Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Asintóticos
Econometría I
Profesor: Jorge Mario Salcedo Mayorga
Muestras finitas
• El hecho de que MCO sea el mejor estimador lineal insesgado bajo el conjunto
completo de supuestos de Gauss-Markov es una propiedad de las muestras finitas.
MLC y Normalidad
Analizamos modelos que seguían los supuestos Gauss Markov y más en detalle el Modelo
Lineal clásico (MLC), para el cual se agrega el supuesto donde los errores se distribuyen
normalmente.
¿ Qué sucede si descubrimos que los errores no siguen dicho tipo de distribución?
• Aun eliminando el supuesto RLM.6, los estadísticos t y F tienen distribuciones que son
aproximadamente distribuciones t y F, al menos cuando las muestras son de tamaño
grande.
Consistencia
• La Insesgadez es una propiedad deseable de los estimadores por MCO, sin embargo, no
siempre se cumple.
A medida que aumente el tamaño de una muestra la distribución de será cada vez más
cercana a , de tal modo que si n tiende a infinito la distribución de se dirigirá únicamente
al punto .
𝑛1 <𝑛 2<𝑛 3
Grandes números de individuos, actuando independientemente en un
sistema, producen regularidades que no dependen de su coordinación
mutua, de manera que es posible razonar sobre la colectividad sin ningún
conocimiento detallado de los individuos”
— “Simeon Denis Poison”
Ley de los grandes números
• (Poisson 1837).
• La regularidad en los golpes de azar en los juegos de cartas, las mareas, los índices de mortalidad, los fallos
condenatorios, los tipos de crímenes.
• La proporción de condenados anualmente permitirá conocer de manera bastante exacta la probabilidad de ser
condenado y bajo qué acusación.
• La ley de los grandes números dice que (bajo ciertas condiciones generales) la media
de n variables aleatorias …, se aproxima a la media de las n medias donde ya sabemos que
• Si todas las variables tienen la misma media μ , entonces la media aritmética de las variables se
aproxima al mismo valor.
Ley de los grandes números
• La ley de los grandes números dice que (bajo ciertas condiciones generales) la media
de n variables aleatorias …, se aproxima a la media de las n medias donde ya sabemos
que
• Si todas las variables tienen la misma media μ , entonces la media aritmética de las
variables se aproxima al mismo valor.
Pero al cumplirse los supuestos de regresión lineal múltiple, se tendría que y por ende,
nuestra expresión quedaría:
Supuesto RLM 4’
• Lo anterior solo se da cuando los límites de probabilidad existen, lo que implica que
Como vimos, basta con asumir correlación igual a cero para obtener estimadores
consistentes, la ecuación 4 muestra un supuesto ajustado para el caso de regresión
múltiple, denominado RLM.4’ Media cero y correlación cero:
• Bajo RLM.4’ el estimador será consistente pero sesgado dado que se puede considerar
que algunas funciones no lineales de como una función cuadrática, estén
correlacionadas con el error.
• Si las no siguen una distribución normal se puede aplicar el Teorema del Límite Central,
con el fin de asumir que los estimadores siguen una normalidad asintótica, a medida que
el tamaño de la muestra es los suficientemente grande.
Teorema del Límite Central
• La suma de variables aleatorias normales es otra variable aleatoria normal.
• El teorema central del límite es un resultado matemático que garantiza que, si sumamos
variables cualesquiera (no necesariamente normales), la variable suma también seguirá una
distribución normal.
• ,
• , los residuos de hacer una regresión entre respecto a las otras variables independientes.
• es un estimador consistente de
• Para cada j se tiene
• Note que no se ha utilizado el supuesto de normalidad RLM.6, pero si la media condicional igual a
cero y la homocedasticidad en el término de error u. Otra punto a resaltar se da si no es constante, ya
que en presencia de heterocedasticidad no se obtendrán estadísticos t convencionales, ni intervalos de
confianza correctos. Por último, bajo normalidad asintótica, se puede asumir que los estadísticos t y F
se aproximaran a sus distribuciones originales, razón por la cual se pueden utilizar los mismos
procedimientos que se vieron en el escenario 5.
Estadístico del Multiplicador de Lagrange
• Hacer una regresión de la variable dependiente “y” sobre las variables del modelo restringido y almacenar los
resultados del error
• Hacer una regresión de respecto a todas las variables independientes para obtener el R cuadrado de este modelo
(.
• Calcular ML que será igual al tamaño de muestra por el R cuadrado obtenido en el punto b, (
• Contrastar el multiplicador de Lagrange con c, que corresponde al valor crítico de una distribución ; el criterio
de rechazo estará dado por ML>c, es decir si el multiplicador es mayor al valor crítico se debe optar rechazar la
hipótesis nula y las variables serían estadísticamente significativas.