1

PROPIEDADES DE LOS ESTIMADORES

DE MNIMOS CUADRADOS ORDINARIOS

Profesora: Donita Rodrguez.
Agosto 2011
BANCO CENTRAL DE RESERVA DEL PER
CURSO DE ACTUALIZACIN PARA PROFESORES
ECONOMETRA
2
ESQUEMA
1. Los Estimadores MCO del MRLCK.
2. Propiedades en Muestras Pequeas de
3. Propiedades en Muestras Pequeas de
4. Propiedades en Muestras Grandes de
5. Propiedades en Muestras Grandes de
6. Criterios de seleccin y los estimadores MCO.

MCO
|
2

MCO
o
2

MCO
o

MCO
|
3
Vector de estimadores de MCO del MRLCK:

Estimador MCO de la varianza del trmino de perturbacin:


Error estndar de la estimacin o error estndar de la regresin,
s, es la desviacin estndar de los valores de Y alrededor del plano
de regresin.
1
( ' ) ' b X X X y

=
1. ESTIMADORES MCO DEL MRLCK
2 2
'

u
e e
s
n k
o =

4
presenta las siguientes propiedades:

Linealidad :
Insesgadez :
Eficiencia : Considerando estimadores lineales e insesgados
( ) E b | =
2 1
( ) [( ( ))( ( )) ']
( ) ( ' )
u
Var b E b E b b E b
Var b X X o

=
=
2. PROPIEDADES PARA MUESTRAS PEQUEAS DE
1
( ' ) ' b X X X y

=
MCO
b
b
5
EL TEOREMA GAUSS-MARKOV

Para un modelo de regresin lineal clsico, considrense todos los
estimadores lineales e insesgados para los parmetros del vector
, dentro de los cuales figuran los estimadores de MCO.

De todos estos, los estimadores de MCO son los que tienen menor
varianza, es decir, son los ms eficientes. Por ello, los estimadores de
MCO son los Mejores Estimadores Lineales e Insesgados o MELI
(Best Linear and Unbiased Estimators or BLUE).
2. PROPIEDADES PARA MUESTRAS PEQUEAS DE
MCO
b
Demostracin del teorema de Gauss-Markov:
Asuma un estimador alternativo lineal:

Que es insesgado:
Entonces:
6
2. PROPIEDADES PARA MUESTRAS PEQUEAS DE
AX=I
Matriz
positivo
definida
M
X
es una matriz idempotente.
7
Si se asume que las perturbaciones se distribuyen normal,
entonces:

y se demuestra que no existe otro estimador insesgado (lineal o
no lineal) con menor varianza.

Entonces, si se cumplen lo supuestos clsicos y las
perturbaciones son normales en muestras pequeas, los
estimadores MCO son los mejores estimadores insesgados.
2 1
~ ( , ( ' ) )
MCO u
b N X X | o

2. PROPIEDADES PARA MUESTRAS PEQUEAS DE
MCO
b
8


MCO
ESTIMADORES
INSESGADOS

Insesgados
MCO
Lineales
ESTIMADORES
Teorema Gauss-Markov Teorema Gauss-Markov
y Supuesto de Normalidad
2. PROPIEDADES PARA MUESTRAS PEQUEAS DE
MCO
b
9
Las propiedades del estimador MCO del parmetro de la
varianza del trmino de perturbacin son:
Cuadrtico :

Insesgado :

Bajo el supuesto de normalidad de las perturbaciones, se
demuestra que no existe otro estimador insesgado con
menor varianza que :

2 2 2
'
( ) ( )
MCO u
e e
E s E E
n k
o o
| |
= =
|

\ .
4
2
' 2
( )
e e
Var s Var
n k n k
o
| |
=
|

\ .
2

MCO
o
3. PROPIEDADES PARA MUESTRAS PEQUEAS DE
2 2
'

MCO
e e
s
n k
o =

MCO
b
10
Consistencia: Por la Ley de los Grandes Nmeros, el estimador
MCO converge en probabilidad al vector poblacional.

Normalidad Asinttica: Por el Teorema de Lmite Central de
Lindverg-Feller (observaciones independientes):
4. PROPIEDADES PARA MUESTRAS GRANDES DE
( ) Plim b | =
2 1
( ) (0, )
D
S b N Q | o

2 1
~ ( , / )
a
b N Q n | o

MCO
b
11
Adems, bajo el supuesto de que las perturbaciones se
distribuyen Normal en muestras pequeas:
Eficiencia Asinttica:
Alcanza la cota de Cramer y Rao: menor varianza que puede
alcanzar un estimador insesgado.


Mxima verosimilitud: bajo el supuesto de normalidad de las
perturbaciones.
2 1
~ (, / )
a
b N Q n o

2 1
/ Cota CR Q n o

=
4. PROPIEDADES PARA MUESTRAS GRANDES DE MCO
b
12
5. PROPIEDADES PARA MUESTRAS GRANDES DE
Consistencia :
Normalidad Asinttica:



Bajo el supuesto de normalidad de las perturbaciones
Eficiencia Asinttica: Alcanza la cota de Cramer y Rao.
Mxima verosimilitud
2

MCO
o
2 2
)

( o = o
MCO
Plim
2 2 4
4
( ) (0,[ ])
D
MCO
n N o o o
2 2 4
~ [ , (2 / )]
a
MCO
N n o o o
13
En muestras pequeas, los criterios convencionales son
1. Costo Computacional
2. Mnimos Cuadrados
3. Maximizar el R
2
4. Insesgadez
5. Eficiencia (del grupo de lineales e insesgados): T. Gauss-
Markov.
6. Menor Error Cuadrtico Medio.
En muestras pequeas, la metodologa de MCO cumple con
todos los criterios, excepto el (6).
6. CRITERIOS DE SELECCIN Y ESTIMADORES MCO
14
En muestras grandes, los criterios convencionales son:
1. Consistencia.
2. Normalidad Asinttica.
3. Eficiencia Asinttica.
4. Mxima Verosimiltud.
En muestras grandes, los estimadores MCO satisfacen:
Consistencia (por la Ley de los Grandes Nmeros) y
Normalidad Asinttica (por el Teorema del Lmite Central).
Bajo el supuesto de normalidad, Eficiencia Asinttica y MV.
6. CRITERIOS DE SELECCIN Y ESTIMADORES MCO
15
PROPIEDADES DE LOS ESTIMADORES
DE MNIMOS CUADRADOS ORDINARIOS

Profesora: Donita Rodrguez.
Agosto 2011
BANCO CENTRAL DE RESERVA DEL PER
CURSO DE ACTUALIZACIN PARA PROFESORES
ECONOMETRA