Академический Документы
Профессиональный Документы
Культура Документы
Econometria
Detección de Heterocedasticidad
Ayudante: Pedro González
Que es la Heterocedasticidad
Estamos en presencia de
Heterocedasticidad,cuando la varianza del error
no es constante, debido a que un supuesto
importante del modelo de regresión lineal, es
que las perturbaciones que aparecen en la FRP
son homocedasticas, es decir todas tienen
igual varianza.
Que es la Heterocedasticidad
Cual es la naturaleza de la
heterocedasticidad
Supuesto importante del modelo de
regresión lineal es que la varianza de cada
termino de la perturbación ui, condicional a
los valores seleccionados desde las
variables explicativas es igual a la
varianza, este es el supuesto de
homocedasticidad.
Que es la Heterocedasticidad
Λ
ln υ i = β 1 + β 2 ln X i
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 619377,5 1 619377,506 5,445 ,052a
Residual 796278,0 7 113754,007
Total 1415656 8
a. Predictors: (Constant), ProdProm
b. Dependent Variable: CompProm
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1992,062 936,612 2,127 ,071
ProdProm ,233 ,100 ,661 2,333 ,052
a. Dependent Variable: CompProm
Regresión de los residuos
Λ2
ln µ = β1 + β 2 ln X i + µi
Model Summary
No hay heterocedasticidad
Total 16,014 8
a. Predictors: (Constant), LNProdProm
b. Dependent Variable: lnred2
En la varianza del error
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 35,827 38,323 ,935 ,381
LNProdProm -2,802 4,196 -,245 -,668 ,526
a. Dependent Variable: lnred2
Test para detectar
Heterocedasticidad
Prueba de Glejser
Esta prueba es similar a la de Park, pero realiza la regresión
considerando la variable dependiente del valor absoluto de los
residuos.
Geijser asume que los residuos, regresionados sobre la
variables x están muy asociados a la varianza.
Al igual que park se debe revisar si los parámetros son
estadísticamente significativos.
Λ
υ I = β1 + β 2 X I
Prueba de Glejser
Model Summary
Se puede apreciar
Adjusted Std. Error of
Model R R Square R Square the Estimate Que no existe relación
1 ,113a ,013 -,128 228,01170
a. Predictors: (Constant), ProdProm
Entre el valor absoluto
De los residuos y
ANOVAb
La variable regresora,
Sum of
Model
1 Regression
Squares
4724,555
df
1
Mean Square
4724,555
F
,091
Sig.
,772a
La productividad
Residual
Total
363925,4
368649,9
7
8
51989,336
Promedio.
a. Predictors: (Constant), ProdProm
b. Dependent Variable: abserror
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 407,476 633,189 ,644 ,540
ProdProm -,020 ,068 -,113 -,301 ,772
a. Dependent Variable: abserror
Test para detectar
Heterocedasticidad
Prueba Goldfeld-Quandt
Supone que la varianza heterocedastica, esta relacionada positivamente con
una de las variables explicativas.
Método
Paso 1: Ordénese las observaciones de acuerdo a los valores de Xi
empezando por el valor mas bajo.
Paso 2: omítanse las c observaciones centrales, donde c se ha especificado a
priori y divídanse las observaciones restantes (n-c) en dos grupos, cada uno
de (n-c)/2 observaciones.
Paso 3: Ajústense las regresiones MCO separadas a las primeras (n-c)/2
observaciones y a las ultimas (n-c)/2 , y obtenga las sumas residuales al
cuadrado SRC1 y SRC2, SRC1 representa los valores mas bajos (varianza
mas baja) y SRC2 a los valores mas altos (grupo de varianza mas grande).
Paso 4 Calcúlese la razón:
SRC2 / g de l
λ=
SRC1 / g de l
n − c − 2k
( ) g de l
2
Test Para detectar
Heterocedasticidad
Prueba Goldfeld-Quandt
Se ha supuesto que los residuos están normalmente
distribuidos y si el supuesto de homocedasticidad es
valido, entonces puede mostrarse que landa sigue la
distribución F con un numero de g de l en el numerador
y en del denominador iguales a (n-c-2k)/2
Si el landa calculado es superior al F critico
correspondiente al nivel de significancia seleccionado se
puede rechazar la hipótesis de homocedasticidad, es
decir se puede afirmar que la presencia de
heterocedasticidad es muy probable.
Para realizar un ejemplo utilicemos la tabla 11.3
Ejemplo Goldfeld-Quandt
Regresión Primera Parte Regresión Segunda Parte
Model Summary
Model Summary
Adjusted Std. Error of
Adjusted Std. Error of
M odel R R Square R Square the Estimate
M odel R R Square R Square the Estimate
1 ,943a ,889 ,879 5,85558
1 ,876a ,768 ,747 11,81986
a. Predictors: (Constant), x3
a. Predictors: (Constant), x4
ANOVAb ANOVAb
Sum of Sum of
Model Squares df Mean Square F Sig. Model Squares df Mean Square F Sig.
1 Regression 3010,065 1 3010,065 87,788 ,000a 1 Regression 5088,893 1 5088,893 36,425 ,000a
Residual 377,166 11 34,288 Residual 1536,800 11 139,709
Total 3387,231 12 Total 6625,692 12
a. Predictors: (Constant), x3 a. Predictors: (Constant), x4
b. Dependent Variable: y3
b. Dependent Variable: y4
Coefficientsa
Coe fficie ntsa
Unstandardized Standardized
Coefficients Coefficients Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) Model B Std. Error Beta t Sig.
3,409 8,705 ,392 ,703
1 (Constant) -28,027 30,642 -,915 ,380
x3 ,697 ,074 ,943 9,370 ,000
x4 ,794 ,132 ,876 6,035 ,000
a. Dependent Variable: y3
a. Dependent Variable: y4
Ejemplo Goldfeld-Quandt
Grados de liberta
=11
Λ
ui
pi = 2
σ
Test para detectar
Heterocedasticidad
Paso 4:
Regrésense los pi, así construidos sobre las Z
como:
pi = α i + α 2 Z 2i + .... + α ni Z ni + vi
Paso 5:
Obténgase la SEC (Suma explicada de los
cuadrados) de la regresión anterior y defínase
1
φ = ( SRC )
2
Test para detectar
Heterocedasticidad
Suponiendo que los residuos están
normalmente distribuidos, se puede
mostrar que si hay homocedasticidad y si
el tamaño n de la muestra aumenta
indefinidamente, entonces: phi sigue una
distribución ji cuadrada con (m-1) grados
de libertad, si excede el valor critico de ji
cuadrado se puede rechazar la hipótesis
de homocedasticidad.
Utilizar para el ejemplo la tabla 11.3
Ejemplo Breusch-Pagan-Godfrey
Paso 1 Regresión MCO
M ode l Summaryb
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 41886,713 1 41886,713 496,718 ,000a
Residual 2361,153 28 84,327
Total 44247,867 29
a. Predictors: (Constant), X2
b. Dependent Variable: Y2
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 9,290 5,231 1,776 ,087
X2 ,638 ,029 ,973 22,287 ,000
a. Dependent Variable: Y2
Ejemplo Breusch-Pagan-Godfrey
Paso 2
2361,14
σ2 =∑ = 78.7046
30
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -,743 ,753 -,986 ,332
X2 ,010 ,004 ,419 2,443 ,021
a. Dependent Variable: p
Ejemplo Breusch-Pagan-
Godfrey
Paso 5
1
φ = (10.428) = 5.214
2
Ji-Cuadrado al 5% 3.8414 y el valor de x2 critico al 1 % es de 6.6349
Por lo tanto el valor obtenido es significante al 5%, pero no al 1%
Test White
Prueba General de White
Paso 1: Obténgase los residuos u.
Paso 2: Efectué la siguiente regresión auxiliar:
Λ2
µ = α 1 + α 2 X 2 i + α 3 X 3i + ν