Está en la página 1de 5

Universidad Diego Portales

Departamento de Economa

Econometra
Pauta Ayudanta # 11
Profesora: Claudia Sanhueza
Ayudante: Dino Matilla
PRIMAVERA 2013
1. Considere el siguiente modelo que resume la verdadera relacion que existe entre la variable dependiente
(Y ) y un conjunto de variables independientes (X1 ):
Y = X1 1 + u
donde Y es un vector de dimensi
on nx1, X1 es una matriz de dimension nxk1 , b1 es un vector de
par
ametros de dimensi
on k1 x1 y u es un vector de dimension nx1 de shocks estocasticos. Asuma que
dichos shocks se distribuyen normal con media cero, y matriz de varianzas y covarianzas dada por
E(uu0 ) = 2 In .
Sin embargo, por alguna raz
on el econometrista decidio incorporar un conjunto de variables irrelevantes (k2 ) en la estimaci
on del modelo. En concreto, estimo lo siguiente:
Y = X1 1 + X2 2 + u
donde X2 es una matriz de dimensi
on nxk2 y 2 es un vector de parametros de dimension k2 x1.
a) Encuentre los estimadores de 1 y 2 .
Solution:
1 = (X10 M2 X1 )1 X10 M2 Y
2 = (X20 M1 X2 )1 X20 M1 Y
b) Demuestre que el estimador de mnimos cuadrados ordinarios (MCO) para 1 es insesgado y
consistente.
Solution: De acuerdo a la pregunta anterior el estimador MCO para 1 viene dado por:
1 = (X10 M2 X1 )1 X10 M2 Y
Luego:
1 = (X10 M2 X1 )1 X10 M2 (X1 + u) = 1 + (X10 M2 X1 )1 X10 M2 u
Aplicando valor esperado:
E(1 |X1 , X2 ) = 1 + (X10 M2 X1 )1 X10 M2 E(u|X1 , X2 )
Sabiendo que E(u|X1 , X2 ) = 0 tenemos:
E(1 |X1 , X2 ) = 1
Por otro lado, si el estimador es insesgado, por transitividad, tambien es consistente.

c) Encuentre la matriz de varianzas y covarianzas del estimador MCO de 1 .


Solution:
1 = 1 + (X10 M2 X1 )1 X10 M2 u
1 1 = (X 0 M2 X1 )1 X 0 M2 u
1

Luego:
var(1 |X1 , X2 ) = E([1 E(1 )][1 E(1 )]0 ) = E([1 1 ][1 1 ]0 )
Reemplazando:
var(1 |X1 , X2 ) = E([(X10 M2 X1 )1 X10 M2 u][(X10 M2 X1 )1 X10 M2 u]0 )
var(1 |X1 , X2 ) = (X10 M2 X1 )1 X10 M2 E(uu0 )M20 X1 (X10 M2 X1 )1
Dado que las perturbaciones son esfericas y que la matriz M2 simetrica e idempotente, se tiene
que:
var(1 |X1 , X2 ) = 2 (X10 M2 X1 )1 X10 M2 X1 (X10 M2 X1 )1
var(1 |X1 , X2 ) = 2 (X10 M2 X1 )1
d ) Demuestre que la inclusi
on de variables irrelevantes genera una perdida de eficiencia al estimar 1 .

Solution: La varianza del modelo estimado, es decir, el que incluye variables irrelevantes,
viene dada por:
var(1 |X1 , X2 ) = 2 (X10 M2 X1 )1
Por otro lado, la varianza del modelo verdadero, es decir, aquel que no incluye las variables
irrelevantes, viene dada por:
var(1 |X1 ) = 2 (X10 X1 )1
Luego, se debe mostrar que:
var(1 |X1 , X2 ) var(1 |X1 ) = 2 (X10 M2 X1 )1 2 (X10 X1 )1
Es una matriz semi definida positiva. Esto es equivalente a demostrar que:
1
1
[var(1 |X1 )]1 [var(1 |X1 , X2 )]1 = 2 (X10 X1 ) 2 (X10 M2 X1 )

es una matriz semi definida positiva. Luego:


1
[(X10 X1 ) (X10 M2 X1 )]
2
1
[var(1 |X1 )]1 [var(1 |X1 , X2 )]1 = 2 X10 (I M2 )X1

[var(1 |X1 )]1 [var(1 |X1 , X2 )]1 =

Pero:
I M2 = X2 (X20 X2 )1 X20
Por lo tanto,
1 0
X X2 (X20 X2 )1 X20 X1
2 1
donde claramente esta u
ltima expresion corresponde a una matriz semi definida positiva.
[var(1 |X1 )]1 [var(1 |X1 , X2 )]1 =

Page 2

2. Considere el siguiente modelo con k variables:


Y = X + u
Donde Y es un vector columna de dimension nx1, X es una matriz de dimension nxk y u es un vector
columna de dimensi
on nx1. Asuma que el shock estocastico ui presenta las siguientes propiedades:
E(u2i ) = i2 para i = 1, 2, ..., n
E(ui uj ) = 0 para todo i 6= j
En base a esta informaci
on es posible encontrar la matriz de variazas y covarianzas del termino de error:
E(uu0 ) = 2
a) Derive formalmente el estimador de mnimos cuadrados ordinarios (MCO) de . Es insesgado el
estimador de MCO? Demuestre.
Solution: El estimador de MCO se obtiene al minimizar la siguiente expresion:
Min u0 u = (Y X)0 (Y X)
Derivando con respecto a e igualando a cero:
u0 u
= 2X 0 (Y X) = 0

Despejando:
= (X 0 X)1 X 0 Y
A continuaci
on se analiza si el estimador MCO es insesgado:
= (X 0 X)1 X 0 Y = (X 0 X)1 X 0 (X + u) = + (X 0 X)1 X 0 u
Aplicando el operador esperanza y asumiendo que el shock tiene una media cero:
= + (X 0 X)1 X 0 E(u) =
E()
Por lo tanto, es insesgado.
b) Derive la matriz de varianzas y covarianzas del estimador MCO de . Es MELI el estimador de
MCO? Explique.
Solution: La matriz de varianza y covarianzas del estimador de MCO se obtiene de la siguiente manera:
= E[( E())(
E())
0 ] = E[( )( )0 ]
var()
Se sabe que:
= (X 0 X)1 X 0 u
Reemplazando en la expresi
on anterior, y asumiendo que la matriz X es no estocastica:
= E[(X 0 X)1 X 0 u((X 0 X)1 X 0 u)0 ] = E[(X 0 X)1 X 0 uu0 X(X 0 X)1 ]
var()
= (X 0 X)1 X 0 E(uu0 )X(X 0 X)1
var()
= 2 (X 0 X)1 X 0 X(X 0 X)1
var()
En este contexto, de perturbaciones no esfericas, el estimador MCO ya no es MELI, es decir,
no es el m
as eficiente. El estimador MELI es el estimador de MCG, el cual tiene una matriz
de varianzas y covarianzas m
as peque
nas.

Page 3

c) Es posible transformar este modelo de perturbaciones no esfericas a uno con perturbaciones


esfericas? Explique lo m
as detalladamente el procedimiento a seguir.1
Solution: Asumiendo que la matriz de varianzas y covarianzas es conocida, y que por lo
tanto, la matriz es conocida, simetrica, finita y semidefinida positiva, se puede aplicar la
descomposici
on espectral de la matriz de la siguiente manera:
= CC 0
Donde C es una matriz que contiene los vectores propieos de , y es una matriz diagonal
que contiene los valores propios de . Luego, se obtiene la siguiente matriz:
P = 1 C 0
Con esa matriz se transforma el modelo original de la siguiente manera:
Y = X + u
P Y = P X + P u
Y = X + u
Luego, las perturbaciones de este modelo son esfericas. En efecto:
E(u0 u ) = E(P uu0 P ) = P E(uu0 )P 0 = P 2 P 0 = 2 1 C 0 CC 0 C1 = 2 I
En donde se ha utilizado el hecho de que C 0 C = I.
d ) Encuentre la matriz de varianzas y covarianzas del estimador de mnimos cuadrados generalizados
(MCG).
Solution: El estimador de MCG viene dado por:
M CG = (X 0 X )1 X 0 u
M CG = (X 0 1 X)1 X 0 1 Y
Luego:
M CG = (X 0 1 X)1 X 0 1 (X + u) = + (X 0 1 X)1 X 0 1 u
Aplicando esperanza a la expresion anterior, es posible notar que el estimador MCG es insesgado. Despejando de la expresion anterior:
M CG = (X 0 1 X)1 X 0 1 u
Por otro lado, la matriz de varianzas y covarianzas del estimador MCG viene dada por:
E())
0 ] = E[( )( )0 ]
var(M CG ) = E[( E())(
Reemplazando:
= E[(X 0 1 X)1 X 0 1 u((X 0 1 X)1 X 0 1 u)0 ]
var()
= E[(X 0 1 X)1 X 0 1 uu0 1 X(X 0 1 X)1 ]
var()
= (X 0 1 X)1 X 0 1 E(uu0 )1 X(X 0 1 X)1
var()
= 2 (X 0 1 X)1 X 0 1 1 X(X 0 1 X)1
var()
Lo que se reduce :
var(M CG ) = 2 (X 0 1 X)1

1 Hint:

Recuerde la descomposici
on espectral de la matriz .

Page 4

e) Por que se dice que el estimador MCO es un caso particular del estimador MCG?
Solution: Tal como se puede apreciar de la formulas del estimador de MCG, cuando = I,
es estimador colapsa a la f
ormula del estimador MCO:
M CG = (X 0 1 X)1 X 0 1 Y
var(M CG ) = 2 (X 0 1 X)1
f ) Com
o podra estima el modelo si es que la matriz fuera desconocida y no se conociera su forma?
Explique.
Solution: Si la matriz fuera desconocida se podra estimar el modelo por MCO, pero la
matriz de varianzas y covarianzas se podra obtener a traves de la correcion de White:
= n(X 0 X)1 2
var()

X 0 0 1
(X X)
n

X 0 X
Luego, la expresi
on 2
se estima con los errores de MCO (
u).
n
As la varianza final se estima:
= n(X 0 X)1 (X
0 X)1
var()
2
2
= X 0 X = P ui xi x0
Donde
i
n
n

Page 5