Alumna: Karla Daniela Romero Hernndez Modelos Economtricos HETEROSCEDASTICIDAD Las propiedades de los estimadores mnimos cuadrticos de los

coeficientes de regresin dependen de las propiedades del trmino de perturbacin del modelo. Entre los supuestos asumidos, se postula que los errores tienen una esperanza igual a cero, una varianza constante y son independientes entre s. Ahora se estudiara los problemas que surgen cuando uno los supuestos es violado. El de varianza constante. S vera que los estimadores Mnimo Cuadrticos Ordinarios (MCO) respectivos son poco representativos y resultara ms adecuado utilizar procedimientos alternativos de estimacin. Se menciona que existe importancia en un modelo clsico de regresin lineal, debido a que todas las perturbaciones tienen la misma varianza. Si este supuesto es correcto entonces podemos hablar de que existe una heteroscedasticidad. Se menciona que una heteroscedasticidad no destruye las propiedades de insesgamiento y consistencia de los estimadores MCO. Cabe mencionar que si la varianza de cada termino de perturbacin condicional a los valores seleccionados de las variables explicativas, es algn numero constante igual a la varianza, se cae en el supuesto de homoscedasticidad. Existen diversas razones por las cuales la varianza puede ser variable: 1. Con base en los modelos de aprendizaje sobre errores, se espera que la varianza se reduzca. 2. A medida que mejoran las tcnicas de recoleccin de informacin es probables que la varianza se reduzca. 3. La heteroscedasticidad puede surgir como resultado de la presencia de factores atpicos, esto puede alterar los resultados de anlisis de regresin. 4. Otra fuente es la asimetra en la distribucin de una o ms regresoras incluidas al modelo. 5. La heteroscedasticidad puede tambin surgir debido a: la incorrecta transformacin de los datos o a una forma funcional incorrecta. Sin embargo estos estimadores dejan de tener varianza mnima, es decir de ser eficientes. Aqu nos menciona que entonces no son estimadores MELI, se dice entonces que los estimadores MELI son proporcionados por el mtodo de mnimos cuadrados ponderados, siempre que las varianzas heteroscedsticas de error, se conozcan. Cuando existe una presencia de heteroscedasticidad, las varianzas de los estimadores MCO no se obtienen con las frmulas usuales de MCO. Sin embargo, si se insiste en utilizar las formulas MCO usuales, las pruebas t y F basadas en estas pueden conducir a grandes desatinos que darn por resultado conclusiones errneas. La documentacin sobre las consecuencias de la heteroscedasticidad es ms fcil que su deteccin. Existen diversas pruebas de diagnostico disponibles pero no se puede decir con seguridad cual funcionar en una situacin dada. An si se sospecha y se detecta la heteroscedasticidad no es fcil corregir el problema. Si la muestra es grande, se pueden obtener los errores estndar de los estimadores MCO corregidos por el mtodo de heteroscedasticidad de White y realizar la inferencia estadstica basada en ellos. De lo contrario, se pueden hacer conjeturas definidas del patrn probable de

Alumna: Karla Daniela Romero Hernndez Modelos Economtricos heteroscedasticidad con base a los residuos MCO y transformar la informacin original de tal manera que en la informacin transformada no haya heteroscedasticidad. La heteroscedasticidad se presenta, normalmente, cuando trabajamos con modelos de corte transversal. Sus causas pueden ser diversas y por tanto hay que estudiar su origen antes de intentar corregirlo. Las causas ms frecuentes: 1. Naturaleza del modelo. Es habitual que a mayor valor de una variable explicativa la dispersin en valores de la endgena aumente. 2. Errores de especificacin. Otras posibles causas muy frecuentes de la heteroscedasticidad son los Errores de especificacin: omisin de variables, forma funcional incorrecta, atpicos, cambio estructural Algunas consecuencias que puede traer la heteroscedasticidad son las siguientes: Aunque los estimadores siguen siendo insesgados y consistentes tendrn varianzas relativamente amplias, con lo que se vera reducida la confianza que se pueda depositar en el valor de los parmetros estimados en cada caso. Las varianzas muestrales de los estimadores no sern las correctas incluso para muestras grandes. Los contrastes habituales de significacin carecern de validez al asumirse una distribucin normal ya que la heteroscedasticidad trae consigo pruebas estadsticas incorrectas e intervalos de confianza sesgados que aumentan la probabilidad de cometer error de tipo II (Es decir aceptar una hiptesis falsa).