Tema 4. Heteroscedasticidad - Departamento de Análisis Económico
Tema 4. Heteroscedasticidad - Departamento de Análisis Económico
Tema 4. Heteroscedasticidad - Departamento de Análisis Económico
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
PUBLICACIONES DE 3º CURSO<br />
Licenciatura: L.E.<br />
Asignatura: ECONOMETRÍA II<br />
<strong>Tema</strong>: Trasparencias <strong>Tema</strong> 4: <strong>Heteroscedasticidad</strong> y<br />
normalidad<br />
Grupos: 35, 36 y 37<br />
Profesores: Mª Isabel Ayuda, Majed Atwi, Monia Ben-<br />
Kaabia<br />
<strong>Departamento</strong> <strong>de</strong> ANÁLISIS ECONÓMICO<br />
Curso Académico 2011/12<br />
1
TEMA 4: HETEROSCEDASTICIDAD Y NORMALIDAD<br />
1.- Introducción<br />
2.- Causas y consecuencias <strong>de</strong> la heteroscedasticidad<br />
3.-Contrastes <strong>de</strong> heteroscedasticidad<br />
3.1.- Contraste <strong>de</strong> White<br />
3.2.- Contraste LM <strong>de</strong> Breusch-Pagan<br />
3.3.- Contraste <strong>de</strong> Goldfeld y Quandt<br />
<strong>4.</strong>- Soluciones posibles<br />
5.- Contrastes <strong>de</strong> Normalidad<br />
2
TEMA 4: HETEROSCEDASTICIDAD Y NORMALIDAD<br />
1.- INTRODUCCIÓN<br />
Diremos que un MLG presenta heteroscedasticidad cuando la<br />
varianza <strong>de</strong> la perturbación aleatoria <strong>de</strong> dicho mo<strong>de</strong>lo no se<br />
mantiene constante para todas las observaciones (muestrales)<br />
consi<strong>de</strong>radas.<br />
Var( ui<br />
) i<br />
y<br />
<br />
E(<br />
u)<br />
<br />
Xβ<br />
0<br />
2<br />
para i = 1, 2, ..., T<br />
<br />
u<br />
V ( u)<br />
E(<br />
uu)<br />
V<br />
siendo V la matriz diagonal siguiente:<br />
Habitualmente:<br />
2<br />
<br />
<br />
1<br />
0<br />
V <br />
<br />
<br />
0<br />
<br />
0<br />
2<br />
2<br />
<br />
0<br />
<br />
<br />
<br />
<br />
<br />
0<br />
0<br />
<br />
2<br />
T<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
3
f ( X )<br />
2 2<br />
i mi<br />
2.- CAUSAS Y CONSECUENCIAS DE LA<br />
HETEROSCEDASTICIDAD<br />
CAUSAS<br />
(a) La presencia <strong>de</strong> comportamientos atípicos,<br />
(b) Errores <strong>de</strong> especificación en el mo<strong>de</strong>lo.<br />
(c) El hecho habitual <strong>de</strong> que cuanto mayores son los valores <strong>de</strong><br />
alguna <strong>de</strong> las variables <strong>de</strong>l mo<strong>de</strong>lo cabe esperar que mayor<br />
será la dispersión absoluta <strong>de</strong> la variable endógena.<br />
CONSECUENCIAS<br />
Las mismas que en un mo<strong>de</strong>lo con matriz <strong>de</strong> varianzas y<br />
covarianzas no escalar<br />
4
EJEMPLO DE HETEROSCEDASTICIDAD<br />
5
3.- CONTRASTES DE HETEROSCEDASTICIDAD<br />
H0 : HOMOSCEDASTICIDAD<br />
H : HETEROSCEDASTICIDAD<br />
1<br />
3.1.- CONTRASTE DE WHITE<br />
1.- Se estima el mo<strong>de</strong>lo original por MCO. Obtenemos los<br />
residuos: u ˆt 2.- Se calcula el R 2 <strong>de</strong> la siguiente regresión:<br />
uˆ X ... X X ... X X X ... <br />
2 2 2<br />
t 1 2 2t k kt k1 2t 2k1 kt 2k 2t 3t<br />
t<br />
Variables ORIGINALES it X<br />
Variables al CUADRADO<br />
Términos CRUZADOS Xit X jt<br />
X<br />
3.- Cálculo <strong>de</strong>l estadístico:<br />
2<br />
it<br />
W TR <br />
<br />
2 2<br />
( p 1)<br />
as<br />
6
p es el número <strong>de</strong> parámetros <strong>de</strong> posición en la regresión<br />
auxiliar<br />
Fijado un nivel <strong>de</strong> significación :<br />
W No rechazo <strong>de</strong> la hipótesis nula <strong>de</strong> homoscedasticidad<br />
2<br />
<br />
( p 1)<br />
2<br />
<br />
( p 1)<br />
W <br />
Rechazo<br />
<strong>de</strong> la hipótesis nula <strong>de</strong> homoscedasticidad<br />
(aceptación <strong>de</strong> heteroscedasticidad)<br />
7
3.2.- CONTRASTE DE BREUSCH - PAGAN<br />
La hipótesis alternativa se basa:<br />
<br />
2 * *<br />
i h( zi<br />
α)<br />
h(<br />
1<br />
zi<br />
α<br />
z <br />
1, Z2 ,..., Z <br />
i i pi<br />
Las variables ri Z <strong>de</strong>ben <strong>de</strong> seleccionarse a priori.<br />
Habitualmente zi xi<br />
H<br />
H<br />
0<br />
A<br />
: α<br />
: α<br />
*<br />
*<br />
0<br />
0<br />
1<br />
BP SE ~ <br />
2 as<br />
2<br />
( p 1)<br />
don<strong>de</strong> SE es la suma explicada <strong>de</strong> la regresión:<br />
siendo<br />
uˆ<br />
~<br />
<br />
2<br />
i<br />
2<br />
z<br />
* *<br />
i α<br />
<br />
i<br />
x βˆ<br />
uˆ i Yi<br />
i<br />
los residuos MCO <strong>de</strong>l mo<strong>de</strong>lo original y<br />
2<br />
~<br />
el estimador máximo verosímil <strong>de</strong>l parámetro <strong>de</strong> dispersión.<br />
)<br />
8
Fijado un nivel <strong>de</strong> significación :<br />
BP No rechazo <strong>de</strong> la hipótesis nula <strong>de</strong> homoscedasticidad<br />
2<br />
<br />
( p 1)<br />
2<br />
<br />
( p 1)<br />
BP <br />
Rechazo<br />
<strong>de</strong> la hipótesis nula <strong>de</strong> homoscedasticidad<br />
(aceptación <strong>de</strong> heteroscedasticidad)<br />
9
3.3.- CONTRASTE DE GOLDFELD – QUANDT<br />
La hipótesis <strong>de</strong> heteroscedasticidad es:<br />
f ( X )<br />
2 2<br />
i mi<br />
La varianza crece (<strong>de</strong>crece) con los valores <strong>de</strong> X mi .<br />
Procedimiento:<br />
1. Or<strong>de</strong>nar la muestra <strong>de</strong> acuerdo a X mi .<br />
T c T c<br />
2. Eliminar las c observaciones centrales: c <br />
2 2 <br />
3. Estimar el mo<strong>de</strong>lo para la primera y la última submuestra:<br />
SR1 y SR2<br />
<strong>4.</strong> Obtención <strong>de</strong>l estadístico <strong>de</strong> contraste:<br />
SR<br />
2 Tc Tc GQ F<br />
( k; k)<br />
2 2<br />
SR1<br />
Fijado un nivel <strong>de</strong> significación , la regla <strong>de</strong> actuación será la<br />
siguiente:<br />
10
Tc Tc Tc Tc <br />
k; k k; k<br />
2 2 2 2 <br />
<br />
F1 /2 GQ F /2 aceptación<br />
<strong>de</strong> la<br />
hipótesis nula <strong>de</strong> homoscedasticidad<br />
En caso contrario no aceptamos la hipótesis nula<br />
11
<strong>4.</strong>- SOLUCIONES POSIBLES<br />
1.- Mejorar la especificación <strong>de</strong>l mo<strong>de</strong>lo<br />
2.-Estimación en mo<strong>de</strong>los con heteroscedasticidad<br />
Patrón <strong>de</strong> heteroscedasticidad conocido:<br />
X , i = 1, 2, ..., T<br />
2 2 2<br />
i mi<br />
siendo Xm una variable exógena cualquiera.<br />
En este caso, la matriz Ω será igual a:<br />
P<br />
1<br />
<br />
<br />
X<br />
0<br />
Ω <br />
<br />
<br />
0<br />
1<br />
X<br />
<br />
<br />
0<br />
<br />
<br />
<br />
0<br />
<br />
2<br />
m1<br />
m1<br />
X<br />
0<br />
2<br />
m2<br />
<br />
0<br />
0<br />
1<br />
X<br />
<br />
0<br />
m2<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
X<br />
0<br />
0<br />
<br />
2<br />
mT<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
0<br />
0<br />
<br />
1<br />
X<br />
mT<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
12
13<br />
MCG<br />
1. y<br />
Ω<br />
X<br />
X<br />
Ω<br />
X<br />
β<br />
1<br />
1<br />
1<br />
ˆ<br />
<br />
<br />
<br />
<br />
<br />
G<br />
2. MCO en el mo<strong>de</strong>lo transformado:<br />
*<br />
*<br />
*<br />
u<br />
β<br />
X<br />
y <br />
<br />
Don<strong>de</strong>:<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
mT<br />
T<br />
m<br />
m<br />
T<br />
X<br />
Y<br />
X<br />
Y<br />
X<br />
Y<br />
Y<br />
Y<br />
Y<br />
/<br />
/<br />
/<br />
2<br />
2<br />
1<br />
1<br />
1<br />
*<br />
*<br />
2<br />
*<br />
1<br />
<br />
<br />
y<br />
P<br />
y *<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
mT<br />
kT<br />
mT<br />
T<br />
mT<br />
m<br />
k<br />
m<br />
m<br />
m<br />
k<br />
m<br />
m<br />
kT<br />
T<br />
T<br />
k<br />
k<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
X<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
2<br />
2<br />
2<br />
2<br />
22<br />
2<br />
1<br />
1<br />
1<br />
21<br />
1<br />
1<br />
*<br />
*<br />
2<br />
*<br />
1<br />
* 2<br />
*<br />
22<br />
*<br />
12<br />
* 1<br />
*<br />
21<br />
*<br />
11<br />
1<br />
1<br />
1<br />
X<br />
P<br />
X *<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
mT<br />
T<br />
m<br />
m<br />
T<br />
X<br />
u<br />
X<br />
u<br />
X<br />
u<br />
u<br />
u<br />
u<br />
/<br />
/<br />
/<br />
2<br />
2<br />
1<br />
1<br />
1<br />
*<br />
*<br />
2<br />
*<br />
1<br />
<br />
<br />
u<br />
P<br />
u *<br />
Patrón <strong>de</strong> heteroscedasticidad <strong>de</strong>sconocido<br />
MCGF
3. Estimación por MCO con inferencia robusta a la<br />
heteroscedasticidad.<br />
Se estima el mo<strong>de</strong>lo original: yt 1 2x2 t ... kxkt<br />
ut<br />
Si hay problema <strong>de</strong> heteroscedasticidad:<br />
Los EMCO son insesgados<br />
.<br />
Pero problemas en las varianzas <strong>de</strong> los estimadores: Ahora<br />
calcularemos las respectivas varianzas estimadas robustas a la<br />
heteroscedasticidad.<br />
Así podremos efectuar cualquier contraste <strong>de</strong> hipótesis acerca <strong>de</strong>l<br />
valor <strong>de</strong> los parámetros, es <strong>de</strong>cir calcular los estadísticos tipo t y F<br />
Para calcular las varianzas robustas a heteroscedasticidad se<br />
construye una regresión auxiliar para cada regresor. Utilizaremos<br />
el conjunto <strong>de</strong> vectores <strong>de</strong> residuos:<br />
y ˆ ˆ ˆ ˆ ˆ<br />
t 12x2t ... kxkt ut ,<br />
U (<br />
u1, u2,... uT)<br />
1 ˆ ˆ ˆ ˆ<br />
11 12x2t ... 1kxkt 1t 1( 11, 12,... 1T)<br />
x ˆ ˆ ˆ ˆ<br />
2t 2122x2t ... 2kxkt 2t 2 (<br />
21, 22,... 2T)<br />
x3t 3132x2t ... ˆ ˆ ˆ ˆ<br />
3kxkt3t 3( 31, 32,... 3T)<br />
...<br />
x ˆ ˆ ˆ ˆ<br />
kt k1k2x2t... kkxkt kt k( k1, k2,... kT<br />
)<br />
ˆ ˆ ˆ ˆ ˆ ˆ<br />
ˆ 1tutˆ 2tut<br />
ˆ ( ˆ <br />
ˆ ˆ ktut<br />
Var 1) , Var( 2 2 2)<br />
,... Var(<br />
)<br />
2 2<br />
k <br />
( ˆ ) ( ˆ )<br />
( ˆ )<br />
2 2 2 2 2 2<br />
<br />
1t 2t<br />
En E-views:<br />
Quick/Estimate Equation/ Y C X2 X3 / options/<br />
heteroskedasticity Consist…/ White.<br />
<br />
2 2<br />
kt<br />
14
5.- PREDICCIÓN<br />
Y β u<br />
0<br />
x 0<br />
0<br />
Si había heteroscedasticidad según patrón:<br />
E ( Y0<br />
)<br />
<br />
x 0 <br />
β<br />
El predictor óptimo <strong>de</strong><br />
E ( u0<br />
) 0<br />
<br />
E u f( X )<br />
2 2<br />
0 m0<br />
Euu ( 1 0)<br />
<br />
<br />
Euu ( )<br />
E uu ω<br />
<br />
<br />
Euu ( )<br />
2 0 2<br />
( 0)<br />
0<br />
T 0 <br />
E ( Y0<br />
) es:<br />
Y x βˆ<br />
ˆ <br />
0G<br />
El predictor óptimo <strong>de</strong> Y 0 es:<br />
0<br />
G<br />
ˆ<br />
Yˆ<br />
xβˆ ωΩ uˆxβ ˆ<br />
1<br />
0G 0 G G 0 G<br />
f ( X )<br />
2 2<br />
i mi<br />
15
6.- CONTRASTES DE NORMALIDAD<br />
- ESTADÍSTICO DE JARQUE-BERA.<br />
H0 : NORMALIDAD<br />
H : NO NORMALIDAD<br />
1<br />
2 2<br />
1 2<br />
6 24 as<br />
g g <br />
JB T <br />
<br />
<br />
2<br />
(2)<br />
Don<strong>de</strong> 1 g y g 2 son los coeficientes <strong>de</strong> asimetría y<br />
curtosis <strong>de</strong> los residuos MCO, respectivamente:<br />
<br />
3 4<br />
uˆ ˆ<br />
t ut<br />
g1 ; g 3 2 3<br />
4<br />
<br />
Fijado un nivel <strong>de</strong> significación .<br />
JB No rechazo <strong>de</strong> la hipótesis nula <strong>de</strong> normalidad<br />
2<br />
<br />
(2)<br />
2<br />
<br />
(2)<br />
JB rechazo<br />
<strong>de</strong> la hipótesis nula <strong>de</strong> normalidad<br />
16