Introducción: Por qué la heteroscedasticidad importa en el análisis de regresión

La heteroscedasticidad es una de las violaciones más frecuentes de las suposiciones clásicas de regresión lineal. Se produce cuando la variabilidad de los términos de error no es constante en todos los niveles de las variables independientes, lo que socava la fiabilidad de las herramientas inferenciales estándar, como p-valores, intervalos de confianza y pruebas de hipótesis. Aunque las estimaciones de coeficientes mínimos ordinarios (OCS) siguen siendo imparciales bajo heteroscedasticidad, ya no están eficiente, y los errores estándar se bifurcan. Este sesgo puede llevar a conclusiones incorrectas —ya sea falsamente declarando un predictor significativo (error de tipo I inflado) o no detectando una verdadera relación (poder reducido).

En campos aplicados como economía, finanzas, ciencias ambientales e ingeniería, la heteroscedasticidad es común. Por ejemplo, en estudios transversales de ingresos y gastos domésticos, la variabilidad del gasto suele aumentar con nivel de ingresos. En series temporales financieros, los períodos de alta volatilidad son seguidos de alta volatilidad (grupación de volatilidad). Detear y corregir heteroscedasticidad es por lo tanto un paso crucial en la reedadería.

Este artículo proporciona una guía integral para entender, detectar y corregir la heteroscedasticidad. Cubrimos diagnósticos gráficos, pruebas estadísticas y varios métodos de corrección, que van desde transformaciones simples a errores estándar robustos y menos cuadrados ponderados. Se incluyen recomendaciones prácticas y referencias a fuentes autorizadas.

Comprender la heteroscedasticidad: La teoría y las consecuencias

En un modelo estándar de regresión lineal \( y = X\beta + \varepsilon \), una de las suposiciones Gauss–Markov es que los errores tienen variabilidad constante: \( \text{Var}(\varepsilon i) = \sigma^2 \) para todas las observaciones. Esta propiedad se llama homoscedasticidad. Cuando esta suposición falla, el modelo muestra heteroscedasticidad.

La heteroscedasticidad puede surgir de varias fuentes:

  • Efectos de escala: A medida que crece la variable, la diferencia de respuesta aumenta proporcionalmente. Por ejemplo, en la modelación de los costos hospitalarios por edad de paciente, los pacientes mayores pueden tener costos promedios más altos y mayor variabilidad debido a diversas condiciones de salud.
  • Error de medición: Si se miden algunas observaciones con mayor precisión que otras, la diferencia de error va a diferir. Esto es común en los datos de encuestas donde las respuestas de diferentes subgrupos tienen una fiabilidad variable.
  • Modo de especificación: Omitir una variable clave o usar una forma funcional errónea (por ejemplo, lineal en lugar de log-linear) puede crear patrones en los residuales que mimic heteroscedasticity.
  • Puntos de ventaja o de apalancamiento: Las observaciones extremas pueden inflar la varianza en regiones específicas del espacio predictor.
  • Datos agrupados: Las observaciones agrupadas en grupos (por ejemplo, los estudiantes de las escuelas) pueden tener diferencias entre grupos de diferencias.

Las consecuencias de ignorar la heteroscedasticidad son graves. Las estimaciones de la OLS siguen sin prejuicios, pero la variabilidad de los coeficientes ya no se calcula correctamente. Las fórmulas habituales para errores estándar son parciales —normalmente hacia abajo— que liberan a inflado t-Estadística y intervalos de confianza más estrechos como resultado, las pruebas de hipótesis se vuelven inconfiables. En muestras grandes, el sesgo puede ser pequeño, pero en muestras moderadas o pequeñas puede ser severo. Por lo tanto, la detección y corrección debe ser una parte rutinaria de diagnóstico de regresión.

Detectar Heteroscedasticidad: Métodos gráficos y estadísticos

Ningún método es infalible. Una combinación de pruebas de inspección visual y de hipótesis formal proporciona la evaluación más robusta.

Métodos visuales

Parcela respetuosamente vs.: El diagnóstico más intuitivo Es un dispersión de residuos (o residuales estandarizados) contra valores ajustados. Bajo la homoscedasticidad, los puntos deben ser dispersos al azar alrededor de la línea horizontal a cero con una diseminación vertical casi constante. Una forma de embudo – los resultados se agudizan como aumentan los valores ajustados – indica la heteroscedasticidad. De manera similar, trazar residuos contra cada predictor puede revelar qué variable está impulsando la heteroscedasticidad.

Parcela de localización: También se llama trama de localización, este gráfico muestra la raíz cuadrada de los residuales estandarizados absolutos contra valores ajustados. La idea es que la raíz cuadrada de los residuales absolutos se aproxima a la desviación estándar de los errores. Una línea horizontal con puntos de igual extensión sugiere la homoscedasticidad; cualquier tendencia (por ejemplo, pendiente ascendente) indica heteroscedasticidad. La mayoría de los softwares estadísticos proporciona esto como parte de tramas de diagnóstico por defecto.

QQ-plot of residuals: Si bien se utiliza principalmente para comprobar la normalidad, la heteroscedasticidad severa también puede distorsionar el QQ-plot, especialmente si la varianza cambia sistemáticamente con el medio. Si las colas se desvían de la línea diagonal, la heteroscedasticidad puede ser un factor que contribuye.

Pruebas estadísticas

La inspección visual es subjetiva. Las pruebas formales proporcionan una regla de decisión objetiva. Tres pruebas ampliamente utilizadas son la prueba Breusch-Pagan, la prueba White y la prueba Goldfeld-Quandt.

Prueba de Breusch-Pagan (BP)

La prueba BP supone que la variabilidad de los residuos es una función lineal de los predictores. La hipótesis nula es la homoscedasticidad. La estadística de prueba se calcula registrando los residuos cuadrados en los predictores originales (o en los valores ajustados).La estadística sigue una distribución de la paridad con grados de libertad igual al número de regredores en la regresión auxiliar. p-valor (típicamente < 0.05) indica heteroscedasticidad. La prueba de PB es sensible a la normalidad de los errores pero funciona bien en grandes muestras.

Prueba blanca

El test blanco es una versión más general de la prueba BP. No asume una forma lineal específica para la función de varianza. En cambio, incluye los predictores originales, sus cuadrados y los productos cruzados en la regresión auxiliar. Esto hace que la prueba sea más flexible pero también utiliza más grados de libertad, por lo que es mejor indicado cuando el número de predictores es modesto.

Prueba Goldfeld-Quandt (GQ)

La prueba GQ es útil cuando se sospecha que la heteroscedasticidad está relacionada con una variable específica, como el ingreso o el tamaño. Los datos se clasifican por esa variable y se dividen en dos grupos (normalmente después de omitir la parte media de las observaciones).Las diferencias residuales de las regresiones OLS separadas en cada grupo se comparan utilizando una prueba F. F-Estadística indica que las diferencias difieren, lo que implica heteroscedasticidad. La elección del punto de descanso y la proporción de observaciones medias omitidas es algo arbitraria, pero la prueba es directa y poderosa cuando la estructura de varianza es monotónica.

Recomendación: Ejecute al menos dos pruebas (por ejemplo, BP y White) y examine las parcelas residuales. Si tanto la evidencia visual como estadística apuntan a la heteroscedasticidad, se justifica la acción correctiva.

Corrección para la heteroscedasticidad: Desde los planos simples hasta los métodos avanzados

Una vez detectada la heteroscedasticidad, el analista debe elegir un remedio adecuado. La elección depende de la gravedad de la violación, el tamaño de la muestra, los objetivos del análisis, y si se conoce la forma de heteroscedasticidad. A continuación se analizan los enfoques más comunes, desde más simples hasta más complejos.

1. Transformar la variable dependiente

Aplicar una transformación estabilizadora de la variabilidad a la variable dependiente puede a menudo mitigar la heteroscedasticidad. Las transformaciones más comunes incluyen:

  • Transformación de la lógica: Eficaz cuando la desviación estándar de los residuos es proporcional al medio (heteroscedasticidad multiplicativa).Uso si todos los valores son positivos. Por ejemplo, modelar log(ingresos) en lugar de los ingresos a menudo equivale a varianza.
  • Transformación de raíz cuadrada: Funciona bien para contar datos donde la varianza es igual a la media (como Poisson).
  • Transformación inversa: Adecuado cuando la varianza es proporcional al cuarto poder del medio (en la práctica).
  • Renovación de caja-Cox: Una familia de transformaciones de energía que incluye la raíz de tronco y cuadrado como casos especiales. El parámetro de potencia óptimo se puede estimar mediante la máxima probabilidad.

Después de transformar la variable dependiente, re-ajuste el modelo y reexamina las parcelas residuales. Tenga en cuenta que las transformaciones cambian la interpretación de los coeficientes; por ejemplo, en un modelo log-linear, los coeficientes representan cambios porcentuales aproximados. Las transformaciones son más utilizadas cuando el contexto de investigación permite una interpretación significativa de la escala transformada.

2. Use Errores estándar de heteroscedasticidad-Consistente (Robust SE)

Este es el método de corrección más popular y conveniente, especialmente en econometría. Errores estándar (también llamados estimadores de sándwich) ajustan los errores estándar de los coeficientes OLS para ser válidos en presencia de heteroscedasticidad de forma desconocida. El coeficiente se estima que ellos mismos permanecen inalterados, preservando la escala original e interpretabilidad.

La variante más común es el estimador blanco (HC0), pero las correcciones de muestras pequeñas mejoradas incluyen HC1, HC2, y HC3. En la mayoría de los programas, puede especificar una opción para obtener errores estándar sólidos (por ejemplo, en Stata, en R, en los modelos estadísticos de Python.

Ventajas: Simple, trabaja sin modelar la estructura de varianza, preserva los coeficientes de OLS, y es ampliamente aceptado en la investigación revisada por pares. Desventajas: Ligeramente menos eficiente que los mínimos cuadrados ponderados cuando se conoce la verdadera estructura de varianza; puede ser poco fiable en muestras muy pequeñas (aunque HC3 ayuda).

Para la mayoría de los trabajos aplicados, los errores estándar robustos son una opción predeterminada segura. Son recomendados fuertemente por econométricos como Angrist y Pischke (Econometrías casi inofensivas).

3. Plazas Menos ponderadas

La WLS es apropiada cuando la varianza de los errores se puede modelar como una función de los predictores. Cada observación se pondera por el inverso de su varianza estimada, por lo que las observaciones con mayor varianza obtienen menos peso. El objetivo es lograr la homoscedasticidad en la regresión ponderada.

La aplicación requiere estimar la función de diferenciación.

  • Pesos conocidos: Si la teoría sugiere que la varianza es proporcional a una variable X (por ejemplo, tamaño de la población), use pesos = 1/X.
  • Pesos estimados: Regresa los residuales absolutos (o residuales cuadrados) en los predictores, luego usa los valores ajustados (o sus inversos) como pesos. Por ejemplo, si los residuales absolutos están relacionados linealmente con X, compute los valores predicho de los residuales absolutos, cuadrado y tome el inverso.
  • Re ponderación iterativa: Algunos paquetes ofrecen WLS iterativo que alterna entre estimar coeficientes y actualizar pesos.

WLS produce estimaciones eficientes cuando se especifican correctamente los pesos. Sin embargo, pesos mal especificados pueden llevar a errores estándar inconsistentes e incluso sesgos si los pesos están correlacionados con los errores. Por lo tanto, WLS es mejor utilizado cuando la forma de heteroscedasticidad es bien entendido de la teoría o análisis previo.

4. Plazas mínimas generalizadas (SG)

GLS es un marco más general que permite que los errores tengan cualquier estructura de covariancia, incluyendo heteroscedasticidad y autocorrelación. En el caso de errores independientes pero heteroscedasticos, GLS reduce a WLS. GLS feasible (FGLS) utiliza parámetros de covariancia estimados, que pueden basarse en información previa o estimación de dos pasos.

5. Métodos de regresión robustos

Si la heteroscedasticidad está acompañada de outliers o distribuciones de errores de cola pesada, se pueden utilizar técnicas de regresión robustas (por ejemplo, M-estimación, Huber-White, regresión cuantitativa) estos métodos reducen las observaciones influyentes y proporcionan estimaciones de coeficientes menos sensibles a las violaciones de las hipótesis clásicas. Combinadas con formas de protección constante de heteroscedeticidad, ofrecen múltiples formas de variabilidades específicas

Recomendaciones prácticas: un flujo de trabajo paso a paso

Cuando se construyen modelos de regresión, considere el siguiente flujo de trabajo para manejar heteroscedasticidad:

  1. Ajuste el modelo inicial de la OLS y luego generar un diagrama de desplazamiento residual y un diagrama de escala. Busque cualquier patrón sistemático en la difusión de residuos.
  2. Realizar pruebas formales (Breusch–Pagan y White) para confirmar la impresión visual. Si ambas pruebas no son significativas y las tramas se ven limpias, es posible que no necesite corregirlas.
  3. Si la heteroscedasticidad está presente, primero considerar si una transformación de la variable dependiente es apropiada. Por ejemplo, si el DGP sugiere errores multiplicativos, una transformación de registro puede fijar tanto heteroscedasticidad como no linealidad.
  4. Si la transformación no es deseable (por ejemplo, la interpretación se vuelve incómoda), use errores estándar sólidos (HC3 para muestras pequeñas). Este es el enfoque más directo y ampliamente aceptado.
  5. Si se conoce la estructura de la varianza y la eficiencia es importante, implemente menos cuadrados ponderados. Compruebe que los pesos son positivos y que la trama residual ponderada no muestra patrón.
  6. Documentar todas las medidas de diagnóstico y correcciones en su informe o script. El reporte transparente mejora la reproducibilidad y la confianza en los resultados.

Conclusión: Modelos de regresión fiables

Heteroscedasticidad es una violación común pero manejable de las suposiciones de regresión. Al utilizar de forma rutinaria diagnósticos gráficos y pruebas formales, los analistas pueden detectar su presencia temprano. La elección del método de corrección depende del contexto: errores estándar robustos ofrecen una solución simple y robusta que funciona en la mayoría de los ajustes, mientras que las transformaciones y los mínimos cuadrados ponderados proporcionan aumentos de eficiencia cuando se entiende la estructura de varia.

Para más lectura, consulte textos econométricos autorizados, como Wooldridge's Econometría introductoria y Greene Econometric Analysis. Una visión general concisa puede encontrarse Wikipedia. Los ejemplos prácticos de software y el código están disponibles Grupo de Consultoría Estadística de la UCLA. Finalmente, el Notas del curso de la SSTAT 462 del estado del Penn State proporcionar una introducción accesible con ejemplos de datos reales.