Econometria I

ECO – 307
Prof. Montserrat Acosta Morel, Ph.D.
Wooldridge, Ch. 5

PROPIEDADES ASINTOTICAS O
PROPIEDADES DE MUESTRAS
GRANDES
 Consistencia
• A veces la insesgadez no se puede lograr, por lo que los
economistas están de acuerdo en que la consistencia es un
requisito mínimo para un estimador.
• DEFINICIONES
– Sea β*j el estimador de MCO de βj para alguna j. Para cada n, β*j
tiene una distribución de probabilidad.
– Como β*j es insesgado bajo los supuestos 1 – 4, la media de esta
distribución es βj.
– Si este estimador es consistente, entonces a medida que le tamaño
de la muestra aumenta, la distribución de β*j se estrechará cada
vez más en torno a βj. A medida que n tiende a infinito, la
distribución de β*j se colapsa hacia un solo punto βj.
– Si es posible recolectar tantos datos como se desee, entonces
puede hacerse que el estimador esté arbitrariamente cerca de βj
por lo que β*j converge a βj cuando nè∞
Teorema 5.1 – Consistencia de MCO
• La consistencia implica realizar un experimento para
saber lo que ocurre a medida que el tamaño de la
muestra aumenta. Si el obtener cada vez más datos
no lleva a acercarse al valor del parámetro de
interés, entonces el procedimiento de estimación
que se está usando no es adecuado.
• TEOREMA 5.1
– Bajo los supuestos 1 – 4, el estimador de MCO β*j es
consistence para βj, para toda j = 0, 1, …, k
• Hacer demostración en pizarra
 Supuesto RLM.4’ – Media cero y
correlación cero
• En la demostración vimos que basta que se suponga
correlación cero para que MCO sea consistente en
el caso de la regresión simple.
• Por consiguiente, tenemos el siguiente supuesto
SUPUESTO RLM.4’ – Media cero y correlación cero
• E(u) = 0 y Cov(xj, y) = 0 para j = 1, 2, …, k
– Este es más débil que el RLM.4 porque mientras que
éste requiere E(uΙx1,…,xk) = 0, RLM.4’ sólo requiere
que ninguna xj esté correlacionada con u.
 Obtención de la Inconsistencia en
MCO
• Así como el que no se satisfaga E(u|x1, …, xk) = 0 ocasiona
sesgo en los estimadores de MCO, la correlación entre u y
cualquier de las x1, …, xk causa, por lo general, que todos los
estimadores de MCO sean inconsistentes.
– Quiere decir que si el error esta correlacionado con cualquiera de las
variables independientes, entonces MCO es sesgado e inconsistente.
• La inconsistencia en β*j, algunas veces llamado sesgo
asintótico es: Cov(x1, u)
p lim β̂1 − β1 =
Var(x1 )
– Como Var(x1) > 0, la inconsistencia enβ*j es positiva si x1 y u
están correlacionadas positivamente y negativa si x1 y u están
correlacionadas negativamente.
• Para fines prácticos, puede considerarse que la
inconsistencia es lo mismo que el sesgo. La diferencia es
que la inconsistencia se expresa en términos de la
varianza poblacional de la x1 y de la covarianza
poblacional entre x1 y x2, mientras que el sesgo se basa
en sus contrapartes muestrales.
• La dirección del sesgo asintótico o la inconsistencia ya
se vio en el capitulo 3.
• Si la covarianza entre x1 y x2 es pequeña con relación a la
varianza de x1, la inconsistencia puede ser pequeña.
• Nota: en el caso de k regresores, obtener el signo y la
magnitud de la inconsistencia es mas difícil que para el
sesgo.
 Ejemplo 5.1
• Precios de viviendas y distancia a un incinerador
– Sea y el precio de una casa (price), sea x1 la distancia de la casa a un
nuevo incinerador de basura (distance), y sea x2 la “calidad” de la
casa (quality). La variable quality se deja vaga de manera que pueda
comprender cosas como tamaño de la casa y del terreno, cantidad
de recámaras y de baños, así como aspectos intangibles como lo
atractivo de la zona. Si el incinerador hace que se deprecien las
casas, entonces β1 será positivo: permaneciendo todo lo demás
ingual, una casa que esté más lejos del incinerador valdrá más. Por
definición, β2 es positivo, ya que las casas de mayor calidad tienen
un precio más alto, permaneciendo todo lo demás ingual. Si el
incinerador se construyó más alejado de las mejores casas, en
promedio, etnonces distance y quality estarán correlacionadas
positivamente y de esta manera δ1 > 0. Una regresión simple de
price sobre distance tenderá a sobrestimar el efecto del incinerador:
β1 +β2δ1 >β1
 Normalidad asintótica e inferencia
con muestras grandes
• Bajo los supuestos 1 – 5 de Gauss Markov:
i. n(β̂ j − β j ) ≈ Normal(0, σ 2 a 2j ) donde (σ a j )>0
2
es la varianza
2

asintótica de n(β̂ − β ); los coeficientes de pendiente,

j j

a = p lim(n ∑ r̂ ) donde r ij son los residuales de regresar xj

n 2
2 −1
j i=1 ij

sobre las otras variables independientes. Se dice que βj

está distribuida en forma asintóticamente normal;
ii. σˆ es un estimador consistente de σ = Var(u);
2 2

iii. Para cada j, (β̂ − β ) / ee(β̂ ) ≈ Normal(0,1) donde ee(βj*) es

j j j

el error estándar usual de MCO

 Implicaciones de la normalidad
asintotica
• El supuesto 5.2 sí requiere del supuesto de homoscedasticidad.
Si Var (y|x) no es constante, el estadístico t usual y los
intervalos de confianza no son validos, sin importar que tan
grande sea la muestra.
• Cuando u no esta distribuida normalmente, a la raíz cuadrada
de la varianza estimada se le llama el error estándar asintótico y
al estadístico t, el estadístico t asintótico. De igual manera, se
pueden encontrar los intervalos de confianza asintóticos.
• En las muestras grandes, los estadísticos F tienen distribuciones
aproximadamente F por lo que para probar las pruebas de
restricciones de exclusión, nada cambia.
 El Estadístico de Multiplicador
Lagrange (ML)
• Es un estadístico para probar hipótesis de restricción
múltiple que no requiere de normalidad.
• Para obtener el estadístico ML, se parte de:
y = β0 + β1 x1 +... + βk xk + u
– Se desea probar, por ejemplo, si las q últimas variables
tienen parámetros poblacionales igual a cero. Entonces, H0:
βk-q+1 = 0, …, βk = 0, que impone q restricciones de
exclusión al modelo poblacional. La alternativa es que al
menos uno de los parámetros sea distinto a cero.
• El estimador de ML sólo requiere la estimación del
modelo restringido y = β!0 + β!1 x1 +... + β!k−q xk−q + u! donde ~
indica modelo restringido.
• Si las variables omitidas xk-q+1 a xk en realidad tienen
coeficientes poblacionales iguales a cero, entonces, por
lo menos de manera aproximada, no deberá estar
correlacionada con ninguna de estas variables de la
y=

muestra. Esto sugiere correr una regresión de estos

residuales sobre las variables independientes que se
excluyen bajo H0. Por tanto, se corre la regresión: u~
sobre x1, …, xk
– Esta es la regresión auxiliar que se emplea para calcular
un estadístico de prueba
 Estadístico del ML para q
restricciones de exclusión
1. Regresar y sobre el conjunto restringido de variables
dependientes y guardar los residuales, "!
2. Regresar "! sobre todas las variables independientes y
obtener la R2
3. Calcular ML=nR2
4. Comparar ML con el valor critico adecuado, c, de una
distribución, X2q; si ML > c, se rechaza la H0. Es muy
parecida a la de la prueba F (pero los gL no importan,
sino solo q – el # de restricciones).
• Debido a su forma, a este estadístico también se le llama
el estadístico nR2
 Ejemplo 5.3 – Modelo económico para la delincuencia –
se quiere probar la hipótesis nula de que avgsen y tottime
no tienen efectos sobre narr86 todo lo demás constante
1. Paso 1: Modelo restringido y guardar residuales
. reg narr86 pcnv ptime86 qemp86

Source SS df MS Number of obs = 2725

F( 3, 2721) = 39.10
Model 83.0741941 3 27.691398 Prob > F = 0.0000
Residual 1927.27296 2721 .708295833 R-squared = 0.0413
Adj R-squared = 0.0403
Total 2010.34716 2724 .738012906 Root MSE = .8416

narr86 Coef. Std. Err. t P>|t| [95% Conf. Interval]

pcnv -.1499274 .0408653 -3.67 0.000 -.2300576 -.0697973

ptime86 -.0344199 .008591 -4.01 0.000 -.0512655 -.0175744
qemp86 -.104113 .0103877 -10.02 0.000 -.1244816 -.0837445
_cons .7117715 .0330066 21.56 0.000 .647051 .776492

. predict u, resid
. reg u pcnv ptime86 qemp86 avgsen tottime

2. Paso 2: Correr u sobre todas las vars Source SS df MS Number of obs =

F( 5, 2719) =
2725
0.81
Model 2.87904835 5 .575809669 Prob > F = 0.5398
Residual 1924.39392 2719 .707757969 R-squared = 0.0015
Adj R-squared = -0.0003
Total 1927.27297 2724 .707515773 Root MSE = .84128

u Coef. Std. Err. t P>|t| [95% Conf. Interval]

pcnv -.0012971 .040855 -0.03 0.975 -.0814072 .0788129

ptime86 -.0048386 .0089166 -0.54 0.587 -.0223226 .0126454
qemp86 .0010221 .0103972 0.10 0.922 -.0193652 .0214093
avgsen -.0070487 .0124122 -0.57 0.570 -.031387 .0172897
tottime .0120953 .0095768 1.26 0.207 -.0066833 .030874
_cons -.0057108 .0331524 -0.17 0.863 -.0707173 .0592956
 Ejemplo 5.3 – Modelo económico para la delincuencia –
se quiere probar la hipótesis nula de que avgsen y tottime
no tienen efectos sobre narr86 todo lo demás constante
3. Paso 3: Calcular ML: nR
ML = 2725*0.0015 = 4.0875
4. Paso 4: comparar con el valor crítico
El valor crítico correspondiente a 10% en una distribución ji-cuadrada
con dos grados de libertad es aproximadamente 4.61

Regla de decisión: H0: , βavgsen = 0, βtottime= 0

Ha: , βavgsen ≠ 0, βtottime ≠ 0
Se rechaza si valor calculado > valor crítico
NO SE RECHAZA la H0 de significancia conjunta
avgsen y tottime son insignificantes conjuntamente
 Eficiencia Asintótica de MCO
• Sin acudir a la demostración, podemos decir que
MCO es asintóticamente eficiente dentro de una
determinada clase de estimadores bajo los supuestos
de Gauss-Markov.
• TEOREMA 5.3 – Eficiencia asintótica de MCO
– Bajo los supuestos de Gauss-Markov, sean βj~ los
estimadores que resuelven las ecuaciones de primer
orden y sean βj* los estimadores de MCO. Entonces,
para j = 0, 1, 2,…k los estimadores de MCO tienen las
menores varianzas asintóticas: A var n(β̂ j − β j ) ≤ A var n(β! j − β
 Trabajo en clase
• Ejercicio C5.1