HETEROCEDASTICIDAD [Modo de compatibilidad]

12/10/2010
Varianza del error no constante:
heteroscedasticidad
Fortino Vela Peón
Universidad Autónoma Metropolitana
[email protected]
12/10/2010
Octubre, 2010
México, D. F.
1
Introducción
Con bastante regularidad los datos no se ajustan a las
condiciones idealizadas del modelo de regresión lineal
clásico. Así, por ejemplo, es frecuente encontrar errores
heteroscedasticos, particularmente en datos de corte
transversal.
Una razón de ello radica en que la varianza en la variable
dependiente raramente se mantiene constante cuando
el nivel de una (o más) variable(s) explicativa(s)
aumenta o disminuye.
Por ejemplo, no sólo el nivel de consumo de los “ricos”
es mucho mayor al de los “pobres”, sino que también es
más variable. Los pobres tienen pocas opciones para
dedicar sus ingresos a bienes distintos a los de la canasta
básica; los ricos por su parte disfrutan del privilegio de
considerar más opciones.
12/10/2010
2
Una implicación para el análisis estadístico es que no
se podrá aplicar el modelo de regresión lineal
clásico a los datos de manera inmediata.
Una transformación matemática bien elegida puede
ayudar a corregir a la heteroscedasticidad dado que
menudo es debida a la asimetría en la distribución de
Y (transformaciones Box-Cox, por ejemplo).
Desafortunadamente, no siempre es posible hacer
esto.
12/10/2010
3
1
12/10/2010
Si el resto de los supuestos del modelo de regresión
resultan validos, es decir, la existencia de una relación
lineal, independencia y esperanza cero del término del
error, se puede demostrar que los errores
heteroscedásticos no afectan la propiedad de
insesgamiento de los coeficientes estimados mediante
MCO.
No obstante, la precisión en los valores de los
coeficientes no es la mejor. Es decir, los estimadores de
MCO dejan de ser los mejores estimadores linealmente
insesgados (MELI) aspirando a ser solamente
estimadores lineales e insesgados.
Así, los errores estándar no serán los correctos, puesto
que se basan en el supuesto de homoscedasticidad.
12/10/2010
4
El modelo bajo errores heteroscedasticos
y = Xβ + u
donde E (u ) = 0
E (uu' ) = σ 2 I
Sea
…(1)
Bajo heteroscedasticidad se tiene
…(2)
βˆ = (X' X)−1 X' Y
−1
= (X' X) X' ( Xβ + u) …(3)
= β + (X' X)−1 X' u
E (βˆ ) = β
insesgado
12/10/2010
5
Ahora su varianza
[
Var[βˆ ] = E (X'X)−1 X'uu' X(X'X)−1
]
bajo “homo”
E (uu' ) = σ 2 I
pero bajo “hetero”
E (uu' ) ≠ σ 2 I = σ 2 Ω
Por lo tanto, bajo heteroscedasticidad se tiene
Var[βˆ ] = (X'X)−1 (X'ΩX)(X'X)−1
donde Ω es
E (uu' ) = σ 2 Ω = Σ u matriz de varianzas-covarianzas
12/10/2010
6
2
12/10/2010
Tipos de Σu
σ 12

0
Σu =  .


0

Heteroscedasticidad
0
...
σ
...
.
.
...
2
2
.
0
ρ1
 1
ρ
1
 1
Σu = .
.


 ρn−1 ρ2n−3
Autocorrelación
12/10/2010
0

0
. 


σ n2 
ρn−1 
... ρ2n−a
...
.
.
...
7
. 


1 
Autocorrelación y heteroscedasticidad
(modelos ARCH, GARCH,..)
 σ 12

 ρ1
Σu =  .


ρ
 n −1
ρ1
σ 22
...
.
.
ρ n −1 

ρ 2 n −3 
...
. 


σ n2 
.
ρ 2 n −3
...
12/10/2010
8
Identificación de heteroscedasticidad: métodos
gráficos
Si no existe información a priori sobre la naturaleza de
la heteroscedasticidad, es común llevar a cabo la
estimación del modelo de regresión para luego hacer
un análisis de los residuos que se generan.
La forma inicial del análisis de residuos es mediante
gráficos.
Los residuales se definen como ui = yi − yˆ i .
Entre las propiedades importantes de los residuales se
encuentran que tienen media cero y su varianza se
aproxima por:
∑ ( uˆ − u ) ∑ uˆ
SCE
n
n
2
2
12/10/2010
σˆ 2 =
i =1
i
n−k
=
i =1
i
n−k
=
n−k 9
3
12/10/2010
Tipos de residuales
En ocasiones resulta mejor considerar a los residuales
escalados.
Son útiles además para identificar puntos atípicos o
valores extremos.
Residuales estandarizados que se definen como
uˆ
dˆi = i 2
σ
Residuales estudentizados que se definen como
rˆi =
12/10/2010
uˆ i
σ ⋅ (1 − hii )
2
10
Patrones hipóteticos de los residuos para la identificación de heteroscedasticidad
Los gráficos siguientes muestran un diagrama de
dispersión entre û 2 y Yˆ .
Fuente: Tomado de Gujarati y Porter (2010, 377)
12/10/2010
11
Los gráficos siguientes muestran un diagrama de
dispersión entre û 2 y X .
Fuente:
Tomado de Gujarati y Porter (2010, 378)
12/10/2010
12
4
12/10/2010
Pruebas gráficas en Stata
Stata tiene implementado dentro de sus rutinas
ambos tipos de gráficas para la identificación de
heteroscedasticidad en los residuales.
Despues de estimar el modelo de regresión la sintaxis
a utilizar es: rvfplot y rvpplot.
rvfplot muestra el diagrama de dispersión entre
residuales y valores ajustados.
Por su parte, rvpplot elabora el diagrama de
dispersión entre residuales y cualquiera de las variables
predictoras (X’s), razón por la requiere que se señale
cual es la variable a considerar, esto es, por ejemplo:
rvpplot x2
12/10/2010
13
Calculo de residuales en Stata
Stata permite el calculo de
estandarizados y estudentizados.
los
residuales
Una vez estimado una ecuación de regresión, la
sintaxis es la siguiente:
predict residual, resid (residuales simples)
predict rstand, rstand
(residuales estandarizados)
predict rstud, rstuden
(residuales estudentizados)
12/10/2010
14
Métodos formales: pruebas de Park, Glesjer y
Breusch-Pagan-Godfrey
Las tres pruebas son en esencia muy similares.
Cada una de ellas es una prueba del Multiplicador de
Lagrange (LM), por lo que siguen el mismo
procedimiento general.
Dado el modelo de regresión:
yi = β1 + β 2 x2i + β 3 x3i + ... + β k xki + ui
se realizan los pasos siguientes:
1.- Se estima el modelo de regresión y se obtienen los
residuales: uˆ = y − yˆ
i
i
i
2.- Se estiman las regresiones auxiliares siguientes y
obtienen sus R2.
12/10/2010
15
5
12/10/2010
a) Para la prueba de Park la regresión auxiliar es
ln uˆi2 = α1 + α 2 ln Z 2i + ... + α p ln Z pi + ε i
b) Para la prueba de Glesjer la regresión auxiliar es
uˆi2 = α1 + α 2 Z 2i + ... + α p Z pi + ε i
c) Para la prueba de Breusch-Pagan-Godfrey la
regresión auxiliar es
u~i2 = α1 + α 2 Z 2i + ... + α p Z pi + ε i
donde
 n

u~i2 = uˆi2 /  ∑ uˆi2 / n 
 i =1

12/10/2010
16
En cada regresión auxiliar, las Zi's pueden ser algunos
o todos los regresores
3.- A continuación se calcula el estadístico de prueba
LM. Bajo Ho: homoscedasticidad, se puede demostrar
que el producto del tamaño de la muestra “n” por la R2
obtenida de las regresiones auxiliares sigue
asintoticamente una distribución Ji-cuadrada con un
número de grados de libertad igual al número de
regresores. Esto es:
nR 2 = χ p2
Es importante observar que los estadísticos de prueba
propuestos originalmente por Park y Glesjer son
estadísticos de prueba de Wald. Sin embargo, según lo
precisado por Engle (1984), puesto que todas estas
pruebas son diseñadas para muestras grandes,
operacionalmente son equivalentes a la prueba LM.
12/10/2010
17
4.- Una vez que se encuentra el estadístico de prueba
se compara a nR2 con el valor crítico de Ji-cuadrada.
Así,
2
2
si nR > χ p , la conclusión es que hay
heteroscedasticidad;
2
2
por el contrario, si nR < χ p hay
homoscedasticidad.
Las
pruebas Park, Glesjer, y de Breusch-PaganGodfrey requieren el conocimiento sobre la fuente de
heteroscedasticidad, es decir, la(s) variable(s) Z que
puede ser causa del problema.
En la prueba de Park, el término de error en la
regresión auxiliar puede no satisfacer los supuestos
del modelo de regresión lineal clásico y puede ser
heteroscedástico en sí mismo.
12/10/2010
18
6
12/10/2010
En la prueba de Glejser, el término del error ui es
diferente a cero, puede tener autocorrelación y es,
irónicamente, heteroscedástico.
En la prueba de Breusch-Pagan-Godfrey el término
de error es absolutamente sensible al supuesto de
normalidad (principalmente en pequeñas muestras).
La hipótesis nula de la prueba Breusch-Pagan/CookWeisberg es que la varianza del error es la misma
versus la alternativa de que la varianza del error es
una función multiplicativa de una o más variables
independientes.
12/10/2010
19
Prueba Breusch-Pagan-Godfrey en Stata
La
prueba Breusch-Pagan-Godfrey
implementada en Stata.
La sintaxis es estat hettest
Las opciones posibles son:
ha
sido
estat hettest varlist especifica las variables
explicativas consideradas en la prueba (en caso de omisión
se realiza con los valores ajustados de la dependiente,
yhat).
estat hettest,normal calcula la prueba suponiendo
que los residuales de la regresión se distribuyen
normalmente (es la opción por defecto).
estat hettest,iid provoca que se calcule la versión
N*R2 versión del estadístico de prueba, el cuál elimina el
supuesto de normalidad.
12/10/2010
estat hettest,fstat provoca que se calcule la
versión basada en el estadístico F.
20
Ejemplo
Verificamos la prueba hettest de forma manual. Para
ello se considera la influencia que se sobre el ingreso
(income) presentan las variables: escolaridad (educ),
la experiencia laboral (jobexp) y la raza (race) en
una muestra de 20 individuos, información que se
encuentra en el archivo labora1 ubicado en:
http://www.nd.edu/~rwilliam/stats2/statafile
Una vez recuperado el archivo de datos se calculan
algunas estadísticas descriptivas de la variables en
análisis.
12/10/2010
21
7
12/10/2010
use
http://www.nd.edu/~rwilliam/stats2/statafiles/reg01.dta,
clear
sum
reg income educ jobexp
Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+-------------------------------------------------------income |
20
24.415
9.788354
5
48.3
educ |
20
12.05
4.477723
2
21
jobexp |
20
12.65
5.460625
1
21
race |
20
.5
.5129892
0
1
Del listado se puede señalar que el ingreso promedio
de los individuos en la muestra alcanzo los 24.42
dólares; su nivel escolaridad promedio fue de 12 años
al igual que los años de experiencia laboral.
12/10/2010
22
graph matrix income educ jobexp race
0
10
20
0
.5
1
50
income
0
20
educ
10
0
20
jobexp
10
0
1
race
.5
0
0
50
0
10
20
12/10/2010
23
reg income educ jobexp
Source |
SS
df
MS
-------------+-----------------------------Model | 1538.22521
2 769.112605
Residual | 282.200265
17 16.6000156
-------------+-----------------------------Total | 1820.42548
19 95.8118671
Number of obs
F( 2,
17)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
20
46.33
0.0000
0.8450
0.8267
4.0743
-----------------------------------------------------------------------------income |
Coef. Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------educ | 1.933393 .2099494
9.21 0.000
1.490438
2.376347
jobexp | .6493654 .1721589
3.77 0.002
.2861417
1.012589
_cons | -7.096855 3.626412
-1.96 0.067
-14.74792
.5542052
------------------------------------------------------------------------------
estat hettest
Breusch-Pagan / Cook-Weisberg test for
heteroskedasticity
Ho: Constant variance
Variables: fitted values of income
chi2(1)
12/10/2010 Prob > chi2
=
=
0.12
0.7238
24
8
12/10/2010
-10
-5
Residuals
0
5
10
rvfplot, yline(0)
0
10
20
30
Fitted values
40
12/10/2010
50
25
rvpplot educ, yline(0)
-1 0
-1 0
-5
-5
R e s id u a ls
0
R e s id u a ls
0
5
5
10
10
rvpplot jobexp, yline(0)
0
5
10
educ
15
20
12/10/2010
0
5
10
jobexp
15
20
26
predict yhat
predict e, resid
gen e2= e^2 / (e(rss)/e(N))
reg e2 yhat
Source |
SS
df
MS
-------------+-----------------------------Model | .249695098
1 .249695098
Residual | 24.8679862
18 1.38155479
-------------+-----------------------------Total | 25.1176813
19 1.32198323
Number of obs
F( 1,
18)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
20
0.18
0.6758
0.0099
-0.0451
1.1754
-----------------------------------------------------------------------------e2 |
Coef. Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------yhat | .0127408 .0299691
0.43 0.676
-.050222
.0757036
_cons | .6889345 .7774684
0.89 0.387
-.944466
2.322335
------------------------------------------------------------------------------
display "Chi Square (1) = " e(mss) / 2
Chi Square (1) = .12484755
display "Prob > chi2 = " chi2tail(1, e(mss)/ 2)
Prob > chi2 = .72383527
12/10/2010
27
9
12/10/2010
Prueba Goldfeld-Quandt
Idea: “Si los errores son homoscedásticos entonces
tienen la misma varianza en toda la muestra, razón
por la que la varianza de los residuales de una parte
de las observaciones de la muestra debe tener igual
varianza a la de cualquier otra parte de las
observaciones en la muestra”.
El acercamiento consiste en probar la presencia de
heteroscedasticidad mediante una prueba de igualdad
de varianzas de los residuales mediante la estadística
F.
Se parte del modelo de regresión siguiente:
yi = β1 + β 2 x2i + β 3 x3i + ... + β k xki + ui
12/10/2010
28
Procedimiento
H 0 : ui homoscedasticos
1. Identificar una variable con la que la varianza de los
errores este relacionada. Con propósito ilustrativo,
suponga que es con X1 positivamente.
2. Ordenar en forma ascendente a las observaciones
según los valores de X1.
3. Omitir C observaciones centrales donde C es
especificada a priori, dividiendo a las restantes n-C
observaciones en dos grupos cada uno con un total de
(n-C)/2 observaciones
La determinación de C es arbitraria. Sin embargo,
suele considerarse como criterios el omitir entre un 20
y un 25% de las observaciones totales.
12/10/2010
4.
29
Estimar dos regresiones separadas correspondientes
a los dos grupos; la primera considerando las (n-C)/2
observaciones y la segunda con las (n-C)/2
observaciones. De estas se obtienen la suma de
cuadrados de los errores respectivas: SCE1 que
corresponde a los valores más pequeños de X1 y
SCE2 a la de los valores más grandes de X1 (el grupo
grande de la variación), y se calcula el estadístico de
prueba F.
F=
SCE2 / υ 2
SCE1 / υ1
donde los grados de libertad son
υ1 = υ 2 =
12/10/2010
n−C
2
30
10
12/10/2010
5.
Si ui se distribuye normalmente, la regla de decisión
es:
Rechazar Ho ssi Fc>Ft
donde Ft= F(n-C)/2 , (n-C)/2
Comentarios
- Esta prueba depende fuertemente tanto de la
identificación de la variable X que genera la
heteroscedasticidad como del valor de C.
- Adicionalmente la prueba no puede considerar
situaciones donde la fuente de heteroscedasticidad es
por la combinación de varias variables. En este caso,
debido a que no existe una sola variable que cause del
problema, la prueba de Goldfeld-Quandt concluirá
probablemente que no existe heteroscedasticidad
cuando de hecho si la hay.
12/10/2010
31
Prueba de White (1980)
Establece como hipótesis nula que la varianza de los
errores es constante (homoscedasticidad).
Para probar esto se estima una regresión auxiliar
donde se regresa a los residuales al cuadrado sobre sus
regresores (originales), el cuadrado de los regresores y
los productos cruzados de los regresores.
La prueba no requiere ningún conocimiento previo
sobre la fuente de heteroscedasticidad.
La prueba no depende del supuesto de normalidad de
los errores.
Sea
yi = β1 + β 2 x2i + β 3 x3i + ui
12/10/2010
32
Procedimiento
1.
2.
Estimar el modelo de regresión y obtener sus
residuales.
Estimar la regresión auxiliar siguiente y obtener su
R2 asociada:
uˆi2 = γ 1 + γ 2 x2i + γ 3 x3i + γ 4 x22i + γ 5 x32i + γ 4 x22i x32i + ε i
3.
Calcular la estadística de prueba dado por el
producto de n y R2 obtenido de la regresión auxiliar,
el cual sigue de manera asintótica una distribución
Ji-cuadrada con grados de libertad igual al número
de regresores (sin incluir al término constante) en la
regresión auxiliar. Esto es, nR 2 = χ 52
4.
Si nR2>χ2 la conclusión
heteroscedasticidad.
12/10/2010
es
que
existe
33
11
12/10/2010
Prueba de White en Stata
La prueba de White se puede estimar vía la sintaxis
estat imtest, white o simplemente imtest,
white, o bien whitetst.
Stata computa la prueba extendida de White
considerando en la regresión auxiliar a los residuales
al cuadrado contra todos los regresores, los productos
cruzados y los cuadrados de los distintos regresores.
12/10/2010
34
Ejemplo 2
Se desea establecer la influencia que se sobre el
número de hijos nacidos vivos (ceb) por mujer
presentan las variables: edad de la madre (age), edad
al primer nacimiento (agefbrth) y la escolaridad
(educ). Para ello se considera la información de 4361
mujeres en los Estados Unidos misma que se encuentra
en el archivo fertil2 ubicado en:
http://www.stata-press.com/data/imeus/fertil2
Una vez recuperado el archivo de datos, lo primero a
resolver es determinar qué variables presentan valores
perdidos (missing values).
12/10/2010
35
use http://www.stata-press.com/data/imeus/fertil2, clear
keep
age educ ceb agefbrth
Para ello se puede recurrir al archivo mdesc el cual
realiza un conteo del número de valores perdidos para
cada una de las variables numéricas (findit
mdesc).
mdesc
Variable
Missing
Total Missing/Total
------------------------------------------------age
0
4361
0
educ
0
4361
0
ceb
0
4361
0
agefbrth
1088
4361
.249484
dis 4361- 1088 =3273
drop if missing(agefbrth)
12/10/2010
36
12
12/10/2010
sum
ceb educ age agefbrth
Variable |
Obs
Mean Std. Dev.
Min
Max
-------------+-------------------------------------------------------age |
3273 30.04277 7.984743
15
49
educ |
3273 5.406355 4.067566
0
20
ceb |
3273 3.253284 2.253429
1
13
agefbrth |
3273
19.0113 3.092333
10
38
La edad promedio de las mujeres captadas en la
muestra (con registros validos) fue de 30 años con una
edad al primer nacimiento de 19 años. No obstante,
hubo quienes tuvieron a su primer hijo a los 10 años.
En promedio el número de hijos nacidos vivos por
mujer es de 3.2. La escolaridad promedio fue de 5.4
años.
12/10/2010
37
Se espera que el número de hijos nacidos vivos (ceb):
- aumente con la edad actual de la madre (age);
- disminuya con la edad al primer nacimiento (agefbrth);
- disminuya con mayores niveles de escolaridad (esc)
12/10/2010
38
graph matrix ceb age agefbrth educ
0
50
0
10
20
15
10
ceb
5
0
50
a ge
0
40
30
agefbrth
20
10
20
e duc
10
0
0
12/10/2010
5
10
15
10
20
30
40
39
13
12/10/2010
regress ceb age agefbrth educ
estimates store original
Source |
SS
df
MS
-------------+-----------------------------Model | 9805.3274
3 3268.44247
Residual | 6809.6998 3269 2.08311404
-------------+-----------------------------Total | 16615.0272 3272 5.0779423
Number of obs =
F( 3, 3269)
Prob > F
R-squared
Adj R-squared
Root MSE
3273
= 1569.02
= 0.0000
= 0.5901
= 0.5898
= 1.4433
-----------------------------------------------------------------------------ceb |
Coef. Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------age | .2108335 .0035151
59.98 0.000
.2039414
.2177255
agefbrth | -.2372357 .0088494 -26.81 0.000
-.2545867 -.2198847
educ | -.0729918 .0066071 -11.05 0.000
-.0859462 -.0600374
_cons | 1.824042 .1671298
10.91 0.000
1.496352
2.151732
------------------------------------------------------------------------------
12/10/2010
40
-10
-5
Residuals
0
5
rvfplot
0
2
4
6
8
10
Fitted values
12/10/2010
41
rvpplot agefbrth
-10
-10
-5
-5
Residuals
Residuals
0
0
5
5
rvpplot age
10
12/10/2010
20
30
age
40
50
10
20
30
40
agefbrth
42
14
12/10/2010
predict resid, resid
gen resid2= resid^2
sc resid2 agefbrth
0
0
10
10
20
20
r e s id 2
resid2
30
30
40
40
50
50
sc resid2 age
10
20
30
age
40
50
12/10/2010
10
20
30
40
agefbrth
43
Prueba Goldfeld-Quandt
sort agefbrth
gen m=.
replace m=1 in 1/1452
replace m=2 in 1820/3273
regress ceb age agefbrth educ if m==1
scalar scrm1=e(rss)
scalar df1=e(df_r)
Source |
SS
df
MS
-------------+-----------------------------Model | 4611.97745
3 1537.32582
Residual | 3098.72434 1448
2.140003
-------------+-----------------------------Total | 7710.70179 1451 5.3140605
Number of obs
F( 3, 1448)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
1452
718.38
0.0000
0.5981
0.5973
1.4629
-----------------------------------------------------------------------------ceb |
Coef. Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------age | .2123868 .0053677
39.57 0.000
.2018575
.2229161
agefbrth | -.1071605 .0297124
-3.61 0.000
-.1654445 -.0488765
educ | -.0940836 .0113811
-8.27 0.000
-.1164087 -.0717585
_cons | -.3348579 .5045349
-0.66 0.507
-1.324555
.6548397
12/10/2010
44
------------------------------------------------------------------------------
Prueba Goldfeld-Quandt
regress ceb age agefbrth educ if m==2
scalar scrm2=e(rss)
scalar df2=e(df_r)
scalar F= ((scrm2/df2)/(scrm1/df1))
display F
Source |
SS
df
MS
-------------+-----------------------------Model | 3939.75191
3 1313.25064
Residual |
2814.2646 1450 1.94087214
-------------+-----------------------------Total | 6754.01651 1453 4.64832519
Number of obs
F( 3, 1450)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
1454
676.63
0.0000
0.5833
0.5825
1.3932
-----------------------------------------------------------------------------ceb |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------age |
.2060849
.0051318
40.16
0.000
.1960182
.2161515
agefbrth | -.2807764
.0141002
-19.91
0.000
-.3084354
-.2531173
educ | -.0602906
.0085651
-7.04
0.000
-.0770919
-.0434892
_cons |
2.851509
.3012148
9.47
0.000
2.260645
3.442372
------------------------------------------------------------------------------
12/10/2010
45
15
12/10/2010
Prueba Goldfeld-Quandt
describe
sort agefbrth
dis
dis
dis
dis
dis
dis
dis
3273*.25
3273*.25 =368.25
367/2 =183.5
(3273+1)/2 =1637
1637-184 =1453
1637+184 =1821
1821-1453 =368
drop in 1452/1820
12/10/2010
46
hettest age
agefbrth
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: age agefbrth
chi2(2)
= 1613.76
Prob > chi2 = 0.0000
hettest
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: fitted values of ceb
chi2(1)
= 1633.15
Prob > chi2 = 0.0000
12/10/2010
47
imtest, white
White's test for Ho: homoskedasticity
against Ha: unrestricted heteroskedasticity
chi2(9)
Prob > chi2
=
=
850.98
0.0000
Cameron & Trivedi's decomposition of IM-test
--------------------------------------------------Source |
chi2
df
p
---------------------+----------------------------Heteroskedasticity |
850.98
9
0.0000
Skewness |
56.38
3
0.0000
Kurtosis |
69.03
1
0.0000
---------------------+----------------------------Total |
976.38
13
0.0000
---------------------------------------------------
12/10/2010
48
16
12/10/2010
regress ceb age agefbrth educ,robust
estimates store robustos
Linear regression
Number of obs
F( 3, 3269)
Prob > F
R-squared
Root MSE
=
=
=
=
=
3273
837.36
0.0000
0.5901
1.4433
-----------------------------------------------------------------------------|
Robust
ceb |
Coef. Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------age | .2108335 .0046423
45.42 0.000
.2017314
.2199355
agefbrth | -.2372357
.00958 -24.76 0.000
-.2560191 -.2184523
educ | -.0729918
.006377 -11.45 0.000
-.0854952 -.0604885
_cons | 1.824042 .1615009
11.29 0.000
1.507389
2.140695
------------------------------------------------------------------------------
12/10/2010
49
estimates table original
b(%9.4f) se(%5.3f) t(%5.2f)
robustos,
-------------------------------------Variable | original
robustos
-------------+-----------------------age |
0.2108
0.2108
|
0.004
0.005
|
59.98
45.42
agefbrth |
-0.2372
-0.2372
|
0.009
0.010
|
-26.81
-24.76
educ |
-0.0730
-0.0730
|
0.007
0.006
|
-11.05
-11.45
_cons |
1.8240
1.8240
|
0.167
0.162
|
10.91
11.29
-------------------------------------12/10/2010
50
Soluciones al problema de heteroscedasticidad
Cuando de presenta una estructura de errores
heteroscedastica se puede proceder por alguna de
las siguientes rutas:
a) Emplear una transformación de Y del
tipo Box-Cox;
b) Aplicar
mínimos
cuadrados
ponderados;
c) Corregir los errores estándar por
heteroscedasticidad.
12/10/2010
51
17
12/10/2010
Transformaciones Box-Cox
Box
y Cox (1964) propusieron realizar la
transformación paramétrica Yλ sobre la variable de
respuesta Y de manera tal que Yλ cumpliera con los
supuestos del modelo de regresión lineal (corrige
asimetría, no linealidad y heteroscedasticidad).
Las transformaciones consideradas por los autores
forman parte de la familia de las transformaciones
potencia y raíz.
Su propuesta original fue
y λ −1
12/10/2010
y (λ ) = λ ,
ln y ,
si λ≠0
si λ=0
52
El valor de λ se estima a partir de los datos.
Kutner et. al. (2005) señalan que puede emplearse
simplemente la transformación
y iλ = β 1 + β 2 x i + u i
La forma de determinar el valor de λ considera:
i. el método de máxima verosimilitud,
el cual además de estimar a λ
también estima β1, β2 y σ2;
ii. un proceso de búsqueda numérica
mediante el cual se minimice a la
SCE.
12/10/2010
53
Respecto al procedimiento de busca numérica,
Kutner et. al (2005: 135) apuntan que cada valor de λ
las observaciones yiλ deben ser estandarizadas a fin
de que la SCE no dependa del valor de λ, donde
wi =
K 1 ( y1λ − 1),
K 2 (ln y i ),
si λ≠0
…(A)
si λ=0
donde
 n

K 2 =  ∏ y i 
 i =1 
K1 =
12/10/2010
1
λ K 2λ −1
1/ n
54
18
12/10/2010
Ejemplo
Considerando los datos de la tabla 3.9 de Kutner et.al.
(2005) en la cual se presentan los datos de 25 niños
sanos respecto a su edad (X) y su nivel de plasma
poliamina (Y), moléculas que afectan los aspectos del
desarrollo, crecimiento, senescencia y respuesta al
estrés, se pide encontrar el valor de λ más adecuado
para transformar a la variable Y.
Empleando (A) se obtienen para los valores λ= 1, .9, .7,
.5, .3, .1, 0, -.1, -.3, -.4, .5. -.6, -.7, -.9 y 1.0 siguientes:
12/10/2010
55
k1
1.0000
1.3765
2.7163
5.8365
14.9298
68.7428
--105.5061
-53.9767
-50.1526
-49.7059
-51.3159
-54.4917
-65.0484
-72.5278
lambda
1.0
0.9
0.7
0.5
0.3
0.1
0.0
-0.1
-0.3
-0.4
-0.5
-0.6
-0.7
-0.9
-1.0
k2
8.5163
8.5163
8.5163
8.5163
8.5163
8.5163
8.5163
8.5163
8.5163
8.5163
8.5163
8.5163
8.5163
8.5163
8.5163
12/10/2010
56
child
age
y
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0
0
0
0
0
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
4
13.44
12.84
11.91
20.09
15.60
10.11
11.38
10.28
8.96
8.59
9.83
9.00
8.65
7.85
8.88
7.94
6.01
5.14
6.90
6.77
4.86
5.10
5.67
5.75
6.23
SCE
12/10/2010
1
w1
12.4400
11.8400
10.9100
19.0900
14.6000
9.1100
10.3800
9.2800
7.9600
7.5900
8.8300
8.0000
7.6500
6.8500
7.8800
6.9400
5.0100
4.1400
5.9000
5.7700
3.8600
4.1000
4.6700
4.7500
5.2300
77.9831
0.9
w2
12.8908
12.3162
11.4203
19.1098
14.9388
9.6658
10.9067
9.8327
8.5286
8.1597
9.3901
8.5684
8.2196
7.4171
8.4490
7.5077
5.5381
4.6304
6.4532
6.3203
4.3350
4.5883
5.1850
5.2683
5.7655
70.3505
0.7
w3
14.0276
13.5008
12.6694
19.4689
15.8688
11.0021
12.1868
11.1632
9.8902
9.5235
10.7350
9.9295
9.5832
8.7755
9.8113
8.8675
6.8158
5.8275
7.7833
7.6444
5.4990
5.7809
6.4351
6.5253
7.0588
57.8369
Valor de λ
0.5
w4
15.5606
15.0775
14.3059
20.3240
17.2160
12.7215
13.8526
12.8768
11.6341
11.2696
12.4627
11.6731
11.3293
10.5162
11.5560
10.6097
8.4719
7.3958
9.4948
9.3497
7.0304
7.3442
8.0613
8.1590
8.7315
48.3707
0.3
w5
17.6220
17.1790
16.4629
21.7941
19.1104
14.9570
16.0371
15.1069
13.8937
13.5314
14.7063
13.9323
13.5909
12.7725
13.8163
12.8674
10.6394
9.4676
11.7209
11.5693
9.0610
9.4105
10.1966
10.3024
10.9167
41.3634
0.1
w6
20.3961
19.9899
19.3252
24.0523
21.7345
17.8940
18.9253
18.0386
16.8541
16.4939
17.6510
16.8922
16.5532
15.7295
16.7774
15.8258
13.5032
12.2271
14.6468
14.4884
11.7748
12.1638
13.0256
13.1402
13.7994
36.3689
0
w7
22.1274138
21.7384729
21.0981568
25.5508639
23.396649
19.7027286
20.7104856
19.8447402
18.6743416
18.3151955
19.4635383
18.7122762
18.3744741
17.5480007
18.5979615
17.6450846
15.2733861
13.9416743
16.449462
16.2874788
13.4646355
13.8751402
14.7774326
14.8967526
15.5795614
34.5195
57
19
12/10/2010
reg
w1 age
Source |
SS
df
MS
-------------+-----------------------------Model |
238.0562
1
238.0562
Residual | 77.9830686
23
3.3905682
-------------+-----------------------------Total | 316.039268
24 13.1683028
reg
Number of obs
F( 1,
23)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
25
70.21
0.0000
0.7532
0.7425
1.8413
Number of obs
F( 1,
23)
Prob > F
R-squared
Adj R-squared
=
=
=
=
=
25
75.86
0.0000
0.7673
0.7572
Number of obs
F( 1,
23)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
25
88.19
0.0000
0.7931
0.7841
1.5858
Number of obs
F( 1,
23)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
25
101.57
0.0000
0.8154
0.8073
1.4502
w2 age
Source |
SS
df
MS
-------------+-----------------------------Model | 232.034312
1 232.034312
Residual | 70.3505047
23
3.0587176
-------------+-----------------------------reg
w3 age
Source |
SS
df
MS
-------------+-----------------------------Model | 221.762335
1 221.762335
Residual | 57.8368633
23 2.51464623
-------------+-----------------------------Total | 279.599198
24 11.6499666
reg
w4 age
Source |
SS
df
MS
-------------+-----------------------------Model | 213.615737
1 213.615737
Residual | 48.3707214
23 2.10307484
-------------+-----------------------------Total | 261.986458
24 10.9161024
12/10/2010
58
-0.1
w8
24.1411
23.7686
23.1518
27.3470
25.3447
21.7913
22.7760
21.9307
20.7742
20.4161
21.5558
20.8120
20.4754
19.6461
20.6982
19.7440
17.3220
15.9322
18.5314
18.3659
15.4291
15.8622
16.8070
16.9312
17.6385
33.0559
-0.3
w9
29.2204
28.8788
28.3063
32.0329
30.3029
27.0129
27.9533
27.1475
26.0182
25.6622
26.7848
26.0555
25.7213
24.8866
25.9429
24.9859
22.4598
20.9460
23.7388
23.5658
20.3863
20.8685
21.9043
22.0388
22.7979
31.1768
-0.4
w10
32.4134
32.0863
31.5348
35.0482
33.4400
30.2736
31.1926
30.4058
29.2899
28.9350
30.0491
29.3270
28.9940
28.1565
29.2149
28.2566
25.6764
24.0966
26.9918
26.8149
23.5062
24.0150
25.0995
25.2396
26.0259
30.7182
Valor de l
-0.5
-0.6
w11
w12
36.1475
35.8344
35.3030
38.6163
37.1211
34.0733
34.9714
34.2031
33.1003
32.7465
33.8522
33.1373
32.8054
31.9651
33.0257
32.0660
29.4305
27.7816
30.7832
30.6024
27.1589
27.6958
28.8314
28.9771
29.7917
30.5595
40.5212
40.2213
39.7093
42.8346
41.4446
38.5103
39.3880
38.6378
37.5480
37.1952
38.2927
37.5848
37.2541
36.4110
37.4738
36.5126
33.8204
32.0994
35.2116
35.0268
31.4426
32.0091
33.1983
33.3499
34.1937
30.6875
-0.7
w13
45.6518
45.3646
44.8714
47.8199
46.5275
43.7021
44.5599
43.8274
42.7505
42.3987
43.4879
42.7870
42.4575
41.6116
42.6765
41.7139
38.9636
37.1674
40.3944
40.2055
36.4746
37.0724
38.3175
38.4754
39.3495
31.0902
-0.9
w14
-1
w15
58.7725
67.1314
58.5091
66.8792
58.0513
66.4381
60.6777
68.9176
59.5603
67.8786
56.9395
65.3539
57.7587
66.1545
57.0603
65.4725
56.0086
64.4332
55.6589
64.0845
56.7319
65.1496
56.0448
64.4691
55.7175
64.1431
54.8659
63.2886
55.9353
64.3602
54.9698
63.3933
52.0990
60.4599
50.1421
58.4173
53.6124
62.0165
53.4150
61.8147
49.3714
57.6044
50.0369
58.3066
51.4022
59.7363
51.5732
59.9142
52.5113
60.8861
32.7042
33.9088872
59
30
40
50
SCE
60
70
80
12/10/2010
-1
12/10/2010
-.5
0
lambda
.5
1
60
20
12/10/2010
Transformaciones Box-Cox en Stata
λ
yi
Stata tiene incluida la rutina
para encontrar el valor
de y utilizando el método de máxima versosimitud.
boxcox
y age
Number of obs
LR chi2(1)
Prob > chi2
Log likelihood = -37.983365
=
=
=
25
50.33
0.000
-----------------------------------------------------------------------------y |
Coef.
Std. Err.
z
P>|z|
[95% Conf. Interval]
-------------+---------------------------------------------------------------/theta |
-.5049226
.2926884
-1.73
0.085
-1.078581
.068736
-----------------------------------------------------------------------------Estimates of scale-variant parameters
---------------------------|
Coef.
-------------+-------------Notrans
|
age |
-.0792865
_cons |
1.456585
-------------+-------------/sigma |
.0440194
-----------------------------------------------------------------------------------Test
Restricted
LR statistic
P-value
H0:
log likelihood
chi2
Prob > chi2
--------------------------------------------------------theta = -1
-39.283475
2.60
0.107
theta =
0
-39.506554
3.05
0.081
theta =
1
-49.693662
23.42
0.000
---------------------------------------------------------
12/10/2010
61
Transformación de las variables del modelo
Con el fin de encontrar un estimador con mayor
precisión que el ofrecido por MCO bajo
heteroscedasticidad, la idea es encontrar una
transformación adecuada para ui, de manera tal que
cumpla con el supuesto de homocedasticidad.
Una posibilidad es multiplicar a ui por xi-1/2, para
entonces
 u
Var  1i/ 2
x
 i
 1
 = Var (ui ) = 1 σ 2 xi = σ 2
 x
xi
i

el cual es homoscedastico.
12/10/2010
62
Mínimos Cuadrados Generalizados (MCG)
Si el supuesto de homoscedasticidad no se cumple
entonces se tiene
E (uu' ) = σ 2 Ω
donde Ω es una matriz simétrica nxn que depende
de X pero es diferente de I.
Bajo heteroscedasticidad se tiene
 ω1
0

2
σ Ω = Σu =  .


 0
12/10/2010
0
...
ω2
...
.
.
0
...
.
0
0 
. 


ω n 
63
21
12/10/2010
Dado que la varianzas dependen de los valores de X
(heteroscedastidad condicional), se puede reescribir
a Σu como:
σ2x1 0

2
 0 σ x2
E(uu') = Σu =  .
.


 0
0

0 
x1 0 ... 0 

 0 x ... 0 
...
0 
2


2
2
.
.  =σ  . . . .  =σ V



. .
.
. 

2 
 0 0 ... xn 
... σ xn 
...
Se puede encontrar a una matriz P, llamada matriz de
transformación, tal que al modificar al vector u de
forma
u * = Pu
12/10/2010
64
ofrezca una matriz de var-cov del vector de errores
transformado homoscedastica
Var (u* ) = E (u*u * ' ) = σ 2 I
La matriz de transformación P es de dimensión nxn.
La forma precisa que toma P depende de los
elementos de la matriz Σu.
Es posible considerar multiplicar todo el modelo por la
matriz P
12/10/2010
65
El modelo bajo MCG
Sea
Py = PXβ + Pu
y * = X*β + u*
βˆ = (X* ' X* ) −1 X* ' Y*
son MELI
¿Cómo encontrar a P?
Si σi2 fueran conocidas la corrección sería directa, ya
que se puede considerar para encontrar a P
Lo más realista es que σi2 sean desconocidas.
Afortunadamente
existen
algunos
supuestos
razonables para establecer
el patrón de
heteroscedasticidad los cuales pueden surgir del
examen gráfico.
12/10/2010
66
22
12/10/2010
Patrones de heteroscedasticidad
Uno de los patrones más comunes es que la
varianza del error sea proporcional a Xi2, esto es
E (u 2i ) = σ 2 X i
La transformación a considerar es dividir a todas las
observaciones sobre X i1 / 2 . Así,
x1−1/ 2 0

−1/ 2
 0 x2
P= .
.


 0
0

12/10/2010
...
...
.
.
...
0 

0 
. 

. 
xn−1/ 2 
67
Bajo este patrón, las variables transformadas serán
x1−1/ 2
0

−1/ 2
 0 x2
y* =  .
.


 0
0

x1−1/2 0

−1/2
 0 x2
X* = .
.


0 0

0
0
0
0
.
.
...
 1

 1
.
. ⋅.

.
.  .
... xn−1/2 1
...
...
  y1   y1 / x11/ 2 
   
1/ 2 
  y2   y2 / x1 
⋅ .  =  . 
   

 .  . 
−1/ 2   
1/ 2 

y
xn   n   yn / x1 
...
...
.
.
x11 ... xk1 x1−1/2 x111/2

x12 ... xk2 x−21/2 x112/2
. . .  = .
.
 
. . .  .
.
x1n ... xkn xn−1/2 x11n/2
12/10/2010
... xk1 / x111/2

... x2 / x112/2 
.
. 

.
. 
1/2
... xkn / x1n 
68
El vector de errores transformados
u1 / x11/ 2 

1/ 2 
u2 / x1 
*

u =
. 


 . 
u / x1/ 2 
 n 1 
P esta dado por
x1−1/2 0

−1/ 2
 0 x2
P=  .
.


0 0

12/10/2010
... 0 

... 0 
.
. ⋅

.
. 
... xn−1/2
69
23
12/10/2010
Así,
Py = PXβ + Pu
y * = X*β + u*
βˆ = (X* ' X* ) −1 X* ' Y*
βˆ = (X' P' PX) −1 X' P' PY
donde
x1−1 0

−1
 0 x2
P'P =  .
.


0 0

...
...
.
.
...
0  x1
 
0  0
. = .
 
.  
xn−1   0
0
x2
.
0
12/10/2010
−1
0

0
−1
. .  =V

. .
... xn 
...
...
70
Míminos cuadrados ponderados en Stata
Considerando los
datos que se muestran a
continuación sobre los gastos en comida e ingreso
de 40 hogares así como el modelo:
comidai = β1 + β 2ingresoi + ui
a. Presente
el diagrama de dispersión
correspondiente;
b. Estime el modelo señalado;
c. Identifique si el modelo cumple con el
supuesto de homoscedasticidad;
d. De no cumplir con lo apuntado en (c) corrija
mediante MCP:
12/10/2010
71
Datos sobre gastos en comida e ingreso de 40 hogares.
ID
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
12/10/2010
COMIDA
9.46
10.56
14.81
21.71
22.79
18.19
22.00
18.12
23.13
19.00
19.46
17.83
32.81
22.13
23.46
16.81
21.35
14.87
33.00
25.19
INGRESO
25.83
34.31
42.50
46.75
48.29
48.77
49.65
51.94
54.33
54.87
56.46
58.83
59.13
60.73
61.12
63.10
65.96
66.40
70.42
70.48
ID
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
COMIDA
17.77
22.44
22.87
26.52
21.00
37.52
21.69
27.40
30.69
19.56
30.58
41.12
15.38
17.87
25.54
39.00
20.44
30.10
20.90
48.71
INGRESO
71.98
72.00
72.23
72.23
73.44
74.25
74.77
76.33
81.02
81.85
82.56
83.33
83.40
91.81
91.81
92.96
95.17
101.40
114.13
115.46
72
24
12/10/2010
10
20
COMIDA
30
40
50
Diagrama de dispersión entre los gastos en comida e
ingreso
20
40
60
80
100
120
INGRESO
12/10/2010
73
regress
comida ingreso
Source |
SS
df
MS
-------------+-----------------------------Model | 826.635228
1 826.635228
Residual | 1780.4125 38 46.8529606
-------------+-----------------------------Total | 2607.04773 39 66.8473777
Number of obs
F( 1, 38)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
40
17.64
0.0002
0.3171
0.2991
6.8449
-----------------------------------------------------------------------------comida |
Coef. Std. Err.
t P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------ingreso | .2322533 .0552934
4.20 0.000
.1203176
.344189
_cons | 7.383217 4.008356
1.84 0.073 -.7312761 15.49771
-----------------------------------------------------------------------------12/10/2010
74
-20
-10
Residuals
0
10
20
rvfplot
15
12/10/2010
20
25
F itted values
30
35
75
25
12/10/2010
-20
-10
Residuals
0
10
20
rvpplot ingreso
20
40
60
80
100
120
INGRESO
12/10/2010
76
whitetst
White's general test statistic : 14.58151 Chi-sq( 2) P-value = 6.8e-04
hettest
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: fitted values of comida
chi2(1)
=
Prob > chi2 =
11.28
0.0008
12/10/2010
regress
77
comida ingreso [aweight=1/ ingreso]
Source |
SS
df
MS
-------------+-----------------------------Model | 1027.51018
1 1027.51018
Residual | 1432.39609
38 37.6946339
-------------+-----------------------------Total | 2459.90627
39 63.0745196
Number of obs =
F( 1,
38)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
40
27.26
0.0000
0.4177
0.4024
6.1396
-----------------------------------------------------------------------------comida |
Coef. Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------ingreso | .2551922 .0488781
5.22 0.000
.1562437
.3541407
_cons | 5.782084 3.256587
1.78 0.084
-.8105315
12.3747
------------------------------------------------------------------------------
12/10/2010
78
26
12/10/2010
Errores estándar corregidos por heteroscedasticidad
Si
los
errores
son
heteroscedasticos
condicionalmente, es psoible aplicar un enfoque
robusto.
Hubber (1967) y White (1980) propusieron el
estimador “sandwich” de la varianza de los errores,
el cual corrige la hetersoscedasticidad.
Se ha señalado que bajo heteroscedasticidad
[
Var[βˆ ] = E (X'X)−1 X' E(uu')X(X'X)−1
[
Var[βˆ ] = E (X'X)−1 X'Σu X(X'X)−1
12/10/2010
79
]
]
Ejemplo
Para los datos de gastos en comida e ingreso se
obtienen los errores estándar corregidos de acuerdo
al estimador de Hubber y White.
En Stata se tiene regress comida ingreso, robust
Linear regression
Number of obs =
F( 1,
38) =
Prob > F
=
R-squared
=
Root MSE
=
40
10.73
0.0023
0.3171
6.8449
-----------------------------------------------------------------------------|
Robust
comida |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------ingreso |
.2322533
.0709056
3.28
0.002
.0887125
.3757942
_cons |
7.383217
4.403557
1.68
0.102
-1.531318
16.29775
------------------------------------------------------------------------------
12/10/2010
80
0
.1
Density
.2
.3
.4
histogram resid, normal
-10
-5
0
5
Residuals
12/10/2010
81
27
12/10/2010
Prueba Jarque_Bera
sum resid, detail
scalar nobs=r(N)
scalar s=r(skewness)
scalar k=r(kurtosis)
scalar JB=(nobs/6)*(s^2+((k-3)^2)/4)
scalar chi2_95=invchi2(2,.95)
scalar pval=1-chi2(2,JB)
di JB
di chi2_95
di pval
JB= 657.94501
chi2_95= 5.9914645
pvalue=0
12/10/2010
82
Prueba SK
sktest
resid
Skewness/Kurtosis tests for Normality
------- joint -----Variable | Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2
-------------+--------------------------------------------------------------resid | 3.3e+03 0.0000
0.0000
.
0.0000
12/10/2010
83
28