Demostracin del teorema Gauss-Markov

Gauss indudablemente fue uno de los mas grandes matemticos

de la historia, hizo contribuciones enormes en el campo de la
estadstica como lo es la distribucin normal, asimismo, fue
el primero en introducir el mtodo de los mnimos cuadrados
ordinarios MCO 1 en 1821 antes que el estimador de varianza
mnima de Markov, estos dos grandes se unieron creando
el
teorema Gauss-Markov donde exponen las propiedades de los
estimadores denominados MELI, Mejores Estimadores Lineales
Insesgados o que en sus siglas en ingles BLUE tambin
considerados como ELIO.
Los parmetros son MELI si se cumplen las siguientes
propiedades expuestas a continuacin, se sugiere al lector
revise algunos conceptos de algebra matricial como lo son,
Inversa de la matriz, transpuestas y sus propiedades, clculo
del determinante, clases de matrices, matrices escalares,
simtricas, singulares entre otras; Sin embargo, para el
lector que no se encuentra familiarizado se expondr paso a
paso la resolucin de dichos enunciados sin dejar el rigor
matemtico que se encuentra implcito de tal forma que la
resolucin sea fcil de seguir incluso para quienes no
manejen el algebra matricial.
Cabe recalcar que las demostraciones tambin se las puede
realizar mediante manipulacin algebraica, la cual no se
realizar en este trabajo puesto que considero una forma mas
sencilla y menos complicada que el algebra matricial la cual
estoy seguro que se complica mas al estudiante.
Por otro lado, se debe considerar que incluso siendo los
parmetros MELI como bien lo propone el teorema, no toma en
consideracin las propiedades de consistencia, que para
muchos econometristas es la ms importante dentro de las
herramientas economtricas

OLS: Ordinary less Square

Flix Casares Conforme

1) El estimador
 es lineal:

Puesto que los parmetros son una funcin lineal de la

variable aleatoria, como tambin, los parmetros se
consideran como un promedio ponderado de las observaciones
individuales en la variable dependiente, segn este
prembulo tenemos:
Partiendo del modelo lineal en su forma bsica,
      

En su forma matricial tenemos,
 
 
Donde por manipulacin matricial obtenemos el estimador,
     


Puesto que  
  se sustituye en dicho termino,
    
 


   
   


Donde se puede observar la propiedad de la matriz inversa
por original es igual a la identidad
 .   
   
Por tanto,
  
   


 
   


Donde     ,
 
 


Se puede observar claramente que el parmetro B es una
combinacin lineal de las perturbaciones aleatorias y que
si estas siguen la distribucin normal entonces e ~ NID

Flix Casares Conforme

fundamental
al
estadsticas.

momento

de

realizar

las

pruebas

2) El parmetro
 es insesgado:

Esto quiere decir que su valor promedio o esperado    

es igual al valor verdadero, pero se debe considerar
tambin que esto no garantiza de que tan prximo o lejano
se encuentre de los valores reales debido a que segn la
teora la muestra de las variables X es fija en el
muestreo repetitivo por que as es en Economa, por tanto
se debe hacer mas nfasis en la matriz varianza
covarianza, mientras tanto, la demostracin:

     


Puesto que  
  se sustituye en dicho termino,
    
 


   
   


Donde se puede observar la propiedad de la matriz inversa
por original es igual a la identidad
 .   
   
Por tanto,
  
   


Aplicando el operador de la Esperanza E y tomando en
consideracin que las x Son fijas en el muestreo
repetitivo y que B por ser un parmetro es una constante
de tal forma que su esperanza es igual a si mismo.

 
   
3

Flix Casares Conforme

Donde E(e) = 0 por que segn las propiedades de los MCO,

los errores suman cero, siempre que haya una constante en
el modelo, si no existe constante, este principio deja de
ser cierto; Entonces, se anula la matriz y el resultado
queda de la siguiente manera:

 

Otra de las consideraciones que se debe tener es que el
criterio del menor Error Cuadrtico Medio se ajusta mejor
a las exigencias al momento de modelar debido a que este
toma en consideracin la varianza del parmetro.

3) El parmetro
 es el mejor (optimo)

Se entiende por mejor dado que tiene varianza mnima y

garantiza que es menor que cualquier otro estimador con
diferente varianza, se hace nfasis en el modelo que tiene
menor varianza por tanto desviacin estndar, puesto que
al ser una medida de variabilidad en estadstica, esta se
ajusta tambin para los parmetros por lo que es optimo
tener una matriz varianza-covarianza pequea.
En su forma matricial tenemos,
 
 
Donde por manipulacin matricial obtenemos el estimador,
     


Puesto que  
  se sustituye en dicho termino,
    
 


   
   


Donde se puede observar la propiedad de la matriz inversa
por original es igual a la identidad

Flix Casares Conforme

 .   
   
Por tanto,
  
   


 
   


 !
   


Por definicin tenemos que
 !


 !
'
"# ! $%"   &

     
Transponiendo,
      
Ordenando los trminos, y aplicando el operador E tenemos
que
     
Donde,
 .   
   
Por lo que se anula dicha matriz y donde ee= () 
*+, ! -.*  ()  
Donde se debe considerar lo siguiente:
Es simtrica y positiva porque   lo es
Debe
ser
pequea
puesto
que
si
  / 01
2
3456762
8569:;73 entonces, el determinante de
dicha matriz ser mayor por lo que se incrementar la
VAR-COV y la precisin de la estimacin o pronostico
disminuye

Flix Casares Conforme

Pero hay que comparar si es cierto que es la menor

varianza para lo cual
hay que calcular la varianza de
otro estimador adicionando una matriz no nula P.

     <


Puesto que  
  se sustituye en dicho termino,
     <
 


   
     <
 <


    
     <
 <


 
     <



Donde PX=O (condicin de insesgamiento),

E(e) =0





Se procede a calcular la matriz VAR-COV del
estimador de acuerdo a la condicin de insesgamiento

nuevo

 
     <


 !
     <


 !


 !

*+, ! -.*  

 =    <    <>
     <    <
Desarrollando las operaciones tenemos,
         <  <    <<
Puesto que PX=0,
       <<
      <<
    <<
donde ee= () 
*+, ! -.*  ()    () <<

Flix Casares Conforme

*+, ! -.*  () =   <<>

Claramente se puede observar que la matriz VAR-COV de este

estimador es mayor que el primero por lo que se comprueba
mediante el teorema Gauss Markov que los MCO son
estimadores MELI
*+, ! -.*  () =   <<> ? ()  

Flix Casares Conforme

Bibliografa:

Anlisis Economtrico por Greene, 3ra edicin

Econometra

por

Damodar

Gujarati

5ta

Edicin

cap.3

Modelos y Pronsticos por Pindyk y Rubenfeld 4ta

edicin cap.3 y 4
100 Ejercicios de Econometra Autores varios

www.uam.es

facultad
Autnoma de Madrid

de

Economa

Universidad

Probabilidad y Estadstica era edicin editorial

Shawm

Estadstica y Econometra por Salvatore Domenick

2da edicin
Introduccin

a la Econometra
moderno por Wooldridge

Flix Casares Conforme

,un

enfoque

Flix Casares Conforme