Professional Documents
Culture Documents
y = + Z + u
Donde u es una secuencia de diferencias martingales y {y ,z ,u } son estacionarios y
ergdicos. Suponga que
plim T z = 0, plim T z = q > 0, plim T z u = > 0
a. Provea la definicin matemtica del plim y explique en palabras qu suponen cada una
de las tres expresiones anteriores sobre la naturaleza de z y su relacin con u .
Se dice que el plim es un operador similar al lmite (lim) y slo son equivalentes cuando
{() } no sean variables aleatorias. En ese orden de ideas, se parte de la idea de que Z es
una variable aleatoria y Z1, Z2,, ZT es una sucesin de variables aleatorias que se denotan por
{Z(T)}, que se definen en un espacio de probabilidad {,, Pr}. De este modo, se manifiesta
que esa sucesin de variables aleatorias converge en probabilidad a Z -donde Z puede ser una
variable aleatoria o una constante (no aleatoria)- si:
(1)
(2)
'
Que se escribe de las siguientes maneras: () ()*+ = . Esto se lee as: el lmite en
probabilidad de la sucesin de variables aleatorias {Z(T)} es Z esta sucesin converge en
probabilidad a Z.
Antes de concluir cabe resaltar que la expresin (1) dice que si se define un entorno a Z0 y a
Z0, esto indicara que la probabilidad de que Z(T) est dentro de un intervalo muy pequeo
alrededor del valor Z0 se puede acercar tanto a 1 como se quiera, tan slo haciendo que T sea
cada vez ms grande.
La expresin (2) dice que si T , la probabilidad de que Z(T) salga fuera del entorno (Z0-,
Z0+) es cero. Por lo tanto, las variables aleatorias tienen una distribucin ms ajustada al
valor Z0, es decir, tienden en probabilidad a Z0 para cualquier valor de .
Explicacin de qu supone cada expresin sobre z y su relacin con u .
plim T z u = > 0: Dado que los errores se comportan como una martingala,
podra existir una relacin entre los resultados ./ 0 )12 3 1 32 4/ . Es decir, que se tiene una
correlacin, que afecta la estimacin de .
b. Sean 5 y 6 , los estimadores MCO definidos por
8
769 = :
; z
; z
; z
<
; y
:
<
; z y
Teniendo en cuenta estos supuestos se espera que el estimador 6 sea consistente, para ello se
procede de la siguiente manera:
6 = B; z z C
B; z y C
1
6 = B ; z z C
T
1
B ; z y C
T
1
6 = B ; z z C
T
1
B ; z ( + Z + u )C
T
Multiplicando se observa:
1
6 = B ; z z C
T
1
1
B ; z C + B ; z z C
T
T
1
+ B ; z z C
T
1
B ; z u C
T
1
B ; z z C
T
1
1
B ; z C + B ; z z C
T
T
1
B ; z u C
T
Debe converger al valor esperado de: E (z u), que debe dar . Por tanto:
1
6 + B ; z C q + (q )( )
T
Entonces, teniendo en cuenta el resultado de a:
@
6 + q
Lo que viene a sealar que 6 no es .
@
Dadas las condiciones a b y c, que nos muestra el comportamiento de los residuos y su relacin con z,
se obtiene como resultado que en muestras muy grandes an 6 no converge en probabilidad a , como
se podra esperar en principio. La existencia de un valor que muestra una covarianza diferente de
cero influye directamente en el resultado, es decir afecta la estimacin. Este resultado nos da una visin
clara de cmo la existencia de relaciones entre, en este caso, z y los errores u afectaran toda estimacin.
2.
a.
A cada una de las siguientes preguntas, responda con los supuestos necesarios para
muestra pequea y grande y adems derive los resultados.
Existe una diferencia sistemtica entre D y ?
Sabemos que:
De donde:
Con infinitas observaciones, b se acerca a ; sin embargo, para una muestra pequea el
segundo sumando de la ecuacin (vi) difcilmente ser cero. Es decir, que si existe una
diferencia sistemtica entre D/ y . Sin embargo, si es posible generar universos paralelos, se
obtiene el siguiente resultado sera E (D|H)=.
Para muestra grande.
Resultado: D I
Ahora se tiene,
1
D = B ; H/ H/ C
L
/
1
B ; H/ 0/ C
L
/
1
D = B ; H/ H/ C
L
1
D = B ; H/ H/ C
L
/
/
1
B ; H/ (H/ I + / )C
L
/
1
1
B ; H/ H/ C I + B ; H/ H/ C
L
L
/
1
D = I + B ; H/ H/ C
L
'
/
/
1
B ; H/ / C
L
1
B ; H/ / C
L
/
/
D I + M E(H/ / )
b.
Cul es la distribucin de D ?
'
D I
Supuesto: ( |H ) O(0, P Q )
c.
Supuesto: H O(0, P Q )
Resultado:
X
WX YZ[
\WX
cdZ
e
Muestra grande.
X
U
WX YZ[
\iX
Para esto, se explica en primera instancia el denominador, teniendo en cuenta que por
comodidad se asume homocedasticidad.
SWj = E kl(D I )(D I ) mHn = P M o
Sin embargo, de toda esta matriz, slo necesito un elemento correspondiente a la fila i columna
i. Por lo cual, utilizo un vector de ceros y unos, teniendo el 1 en la posicin i.
SWj = c2 _j (H H) _j
As:
1
S =
; 3/
Lq
/
S _* ( H H) _*
Bajo el supuesto de que la Hiptesis nula es cierta; una vez ms se analiza el numerador y el
denominador por separado;
Del numerador:
Del denominador:
j
K O(0, P _*M _*)
LJDj Irs
'
1
tS _*( H H) _* uP _* M _*
L
\iX
cw e Uj x yzUj
En conclusin:
j
U
Dj Irs
O(0,1)
SWj
1
1
()*+ D = ()*+ ( H/ H/ ) ( H/ 0/ )
L /
L /
1
1
()*+ D = ()*+ ( H/ H/ ) ()*+ ( H/ 0/ )
L /
L /
()*+ ~8 = ~
()*+ (~8 ) = (~)
Por lo cual:
()*+ D = M }
= 0/ H/ M }
H/ = H/ 0/ H/ H/ M }
y por ende:
E(H/ ) = E(H/ 0/ ) E(H/ H/ )E(M })
E(H/ ) = E(H/ 0/ ) E(H/ H/ )M }
E(H/ ) = } MM }
E(H/ ) = } }
E(H/ ) = 0
c. Sea / = ~ H/ cualquier pronstico de yt que es una funcin lineal de xt. Muestre que el
error cuadrtico medio de pronstico es minimizado con el estimador de mnimos
cuadrados ordinarios.
Generalmente, se usa MCO porque tiene la capacidad de minimizar la varianza de
pronsticos, esto implica consistencia, es decir genera el menor error cuadrtico. Se debe
demostrar:
d. E/ / I
Lo que se hace es enfrentar los estimadores que genera MCO frente a otros:
E/ / ~8 / I + / ~8 ,
que era lo que se quera demostrar. Finalmente, cabe sealar que MCO genera el mejor
predictor con una funcin cuadrtica, sin embargo si se usara otra funcin el resultado
sera diferente.
= I +
E ( |) = 0
E ( ") = (~, )
()*+ L ( ) = 0
Usted no necesita probar o derivar ninguno de los siguientes enunciados; simplemente provea
una explicacin que justifique su respuesta.
a. Si la matriz V(~, ) tuviera que ser estimada (una situacin ms real) cmo cree usted
que podra estimarse?
Definimos a b como:
Donde:
D = ( )
= I +
D = ( ) (I + )
D = ( ) I + ( )
D = I + ( )
D = I + ( )
Tenemos que para hallar su convergencia en probabilidad se puede tomar el plim de la funcin
teniendo as lo siguiente:
1
1
()*+ D = ()*+ ( + 7 9
)
L
L
1
1
()*+ D = ()*+ () + ()*+(7 9
)
L
L
1
1
()*+ D = + (()*+(7 9 ) ()*+( ))
L
L
1
1
()*+ D = + (()*+(7 9 ) ()*+( ))
L
L
DI
Por lo tanto b es consistente. De ac podemos decir que la propiedad del modelo que nos
permite afirmar que b es consistente es: ()*+ L ( ) = 0 ya que si esta no fuera cero, la
convergencia en probabilidad a I no tendra lugar y b no sera consistente.
c. Suponga que el valor de ~ es conocido. Qu se ve afectado al tener una matriz como
V(~, )?
Si la matriz V(,X) tuviera que ser estimada (una situacin ms real) cmo cree usted
que podra estimarse?
Una estimacin mas real permitira el anlisis a partir de un conjunto de datos, para los cuales
se debe identificar en primera instancia su dispersin, lo cual permite seleccionar por grupos la
informacin disponible. En segunda instancia se obtiene la varianza correspondiente a cada
grupo con el objetivo de formar la matriz de varianzas y covarianzas que permitirn calcular,
luego, el estimador de .
5.
Periodo T2: / = ~g + ~ / + ~ / + /
Periodo T: / = }g + } / + } / + /
La regresin del periodo T, supones que no hay diferencia entre los dos periodos, T1, T2, y
estima la relacin para la totalidad de la muestra, entonces:
} = ~ = I
} = ~ = I
} = ~ = I
Las regresiones para los periodos T1 y T2 suponen que el intercepto y los dems coeficientes
de las pendientes son diferentes. Lo anterior se justifica a travs de una prueba estadstica
denominada Prueba de Chow, donde la prueba supones que:
/ ~ O(0 , P ) y / ~ O(0 , P ), los errores en las regresiones de los subperiodos, T1, T2,
estn normalmente distribuidos con la misma varianza, P .
/ y / son iid.
Se estima una regresin para cada subperiodo y se obtiene la sumatoria de los residuos
al cuadrado de cada regresin: S y S
Se estima una regresin para toda la muestra y se obtiene la sumatoria de los residuos al
cuadrado de cada regresin: S
Se plantea la hiptesis nula de que los coeficientes son los mismos en los dos
subperiodos.
Se plantea un nivel de significancia
Se calcula el estadstico F:
=
S (S + S )/q
~a,(a)Ug UjW/U
S + S / (` 2q)
Uno de los supuestos de la prueba de Chow es que las varianzas de los errores de las
regresiones de los subperiodos son las mismas, supuesto de homocedasticidad.
Prueba F para igualdad de varianzas, P = P
=
Donde: P =
P =
P
~(` q ), (` q ) _12 _3 )*D3 ]
P
z /g
\z
/jUg U j
\e
e /g /jUg U j
=+
= ( )
Aqu Y es un vector (TX1) de observaciones de la variable "dependiente", X es una matriz
(TXk) de observaciones de las variables "explicativas" con rango k y es un valor de
parmetro "verdaderos" (kx1). Sea D el segundo elemento del vector b y I el segundo
elemento del vector . Considere el siguiente teorema:
6) Considere las siguientes ecuaciones:
sea un
a. Escriba una ecuacin que muestre el significado de lo que significa que I
estimador insesgado de I .
Sea Y = X +
b = () XY = AY
E (D I| ) = E (| ) = 0 dado que E (| ) = 0
Sea I cualquier estimador lineal insesgado, I =
I = I + + D
I I = + D I
I I = +
I I = ( + )
Dado lo anterior:
(I |) = (I I|)
(I |) = ( + )|
(I |) = ( + ) (|)( + )
(I |) = P ( + )( + )
JI "K = P + + +
JI "K = P ( + () )
JI "K = P () + P
Si A = C entonces C = 0 y el estimados I se reducira al estimador de mnimos cuadrados, b.
Si por el contrario C A, entonces
JI "K P () + P
Si multiplicamos a: JI "K (D| ), por un vector (Kx1), y por un vector fila (1xK),
donde todos los elementos del vector son ceros excepto por el k-simo elemento el cual toma
el valor de 1, tenemos:
0
Sea = 1
0
JI "K (D|)
"K (D | )
JI
b. Determine el conjunto mnimo de condiciones {A} que hacen que el teorema se
cumpla.
El conjunto mnimo de combinaciones {}, que hace que el teorema se cumpla es:
Proceso generador de datos lineal
Rango completo de Q
Exogeneidad estricta
Homocedasticidad
/ = / I +
'
1
; / / M
L
E (/ | , , , ) = 0
E (/ | ) = P
Sera cierto que I = () XY es el estimador de mnima varianza, dentro de todos los
estimadores insesgados.
7. Suponga que tiene el modelo 0/ = H/ I + / y adems
sabe que
{
|
}
{
}
E / H/ / H/ , / H/ , , H = 0, con / , H/ estacionarios y ergdicos y
E / H/ H/ = P M. Adicionalmente puede suponer que L / H/ H/ M, donde Q tiene
rango completo. El estimador MCO viene dado por D = (/ H/ H/ ) (/ H/ 0/ ) y el error
es 2 = (L ) (/ H/ 0/ ) .
'
D = I + l / H/ H/ n
(ii)
De donde se obtiene,
( / H/ / )
1
1
D I = ( ; H/ H/ ) B ; H/ / C
L
L
/
/
/
/
1
1
L(D I ) = L( ; H/ H/ ) B ; H/ / C
L
L
E (/ H/ H/ ) = P M
L(/ ) O(0, P )
De donde,
1
D O(I, P ()*+( ; H/ H/ )
L
U
/
b. Proponga un estadstico de prueba que usted podra utilizar para chequear la hiptesis
nula de que I I .
Dados los supuestos dados, podemos trabajar con la prueba t-student.
De esta manera, expresamos la prueba de Hiptesis de la siguiente forma:
f : I I =Q.
Sabemos que :
(D D ) (D D ).
Y,
'
De donde D 0D son los elementos 1 y 2del vector b y Avar (D 0D ) es la varianza
compuesta de D 0 D . Por lo tanto, el estadstico de prueba es el siguiente:
], =
L(D D )
c
(D , D )
Donde SE = uP M donde
D D
SE (D , D )
= 0, 1,0, ,0
REFERENCIAS BIBLIOGRFICAS
GREENE William. Anlisis economtrico. Tercera edicin. Prentice Hall. 1998.
GUJARATI Damodar N. Econometra. MacGRAW-HILL. 1999.
HAYASHI Fumio. Econometrics, Princeton University Press, 2000.
NOVALES CINCA Alonso. Econometra. Segunda edicin. MacGRAW-HILL.
RUSSELL
MacKinnon, Econometric
Theory
and