar la variable que presenta el problema si es posible:

2. Aplicar modelos semilogarítmo a Y.

3. Aplicar doble logaritmo a las variables del modelo.

5. Aplicar Mínimos Cuadrados Ponderados.

6. Mínimos cuadrados generalizados

Mínimos Cuadrados Ponderados

La ponderación consiste en dividir cada término del modelo entre la variable

Por ejemplo, si tenemos que:

Sustituimos en el modelo, quedando así:

Una vez que tenemos el modelo realizamos nuevamente las pruebas de

Mínimos Cuadrados Generalizados

Este método de estimación supone que la matriz de varianza-covarianza de las

ˆMCG = (X '  −1 X ) (X '  −1Y )

También podría gustarte