Your SlideShare is downloading. ×
0
Heteroscedasticidad
Heteroscedasticidad
Heteroscedasticidad
Heteroscedasticidad
Heteroscedasticidad
Heteroscedasticidad
Heteroscedasticidad
Heteroscedasticidad
Heteroscedasticidad
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Heteroscedasticidad

682

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
682
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
18
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. HETEROSCEDASTICIDAD• Cuál es la naturaleza de la Heteroscedasticidad?• Cuáles son sus consecuencias?• Cómo se detecta?• Qué remedios existen?
  • 2. Naturaleza de la HeteroscedasticidadUno de los supuestos que nosotros asumimoscuando hallamos los estimadores por elmétodo de mínimos cuadrados (MCO) era quela variancia de los errores del modelo era lamisma para todas las observaciones: E(ui2)= 2 para todo i=1, 2, ..., nA este supuesto de variancias iguales lodenominamos homoscedasticidad, quesignifica igual dispersión o varianza.
  • 3. ConsecuenciasPero si ahora consideramos la posibilidadque las variancias de los errores seandistintas para cada observación, queconsecuencias tiene esto sobre laspropiedades de los estimadores quehallamos por el método de mínimoscuadrados?Los estimadores de mínimos cuadradosseguirán siendo insesgados, consistentes yeficientes? Los tests de hipótesis seguiránsiendo válidos?.
  • 4. Sin embargo, el supuesto que ya nova a ser válido es aquel queestablecía que los estimadores demínimos cuadrados eran los demínima varianza dentro de la familiade estimadores lineales insesgados.
  • 5. Razones para las cuales las varianzas de u son variables Modelos de aprendizaje sobre errores. Discrecionalidad al manejo de la información. Mejorar las técnicas de recolección de información. Presencia de factores atípicos. Modelo mal especificado. Asimetría en la distribución de una o mas regresoras incluidas en el modelo.
  • 6. •Las variancias y covariancias estimadas delos estimadores MCO de los parámetrosson sesgados e inconsistentes cuando hayheteroscedastidad.•Los tests de hipótesis ya no son válidos.• Presente generalmente en informaciónde corte transversal.
  • 7. Cómo detectar la Heteroscedasticidad•La presencia de un dato atípico, cuyacaracterística básica es ser un dato que es muydiferente a los demás.•La heteroscedasticidad se da también por unmodelo mas especificado.• Forma funcional incorrecta.MÉTODO GRÁFICO: realizamos un gráfico de losresiduos al cuadrado del modelo frente a losvalores estimados de la variable dependiente. Sise observa un patrón sistemático entre las dosvariables, posiblemente hay heteroscedasticidad.
  • 8.  PRUEBA DE PARK: Se debe usar como variable ˆ2 dependiente el ln u y la ecuación de regresión sería la siguiente: ˆ ln u2 ln ln X v ˆ ln u 2 ln X v Planteamos hipótesis en base al valor de t de la variable independiente. Ho= no hay heteros H1= si hay heteros Si los Betas son significativos se sugiere la presencia de heteroscedasticidad.
  • 9. Gracias

×