La homocedasticidad es uno de los supuestos de Gauss Markov que se requieren para que OLS sea el mejor estimador imparcial lineal (AZUL).
β .
Resumiendo brevemente la información de los sitios web anteriores, la heterocedasticidad no introduce un sesgo en las estimaciones de sus coeficientes. Sin embargo, dada la heterocedasticidad, no puede estimar adecuadamente la matriz de varianza-covarianza. Por lo tanto, los errores estándar de los coeficientes son incorrectos. Esto significa que uno no puede calcular ninguna estadística t y valores p y, en consecuencia, no es posible la prueba de hipótesis. En general, bajo heteroscedasticidad, OLS pierde su eficiencia y ya no es AZUL.
Sin embargo, la heterocedasticidad no es el fin del mundo. Afortunadamente, corregir la heterocedasticidad no es difícil. El estimador sandwich le permite estimar errores estándar consistentes para los coeficientes. Sin embargo, calcular los errores estándar a través del estimador sandwich tiene un costo. El estimador no es muy eficiente y los errores estándar pueden ser muy grandes. Una forma de recuperar parte de la eficiencia es agrupar los errores estándar si es posible.
Puede encontrar información más detallada sobre este tema en los sitios web que mencioné anteriormente.