ECONOMETRA II

Licenciatura ADE.
Profesor Ramn Maha

EJERCICIOS Y CUESTIONES DE APOYO

SECCIN I : Hiptesis Bsicas Relativas a la Perturbacin Aleatoria. Primera
parte: Introduccin al problema de la Matriz de Varianzas y
Covarianzas no Escalar . HETEROCEDASTICIDAD

CUESTIONES BSICAS
-

Porqu se define el incumplimiento genrico de las hiptesis relativas a la

perturbacin aleatoria como la presencia de una matriz de varianzas y
covarianzas para esa perturbacin no escalar?.

Es necesario asumir la hiptesis de nulidad de la espereanza de Ui, es

decir, E[ui]=0, para obtener una matriz ideal de varianzas y covarianzas
escalar para la perturbacin aleatoria?

Como puede imaginar, obtener, para una determinada estimacin, errores

grandes para algunas observaciones y pequeos para otras es inevitable.
Supone esto entonces que la presencia de heterocedasticidad es algo
frecuente?.

Son los modelos de corte transversal, en trminos generales, ms

propensos a la heterocedasticidad que los temporales?. Cul cree usted que
es la razn?

La heterocedasticidad no es slo una causa atribuible a la propia esencia de

los fenmenos causales analizados, en ocasiones el modelizador es
claramente responsable de su aparicin. Cules son las principales
conexiones entre la heterocedasticidad y una deficiente especificacin?.

A la hora de detectar la heterocedasticidad. Tiene sentido utilizar los

residuos de nuestra primera estimacin para testar, con distintos
procedimientos grficos, paramtricos o no paramtricos la presencia de
heterocedasticidad en la perturbacin?.

Tiene sentido encontrar que el patrn de heterocedasticidad de un modelo

depende de una variable no incluida como exgena o endgena en el
mismo?.

Porqu se denomina Mnimos Cuadrados Ponderados al estimador de

Mnimos Cuadrados Generalizados?. Cul es la estrategia de ponderacin
implcita?

Si el analista detecta serios indicios de heterocedasticidad Cmo debe

alterar la utilizacin de MCO para evitar errores adicionales a la prdida
de eficiencia?

Si el estimador de Mnimos Cuadrados Generalizados es eficiente respecto

al MCO en presencia de heterocedasticidad. Porqu no se utiliza siempre,
sin prdida de generalidad, en lugar de MCO, en todo proceso de
estimacin independientemente de si se realiza o no un diagnstico de
heterocedasticidad?.

Cree usted que utilizar transformaciones de las variables originales para

resolver el problema de la estimacin en presencia de heterocedasticidad
altera en alguna medida la especificacin terica original del modelo?.
Pueden obtenerse los parmetros originalmente deseados a partir de los
resultados del modelo transformado?

EJERCICIOS NUMRICOS
Ver en la WEB documento ad-hoc realizado para ejemplificar la deteccin y
correccin de Heterocedasticidad.

EJERCICIOS AVANZADOS
-

Cul es la peculiaridad de la prueba de Park para la deteccin de la

Heterocedasticidad respecto a otras estrategias similares como la de Glesjer
o Breusch y Pagan?. Qu inconvenientes presenta?

En algunos trabajos, y ante un modelo de regresin con problemas de

heterocedasticidad, suele ser frecuente encontrar, como solucin al
problema, una re-estimacin del modelo con las variables Yi y Xi en
logaritmos. Cul cree que es el motivo de esta estrategia?

Es posible inducir un problema de multicolinealidad inexistente al tratar

de corregir un problema de heterocedasticidad?