Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Análisis asintótico
• Para este tema será fundamental que repasen propiedades de
límites.
• Ejemplos:
Análisis asintótico
• Hasta ahora hemos cubierto propiedades de muestra finita.
• Insesgamiento: Es una propiedad de muestra finita porque se cumple
para cualquier muestra de tamaño fijo .
• Teorema de GM también es una propiedad de muestra finita.
• Las propiedades asintóticas se refieren al comportamiento de los
estimadores cuando la muestra se incrementa al infinito .
• Para la derivación de las pruebas y habíamos necesitado del
supuesto de normalidad del término de error.
Análisis asintótico
Supuesto 5: Normalidad
El error poblacional es independiente de los regresores está
distribuido en forma normal con media cero y varianza
• Solo bajo este supuesto es que podemos asegurar que los estadísticos
y se distribuyen exactamente como y respectivamente.
• Ahora veremos que cuando los estadísticos y se distribuyen
aproximadamente como y , incluso si el supuesto 5 NO es válido.
Consistencia
• La propiedad de insesgamiento no siempre es posible. De hecho, hay
muchos estimadores que se usan en la práctica que son sesgados,
pero SI son consistentes.
Consistencia
Consistencia. Sea un estimador de basado en la muestra de tamaño .
Entonces, es un estimador consistente de para todo
cuando
Alternativamente:
Consistencia
Propiedades de plim
1. Si y entonces
a) siempre que 0
Consistencia
Propiedades de plim
2. Sea un parámetro y defínase un nuevo parámetro para una función
continua .
Suponga que . Defina el estimador de por . Entonces
• Entonces
Consistencia
2. Normalidad asintótica: Sea una secuencia de variables aleatorias,
tal que para todos los números tenemos que
cuando
Donde es la función de distribución normal estándar acumulada.
Entonces se dice que tiene una distribución asintótica normal
estándar. Esto se denota como
Consistencia
3. Teorema Central del Límite: Sea una muestra aleatoria con media y
varianza entonces
• Donde es de orden es una matriz que se supone finita y que tiene inversa.
• Este no es un supuesto fuerte. Simplemente dice que cuando tiende a
infinito, entonces tiende a algo finito.
Consistencia de MCO con matrices
Consistencia de MCO con matrices
Consistencia de MCO con matrices
• O sea,
Nota sobre correlación y covarianza
• Correlación y covarianzas son medidas MUY similares. Cualquiera de
ellas es diferente a cero si y sólo si la otra también es diferente a cero.
• La ÚNICA diferencia entre ambas es en las unidades de medida:
• Suponemos que los supuestos 1 a 3 se cumplen ( tiene media condicional cero y correlación
cero con y ).
• Y tenemos la regresión simple
• Y la regresión múltiple
• En general
Inconsistencia en MCO
• Se puede probar que
• Entonces
Inconsistencia en MCO
•Así
• Si es cierto entonces el de esta regresión debería ser bajo ( debería tener una
correlación baja con todas las variables).
El estadístico de multiplicador de
Lagrange (LM)
• Clave: bajo tenemos que .
• es precisamente el estadístico LM.
La prueba LM
i. Regresar en el conjunto restringido de regresores y guardar los residuos .
ii. Regresar en todos los regresores y obtener el respectivo, .
iii. Computar en base a la regression del paso ii.
iv. Comparar LM con el valor crítico apropiado, , en una distribución .
Eficiencia asintótica de MCO
• Ya vimos que, bajo los supuestos de GM, los estimadores MCO son MELI.
• MCO también son estimadores asintóticamente eficientes.
• Ver esto en regresión múltiple es complicado, solo lo veremos en caso de la
regresión simple.
•Debido a que
•Entonces es un estimador consistente de
Eficiencia asintótica de MCO
• Se puede probar que es asintóticamente normal con media cero y
varianza