Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Pontificia Universidad Católica de Chile Instituto de Economía Primer Semestre de 2005 Econometría de Datos de Panel y Corte Transversal Teoría Econométrica II Ayudantía 4: MLE 1. Una variable aleatoriaX tiene una distribución exponencial con parámetro β > 0 si su densidad es f (X,β) = ½ βe−βX si x > 0 0 si x ≤ 0 implicando una acumulada F (X,β) = ½ 1− βe−βX si x > 0 0 si x ≤ 0 La esperanza y la varianza de esta distribución son E [X] = 1β y V [X] = 1 β2 . a) Suponga que x1, . . . , xn forman una muestra aleatoria de una distribu- ción exponencial con el parámetro β > 0. Encuentre el parámetro β. b) Usando la propiedad de invarianza de MLE, encuentre los MLE de 1β y 1 β2 . Solución a) La función de verosimilitud es L (x, β) = Π i f (x, β) = Π i βe−βxi = βne−β P i xi y la log-verosimilitud £ (x, β) = lnΠ i f (x, β) = n lnβ − β X i xi Hay que resolver max β £ (x, β) CPO n β − X i xi = 0 bβML = nP i xi = 1 x 1 b) Por la propiedad de invarianza dµ 1 β ¶ ML = à 1bβML ! = x \µ 1 β2 ¶ ML = à 1bβ2ML ! = x2 2. Suponga que x1, . . . , xn forman una muestra aleatoria de una distribución uniforme en el intervalo [θ1, θ2] , con 0 < θ1 < θ2 <∞. a) Encuentre los MLE de θ1 y θ2, bθ1 y bθ2. b) Son consistentes? c) Muestre que los MLE no son asintóticamente normales. Por qué se rompe la prueba de la normalidad asintótica? [Hint: considere la vari- able n ³ θ2 − bθ2´ . Derive su c.d.f y use el resultado lim n→∞ ¡ 1 + xn ¢n = ex] Solución a) La función de densidad es f (xi, θ1, θ2) = ½ 1 θ2−θ1 si xi ∈ [θ1, θ2] 0 si no y la función de verosimilitud L (x, θ1, θ2) = Π i f (x, θ1, θ2) = Π i 1 [xi ∈ [θ1, θ2]] 1 θ2 − θ1 no es continuamente difirenciable en θ1, θ2 (las funciones indicadoras rompen la continuidad)1 .Para maximizar L (·) tenemos que pensar en tres cosas: i) si observamos xi es porque pertenece a la distribución (entonces tiene que ser parte del soporte); ii) en cuanto más obser- vaciones estén en el intervalo, más veces se "prende" la función indi- cadora y más alta es L (·) y iii) mientras mas chico es (θ2 − θ1) , más grande es L (·) . Más formalmente, de i) y ii) bθ1 ≤ min {X1, . . . ,Xn} y bθ2 ≤ max {X1, . . . ,Xn} y por iii) bθ1 = min {X1, . . . ,Xn} y bθ2 = max {X1, . . . ,Xn} . Es decir," bθ1bθ2 # = · min {X1, . . . ,Xn} max {X1, . . . ,Xn} ¸ 1Una diferencia importante con el primer ejercicio es que en él el soporte de la distribución esta fijo, i.e. (0,∞) .En este caso, en cambio, el ejercicio es precisamente fijar el soporte de la distribución, hbθ1,bθ2i . Es por esto que ahora hacemos explícito en la función de verosimilitud el hecho de que hay densidad no nula para una observación sólo si está contenida en el soporte. 2 c) Los parámetros estimados son consistentes si bθ1 p−→ θ1. Esto es lim n→∞P ³¯̄̄bθn1 − θ1 ¯̄̄ < ´ = 1 Como bθ1 = min {X1, . . . ,Xn} , sabemos que bθn1 − θ1 ≥ 0. Entonces tenemos lim n→∞P ³¯̄̄bθn1 − θ1 ¯̄̄ < ´ = 1 lim n→∞P ³bθn1 < + θ1´ = 1 De la definición de distribución uniforme sabemos que P ³bθn1 < k´ = 1−µ θ2 − kθ2 − θ1 ¶n Luego lim n→∞P ³bθn1 < + θ1´ = limn→∞1− µ θ2 − ( + θ1) θ2 − θ1 ¶n = 1− lim n→∞1− µ 1− θ2 − θ1 ¶n = 1 O sea, bθ1 p−→ θ1. De una manera análoga se muestra que bθ2 p−→ θ2. c) :Usamos la variable2 n ³ θ2 − bθ2´ P ³ n ³ θ2 − bθ2´ ≤ k´ = P µθ2 − bθ2 ≤ k n ¶ = P µ θ2 − k n ≤ bθ2¶ = 1− P µ θ2 − k n > bθ2¶ = 1− à θ2 − kn − θ1 θ2 − θ1 !n = 1− à 1− k n θ2 − θ1 !n = 1− à 1− k θ2−θ1 n !n en el límite lim n→∞1− à 1− k θ2−θ1 n !n = 1− e kθ2−θ1 2Queremos empezar a pensar en términos de algún TCL. 3 O sea, los estimados distribuyen asintóticamente exponencial3. 3. Suponga que X1, . . . ,Xn son variables aleatorias iid Bernoulli con Xi = ½ 1 con probabilidad θ 0 con probabilidad 1− θ a) Encuentre el MLE de θ y su distribución asintótica. b) Cómo testearía la hipótesis H0 : θ = 0.4 usando los tests LR, Wald y LM? c) Cómo testearía la hipótesis H0 : θ2 = 0.5? Solución a) La densidad Bernoulli es f (Xi) = θ Xi (1− θ)(1−Xi) La función de verosimilitud es L (X, θ) = Π i f (X, ) = θ P iXi (1− θ) P i(1−Xi) La log verosimilitud es £ (x, θ) = X i Xi ln θ + à n− X i Xi ! ln (1− θ) La CPO P iXi θ + (n−PiXi) (1− θ) = 0 bθML = PiXi n = X La distribución asintótica es √ n ³bθML − θ´ −→ N ¡0, I−1¢ 3El TCL de Lindberg Levi necesita independencia de las observaciones y esperanza finita para asegurar √ n (xn − µ) d−→ N ¡ 0, σ2 ¢ . Newey & McFadden usan una aproximación de Taylor del score vector de $ para demostrar la suficiencia. Esta aproximación se iguala a 0: ∂$ ∂θ ¯̄̄ θ=θ0 + ∂ 2$ ∂θ2 ¯̄̄ θ=θ0 ³bθ − θ0´ = 0, tal que √ n ³bθ − θ0´ = · ∂2$∂θ2 ¯̄̄θ=θ0 ¸−1√ n · ∂$ ∂θ ¯̄̄ θ=θ0 ¸ . El último término de la derecha converge a una normal como indica el TCL de LL ( ∂$ ∂θ es un promedio de score vectors, de esperanza 0) y el primer término ajusta por la varianza. Si la segunda derivada de la función es cero, su inversa no existe. Es acá donde se rompe la prueba de normalidad asintótica. 4 donde I−1 es la inversa de la matriz de información (en este caso un escalar). La matriz de información está dada por I = E · − 1 n ∂2£ ∂θ2 ¸ En este caso ∂2£ ∂θ2 = − P iXi θ2 + (n−PiXi) (1− θ)2 con lo que I = E " − 1 n à − P iXi θ2 + (n−PiXi) (1− θ)2 !# = E "P iXi n 1 θ2 + (n−PiXi) n 1 (1− θ)2 # = 1 θ (1− θ) Entonces √ n ³bθML − θ´ −→ N (0, θ (1− θ)) b) 4El test LR: si la restricción es verdadera, no debería cambiar significa- tivamente el valor de la función de verosimilitud. Como conocemos el estimador restringido, sólo hay que estimar el modelo libre5. El estadístico es6 LR = 2 h £ ³ θ = bθML´−£ (θ = 0.4)i ∼ χ2[J] El test de Wald: ´si la restricción es válida, el estadístico de discrep- ancia m debería tomar un valor cercano a 0. Sólo hay que estimar el modelo libre. El estadístico de discrepancia es m = ³ Rbθ − q´ = bθ − 0.4 y su varianza V [m] = V h Rbθ − qi = hRV ar ³bθ´ Ŕi Con esto, el estadístico testeable (una suma de variables normales -cada restricción, una en este caso- estandarizadas por su varianza) es W = ḿm V [m] = ³ Rbθ − q ´́hRV ar ³bθ´ Ŕi−1 ³Rbθ − q´ ∼ χ2[J] 4Les recomiendo Greene (versión en castellano) p.142 para un buen resúmen de estos tests y sus aplicaciones. 5En general hay que estimar el modelo restringido cuando la (s) restricción (s) no deter- minan a todos los parámetros del modelos restringido, como en este caso. 6Uso J como el número de restricciones. En este caso J = 1. 5 W = n ³bθ − 0.4´2bθ ³1− bθ´ El test LM: el valor del multiplicador asociado a la restricción debería ser cercano a 0 si la restricción es verdadera. Sólo se necesita el valor restringido de los parámetros. El estadístico es LR = µ ∂£ ∂θ ¶ [́I (θ)]−1 µ ∂£ ∂θ ¶¯̄̄̄ θ=0.4 ∼ χ2[J] c) Usaría el método delta para conocer la distribución asintótica de g (θ) = θ2 (lo que nos interesa es la varianza asintótica). Luego ocuparía cualquiera de los tests anteriores. 4. Suponga que {(Y1,X1) , (Y2,X2) . . . , (Yn,Xn)} es una muestra aleatoria de n observaciones donde Xi es un escalar aleatorio y Yi es una variable aleatoria Bernoulli que toma sólo dos valores, 0 o1, con probabilidades P (Yi = 1 |Xi ) = exp (θ1 + θ2Xi) 1 + exp (θ1 + θ2Xi) P (Yi = 0 |Xi ) = 1 1 + exp (θ1 + θ2Xi) Este modelo es conocido como el modelo logit de respuesta binaria. a) Encuentre la función de expectativa condicional de Yi dadoX = (X1, . . . ,Xn) . b) Escriba la función log-verosimilitud para este modelo. Solución a) La esperanza de Yi es E [Yi |X ] = E [Y |Yi = 1] · P (Yi = 1 |X ) +E [Y |Yi = 0] · P (Yi = 0 |X ) = 1 · P (Yi = 1 |X ) + 0 · P (Yi = 0 |X ) = P (Yi = 1 |X ) = exp (θ1 + θ2Xi) 1 + exp (θ1 + θ2Xi) Buscamos el límite de probabilidad p lim n→∞ exp (θ1 + θ2Xi) 1 + exp (θ1 + θ2Xi) y por el teorema de Slutzky (e es continua) exp µ θ1 + θ2p lim n→∞ Xi ¶ 1 + exp µ θ1 + θ2p lim n→∞ Xi ¶ = exp ¡θ1 + θ2X¢ 1 + exp ¡ θ1 + θ2X ¢ 6 b) La función de verosimilitud es L (Y,X, θ) = Π i µ exp (θ1 + θ2Xi) 1 + exp (θ1 + θ2Xi) ¶Yiµ 1 1 + exp (θ1 + θ2Xi) ¶1−Yi = µ exp (θ1 + θ2Xi) 1 + exp (θ1 + θ2Xi) ¶P i Yi µ 1 1 + exp (θ1 + θ2Xi) ¶P i(1−Yi) = exp ¡ (θ1+θ2Xi) P i Yi ¢ [1 + exp (θ1 + θ2Xi)] n = exp (θ1 P i Yi + θ2 P i YiXi) [1 + exp (θ1 + θ2Xi)] n La log-verosimilitud lnL (Y,X, θ) = θ1 X i Yi + θ2 X i YiXi − n ln [1 + exp (θ1 + θ2Xi)] 7
Compartir