Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.
Heterosceasticidad
Este supuesto indica que en el modelo clásico de regresión lineal las perturbaciones o el
error que aparecen en la función de regresión poblacional, todas tienen diferente varianza,
es decir son heteroscedásticas (Gujarati, 1978). La heteroscedasticidad también tiende a
aparecer cuando en el transcurso del tiempo se mejoran las técnicas de recolección de
datos, o bien sea por la presencia de datos atípicos, entre otras. Cuando surge este supuesto
en un modelo se recomienda el uso de estimación por mínimos cuadrados generalizados
(MCG), el cual aprovecha la información contenida en la variabilidad desigual de la
variable dependiente, y asigna diferentes pesos a cada observación.
Ahora, existen varios métodos mediante los cuales se puede identificar o detectar la
heteroceasticidad, uno de ellos son los informales, comprendidos por la identificación de la
naturaleza del problema, o el análisis gráfico de los residuos estimados frente a la variable
explicada estimada, analizando la naturaleza de la varianza. Por otra parte, existen los
métodos formales como lo son la prueba de Park, la prueba de Glejser, la prueba de
correlación de orden de Spearman, prueba de Goldfeld-Quandt, prueba de Breusch-Pagan,
entre otros.
La heteroscedasticidad deja ineficientes las propiedades de insesgamiento y consistencia
de estimadores de MCO. La falta de eficiencia resta credibilidad a las pruebas de hipótesis,
y por consiguiente en necesario introducir medidas correctivas como el método de mínimos
cuadrados ponderados MCP, cuando se conoce la varianza estimada de las observaciones, o
métodos como el de White, cuando no se conoce la varianza estimada de las observaciones.