Econometra II

Regresores estocsticos Miguel Jerez y Sonia Sotoca Universidad Complutense p de Madrid

Marzo 2010
Ver. 11/03/2010, Pag. # 1

ndice
Causas Consecuencias sobre la estimacin MCO Estimador de Variables Instrumentales Ejemplos Anexo: Resultados fundamentales de teora asinttica

Ver. 11/03/2010, Pag. # 2

Causas ( (I): ) Planteamiento

En Econometra I se plante el modelo:

y = X + ; N (0, 2 )
En donde se supone que los regresores incluidos en X son variables deterministas Se dice q que una variable es determinista si sus valores no cambian en distintas muestras Cuando no puedan repetirse las observaciones - como ocurre a menudo en Economa - no es trivial saber si una variable es o no aleatoria aleatoria. Por ello es importante analizar si el posible incumplimiento de esta hiptesis afecta gravemente a las propiedades de la estimacin MCO. Por otra parte, muchos modelos economtricos implican, por su propia estructura, que algunos regresores son aleatorios. Por ejemplo: modelos de ecuaciones simultneas, ,o modelos dinmicos En la prctica economtrica, slo se reconoce que existe este problema cuando la estructura del modelo implica la existencia de regresores estocsticos.
Ver. 11/03/2010, Pag. # 3

Causas ( (II): ) Ecuaciones simultneas y modelos dinmicos

Los sistemas de ecuaciones simultneas describen el comportamiento de un vector de variables endgenas en funcin de un vector de variables exgenas. Los regresores estocsticos surgen del hecho de que la variable endgena de una ecuacin puede entrar en otra como variable explicativa. Ejemplo. El modelo de consumo de Haavelmo se define como:

Ct = PIBt + t PIBt = Ct + It
o bien,

1 Ct 0 = It + t 1 1 PIBt 1 0

e implica que PIBt es un regresor estocstico en la primera ecuacin ya que que, por la segunda ecuacin PIBt depende de Ct y, por la primera ecuacin, Ct depende de t La variable endgena de un modelo de regresin es siempre estocstica. Por ello en un modelo d l de d regresin i dinmico di i , que incluya i l l la variable i bl endgena d retardada t d d como variable explicativa, siempre hay regresores estocsticos. Ejemplo. El modelo AR(1) es un modelo de regresin con variables explicativas estocsticas: y t = y t -1 + t Hay otras situaciones en las que es necesario reconocer que el MLG tiene regresores estocsticos estocsticos. Cabe destacar las de variables medidas con error o modelos que incluyen expectativas como regresores.
Ver. 11/03/2010, Pag. # 4

Consecuencias sobre la estimacin MCO (I) ()

La consecuencia fundamental de la presencia de regresores estocsticos en el MLG, es que resulta imposible obtener los momentos del estimador MCO. Como ya se vio en Econometra I:

= ( X T X )1 X T y = + ( X T X )1 X T E ( ) = + E ( X T X )1 X T
y para que el estimador fuera insesgado, la esperanza del segundo sumando tendra que ser nula. Sin embargo, como es una funcin no lineal de variables , su esperanza p no p puede determinarse. aleatorias, Por tanto, cuando hay regresores estocsticos no es posible determinar la esperanza ni la varianza del estimador MCO. Esto impide:
justificar la insesgadez y eficiencia del estimador MCO, y determinar la distribucin de los estadsticos de contraste bajo la hiptesis nula

Ello nos obliga a estudiar propiedades propiedades asintticas asintticas , esto es, es las que tendra el estimador en una muestra con infinitas observaciones. La propiedad asinttica fundamental es la de consistencia.

Ver. 11/03/2010, Pag. # 5

Consecuencias sobre la estimacin MCO (II) ( )

Supongamos que todas las variables explicativas estn centradas. Trivialmente:

= + ( X T X )1 X T

=+

1 T X X n

1 T X n

y, aplicando sucesivamente los teoremas de Slutsky y Kinchine (ver Apndice):

=+

1 T X X n

m i l p
1

1 T 1 = + X XX X n

m i l p

p lo q por que el estimador MCO es consistente si y slo si los regresores g no estn correlados con el trmino de error. Es importante tener en cuenta que las propiedades de consistencia e insesgadez son distintas e independientes. Concretamente, es posible que un estimador sea: sesgado y consistente (p. ej. la varianza muestral), insesgado e inconsistente (p. ej. y i = xi + i ; = y i / x ), i sesgado d e inconsistente i i t t , (p. ( ej. j el l estimador ti d anterior t i ms un sesgo deliberado), o insesgado y consistente (p. ej. el estimador MCO bajo las hiptesis habituales)
Ver. 11/03/2010, Pag. # 6

m i l p

m i l p

m i l p

Estimador de Variables Instrumentales (I) ()

Supongamos que se quiere estimar el modelo y = X + , en donde X es una 1 T matriz at de variables a ab es a aleatorias eato as ta tales es que X 0 Asimismo, sea Z una matriz (nxk) de variables instrumentales (VI) tal que: 1) L Los i instrumentos t t son i independientes d di t d del l t trmino i d de error: 2) ... estn correlados con los regresores:

3) ... y su covarianza con y es finita:

en donde 3) es una condicin de regularidad que evita resultados absurdos. En estas condiciones, la expresin del estimador de mediante variables instrumentales, actuando Z como matriz de instrumentos de X, es:

m i l p

1 T Z X = ZX n 1 T Z y = Zy n

1 T Z =0 n / ZX 0

m i l p

m i l p

m i l p

= (Z T X )1 Z T y VI
y este estimador es consistente, ya que:

= + (Z X ) Z VI

=+

1 T Z X n

1 T Z = n

m i l p

m i l p

Ver. 11/03/2010, Pag. # 7

Estimador de Variables Instrumentales (II) ( )

Por otra parte, la matriz de covarianzas del estimador VI es:

) = 2 1 ( )1 ( )1 cov ( VI ZX ZZ XZ n A
y puede estimarse mediante la expresin:
2 )= ( cov (Z T X ) Z T Z ( X T Z ) VI 1 1

La forma de la matriz de covarianzas pone de manifiesto que cuanto mayor sea la correlacin entre los instrumentos y las variables explicativas, mayor ser la eficiencia del estimador VI. Por ello, si tenemos k regresores y slo algunos (digamos que los s primeros) tiene correlacin con las perturbaciones, la matriz de instrumentos Z se construir: sustituyendo las s primeras columnas de X por los correspondientes instrumentos y manteniendo los restantes regresores, que actuarn como instrumentos de s mismos.
Ver. 11/03/2010, Pag. # 8

Ejemplos j p (I): ( ) Ecuaciones simultneas

Consideremos de nuevo el modelo de consumo de Haavelmo, dado por:

Ct = PIBt + t PIBt = Ct + It

(1) (2)

Para ver que PIBt es un regresor estocstico P t ti de d (1) (1), correlado l d con el l t trmino i d de error, basta sustituir (1) en (2):

PIBt = PIBt + t + It PIBt =

It + t 1 1

(3)

2 I por tanto E PIBt t t = 0 y el estimador MCO de (1) es inconsistente 1 1

Para estimar consistentemente (1) puede usarse el estimador VI, usando It como instrumento de PIBt. La expresin del estimador quedara:

= V

I C I PIB
t t t

Ver. 11/03/2010, Pag. # 9

Ejemplos j p (II): ( ) Modelos dinmicos

Sea el modelo dinmico:

y t = y t -1 1 + xt + t
con los siguientes trminos de error:

(1) (2.a) (2.b) (2.c)

t = at t = at at -1 t = t -1 + at

En este caso: La estimacin del modelo (1) por MCO es consistente si el error es (2.a) La estimacin del modelo (1) por MCO es inconsistente si el error es (2.b) o (2 c) ya que yt-1 tiene covarianza no nula con at (2.c), El modelo (1)-(2.b) puede estimarse consistentemente usando xt-1 como instrumento de yt-1 y la variable xt como instrumento de s misma. Alternativamente yt-2 es un instrumento vlido de yt-1. Alternativamente, El modelo (1)-(2.c) puede estimarse consistentemente usando xt-1 como instrumento de yt-1 y la variable xt como instrumento de s misma. No hay ningn instrumento vlido para estimar por VI el modelo si = 0
Ver. 11/03/2010, Pag. # 10

Anexo: Resultados fundamentales de teora asinttica (I) ()

una sucesin de variables Definicin (convergencia en probabilidad): Sea n converge aleatorias definida en el conjunto de nmeros reales. Se dice que n en probabilidad a si y slo si > 0 / lim P ( n < ) = 1

{ }

{ }

= , Otra forma de expresar matemticamente este concepto es plim n es expresin que se lee el lmite en probabilidad de . n
denota una secuencia de Definicin (Estimador consistente): Si n es un estimaciones correspondientes a muestras de tamao n, se dice que = estimador consistente de si plim n
sea un estimador Teorema: Una condicin suficiente (no necesaria) para que (n ) = y lim var (n ) = 0 consistente de es que lim E n n Por tanto, el lmite en probabilidad es un operador que devuelve el lmite asinttico de una secuencia de variables aleatorias aleatorias.
Su ventaja fundamental en comparacin con el operador esperanza matemtica es que, al estar basado en lmites (en vez de en integrales) tiene propiedades mucho ms flexibles.
Ver. 11/03/2010, Pag. # 11

{ }

Anexo: Resultados fundamentales de teora asinttica ( (II) )

= entonces: Si plim n = y plim n

li = , siendo 1) plim i d una constante t t ( (no d depende d d de n)

= 2) plim n n

= n 3) plim n

n 0 y 0 plim = si 4) ) p n n 5) plim n = si n > 0 y > 0

...

n ] = () ; ( ): cualquier funcin continua (Teorema de Slutsky) 6) plim [

7) Si mn es el momento muestral de orden r calculado con una muestra de n observaciones y m es el correspondiente momento poblacional, entonces plim m r = m (Teorema de Kinchine) Estas propiedades se cumplen tanto para escalares como para vectores
Ver. 11/03/2010, Pag. # 12
r