Econometrı́a

Heterocedasticidad

Profesor: Mauricio Leiva del Campo

mauricioleivade@[Link]

Ingenierı́a Comercial
Universidad del Bı́o-Bı́o

Primer Semestre 2019

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 1 / 40

Heterocedasticidad

• Un importante supuesto en el modelo clásico de regresión lineal es

que las perturbaciones ui de la FRP son homocedasticas.
• Es decir, var (ui ) = σ 2 . Todas tienen la misma varianza.
• ¿Qué pasa si la varianza de error no es constante?

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 2 / 40

Heterocedasticidad
Naturaleza de la Heterocedasticidad

• Homocestasticidad:

E (ui2 ) = σ 2 , donde i = 1, 2, ..., n

• Matemáticamente, la hetereocedasticidad se expresa de la siguiente

forma:

E (ui2 ) = σi2 (1)

• Donde el subı́ndice i de σ 2 en la ecuación (1) indica que las varianzas

condicionales de ui ya no son constantes.
• La varianza de ui aumenta o disminuye cuando X varı́a.

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 3 / 40

Heterocedasticidad
Naturaleza de la Heterocedasticidad

• Supongamos un modelo simple de Ahorro-Ingreso

Yi = β1 + β2 Xi + ui

• De esta especificación podemos desprender, que a medida que el

ingreso aumenta, el ahorro promedio también lo hacer.
• Si estamos en presencia de homocedasticidad por parte de ui , la
varianza del ahorro permanece igual en todos los niveles del ingreso.
• Ante la presencia de heterocedasticidad, la varianza del ahorro
aumenta con ingresos más altos.
• Se podrı́a decir que las familias de ingresos más altos ahorran más
que las familias de ingresos más bajos, pero también hay variabilidad
en su ahorro.
• Veamos esto gráficamente.

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 4 / 40

Heterocedasticidad
Naturaleza de la Heterocedasticidad

Homocedasticidad

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 5 / 40

Heterocedasticidad
Naturaleza de la Heterocedasticidad

Heterocedasticidad

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 6 / 40

Heterocedasticidad
Naturaleza de la Heterocedasticidad

¿Cuáles son las razones por las que las varianzas de ui pueden ser
variables?
1 Modelo de aprendizaje de los errores: A medida que la gente aprende,
disminuyen sus errores de comportamiento con el tiempo.
2 A medida que aumentan los ingresos, la gente posee más ingreso
discrecional, por lo que tiene mayores posibilidades de decidir cómo
disponer de su ingreso.
3 A medida que mejoran las técnicas de recolección de datos, es
probable que σi2 se reduzca.

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 7 / 40

Heterocedasticidad
Naturaleza de la Heterocedasticidad

4 La heterocedasticidad también surge por la presencia de datos

atı́picos.
• Se refiere a que una observación es muy diferente (muy pequeña o muy
grande) en relación con las demás observaciones de la misma muestra.
5 Asimetrı́a en la distribución de una o más regresiones incluidas en el
modelo. (Ej. modelo ingreso, riqueza y escolaridad; donde en alguas
sociedades la distribución del ingreso y riqueza es desigual.)
6 Debido a incorrecta transformación de los datos y una forma
funcional incorrecta.
7 Incorrecta especificación del modelo.

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 8 / 40

Heterocedasticidad
Naturaleza de la Heterocedasticidad

• El problema de la Heterocedasticidad es más común en información

de corte transversal que de series de tiempo.

• En el gráfico anterior, se muestra la desviación estándar de los salarios

y el salario promedio de cada tipo de empleados.
• En promedio la desviación estándar de los salarios aumenta con el
valor promedio de los salarios.
Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 9 / 40
Heterocedasticidad
Estimación por MCO en presencia de Heterocedasticidad

• Supongamos el siguiente modelo:

Yi = β1 + β2 Xi + ui

• Al estimar por MCO, se tiene para β2 :

P
xi yi
β2 = P 2
b
x
Pi P P
n Xi Yi − Xi Yi
β2 =
b P 2 P 2
n Xi − ( Xi )

• Ahora la varianza está dada por:

P 2 2
x σ
var (β2 ) = P i 2 i2
b (2)
( xi )

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 10 / 40

Heterocedasticidad
Estimación por MCO en presencia de Heterocedasticidad

• Si se mantienen lo supuestos clásicos, βb2 será el mejor estimador

lineal e insesgado (MELI).
• Se puede probar que el estimador seguirá siendo lineal e insesgados,
aún si las perturbaciones (ui ) no son homocesdásticas.
• Pero, será eficiente o el mejor?
• Es decir, tendrá mı́nima varianza en la clase de los estimadores lineales
e insesgados? y dicha varianza, estará dada por la ecuación (2) ?
• No, βb2 deja de ser el mejor estimador, y la mı́nima varianza no estará
dada por la ecuación (2).
• Es por esto que veremos el método de MCG, para determinar el
estimador MELI en presencia de heterocedasticidad.

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 11 / 40

Mı́nimos Cuadrados Generalizados (MCG)

• Con le método de MCO obtenemos un estimador insesgado, pero que

no tiene mı́nima varianza.
• Por lo tanto no es el mejor estimador insesgado y se debe encontrar
uno que sı́ lo sea.
• El método de Mı́nimos Cuadrados Generalizados (MCG) propone un
procedimiento con el cual se obtienen estimadores MELI.

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 12 / 40

Mı́nimos Cuadrados Generalizados (MCG)

• Consideremos el siguiente modelo:

Yi = β1 + β2 Xi + ui (3)

• Reordenando, se tiene:

Yi = β1 X0i + β2 Xi + ui (4)

• donde X0i = 1, para cada i.

• Supongamos, que se conocen las varianzas heterocedásticas σi2 y
dividimos σi a ambos lados de la ecuación (4)

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 13 / 40

Mı́nimos Cuadrados Generalizados (MCG)

• Al dividir σi , se tiene:
     
Yi X0i Xi ui
= β1 + β2 + (5)
σi σi σi σi

• Donde, se reescribe la ecuación anterior como:

Yi∗ = β1∗ X0i∗ + β2∗ Xi∗ + ui∗ (6)

• Se diferencia con ∗ los parámetros de MCG (β1∗ y β2∗ ) y MCO (β1 y

β2 )
• Pero, para qué transformamos el modelo original?
• Veamos la siguiente caracterı́stica del término de error transformado,
ui∗

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 14 / 40

Mı́nimos Cuadrados Generalizados (MCG)

 2
ui
var (ui∗ ) = E (ui∗ )2 =E
σi
1
= E (ui )2
σi2
1
= 2 (σi2 )
σi
=1

• Entonce se demuestra que la varianza del término de perturbación

transformado ui∗ es homocedástica, ya que var (ui∗ ) = 1.

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 15 / 40

Mı́nimos Cuadrados Generalizados (MCG)

• Como aún se conservan los demás supuestos del modelo cásico, al ser
ui∗ homocedástico, se puede aplicar el método de MCO, al modelo
transformado (5) y se tendrán estimadores MELI.
• El procedimiento de transformar las variables originales de forma que
las variables transformadas satisfasgan los supuestos del modelo
cásico y luego aplicar MCO, se conoce como el método de Mı́nimos
Cuadrados Generalizados (MCG).
• En resumen, MCG es MCO sobre las variables transformadas que
satisfacen los supuestos estándar de mı́nimos cuadrados.
• ¿Cómo estimamos β1∗ y β2∗ ?

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 16 / 40

Mı́nimos Cuadrados Generalizados (MCG)

• Primero, tenemos la FRM:

     
Yi X0i Xi ubi
= βb1∗ + βb2∗ +
σi σi σi σi
⇒ Y ∗ = βb∗ X ∗ + βb∗ X ∗ + ub∗
i 1 0i 2 i i (7)

• Para obtener los estimadores de MCG, tenemos:

X  ubi 2 X  Yi  
X0i
 
Xi
2
= − βb1∗ − βb2∗ (8)
σi σi σi σi

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 17 / 40

Mı́nimos Cuadrados Generalizados (MCG)

• Minimizando la ecuación (8), se tienen los estimadores de MCG.

• Para β2∗ , se tiene:
P P P P
∗ ( wi )( wi Xi Yi ) − ( wi Xi )( wi Yi )
β2 =
b (9)
( wi )( wi Xi2 ) − ( wi Xi )2
P P P

• Donde wi = 1/σi2 .
• y la varianza para βb2∗
P
∗ wi
var (β2 ) = P
b
2
( wi )( wi Xi ) − ( wi Xi )2
P P

• Tarea: Desarrollar la minimización de (8), y obtener los estimadores

βb1∗ , βb2∗ y las varianzas.

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 18 / 40

Diferencias entre MCO y MCG

• Recordemos que en MCO se minimiza:

X X 2
ubi2 = Yi − βb1 − βb2 Xi

• En MCG, se minimiza:
X X  2
wi ubi2 = wi Yi − βb1∗ X0i − βb2∗ Xi (10)

• Donde wi = 1/σi2 .

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 19 / 40

Diferencias entre MCO y MCG

• En MCG se reduce una suma ponderada de residuos al cuadrado,

donde wi actúa como ponderación.
• En MCO se reduce la SCR sin ponderar o con ponderaciones iguales.
• El “peso” asignado a cada observación es inversamente proporcional a
su σi .
• Es decir, las observaciones que provienen de una población con una σi
más grande tendrán una ponderación relativamente menor, y las de
una población con un σi menor tendrán una ponderación
proporcionalmente mayor al reducir la SCR.

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 20 / 40

Diferencias entre MCO y MCG

Diagrama de dispersión hipotético

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 21 / 40

Consecuencias de utilizar MCO en presencia de
Heterocedasticidad

• Como vimos anteriormente, los estimadores βb2∗ y βb2 son lineales e

insesgados.
• Pero βb2∗ es eficiente, es decir, tiene mı́nima varianza.
• ¿Qué ocurre con los intervalos de confianza, las pruebas de hipótesis y
con otros procedimientos si continuamos utilizando el estimador de
MCO, βb2 ?

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 22 / 40

Consecuencias de utilizar MCO en presencia de
Heterocedasticidad
Esimación por MCO con Heterocedasticidad

• Si utilizamos βb2 y la fórmula de la varianza que considera

explı́citamente heterocedasticidad. ¿Es posible establecer intervalos de
confianza y pruebas de hipótesis t y F ?
• Como puede demostrarse, var (βb2∗ ) ≤ var (βb2 ).
• Esto significa que los intervalos de confianza basados los estimadores
de MCO con heterocedasticidad serán grandes.
• Por lo tanto, es probable que las pruebas t y F den resultados
imprecisos.

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 23 / 40

Consecuencias de utilizar MCO en presencia de
Heterocedasticidad
Esimación por MCO sin Heterocedasticidad

• La situación es más grave si se utiliza βb2 y la fórmula de la varianza

habitual (homocedástica), aunque exista heterocedasticidad.
• Al hacer una regresión por MCO e ignorar la presencia de
heterocedasticidad, la var (βb2 ) será un estimador sesgado de var (βb2 ).
• Y no se puede decir si el sesgo es positivo o negativo.
• En resumen, si insistimos en los procedimientos de prueba usuales a
pesar de la presencia de heteroscedasticidad, las conclusiones o
inferencias que obtengamos pueden ser muy equivocadas.

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 24 / 40

Detección de Heterocedasticidad

• ¿Cómo detectamos la presencia de heterocedasticidad en una

situación particular?
• Existen diversos métodos para probar la presencia de la
heterocedasticidad.
• Veremos tres métodos:
• El test de Goldfeld-Quandt
• Prueba Breusch-Pagan
• Test de White.
• Estos métodos se basan en el test de los residuos de ubi de MCO, ya
que estos son los que observan (o no) las perturbaciones de ui .
• Se espera que ubi sean buenas estimaciones de ui , lo que se debiera
cumplir si el tamaño de la muestra es lo bastante grande.

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 25 / 40

Test de Goldfeld-Quandt (GQ)
Detección de Heterocedasticidad

• Este método supone que la varianza heterocedástica, σi2 , está

relacionada positivamente con una de las variables explicativas del
modelo de regresión.
• Por simplicidad, consideremos el siguiente modelo:

Yi = β1 + β2 Xi + ui

• Supongamos que σi2 está relacionado positivamente con Xi , en forma

que:
σi2 = σ 2 Xi2 (11)
• donde σ 2 es constante.

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 26 / 40

Test de Goldfeld-Quandt (GQ)
Detección de Heterocedasticidad

• El supuesto anterior, en (11) plantea que σi2 es proporcional al

cuadrado de la variable X
• Si la relación (11) es apropiada, significarı́a que σi2 serı́a mayor
mientras mayores fueran los valores de Xi .
• Se plantea la siguiente hipótesis:

H0 = σu2 = σ12 = ... = σn2

H1 = σu2 < σ12 < ... < σn2

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 27 / 40

Test de Goldfeld-Quandt (GQ)
Detección de Heterocedasticidad

El procedimiento es el siguiente:
1 Ordenar las observaciones de acuerdo con los valores de Xi donde se
sospecha heterocedasticidad, a partir del valor más bajo.
2 Omitir un número c de observaciones centrales, donde c se determinó
a priori y luego se dividen las observaciones restantes (n − c) en dos
grupos, cada uno de (n − c)/2 observaciones.
3 Estimar dos regresiones con MCO y obtener la suma de cuadrados
residuales (SCR1 y SCR2), las cuales permiten estimar las varianzas
de los errores de cada submuestra.
Cada SCR tiene (n−c)2 − k grados de libertad.1

1
Nota: Incluir el intercepto, por lo tanto para el caso de Yi = β1 + β2 Xi + ui serı́a
k=2
Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 28 / 40
Test de Goldfeld-Quandt (GQ)
Detección de Heterocedasticidad

4 Calcular el estadı́stico:
 
SCR2/gl n−c n−c
F = ∼F − k; −k (12)
SCR1/gl 2 2

• Si Fc > Ft al nivel de significancia seleccionado, se rechaza H0 y

podemos concluir que la presencia de heterocedasticidad es muy
probables.
• Si se tienen 2 grupos de distinto tamaño, el grupo con mayor varianza
va en el numerador.
• Limitaciones
• Test para muestras pequeñas.
• Supone patrón de heterocedasticidad positiva.
• Asume que la heterocedasticidad es generada por una sola variable.
• Veamos un ejemplo...
Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 29 / 40
Prueba Breusch-Pagan
Detección de Heterocedasticidad

• Esta prueba permite evaluar si existe heterocedasticidad bajo distintos

patrones, positivos o negativos.
• Permite asumir que la varianza de los errores puede ser una función
de más de una variable explicativa.
• Consideremos el siguiente modelo:

Yi = β1 + β2 X2i + ... + βk Xki + ui (13)

• Supongamos que la varianza del error σi2 se escribe como

σi2 = α1 + α2 Z2i + ... + αm Zmi (14)

• Es decir σi 2 es algún tipo de función de las variables Z no

estocásticas; algunas de las X o todas ellas pueden servir como Z

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 30 / 40

Prueba Breusch-Pagan
Detección de Heterocedasticidad

• Caso lineal:
σi2 = α1 + α2 Z2i + ... + αm Zmi (15)
• Es decir σi2 es una función lineal de las Z .
• Se tiene la hipótesis nula: Homocedasticidad.
• Procedimiento:

1 Estimar ecuación (13) mediante MCO, ignorando la presencia de

heterocedasticidad y obtener los residuos ubi
P 2
2 ubi
2 Obtener un estimador para la varianza de los errores σ
e =
n−k

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 31 / 40

Prueba Breusch-Pagan
Detección de Heterocedasticidad

3 Construir una variable:

ubi2
pi =
e2
σ
4 Estimar una regresión de pi sobre una constante y un conjunto de
variables Z :
pi = α1 + α2 Z2i + ... + αm Zmi + vi (16)
5 Obtener la SCE de (16) bajo la hipótesis nula de homocedasticidad y
distribución normal. Se define luego:
1
Θ = (SEC ) (17)
2

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 32 / 40

Prueba Breusch-Pagan
Detección de Heterocedasticidad

• Donde Θ sigue asintóticamente un distribución χ2 con m − 1 grados

de libertad.
• Si el valor calculado de Θ es mayor al valor crı́tico de χ2 para el nivel
de significancia seleccionado, se rechaza H0 .
• Continuemos con el ejemplo anterior...

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 33 / 40

Test de White
Detección de Heterocedasticidad

• Las dos pruebas realizadas anteriormente asumen que el investigador

conoce la forma funcional que toma la heterocedasticidad.
• A diferencia de lo anterior, el test de White no precisa la forma
particular que adopta la heterocedasticidad.
• Además, el test de White no se apoya en el supuesto de normalidad.
• Consideremos el siguiente modelo de regresión:

Yi = β1 + β2 X2i + β3 X3i + ui (18)

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 34 / 40

Test de White
Detección de Heterocedasticidad

El procedimiento para realizar el test de White es el siguiente:

1 Estimar la ecuación (18) por MCO ignorando la presencia de
heterocedasticidad y obtener los residuos ubi
2 Estimar la siguiente regresión:

ubi2 = α1 + α2 X2i + α3 X3i + α4 X2i2 + α5 X3i2 + α6 X2i X3i + vi (19)

Esto es: una regresión del cuadrado de los residuos sobre una
constante, las variables explicativas del modelo original, sus cuadrados
y sus productos cruzados.
3 Construir la siguiente variable:

n · R 2 ∼ χ2 (k − 1) (20)

Si χ2c > χ2t se rechaza H0 , se concluye que existe

heterocedasticidad.
Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 35 / 40
Solución a la Heterocedasticidad

• Una vez que detectamos la presencia de heterocedasticidad en los

residuos, es necesario introducir medidas correctivas para obtener
estimadores eficientes. Existen 2 enfoques:

1 Cuando se conoce la varianza de los errores σi2 : Se utiliza el método

de mı́nimos cuadrados ponderados, que un método particular MCG.
2 Cuando la varianza de los errores σi 2 es desconocida: Se debe asumir
algún tipo de comportamiento de la varianza de los errores.

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 36 / 40

Solución a la Heterocedasticidad
Varianza Conocida

• El método más directo de corregir la heterocedasticidad es con

mı́nimos cuadrados ponderados, cuando la varianza de los errores es
conocida.
• Con este método obtenemos estimadores MELI.
• Fue el método visto en la clase anterior, en el cual se debe
transformar el modelo original, para luego ser estimado, donde se
tiene a 1/σi2 como ponderador.
• La ponderación asignada a cada observación es inversamente
proporcional a su σi .

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 37 / 40

Solución a la Heterocedasticidad
Varianza Desconocida

• Si se conocen las verdaderas σi2 usamos MCP, pero pocas veces se

conocen las verdaderas σi2 .
• De tal modo que debemos encontrar alguna forma de obtener
estimaciones estadı́sticamente consistentes de las varianzas y
covarianzas de los estimadores de MCO ante la presencia de
heterocedasticidad.
• Para esto es necesario suponer que la varianza se correlaciona en
alguna forma con alguna variable o algún parámetro del modelo, o
ambos.
• Vamos a considerar el siguiente modelo:

Yi = β1 + β2 Xi + ui

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 38 / 40

Solución a la Heterocedasticidad
Varianza Desconocida

1 Supuesto 1: La varianza del error es proporcional a Xi2 :

E (ui2 ) = σ 2 Xi2 (21)

2 Supuesto 2: La varianza del error es proporcional a Xi . La

transformación de raı́z cuadrada:

E (ui2 ) = σ 2 Xi (22)

3 Supuesto 3: La varianza del error es proporcional al cuadrado

del valor medio de Y

E (ui2 ) = σ 2 [E (Yi )]2 (23)

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 39 / 40

Solución a la Heterocedasticidad
Varianza Desconocida

4 Supuesto 4: Una transformación logarı́mica:

lnYi = β1 + β2 lnXi + ui (24)

Con gran frecuencia reduce la heterocedasticidad cuando se compara

con la regresión Yi + β1 + β2 Xi + ui .

Universidad del Bı́o-Bı́o Econometrı́a 09 Primer Semestre 2019 40 / 40