Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 42 vistas

    Heterocedasticidad

    Cargado por

    Jony Chávez
    La heterocedasticidad se refiere a que la varianza de las perturbaciones en un modelo de regresión no es constante, sino que depende de alguna de las variables explicativas. Puede detectarse gráficamente o estadísticamente mediante pruebas como la de Park, Breusch-Pagan o White. La heterocedasticidad es más común en datos de corte transversal que en series de tiempo, y puede deberse a variables omitidas, datos atípicos u otra especificación incorrecta del modelo.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Heterocedasticidad

    Cargado por

    Jony Chávez
    42 vistas14 páginas
    La heterocedasticidad se refiere a que la varianza de las perturbaciones en un modelo de regresión no es constante, sino que depende de alguna de las variables explicativas. Puede detectarse gráficamente o estadísticamente mediante pruebas como la de Park, Breusch-Pagan o White. La heterocedasticidad es más común en datos de corte transversal que en series de tiempo, y puede deberse a variables omitidas, datos atípicos u otra especificación incorrecta del modelo.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    La heterocedasticidad se refiere a que la varianza de las perturbaciones en un modelo de regresión no es constante, sino que depende de alguna de las variables explicativas. Puede detectarse gráficamente o estadísticamente mediante pruebas como la de Park, Breusch-Pagan o White. La heterocedasticidad es más común en datos de corte transversal que en series de tiempo, y puede deberse a variables omitidas, datos atípicos u otra especificación incorrecta del modelo.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    42 vistas14 páginas

    Heterocedasticidad

    Cargado por

    Jony Chávez
    La heterocedasticidad se refiere a que la varianza de las perturbaciones en un modelo de regresión no es constante, sino que depende de alguna de las variables explicativas. Puede detectarse gráficamente o estadísticamente mediante pruebas como la de Park, Breusch-Pagan o White. La heterocedasticidad es más común en datos de corte transversal que en series de tiempo, y puede deberse a variables omitidas, datos atípicos u otra especificación incorrecta del modelo.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 14

    HETEROCEDASTICIDAD

    TALLER DE ECONOMÍA CUANTITATIVA VI


    ¿A QUÉ NOS REFERIMOS CUANDO HABLAMOS DE
    HETEROCEDASTICIDAD?

    Las perturbaciones (e) de la función de


    regresión poblacional son homocedasticas, es
    decir, todas tienen la misma varianza.
    Homo = Igual
    Perturbaciones homocedásticas
    Cedasticidad = Dispersión
    Igual Varianza

    𝐸 𝑢𝑖2 = 𝜎 2 𝑖 = 1, 2, … , 𝑛

    Perturbaciones heterocedásticas
    ¿Qué provoca la heterocedasticidad?

    1. La inclusión de variables exógenas en la especificación del modelo cuya varianza crece en el tiempo, puede
    influir en la varianza de las pertubaciones y perder su condición de aleatoriedad.
    ”La teoría econométrica señala que la hipóstesis de homocedasticidad se aplica a la varianza constante de las
    perturbaciones aleatorias, pero no obliga a que las variables explicativas tengan una varianza constante.”
    2. La presencia de datos atípicos o aberrantes. Una observación atípica es la que es muy diferente (muy
    pequeña o muy grande) en relación con las demás observaciones en la muestra. La inclusión o exclusión de
    una observación de este tipo, en especial si el tamaño de la muestra es pequeño, puede alterar
    sustancialmente los resultados del análisis de regresión.
    3. Incorrecta especificación del modelo  Omisión de variables importantes.
    4. Asimetría en la distribución de una o más regresoras del modelo. Ej.: Ingreso, riqueza y escolaridad.
    5. Cambio estructural.
    6. Utilización de una forma funcional incorrecta. Ej.: Utilización de una forma funcional lineal en lugar de una
    logarítmica potencial.
    7. Fallas en el supuesto de normalidad de las variables explicativas Existen asimetrías en la distribución, los
    valores de los regresores estarán asociados a una mayor dispersión en las perturbaciones.
    La heterocedasticidad es más común en la información de corte
    transversal que en la de series de tiempo.

    Miembros de una población en un momento dado.


    Corte transversal
    Estos miembros pueden ser de diferentes tamaños

    Las variables tiende a ser de órdenes de similares


    Series de tiempo
    Suele recopilarse información sobre el mismo fenómeno a
    lo largo de un periodo.
    DETECCIÓN DE LA HETEROCEDASTICIDAD

    1. Contraste de gráficos.
    Graficar los errores permitirá observar una tendencia
    definida que identifique intuitivamente si los errores
    crecen en el tiempo y si la varianza de éstos es
    heterogénea

    Cargar tabla 11.5 en Stata


    Generar la regresión rd sales
    Calcular los residuales de la regresión:
    predict res, resid
    scatter res sales
    gen resq= res^2
    scatter resq sales
    DETECCIÓN DE LA HETEROCEDASTICIDAD

    rvfplot  Muestra el diagrama de dispersión


    entre residuales y valores ajustados.

    rvpplot  Diagrama de dispersión entre residuales


    y cualquiera de las variables predictoras
    (Xi), razón por la que requiere que se
    señale cual es la variable a considerar:

    rvpplot sales
    DETECCIÓN DE LA HETEROCEDASTICIDAD

    2. Prueba Park
    Como σ2i por lo general no se conoce, Park sugiere gen lresq=log(resq)
    ෢2 como aproximación y correr la siguiente
    utilizar. 𝑢𝑖 gen lsales=log(sales)
    regresión:
    reg lresq lsales
    ෢2 = 𝑙𝑛𝜎 2 + 𝛽 𝑙𝑛𝑋 + 𝑣
    𝑙𝑛𝑢𝑖 𝑖 𝑖

    = 𝛼 + 𝛽 𝑙𝑛𝑋𝑖 + 𝑣𝑖
     Si β resulta estadísticamente significativo, esto
    sugerirá heterocedasticidad en los datos.
     Si resulta no significativo, podemos aceptar el
    supuesto de homocedasticidad.
     El término de error νi puede no satisfacer los
    supuestos de MCO y en sí mismo ser heterocedástico.
    DETECCIÓN DE LA HETEROCEDASTICIDAD

    3. Prueba Breusch-Pagan-Godfrey
    El término de error es absolutamente sensible al
    supuesto de normalidad (principalmente en pequeñas
    muestras).
    En Stata la sintaxis para la prueba es:

    estat hettest, normal Calcula la prueba


    Si P<0.05 ⟹Se rechaza la H0
    suponiendo que los
    residuales de la
    regresión se distribuyen
    normalmente.
    PRUEBA WHITE
    DETECCIÓN DE LA HETEROCEDASTICIDAD

    4. Prueba general de heterocedasticidad de White


    No se apoya en el supuesto de normalidad y es fácil
    aplicarla
    Stata computa la prueba extendida de White
    considerando en la regresión auxiliar a los residuales
    al cuadrado contra todos los regresores, los productos
    cruzados y los cuadrados de los distintos regresores.
    La sintaxis para la prueba es:
    estat imtest, white / imtest,white

    Si P<0.05 ⟹Se rechaza la H0


    ☞ Si un modelo tiene muchas regresoras, la introducción de todas las
    regresoras, de sus términos elevados al cuadrado y de sus
    productos cruzados pueden consumir grados de libertad
    rápidamente. Por consiguiente, se debe tener cautela con esta
    prueba
    ☞ La prueba de White puede ser una prueba de heterocedasticidad
    (pura), de error de especificación o de ambos.
    ☞ Si no están presentes términos con productos cruzados en el
    procedimiento de prueba de White, esto constituye una prueba de
    heterocedasticidad pura.
    ☞ Si existen tales términos, es una prueba de heterocedasticidad y de
    sesgo de especificación.
    EJERCICIO:
    La tabla 11.7 proporciona datos sobre 81 automóviles respecto de su MPG (millas promedio
    por galón), HP (caballos de fuerza de su motor), VOL (pies cúbicos de su cabina),
    SP (velocidad máxima en millas por hora) y su WT (peso del vehículo en cientos de lb).

    a) Considere el siguiente modelo:


    MPGi = β1 + β2SPi + β3HPi +β4WTi + ui

    Estimar los parámetros de este modelo e interpreta los resultados. Desde el punto de
    vista económico, ¿tiene sentido?

    b) ¿Esperaría que la varianza del error en el modelo anterior sea heteroscedástica? ¿Por
    qué?
    UNAM FACULTAD DE ECONOMÍA

    TALLER DE ECONOMÍA CUANTITATIVA VI

    Mtra. Y. Jimena Romero Herrera


    NOTA:

    • Se puede mejorar agregando más pruebas para


    heterocedasticidad y ampliando la explicación de los puntos
    ya señalados con bibliografía de greene o wooldrige
    • También hay que perfeccionar los ejemplos (tabla 11.5 y 11.7)
    en stata y aplicarlos en R y Gretl.

    También podría gustarte