Heterocedasticidad

En estadística se dice que un modelo de regresión lineal presenta heteroscedasticidad o heterocedasticidad cuando la varianza de las perturbaciones no es constante a lo largo de las observaciones.

Esto implica el incumplimiento de una de las hipótesis básicas sobre las que se asienta el modelo de regresión lineal.

De ella se deriva que los datos con los que se trabaja son heterogéneos, ya que provienen de distribuciones de probabilidad con distinta varianza.

Existen diferentes razones o situaciones en las que cabe encontrarse con perturbaciones heteroscedásticas. La situación más frecuente es en el análisis de datos de corte transversal, ya que los individuos o empresas o unidades económicas no suelen tener un comportamiento homogéneo.

Otra situación en la que se presenta heteroscedasticidad es en muestras cuyos datos son valores que se han obtenido agregando o promediando datos individuales.

Consecuencias de la heteroscedasticidad

Las principales consecuencias que derivan del incumplimiento de la hipótesis de homocedasticidad en los resultados de la estimación de mínimos cuadrados son:

• Error en el cálculo del estimador de la matriz de varianzas y covarianzas de los estimadores de mínimos cuadrados.

• Pérdida de eficiencia en el estimador mínimo cuadrático.

Por lo demás los estimadores de mínimos cuadrados siguen siendo los mejores estimadores que pueden obtenerse. Siguen siendo insesgados, pero dejan de ser de varianza mínima.

Detección

Existen diversos métodos para determinar la heteroscedasticidad:

• La prueba de White