Manejo de la heterocedasticidad en modelos lineales generales.

La heterocedasticidad se refiere a un fenómeno donde los datos violan una suposición estadística. Esta suposición se conoce como homocedasticidad. Cuando se viola la suposición de homocedasticidad, esto puede llevar a un aumento de las tasas de error de Tipo I o a una disminución del poder estadístico. Debido a que esto puede afectar negativamente las conclusiones sustantivas, la incapacidad para detectar y manejar la heterocedasticidad podría tener serias implicaciones para la teoría, la investigación y la práctica. Además, la heterocedasticidad no es infrecuente en las ciencias del comportamiento y sociales. Así, en el artículo actual, sintetizamos la literatura existente en psicología aplicada, econometría, psicología cuantitativa y estadísticas, y ofrecemos recomendaciones para investigadores y profesionales sobre los procedimientos disponibles para detectar la heterocedasticidad y mitigar sus efectos. Además de discutir las ventajas y desventajas de varios procedimientos y compararlos en términos de los resultados de simulación existentes, describimos un proceso de análisis de datos en 3 pasos para detectar y manejar la heterocedasticidad: (a) ajustar un modelo basado en la teoría y guardar los residuos, (b) el análisis de residuos, y (c) inferencias estadísticas (por ejemplo, pruebas de hipótesis e intervalos de confianza) que involucran estimaciones de parámetros. También demostramos este proceso de análisis de datos utilizando un ejemplo ilustrativo. En general, detectar violaciones de la suposición de homocedasticidad y mitigar sus efectos sesgadores puede fortalecer la validez de las inferencias a partir de los datos de las ciencias del comportamiento y sociales.