Las variables son cualesquiera: Se esperaría que: crece X1 implicará decrece Y crece X2 implicará decrece Y crece X3 implicará decrece Y Hay que justificar teóricamente cada una de estas relaciones Y= X1= X2= X3=
1)
2)
Si se conoce la varianza Divídase el modelo entre la desviación típica conocida.
En el caso de que se desconozca la varianza Aplicar Mínimos Cuadrados ponderados
Veamos el caso más conocido, cuando la varianza no se conoce, entonces hay que indentificar el patrón. Patrones de la varianza:
CASO 1)
CASO 2)
Caso 3)
Caso 4)
Intentando corregir la heterocedasticidad Sin corrección de heterocedasticidad
Regresando a nuestro caso teníamos esto
Hay un problema atípico con los primero y ultimos datos
Pretendemos corregir quitando 10 datos de cada extremo
Aún con la corrección existe heterocedasticidad grafica y según White
El modelo con las tres variables 3)
Corrigiendo como en el anterior por la variable heterocedástica X1, asi que dividimos entre la raíz de x1. [sigue habiendo heterocedasticidad según WHITE] White Heteroskedasticity Test: F-statistic Probability Obs*R-squared Probability
White Heteroskedasticity Test: F-statistic Probability Obs*R-squared Probability Decidimos en aplicar logaritmos a las explicativas [persiste el problema de heterocedasticida]
Aplicamos también logaritmos a la explicada, [parece mejorar el problema, gráfica residuos].
Añadimos la corrección automática de e-views de “errores estándar consistentes de White”
El problema parece solucionarse. Ya no hay heterocedasticidad, [NO podemos rechazar la hipótesis nula de homocedasticidad en los residuales].
Estimation Equation: ===================== LOG(Y/(X1^0.5)) = C(1) + C(2)*LOG(1/(X1^0.5)) + C(3)*LOG(X2/(X1^0.5)) + C(4)*LOG(X3/(X1^0.5)) VERIFICAR SI X2 y X3 son NO significativas. Lo haremos mediante la prueba de Wald que esta en E-views. Se rechaza la hipótesis nula de que los estimadores de X2 Y X3 SEAN AMBOS CERO. 4 PUNTO)
FIN