Apuntes de Clase de Econometra I Prof.

Rafael de Arce


Pg. 1 / 5
ESTIMADORES DE LA VARIANZA DE LAS PERTURBACIONES
ALEATORIAS EN EL MBRL

rafael.dearce@uam.es

Una vez deducida una frmula para la estimacin para la determinacin de los
parmetros del modelo, a travs de los MCO o MV, se comprueba fcilmente que
dichos estimadores son lineales, insesgados, ptimos y consistentes
(ELIO+Consistentes).

As, y conforme a la primera propiedad la linealidad -, es fcil escribir los estimadores
MCO como una combinacin lineal de las perturbaciones aleatorias del modelo (U)

[ ] [ ] U X X X Y X X X ' ' ' '

1 1
+ = =
(simplemente sustituyendo U X Y + = )

Asumiendo la hiptesis bsica realizada sobre las perturbaciones en el MBRL, es
inmediato deducir que los estimadores MCO se distribuirn tambin como una normal,
cuya media se deduce al demostrar que son insesgados y su varianza se calcula en la
demostracin de la optimalidad (o eficiencia):

[ ] ) ' ; (

2 1


X X N

Esta conclusin ser enormemente til para la siguiente fase en la modelizacin:
validacin y evaluacin del modelo estimado. Conociendo cmo se distribuyen los
parmetros estimados, podremos llevar a cabo distintos contrastes sobre su bondad o su
significacin estadstica. Pero, para ello, deberemos conocer alguna forma de estimar la
matriz de varianzas-covarianzas de los parmetros; en la que [ ]
1
'

X X ser una matriz
fcilmente calculable, dado el carcter de regresores deterministas que se le suponen por
hiptesis a las explicativas del modelo. El problema estar en encontrar un estimador
para
2
, o la varianza de las perturbaciones aleatorias del modelo.

La literatura economtrica propone diversas opciones para estimar esta
2
, de las
cuales nosotros rescataremos dos: (i) el estimador mximo verosmil de la varianza de
las perturbaciones aleatorias y (ii) el estimador insesgado de la varianzas de las
perturbaciones aleatorias.

Adelantndonos al resultado de sus demostraciones, podemos concluir que los
estimadores que se obtienen son los siguientes:

(i) el estimador mximo verosmil de la varianza de las perturbaciones
aleatorias: varianza muestral de los errores del modelo

n
e
n
e e i
= =
2
2
'
~


Apuntes de Clase de Econometra I Prof. Rafael de Arce


Pg. 2 / 5
(ii) el estimador insesgado de la varianza de las perturbaciones aleatorias.
k n
e
k n
e e i

=

2
2
'


El primero de estos dos estimadores propuestos es plausible en trminos tericos (lograr
el estimador de
2
que nos sita en el punto mximo de la funcin de densidad
conjunta de las perturbaciones aleatorias es congruente con situarme precisamente en el
punto en el que la probabilidad de que las perturbaciones aleatorias valgan cero es
mxima lo mismo que se haca para lograr los estimadores MV de los parmetros).

An as, se puede demostrar que este estimador es sesgado, ya que la propuesta nmero
(ii) es insesgada
1
. Esta situacin dar lugar a que empleemos siempre el segundo
estimador propuesto de la varianza de las perturbaciones aleatorias; es decir, el
insesgado, que no es ms que el primero, pero corregido por los grados de libertad.



Demostraciones de las expresiones de clculo de los estimadores de la varianza de las
perturbaciones aleatorias:


(i) Estimador mximo verosmil de la varianza de las perturbaciones
aleatorias:

Partiendo del logaritmo de la funcin de densidad conjunta de las perturbaciones
aleatorias:

2
2
2
'
) (
2
) 2 (
2

U U
Ln
n
Ln
n
L =

y una vez estimemos el modelo, podremos sustituir las perturbaciones aleatorias
por su valores estimados (los errores o e):

2
2
2
'
) (
2
) 2 (
2

e e
Ln
n
Ln
n
L =

Se trata ahora de encontrar los valores de
2
que maximicen este logaritmo de la
funcin de densidad; es decir que anulen la primera derivada de la misma, que
sera:

2 2 2 2
) ( 2
'
2
e e n L
=

Para obtener los valores estimados de sigma igualamos a cero esta derivada,
obteniendo:

1
Si la propuesta (ii) es insesgada, la propuesta (i), necesariamente un nmero ms pequeo por como se
calculan ambas, estar infravalorando el valor de estimacin de la varianza.
Apuntes de Clase de Econometra I Prof. Rafael de Arce


Pg. 3 / 5

2 2 2
2 2 2
)
~
( 2
'
~
2
0
)
~
( 2
'
~
2


e e n
e e n
=
=

Y, finalmente, despejando:

n
e
n
e e i
= =
2
2
'
~


Que sera la frmula para estimar la varianza de las perturbaciones aleatorias
mximo verosmil.


(ii) Estimador insesgado de la varianza de las perturbaciones aleatorias.


Se trata de demostrar que la expresin de estimacin:

k n
e
k n
e e i

=

2
2
'


Es insesgada; es decir, que el valor as obtenido cumple la propiedad de:

2 2
'
) ( = |

\
|

=
k n
e e
E E

Para realizar esta demostracin partimos de definir el vector del error e:

[ ] [ ]
[ ] [ ]U X X X X I
U X X X X U U X X X X X U X X U X Y Y e
n
' '
' ' ' '

(
1
1 1

=
= + = + = =


A la matriz [ ] [ ] ' '
1
X X X X I
n

, la llamaremos matriz M o matriz de proyeccin y ser
muy til para realizar diversas demostraciones sobre el MBRL
2
. Utilizando este
nombre, M, escribiremos el error como:

MU e =

Y conocidas las propiedades de la matriz M de simetricidad e idempotencia de M:

MU U MU M U e e ' ' ' ' = =

2
Dicha matriz, como es fcilmente comprobable, es simtrica (M=M), idempotente (MM=MM=M) y
semidefinida positiva.

Apuntes de Clase de Econometra I Prof. Rafael de Arce


Pg. 4 / 5

Volviendo a nuestro propsito, queremos demostrar que

2 2
'
) ( = |

\
|

=
k n
e e
E E

Con el fin de determinar el resultado de aplicar el operador esperanza a la parte
aleatoria de esa expresin, tenemos:

[ ]
[ ]
( )


+ + + =
=
|
|
|
|
|

\
|
(
(
(
(

=
=
|
|
|
|
|

\
|
(
(
(
(

(
(
(
(

= =
nn i n i i
n
in i i i i i
n nn n
n
n
m u u m u u m u u E
u
u
u
m u m u m u E
u
u
u
m m
m m
m m m
u u u E MU U E e e E
...
.
.....
.
. ..
. . . .
. .
.
..... ) ' ( ) ' (
22 2 11 1
2
1
2 1
2
1
1
22 21
1 12 11
2 1



Recordando dos de las hiptesis realizadas sobre las perturbaciones aleatorias del
modelo (homocedasticidad y no autocorrelacin)

( )
( ) j i u u E
u E
j i
i
=
=
0
2 2

la expresin anterior se puede simplificar del siguiente modo:

( ) ( )

= = + + + =
ii ii i i i n i i i i
m m u E m u u m u u m u u E
2 2
1 1 2 1 1
...

ya que, al aplicar el operador esperanza, solo sern distintos de cero estos productos,
que se corresponden a ( )
2 2
=
i
u E , multiplicado por la suma de los elementos de la
diagonal principal de la matriz M; es decir, su traza:

) ( ) ' (
2 2
M Tr m e e E
ii
= =



Sustituyendo ahora M por su valor:

[ ] [ ] ' ' ) ' (
1 2
X X X X I Tr e e E
n

=

Apuntes de Clase de Econometra I Prof. Rafael de Arce


Pg. 5 / 5
Y calculando la traza de estas matrices
3
:

[ ] [ ]
) ( )) ( ) ( (
)) ' ' ( ) ( ( )) ' ' ( ) ( ( ) ' (
2 2
1 2 1 2
k n I Tr I Tr
X X X X Tr I Tr X X X X Tr I Tr e e E
k n
n n
= =
= = =





En definitiva, si despejamos la expresin resultante:

2
2
2
'
) (
) ' (
) ( ) ' (

= |

\
|

=
k n
e e
E
k n
e e E
k n e e E



Con lo que queda demostrado que la esperanza del segundo estimador propuesto
k n
e e

=
'

2
coincide con el valor real de la varianza de las perturbaciones aleatorias;
luego es insesgado y, como ya se comentaba anteriormente, cualquier otro ser
sesgado; por lo que siempre ser preferible utilizar este mtodo de estimacin.

3
Recurdense las propiedades de las trazas que dicen que Tr(AB)= Tr(BA); pudiendo llamar
[ ] ' A y '
1
X X X X B = =