Documentos de Académico
Documentos de Profesional
Documentos de Cultura
M’%,
(MT) —> N (0, eam)
con AVAR(0) = plim T (%"M (M’QM)'M’x)", por lo que, ahora la diferencia
entre las covarianzas asintéticas de ambos es semidefinida positiva, esto es,
’Q"1% - #M (M'OM)'M’S es una matriz semidefinida positiva, por lo que el
estimador de los momentos basados en (30'u/T) es dptimo dentro de la clase de
estimadores MGM. Un estimador equivalente asintéticamente se obtiene
ceo th
resolviendo X°Q"'u = 0. En todo caso, esta argumentacién proporciona el
estimador éptimo, dentro de la clase MGM. El problema bésico aqui, de todas
formas, es que en algunos casos se desconoce E[X].
La discusién anterior es aplicable a modelos que incumplen dos de los
supuestos clisicos fundamentales, es decir, plim X’wT # 0, Var(u) # o°L. Esté
claro que la solucién requiere una correccién doble, que consistiré en aplicar
variables instrumentales y minimos cuadrados generalizados. El problema es en
qué orden, y el método que se acaba de exponer, responde precisamente a esa
pregunta. El doble problema mencionado surge naturalmente, por ejemplo, en los
modelos de expectativas racionales. Asi,
a, Els lI) + 3B, I) = ax, + ax, + uy,
donde *u,’, por construccién, estar correlacionado con x, y X,,, ademés, de
presentar autocorrelacién serial de algtn tipo, que dependeré del modelo
espectfico que siga x,
Otro criterio de eleccién se basa en el conocimiento o desconocimiento de
Q. Cuando nos encontramos ante un problema de heterocedasticidad, y
desconocemos Ia forma de Q podemos estimar no paramétricamente Z'QZ..
30Como,
Zor = wy [zzpo?]
&
es un estimador consistente de E[(ZZ')x"], y se cumple que,
lim (Z’Oz/T)
plim 1/T ; [zzpu'] =
1
White (1980), si desconocemos u,, utilizaremos en su lugar un estimador
consistente 0. Ast, es posible aplicar el MGM andlogo al MCO.
Por otra parte,
2 -
IY, zu’) = (ZO"wT)
1
que se trata de un estimador consistente de Bleue), pero que
evidentemente no es cero. Esto indica que el estimador MGM anélogo al MCG no
es consistente,
En el caso en el que plim(X’w/T) = 0, la comparacién la debemos plantear
de otra forma, Si Q es conocida o puede estimarse, el estimador dptimo es el
MCG, es decir, el basado en (X’Q"u/T). Por eso, en presencia de
heterocedasticidad conocida el MGM andlogo al MCG es superior al MGM anélogo
al MCO.
Si Q no puede estimarse, el estimador MGM anélogo al MCG es
inconsistente, como acaba de verse. Por otra parte, el estimador MGM anélogo
al MCO, que se basarfa en minimizar el criterio u'X(X'QX)"X"u, conduce a la
solucién MCO bisica. Una alternativa es utilizar un estimador MGM andlogo al
MCO, pero con un conjunto de instrumentos més amplio que X, por ejemplo Z =
(XX), donde X? incluye todos los productos cruzados de las variables en X.
En este caso, la comparacién de varianzas conduce a lo siguiente,
XZLQZ)'Z"X - XK(KAXY' KK
= xo" [o”z(z:02) za - a!’xwaxy xa" Ja"?
xo" [yw w'iy' - yss'y'ysy'sy]a"’x
31donde X = ZS y w= Q'°Z y S es una matriz de seleccién, La matriz. de la forma
cuartica es (y- ys) ¥ como PyPys = Pys es idempotente y semidefinida
positiva, As, finalmente, este estimador proporciona una varianza menor, y es
superior al MCO bésico (Cragg(1983)). Otra altemativa posiblemente mejor en
muestras finitas, consiste en utilizar una matriz E en lugar de Q para aplicar
la férmula del MGM. Si E es, por ejemplo, una matriz paramétrica sencilla, y
préxima a ©, para T finito el estimador de los parémetros puede ser mejor. En
este caso, la matriz de varianzas y covarianzas seré la equivalente a la dada
en [17], que, como siempre, puede estimarse no paramétricamente sin