Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ECONOMETRÍA II
TEMA 2:
Máxima Verosimilitud
1
UNIVERSIDAD NACIONAL DE INGENIERÍA
2020-II
UNIVERSIDAD NACIONAL DE INGENIERÍA ECONOMETRÍA II
Escuela Profesional de Ingenierı́a Económica INDICE Máxima Verosimilitud
Índice
1. Introducción 2
Referencias 17
1. Introducción
En microeconometrı́a ocurre el hecho de que la mayorı́a de datos a tratar son discretos y ca-
tegóricos, esto nos induce a que no necesariamente se utilicen modelos lineales. El estimador de
Mı́nimos Cuadrados Ordinarios (MCO) presenta limitantes en modelos no lineales, por lo cual
tenemos que recurrir a otras técnicas de estimación.
Existen otros métodos de estimación para calcular los parámetros de un modelo. En este caso,
desarrollaremos la técnica de Máxima Verosimilitud (MV) ya que también permite realizar la
estimación de los parámetros de un modelo, aún cuando este es no lineal.
A diferencia de la estimación por mı́nimos cuadrados ordinarios, la estimación por máxima vero-
similitud descansa en un determinado supuesto respecto de la distribución del término de error
(se asume una distribución para el error). La ventaja de la estimación por MV es que puede
producir estimadores consistentes y asintóticamente eficientes cuando el estimador MCO falla.
La estimación por Máxima Verosimilitud presenta una ventaja frente a la estimación por Mı́nimos
Cuadrados Ordinarios ya que se utiliza en modelos no lineales.
Y θ
y1 ← θ1 θ2 ··· θK
y2
←
θ1 θ2 ··· θK
.. .. .. .. .. ..
.
.
. . . .
yN −1 ← θ1 θ2 ··· θK
yN ← θ1 θ2 ··· θK
se desea obtener una estimación del vector θ por el método de estimación por máxima vero-
similitud.
NOTA:
En el caso del Modelo Lineal Clásico (MLC) se asume una distribución normal para el
término de perturbación (i ).
i ∼ iid N 0, σ 2
donde
esto es
N
Y
f (yN , yN −1 , . . . , y1 ; θ) = f (y1 ; θ) · f (yi |yi−1 , yi−2 , · · · , y1 ; θ)
i=2
N
Y
f (yN , yN −1 , . . . , y1 ; θ) = f (yi ; θ)
i=1
La función de log verosimilitud, denotada como L (θ; Y ) puede ser encontrada tomando
logaritmos
N
X
L (θ; Y ) = ln f (yi ; θ) (2)
i=1
El estimador θ̂ obtenido por Máxima Verosimilitud es el valor para el cual se maximiza L (θ; Y )
La primera derivada de L (θ; Y ) es conocida como score o vector gradiente. El score está
denotado como g(θ) o S(θ), con lo cual θ̂ MV se obtiene al igualar el score a cero.
∂L (θ; Y )
g(θ) = S(θ) =
∂θ
∂ 2 L (θ; Y )
H(θ) =
∂θ ∂θ 0
4.1. Consistencia
Convergen al valor poblacional conforme se incremente el tamaño de la muestra, formalmente
se expresa como:
plim θ̂ MV = θ
a
θ̂ MV −→ N θ, {I(θ)}−1
4.4. Invarianza
Si θ̂ MV es el estimador de θ y c(θ) es una función continua y continuamente diferenciable de θ,
entonces el estimador de máxima verosimilitud de γ = c(θ) es c(θ̂ MV )
Sea θ̂ MV el vector de parámetros del modelo sin restricciones. Plantearemos el siguiente conjunto
hipotético de restricciones sobre la hipótesis nula,
H0 : h(θ) = r
Si las hipótesis son erróneas, h(θ) − r deberı́a tomar un valor suficientemente lejano de cero que
se explicarı́a únicamente por la variabilidad muestral.
donde m son los grados de libertad, están dados por el número de ecuaciones en h(θ) − r = 0.
H0 : Rθ − r = 0
Busca comparar la verosimilitud alcanzada por el modelo restringido y compararla con la alcan-
zada por el modelo sin restringir.
Suponga una hipótesis nula que implique un conjunto de m diferentes restricciones sobre el valor
de parámetros θ.
La prueba del multiplicador de Lagrange de la hipótesis nula de que las restricciones son verda-
deras está dada por el siguiente estadı́stico
0
e {I(θ)}−1 S θ a
LM = S θ e −→ χ2(m)
donde m son los grados de libertad que están dados por el número de ecuaciones en h(θ)−r = 0.
ln 𝐿(𝜃)
𝑑 ln 𝐿(𝜃) |𝑑𝜃
𝑐(𝜃)
𝑑 ln 𝐿(𝜃) |𝑑𝜃
ln 𝐿
Likelihood
ratio
ln 𝐿𝑅 ln 𝐿(𝜃)
𝑐(𝜃)
Lagrange
multiplier
Wald
0 𝜃
𝜃𝑅 𝜃𝑀𝐿𝐸
Consideraciones finales
1. Los tres tests llegan al mismo resultado de manera asintótica; es decir, son asintóticamente
equivalentes. Sin embargo, en muestras pequeñas pueden diferir. En general, en un modelo lineal
normal se cumple que: W ≥ LR ≥ LM .
2. Los tres estadı́sticos pueden ser definidos tanto para modelos como restricciones no lineales.
Referencias
[1] Greene, W. (2018). Econometric Analysis. The Pearson series in economics. Pearson.
[3] Wooldridge, J. M. (2002). Econometric Analysis of Cross Section and Panel Data. Cambridge, MA:
MIT press.