Anexo
129
Pruebas de heteroscedasticidad
Una primera alternativa que nos puede indicar la presencia de heteroscedasticidad en unmodelo
es la observación directa del gráfico de residuos que, en presencia de varianzas no constantes
tendería a presentar períodos con amplia volatilidad agrupados en el tiempo.
Se consideraron dos pruebas o tipos diferentes de contrastes de heteroscedasticidad, test de
White y test ARCHde heteroscedasticidad autorregresiva, ambos tienen en común el planteamiento
de una regresión auxiliar en la que el cuadrado de los residuos (aproximación a la varianza) se hace
depender de un conjunto de variables explicativas de forma tal que si el modelo, o las variables en
su conjunto, son significativas se debe rechazar la hipótesis nula de homocedasticidad.
Para el primero de los contrastes el test de White, las variables explicativas del modelo auxiliar
son las mismas del modelo original y sus cuadrados, o bien incluyendo los productos cruzados en
la modalidad del test ampliado.
Por su parte el test ARCH utiliza como variables explicativas de la regresión auxiliar los propios
valores desplazados del residuo al cuadrado.
El resultado de ambos tipos de contraste se presenta en un formato muy similar, apareciendo
en primer lugar los contrastes habituales de nulidad de todos los parámetros (F-statistic) y de
representatividad global del modelo auxiliar (Obs*R-squared), rechazándose la hipótesis nula
de homocedasticidad si la probabilidad asociada a cada uno de los estadísticos es inferior al 5%.
Al igual que en otras pruebas, también se presentan los resultados de la estimación del modelo
auxiliar utilizado (Figura A. 3 ARCH Test).
Figura A. 3 ARCH Test
ARCII Test
F-statistic
1,676248
Probability
0.215000
Obs+ R-squarel
1708790
Probability
0.191142
Test Eaqution
Depend Variable: RESID^2
Method: Lenst Squares
Sample (adjusted): 1981 1997
Included observartions: 17 after adjusting endpoints
Variable
Coeficiente
Std. Error
t-Statistic
Prob.
C
0.179123
0.0877760
2.041052
0.0592
RESID^2(-1)
0.310227
0.239613
1.294700
0.2150
R-squared
0.10057
Mena depend var
0.2538’5
Adjusted R-squared
0.040552
S.D. Dependent var
0.278149
S.E. Of regression
0.272451
Akaike info criterion
0.347416
Summ squared resid
1.1131111
Schwatz criterion
0.445111
Long likelihood
-0.953032
F-static
1.676248
Durbin-Watson stat
1.937183
Prob(F-static)
0.215000
