Professional Documents
Culture Documents
Econometria Economia
Curs 2020-2021
Facultat de Ciències Econòmiques i Empresarials
Universitat de Girona
Pertorbacions no esfèriques
Ø Pertorbacions no esfèriques
Ø Causes de l’heteroscedasticitat
Ø Conseqüències de l’heteroscedasticitat en el MQO
Ø Detecció de l’heteroscedasticitat
Ø Mètodes alternatius: MQG i MQP
Introducció Causes Conseqüències Detecció Mètodes
Si això no es compleix
Plantejament matricial
é y 1 ù é1 x 21 " x k1 ù é β 1 ù é u 1 ù
ê y ú ê1 x " x ú ê β ú êu ú
ê 2ú = ê 22 k2 ú ê 2 ú
+ê 2ú 𝒚 = 𝑿𝜷 + 𝒖
ê ! ú ê! ! ! ! úê ! ú ê ! ú
ê ú ê úê ú ê ú
ëy n û ë1 x 2n " x kn û ëβ k û ëu n û
Ø Supòsit 1: 𝐸 𝒖 = 𝟎
Ø Supòsits 2 i 3: Cov 𝒖 = 𝐸 𝒖𝒖$ = 𝜎 " 𝑰 𝐸 𝒖𝒖$ = 𝜎 " 𝜴 𝑠𝑖 𝜴 = 𝑰
Introducció Causes Conseqüències Detecció Mètodes
Homoscedasticitat
Pertorbacions esfèriques
Introducció Causes Conseqüències Detecció Mètodes
Heteroscedasticitat
Ø Autocorrelació
Ø Heteroscedasticitat i autocorrelació
𝐸 𝒖𝒖′ = 𝜎 -𝑰
𝐸 𝒖𝒖′ = 𝜎 -𝜴 𝑜𝑛 𝜴 ≠ 𝑰
Per la mateixa naturalesa de les dades, pot passar que la variància del
terme de pertorbació s’incrementi (o disminueixi) a mesura que
s’incrementa el valor d’un regressor o més d’un.
Introducció Causes Conseqüències Detecció Mètodes
> = 𝑿$ 𝑿
Estimadors MQO: 𝜷 %𝟏 𝑿$ 𝒚
Anem a veure què passa si 𝐶𝑜𝑣 𝑢 ≠ 𝜎!" 𝑰 i tenim que 𝐶𝑜𝑣 𝑢 = 𝜎!" 𝜴 amb
𝜴 ≠ 𝑰. Suposem que 𝒚 = 𝑿𝜷 + 𝒖 on 𝒖~𝑁 𝟎, 𝝈𝟐𝒖𝜴 .
Introducció Causes Conseqüències Detecció Mètodes
Tenim:
> tenim:
Llavors, utilitzant aquesta expressió alternativa per 𝛃
Estimadors continuen
sent no esbiaixats
Introducció Causes Conseqüències Detecció Mètodes
%* 𝑻
>−𝐸 𝜷
Sabem que 𝜷 > = 𝑿𝑻 𝑿 𝑿 𝒖:
Sabem que l’expressió 𝐶𝑜𝑣 𝜷 > = 𝜎!" 𝑿𝑻𝑿 %𝟏 calculada per MQO, i que
es correcta quan les pertorbacions són esfèriques, no serveix en el cas
d’heteroscedasticitat.
%𝟏 𝑻 " %𝟏𝑻 %𝟏 𝑻 %𝟏
> = 𝑿𝑻 𝑿
𝐶𝑜𝑣 𝜷 𝑿 𝜎! 𝜴𝑿 𝑻
𝑿 𝑿 = 𝜎!" 𝑻
𝑿 𝑿 𝑿 𝜴𝑿 𝑻
𝑿 𝑿 ≠ 𝜎!" 𝑰
Introducció Causes Conseqüències Detecció Mètodes
Ø Mètodes gràfics
Ø Gràfic dels residus respecte als valors previstos
heteroscedasticitat
homoscedasticitat
Introducció Causes Conseqüències Detecció Mètodes
Ø Mètodes gràfics
Ø Gràfic dels residus al quadrat respecte als valors previstos
Homoscedasticitat
Heteroscedasticitat
Introducció Causes Conseqüències Detecció Mètodes
Ø Contrastos d’heteroscedasticitat
Ø No hi ha un contrast universal per a l’heteroscedasticitat que
funcioni millor en totes les situacions possibles.
Ø Tots els contrastos que veurem tenen les mateixes hipòtesis:
Ø Contrastos d’heteroscedasticitat
Ø Contrast de Breusch-Pagan modificat per Coenders i Saez
Suposa que es possible expressar la variància del terme de
pertorbació com a combinació lineal de les variables explicatives.
Si tenim el model:
𝑦 = 𝛽* + 𝛽" 𝑥"# + ⋯ + 𝛽+ 𝑥+# + 𝑢#
Llavors, suposarem que:
𝑉𝑎𝑟 𝑢# = 𝜎!" = 𝛼* + 𝛼" 𝑥"# + ⋯ + 𝛼+ 𝑥+#
/& "
! /𝑻 𝒖
𝒖 /
𝑧!/"& = /'
on 𝜎U! =
0 .%+
més gran!!!!
Per tal que 𝒖∗ sigui una pertorbació homoscedàstica, cal que 𝑻𝛀𝑻$ = 𝑰.
Introducció Causes Conseqüències Detecció Mètodes
𝐸 𝒖∗ = 𝐸 𝑻𝒖 = 𝑻𝐸 𝒖 = 𝟎
𝒖∗ → 𝑁 𝟎, 𝜎$# 𝑰
Introducció Causes Conseqüències Detecció Mètodes
Així:
Introducció Causes Conseqüències Detecció Mètodes
Exercicis:
Ø Fer a casa i amb R els exercicis 2 i 3
Ø Fer exercicis 5, 8
Ø Fer exercicis 6, 9
Ø Fer la resta d’exercicis
Introducció Causes Conseqüències Detecció Mètodes
Maria A Barceló
Despatx: 204
Correu: antonia.barcelo@udg.edu
Tutories: a convenir prèviament per correu electrònic
Moltes gràcies!!!