TEMA 7.

INCOMPLIMENT DE LES HIPÒTESIS

BÀSIQUES

Econometria (ADE)
Universitat de València
Curs 2022-2023

1
Tema 7. Incompliment de les hipòtesis
bàsiques
1. Introducció
2. Multicol·linealitat
3. Normalitat
4. Heteroscedasticitat
5. Autocorrelació

Referències: Introducció a l’Econometria, E. Uriel (capítol 6)

2
7.1. Introducció

• En el tema 3 vérem que si és compleixen una sèrie de supòsits o

hipòtesis estadístiques bàsiques:
1. Els estimadors de MQO del MRL són ELNEO: estimadors lineals
no esbiaixats i òptims (en anglès, BLUE: Best Linear Unbiased
Estimator).
2. Els estimadors de MQO es distribueixen com:
̂
𝛽𝛽~𝑁𝑁 ̂ , on 𝑉𝑉𝑉𝑉𝑉𝑉 𝛽𝛽̂𝑗𝑗 :
𝛽𝛽, 𝑣𝑣𝑣𝑣𝑣𝑣(𝛽𝛽)
𝜎𝜎 2 𝜎𝜎 2
𝑉𝑉𝑉𝑉𝑉𝑉 𝛽𝛽̂𝑗𝑗 = =
SQT𝑗𝑗 1 − R𝑗𝑗2 𝑁𝑁 ∗ 𝑉𝑉𝑉𝑉𝑉𝑉(x𝑗𝑗 ) 1 − R𝑗𝑗2
• Per contra, si alguna de les hipòtesis bàsiques no és compleix, els
estimadors de MQO poden deixar de ser ELNEO.
3
7.1. Introducció

Recordant els supòsits del Model Lineal Clàssic (MLC)

• Supòsit 1. Lineal en els paràmetres
• Supòsit 2. Mostreig aleatori
• Supòsit 3. Mitjana condicional igual a zero Ε 𝑢𝑢 𝑥𝑥 = 0
Aquesta condició implica que les variables explicatives són exògenes.
• Supòsit 4. Absència de multicol·linealitat perfecta.
• Supòsit 5. Homoscedasticitat: 𝑣𝑣𝑣𝑣𝑣𝑣(𝑢𝑢|𝑥𝑥) = 𝜎𝜎 2
• Supòsit 6. No autocorrelació. Les pertorbacions no estan
correlacionades entre si: 𝐸𝐸 𝑢𝑢𝑖𝑖 , 𝑢𝑢𝑗𝑗 = 0 per a 𝑖𝑖 ≠ 𝑗𝑗.
• Teorema de Gauss-Markov: sota els supòsits de l’1 al 6 els estimadors
MQO són no esbiaixats i òptims o eficients (variància mínima).
+ Supòsit Normalitat: 𝑢𝑢~𝑁𝑁(0, 𝜎𝜎 2 )

4
7.1. Introducció

Recordant els supòsits del Model Lineal Clàssic (MLC)

• SUPÒSITS GAUSS-MARKOV + NORMALITAT= Supòsits del Model Lineal
Clàssic (MLC): els estimadors MQO són els estimadors no esbiaixats amb
mínima variància entre els estimadors lineals i no lineals.
• Si es compleixen els supòsits de Gauss-Markov (propietats de la 1 a la
6), els estimadors són ELNEO. És a dir, no és necessària la propietat de
normalitat per a que els 𝛽𝛽̂ siguen no esbiaixats i òptims.
• Però la hipòtesi de normalitat (𝑢𝑢~𝑁𝑁(0, 𝜎𝜎 2 )) és necessària per a saber
̂ Això és el que ens permet fer inferència
com es distribueixen els 𝛽𝛽.
(contrastos d’hipòtesis).
• Ara examinarem quins problemes plantegen els incompliments d’alguns
dels supòsits del model lineal clàssic.

5
7.1. Introducció

Implicacions de l’incompliment d’alguns dels supòsits del MLC:

• Multicol·linealitat: Si hi ha una elevada col·linealitat entre els regressors
(les X), els estimadors MQO segueixen sent ELNEO, però la seua
variància és elevada, és a dir són poc precisos.
• No normalitat: Si les pertorbacions no segueixen una distribució
normal, els estimadors continuen sent ELNEO, però ja no seguiran una
distribució normal; per tant, tindrem problemes per fer contrastos amb
els estadístics habituals (t, F…).
• Heteroscedasticitat: Si les pertorbacions no són homoscedàstiques, els
estimadors MQO continuen sent no esbiaixats, però ja no seran òptims.
• Autocorrelació: Si les pertorbacions estan correlacionades, els
estimadors MQO continuen sent no esbiaixats, però ja no seran òptims.

6
7.2. Multicol·linealitat

• Hi ha col·linealitat quan els regressors (les X) estan

correlacionats.
• Un dels objectius del MRL és explicar el comportament
d'una variable (Y) en funció d'una sèrie de variables
explicatives (𝑥𝑥1 , … , 𝑥𝑥𝑘𝑘 ). Per a d’això cal separar els efectes
de cadascun dels regressors sobre la 𝑦𝑦.
• Si les variables explicatives tendeixen a moure’s
conjuntament (és a dir, estan correlacionades), el model
presentarà cert grau de multicol·linealitat i la separació dels
efectes individuals de cada X sobre Y es veurà dificultada.
Exemple: l'experiència laboral i l'edat com a variables explicatives dels
salaris.

7
7.2. Multicol·linealitat

Multicol·linealitat perfecta
• Es tracta d'un cas teòric ja que en la pràctica no sol produir‐se
aquest tipus de multicol·linealitat.
• Es produeix solament quan hi ha un regressor que és una
combinació lineal exacta d'altres regressors del model. Per
exemple: trampa de les fictícies, despesa mesurada en euros i en
dòlars...
• Si hi ha col·linealitat perfecta no és possible efectuar estimacions
dels paràmetres, els estimadors no estan definits i per això ni tan
sols cal plantejar‐se quines propietats tenen els estimadors.
• La col·linealitat perfecta és una “curiositat” teòrica. En la pràctica
no sol donar‐se i si es donara no podríem estimar, la qual cosa ens
avisaria de la seua existència.

8
7.2. Multicol·linealitat
• En la pràctica no solen donar‐se situacions de multicol·linealitat
perfecta, a no ser que es dissenye mal el model.
• No obstant això, sí que és habitual que les variables explicatives
presenten cert grau de col·linealitat.
• Com més alta siga la correlació entre els regressors, més difícil serà
separar els seus efectes, fent que augmenten les variàncies dels
estimadors MQO. Augmenta el risc d'obtenir estimacions imprecises.
• Si l'elevada correlació entre els regressors fa que els resultats de
l'estimació siguen “insatisfactoris”, direm que el model sofreix de
multicol·linealitat.
• En tota regressió hi ha certa multicol·linealitat, per la qual cosa només
es diu que existeix multicol·linealitat quan es creu que està afectant
seriosament els resultats de regressió.

9
7.2. Multicol·linealitat
• La col·linealitat és part d'un problema més general que és la precisió
dels estimadors. Com menor siga la variància, més precisos seran els
estimadors i per tant més fiables seran les estimacions.
• En el tema 3 vam veure que la variància dels estimadors depenia de 4
factors: 𝝈𝝈𝟐𝟐 , 𝑵𝑵, 𝑽𝑽𝑽𝑽𝑽𝑽 x𝒋𝒋 i 𝑹𝑹𝟐𝟐𝒋𝒋 .
𝜎𝜎 2 𝜎𝜎 2
𝑉𝑉𝑉𝑉𝑉𝑉 𝛽𝛽̂𝑗𝑗 = =
SQT𝑗𝑗 1 − R𝑗𝑗2 𝑁𝑁 ∗ 𝑉𝑉𝑉𝑉𝑉𝑉(x𝑗𝑗 ) 1 − R𝑗𝑗2

1. Si augmenta la variància de l'error, 𝜎𝜎 2 , augmenta la variància dels

estimadors.
2. Si augmenta la variabilitat del regressor 𝑉𝑉𝑉𝑉𝑉𝑉(x𝑗𝑗 ), disminueix la variància
de l'estimador.
3. Si augmenta la grandària mostral (𝑁𝑁) disminueix la variància de
l'estimador.
4. El factor 1 − R𝑗𝑗2 està relacionat amb la col·linealitat dels regressors.

10
7.2. Multicol·linealitat
Com afecta la col·linealitat a la variància dels estimadors?
• Si hi ha una elevada col·linealitat entre els regressors (X), els estimadors
MQO segueixen sent ELNEO, però la seva variància és elevada, és a dir
són poc precisos.
• Si hi ha un elevat grau de col·linealitat entre els regressors, estem dient
que x𝑗𝑗 està molt correlacionat amb un o més dels altres regressors del
model; i si això ocorre, és com si els altres regressors poguessin explicar
el comportament de x𝑗𝑗 .
• El quart factor R𝑗𝑗2 representa la proporció de la variació total en x𝑗𝑗
que és explicada per la resta de regressors. Si la col·linealitat és elevada,
R𝑗𝑗2 serà elevat.
• Si R𝑗𝑗2 augmenta, la variància dels estimadors també augmenta.
• Si R𝑗𝑗2 = 1, estaríem en el cas de multicol·linealitat perfecta. En aquest
cas, no es poden obtenir els estimadors MQO. La seua variància és com
si fos infinita.
11
7.2. Multicol·linealitat

Què ocorre si R𝑗𝑗2 és elevat?

𝜎𝜎 2 𝜎𝜎 2
𝑉𝑉𝑉𝑉𝑉𝑉 𝛽𝛽̂𝑗𝑗 = =
SQT𝑗𝑗 1 − R𝑗𝑗2 𝑁𝑁 ∗ 𝑉𝑉𝑉𝑉𝑉𝑉(x𝑗𝑗 ) 1 − R𝑗𝑗2
• La variància de MQO serà elevada, la qual cosa és un problema per a la
precisió i fiabilitat del nostre estimador.
• No obstant això, no hi ha un valor de R𝑗𝑗2 ens diga inequívocament si la
multicol·linealitat constitueix un problema greu.
• En realitat el problema de la multicol·linealitat (R𝑗𝑗2 → 1) és similar a
tenir una mostra menuda (N xicotet) o amb poca variabilitat de x𝑗𝑗
(𝑉𝑉𝑉𝑉𝑉𝑉(x𝑗𝑗 )), o un fenomen amb molt de soroll (𝜎𝜎 2 ).
• És a dir, la multicol·linealitat és un dels factors que ens poden portar a
tenir estimadors amb poca precisió.
• Una gran correlació entre dos regressors generalment és irrellevant en
l'estimació dels efectes dels altres regressors.
12
7.2. Multicol·linealitat
Com podem detectar si el nostre model té problemes de col·linealitat?
• La multicol·linealitat és un problema essencialment mostral associat a
les variables explicatives: això fa que no es compte amb un mètode únic
o amb contrastos estadístics pròpiament dits per detectar aquells casos
en que la multicol·linealitat constitueix un problema seriós.
• Tenim unes regles generals (algunes formals i altres informals), com ara:
1. Altes correlacions entre parelles de regressors.
2. Xicotets canvis en la mostra provoquen grans canvis en les estimacions.
3. Un R2 elevat (que significa que els regressors expliquen un alt % de la variància
de Y, per la qual cosa els regressors seran conjuntament significatius) però
poques variables significatives individualment.
4. FAV (factor d’engrandiment de la variància).

13
7.2. Multicol·linealitat

• Les dades en economia es recullen per recopilació passiva, poc

podem fer si resulta que dos regressors estan correlacionats en la
nostra mostra.
Algunes possibles solucions:
• Millorar el disseny de la mostra: Tractar d'obtenir una mostra en
que les variables explicatives estiguen menys correlacionades. Per
exemple, en la determinació del salari, es pot seleccionar un
subconjunt d’individus per als que l'edat i l'experiència no
estiguen tan correlacionats.
• Eliminar el regressor col·lineal. Si dos variables estan molt
correlacionades, és perquè aporten essencialment la mateixa
informació.

14
7.2. Multicol·linealitat

Algunes possibles solucions (continuació):

• Utilitzar informació extra mostral. Per exemple, conèixer el valor
de certs paràmetres per altres recerques. Establint restriccions
sobre els paràmetres o combinant les variables si són
conceptualment semblants, d'aquesta forma es redueixen els
paràmetres a estimar i es pal·lien possibles deficiències mostrals.
• Transformar les variables: (ràtios, taxes de creixement, primeres
diferències, desviacions respecte a una tendència). Ha de tenir‐se
en compte la teoria econòmica per veure si tenen sentit.

15
7.2. Multicol·linealitat
• Solucionar o alleujar la col·linealitat és complicat i no sempre és
possible.
• També podríem intentar alleujar els efectes que provoca la col·linealitat
intentant que els altres 3 factors que afecten la precisió dels estimadors
contribueixen a reduir la variància:
𝜎𝜎 2
𝑉𝑉𝑉𝑉𝑉𝑉 𝛽𝛽̂𝑗𝑗 =
𝑁𝑁 ∗ 𝑉𝑉𝑉𝑉𝑉𝑉(x𝑗𝑗 ) 1 − R𝑗𝑗2

1. Recollir més dades (↑N). Evidentment, això no sempre és factible.

2. Augmentar la variabilitat del regressor del qual vull estimar l’efecte
(↑ 𝑉𝑉𝑉𝑉𝑉𝑉(x𝑗𝑗 )).
3. Reduir 𝜎𝜎 2 . És possible?

16
7.2. Multicol·linealitat
Algunes reflexions sobre la col·linealitat:
• Als investigadors ens agradaria entendre tots els fenòmens i
estimar de forma precisa els efectes de tots els regressors,
però això no és sempre possible.
• Cal preguntar‐se: la multicol·linealitat és necessàriament un
problema?
• Si l'objecte de la regressió no és la interpretació o estimació dels
efectes individuals dels diferents regressors sinó tan sols la predicció
del regressant, en aquest cas la col·linealitat no és un problema greu.
• Si l'objectiu del meu model és la predicció, llavors un elevat R2 és
suficient perquè el model compleixi amb el seu objectiu de ser
adequat per a la predicció.

17
7.2. Multicol·linealitat

Una multinacional desitja analitzar els factors que determinen els salaris dels seus
treballadors i per a això es disposa d'una mostra per la qual es coneix:
• SALARI: salari brut anual del treballador en milers d'euros.
• EXPLAB: experiència laboral del treballador en anys.
• SEXE: variable fictícia que pren valor 1 si el treballador és home i 0 en cas contrari.
• TAMSUC: grandària de la sucursal mesurada pel nombre de treballadors.

18
7.2. Multicol·linealitat

Detecteu algun problema en l'estimació del model? Com ho solucionaríeu?

19
7.3. Normalitat

• La construcció dels intervals de confiança i els contrastos

d’hipòtesi s’han desenvolupat partint del supòsit de que els
estimadors segueixen una distribució normal.
• És a dir, els contrastos de significació F i t que utilitzem estan
basats en el supòsit de normalitat de les pertorbacions.
• Què ocorre si la pertorbació no segueix una distribució normal?
• Si les pertorbacions no segueixen una distribució normal, els
estimadors continuen sent ELNEO, però ja no seguiran una
distribució normal.
• Tindrem problemes per fer contrastos amb els estadístics
habituals (t, F…).

20
7.3. Normalitat

Com podem contrastar si les pertorbacions segueixen una

distribució Normal?
• Com podem contrastar alguna cosa sobre les pertorbacions
(u) si no són observables?
• Per a contrastar alguna propietat de les u utilitzarem els
residus (que sí que són observables una vegada estimat el
model).
• Per a contrastar si les u són normals utilitzarem els residus
(𝑢𝑢),
� que sí que són observables una vegada hem estimat el
model.

21
7.3. Normalitat

• Per tal de comprovar si u és normal, contrastarem si els

residus (𝑢𝑢)
� segueixen una normal.
• Per a contrastar la hipòtesi de normalitat, existeixen
múltiples contrastos (Kolmogorov-Smirnov, Shapiro-Wilks,
Jarque-Bera, ...).
• Utilitzarem el contrast de Jarque-Bera (JB): aquest contrast
es basa en que en qualsevol distribució normal, el coeficient
d’asimetria (S) és zero i el coeficient de kurtosis (K) és 3.

22
7.3. Normalitat
• La hipòtesi nul·la del contrast de JB és Normalitat, i l’alternativa és no
normalitat:
𝐻𝐻0 : 𝑆𝑆 = 0 i 𝐾𝐾 = 3
𝐻𝐻1 : 𝑆𝑆 ≠ 0 o 𝐾𝐾 ≠ 3
• L’estadístic de JB és:
𝑁𝑁 2 𝐾𝐾 − 3 2
𝐽𝐽𝐽𝐽 = (𝑆𝑆 + )
6 4
• En una distribució normal teòrica, l'anterior expressió prendrà un valor
nul, ja que els coeficients d'asimetria ( 𝑆𝑆 ) i curtosi (K) prenen
respectivament els valors de 0 i 3.
• Es distribueix asimptòticament com una χ2 amb 2 graus de llibertat.

23
7.3. Normalitat
• El valor de χ22 per a un nivell de significació del 5% (α=0.05)=5.99
• Si el valor obtingut de l'estadístic de Jarque-Bera és menor que el valor
crític χ22, no es rebutja la hipòtesi nul·la de normalitat. En cas contrari
es rebutja la hipòtesi nul·la de normalitat.
• Si la mostra és suficientment gran, el supòsit de normalitat de la
pertorbació no és necessari i es pot realitzar inferència aproximada.

24
7.3. Normalitat

• El valor de l’estadístic de contrast és 676,58, que és major que 5,99. Per tant rebutgem la hipòtesi nul·la
de normalitat de les pertorbacions.
• El valor de probabilitat del contrast és 0,0000, és menor que 0.05, per tant, rebutgem la hipòtesi nul·la
al 5%.
• Però la mostra de la que s’ha obtingut esta distribució dels residus està formada per 1695 famílies. Per
tant, l’incompliment de la normalitat no té conseqüències greus. Podem fer inferència (aproximada).

25
7.4. Heteroscedasticitat

• La presència d’heteroscedasticitat suposa l’incompliment del

supòsit 5:
Homoscedasticitat: 𝑣𝑣𝑣𝑣𝑣𝑣(𝑢𝑢|𝑥𝑥) = 𝜎𝜎 2
• La homoscedasticitat implica que la variabilitat de les u és la
mateixa per a tots els individus.
• Sota la hipòtesi d'homoscedasticitat s'han d'estimar k+1 paràmetres: k
coeficients (β) més la variància de les pertorbacions (𝜎𝜎 2 ).
• Si les pertorbacions no són homoscedàstiques, els estimadors
MQO continuen sent no esbiaixats, però ja no seran òptims.

26
7.4. Heteroscedasticitat

• Si no es compleix la hipòtesi d'homoscedasticitat; és a dir, si hi ha

heteroscedasticitat:
𝑣𝑣𝑣𝑣𝑣𝑣 𝑢𝑢|𝑥𝑥𝑖𝑖 = 𝜎𝜎𝑖𝑖2 ,
la variabilitat o volatilitat de cada observació serà diferent.
• Açò equivaldria a estimar (k+N) paràmetres: k coeficients (β) més una
variància per a cada observació. Això no és possible, ja que el nombre
de paràmetres a estimar és major que el nombre d'observacions
disponibles (N).
• Serà necessari suposar que l'heteroscedasticitat segueix un
determinat esquema de comportament.

27
7.4. Heteroscedasticitat
• Quan hi ha homoscedasticitat, totes les pertorbacions del model tenen la
mateixa variància.
• Quan hi ha heteroscedasticitat, la variància de les pertorbacions (u) no és
constant, és diferent per a cada valor de i.

Homoscedasticitat Heteroscedasticitat

28
7.4. Heteroscedasticitat
• Gràficament, el supòsit d’homoscedasticitat vol dir que la variabilitat al
voltant de la línia de regressió és la mateixa al llarg de tota la mostra de
les x; és a dir, que no augmenta o disminueix quan x varia.

Figura 7.1. Diagrama de dispersió Figura 7.2. Diagrama de dispersió

corresponent a un model amb corresponent a un model amb
pertorbacions homoscedàstiques. pertorbacions heteroscedàstiques.
29
7.4. Heteroscedasticitat
Causes de l’heteroscedasticitat
• En els models estimats amb dades de tall transversal és freqüent que hi haja
problemes d’heteroscedasticitat. No obstant això, l’heteroscedasticitat també es
pot presentar en models estimats amb sèries temporals (molt freqüent en sèries
de dades financeres).
• Quins factors poden causar que les pertorbacions d’un model siguen
heteroscedàstiques?
1. Influència de la mida d'una variable explicativa en la mida de la pertorbació:
si el model incorpora variables com la renda, la riquesa o el tamany
empresarial, és probable que hi haja problemes d’heteroscedasticitat.
Exemple: despesa de les famílies en hotels en funció de la renda disponible.
La variable renda té una gran variabilitat. Les famílies amb rendes baixes
gastaran poc en hotels: per a esta submostra, podem esperar que les
oscil·lacions en la despesa d'unes famílies a altres no siguen importants. En
canvi, en les famílies amb rendes altes es pot esperar una major variabilitat.
30
7.4. Heteroscedasticitat
1. Influència de la mida d'una variable explicativa en la mida de la pertorbació
(cont.). Altres exemples:
‒ Demanda de bens de luxe: conforme augmenta la renda, augmentarà el seu
consum però també la seua variabilitat.
‒ Despesa empresarial en I+D+i. Entre empreses menudes no hi haurà grans
diferències, però a mesura que augmenta el tamany empresarial, augmentarà
la volatilitat d’aquesta variable: les empreses grans poden dur a terme
importants projectes d’inversió o no invertir.
2. La presència de valors anòmals (outliers) pot causar heteroscedasticitat. La
inclusió d'una observació d'aquest tipus pot alterar substancialment els
resultats de l'anàlisi de regressió i causar heteroscedasticitat.
3. Errors d’especificació: l’especificació errònia d’un model, tant per l’omissió de
variables rellevants com per erros en la forma funcional, poden generar
problemes d’heteroscedasticitat.

31
7.4. Heteroscedasticitat
Conseqüències de l’heteroscedasticitat
• Quan hi ha heteroscedasticitat:
1. Els estimadors obtinguts per MQO no són òptims. Per tant, el mètode
de mínims quadrats ordinaris ja no és el més adequat.
2. L'estimació de les variàncies dels estimadors obtinguda aplicant la
fórmula usual no és vàlida. Conseqüentment, els estadístics t i F
basats en aquesta estimació donaran lloc a inferències errònies.
Què es pot fer?
La solució teòrica és estimar per Mínims Quadrats Generalitzats (MQG).
Però no sempre és factible.
Si decidim utilitzar MQO (encara que no és òptim), com a mínim hem de
calcular les variàncies dels estimadors correctament: variàncies robustes
a la heteroscedasticitat.

32
7.4. Heteroscedasticitat
Com podem detectar la presència d’heteroscedasticitat?
• Una primera aproximació consisteix a analitzar el gràfic dels residus mínims
quadràtics enfront de la Y‐estimada o enfront del regressor que creiem que està
generant l'heteroscedasticitat.
Residuos de la regresión (= MARKTVAL observada - estimada)
800

600 Els residus no són constants

per a les distintes
400
observacions de la mostra.
Tenim un problema
d’heteroscedasticitat:
200
residuo

0
Per a les empreses més
grans, els residus són
-200 majors.

-400

-600
0 200 400 600 800 1000 1200
BOOKVAL
33
7.4. Heteroscedasticitat
Detecció de l’heteroscedasticitat
• A banda d’una primera aproximació visual, existeixen contrastos
d’heteroscedasticitat: Breusch-Pagan-Godfrey i el contrast de
White.
• Veurem només el constrast de White.
• En el test de White, la hipòtesi nul·la i l’alternativa són:
𝐻𝐻0 : 𝜎𝜎𝑖𝑖2 = 𝜎𝜎 2 ∀𝑖𝑖 És a dir, 𝐻𝐻0 : Homoscedasticitat
𝐻𝐻1 : 𝜎𝜎𝑖𝑖2 = 𝑓𝑓(𝑥𝑥𝑖𝑖 ) 𝐻𝐻1 : Heteroscedasticitat

34
7.4. Heteroscedasticitat
Detecció de l’heteroscedasticitat. Test de White
Els passos per a efectuar aquest contrast són:
1. S'estima el model original i es calculen els residus al quadrat.
𝑦𝑦𝑖𝑖 = 𝛽𝛽1 + 𝛽𝛽2 𝑋𝑋2𝑖𝑖 + 𝛽𝛽3 𝑋𝑋3𝑖𝑖 + 𝑢𝑢𝑖𝑖
2. Es realitza la següent regressió auxiliar, prenent com regressant el quadrat
dels residus obtinguts en l'estimació del model original:
𝑢𝑢� 𝑖𝑖2 = 𝛼𝛼1 + 𝛼𝛼2 𝑋𝑋2𝑖𝑖 + 𝛼𝛼3 𝑋𝑋3𝑖𝑖 + 𝛼𝛼4 𝑋𝑋2𝑖𝑖
2 2
+ 𝛼𝛼5 𝑋𝑋3𝑖𝑖 + 𝛼𝛼6 𝑋𝑋2𝑖𝑖 𝑋𝑋3𝑖𝑖 + ε𝑖𝑖
Se suposa que els residus depenen de les x del model original, de les x2 i dels
productes creuats entre les diferents variables explicatives. Com més gran siga
𝑅𝑅2 , major serà la dependència dels residus respecte a les variables exògenes,
per la qual cosa es tendirà a rebutjar el supòsit de Homocedasticitat.
2
3. Designant per 𝑅𝑅𝑟𝑟𝑟𝑟 al coeficient de determinació de la regressió auxiliar, es
2
calcula l'estadístic 𝑛𝑛𝑅𝑅𝑟𝑟𝑟𝑟 .
4. S’efectua el contrast.
35
7.4. Heteroscedasticitat
Detecció de l’heteroscedasticitat. Test de White
• L’estadístic de White (W) sota la hipòtesi nul·la té la següent
distribució:
2
𝑊𝑊 = 𝑛𝑛𝑅𝑅𝑟𝑟𝑟𝑟 → χ2m
• És distribueix asimptòticament com una Chi-quadrat amb m
graus de llibertat, sent m el nombre de regressors en la
regressió auxiliar, excloent el terme independent (nombre
de regressors de la ra menys 1).
2
• Si l’estadístic de White= 𝑛𝑛𝑅𝑅𝑟𝑟𝑟𝑟 > χ2m, rebutjarem la Hipòtesi
nul·la: hi ha heteroscedasticitat.

36
7.4. Heteroscedasticitat
Test de White. Un exemple
• Estimem el següent model per MQO:
log 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 = 𝛽𝛽1 + 𝛽𝛽2 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 + 𝛽𝛽3 ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 + 𝑢𝑢
• Obtenim el model estimat:
log�𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 = 11,49 + 0,011𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 − 0,024ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎
• S’estima la regressió auxiliar:
⦁ 𝑢𝑢� 𝑖𝑖2 = 𝛼𝛼1 + 𝛼𝛼2 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 + 𝛼𝛼3 ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 + 𝛼𝛼4 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 2 +
𝛼𝛼5 ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 2 + 𝛼𝛼6 𝑠𝑠𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 ∗ ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 + ε𝑖𝑖
2
𝑛𝑛 = 322; 𝑅𝑅𝑟𝑟𝑟𝑟 = 0,0567
2
• L’estadístic de White és 𝑊𝑊 = 𝑛𝑛𝑅𝑅𝑟𝑟𝑟𝑟 = 322 ∗ 0,0567 = 18,26
• Amb 5 graus de llibertat (m=5), és una χ25. Per a 𝛼𝛼 = 0,05, el seu valor en
taules és 11,07. Rebutgem la hipòtesi nul·la d’homoscedasticitat.

37
7.4. Heteroscedasticitat

38
7.4. Heteroscedasticitat
Si hi ha heteroscedasticitat, què fem?
• Els estimadors MQO ja no són òptims. Podem estimar el model per
Mínims Quadrats Generalitzats (MQG).
• Cal conèixer com és la desviació típica de les pertorbacions. Normalment, no ho
sabrem... i no podrem calcular el model per MQG.

• Si decidim seguir estimant per MQO, sabent que no són òptims,

almenys hem de calcular les variàncies dels estimadors de forma
correcta. Caldrà corregir les variàncies per tal que siguen robustes en
cas d’heterocedasticitat. En eixe cas, la inferència torna a ser vàlida.
• En Gretl, així com en la majoria de paquets economètrics, existeix
l’opció de calcular variàncies robustes a l’heterocedasticitat i
autocorrelació.
• A l’hora d’estimar per MQO, podrem triar l’opció de “desviacions
típiques robustes”.
39
7.5. Autocorrelació
• La presència d’autocorrelació suposa l’incompliment del supòsit
6:

No autocorrelació: 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑢𝑢𝑖𝑖 , 𝑢𝑢𝑗𝑗 ≠ 0 per a 𝑖𝑖 ≠ 𝑗𝑗.

• Quan no existeix autocorrelació, les pertorbacions aleatòries
corresponents a diferents observacions no estan correlacionades
entre sí.
• Si les pertorbacions sí estan correlacionades, les conseqüències
sobre els estimadors MQO son similars a les de
l’heterocedasticitat.
• Amb pertorbacions autocorrelacionades, els estimadors MQO
continuen sent no esbiaixats, però ja no seran òptims.

40
 7.5. Autocorrelació
• Exemple visual d’autocorrelació

Autocorrelació No autocorrelació
𝑢𝑢𝑖𝑖
𝑢𝑢𝑖𝑖

𝑖𝑖
𝑖𝑖
La pertorbació 𝑢𝑢𝑖𝑖−1 és similar a 𝑢𝑢𝑖𝑖 .
Autocorrelació positiva.

41
7.5. Autocorrelació
• L’autocorrelació pot ser positiva o negativa.

La pertorbació 𝑢𝑢𝑖𝑖−1 és similar a 𝑢𝑢𝑖𝑖 . La pertorbació 𝑢𝑢𝑖𝑖−1 es mou en sentit

contrari a 𝑢𝑢𝑖𝑖 .
42
7.5. Autocorrelació
• Causes d’autocorrelació:
• Errors d’especificació: Per omissió de variables o errors en la forma
funcional.
• Dades temporals: Quan les observacions tenen relacions temporals, es
poden observar inèrcies i comportaments cíclics. Per exemple, la demanda
mensual de banyadors en funció del preu.
• Transformació de dades: És possible que al incloure variables en
diferencies o en tasses de variació, aparega el problema d’autocorrelació.

43
7.5. Autocorrelació
• Detecció d’autocorrelació:
• Els contrasts estadístics més habituals per a detectar
autocorrelació són: Durbin-Watson, Wallis, h-Durbin, etc.

44
7.5. Autocorrelació
• Conseqüencies d’autocorrelació:
• Amb autocorrelació en les pertorbacions, els estimadors MQO seguiran
sent no esbiaixats (És a dir, 𝐸𝐸 𝛽𝛽̂ = 𝛽𝛽).
• Però, estimadors ja no seran òptims → Existiran altres estimadors amb una
variància més baixa.
• L’estimació de la variància dels estimadors (𝜎𝜎�𝛽𝛽�2 ) ja no serà vàlida.
• Per tant, no podrem fer contrastos d’hipòtesis amb els estadístics t i F que
utilitzen l’estimació de la variància del estimadors.

45
7.5. Autocorrelació
Si hi ha autocorrelació, què fem? (Mateixes mesures que amb
heterocedasticitat!)
• Els estimadors MQO ja no són òptims. Podem estimar el model per
Mínims Quadrats Generalitzats (MQG).
• Cal conèixer com és la desviació típica de les pertorbacions. Normalment, no ho
sabrem... i no podrem calcular el model per MQG.
• Si decidim seguir estimant per MQO, sabent que no són òptims,
almenys hem de calcular les variàncies dels estimadors de forma
correcta. Caldrà corregir les variàncies per tal que siguen robustes en
cas d’autocorrelació. En eixe cas, la inferència torna a ser vàlida.
• En Gretl, així com en la majoria de paquets economètrics, existeix
l’opció de calcular variàncies robustes a l’heterocedasticitat i
autocorrelació.
• A l’hora d’estimar per MQO, podrem triar l’opció de “desviacions
típiques robustes”.
46