VIOLACION DEL SUPUESTO DE HOMOCEDASTICIDAD: CAUSAS,

CONSECUENCIAS, DETECCION Y CORRECCION

SUPUESTO DE RESIDUOS HOMOCEDASTICOS: LA VARIANZA DE LAS

PERTURBACIONES Ui, CONDICIONADA A LAS VARIABLES EXPLICATIVAS
2
INCLUIDAS EN EL MODELO, ES CONSTANTE,  .
V(Ui / Xi) = E(Ui2) = 2  i= 1, 2,…n 
2,…n 

Consumo (Y)

1 +  2 X2i 

80
100 Ingreso (X)

OBSERVE QUE A MEDIDA QUE EL NIVEL DE INGRESO AUMENTA, EL

CONSUMO PROMEDIO TAMBIEN CRECE, PERO LA VARIANZA DEL
CONSUMO (DISTRIBUCION EN TORNO A LA MEDIA PARA CADA NIVEL DE
INGRESO) PERMANECE CONSTANTE
CONSTANTE A CUALQUIER
CUALQUIER NIVEL DE
DE INGRESO.

HETEROCEDASTICIDAD: V(Ui / Xi) = E(Ui2) = i2  NO CONSTANTE

Consumo (Y)

1 +  2 X2i 

80
100
Ingreso (X)

TANTO EL CONSUMO PER SE   COMO SU VARIANZA CRECEN CON EL

INGRESO.
J. Ramoni Perazzi Capítulo 11. 1
Econometría I
 

CAUSAS DE HETEROCEDASTICIDAD:

  MODELOS DE ENSAYO Y ERROR: LA EXPERIENCIA RED

REDUCE
UCE LOS
ERRORES DE COMPORTAMIENTO EN EL TIEMPO, O EN
COMPARACION CON LOS MENOS EXPERIMENTADOS   VARIANZA
DECRECE (SECRETARIAS, OPERADORES DE MAQUINARIAS, …) 
…) 

  INGRESO DISCRECIONAL: A MENOS INGRESO, MAYOR PMgC.

PERSONAS CON BAJOS RECURSOS TIENDEN A GASTAR TODO SU
INGRESO (AHORRO   0). PERSONAS CON MAS ALTO NIVEL DE
INGRESO TIENEN MAS OPCIONES EN CUANTO A COMO DISTRIBUIR
SU INGRESO  VARIANZA CRECE.

Salarios (COM) como función del tamaño de empresa (NE)

7000

6000

5000

          M
          O  4000
          C 

3000

2000

1000
0 2 4 6 8 1
100

NE
 

  MEJORAS EN LOS SISTEMAS DE RECOLECCION DE DATOS

  MALA ESPECIFICACION DEL MODELO DE REGRESION: FORMA
FUNCIONAL INCORRECTA, OMISION DE VARIABLES RELEVANTES.

  ASIMETRIA EN LA DISTRIBUCION DE VARIABLES EXPLICATIVAS

INCLUIDAS EN EL MODELO (INGRESO, RIQUEZA, EDUCACION, ETC)

  MANIPULACION DE LOS DATOS: INCORRECTA TRANSFORMACION

DE LOS DATOS (DIFERENCIAS O RAZONES).

J. Ramoni Perazzi Capítulo 11. 2

Econometría I
 

  OUTLIERS O FACTORES ATIPICOS: OBSERVACIONES QUE SON MUY

DIFERENTES CON RESPECTO AL RESTO DE LA MUESTRA
Consumo como función del ingreso para distintos países

OUTLIER (Chile)
1000

800

          D
          N
          E 600
          P
          X
          E

400

200
0. 4 0. 6 0. 8 1. 0 1. 2

IN C

 
NOTA:  LOS PROBLEMAS DE HETEROCEDASTICIDAD SON MAS
FRECUENTES EN DATOS DE CORTE TRANSVERSAL   (INDIVIDUOS,
EMPRESAS, PAISES… 
PAISES…  DE DIFERENTE TAMAÑO, CONDICION, ETC).
DISTINTOS INDIVIDUOS O UNIDADES EN UN PUNTO DADO DEL TIEMPO
TIENDEN A SER MAS HETEROGENEOS.
EN SERIES DE TIEMPO LAS VARIABLES TIENDEN A PRESENTAR
MAGNITUDES SIMILARES EN EL TIEMPO POR EL EFECTO AGREGACIÓN. 

CONSECUENCIAS DE LA HETEROCEDASTICIDAD:

EN PRESENCIA DE HETEROCEDASTICIDAD, LOS ESTIMADORES MCO

INSESGADOS Y CONSISTENTES (β̂β i  n>>
SERAN LINEALES, INSESGADOS i) PERO ˆ

NO EFICIENTES. DEJAN DE SER MELI.  

LA VARIANZA NO ES MINIMA   LOS RESULTADOS DE LAS PRUEBAS

t Y F NO SON CONFIABLES

EN EFECTO, PARA EL MODELO: Yi = 1 + 2 Xi + Ui 

J. Ramoni Perazzi Capítulo 11. 3

Econometría I
 

2
σ
VAR ( β̂β 2) =
ˆ

2
  CON HOMOCEDASTICIDAD
 x 2i 

2 2

VAR ( β̂β 2) =  2i 2 i 2  
 x σ
ˆ
CON HETEROCEDASTICIDAD
(  x 2i )

DETECTANDO HETEROCEDASTICIDAD:

  NATURALEZA DEL PROBLEMA: DATOS CORTE TRANSVERSAL: A

MAYOR HETEROGENEIDAD DE LA MUESTRA, MAYOR PROBABILIDAD
P ROBABILIDAD DE
HETEROCEDASTICIDAD.

  METODO GRAFICO: EXAMEN POSTMORTEM DE LOS RESIDUOS AL

CUADRADO EN BUSCA DE PATRONES SISTEMATICOS ( uû  i   usados como ˆ

proxies de ui) 

û i 2  vs Ŷi 
u ˆ INFORMACION GENERAL

û i 2  vs Xi 
uˆ INFORMACION ESPECIFICA

J. Ramoni Perazzi Capítulo 11. 4

Econometría I
 

  METODOS FORMALES: 

EXISTE UNA VARIEDAD DE TEST DE HETEROCEDASTICIDAD, TODOS

ELLOS BASADOS EN DETERMINAR SI EXISTE O NO ALGUN TIPO DE
RELACION ESTADISTICAMENTE SIGNIFICATIVA ENTRE LOS RESIDUOS Y
 ALGUNA OTRA VARIABLE. LOS PRIMEROS TESTS, COMO EL DE PARK Y
GLEJSER RESULTAN POCO CONFIABLES DADO QUE NADA GARANTIZA
QUE LOS RESIDUOS DE LAS REGRESIONES SOBRE LOS QUE SE BASAN
SEAN A SU VEZ HETEROCEDASTICOS.
HETEROCEDASTICOS. SIN EMBARGO,
EMBARGO, ESTOS
ESTOS TESTS
SIRVIERON DE BASE PARA OTROS MÀS ROBUSTOS Y DE USO MÁS
FRECUENTE ACTUALMENTE:

HETEROCEDASTICIDAD IMPLICA QUE EXISTE UMA RELACION ENTRE LA

VARIANZA DE LOS RESIDUOS Y UNA O MAS VARIABLES DENTRO O
FUERA DEL MODELO. DE ALLI QUE EL OBJETIVO DE TODOS ESTOS
TESTS SEA PROBAR SI EXISTE O NO TAL RELACION-.
.
1. TEST BREUSCH-PAGAN-GODFREY1:

SEA Yi = 1 + 2 X2i + ... + k Xki +ui 

 ASUMA i2  = 1 + 2 Z2i + … + m Zmi  + vi 

DONDE LAS VARIABLES Zs PUEDEN SER O NO LAS MISMAS VARIABLES

Xs. SE LLEVA A CABO UNA PRUEBA DE SIGNIFICACION CONJUNTA COMO
SIGUE:

H0: 2 = … = m = 0 RESIDUOS HOMOCEDASTICOS

H1: AL MENOS UN   0 RESIDUOS HETEROCEDASTICOS

PASOS: i) ESTIME EL MODELO Y OBTENGA LOS RESIDUOS u i s

ˆ

ii) CALCULE σ̂ 2 2
σ  = uû i /n ˆ
ˆ

iii) σ 2 
CONSTRUYA LA VARIABLE pi= uû i 2 / σ̂ ˆ
ˆ

iv) REGRESE pi CONTRA LAS Zs Y OBTENGA LA SCReg 

SCReg  
v) 2
CALCULE = SCReg/2   m-1 

DESVENTAJAS: EL TEST ES SENSIBLE AL SUPUESTO DE NORMALIDAD

DE LOS RESIDUOS ui.

1  EXISTEN OTROS TEST DE HETEROCEDASTICIDAD: TEST DE CORRELACION DE

SPEARMAN, GOLDFELD-QUANT, KOENKER-BASSETT, POR NOMBRAR ALGUNOS.
J. Ramoni Perazzi Capítulo 11. 5
Econometría I
 

2. TEST GENERAL DE WHITE:

SEA Yi = 1 + 2 X2i + 3 X3i +ui

Y û i 2 =1 + 2 X2i + 3 X3i + 4 X2i2 + 5 X3i2 + 6 X2iX3i + ui 

uˆ

H0: 2 = … = m = 0 RESIDUOS HOMOCEDASTICOS

H1: AL MENOS UN   0 RESIDUOS HETEROCEDASTICOS

PASOS: i) ESTIME EL MODELO Y OBTENGA LOS RESIDUOS uû i s ˆ

ii) ESTIME LA REGRESION AUXILIAR REGRESSION

û i 2 = f(X2i, X3i, X2i2, X3i2, X2iX3i ) Y OBTENGA EL R 2.
uˆ

iii) CALCULE nR2 2k-1 

DESVENTAJAS: HAY QUE SER CUIDADOSOS AL APLICAR EL TEST A

MODELOS CON MUCHOS REGRESORES

MEDIDAS REMEDIALES: 

1) UTILIZAR LA INFORMACION REFERIDA A LA DESIGUAL VARIABILIDAD

DE LA VARIABLE DEPEDIENTE

A) MINIMOS CUADRADOS GENERALIZADOS2:  APLICAR MCO A VARIABLES

TRANSFORMADAS DE MODO TAL QUE SATISFAGAN LOS SUPUESTOS
SUPUESTOS

SEA Yi = 1(1) + 2 X2i +ui  CON VAR (ui) = i2  CONOCIDA3 

DIVIDA LA ECUACION ENTRE i 

Yi /i = 1(1/i) + 2 (X2i /i) +(ui/i)

Yi* = 1(1*) + 2 X2i* +ui*

2 CUANDO LOS MCG MINIMIZAN LA SUMA CUADRATICA DE LOS RESIDUOS PONDERADOS,

(( u
û i/ i)2), SE LE CONOCEN COMO MINIMOS CUADRADOS PONDERADOS.
ˆ

3 SI LA VARIANZA ES DESCONOCIDA, UTILICE LA VARIANZA ESTIMADA (MCG FACTIBLES)

J. Ramoni Perazzi Capítulo 11. 6

Econometría I
 

DONDE ui* SON HOMOCEDASTICOS

VAR (ui*) = E(ui*)2 = E(ui/i)2 = (1/i)2 E(ui)2 = (1/i)2 (i2) = 1 CONSTANTE

CONSTANTE  

EN TERMINOS MATRICIALES:    MCG=(X’  -1X)-1X’  -1y

B) TRANSFORMACION DE WHITE PARA ERRORES ESTANDAR

EST ANDAR ROBUSTOS
(REGRESION ROBUSTA)
ROBUSTA)  

WHITE SUGIERE CORREGIR LA ESTIMACION DE LOS ERRORES

ERRO RES ESTANDAR
DE LOS     COMO SIGUE:
ˆ

VAR( β̂β j) =  w  ji2 u i2

ˆ
ˆ ˆ
n  
i 1
( w  ji )
ˆ
2 2

i 1

DONDE ŵ
w  j SON LOS RESIDUOS DE LA REGRESION AUXILIAR DE X j CON
ˆ

RESPECTO A LOS DEMAS REGRESORES.

VENTAJA: PERMITE OBTENER ESTIMADORES MELI SIN ALTERAR LAS
ESTIMACIONES

DESVENTAJA: IGNORA OTRAS POSIBLES FORMAS DE HETEROCEDAS-

TICIDAD:

V(Ui) = 2Xi2  V(Ui) = 2Xi  V(Ui) = 2 [E(Yi)]2 

VARIABLE
2) REDUCIR LA DESIGUAL VARIABILIDAD DE LA V ARIABLE DEPENDIENTE
  TRANSFORMACION LOGARITMICA DE LAS VARIABLES, LO CUAL
REDUCE LA ESCALA Y POR ENDE LA DIFERENCIA ENTRE VALORES.

  DEFLACTAR LAS
LAS VARIABLES
VARIABLES A PARTIR DE ALGUNA MEDIDA
MEDIDA DE TAMAÑO

J. Ramoni Perazzi Capítulo 11. 7

Econometría I
 

EJEMPLO 1: SUELDOS EN FUNCION

FUNCION DE ANTIGUEDAD Y EDUCACION.

Dependent Variable: SUELDO Sueldo promedio de profesores sin

Method: Least Squares título de doctorado, independientemente
Included observations: 1796 de su anti
anti uedad
uedad

Coefficient Std. Error t-Statistic Prob.

Los sueldos aumentan
C 1171633. 35643.85 32.87055 0.0000 en promedio Bs. 83698
 ANTIG 83698.63 4229.935 19.78722 0.0000 con cada año de
 ANTIG2 -1320.920 105.3072 -12.54349 0.0000 experiencia, pero a una
DOCTOR 399479.1 21392.34 18.67393 0.0000
tasa decreciente
(1320,92)
R-squared 0.510215 Mean dependent var 2215022.
 Adjusted R-squared 0.509395 S.D. dependent var 551425.7
S.E. of regression 386236.3 Akaike info criterion 28.56851
Sum squared resid 2.67E+14 Schwarz criterion 28.58075 Los doctores ganan
Log likelihood -25650.52 Hannan-Quinn criter. 28.57303 en promedio Bs.
F-statistic 622.2488 Durbin-Watson stat 2.043191 399479 más que los
Prob(F-statistic) 0.000000 no doctores

Heteroskedasticity Test: White

F-statistic 70.22060 Prob. F(7,1788) 0.0000

Obs*R-squared 387.2763 Prob. Chi-Square(7) 0.0000
Scaled explained SS 356.7119 Prob. Chi-Square(7) 0.0000

Dependent Variable: SUELDO

Method: Least Squares
Included observations: 1796
White Heteroskedasticity-Consistent Standard Errors Covariance

Coefficient Std. Error t-Statistic Prob.

C 1171633. 28518.22 41.08366 0.0000

 ANTIG 83698.63 4276.930 19.56979 0.0000
 ANTIG2 -1320.920 113.8430 -11.60300 0.0000
DOCTOR 399479.1 21298.57 18.75614 0.0000

R-squared 0.510215 Mean dependent var 2215022.

 Adjusted R-squared 0.509395 S.D. dependent var 551425.7
S.E. of regression 386236.3 Akaike info criterion 28.56851
Sum squared resid 2.67E+14 Schwarz criterion 28.58075
Log likelihood -25650.52 Hannan-Quinn criter. 28.57303
F-statistic 622.2488 Durbin-Watson stat 2.043191
Prob(F-statistic) 0.000000

J. Ramoni Perazzi Capítulo 11. 8

Econometría I
 

EJEMPLO 2: DE NUEVO LOS VEHICULOS

Dependent Variable: PRECIO

Method: Least Squares
Included observations: 93

Variable Coefficient Std.

Std. Error t-Statistic Prob.

C -0.127778 1.837829 -0.069527 0.9447

DOMESTICO -3.061851 1.208065 -2.534508 0.0130
POTENCIA 0.147522 0.011589 12.72898 0.0000

R-squared 0.646517 Mean dependent var 19.50968

 Adjusted R-squared 0.638662 S.D. dependent var 9.659430
S.E. of regression 5.806422 Akaike
Ak aike info criterion 6.387532
Sum squared resid 3034.308 Schwarz criterion 6.469229
Log likelihood -294.0203 F-statistic 82.30447
Durbin-Watson stat 1.521892 Prob(F-statistic) 0.000000

Residuos
White Heteroskedasticity Test:
heterocedásticos
al 8%
F-statistic 2.245308 Probability 0.070533
Obs*R-squared 8.612539 Probability 0.071548

Dependent Variable: LOG(PRECIO)

Included observations: 93

Variable Coefficient Std.

Std. Error t-Statistic Prob.

C -2.464940 0.334486 -7.369332 0.0000

DOMESTICO -0.104167 0.048544 -2.145823 0.0346
LOG(POTENCIA) 1.097530 0.068214 16.08951 0.0000
R-squared 0.742607 Mean dependent var 2.865452
 Adjusted R-squared 0.736888 S.D. dependent var 0.454686
S.E. of regression 0.233229 Akaike info criterion -0.041867
Sum squared resid 4.895610 Schwarz criterion 0.039829
Log likelihood 4.946833 F-statistic 129.8302
Durbin-Watson stat 1.575917 Prob(F-statistic) 0.000000

White Heteroskedasticity Test:

F-statistic 1.026644 Probability 0.398104

Obs*R-squared 4.146409 Probability 0.386554

J. Ramoni Perazzi Capítulo 11. 9

Econometría I
 

EJEMPLO 3: DE NUEVO TASA

T ASA DE ASESINATOS

Dependent Variable: M
Included observations: 44

Variable Coefficient Std.

Std. Error t-Statistic Prob.

C 7.754432 2.987502 2.595624 0.0131

D1 2.042382 1.128044 1.810551 0.0777
D2 4.697114 1.330173 3.531205 0.0011
Y -3.131790 1.511907 -2.071417 0.0448

R-squared 0.644531 Mean dependent var 5.402909

 Adjusted R-squared 0.617870 S.D. dependent var 4.463791
S.E. of regression 2.759365 Akaike
Ak aike info criterion 4.954386
Sum squared resid 304.5637 Schwarz criterion 5.116585
Log likelihood -104.9965 F-statistic 24.17576
Durbin-Watson stat 2.085119 Prob(F-statistic) 0.000000
Residuos
White Heteroskedasticity Test: homocedásticos

F-statistic 1.358711 Probability 0.256813

Obs*R-squared 7.944225 Probability 0.242218

J. Ramoni Perazzi Capítulo 11. 10

Econometría I