Este mtodo es aplicable si se supone que la

varianza heteroscedastica
2
i
esta relacionado
positivamente con una de las variables
explicativas en el modelo de regresin
Supongamos el modelo Y
I
= B
1
+ B
2
X
i
+u
i

Suponemos que
i
2
=
2
X
i
2


1) Ordenar las observaciones de acuerdo con
los valores de X
i

2) Omitir las observaciones ( c) centrales y
dividir las observaciones restantes (n-c) en
dos grupos o sea (n-c)/2
3) Estimar el modelo dado para los primeros
(n-c) observaciones y para los (n-c) ultimas
observaciones
4) Obtener la suma de cuadrados de los
residuos: SCR
1
y SCR
2


5) SCR
1
y SCR
2
tiene (n-c-2k)/2 grados de
libertad
Donde K: # de parmetros que debe estimarse
6)Calcular:
=>= SCR
2
/gl/ SCR
1
/gl
7) Sobre el valor de C, Judge ha encontrado
satisfactorio en la practica los niveles de c=4 si
n= 30 y c= 10 si n= alrededor de 60


8) Prueba de hiptesis:
a) H
0
: Var(u
I
) =
2

H
1
: Var(u
i
) =
i
2

b) = SCR
2
/gl / SCR
1
/gl
c)Para 5% de significacin se lee en la tabla F un
F[ (n-c-2k)/2, (n-c-2k)/2] grados de libertad del
numerado y denominador
d) Si > F(critico) => se rechaza la H
0
y se acepta la
H
1
lo que significa que hay heteroscedasticidad
e) Si <F critico => se acepta la H
0
lo que significa
que hay homoscedasticidad

Y
i
= a
1
+b
1
X
i
+ u
i

SCR
1

Y
i
= a
2
+ b
2
X +u
2i

SCR
2

c
n
Supongamos que tenemos el siguiente
modelo: Y
i
= B
i
+ B
2
X
2i
+ . . . + B
k
X
ki
+ u
i

Supngase que la varianza del error
2
i
se
describe como:

i
2
=
i
+
2
X
2i
+ . . . +
k
X
ki

En consecuencia para probar que hay
homocesdasticidad se tendr que probar
Que:
2
= =
k
= 0


Estmese el modelo:
Y
i
= B
i
+ B
2
X
2i
+ . . . + B
k
X
ki
+ u
i

Obtener:
2
= u
i
2
/n
Construir la variable P
i
definidas por:
P
i
= u
i
2
/
2

P
i
=
i
+
2
X
2i
+ . . . +
k
X
ki
+v
i

Obtngase la suma explicada de los
cuadrados (SEC)
=> = SEC/2 y sigue X
2 con( m-1) grados de
libertad
Donde m= numero de parmetros del modelo

H
0
:
2
=
3
=
k
= 0
H
1
:
2

3

k
0
= SEC/2
Para 5% de significacin se le un X
2
para m-1
g de l
Si > X
2
m-1
=> se rechaza H
0
y se acepta H
1

Si < X
2
m-1
=> se acepta H
0

Para ilustrar la prueba de white haremos uso del siguiente
modelo:
a)Sea el modelo: Y
i
= B
1
+ B
2
X
2i
+ B
3
X
3i
+ u
i


b)Estimar el modelo dado en (a) y obtener los residuos u
i


c) Efectuase la siguiente regresin

u
2
=
1
+
2
X
2i
+
3
X
3i
+
4
X
2
2i
+
5
X
2
3i
+
6
X
2i
X
3i
+v
i

Obtener R
2
de esta regresin

d) Suponiendo que: nR
2
sigue una distribucin
2
con m grados
de libertad, donde m: numero de variables explicativas de la
ecuacin

e) Prueba de hiptesis:
1) H
0
:
2
=
3
=
4
=
5
= 0
H
1
:
2

3

4

5
0
2) nR
2

3) Se lee para 5% de significacin en la tabla de
X
2
para m grados de libertad
5) Si nR
2
> X
2
m
=> Se rechaza la H
0
y se acepta
la H
1
eso significa que hay
hetorescedasticidad
Si nR
2
< X
2
m
=>Se acepta la H
0
, eso significa
que hay homoscedastiicidad

Consecuencia de la heteroscedasticidad
Heteroscedasticidad
Estimadores
ya no son
eficientes
Resta credibilidad
a la Prueba de
hiptesis t -
student
Por consiguiente se hace necesario introducir
medidas correctivas de heteroscedasticidad,
Existen dos enfoques para remediar la
hetoroscedasticidad:
a) Cuando se conoce
2
i

b) Cuando no se conoce
2
i


Se utiliza el mtodo de mnimos cuadrados
ponderados, que consiste:
En dividir la ecuacin original con
heteroscedasticidad entre la raz cuadrada de
la varianza (
i
)
Luego estimar la nueva ecuacin
As: dado la ecuacin con heteroscedasticidad:
1) Y
i
= B
1
+ B
2
X
2i
+ B
3
X
3i
+ u
i

2) Dado :Var(u ) =
2
i

3) Y
i
/
i
= B
1
/
i
+ B
2
X
2i
/
i
+ B
3
X
3i
/ + u
i
/
i





Generalmente los
2
i
pocas veces se conoce
por lo cual para corregir la
heteroscedasticidad se puede utilizar el
mtodo de White o hacer supuestos acerca de
la forma que puede adoptar la varianza
variable:

Cuando no se conoce
2
i

Mtodo de White
Hacer supuestos acerca de
la forma de
2
i


Para dar alguna idea respecto a los errores
estndar de White corregidos con
heteroscedasticidad, consideramos el
siguiente modelo de regresin con dos
variables:
1) Y
i
= B
1
+ B
2
X
2i

2)Donde: var(u
i
) =
2
i

3)Para el modelo dado en (1):
4)Var( B
2
) = x
2
i

2
i
/(x
2
i
)
2

5) Como
2
i
no es directamente observable =>
6) Var( B
2
) = x
2
i
u
2
i
/(x
2
i
)
2



7)El procedimiento de White puede generalizarse
para un modelo de k variables explicativas:
a)Y
i
= B
i
+ B
2
X
2i
+ B
3
X
3i
. . . + B
k
X
ki
+ u
i


b)La varianza de cualquier coeficiente de regresin
parcial por ejemplo para B
1


Var( B

1
) = w
2
ji
u
2
i
/(w
2
ji
)
2


c)Donde u
2
: son los residuos obtenidos de la
regresin original (1)


d) w
j
: son los residuos proporcionados por la
regresin auxiliar de la regresora X sobre
las restantes regresoras restante de (1)
Por ejemplo:
X
2i
= a
1
+ a
2
X
3i
+ a
2
X
4i
+. . . a
k
X
ki
+w
j


8) E view y otras software calculan los errores
estndar robustos de White para
heteroscedsticidad


SUPUESTO1:
La varianza del error es proporcional a X
2
i



En este caso para remediar la
heteroscedasticidad se puede transformar la
ecuacin original dividiendo la ecuacin
original por X
i

Y
i
/X
i
= B
1
/X
i
+ B
2
X
i
/X
i
+ u
i
/X
i

Y
i
/X
i
= B
1
/X
i
+ B
2
+ v
i


Var(u
i
) = E( u
i
2
) =
2
X
i
2

Verificando la homoscedasticidad de v
i

Var( v) = E( v
i
2
) = E(u
i
/X
i
)
2
= 1/X
i
2
E( u
i
2
)=
1/X
i
2
(
2
x
i
2
) =
2


Supuesto 2:La varianza del error es
proporcional a X
i




En este caso el modelo original debe ser
transformado dividiendo la ecuacin original
entre x
i

Y
i
= B
1
+ B
2
X
i
+ u
i
(Ecuacin original)
Y
i
/X
i
= B
1
/X
i
+ B
2
X
i
/X
i
+ u
i
/X
i





Var(u
i
) = E( U
i
2
) =
2
X
i

Y
i
/X
i
= B
1
/X
i
+ B
2
X
i
/X
i
+ v
i

Verificar la homoscedasticidad de v
i



Supuesto3: La varianza del error es
proporcional al cuadrado del valor medio o
esperado de y
i



En este caso para transformar la ecuacin
original, este se divide entre E( y)
Y
i
= B
1
+ B
2
X
i
+ u
i
(Ecuacin original)


Var( u) = E(u
i
2
) =
2
E [(Y
i
)]
2

Y
i
/E(Y
i
) = B
1
/ E(Y
i
) + B
2
X
i
/ E(Y
i
) + u
i
/ E(Y
i
)
Y
i
/E(Y
i
) = B
1
/ E(Y
i
) + B
2
X
i
/ E(Y
i
) + v
i

Sin embargo no conocemos: E(Y
i
), por lo cual
se sustituye E(Y
i
) por Y
i

Luego se tiene:
Y
i
/ Y
i
= B
1
/ Y
i
+ B
2
X
i
/ Y
i
+ u
i
/ Y
i

Y
i
/ Y
i
= B
1
/ Y
i
+ B
2
X
i
/ Y
i
+v
i


Supuesto 4: Transformacin logartmica
El modelo original: Y
i
= B
1
+ B
2
X
i
+ u
i

Ecuacin transformada:
LnY
i
= B
1
+ B
2
LnX
i
+ u
i

Cuando se efecta la transformacin
logartmica no es aplicable si algunos de los
valores de y o x son cero o negativos
Observacin general:
Cuando se tiene un modelo con dos o mas
variables explicativas puede no saberse a
priori cual de las variables X
i
debe
seleccionarse para transformar los datos
Cuando los
2
i
no se conocen directamente y
son estimados a partir de una o mas de las
transformaciones, las pruebas t-student,
prueba F etc son estrictamente hablando
validas solo para muestras grandes.