Econometría

Heterocedasticidad y
autocorrelación

1
 Econometría

Perturbaciones no Esféricas

Un supuesto importante en el modelo clásico de regresión lineal (Supuesto 4) es

que los errores ui son homocedásticos, es decir la varianza es constante para todo
valor de Xi:

Homocedasticidad Heterocedasticidad

2
 Econometría

Además se suponía que los términos de error no estaban correlacionados entre si

Consecuencias de estimación por MCO

Recordemos que el estimador MCO es:

3
Econometría

4
 Econometría

Estimación Eficiente: Mínimos Cuadrados Generalizados

Bajo estas condiciones el Método de Mínimos Cuadrados Generalizados nos

permite estimar de manera eficiente los parámetros.

5
 Econometría

Notemos que la ecuaci{on anterior es un modelo transformado de forma tal

que:

6
Econometría

7
 Econometría

Estimación cuando es desconocida: Mínimos Cuadrados Factibles

8
 Econometría

Heterocedasticidad

9
 Econometría

Heterocedasticidad

10
 Econometría

La heterocedasticidad es un problema bastante recurrente, especialmente al trabajar

con datos de corte transversal. Algunas razones son las siguientes:

• Heterogeneidad social
• Debido a la heterogeneidad de la muestra sobre la cual trabajamos, y por ello
no todos los individuos responden o deciden de manera similar.

• Agregación de datos
• Cuando trabajamos con promedios de datos obtenidos de distintos grupos, la
varianza será inversamente proporcional al número de individuos dentro de
cada grupo.

• Mala especificación
• Omisión de variables relevantes
• Posible especificación no lineal de la relación entre la variable dependiente y
las explicativas

11
 Econometría

Contrastes para detectar la Heterocedasticidad:

Nota: La prueba de White no precisa la estructura de la heterocedasticidad.

En ese sentido, el test plantea un regresión entre el cuadrado de los residuos
estimados sobre una constante, los regresores del modelo original, sus
cuadrados y sus productos cruzados de segundo orden.

12
Econometría

13
Econometría

14
 Econometría

Si se sospecha que la varianza del error depende inversamente de zi, entonces las
observaciones se deben ordenar de mayor a menor. Si se llega a la conclusión de que el
término de error del modelo no presenta heterocedasticidad, podría deberse a que hemos
comenzado con una mala especificación del parámetro , que quizás depende de un
variable diferente a la que hemos supuesto. Por esta razón el contraste debería realizarse
varias veces con distintas variables de las que tengamos sospechas pueda depender la
varianza del término de error.

15
Econometría

16
Econometría

17
Econometría

18
 Econometría

19
 Econometría
Tratamiento de Heterocedasticidad: Cuando la heterocedasticidad ES CONOCIDA

20
Econometría

21
Econometría

22
 Econometría

Ejemplos:

23
Econometría

24
Econometría

25
 Econometría
Tratamiento de Heterocedasticidad: Cuando la heterocedasticidad NO es conocida

26
Econometría

27
Econometría

28
 Econometría

La técnica no requiere una representación específica de la forma funcional que

adopta la heterocedasticidad, por lo que no tendremos riesgo de asumir una forma
funcional incorrecta.

29
 Econometría

la que se estima de la siguiente forma:

White demuestra bajo condiciones generales que:

De esta forma, una estimación consistente de la matriz de covarianzas es:

La estimación de White de una matriz consistente con Heterocedasticidad es un

resultado muy útil, ya que no se necesita saber la naturaleza de la Heterocedasticidad.
Ante la duda de presencia de este problema es mejor ocupar este estimador ya que no
produce alteraciones, y nos permite hacer inferencia correcta con o sin la presencia de
Heterocedasticidad.

30
 Econometría

Autocorrelación

31
 Econometría

Autocorrelación

Luego, nuestra matriz de varianzas y covarianzas del error ya no será una matriz diagonal
(como en el caso de varianzas esféricas y no esférica pero sólo con heterocedasticidad) ya
que el término de error se encuentra correlacionado consigo mismo a través del tiempo.
La forma que toma la matriz cuando sólo tenemos autocorrelación pero los errores son
homocedásticos:

32
 Econometría

Matriz de Varianzas y Covarianzas cuando ut es un AR(1):

En este caso el término de error tiene la forma señalada:

33
Econometría

34
Econometría

35
 Econometría

Naturaleza y causas de la autocorrelación

Existe autocorrelación cuando el término de error de un modelo econométrico está
correlacionado consigo mismo a través del tiempo. Por supuesto, no es necesario
que ut este correlacionado consigo mismo sólo un periodo atrás, esta correlación
puede ser de cualquier orden. Dependiendo de cual sea el orden de la
autocorrelación en el término de error, la matriz de varianzas y covarianzas irá
tomando distintas formas.
La autocorrelación en el término de error puede ser producida por varias causas:

• Un shock inesperado que afecta la economía durante varios periodos provoca

correlación entre las perturbaciones de periodos contiguos.

• La manipulación de datos. Por ejemplo, no es igual trabajar con datos

macroeconómicos en unidades que se trabajan en tasas de crecimiento. Estas
últimas involucran la transformación del modelo usando datos pasados, lo que
también transforma a la perturbación, relacionándola con el pasada.

36
 Econometría

Ejemplo

Considere el siguiente modelo:

(-)

37
 Econometría

• La omisión de variables relevantes que tienen una fuerte inercia. Por ejemplo,
los gustos y las preferencias se encuentran en el errores es posible que existe
correlación con errores de periodos pasados.

• La omisión de rezagos de la variable dependiente puede provocar

autocorrelación, además de problemas de sesgo por mala especificación.

• La presencia de series no estacionarias. La estacionariedad es una propiedad

que se aplica a series cuyas propiedades estadísticas se mantienen invariables
en el tiempo (típicamente la media, la varianza y las autocovarianzas). Cuando
las series presentan patrones que cambian en el tiempo-como en el caso de las
tendencias-.las series no son estacionarias y las regresiones que las involucran
pueden presentar autocorrelación.

• Sesgo de especificación por forma funcional incorrecta.

38
 Econometría

Ejemplo

Suponga que el verdadero modelo en un estudio de costo-producción es el

siguiente:

Pero ajustamos el siguiente modelo:

39
 Econometría
Contrastes para detectar la Autocorrelación:

40
 Econometría

Respecto a los valores críticos del test, la distribución en muestras finitas

depende del supuesto de normalidad de los errores y de la matriz X, por lo cual
Durbin y Watson derivaron las tablas de valores de críticos para facilitar la
aplicación del test. Sin embargo, dichos valores poseen rangos indeterminados,
en los cuales no podemos tomar una decisión respecto a la nula. El test
distribuye con dos colas y se presenta en la siguiente figura:

41
Econometría

42
Econometría

43
Econometría

44
Econometría

45
 Econometría

3. Test de Breusch y Godfrey Este test es una alternativa para testear

autocorrelaciones de ordenes superiores a 1. La nula, al igual que en todos los
test de autocorrelación es que los residuos no se encuentran correlacionados.
Consideremos para distintos valores de k, el siguiente conjunto de estadísticos:

46
Econometría

47
 Econometría

Tratamiento de Aucorrelación: Mínimos cuadrados generalizados

48
 Econometría

Entonces utilizando esta matriz P podemos transformar el modelo y aplicar

Mínimos Cuadrados Generalizados. Al premultiplicar X e Y por la matriz P
tendremos que la primera observación se transforma de la siguiente forma:

Y para el resto de las (T -1) observaciones la transformación es la siguiente:

El que la primera observación de la muestra tenga un trato especial, es porque

para ella no existe una observación anterior, y por lo tanto, es imposible aplicar
la transformación en

49
 Econometría

La matriz P que transforma nuestro modelo en un libre de autocorrelación en el

error, es tal que cada observación de las variables dependientes, explicativas y
término de error, se debe transformar de acuerdo a:

Si es que nuestro modelo es el siguiente:

(Modelo en cuasidiferencias)

El objetivo es estimar 𝛽 y el parámetro 𝜌. El problema consiste en que para estimar

𝛽 necesitamos de 𝜌, y para estimar 𝜌 necesitamos de 𝛽 .

50
 Econometría

Método iterativo de Cochrane-Orcutt:

51
 Econometría

Método de Hildreth-Lu:
A partir del modelo con presencia de autocorrelación de orden 1, se emplean los
siguiente pasos:

1. Consideramos la especificación en cuasidiferencias y definimos un rango de

posibles valores de 𝜌 entre -1 y 1; el algoritmo de búsqueda inicial puede, por
ejemplo, considerar intervalos de 0.1.

2. Para cada valor de 𝜌 (-0.9, -0.8,…,0.8,0.9), estimar el modelo en cuasidiferencias

y registrar la suma de cuadrados residuales. El valor mínimo de dicha suma
tendrá asociado nuestro candidato a mejor 𝜌.

3. Podemos, finalmente, replicar el procedimiento de búsqueda para intervalos

más pequeños (0.01, por ejemplo) alrededor del valor encontrado en el paso 2.

52
 Econometría

Uso de componentes autoregresivos

Como hemos visto, en caso haya presencia de autocorrelación de orden igual a 1,
ésta se puede representar de la siguiente manera:

Lo que es equivalente al siguiente modelo transformado:

A partir de este modelo transformado, se puede emplear un algoritmo de búsqueda

que estime simultáneamente los valores de 𝛽 y 𝜌.

En eviews, se puede emplear el siguiente comando:

LS Y c X AR(1)

Donde, el parámetro estimado de AR(1) es el valor estimado de 𝜌.

53
 Econometría

Asimismo, de ser el caso que se encuentra evidencia de presencia de

autocorrelación de orden mayor a 1, se puede emplear lo siguiente:

• Presencia de autocorrelación de orden 2:

Lo que es equivalente al siguiente modelo transformado:

En eviews, se puede emplear el siguiente comando:

LS Y c X AR(1) AR(2)

• Presencia de autocorrelación de orden “p”:

LS Y c X AR(1) AR(2) … AR(p)

54
 Econometría

Tratamiento de Autocorrelación: Empleando el estimador MCO

Tal como se indicó en el caso de la corrección del problema de heterocedasticidad,
White (1980) desarrolló un estimador consistente para la matriz de covarianzas de los
coeficientes MCO que no depende de la estructura específica del proceso que genera
la presencia de errores heterocedásticos.

Sin embargo, este estimador supone que los errores no presentan autocorrelación
serial. Al respecto, Whitney Newey y Kenneth West desarrollaron en 1987 un
estimador para la matriz de covarianzas que sea consistente con la presencia de
ambos problemas (heterocedasticidad y autocorrelación).

Este estimador implica calcular la ecuación original por MCO sin aplicar ninguna
corrección. Esto se basa en el hecho que la presencia de autocorrelación y
heterocedasticidad no afectan el insesgamiento del estimador.

Debe mencionarse que este procedimiento es recomendable cuando no se tiene una

idea clara de cuál es el patrón que sigue la autocorrelación pero sí se ha detectado su
presencia.

55
 Econometría

Paquetes econométricos como Eviews estiman L a partir de la siguiente fórmula:

L=4(T/100)^(2/9)

56
 Econometría
Resumen de tratamiento de autocorrelación y heterocedasticidad:

57
 Econometría

¿Heterocedasticidad, autocorrelación o mala especificación?

La omisión de una variable relevante devendrá en que sus efectos son recogidos en
el error del modelo.

En ese sentido, dicha omisión podría generar heterocedasticidad o autocorrelación

en el error, según el siguiente detalle:

• La presencia de la autocorrelación podría implicar la omisión de la naturaleza

dinámica de la variable dependiente, en donde puede ser necesaria la inclusión
de rezagos de dicha variable en el modelo. Para ello, se puede partir de una
especificación general que incluya un número de rezagos consistente con el
número de observaciones disponible. El correlograma puede ayudar a determinar
cuáles son los rezagos más significativos.

• En el caso de la heterocedasticidad, podría deberse a alguna relación no lineal

entre la variable dependiente y la explicativa. El test de White puede ayudar a
determinar si alguna transformación relevante ha sido omitida. No obstante, el
investigador debe de considerar si incluir esta última en el modelo es justificable
desde un punto de vista económico.
58