Pertorbacions no esfèriques

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

Supòsits sobre el terme de pertorbació:

1.- Donat el valor de X, la mitjana o valor esperat del terme de

pertorbació aleatori ui és igual a 0.
E (ui | X i ) = 0 "i
2.- Donat el valor de X, la variància de ui és la mateixa per a totes les
observacions.
Va r(ui | X i ) = s u2 "i

3.- No existeix autocorrelació entre les pertorbacions.

Cov(ui , u j | X i , X j ) = 0 "i ¹ j

4.- Els termes de pertorbació aleatòria es distribueixen segons una

llei normal, 𝑢~𝑁 0, 𝜎!" .
Introducció Causes Conseqüències Detecció Mètodes

Homoscedasticitat: Variància constant dels termes de pertorbació.

Esperem uns valors positius, altres negatius, però al voltant de 0

Esperem que no existeixi cap patró de comportament sistemàtic dels 𝑢#
Esperem una distribució uniforme amb la mateixa dispersió

Si això no es compleix

Ø Incompliment del supòsit 2

Ø La 𝑉𝑎𝑟 𝑢#" no es constant
Ø Les pertorbacions 𝑢# són heteroscedàstiques
Heteroscedasticitat
Introducció Causes Conseqüències Detecció Mètodes

Pertorbacions homoscedàstiques Pertorbacions heteroscedàstiques

Introducció Causes Conseqüències Detecció Mètodes

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

Supòsits sobre el terme de pertorbació (en notació matricial)

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

𝑢! 𝑢!# ⋯ 𝑢! 𝑢" 𝜎$# ⋯ 0 1 ⋯ 0

𝐸 ⋮ 𝑢! … 𝑢" =𝐸 ⋮ ⋱ ⋮ = ⋮ ⋱ #
⋮ = 𝜎$ ⋮ ⋱ ⋮
𝑢" 𝑢" 𝑢! ⋯ 𝑢"# 0 ⋯ 𝜎$# 0 ⋯ 1

Pertorbacions esfèriques
Introducció Causes Conseqüències Detecció Mètodes

Heteroscedasticitat

𝑢! 𝑢!# ⋯ 𝑢! 𝑢" 𝜎!# ⋯ 0

𝐸 ⋮ 𝑢! … 𝑢" =𝐸 ⋮ ⋱ ⋮ = ⋮ ⋱ ⋮ ≠ 𝜎$# 𝑰
𝑢" 𝑢" 𝑢! ⋯ 𝑢"# 0 ⋯ 𝜎"#

Incompliment supòsit esfericitat

𝐸 𝒖𝒖′ = 𝜎 " 𝜴 𝑜𝑛 𝜴 ≠ 𝑰
Introducció Causes Conseqüències Detecció Mètodes

Incompliment supòsit esfericitat: 𝐸 𝒖𝒖′ = 𝜎 - 𝜴 𝑜𝑛 𝜴 ≠ 𝑰

Ø Autocorrelació

𝑢! 𝑢!# ⋯ 𝑢! 𝑢" 𝜎# ⋯ 𝜎!"

𝐶𝑜𝑣 𝒖 = 𝐸 ⋮ 𝑢! … 𝑢" =𝐸 ⋮ ⋱ ⋮ = ⋮ ⋱ ⋮
𝑢" 𝑢" 𝑢! ⋯ 𝑢"# 𝜎"! ⋯ 𝜎#

Ø Heteroscedasticitat i autocorrelació

𝑢! 𝑢!# ⋯ 𝑢! 𝑢" 𝜎!# ⋯ 𝜎!"

𝐶𝑜𝑣 𝒖 = 𝐸 ⋮ 𝑢! … 𝑢" =𝐸 ⋮ ⋱ ⋮ = ⋮ ⋱ ⋮
𝑢" 𝑢" 𝑢! ⋯ 𝑢"# 𝜎"! ⋯ 𝜎"#
Introducció Causes Conseqüències Detecció Mètodes

Ø Direm que les pertorbacions són esfèriques si es compleix:

𝐸 𝒖𝒖′ = 𝜎 -𝑰

És a dir, quan la variància de les pertorbacions és constant,

independentment dels valors de 𝑋#

Ø Direm que les pertorbacions NO són esfèriques (ja sigui

perquè la variància no es constant, ja sigui perquè la
covariància no és zero) quan:

𝐸 𝒖𝒖′ = 𝜎 -𝜴 𝑜𝑛 𝜴 ≠ 𝑰

Ø En aquest tema ens centrarem en l’heteroscedasticitat.

Introducció Causes Conseqüències Detecció Mètodes

Podem classificar-les en dos grups diferents:

Ø Causes estructurals o teòriques
Ø Causes mostrals i causes espúries
Ø Degut a que les dades emprades per al model presenten
asimetria en la seva distribució en la mostra que estudiem
Ø Degut a que l’especificació del model és errònia per omissió
de variables rellevants
Ø Degut a que existeixen valors influents
Introducció Causes Conseqüències Detecció Mètodes

Ø Causes estructurals o teòriques

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

Ø Causes mostrals i causes espúries

Ø Degut a que les dades emprades per al model presenten
asimetria en la seva distribució en la mostra que estudiem
Ø Degut a que l’especificació del model és errònia per omissió
de variables rellevants
Ø Degut a que existeixen valors influents
Introducció Causes Conseqüències Detecció Mètodes

> = 𝑿$ 𝑿
Estimadors MQO: 𝜷 %𝟏 𝑿$ 𝒚

Ø Si es compleixen els supòsits, els estimadors MQO:

" =𝜷
Ø Són no esbiaixats (centrats): 𝐸 𝜷
" = 𝜎!" 𝑿# 𝑿
Ø Són eficients (tenen la variància mínima): 𝑉𝑎𝑟 𝜷 $𝟏

Ø Si existeix heteroscedasticitats, els estimadors MQO:

" =𝜷
Ø Continuen sent no esbiaixats (centrats): 𝐸 𝜷
" = 𝜎!" 𝑿# 𝑿
Ø No són eficients: 𝑉𝑎𝑟 𝜷 $𝟏 𝑿′𝜴𝑿 𝑿# 𝑿 $𝟏 . És a dir, tenen una
variància més gran que estimadors alternatius.
Ø A més, els errors estàndard calculats pel mètode MQO són incorrectes

IC per aquests paràmetres calculats incorrectament i menys precisos

Introducció Causes Conseqüències Detecció Mètodes

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

> per MQO és un vector d’estimadors no esbiaixats

Ø Propietat 1: 𝛃

Tenim:

> tenim:
Llavors, utilitzant aquesta expressió alternativa per 𝛃

Estimadors continuen
sent no esbiaixats
Introducció Causes Conseqüències Detecció Mètodes

> per MQO no és òptim, és a dir, és ineficient

Ø Propietat 2: 𝛃

%* 𝑻
>−𝐸 𝜷
Sabem que 𝜷 > = 𝑿𝑻 𝑿 𝑿 𝒖:

Utilitzant això, tenim:

No és la mínima variància possible!!!

Estimadors MQO son ineficients
Introducció Causes Conseqüències Detecció Mètodes

> calculades per MQO són incorrectes

Ø Propietat 3: Les variàncies de 𝛃

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.

En el context de les pertorbacions no esfèriques, tenim:

%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

En resum, quan tenim pertorbacions no esfèriques:

Ø Els estimadors MQO dels paràmetres són no esbiaixats, però
ineficients
Ø La matriu de variàncies i covariàncies que calculem mitjançant MQO
no és correcta

Cal trobar un mètode d’estimació alternatiu!!!!!

Introducció Causes Conseqüències Detecció Mètodes

Per detectar la presència d’heteroscedasticitat en un MRLM utilitzarem

dos tipus de mètodes:
Ø Mètodes gràfics
Ø Gràfic dels residus respecte als valors previstos
Ø Gràfic dels residus al quadrat respecte als valors previstos
Ø Contrastos d’heteroscedasticitat
Ø Contrast de Breusch-Pagan modificat per Coenders i Saez
Ø Contrast de Goldfeld i Quandt
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:

Si rebutgem la hipòtesi nul·la afirmem que hi ha heteroscedasticitat. Si

no ho fem, admetem la màxima incertesa sobre si hi ha
heteroscedasticitat o no n’hi ha.
Introducció Causes Conseqüències Detecció Mètodes

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+#

𝐻, : 𝛼" = ⋯ = 𝛼+ = 0 ⇒ 𝑉𝑎𝑟 𝑢# = 𝜎!"& = 𝛼* = 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡

𝐻- : 𝑝𝑒𝑟𝑡𝑜𝑟𝑏𝑎𝑐𝑖𝑜𝑛𝑠 ℎ𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑à𝑠𝑡𝑖𝑞𝑢𝑒𝑠
Introducció Causes Conseqüències Detecció Mètodes

Ø Contrast de Breusch-Pagan modificat per Coenders i Saez

Passos a seguir:
1) Estimar el model original per MQO i obtenir els residus:
𝑦 = 𝛽* + 𝛽" 𝑥"# + ⋯ + 𝛽+ 𝑥+# + 𝑢# 𝑢U * , 𝑢U " , ... , 𝑢U .
2) Calcular els quadrats dels residus estandarditzats:

/& "
! /𝑻 𝒖
𝒖 /
𝑧!/"& = /'
on 𝜎U! =
0 .%+

3) Estimar per MQO la regressió auxiliar dels residus estandarditzats al

quadrat sobre les variables del model

𝑧!/"& = 𝛼* + 𝛼" 𝑥"# + ⋯ + 𝛼+ 𝑥+# + 𝑢#

"
4) Calcular l’estadístic de contrast: 𝑛 𝑅" → 𝜒+%*
Introducció Causes Conseqüències Detecció Mètodes

Distingim dos tipus d’heteroscedasticitat:

Ø Heteroscedasticitat de tipus I: provocada per una única variable
Ø Heteroscedasticitat de tipus II: provocada per més d’una variable

Si en el contrast anterior rebutgem 𝐻, direm que hi ha

heteroscedasticitat. Per saber de quin dels dos tipus es tracta mirarem
quines són les variables significatives al 90% en la regressió auxiliar i
aquestes seran les candidates a provocar heteroscedasticitat.
Introducció Causes Conseqüències Detecció Mètodes

Principals limitacions del contrast:

Ø Vàlid només amb 𝑛 gran
Ø Pot no detectar heteroscedasticitat si les 𝑥 no són les causants
Introducció Causes Conseqüències Detecció Mètodes

Ø Contrast de Goldfeld i Quandt

Ø Adient quan es sospita que la variància de la pertorbació està
relacionada directament o inversament amb una o unes
determinades variables explicatives
Ø Es realitza de manera individual i independent per a cada 𝑥#
Ø Vàlid per n petita
Ø Principals limitacions del contrast:
Ø Cal realitzar l’anàlisi per cada variable
Ø No indica el tipus d’heteroscedasticitat trobada
Ø Vàlid si les pertorbacions són normals, inclús en mostres grans
Ø Pot no detectar heteroscedasticitat si les 𝑥 no són les causants
Introducció Causes Conseqüències Detecció Mètodes

Ø Contrast de Goldfeld i Quandt. Passos a seguir:

Ø Ordenar la mostra en funció dels valors de la variable 𝑥#
escollida en ordre creixent
Ø Eliminar 𝑐 observacions centrals 𝑐 = 𝑛⁄3 obtenint dues
submostres de mida 𝑛 − 𝑐 ⁄2
Ø Estimar per MQO el model original amb cada una de les dues
submostres anteriors, obtenint 𝑆𝑄123#4!-5* i 𝑆𝑄123#4!-5"
Ø Calcular l’estadístic de contrast:
78 ⁄ . %+
𝐸𝐶 = 78)*+&,'-./⁄ ./%+ ≈ 𝐹./%+,.0%+ en el numerador sempre la 𝑆𝑄12345!67
)*+&,'-.0 0

més gran!!!!

Ø Si 𝐸𝐶 > 𝐹"!%&,""%& rebutjarem 𝐻, , el model es heteroscedàstic

Introducció Causes Conseqüències Detecció Mètodes

Ø Quan les pertorbacions no són esfèriques, no podem estimar per

MQO
Ø Mètode d’estimació alternatiu: MQG
Ø En el nostre cas estimarem per MQP, que és un cas particular dels
MQG
Ø L’estimació per MQP serveix quan només tenim problemes
d’heteroscedasticitat. La idea consisteix en assignar menys pes a les
observacions amb més variabilitat. Transformarem el model amb
heteroscedasticitat en un nou model homoscedàstic, i aleshores
aplicarem MQO sobre les variables del model transformat. És una
aproximació indirecta, en dues etapes
Introducció Causes Conseqüències Detecció Mètodes

Ø Transformació del model adequadament

Definirem una matriu 𝑻 de transformació que ens permetrà passar d’un
model heteroscedàstic a un d’homoscedàstic.

𝑻 és una matriu diagonal i els elements de la diagonal són els

anomenats pesos de cada individu.
Introducció Causes Conseqüències Detecció Mètodes

Ø Transformació del model adequadament

Si 𝒚 = 𝑿𝜷 + 𝒖 on 𝒖 → 𝑁 𝟎, 𝜎!" 𝜴 , definirem la matriu de tal manera que:

En multiplicar el model original per 𝑻 : 𝐓𝒚 = 𝑻𝑿𝜷 + 𝑻𝒖 i amb les

variables transformades: 𝒚∗ = 𝐓𝒚; 𝑿∗ = 𝑻𝑿; 𝒖∗ = 𝑻𝒖

El nou model 𝒚∗ = 𝑿∗𝜷 + 𝒖∗sigui homoscedàstic, és a dir, 𝑁 𝟎, 𝜎!" 𝑰

Per tal que 𝒖∗ sigui una pertorbació homoscedàstica, cal que 𝑻𝛀𝑻$ = 𝑰.
Introducció Causes Conseqüències Detecció Mètodes

En efecte quan es compleix que 𝑻𝛀𝑻$ = 𝑰:

𝐸 𝒖∗ = 𝐸 𝑻𝒖 = 𝑻𝐸 𝒖 = 𝟎

𝒖∗ → 𝑁 𝟎, 𝜎$# 𝑰
Introducció Causes Conseqüències Detecció Mètodes

En el cas d’heteroscedasticitat, les variàncies de les pertorbacions són:

Llavors, la matriu 𝑻 ha de ser diagonal, amb els elements de la diagonal

proporcionals a la inversa de les desviacions tipus de les pertorbacions,
per exemple:
Introducció Causes Conseqüències Detecció Mètodes

Així:
Introducció Causes Conseqüències Detecció Mètodes

Ø Estimació per MQO del model transformat

Com que 𝒖∗ és homoscedàstic, l’estimació per MQO del model transformat
proporcionarà estimadors no esbiaixats i eficients.

Substituint 𝜎$# per en l’equació anterior per 𝜎8$# )*+ , on:

Introducció Causes Conseqüències Detecció Mètodes

I a la pràctica, què fem?

Problema: Mentre que en un model homoscedàstic el nombre de
paràmetres a estimar és 𝑘 + 1, en un heteroscedàstic és 𝑘 + 𝑛, doncs
tenim 𝜎*" , ..., 𝜎." paràmetres addicionals per estimar.

Així doncs, disposem d’𝑛 observacions per estimar 𝑘+n paràmetres!!!

é1/ s 1 0 ... ... 0 ù

ê 0 1/ s 2 ... ... ... ú
Cal suposar algun tipus d’estructura ê ú
T = ê ... ... ... ... ... ú
sobre la variància de la pertorbació ê ú
ê ... ... ... ... ... ú
êë 0 ... ... ... 1/ s n úû
Introducció Causes Conseqüències Detecció Mètodes

I a la pràctica, què fem?

Sigui com sigui, els passos a seguir quan volem estimar una regressió
per MQP són:

Ø Trobar uns valors creïbles de la variància de cada pertorbació

Ø Calcular els pesos proporcionals a la inversa de l’arrel de la dita
variància
Ø Transformar el model adequadament amb els pesos i comprovar que
les noves pertorbacions siguin esfèriques
Ø Estimar el model transformat per MQO
Introducció Causes Conseqüències Detecció Mètodes

Exemple 1: Heteroscedasticitat tipus I

Ç
Introducció Causes Conseqüències Detecció Mètodes

Exemple 1: Heteroscedasticitat tipus I

Introducció Causes Conseqüències Detecció Mètodes

Exemple 1: Heteroscedasticitat tipus II

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!!!