Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema1 - Modelo Basico
Tema1 - Modelo Basico
Yt = β1 + β2 X2t + . . . + βK XKt + ut t = 1, . . . , T
y en forma matricial, junto a las hipótesis básicas,
Y = Xβ + u u ∼ N (0, σu2 I)
X no estocástica rg(X) = K
1
2 CAPÍTULO 0. PRELIMINARES: REVISIÓN DE CONCEPTOS BÁSICOS
0.2.1. Consistencia
Definición 0.1 Una sucesión de variables aleatorias {XT : T ≥ 1} conver-
ge en probabilidad a la variable aleatoria X si:
d a
Se denota como XT → X ó como XT ∼ FX .
−1
′ ′ ′ ′
T u u u X X X X u
σ̂u2 = −
T −K T T T T
β̂T = β + (X ′ X)−1 X ′ u
1. Si σu2 es conocida:
β̂i H0
√ ∼ N (0, 1)
σu aii
2. Si σu2 es desconocida:
β̂i H0
√ ∼ tT −K
σ̂u aii
Si la distribución de u no es normal ó no es conocida, las distribuciones
de los estadı́sticos anteriores no son correctas en muestras finitas.
Si utilizamos los resultados asintóticos obtenidos anteriormente, que β̂
es asintóticamente normal y que σ̂u2 es consistente, aplicando el teorema de
Cramer (y bajo H0 ),
β̂i d,H0
√ → N (0, 1)
σ̂u aii
1. Si σu2 es conocida:
H
(Rβ̂ − r)′ [σu2 R(X ′ X)−1 R′ ]−1 (Rβ̂ − r) ∼0 χ2q
2. Si σu2 es desconocida:
χ2
(Nota: Fq,T → q cuando T → ∞.)
10 CAPÍTULO 0. PRELIMINARES: REVISIÓN DE CONCEPTOS BÁSICOS
Capı́tulo 1
Y = Xβ + u (1.1)
una de las hipótesis básicas es que las perturbaciones son esféricas, es decir,
σ2 0 · · · 0
2
0 σ2 · · · 0
V ar(u) = σ I = .. .. . . . ..
. . .
0 0 · · · σ2
1. Homocedasticidad: var(ut ) = σ 2 , ∀ t.
2. No correlación: cov(ut us ) = 0, ∀ t 6= s.
2. Correlación: cov(ut us ) 6= 0, ∀ t 6= s.
11
12 CAPÍTULO 1. GENERALIZACIÓN DEL MODELO DE REGRESIÓN LINEAL
σ12 σ12 · · · σ1T
σ21 σ22 · · · σ2T
E(uu′ ) = Σ =
.. .. . . . ...
. .
σT 1 σT 2 · · · σT2
w11 w12 · · · w1T
2 w21 w22 · · · w2T
= σ2Ω = σ .. .. . . . ...
. .
wT 1 wT 2 · · · wT T
E(uu′ ) = Σ = σ 2 Ω, donde Ω 6= I
Propiedades de β̂MCO :
1. Lineal: β̂ = β + (X ′ X)−1 X ′ u
2. Insesgado: E(β̂) = β + E[(X ′ X)−1 X ′ u] = β + (X ′ X)−1 X ′ E(u) = β
3. Matriz de varianzas y covarianzas:
lı́mT →∞ E(β̂T ) = β
2 ′ ′ ′
lı́mT →∞ V ar(β̂T ) = lı́mT →∞ σT ( XTX )−1 ( X TΩX )( XTX )−1 =
= 0 · Q−1 · B · Q−1 = 0
plimβ̂T = β
(Y − X β̂)′ (Y − X β̂) Y ′ M ′ M Y u′ M u
σ̂ 2 = = =
T −K T −K T −K
ya que M = (I−X(X ′ X)−1 X ′ ) es simétrica e idempotente y M Y = M u.
Entonces
E(u′ M u) E(trM uu′ ) σ 2 tr(M Ω)
E(σ̂ 2 ) = = = 6= σ 2
T −K T −K T −K
ya que, aunque tr(M ) = T − K, tr(M Ω) 6= T − K si Ω 6= I. Además
se demuestra que dicho estimador no es consistente. Por lo tanto si
desconocemos σ 2 y lo estimamos con σ̂ 2 ninguno de los contrastes
realizados con este estimador es válido.
14 CAPÍTULO 1. GENERALIZACIÓN DEL MODELO DE REGRESIÓN LINEAL
−1 −1 −1
|P {z Y} =P
| {z X} β + |P {z u} (1.2)
Y∗ X∗ u∗
=⇒ Y ∗ = X ∗ β + u∗
′ ′
V ar(u∗ ) = E(P −1 uu′ (P −1 ) ) = P −1 E(uu′ )(P −1 ) =
′
= σ 2 P −1 ΩP −1 = σ 2 P −1 P P ′ (P ′ )−1 = σ 2 I
Por lo tanto en el modelo transformado se cumplen las hipótesis básicas,
y aplicar MCO dará buenos resultados. Ası́ obtenemos el estimador de
MCG:
V ar(β̃) = E[(X ′ Ω−1 X)−1 X ′ Ω−1 uu′ Ω−1 X(X ′ Ω−1 X)−1 ]
= (X ′ Ω−1 X)−1 X ′ Ω−1 E[uu′ ]Ω−1 X(X ′ Ω−1 X)−1
= σ 2 (X ′ Ω−1 X)−1 X ′ Ω−1 ΩΩ−1 X(X ′ Ω−1 X)−1
= σ 2 (X ′ Ω−1 X)−1
1.3.2. Estimador de σ 2
σ 2 es una constante común en E[uu′ ] (no siempre es la varianza de u).
Su estimación se realiza de la manera habitual en el modelo transformado,
resultando un estimador insesgado y consistente:
′
2 (Y ∗ − X ∗ β̃)′ (Y ∗ − X ∗ β̃) û∗ û∗
σ̃ = = =
T −K T −K
′
(Y − X β̃)′ Ω−1 (Y − X β̃) ũM CG Ω−1 ũM CG
=
T −K T −K
16 CAPÍTULO 1. GENERALIZACIÓN DEL MODELO DE REGRESIÓN LINEAL
H0 : Rβ = r
Ha : Rβ 6= r.
1. Σ = σ 2 Ω es totalmente conocida.
1.5.1. Σ = σ 2Ω conocida
En este caso aplicamos MCG tal que, si las perturbaciones tienen una
distribución Normal,
H
Rβ̃M CG ∼0 N (r, R(X ′ Σ−1 X)−1 R′ )
H
Fc = (Rβ̃M CG − r)′ [R(X ′ Σ−1 X)−1 R′ ]−1 (Rβ̃M CG − r) ∼0 χ2q
H
donde q es el número de restricciones y ∼0 denota distribución bajo la
hipótesis nula. Entonces rechazamos la hipótesis nula si Fc > χ2q,α para un
nivel de significación α.
18 CAPÍTULO 1. GENERALIZACIÓN DEL MODELO DE REGRESIÓN LINEAL
Ası́, rechazaremos la hipótesis nula si Fcd > Fq,T −K|α para un nivel de
significación α.