capitulo 6: heteroscedasticidad
DESCRIPTION
Capitulo 6: Heteroscedasticidad. Definición y causas de heteroscedasticidad Contrastes de heteroscedasticidad: White, Goldfeld-Quandt y Breusch-Pagan Estimación por MCG. Información. Estos transparencias no son completas. - PowerPoint PPT PresentationTRANSCRIPT
Capitulo 6: Heteroscedasticidad
Definición y causas de heteroscedasticidad
Contrastes de heteroscedasticidad: White, Goldfeld-Quandt y Breusch-Pagan
Estimación por MCG
Información
• Estos transparencias no son completas.
• La idea con las transparencias es dar una estructura general y asegurar que gráficos y ecuaciones están reproducidos correctamente.
• Cada estudiante debe tomar notas adecuadas para completar las transparencias.
Definición
• Definición: la varianza de la perturbación no es constante.
• Ejemplo: ingresos – gastos.
Causas
• La naturaleza de la relación entre las variables
• La transformación de variables
• La omisión de variables relevantes
Contrastes de heteroscedasticidad
Estructura general;
1. la hipótesis nula es homoscedasticidad.
2. la construcción está basada en los residuos de la estimación por MCO (sin considerar la posible heteroscedasticidad).
Contrastes de heteroscedasticidad
Contrastes de heteroscedasticidad
• Goldfeld-Quandt
Puede ser útil cuando la heteroscedasticidad depende de una única variable.
Contrastes de heteroscedasticidad
Goldfeld-Quandt
1)
2)
3)
4)
iuiA
ui
xH
H
EV
EVknknFGQ
22
220
1
212
:
:]),[(
Contrastes de heteroscedasticidad
Breusch-Pagan
Puede ser útil cuando la heteroscedasticidad depende de una función de variables.
Contrastes de heteroscedasticidad
Breusch-Pagan
1)
2)
3)
)(:
:
2])1[(
21
2202
ZfH
HVEpBP
iA
uiA
21
2
i
ii en
eg ipipii vzzg ...221
gZZZZggZZZggVE ')'('''ˆ)ˆ()'ˆ(ˆ'ˆ 1
Contrastes de heteroscedasticidad
Breusch-Pagan (Koenker y Bassett, 1982)
ipipii vzze ...2212
)(:
:)(
1])1[)((
21
220
1
22122
ZfH
Hene
Nm
m
VEpmBP
iA
uiN
iii
mA
)(')'()'( 1 iuZZZZiu uuVEm
),...,,( 222
21 neeeu neeu /'n1,...11i
Contrastes de heteroscedasticidad
White
Puede ser útil cuando la heteroscedasticidad depende de una función de variables.
Contrastes de heteroscedasticidad
White
1)
2)
3)
k
jitisi
tsts
k
jjijjiji vxxxxe
2 ,,
2
21
2 )()(
)(:
:])1[(
21
2202
*2
ZfH
HNRpW
iA
ui
Estimación por MCG: Mínimo cuadrados ponderados
• Necesitamos saber kn
eesdonde
XX
yXXX
MCG
MCG
MCG
122
112
111
´:
)'()ˆvar(
')'(ˆ
Estimación por MCG: Mínimo cuadrados ponderados
Tu u TX,X Ty,:
´)(,
´)(,
***
2*****
2
ydonde
IuuEuXy
uuEuXy
Estimación por MCG: Mínimo cuadrados ponderados
• Perturbación conocida: (Ejemplos)
k
jjii
iii
ii
ii
xiv
xxiii
xii
xi
2
22
3222
22
22
222
)(
)()(
)(
)(
Estimación por MCG: Mínimo cuadrados ponderados
(1) la estructura de la varianza para (ii) es la matriz,
(2) el caso de transformación de variables, agregadas, (…)(3) el caso de transformación de variables, promedios, (…)
2,2
22,2
21,2
22
00
00
00
)'(
N
u
x
x
x
uuE
Estimación por MCG: Mínimo cuadrados ponderados
• Con esta información se defina la matriz T para transformar el modelo.
• Recuerda que .
2,2
22,2
21,2
1
/100
0/10
00/1
Nx
x
x
1´ TT
Nx
x
x
T
,2
2,2
1,2
/100
0/10
00/1
Estimación por MCG: Mínimo cuadrados ponderados
• Estimador de mínimos cuadrados ponderados
donde
• Observaciones con varianza más pequeña tiene un peso mas elevada en la sumatoria y así también en su influencia en el estimador.
n
iiii
n
iiii yxwxxw
1
1
1
'β̂
2,2
1
ii x
w
Estimación por MCG
• Perturbación desconocida: 1a etapa: Estimar los parámetros de la función de la varianza.
• Estimar por MCO la regresión auxiliar , donde representa los
residuos de la estimación MCO del modelo original, sin tener en cuenta la posible heteroscedasticidad.
iii vxe 2212 ie
Estimación por MCG
Nx
x
x
,221
2,221
1,221
ˆˆ00
0ˆˆ0
00ˆˆ
ˆ
)ˆˆ/(100
0)ˆˆ/(10
00)ˆˆ/(1
ˆ
,221
2,221
1,221
1
Nx
x
x
)ˆˆ(/100
0)ˆˆ(/10
00)ˆˆ(/1
ˆ
,221
2,221
1,221
Nx
x
x
T
Estimación por MCG
• 2a etapa: Aplica las formulas del estimador MCG, es decir estimar la relación por MCO. uT̂XT̂yT̂
i
i
i
kik
i
ii
i
x
u
x
x
x
x
xx
y
2212211,221
22
221
1
221 ˆˆˆˆ...
ˆˆˆˆ
1
ˆˆ
Estimación por MCO: White
• Se puede estimar el modelo por MCO y corregir la varianza.
121
112
)'('1
)'(
)'(')'()ˆvar(
XXXXN
XXN
XXXXXXMCO
XXN
'1 2 X
e
e
e
XN
N
2
22
21
00
00
00
'1