Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Perturbaciones no Esféricas Heterocedasticidad Clase 20 Econometŕıa I Tomás Rau Binder 6 de noviembre Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Contenidos Perturbaciones no Esféricas Consecuencias de estimación por MCO Heterocedasticidad Tests de Heterocedasticidad: Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Perturbaciones no Esféricas Un supuesto importante en el modelo clásico de regresión lineal (Supuesto 4) es que los errores ui son homocedásticos, es decir la varianza es constante para todo valor de Xi : Var(ui ) = Var(uj) = σ 2 para i 6= j Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Perturbaciones no Esféricas Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Perturbaciones no Esféricas Cuando el supuesto 4 no se cumple los errores son Heterocedasticos: Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Perturbaciones no Esféricas Es decir, teńıamos que E [uu′]=σ2In, ahora si el término de error no cumple con los supuestos del modelo de regresión lineal tenemos que E [uu′]=σ2Ω. Donde Ω es una matriz definida positiva. Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Perturbaciones no Esféricas Recordemos que el estimador MCO es: β̂ = (X ′X )−1X ′Y = β + (X ′X )−1X ′u Como el supuesto de que E [u|X ] = 0 se mantiene, tenemos que la E [β̂|X ] = β y por lo tanto, E [β̂] = β=0. De esta forma, el estimador MCO con perturbaciones no esféricas sigue siendo insesgado y consistente. Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Heterocedasticidad La Heterocedasticidad surge cuando a pesar de que Cov(uiuj)=0 para i 6= j, las varianzas de cada observación son diferentes, es decir, Var(uj ) = σ 2 j para j=1,...,n. La matriz de covarianzas en este caso es: E [uu′] = σ2Ω = σ2 1 · · · 0 ... . . . ... 0 · · · σ2n = σ2 ω1 · · · 0 ... . . . ... 0 · · · ωn Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Heterocedasticidad La heterocedasticidad es un problema bastante recurrente. Algunas razones por las que ui puede variar son las siguientes: En los modelos de aprendizaje sobre errores, a medida que la gente aprende, sus errores de comportamiento son menores, aśı en este caso a medida que aumentan las horas de práctica de una cierta actividad, la varianza de los errores se reduce. A medida que aumentan los ingresos, la gente tiene más posibilidades de disponer de parte de ese ingreso de la forma que desee. Aśı en una regresión de ahorro contra ingreso, es posible que σ2i aumente en la medida que el ingreso aumenta. Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Heterocedasticidad Al omitir variables relevantes, aparte del sesgo que se produce en las estimaciones por esto, se produce Heterocedasticidad ya que este variable estará en el término de error y por lo tanto la varianza dependerá de ella. Otra fuente de Heterocedasticidad es la asimetŕıa en la distribución de una o más variables explicativas incluidas en el modelo, por ejemplo: ingreso, riqueza y educación. También puede haber heterocedasticidad cuando trabajamos con datos promediados Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Heterocedasticidad Ejemplo, en el caso de datos promediados, el modelo es de la forma: yij = xijβ + εij con i = 1, ..., n y j = 1, ...,mi donde i indexa al grupo i -ésimo, j a los integrantes del grupo i con mi integrantes totales . Además E (εij ) = 0 y V (εij) = σ 2. Si observamos sólo los promedios para cada grupo i , es decir sumamos sobre j , tenemos que: yi = 1 mi ∑ j yij ; xi = 1 mi ∑ j xij ; εi = 1 mi ∑ j εij Lo que implica que: var(εi ) = miσ 2 m2 i = σ 2 mi . En este caso particular tendŕıamos que Ω = diag{σ 2 mi }. Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Heterocedasticidad En presencia de Heterocedasticidad el estimador MCO seguirá siendo insesgado, pero no tendrá varianza ḿınima. El estimador que si cumple con la propiedad de MELI es el de MCG. Este último estimador requiere conocimiento de la matriz Ω. Sin embargo, White (1980) ha propuesto una aproximación a la matriz de covarianzas del estimador MCO: Var(β̂|X ) = (X ′X )−1(X ′σ2ΩX )(X ′X )−1 que no requiere una representación especifica de la forma funcional que adopta la heterocedasticidad, por lo que no tendremos riesgo de asumir una forma funcional incorrecta. Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Heterocedasticidad La sugerencia de White es que la varianza del estimador β̂MCO se exprese de la siguiente forma: Var(β̂|X ) = (X ′X )−1 ( σ2X ′ΩX ) (X ′X )−1 se define: Σ = σ2X ′ΩX = n ∑ i=1 σ2i xix ′ i la que se estima de la siguiente forma: Σ̂ = n ∑ i=1 ûi 2xix ′ i Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Heterocedasticidad White demuestra bajo condiciones generales que: Σ̂ = n ∑ i=1 ûi 2xix ′ i p → Σ De esta forma, una estimación consistente de la matriz de covarianzas es: Var(β̂|X ) = (X ′X )−1Σ̂(X ′X )−1 (1) su comparación con σ2(X ′X )−1 puede dar noción del grado de heterocedasticidad. Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Heterocedasticidad La estimación de White de una matriz consistente con Heterocedasticidad es un resultado muy útil, ya que no se necesita saber la naturaleza de la Heterocedasticidad. Ante la duda de presencia de este problema es mejor ocupar este estimador ya que no produce alteraciones, y nos permite hacer inferencia correcta con o sin la presencia de Heterocedasticidad. Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Tests de Heterocedasticidad 1 El test de White: La hipótesis nula es de Homocedasticidad. Esto es, H0: σ 2 i = σ 2 ∀ i, bajo la hipótesis nula el estimador de la matriz de covarianzas de β̂ es Var(β̂|X ) = σ2(X ′X )−1, pero bajo la hipótesis alternativa es Var(β̂|X ) = (X ′X )−1(X ′σ2ΩX )(X ′X )−1 Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Tests de Heterocedasticidad Basado en la observación de esto, White propone un test que puede obtenerse al calcular nR2 de una regresión de û2i contra todos los productos posibles entre las variables explicativas. Demuestra que nR2 ∼ χ2J−1, donde J es el número de regresores de esta ecuación. Consideremos el siguiente modelo: yi = β0 + β1xi + β2zi + ui Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Tests de Heterocedasticidad Los pasos para realizar el test de White son: 1 Obtener β̂ y los residuos de la estimación del modelo anterior por MCO {ûi} n i=1 2 Correr una regresión de û2i sobre una constante, xi , zi , x 2 i , z 2 i y xizi . 3 Computar nR2 de la regresión anterior 4 Para el nivel de significancia escogido, comparar nR2 con el valor cŕıtico de una distribución chi cuadrado con 5 grados de libertad. Si nR2 excede el valor cŕıtico se rechaza la hipótesis nula de Homocedasticidad. Clase 20 Econometŕıa I Perturbaciones no Esféricas Heterocedasticidad Corrección de White Si detectamos la presencia de heterocedasticidad, debemos corregir los errores estándar de MCO La corrección usual es la de White que discutimos: Var(β̂|X ) = (X ′X )−1Σ̂(X ′X )−1 En STATA, la opción robust después del comando reg hace dicha corrección. Otra alternativa es usar estimadores alternativos como MCG que discutiremos más adelante. Clase 20 Econometŕıa I
Compartir