Universidad de Chile Facultad de Economı́a y Negocios

Econometrı́a I
Profesor: Álvaro González
Pauta Control 2

1. Comentes.

a) En un modelo de regresión lienal con k regresores, al aumentar el número de obser-

vaciones y la cantidad de regresores, la varianza de los parámetros estimados por
MCO (β̂i con i = 1...k) se reduce.
Respuesta:
Al aumentar el número de observaciones, disminuye la varianza. Al aumentar el
número de regresores, si estos covarı́an con alguno del resto de las variables explica-
tivas y son significativos (distintos de cero), entonces disminuye la varianza.
b) En n (número de observaciones)> k (número de regresores) es condición suficiente
para que se cumpla el teorema de Gauss-Markov
Respuesta:
Falso. El teorema de Gauss-Markov plantea que MCO es MELI. Para que esto se
cumpla se deben asumir los supuestos tradicionales de MCO: linear en parámetros,
muestreo aleatorio, errores con media cero, no perfecta correlación entre regresores
y homocedasticidad. Por lo tanto, no basta que n > k.

2. Ejercicio
Considere el siguiente modelo
Y = M Xβ + M u
Con M matriz cuadrada, idempotente, simétrica y de dimensión n. X es una matriz no
estocástica. Además se cumple que

u ∼ N (0, σ 2 In )

a) Obtenga el estimador de mı́nimos cuadrados de β.

Respuesta:

Y = M Xβ + M u
M u = Y − M Xβ
−1
M M u = M −1 (Y − M Xβ)
u = M −1 Y − Xβ

Minimizo la suma de los errores al cuadrado

mı́n u0 u = (M −1 Y − Xβ)0 (M −1 Y − Xβ)

= (Y 0 M −1 − β 0 X 0 )(M −1 Y − Xβ)
= Y 0 M −1 M −1 Y − Y 0 M −1 Xβ − β 0 X 0 M −1 Y + β 0 X 0 Xβ
= Y 0 M −1 Y − 2β 0 X 0 M −1 Y + β 0 X 0 Xβ

1
Universidad de Chile Facultad de Economı́a y Negocios

Derivo respecto a β̂ 0 e igualo a cero

∂u0 u
= −2X 0 M −1 Y + 2X 0 X β̂ = 0
∂ β̂ 0
= −X 0 M −1 Y + X 0 X β̂
X 0 X β̂ = X 0 M −1 Y
β̂M CO = (X 0 X)−1 X 0 M −1 Y

b) ¿Es este estimador insesgado? ¿De qué depende?

Respuesta:

β̂M CO = (X 0 X)−1 X 0 M −1 Y
= (X 0 X)−1 X 0 M −1 (M Xβ + M u)
= (X 0 X)−1 X 0 M −1 M Xβ + (X 0 X)−1 X 0 M −1 M u
= (X 0 X)−1 X 0 Xβ + (X 0 X)−1 X 0 u
= β + (X 0 X)−1 X 0 u

Aplicando esperanza

E[β̂|X] = E[β + (X 0 X)−1 X 0 u|X]

= β + (X 0 X)−1 X 0 E[u|X]

Por lo tanto, será insesgado solo si para este modelo la esperanza del error u es igual
a cero condicional en X. Dada la X no estocástica, basta con que E[u] = 0.