Homocedasticidad
De Wikipedia, la enciclopedia libre
La homocedasticidad es una propiedad fundamental del modelo de regresión lineal general y está dentro de sus supuestos clásicos básicos.
Se dice que existe homocedasticidad cuando la varianza de los errores estocásticos de la regresión son los mismos para cada observación i (de 1 a i observaciones), es decir:
donde 
es un escalar constante para todo i. Lo que significaría que habría una distribución de probabilidad de idéntica amplitud para cada variable aleatoria.
Esta cualidad es necesaria, según el Teorema de Gauss-Markov, para que en un modelo los coeficientes estimados sean los mejores o eficientes, lineales e insesgados.
Cuando no se cumple esta situación, decimos que existe Heterocedasticidad, que es cuando la varianza de cada termino de perturbación (ui) no es un número constante 
.
Este fenómeno suele ser muy común en datos de Corte Transversal y también se presenta, menos frecuentemente, en series de tiempo.
Si se regresiona un modelo a través de Mínimos Cuadrados Ordinarios con presencia de heterocedasticidad, los coeficientes siguen siendo lineales e insesgados pero ya no poseen mínima varianza (eficiencia).
Tabla de contenidos |
[editar] Causas frecuentes de ausencia de Homocedasticidad
[editar] Variables independientes que posean un gran recorrido con respecto a su propia media
Esto generalmente ocurre cuando se ha dispuesto arbitrariamente el orden de las observaciones, generando, casualmente que existan observaciones con grandes valores en una determinada variable explicativa y los mismo con valores pequeños de esta misma variable.
[editar] Omisión de variables importantes dentro del modelo a estimar
Obviamente, si se omite una variable de relevancia en la especificación, tal variable quedara parcialmente recogida dentro de las perturbaciones aleatorias, introduciendo en estas su propia variación, que no será necesariamente fija.
[editar] Cambio de Estructura
El hecho de que se produzca un cambio en la estructura determina un mal ajuste de los parámetros al conjunto de los datos muestrales. Y este no tiene porque influir del mismo modo en todo el recorrido de la muestra, pudiendo producir cuantías de desajuste del modelo diferentes y, por lo tanto, varianza no constante.
[editar] Utilizar variables no relativizadas
Cuando existen observaciones dentro de una variable en concreto, y que poseen un valor mayor a las otras variables explicativas, puede originar valores del error diferentes. Esta situación es similar a la explicada al principio pero con la salvedad que en este caso se compara con las otras variables (inclusive con la dependiente) y no con respecto a su media.
[editar] Consecuencias de estimar en presencia de heterocedasticidad
[editar] Incorrecta estimación de los parámetros
En presencia de heterocedasticidad, la matriz de varianzas-covarianza no seria escalar, requisito necesario para estimar correctamente por MCO.
[editar] Calculo incorrecto de las varianza y parámetros ineficientes
La mayor varianza por empleo de MCO en presencia de heterocedasticidad puede producir un incremento de más de 10 veces en la varianza estimada del parámetro constante.
[editar] Invalidación de los contrastes de significancia
Ya que se aceptaría la hipótesis nula de los contrastes de significancia más veces de las reales. Generalmente resulta que ciertas variables podrían resultar no ser significativas cuando lo son realmente.
[editar] Referencias
- Damonar N. Gujarati. “Econometría”;
- Jorge Dresder Cid. “Nociones de Econometría Intermedia”
- Novales, A. “Econometría”
