Professional Documents
Culture Documents
Perturbaciones no Esfericas
Heteroscedasticidad
Mnimos Cuadrados Generalizados
Mnimos Cuadrados Factibles
Estimacion robusta
Deteccion de Heterocedasticidad
Perturbaciones no esfericas
Econometria
1 semestre, 2013
Tabla de Contenidos
1 Perturbaciones no Esfericas
2 Heteroscedasticidad
5 Estimacion robusta
6 Deteccion de Heterocedasticidad
Introduccion
Perturbaciones no esfericas
Recordemos que la matriz de varianzas y covarianzas del termino de error
esta dada por:
E(u21 )
E(u1 u2 ) ... E(u1 un )
E(u2 u1 ) E(u22 ) ... E(u2 un )
V (u) = E(uu0 ) =
.. .. .. ..
. . . .
E(un u1 ) E(un u2 ) ... E(u2n )
Sin embargo:
Bajo el supuesto de Homocedasticidad:
E(u2i ) = 2 i
Perturbaciones no esfericas
E(uu0 ) = 2 Inn
Perturbaciones no esfericas
E(uu0 ) = 2
Donde es una matriz definida positiva, y entrega la estructura de la
matriz de varianzas y covarianzas del termino de error.
Perturbaciones no esfericas
= (X 0 X)1 X 0 Y
= + (X 0 X)1 X 0 u
E[] =
Por lo tanto, el estimador MCO con perturbaciones no esfericas sigue
siendo insesgado y consistente.
Perturbaciones no esfericas
En terminos de eficiencia:
h i
V () = E ( )( )0
= E[(X 0 X)1 X 0 uu0 X(X 0 X)1 ]
= 2 (X 0 X)1 X 0 X(X 0 X)1
Perturbaciones no esfericas
Heteroscedasticidad
Heteroscedasticidad
Y = 4 + 2X1 + 15X2 + u
i = 25 exp(0,05 X2)
Es decir, el modelo es Heterocedastico, ya que la varianza no es constante
para todas las observaciones.
Heterocedasticidad
20 40 60 80
X2
Y Fitted values
Heterocedasticidad
Al analizar los residuos predichos del modelo versus la variable X2 se
obtiene:
2000
1000
Residuals
0
-1000
-2000
20 40 60 80
X2
Edgardo Cerda Espinoza Perturbaciones no esfericas
Introduccion
Perturbaciones no Esfericas
Heteroscedasticidad
Mnimos Cuadrados Generalizados
Mnimos Cuadrados Factibles
Estimacion robusta
Deteccion de Heterocedasticidad
Heterocedasticidad
Ojo que en exactamente el mismo modelo, con los mismos datos, al obser-
var con respecto a la variable X1 no se obtiene el mismo resultado, por lo
que el analisis grafico no es suficiente para descartar heterocedasticidad.
Por que?
3000
2000
1000
0
-1000
Y Fitted values
Edgardo Cerda Espinoza Perturbaciones no esfericas
Introduccion
Perturbaciones no Esfericas
Heteroscedasticidad
Mnimos Cuadrados Generalizados
Mnimos Cuadrados Factibles
Estimacion robusta
Deteccion de Heterocedasticidad
Heterocedasticidad
Heteroscedasticidad
1
M CG = X 0 1 X X 0 1 Y
M CG = + (X 0 1 X)1 X 0 1 u
Se sigue manteniendo que en el modelo poblacional E[u/X] = 0, por lo
que:
E[M CG ] =
Es decir, el estimador sigue siendo insesgado.
h i
V (M CG ) = E ( )( )0
= E[(X 0 1 X)1 X 0 1 uu0 1 X(X 0 1 X)1 ]
= (X 0 1 X)1 X 0 1 2 1 X(X 0 1 X)1
= 2 (X 0 1 X)1 X 0 1 X(X 0 1 X)1
V (M CG ) = 2 (X 0 1 X)1
Una forma mas sencilla de entender que hace el estimador MCG es uti-
lizar que la inversa de toda matriz simetrica definida positiva puede ser
expresada como la multiplicacion de 2 matrices cuadradas: 1 = P 0 P
De esta forma:
M CG = (X 0 1 X)1 X 0 1 Y
= (X 0 P 0 P X)1 X 0 P 0 P Y
= ((P X)0 (P X))1 (P X)0 (P Y )
M CG =(X0 X )1 X0 Y
P Y = P X + P u
Y = X + u
Donde se cumple que:
V ar(u ) =E[u u0 ]
= 2 P P 0
= 2 P P 1 P 01 P 0
= 2 In
Yi 1 X1i X2i
= 0 +1 +2
exp(0,05 X2i ) exp(0,05 X2i ) exp(0,05 X2i ) exp(0,05 X2i )
Esto se puede hacer de manera simple en Stata:
.
. gen sigmai = exp(0.05*X2)
0 2 4 6 8
X2mcg
M CF = (X 0 1 X)X 0 1 Y
V (u/X) = 2 h(Z)
i2 = 2 Xh2
i2 = 2 exp(0 + 1 X1 + ... + k Xk )
Estimacion robusta
V () = 2 (X 0 X)1
Estimacion Robusta
i=1
Estimacion Robusta
Estimacion Robusta
Robust
Y Coef. Std. Err. t P>|t| [95% Conf. Interval]
Estimacion Robusta
Metodo grafico
Metodo grafico
.
. * grficos:
. .
. quietly reg Y X1 X2 . quietly reg Y X1
. scatter u1 y1 . scatter u2 y2
2000
3000
2000
1000
Residuals
Residuals
1000
0
0
-1000
-1000
-2000
200 400 600 800 1000 1200 400 600 800 1000 1200
Linear prediction Linear prediction
Test de Breusch-Pagan
H0 : 1 = 2 = ... = p = 0
Es decir, la hipotesis nula es la Homcedasticidad.
Test de Breuch-Pagan
Para utilizar este test, utilizamos el comando estat hettest despues de una
regresion:
. quietly reg Y X1 X2
. estat hettest
chi2(1) = 207.83
Prob > chi2 = 0.0000
Test de Breuch-Pagan
. quietly reg Y X1
. estat hettest
chi2(1) = 0.01
Prob > chi2 = 0.9156