Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
IE–UC Teoŕıa Econométrica I Pendientes Ayudant́ıa 4 Teoŕıa Econometrica I Profesor: Tomás Rau Ayudantes: Bernardo De Moura, Sebastián Poblete 1 Ejercicio 3 a) Primero desarrollemos los términos de S̃2: S̃2 = (Y −Xβ)′(Y −Xβ) + λβ′β = (Y ′ − β′X ′)(Y −Xβ) + λβ′β usando (A+B)′ = A′ +B′ y (AB)′ = B′A′ = Y ′Y − Y ′Xβ − β′X ′Y + β′X ′Xβ + λβ′β = Y ′Y − 2Y ′Xβ + β′X ′Xβ + λβ′β usando β′X ′Y = (β′X ′Y )′ = Y ′Xβ, es igual a su transpuesto porque β′X ′Y es un escalar = Y ′Y − 2Y ′Xβ + β′X ′Xβ + β′λβ usando que λ es escalar = Y ′Y − 2Y ′Xβ + β′(X ′X + λI)β factorizando Ahora utitilzaremos las siguientes reglas de derivación: ∂x′Ax ∂x = (A′ +A)x = 2Ax si es que A es cuadrada; ∂Ax ∂x = A′ Aśı, tenemos que la Condición de Primer Orden para despejar β̃ (el estimador) es: ∂S̃2 ∂β = −2X ′Y + 2(X ′X + λI)β̃ = 0 Despejando β̃: ⇒ β̃ = (X ′X + λI)−1X ′Y b) Encontremos la esperanza de β̃ para ver que es sesgado: E(β̃) = E[(X ′X + λI)−1X ′Y ] = E[(X ′X + λI)−1(X ′X)β] + E[(X ′X + λ)−1(X ′�)] reemplazando Y = Xβ = (X ′X + λI)−1(X ′X)β + (X ′X + λI)−1X ′E(�) usando que las X son no estocásticas (estamos en los supuestos usuales) = (X ′X + λI)−1(X ′X)β usando que E(�) = 0 6= β, luego, β̃ es sesgado Ahora encontremos una expresión para la varianza de β̃ notando lo siguiente: β̃ − E(β̃) = (X ′X + λI)−1X ′Y − (X ′X + λI)−1(X ′X)β = (X ′X + λI)−1X ′�, reemplazando Y = Xβ + � 1 IE–UC Teoŕıa Econométrica I Utilizando esto encontremos la varianza por definición: V(β̃) = E[(β̃ − E[β̃])(β̃ − E[β̃])′] = E[(X ′X + λI)−1X ′�[(X ′X + λI)−1X ′�]′] = E[(X ′X + λI)−1X ′��′X(X ′X + λI)−1] usando (ABC)′ = C ′B′A′ y (X ′X + λI)−1 simétrica = (X ′X + λI)−1X ′E[��′]X(X ′X + λI)−1 usando X’s no estocásticas y λ constante = σ2(X ′X + λI)−1X ′X(X ′X + λI)−1 usando E[��′] = σ2I c) Usemos la ayuda y sabiendo que V(β̂MCO) = σ2(X ′X)−1 notemos que: V(β̂MCO)−1 − V(β̃)−1 = σ−2(X ′X)− σ−2(X ′X + λI)(X ′X)−1(X ′X + λI) = σ−2(X ′X)− σ−2(X ′X + λI)(I + λ(X ′X)−1) = σ−2(X ′X)− σ−2(X ′X + 2λI + λ2(X ′X)−1) = σ−2(X ′X −X ′X − 2λI − λ2(X ′X)−1) = −σ−2(2λI + λ2(X ′X)−1) Como X ′X es semidefinida positiva pues es una forma cuadrática de X y λ, σ2 son positivos, pero toda la matriz está multiplicada por un -1 entonces V(β̂MCO)−1−V(β̃)−1 es semidefinida negativa. Utilizando la ayuda, entonces V(β̂MCO) − V(β̃) es semidefinida negativa y por lo tanto tenemos que la varianza de β̃ es menor que la del estimador MCO. 2
Compartir