UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

Clases 8: Econometra - ICP

Temas:

1.
2.
3.

Heterocedasticidad
Multicolinealidad
Ejercicios de prueba (pizarra)

Gabriel Moraga
Primer Trimestre 2015
1

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

1. Heterocedasticidad

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

VARIABLES DUMMY
El supuesto RLM.5 de homocedasticidad implicaba que la varianza
de los errores no observados del modelo de regresin lineal son
contantes en x.
= 2
Si ese supuesto no se cumple, es decir, la varianza de los errores
dependen de las variables explicativas x, la varianza va a ser
heterocedstica.
Ejemplo: En el modelo de ingresos y nivel educacional, la habilidad
no es observable (es difcil recoger una variable que mida habilidad)
por tanto queda medida en el termino de error. En este modelo
habra heterocedasticidad si la varianza de la habilidad es diferente
para distintos aos de educacin.
3

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

HETEROCEDASTICIDAD
Cmo lucen las distribuciones?

(|)

Y=Ingreso

.
x1

.
x2

.
(|) = 0 + 1

x3

X=Educ
4

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

Por qu nos preocupamos de la Heterocedasticidad?

Los parmetros estimados mediante MCO (Mnimos Cuadrados
Ordinarios) son insesgados y consistentes aun suponiendo
heterocedasticidad.
El problema surge debido a que los errores estndar de los
coeficientes estimados bajo heterocedasticidad van a ser
sesgados. Por tanto, no va a ser posible realizar los test t o F para
hacer inferencias sobre la poblacin y los MCO ya no va a ser MELI
(Mejore Estimador Lineal Insesgado).
Sin embargo, es posible ajustar los errores estndar de manera que
sean vlidos en presencia de heterocedasticidad a partir de
estimaciones Robustas a heterocedasticidad.

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

VARIANZA BAJO HETEROCEDASTICIDAD

Para el caso de regresin simple, se tiene que:
(1 ) =

2 2
(

=1

2
=1( )

Un estimador vlido para la expresin anterior, es decir cuando

2 2

2 2
(

=1

(1 ) =

2
(

=1

Donde 2 son los residuos de la regresin original

6

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

VARIANZA BAJO HETEROCEDASTICIDAD

Para el caso de regresin mltiple, un estimador vlido para
( ) bajo heterocedasticidad es:
( ) =

2
=1
2

Donde es el i-simo residuo de regresar sobre todas d las

otras variables independientes. corresponde a la suma de
cuadrados totales de la regresin anterior.

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

Por qu nos preocupamos de la Heterocedasticidad?

Una vez obtenidos los estimadores robustos para la varianza,
procedemos a tomar su raz cuadrada y obtener estimadores
robustos a heterocedasticidad para los errores estndar.
=

( )

Una vez obtenido estos errores estndar robustos podemos

construir estadsticos de prueba t y F robustos tambin a
heterocedastisidad.
Es importante considerar que estos estimadores tienen una
justificacin asinttica, por tanto con muestras pequeas los test t
no se distribuiran t. En consecuencia, solo van a ser aplicables para
muestras grandes.
8

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

TEST PARA DETECTAR HETEROCEDASTICIDAD

Ahora bien, sabemos cuales son los problemas de la
heterocedasticidad y cmo solucionarlos, pero nos falta saber cmo
detectar estos problemas.
Para lo anterior existen distintos test. De los cuales veremos la
prueba de Breush-Pagan y la prueba de White para
Heterocedasticidad.
Bsicamente queremos testear es si la varianza del error es igual a
una constante o no:
0 : 1 , , = 2
9

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

Prueba de Breush-Pagan
El supuesto clave de esta prueba es que existe una relacin lineal
entre y las del tipo: 2 = 0 + 1 1 + + +
Los pasos para esta prueba son:
1.

Estimar el modelo como de costumbre y obtener los residuos

como estimadores de los errores poblacionales.

2.

Ejecutar la siguiente regresin:

2 = 0 + 1 1 + + +
Y se obtiene los valores de bondad de ajuste del modelo 2

10

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

Prueba de Breush-Pagan
3.

Realizar un test F de significancia conjunta

0 : 1 , , = 2
1 : 1 , , 2
Lo que dado el supuesto de linealidad es equivalente a testear:

0 : 1 = 0, 2 = 0, , = 0

El estadstico F:

2 /
=
(1 2 )/( 1)

Si se rechaza 0 se rechaza homocedasticidad, por tanto habra evidencia

para determinar la existencia de heterocedastisidad en el modelo.
11

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

Prueba de White
Es similar a la prueba de Breush-Pagan, pero agrega en la regresin
de los residuos trminos cuadrados e interacciones no lineales de
todas las variables explicativas.
Lo anterior con el objetivo de incluir otras formas de
heterocedasticidad.
Ejemplo de pasos con un modelo de 2 variables explicativas:
1.
2.

Estimar el modelo como de costumbre y obtener los residuos

como estimadores de los errores poblacionales.
Ejecutar la siguiente regresin:

2 = 0 + 1 1 + 2 2 + 3 12 + 4 22 + 5 2 1 +

12

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

Prueba de White
3.

Realizar un test F de significancia conjunta

0 : 1 , , = 2
1 : 1 , , 2
Lo que dado la relacin supuesta ente u y x es equivalente a testear:

0 : 1 = 0, 2 = 0, 3 = 0, 4 = 0, 5 = 0
El estadstico F:

2 /
=
(1 2 )/( 1)

Si se rechaza 0 se rechaza homocedasticidad, por tanto habra evidencia

para determinar la existencia de heterocedastisidad en el modelo.
13

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

Prueba de White caso especial

Hay un caso especial del test de White donde se estima el modelo
de regresin original, se obtienen los residuos y los valores
predichos .
Luego se corre el siguiente modelo para testear heterocedasticidad:
2 = 0 + 1 + 2 2 +
Y se realiza el siguiente test F:

0 : 1 = 0, 2 = 0
Si se rechaza 0 se rechaza homocedasticidad, por tanto habra evidencia
para determinar la existencia de heterocedastisidad en el modelo.

14

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

2. Multicolinealidad

15

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

MULTICOLINEALIDAD
Como vimos, bajo los supuestos RLM.1 a RLM.5 la varianza de los
coeficientes del modelo de regresin mltiple estn dados por.

Var j
STC j (1 R 2j )

Para j=1,2,,k, donde = es la variacin muestral

total en y2 es la R-cuadrada resultante de la regresin de
sobre todas las otras variables independientes incluyendo el
intercepto.

16

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

MULTICOLINEALIDAD
De la expresin para la varianza de los coeficientes estimados se
puede concluir lo siguiente:
La varianza de es mayor cuanto mayor es la varianza del error 2
(parte no observable u). Agregando ms variables explicativas es la
nica forma de reducir la varianza del error.
La varianza de es menor cuanto mayor es la variacin muestral
de ( ). Esto se podra conseguir simplemente aumentando
el tamao muestral.
La varianza de es mayor cuanto mayor es el coeficiente de
determinacin 2 , es decir, cuanto ms relacionada est la
variable con el resto de variables explicativas.

17

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

MULTICOLINEALIDAD
Grficamente cuanto mayor es la correlacin entre las variables
explicativas del modelo, mayor es la varianza de este.

18

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

MULTICOLINEALIDAD
Cuando existe esta correlacin fuerte pero no perfecta entre las
variables explicativas, esto se conoce como multicolinealidad.
Sabemos que no est permitida la multicolinealidad perfecta entre
dos variables explicativas del modelo ya que esto violara el
supuesto RLM.3. Sin embargo, no es conveniente que exista una alta
multicolinealidad entre las variables dado que esto aumenta la
incertidumbre o la varianza de los estimadores.

19

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

MULTICOLINEALIDAD
Lamentablemente el problema de la multicolinealidad es complejo ya
que al sacar variables altamente correlacionadas en un modelo es
posible que los estimadores sean sesgados dado que estaramos
excluyendo una variable relevante. En definitiva, la mayor herramienta
para liderar con este tipo de problemas es aumentar el tamao
muestral

20