Documentos de Académico
Documentos de Profesional
Documentos de Cultura
(3.1) y = Xβ + u
Otra forma de resumir estas cuatro hipótesis es la siguiente: los errores se distribuyen
idéntica e independientemente como una normal con media cero y varianza constante
σu2 , ui ∼ iidN (0, σu2 ).
0.4 2
f (ui ) = √1 e−ui /2
2π
0.35
0.3
0.25
f (ui )
0.2
0.15
0.1
0.05
0
-4 -2 0 2 4
ui
El supuesto de que cada error ui tiene media cero, E(ui ), puede expresarse en forma
matricial como
E(u1 ) 0
E(u2 ) 0
E(u) = .. = ..
. .
E(un ) 0
Los supuestos de homocedasticidad y ausencia de autocorrelación implican que la
matriz de varianzas y covarianzas del vector de perturbaciones u es escalar
u1
u2
� �
V (u) =E[(u − E(u))(u − E(u ))] = E . u1 u2 . . . un
..
un
E(u21 ) E(u1 u2 ) . . . E(u1 un ) σu2 0 . . . 0
E(u2 u1 ) E(u22 ) . . . E(u2 un ) 0 σu2 . . . 0
2
= .. .. .. .. = .
. .. . . = σu I n
..
. . . . . . . .
E(un u1 ) E(un u2 ) . . . E(u2n ) 0 0 ... σu2
Proposición 21. Bajo los supuestos básicos, el vector de n-variables aleatorias
y = (Y1 Y2 . . . Yn )� en el modelo (3.1) tiene una distribución normal multivariante
con vector de medias Xβ y matriz de varianzas-covarianzas σu2 In ,
y ∼ N (Xβ, σu2 In )
Demostración. En general, una combinación lineal de variables aleatorias inde-
pendientes con distribución normal tiene también una distribución normal. Como y es
una transformación lineal del vector u, y = Xβ + u, que tiene una distribución nor-
mal multivariante, y tiene también una distribución normal multivariante. El vector de
medias de y es
E(y) = E(Xβ + u) = E(Xβ) + E(u) = Xβ
Prof. Dr. José Luis Gallego Gómez Apuntes de Econometrı́a. LADE y LE. Curso 2008-2009.
Departamento de Economı́a. Universidad de Cantabria Material publicado bajo licencia Creative Commons
40 3.3. Propiedades estadı́sticas de β̂
Definición 21. El modelo lineal general (3.1), junto con los supuestos sobre X y
u, excepto el de normalidad, se denomina modelo clásico de regresión.
Definición 22. La raı́z cuadrada de σ̂u2 , σ̂u , se conoce como error estándar de la
regresión.
Demostración.
1. Normalidad. Cada elemento β̂j (j = 1, . . . , k) del vector β̂ = (X� X)−1 X� y es
una combinación lineal de variables aleatorias independientes Y1 , . . . , Yn con
distribución normal,
n
β̂j = ci Yi
i=1
en donde las ponderaciones c1 , . . . , cn son los elementos de la fila j de la matriz
(X� X)−1 X� .
2. Vector de medias
−1 � � −1 � −1 �
E(β̂) = E X� X Xy = XX X E [y] = X� X X [Xβ] = β
Definición 24. Un estimador insesgado β̂i es más eficiente que otro estimador β̃i
también insesgado, si la varianza muestral de β̂i es menor que la de β̃i , V (β̂i ) < V (β̃i ).
En el caso multidimensional, un vector de estimadores insesgados β̂ es más eficiente
que otro β̃, si la diferencia entre las matrices de varianzas y covarianzas V (β̂) − V (β̃)
es una matriz definida negativa.
β̃ = Cy
Ahora escribimos
−1 �
C = D + X� X X
en donde se cumple que DX = 0 porque CX = Ik . De modo que
−1 � � −1 −1
CC� = D + X� X X D + X X� X = DD� + X� X
donde vemos que la diferencia de las dos matrices de varianzas y covarianzas es una
matriz semidefinida positiva. �
Prof. Dr. José Luis Gallego Gómez Apuntes de Econometrı́a. LADE y LE. Curso 2008-2009.
Departamento de Economı́a. Universidad de Cantabria Material publicado bajo licencia Creative Commons
3. El modelo clásico de regresión 43
Proposición 23. Bajo los supuestos básicos del modelo lineal general clásico, el
estimador de mı́nimos cuadrados β̂ del vector de paramámetros β en el modelo (3.1) es
consistente.
û = My = M [Xβ + u] = Mu
De aquı́,
û� û = (Mu)� Mu = u� M� Mu = u� Mu
�
Vemos que la suma de cuadrados de los residuos es un estadı́stico, es decir, una fun-
ción de las variables aleatorias {u1 , u2 , . . . , un }. Su distribución de probabilidad puede,
por tanto, derivarse de la distribución de probabilidad conjunta de las perturbaciones
estocásticas {u1 , u2 , . . . , un }.
Teorema 4. La ratio û� û/σu2 tiene una distribución Chi-cuadrado con n − k grados
de libertad, que se expresa sucintamente como
û� û
∼ χ2n−k
σu2
Proposición 25. σ̂u2 = û� û/(n − k) es un estimador insesgado de σu2 con varianza
2σu4 /(n − k).
Corolario 8. σ̃u2 = û� û/n es un estimador sesgado de σu2 , siendo el sesgo B(σ̃u2 ) =
(−k/n)σu2 .
3.5. Resumen
Palabras clave
Modelo clásico de regresión Regresores no estocásticos
Distribución normal multivariante Multicolinealidad
Vector de medias Homocedasticidad
Matriz de varianzas y covarianzas Correlación serial
3.6. Ejercicios
6. Demuestre que
E (β̂ − β)� (β̂ − β) = (E β̂ − β)� (E β̂ − β) + E (β̂ − E β̂)� (β̂ − E β̂)
k
k
= sesgo2 (β̂i ) + var(β̂i )
i=1 i=1
Prof. Dr. José Luis Gallego Gómez Apuntes de Econometrı́a. LADE y LE. Curso 2008-2009.
Departamento de Economı́a. Universidad de Cantabria Material publicado bajo licencia Creative Commons
48 3.6. Ejercicios
Prof. Dr. José Luis Gallego Gómez Apuntes de Econometrı́a. LADE y LE. Curso 2008-2009.
Departamento de Economı́a. Universidad de Cantabria Material publicado bajo licencia Creative Commons