Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
DADE
Notas de Clase
Y = X +U
nxk kx1
nx1
Se demuestra, a continuacin, que estos estimadores son estimadores lineales, insesgados, ptimos y consistentes (ELIO2+Consistentes). Es decir, cumplen las mejores condiciones que estadsticamente se puede pedir a un valor estimado. En primer lugar, contar con un estimador insesgado nos asegura que el valor esperado de nuestro clculo coincide con el valor real del parmetro. ste requisito es fundamental a la hora de realizar una estimacin, siendo la condicin sinequanon para seguir realizando algunas comprobaciones estadsticas. De hecho, la segunda demostracin que se realiza en este documento sirve para comprobar que los parmetros estimados tambin sern ptimos; es decir, sern los que cuenten con la varianza ms pequea de entre todos los insesgados3. En tercer lugar, se demostrar que los MCO tambin son consistentes. Esto quiere decir que nuestra forma de calcular los parmetros para la estimacin dara el resultado exacto de clculo de los parmetros reales si en vez de utilizar una muestra usramos el total de los datos, sin error alguno. Dicho de otro modo, cuando contamos con el total del universo para realizar la estimacin la varianza de los parmetros calculados es nula, ya que coinciden exactamente con los reales. Previamente a realizar estas tres demostraciones, se har una derivacin matemtica de la frmula de clculo original de los MCO para comprobar que, dicho clculo, produce unos estimadores que son combinacin lineal de las perturbaciones aleatorias. Esta comprobacin tendr importantes consecuencias para poder determinar a posteriori el intervalo de confianza de los parmetros. Bajo el supuesto habitual de normalidad de las
1
La expresin de clculo es la misma para ambos cuando la funcin de densidad de las perturbaciones aleatorias se distribuye como una normal.
2 3
Quiz se puedan encontrar formas de estimar los parmetros con un menor intervalo de variacin, pero si estos no son insesgados conculcan lo que hemos llamado condicin sinequanon para un valor estimado. Podemos ser muy precisos en una estimacin, pero si su valor medio o esperanza no coincide con el valor real, la utilidad de la estimacin quedar en entredicho.
Econometra I. DADE
Notas de Clase
perturbaciones aleatorias, demostrar que los parmetros son una combinacin lineal de stas lleva inmediatamente a conocer en qu forma se distribuyen nuestros coeficientes estimados. Sabiendo cul es su funcin de densidad, podremos calcular con facilidad en qu rango o intervalo se mueven stos e, incluso, podremos disear algunos contrastes estadsticos para averiguar el grado de significatividad de estos (en qu medida podemos decir que los parmetros son distintos de cero o, dicho de otra forma, en qu grado las variables a las que multiplican dichos parmetros son relevantes para la explicacin de la variable endgena del modelo). LINEALIDAD Para comprobar que los parmetros estimados son una combinacin lineal de las perturbaciones aleatorias del modelo, basta con sustituir Y en la expresin de clculo de los mismos por su expresin completa (entre llaves en la expresin de ms abajo):
= [ X ' X ]1 X ' Y = {Y = X + u
= + [ X ' X ]1 X 'U ) = E ( + [ X ' X ]1 X 'U ) = + [X ' X ]1 X ' E (U ) = {E (U ) = 0} = E( ) = E( El valor esperado del estimador coincide con el real.
PTIMO (EFICIENCIA)
El objeto de esta demostracin es comprobar que los parmetros estimados mediante MCO son los que tienen la varianza ms pequea de entre todos los alternativos posibles de la familia de los insesgados.
Econometra I. DADE
Notas de Clase
Para demostrar que el estimador MCO es el estimador ptimo se seguirn cuatro pasos4: 1) Se determina el valor de las varianzas de los estimadores MCO. 2) Se propone un estimador alternativo al MCO cualquiera y se comprueba cul es la condicin necesaria y suficiente para que dicho estimador sea insesgado. 3) Se determinan las varianzas de estos estimadores alternativos 4) Se comparan las varianzas de ste con las de los estimadores MCO.
1) Matriz de varianzas-covarianzas de los estimadores
Partiendo de la expresin hallada al demostrar la linealidad y sabido que este estimador es insesgado: = + [X ' X ]1 X 'U Y E ( ) =
Podemos calcular la matriz de varianzas-covarianzas de los parmetros MCO del siguiente modo:
) = ( E ( ))( E ( ))' = E ( + [ X ' X ]1 X 'U )( + [ X ' X ]1 X 'U )' = COV VAR( E ([X ' X ] X 'U )([X ' X ]
1 2
] {
Posteriormente, comprobaremos las varianzas de los parmetros as estimadas (los elementos de la diagonal principal de la expresin anterior) son las ms pequeas o no de entre todos los estimadores insesgados posibles.
2) Estimador alternativo insesgado
Sumando una matriz P no nula a la expresin del estimador MCO se obtiene la expresin general de un estimador cualquiera alternativo, del que habr que comprobar qu condiciones ha de cumplir para ser insesgado. En primer lugar, escribimos la expresin de un parmetro alternativo simplemente adicionando a la frmula de los MCO una matriz P distinta de cero. Posteriormente, escribimos este parmetro alternativo sustituyendo Y por su valor:
= [ X ' X ]1 X '+ P Y = {Y = X + U
[ X'X]
}=
[ + [X ' X ]
X 'U + PX + PU
Esta demostracin tambin se podra realizar comprobando que la varianza del estimador MCO es la cota de Cramer Ro.
Econometra I. DADE
Notas de Clase
Una vez contamos con la expresin de un estimador cualquiera alternativo, hay que comprobar cules son las condiciones que este debe cumplir para ser insesgado.
t 1 E ( ) = E + [X ' X ] X 'U + PX + PU =
[ + [X ' X ]
X ' E (U ) + PX + PE (U ) = [ + PX ]
condicin insesgadez PX = 0 t = + [ X ' X ]1 X 'U + PU En la expresin anterior, efectivamente es necesario verificar la siguiente condicin para que no haya sesgo: PX = 0 . En esta expresin, los parmetros no pueden contener ningn cero, ya que se supone que la especificacin del modelo es correcta (no sobra ninguna variable explicativa). Por ello, la expresin anterior de la insesgadez de los parmetros alternativos queda reducida a que: PX = 0 .
3) Matriz de varianzas-covarianzas del estimador alternativo
A continuacin, se calcula la expresin de la matriz de varianzas-covarianzas de estos estimadores que, para ser insesgados, nos permiten suprimir de los clculos cualquier producto en el que intervenga PX = 0 (o su transpuesta).
t t t 1 1 cov var( ) = E ( + [ X ' X ] X 'U + PU E ( ))( + [ X ' X ] X 'U + PU E ( ))' = t 1 1 E ( ) = 0 = E ([ X ' X ] X 'U + PU )([X ' X ] X 'U + PU )' =
E [ X ' X ] X 'UU ' X [ X ' X ] + [X ' X ] X 'UU ' P'+ PUU ' X [ X ' X ] + PUU ' P' =
} [
2
4) Comparacin de varianzas
Finalmente, hay que comprobar que efectivamente las varianzas de los estimadores MCO siempre son inferiores a las varianzas de cualquier otro estimador insesgado:
t 1 1 ) cov var( ) = 2 ([ X ' X ] + PP ' ) > 2 ([ X ' X ] = cov var(
Esta condicin se verifica siempre, ya que PP es una matriz por su transpuesta, luego en su diagonal siempre hay nmeros positivos y es precisamente la diagonal principal donde en la matriz de varianzas-covarianzas estn las varianzas.
Econometra I. DADE
CONSISTENCIA
Notas de Clase
Por ltimo, se demostrar que los parmetros MCO son consistentes; es decir, que ampliando la muestra al total de la poblacin, el valor estimado coincide con el real o, dicho de otra forma, que cuando contamos con todos los datos, no con una muestra, el clculo de MCO da como resultado los parmetros reales, un clculo exacto, luego con varianza igual a cero.
) = p lim(
n
)) = 0 p lim(var(
n
Para demostrar esta situacin, emplearemos la segunda expresin (la de la probabilidad asinttica de la varianza de los estimadores). Sustituyendo esta frmula por su expresin de clculo (a la que hemos llegado cuando realizmos la demostracin de la eficiencia u optimalidad de los parmetros) tenemos:
2 )) = 2 [ X ' X ]1 = X ' X p lim(var( n n n 1
Lo antedicho, podra interpretarse como que, a medida que vamos aumentando el nmero de datos en nuestra estimacin (n tiende a infinito), el valor del producto sera cada vez ms pequeo; es decir, se ira aproximando a cero. En el lmite, sera nulo siempre que el segundo valor del producto (la matriz inversa) fuera calculable.
COROLARIO
En definitiva, despus de haber observado que los estimadores MCO cumplen con las cuatro propiedades propuestas (linealidad, insesgadez, optimalidad y consistencia); adems de saber que contamos con las estimaciones paramtricas con mayores garantas estadsticas, tambin podemos saber que los coeficientes del modelo se distribuyen como una Normal, con media el verdadero valor del parmetro (son insesgados) y ) = 2 [X ' X ]1 . Es decir: varianza COV VAR (
N ( ; 2 [X ' X ]1 )
En cualquier caso, esta expresin no ser de utilidad para determinar los intervalos de confianza de los parmetros (para conocer entre qu bandas se movern los verdaderos valores de los parmetros) salvo que obtengamos un mtodo para estimar la varianza de las perturbaciones aleatorias que interviene en esta frmula 2 .