You are on page 1of 7

Universidad Carlos III de Madrid

César Alonso ECONOMETRIA

HETEROCEDASTICIDAD*

Índice
1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. El modelo de regresión lineal con heterocedasticidad . . . . . . . . . . . . . 2.1. Propiedades del estimador MCO . . . . . . . . . . . . . . . . . . . . . 2.1.1. Insesgadez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.2. Consistencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2. La varianza del estimador MCO . . . . . . . . . . . . . . . . . . . . . 2.3. Consecuencias sobre los estimadores de variables instrumentales . . . 3. Inferencia Robusta a la heterocedasticidad: Propuesta de White o de EikerWhite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 2 3 3 3 4 4 5

*

Este material está basado en material previo elaborado por María Arrazola y José de Hevia.

Tanto en el contexto de datos de sección cruzada como de datos de series temporales es habitual encontrar situaciones con HETEROCEDASTICIDAD.1. algunos estudiantes mecanografían fatal y otros lo hacen bastante bien. Si construyéramos un grá…co mostrando los errores tipográ…cos cometidos por los estudiantes con respecto a las horas acumuladas de mecanografía.Capítulo 14 de Goldberger Capítulo 8 de Wooldridge 1. Ejemplos Supongamos que 100 estudiantes se apuntan a una clase de mecanografía. Supongamos que algunos han escrito a máquina antes y otros no lo han hecho nunca. El término heterocedasticidad se re…ere a aquella situación en que la varianza de Y condicional a las variables del modelo no es constante para los distintos valores de las X ’ s. Al acabar la primera clase. 1 . 1. veríamos que la dispersión de los errores tipográ…cos disminuye a medida que la variable explicativa (el número de horas acumuladas de mecanografía) aumenta La diferencia en los errores cometidos entre el mejor y el peor de la clase será probablemente más pequeña después de la última clase que después de la primera clase. Introducción El análisis de muchos fenómenos económicos exige relajar el supuesto de HOMOCEDASTICIDAD (varianza condicional del error constante) que se hace en el modelo de regresión clásico.

X ) y 1 E (X ) 1 = V (X ) 1X (X ) HETEROCEDASTICIDAD 2 . 2. El modelo de regresión lineal con heterocedasticidad Sin pérdida de generalidad. Probablemente. de manera que veremos poca dispersión en el gasto de alimentación para dichas familias. destinando su renta a otros usos. Por el contrario. la dispersión en el gasto en alimentación para diferentes niveles de renta aumente con la renta. cabe esperar que algunas familias ricas gasten mucho en alimentación y que otras familias ricas con preferencias diferentes gasten mucho menos en alimentación.Supongamos que tenemos datos de renta y de gasto en alimentación para un número grande de familias. consideraremos el caso del modelo de regresión simple: Y = donde: E ("jX ) = 0 ) E (Y jX ) = ) y: V ("jX ) = V (Y jX ) = Veremos que: 2 0 0 0 + 1X +" + = E (Y ) = P LO(Y jX ) C (Y. Si representamos en un grá…co el gasto en alimentación frente a la renta es de esperar que encontremos heterocedasticidad. Las familias pobres tienen menos ‡ exibilidad en su nivel de gasto en alimentación.

1. Consistencia Sabemos que P i xi yi b1 = P = 2 i xi 3 1 n 1 n P i x i yi P . 1 2. Centrémonos en el análisis de la estimación de 1. Propiedades del estimador MCO ¿Qué propiedades tendrá el estimador de MCO en este contexto?. i xi Dado que P i ci =0y P P E (b1 jXi ) = E ( i ci Yi jXi ) = i ci E (Yi jXi ) P = i ci ( 0 + 1 Xi ) = 1 E (b1 ) = ) Insesgadez P i ci Xi = 1.MCO es insesgado y consistente. Insesgadez P xi Sabemos que b1 = i ci Yi . La existencia de heterocedasticidad no afecta a las propiedades de insesgadez y de consistencia.1.1. tenemos que: Por tanto.2. con ci = P 2 . 2. incluso en ausencia de homoscedasticidad.1. Los errores estándar de las estimaciones basados en la expresión convencional son sesgados e inconsistentes en presencia de heteroscedasticidad. Supongamos que tenemos una muestra aleatoria. 2 i xi . 2. (y por tanto no podemos utilizarlos para hacer inferencia).

Consecuencias sobre los estimadores de variables instrumentales Al igual que en el caso del estimador MCO. 2. la propiedad de consistencia no se ve afectada por la presencia de heterocedasticidad. P = E ( i x2 i) 2. 4 .2. P P = V ( i ci Yi jXi ) = i c2 i V (Yi jXi ) 1 P 2 2 P 2 2 i xi i = i ci i = P 2 ( i x2 ) "P i # 2 2 x i i i ) V (b1 ) = E P 2 ( i x2 i) 2 b Por tanto. La varianza del estimador MCO P 1 p l m C (X. lo que invalida también toda inferencia basada en dicho estimador de la varianza. en este contexto. E…ciencia: MCO no es. La importancia del “sesgo” dependerá de la magnitud de la Heterocedasticidad. dado que los supuestos sobre la varianza no se utilizan para derivar la propiedad de consistencia.3. Y ) i xi yi n P p l m b1 = = = 1 2 V (X ) p l m n i xi 1 ) Consistencia V (b1 jXi ) = Nótese que esta expresión no es la habitual.Por tanto. la expresión convencional de la varianza de este estimador es incorrecta. No obstante. la construcción de intervalos de con…anza y la contrastación de hipótesis que se realiza a partir de la expresión habitual V b1 = 2 2 b 1 no son válidas. el Estimador Lineal Insesgado de Mínima Varianza.

puede llevarse a cabo la construcción “aproximada” de intervalos de con…anza y la contrastación "P # de 2 2 i xi i hipótesis. empleando la propuesta de estimación para 2 de P b = E 2 1 ( i x2 i) White o de Eiker-White. vamos a centrarnos formalmente en el caso del estimador MCO. No obstante. o errores estándar consistentes a heterocedasticidad.3. 1). y a partir de resultados asintóticos. Inferencia Robusta a la heterocedasticidad: Propuesta de White o de Eiker-White Nótese que en general desconocemos la forma que tiene 2 i. es decir: Los errores estándar de los estimadores calculados de esta forma se conocen como errores estándar robustos. Esta propuesta es aplicable tanto para el estimador MCO como para estimadores de variables instrumentales. ( i xi ) P i 1 en donde b "i son los residuos de MCO del modelo. 5 . La principal ventaja es que no precisa conocer el patrón que caracteriza la heterocedasticidad. La propuesta consiste en calcular b b1 = V b2 b = P 2 2. En cualquier caso. o errores estándar de Eicker-White. Se puede demostrar que: b 1 sP 1 2 2 "i i xi b P 2 ( i x2 i) "2 x2 ib i b " i = Yi bi = Yi Y (b0 + b1 Xi ) e N (0.

es decir Se puede emplear este resultado para construir intervalos de con…anza y realizar contrastes de hipótesis como se hace habitualmente. 6 . no tiene sentido considerar el error estándar de la regresión o el R2 como medidas de bondad del ajuste. la mayor parte de los programas econométricos incorporan con la estimación MCO o de VI la opción de errores estándar robustos a heterocedasticidad. En la práctica. puesto que sólo tienen sentido en un contexto homocedástico. b 1 1 sb1 e N (0. 1). Importante: dado que en presencia de heterocedasticidad la varianza condicional de Y no es constante.