Heterocedasticidad

1 · Qué es

Que la varianza del error cambie con los valores de las predictoras:

$$\text{Var}(\varepsilon_i) = \sigma_i^2 \ne \sigma^2$$

Es lo habitual en variables económicas: quien gana poco tiene poco margen de variación, y quien gana mucho puede ganar muchísimo más o bastante menos.

2 · Qué rompe exactamente

Es importante ser preciso, porque suele exagerarse:

Consecuencia	¿Ocurre?
Los coeficientes se sesgan	No: siguen siendo insesgados
Los coeficientes dejan de ser los más eficientes	Sí
Los errores estándar son incorrectos	Sí, y es el problema real
Los valores p e intervalos son inválidos	Sí, como consecuencia

Con la forma más común —varianza creciente— los errores estándar salen demasiado chicos, así que los valores p son optimistas.

3 · Cómo se detecta

El gráfico de residuos contra ajustados, que es lo primero.

Las pruebas formales:

Prueba	Característica
Breusch-Pagan	la más usada; supone que la varianza depende linealmente de las predictoras
White	más general, detecta más formas; menos potente
Goldfeld-Quandt	compara la varianza de dos submuestras

En el modelo del ingreso, Breusch-Pagan da $p = 2 \times 10^{-4}$.

4 · Las soluciones

Solución	Cuándo
Errores estándar robustos (HC)	la respuesta por defecto
Transformar $Y$	si además arregla la forma funcional
Mínimos cuadrados ponderados	si se conoce la forma de la varianza
Modelar la varianza	GLM con la familia adecuada
Bootstrap	siempre disponible

5 · Un matiz que conviene conocer

Transformar puede arreglar un supuesto y empeorar otro.

En el ejemplo, el modelo sobre $\log(\text{ingreso})$ mejora muchísimo la asimetría de los residuos —de 12,33 a −0,54— y sin embargo Breusch-Pagan pasa de $p = 2 \times 10^{-4}$ a $p = 2 \times 10^{-27}$: la heterocedasticidad detectada es peor.

6 · Cuándo importa de verdad

Situación	Gravedad
Solo interesan las estimaciones puntuales	Baja
Se reportan valores p e intervalos	Alta
Se hacen predicciones individuales	Alta: los intervalos de predicción son inválidos
$n$ grande y heterocedasticidad leve	Baja
Muestra chica y varianza muy desigual	Alta

7 · Errores frecuentes

• Creer que sesga los coeficientes. No lo hace.
• Descartar el modelo en vez de corregir los errores estándar.
• No mirar el gráfico de residuos.
• Transformar solo para arreglar la varianza, perdiendo interpretabilidad.
• Usar mínimos cuadrados ponderados con pesos inventados.
• Ignorarla al hacer intervalos de predicción, que dependen directamente de la varianza del error.

8 · En el software

# R — detección
plot(modelo, which = 1)
lmtest::bptest(modelo)                     # Breusch-Pagan
lmtest::bptest(modelo, ~ fitted(modelo) + I(fitted(modelo)^2))   # White

# Solución: errores robustos
library(sandwich); library(lmtest)
coeftest(modelo, vcov = vcovHC(modelo, type = "HC3"))

# Python
from statsmodels.stats.diagnostic import het_breuschpagan, het_white
het_breuschpagan(modelo.resid, modelo.model.exog)

modelo_robusto = modelo.get_robustcov_results(cov_type='HC3')
modelo_robusto.summary()

@misc{estadistica_ar_heterocedasticidad,
  author       = {Montivero, Jorge Luis},
  title        = {{Heterocedasticidad}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/heterocedasticidad}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-09-19}
}