Universidad Carlos III de Madrid

Csar Alonso
ECONOMETRIA
ANEXO I: INFERENCIA CON GRANDES MUESTRAS
*
ndice
1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. Consistencia de un estimador . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.1. Ley de los Grandes Nmeros . . . . . . . . . . . . . . . . . . . . . . . 3
2.2. Propiedades del PLIM . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3. Normalidad asinttica de un estimador . . . . . . . . . . . . . . . . . . . . 4
3.1. Teorema Central del Lmite . . . . . . . . . . . . . . . . . . . . . . . 4
*
Este material est basado en material previo elaborado por Mara Arrazola y Jos de Hevia.
1. Introduccin
Vamos a estudiar las propiedades de un estimador cuando el tamao muestral
es grande.
Supongamos que nuestro parmetro de inters es o (puede ser j, o
2
o cualquier
otro). Llamaremos
b
o
n
al estimador de o, basado en una muestra aleatoria
{)
1
. . . . . )
n
} de tamao :.
2. Consistencia de un estimador
b
o
n
es un estimador consistente de o, si para todo 0,
lm
n!1
Pr
n

b
o
n
o

o
= 0
Decimos entonces que o es el lmite en probabilidad de
b
o
n
, lo que expresamos
como:
plm
b
o
n
= o
Si se cumple que:
lm
n!1
Sesgo(
b
o
n
) = 0.
lm
n!1
\ (
b
o
n
) = 0.
entonces
b
o
n
es un estimador consistente de o (es una condicin suciente pero
no necesaria).
1
Ejemplo:
Dada una muestra aleatoria f)
1
. . . . . )
n
g de una variable aleatoria ) con 1() ) =
j y, \ () ) = o
2
.
Sea ) =
1
n
P
n
i=1
)
i
un estimador de j, es consistente?
Dado que sabemos que:
1() ) = j.
\ () ) =
o
2
:
.
se cumplir que
lm
n!1
Sesgo() ) = 0.
lm
n!1
\ () ) = 0.
Por tanto, ) es un estimador consistente de j.
Si
b
o
n
es un estimador consistente de o signica que para muestras grandes es
poco probable que se aleje de o.
Cuando un estimador no es consistente, decimos que es inconsistente.
En ese caso, nos puede interesar conocer su lmite en probabilidad y comprobar
si est muy alejado de o, es decir, conocer su sesgo asinttico.
Sesgo asinttico(
b
o
n
) = plm(
b
o
n
o)
2
2.1. Ley de los Grandes Nmeros
Sean )
1
. . . . . )
n
variables aleatorias idntica e independientemente distribuidas
con media j. Entonces, se cumple que:
plm) = j
es decir: La media muestral es un estimador consistente de la media
poblacional.
Los momentos muestrales son estimadores consistentes de sus anlogos pobla-
cionales.
Es muy til para saber si un estimador es consistente, ya que muchos esti-
madores son funciones de medias muestrales.
2.2. Propiedades del PLIM
Si es un estimador consistente de o y o() es una funcin continua:
plmo(
b
o
n
) = o(plm
b
o
n
) = o(o)
Si
b
o
1n
es un estimador consistente de o
1
y
b
o
2n
es un estimador consistente de
o
2
, entonces:
(a) plm(
b
o
1n
+
b
o
2n
) = o
1
+o
2
(b) plm(
b
o
1n
b
o
2n
) = o
1
o
2
(c) plm(
b
o
1n

b
o
2n
) = o
1
o
2
si o
2
6= 0.
3
3. Normalidad asinttica de un estimador
Sea G
1
. . . . . G
n
una sucesin de estadsticos, cada uno de ellos dependientes
de su correspondiente muestra )
1
. . . . . )
n
. Se dice que G
n
es asintticamente
normal cuando, para : grande, su funcin de distribucin es una `(0. 1). Es
decir,
lm
n!1
Pr fG
n
.g = (.). 8.,
siendo (.) la funcin de distribucin de una `(0. 1).
Habitualmente, se expresa este hecho como:
G
n
!
d
`(0. 1)
o
G
n
e `(0. 1)
3.1. Teorema Central del Lmite
Sean )
1
. . . . . )
n
variables aleatorias idntica e independientemente distribuidas
con media j y varianza o
2
. Entonces, se cumple que:
p
:() j)
o
e `(0. 1),
lo que permite decir que:
) e `(j. o
2
:),
El TCL justica que se emplee la distribucin normal para construir intervalos
de conanza y realizar contrastes sin necesidad de conocer el proceso que genera
los datos.
4