Estimacin por MC2E

CONTENIDO: 1) 2) 3) 4) 5) 6) 7) 8) 9) 10) 11) 12) Ejemplo: Comparacin entre estimador MCO y estimador de VI (pp 1 a 2) MC2E con una sla variable explicativa endgena (pp 2 a 3) Por qu se habla de dos etapas? Interpretacin del procedimiento (pp 3 a 3) Supuestos para la estimacin por MC2E (pp 3 a 4) La multicolinealidad en MC2E (pp 4 a 4) Ejemplo: Adecuacin de Variables instrumentales (pp 4 a 5) MC2E con ms de una variable explicativa endgena (pp 5 a 5) Inadecuacin de los estadsticos F y W0 para los contrastes en MC2E (pp 5 a 5) Error de medicin en variables y MC2E (pp 5 a 6) Proxis inadecuadas y MC2E: Scores como VI y control por inobservables (pp 6 a 6) Lista de problemas abordables con MC2E (pp 6 a 6) Recapitulacin final (pp 6 a 7)

Pgina 1 de 7

Cmo influye la educacin en el sueldo?

Modelo 1: Log(Wage)=0+i(Educ, Exper, Exper , otras Xi) + Ante la posibilidad de endogenicidad de Educ (C(Educ, )# 0) se decide utilizar como VI de Educ la variable: Cerca(: distancia desde domicilio paterno a una facultad) Que C(Cerca, )= 0 No se puede comprobar, pero no hay motivo para suponer que no se cumpla. Contraste de que C(Cerca, Educ)# 0 H0: Cerca=0 en el modelo 2 siguiente Modelo 2: Educ= 0+i(Cerca, Exper y resto de variables exgenas del modelo 1) + Nota: A las variables independientes del modelo 2 se les llama Instrumentos
2

Coeficiente Desv. Tpica Estadstico t Valor p (Variable dependiente: educ) const 16,6592 0,176389 94,45 0,0000 *** exper -0,410008 0,0336939 -12,17 2,74e-033 *** expersq 0,000732287 0,00164995 0,4438 0,6572 black -1,00614 0,0896454 -11,22 1,15e-028 *** smsa 0,403877 0,0848872 4,758 2,05e-06 *** south -0,291464 0,0792247 -3,679 0,0002 *** Cerca 0,337321 0,0825004 4,089 4,45e-05 *** Se rechaza H0 => Se acepta que C(Cerca, Educ)# 0

[Nota: la diferencia con los modelos simples es que en los mltiples se debe contrastar que C(Z, X)#0 tras descontar el efecto del resto de
instrumentos o variables exgenas del modelo: regresin de X sobre Z y resto de X. Mientras que en un modelo simple basta con la regresin de X sobre Z (Z es la VI de X).]

A continuacin, hago la estimacin por MCO (salida MCO) y por VI (salida VI):
Salida MCO, usando las observaciones 1-3010 Variable dependiente: lwage Coeficiente Desv. Tpica Estadstico t Valor p ----------------------------------------------------------------const 4,73366 0,0676026 70,02 0,0000 *** educ 0,0740090 0,00350543 21,11 2,28e-092 *** exper 0,0835958 0,00664779 12,57 2,22e-035 *** expersq -0,00224088 0,000317840 -7,050 2,21e-012 *** black -0,189632 0,0176266 -10,76 1,64e-026 *** smsa 0,161423 0,0155733 10,37 9,27e-025 *** south -0,124862 0,0151182 -8,259 2,18e-016 *** Salida VI, usando las observaciones 1-3010 Variable dependiente: lwage Mediante Instrumentos: educ Instrumentos: const nearc4 exper expersq black smsa south Coeficiente Desv. Tpica z Valor p ---------------------------------------------------------const 3,75278 0,829341 4,525 6,04e-06 *** educ 0,132289 0,0492332 2,687 0,0072 *** exper 0,107498 0,0213006 5,047 4,49e-07 *** expersq -0,00228407 0,000334133 -6,836 8,15e-012 *** black -0,130802 0,0528723 -2,474 0,0134 ** smsa 0,131324 0,0301298 4,359 1,31e-05 *** south -0,104901 0,0230731 -4,546 5,46e-06 ***

Media de la vble. dep. 6,261832 D.T. de la vble. dep. 0,443798 Suma de cuad. residuos 420,4760 D.T. de la regresin 0,374191 Media de la vble. dep. 6,261832 D.T. de la vble. dep. 0,443798 R-cuadrado 0,290505 Como se puede ver, el estimador de VI es casi el doble que el de MCO, cuad. residuos es 18 veces mayor, de forma que si pero su DS 459,1785 D.T. de la regresin 0,391033 Suma de IC95% es muy amplio: de 0,024 a 0,239. Este es un precio que siempre hay que0,267322al usar VI para solucionar un pagar R-cuadrado

problema de endogenicidad. 2 Por otra parte, recordar que el R del modelo con VI es siempre menor que el de MCO (si lo que se quiere es maximizar el 2 R , es decir, el mejor ajuste de la recta a los datos, en lugar de estimar los i, lo que hay que hacer es usar MCO). 2 Adems, el R del modelo con VI no tiene una interpretacin clara e incluso puede ser negativo), al revs que en el caso de los MCO (% de varianza de Y que es explicada por las X).

Estimacin por MC2E

Pgina 2 de 7

MC2E:
Si hay ms de una posible VI (p ej, Z1, Z2) para una sola X: Restricciones de exclusin: Z1 y Z2 no se incluyen en la ecuacin estructural y no se correlacionan con el error de dicha forma estructural Seguidamente se aplica la estimacin MC2E a diversos problemas de endogenicidad como los creados por omisin de variable explicativa relevante, por Classical errors-in-variables dependientes y por proxi inadecuada: CASO CON UNA SOLA VARIABLE EXPLICATORIA ENDGENA (X1): Ecuac. estructural: Y=0+i(X1, resto de exgenas) + donde se cumple que C(X1, )#0 En lugar de hacer dos estimadores de VI, uno con Z1 y otro con Z2, se crea una nueva VI que sea una combinacin lineal de Z1 y Z2. Todas las combinaciones lineales de Z1 y Z2 valdran, pero la mejor es precisamente la que maximiza el R2, que es la forma reducida (pues se ajusta por MCO):

X= 0+1(Z1, Z2, resto de exgenas de la ecuacin estructural) +

(donde E()=0 y Cov(, Z1)= Cov(, Z2)= Cov(, resto de exgenas de la ecuacin estructural)= 0) Por tanto la VI de X1 ser:

X1*= 0+i(Z1, Z2, resto de exgenas de la ecuacin estructural)

Es necesario que Z1 y/ Z2 sean distintos de cero (el coef de las exgenas incluidas en la ecuac. estructural puede tomar cualquier valor). Esta asuncin ES ESENCIAL y se llama CONDICIN DE IDENTIFICACIN pues si ambos son cero X* no se puede identificar. Para comprobarlo, se hace un contraste de significacin conjunta de las : es decir, se contrasta H0: Z1= Z2 = 0 con una F o con una W0 En realidad, lo que hace la forma reducida es dividir la variable exgena X1 en dos partes; la parte exgena X1*, que no se correlaciona con , y la parte endgena que cabe esperar que s se correlacione con Por tanto, estimamos la forma reducida con las observaciones de la muestra:

X1= p0+pi(Z1, Z2, resto de exgenas de la ecuacin estructural)+v

utilizamos los coeficientes pi para calcular los valores X1i* de cada caso y hacemos el contraste de significacin conjunta de los coef. de las Z; si no conseguimos rechazar H0 debemos abandonar el procedimiento (las Z no valen como VI de X1). Si rechazamos la H0 anterior, finalmente procedemos a estimar 1 con X1* como VI. Para lo cual se usa el sistema de los momentos, que nos lleva a un sistema de tantas ecuaciones e incgnitas como betas tiene la ecuacin estructural (esto lo hace el ordenado). O sea, la nica diferencia con lo visto hasta aqu es que hay ms de una VI, por lo que hay que calcular una especie de promedio ponderado de ellas y del resto de las X exgenas. Ese promedio ponderado es la combinacin lineal de la forma reducida.

Estimacin por MC2E

Pgina 3 de 7

As que cuando se usan mltiples Instrumentos (Instrumentos: VI no incluidas en la ecuacin estructural y variables explicativas exgenas de la ecuacin estructural) a la estimacin por VI se le llama estimacin por MC2E. Por qu se habla de dos etapas? Interpretacin del procedimiento: Supongamos que la ecuac estructural es: Y=0+ 1X1+ 2X2+, que nuestro inters es 1, que creemos que X1 es endgena y que hay dos VI: Z1 y Z2 1 Etapa de mnimos cuadrados ordinarios para hallar la forma reducida X1=p0+p1Z1+p2Z2+p3X2+v a partir de la cual se calcula la nueva VI (combinacin de las Z y de las X exgenas a la ecuac estructural) X1*=p0+p1Z1+p2Z2+p3X2 2 Etapa de mnimos cuadrados ordinarios para hallar los betas de la ecuac estructural: Y=b0+b1*X1*+b2X2+e Es decir, estimar por MC2E 1 supone (1) calcular X1* y (2) ajustar Y=0+ 1*X1*+ 2X2+e [el estimador MC2E es el que resulta al sustituir X1 por su instrumento] Una forma de entender lo que hemos hecho es la siguiente: 1 Etapa: purgamos a X1 de su parte endgena v (X1=p0+p1Z1+..+piXi..+ v)= X1*+v) 2 Etapa: pasamos v al trmino de error de la ecuacin estructural: Y=0+ 1X1+ 2X2+ => Y= 0+ 1X1*+ 2X2+ + 1v de forma que ahora s se cumple que E(+1v)=0 y que C(X1*, +1v)= 0 ya no hay endogenicidad. La 2 etapa no debe ser hecha a mano porque los errores estndar calculados a mano son errneos. Si hay ms variables explicativas exgenas no cambia gran cosa. Lo nico a tener en cuenta es que hay que incluir todas ellas en la forma reducida. Repaso de las condiciones necesarias para la estimacin por MC2E (y por VI): 1) 2) 3) 4) E(Y|Xi)= linear en los betas. Muestra aleatoria (de las Y, X y Z) => E(med(X))= C(Zi, )= 0 y E()=0 Condicin de identificacin: Al menos ha de haber una variable Zi no incluida en la ecuacin estructural cuya correlacin PARCIAL con la variable endgena de que ser instrumento (X) ha de ser distinta de cero [correlacin PARCIAL: se habla de correlacin parcial porque no se simplemente que C(Z, X)#0, sino que ha de haber una correlacin independiente, tras descartar el efecto de las otra variables incluidas en la forma reducida. Esto significa que el coef. de Z en la forma reducida ha de ser distinto de cero]. Y no debe haber multicolinearidad perfecta entre instrumentos.

Si se cumplen las condiciones 1 a 4 los estimadores de VI o de MC2E son consistentes y su distribucin muestral es asintticamente normal => Propiedades asintticas significa que es importante que la muestra sea grande. Normal-> Podemos usar la N(0, 1) para contraste de H0 y para intervalos de confianza. Con slo estas 4 condiciones los estimadores VI (MC2E) NO SON los estimadores de VI consistentes de mnima varianza (no son los ms eficientes de entre los estimadores de VI consistentes). 5) Homocedasticidad condicional: V(| todas las exgenas y las Z)= constante. Si se cumple la homocedasticidad, ms las cuatro previas, los estimadores VI (MC2E) S SON los estimadores de VI consistentes de mnima varianza (s son los ms eficientes de entre los estimadores de VI consistentes).

Estimacin por MC2E

Pgina 4 de 7

El problema de la multicolinealidad en MC2E (y VI) La existencia de correlaciones entre los instrumentos (las Z y las X exgenas de la ecuac. estructural) aumenta mucho la varianza de los estimadores MC2E (ms incluso que en el caso de MCO.
Ejemplo: Adecuacin de Variables instrumentales Prohibicin de tener armas (Prohib: 1-s|0-no)) y tasa de crmenes en las ciudades (Tcrim): Tcrim= 0+ 1Prohib+ 2TasaParo+ 3Poblacin+ 4Edad_18a23+ 5PctEmigrantes+.. Se piensa que C(Prohib, )# 0 y se decide hacer estimacin MC2E. Seran buenas VI X1: porcentaje de suscriptores a revistas de armas o X2: porcentaje de poblac que ha acudido a una armera el ltimo ao X3: porcentaje de poblac que se declara no violento? Pienso que C(X1, Prohib)# 0, C(X2, Prohib)# 0, C(X3, Prohib)# 0 Pero pienso que la tasa de crimen puede hacer que vare el inters por las armas o el pacifismo en la poblacin. Por tanto sera plausible que: Tcrimen X1 => C(Tcrimen, X1)# 0 Por otra parte, hay muchos ms factores que los incluidos en la ecuacin estructural que influyen en la tasa de crmenes (p. ej., ser ciudad portuaria) => C(Tcrimen, Puerto)# 0 C(Tcrimen, X1)# 0 y C(Tcrimen, Puerto)# => C(X1, Puerto)# 0 Pero como Puerto no est incluido en la ecuac estructural, su efecto se recoge en el => = +Puerto C(X1, )= C(X1, +Puerto)= C(X1, Puerto) => C(X1, )# 0 X1, X2 y X3 no son VI adecuadas.

CASO CON MS DE UNA VARIABLE EXPLICATORIA ENDGENA (varias X): Ecuacin estructural: Y=0+ 1X1+ 2X2+iXi+ C(X1, )# 0; C(X2, )# 0; C(Xi, )= 0. Y adems se cumplen el resto de condiciones sealadas antes
Nota: Recordar que el sesgo y la inconsistencia por omisin de variable relevante afecta en general a los coeficientes de TODAS LAS VARIABLES EXPLICATIVAS DEL MODELO. Por ello, lo ms frecuente ser que si en un modelo una X es inconsistente las dems X tambin lo sean

Hace falta AL MENOS una VI (Z) que sea exgena al modelo y que no est incluida en l por cada una de las X endgenas de la ecuacin estructural. Seguidamente, se halla por MCO la forma reducida de cada X endgena: X1= p10+ p11Z1+ p12Z2+p1iXi+v1 X2= p20+ p21Z1+ p22Z2+p2iXi+v1 Se comprueba si se cumple la Condicin de identificacin para ello: Es necesario que p11 y p22 sean # 0 QUE p12 p21 sean # 0 Cuando hay ms de una X endgena es necesaria la CONDICIN DE ORDEN: al menos tantas Z distintas como X endgenas. CONTRASTE DE HIPTESIS EN ESTIMACIN por MC2E: Como R2 no es vlida, los contrastes habituales basados en ella (F y W0) tampoco lo son. ERROR DE MEDICIN EN VARIABLES Y MC2E: Hemos visto como los MC2E solucionan la endogenicidad por omisin de variables, vamos a ver la endogenicidad por EM.

Sea: Y=0+ 1X1*+ 2X2+iXi+

Pero X1* la medimos con error (X1= X1*+u)= > Y=0+ 1X1+ 2X2+iXi+ - 1u Si C(X1, u)# 0 y C(X1*, u)= 0 (CEV: classical errors in variables) sesgo de atenuacin. Si C(X1, u)# 0 y C(X1*, u)# 0 (no CEV: classical errors in variables) Inconsistencia pero no sabemos su magnitud y sentido.

Estimacin por MC2E

Pgina 5 de 7

En ambos casos, la inconsistencia afecta a los estimadores de TODAS las X (excepto que sean independientes de X1 ortogonales a X1-, cosa que es difcil que pase) Si C(X1, u)= 0 y C(X1*, u)# 0 (no CEV: classical errors in variables) Consistencia (pero ms varianza) Los MC2E pueden solucionar esto en algunos casos: Situacin CEV: recordar las asunciones generales de EM en Xi: es independiente de X1, X1* y de X2 y de u. asunciones especficas de CEV: u independiente de X1* y de X2 Por tanto => X1 es endgena y X2 es exgena Se precisara una VI Z1 tal que C(X1, Z1)#0 y que C( - 1u, Z1)= 0 [ya que el error de la ecuac estructural con X1 es - 1u] => Por tanto, Z1 debe ser independiente del error de medicin u. VAMOS A ELLO (a buscar esa Z1): X1* es la variable correcta no observable. X1 es una de X1*: medicin con error X1=X1*+ux1 Si hacemos otra medicin de X1* con error: Z1, de forma que Z1=X1*+uz1 Vamos a ver si Z1 sirve como VI de X1: C(Z1, X1)= C(X1*+ uz1, X1*+ ux1)# C(X1*, X1*) etc => C(Z1, X1)# 0 C(Z1, - 1 ux1)= C(X1*+ uz1, - 1 ux1)= C(X1*, ) - 1C(X1*, ux1) + C(uz1, )- 1C(uz1, ux1) Pero por las condiciones previas: C(X1*, ) = 1C(X1*, ux1) = C(uz1, )= 0 Adems, como el EM u es independiente de X1*, ambos EM son independientes entre s: C(uz1, ux1)=0 Por tanto C(X1, - 1 ux1)= 0 [recuerda que - 1 ux1 es el error de la ecuac estructural con X1] As que una segunda medicin Z1 sera una variable 1) correlacionada con la primera medicin X1, 2) exgena en la ecuac estructural en que la primera medicin X1 es endgena y 3) no incluida en dicha ecuac estructural Z1 sera una VI adecuada de X1 en el modelo Y=0+ 1X1+ 2X2+iXi+ - 1u Una posibilidad de VI en caso de EM en Xi caso CEV es una segunda medicin de Xi* Pero no siempre se dispone de esta segunda medicin. Por lo que hay que recurrir a VI exgenas Proxis inadecuadas: SCORES Y MC2E: Sea: Log(Wage)=0+i(Educ, Exper, Exper2, Habilidad, otras Xi) + Habilidad es inobservable, por lo que podramos usar el IQ como proxi.
[NOTA sobre SCORES: El IQ (cociente intelectual) es un score o puntuacin ordinal: se sabe que el que tiene 110 tiene ms IQ que el que tiene 105. Pero no se puede afirmar que la diferencia entre 110 y 105 sea igual a la diferencia entre 125 y 120. Ni se puede decir que el que tiene 150 tenga el doble de inteligencia que el que tiene 75. Las variables como esta slo miden la posicin de orden, son ordinales o scores. Otro ejemplo de score: Mucho (de lo que sea), bastante, normal, poco, nada score con 5 valores ordinales: 4, 3, 2, 1 , 0. Otro Ejemplo: Satisfaccin del consumidor: podra (y seguramente debera) medirse con un score como ste]

Pero si IQ no cumpliera las condiciones adecuadas para ser proxi, dado que es un Score, se puede usar un mtodo basado en VI:
IQ podra ser una proxi inadecuada de Habilidad porque: IQ no es exactamente = a la Habilidad. Por tanto, se podra decir que IQ= d1Habilidad + u1 expresando as la relacin entre ambos, la nica condicin que pongo a IQ es que se relacione linealmente con Habilidad.

Estimacin por MC2E

Pgina 6 de 7

Pero podra suceder que C(u1, Habilidad)= 0 y que C(u1, IQ)# 0 sera como medir Habilidad con error y en caso CEV => los estimadores de MCO seran inconsistentes e IQ no valdra como proxi de Habilidad.

Supongamos que tenemos otro Score que tambin tiene que ver con Habilidad, como por ejemplo, Conocimiento del mundo laboral (CML:Mucho: 4, bastante: 3, normal:, 2, poco: 1, nada: 0) C(CML, IQ)#0 ya que C(Habilidad, IQ)# 0 y C(Habilidad, CML)#0 Tanto IQ como CML afectan a Log(Wage) solo a travs de Habilidad (que es lo que realmente afecta a Log(Wage). Por ello, como en la ecuac estructural de Log(Wage) ya est Habilidad, C(C(CML, )= 0
Con lo que hemos conseguido una hermosa VI para el IQ, que en este caso no podamos utilizarlo como proxi de Habilidad
porque era endgeno en la ecuac estructural, debido a que su componente independiente de Habilidad (u1) se correlacionaba con IQ, lo cual lo coloca en una situacin homloga a la Classical errors-in-variables (error de medicin en una variable independiente que no se correlaciona con el valor inobservable). CASOS DE ENDOGENICIDAD RESUELTOS MEDIANTE ESTIMACIN POR VI Y MC2E Se ha visto en los epgrafes previos cmo la estimacin por VI (llamada MC2E cuando hay ms de una VI) puede resolver la inconsistencia de la estimacin MCO en caso de endogenicidad de variables explicativas producida por: Omisin de variable relevante Classical error-in-variable independiente (error de medicin en una variable independiente que no se correlaciona con el valor inobservable). Proxi endgena. Sin embargo, ello es a costa de pagar el precio de un aumento de la imprecisin, ya que la varianza de los estimadores por VI y MC2E es mayor que la varianza de los estimadores MCO.

RECAPITULACIN FINAL: Recordar tambin que los estimadores VI son los estimadores consistentes [insesgados asintticamente] a de VI con mnima varianza en caso de homocedasticidad condicional a TODOS LOS INSTRUMENTOS (las Xi exgenas ms las Zi). En caso de heterocedasticidad, siguen siendo estimadores VI consistentes, pero no los de mnima varianza. Es importante tener en cuenta que la consistencia de los estimadores VI es una propiedad asinttica (cuando n tiende a infinito) -en ningn sitio se dice que sean estimadores insesgados, solo asintticamente insesgados- Esto quiere decir que la validez (validez= que el estimador coincida con lo estimado) depende mucho de que las muestras sean grandes (pero en ningn sitio he visto qu se considera grande para los MC2E). Una condicin especfica de los estimadores VI (MC2E) es la llamada condicin de identificacin, orden o rango [no s cmo decirlo], que se resume en que ha de haber al menos tantas variables exgenas a la ecuac. estructural y no incluidas en ella (variables Z) como variables endgenas de la ecuac estructural. Esto se detecta con los coeficientes de las Z de la forma reducida, que deben ser distintos de cero. Si C(Z, X)#0 y C(Z, )= 0 los estimadores VI son consistentes. En estimacin por VI las principales causas de error son: Que no se cumpla alguna de las condiciones C(Z, X)#0 y C(Z, )= 0 Fatal (inconsistencia). => inconsistencia= Z, /(Z,XX) [Nota: en MCO el sesgo por endogenicidad sera: X, /X] Que C(Z, X) sea dbil el error puede aumentar mucho, incluso aunque C(Z, )= 0: la varianza aumenta [S2b1VI= SVI2 S2Z/(nS2XZ)= SVI2 /(nS2XR2XZ) La varianza aumenta al disminuir R2XZ , que a su vez , es proporcional a C(C, X)] y, en caso de muestras pequeas, el sesgo tambin (no el asinttico) La colinealidad entre variables explicativas aumenta dicha varianza tanto en MCO como en MC2E y VI, el problema es ms importante en MC2E y VI. Tambin si C(Z, X) es pequea. A la hora de elegir entre un estimador u otro, lo que habra que hacer es comparar la magnitud y sentido de los errores entre ellos. Hay dos clases de error: el aleatorio (Varianza) y el sistemtico (sesgo e inconsistencia).

Estimacin por MC2E

-

Pgina 7 de 7

Hay que preferir estimadores consistentes (asintticamente insesgados) a inconsistentes, con independencia de la varianza. Si ambos inconsistentes, elegir el de menor inconsistencia (comparar inconsistencias: X, de MCO con Z,/Z,X de VI) Entre los consistentes, si la muestra es grande (consistencia: el estimador se va concentrando sobre el parmetro poblacional al aumentar el n), hay que elegir el de menor varianza. [Siempre ganan los MCO en este sentido ya que S2b1MCO/ S2b1VI = R2XZ] Entre los consistentes, si la muestra es pequea, habra que comparar entre ellos el sesgo, si lo tienen (sesgo, distinto de inconsistencia o sesgo asinttico), y la varianza. o P. ej.:, en caso de omisin de variable relevante (X2) se puede llegar a tener una idea del sesgo en MCO (2c1); si se sabe que 2 es muy pequeo y, p. ej., negativo; y que la asociacin de X2 con X1 es positiva (Cov(X1, X2)>0 => c1>0) entonces sabremos que el sesgo de los MCO es pequeo y menor que 0. Si en estas condiciones nos sale un estimador de 1 (que es lo que queremos conocer) positivo y estadsticamente significativo, sabr que X1 tiene un efecto real positivo sobre Y (pues a pesar de que tiendo a atenuarlo sigo encontrndolo, luego existe) y que ese efecto real no ser mucho mayor del b1 que he calculado, porque s que el sesgo es de pequea magnitud absoluta. En ese mismo caso, si quisiera corregir el sesgo de MCO podra buscar una VI Z para X1; pero tendra que estar muy seguro de que no estoy produciendo un sesgo mayor (de que Cov(Z, )=0) y, supuesto que estoy seguro de esto, tendra que comparar las varianzas de MCO y de VI, porque puede ser preferible un pequeo sesgo de atenuacin y una pequea varianza de los MCO a una gran varianza de las estimaciones VI, debida a que siempre su varianza es mayor que la de los MCO por tanto, comparar error cuadrtico medio de b1 por MCO: Sesgo2+Varianza= (2c1)2+ SMCO2/(nS2X1) con el de b1 por VI: [E(C(Z, )/ C(Z, X1))]2 + SVI2 /(nS2XR2XZ)]