Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Estimador Mı́nimo Cuadrados Ordinarios Propiedades del estimador MCO Clase 4 Econometŕıa I Tomás Rau 16 de agosto Clase 4 Econometŕıa I Estimador Mı́nimo Cuadrados Ordinarios Propiedades del estimador MCO Modelo de Regresión con k variables De los supuestos 3, 4 y 5, tenemos entonces que el término de error tiene la siguiente distribución: u ∼ ( 0 n×1 , σ2 I n×n ) (1) El método de MCO, plantea que los parámetros del modelo pueden ser estimados minimizando la suma de los errores al cuadrado (SE (β̂)), la que en términos matriciales equivale a: SE (β̂) = n∑ i=1 û2i = û ′û = (Y − X β̂)′(Y − X β̂) donde û = Y − X β̂. Antes de derivar esa expresión, debemos aprender algunas reglas de derivación de vectores: Clase 4 Econometŕıa I Estimador Mı́nimo Cuadrados Ordinarios Propiedades del estimador MCO Modelo de Regresión con k variables Si A es una matriz y x un vector y los productos Ax y x’Ax son conformables, tenemos que: ∂Ax ∂x = A′; ∂Ax ∂x’ = A ∂x’Ax ∂x = (A′ + A)x = 2Ax si A es simétrica donde la última igualdad ocurre si A es simétrica. Luego, aplicando las reglas de cálculo diferencial matricial a S tenemos Clase 4 Econometŕıa I Estimador Mı́nimo Cuadrados Ordinarios Propiedades del estimador MCO Modelo de Regresión con k variables ḿın β̂ SE (β̂) = ḿın β̂ [ (Y − X β̂)′(Y − X β̂) ] = ḿın β̂ [ Y ′Y − 2Y ′X β̂ + β̂′X ′X β̂ ] ∂SE (β̂) ∂β̂ = −2X ′Y + 2X ′X β̂ = 0 (2) ⇒ β̂ = (X ′X )−1X ′Y (3) que existe si (X ′X ) tiene inversa. Clase 4 Econometŕıa I Estimador Mı́nimo Cuadrados Ordinarios Propiedades del estimador MCO Modelo de Regresión con k variables De (2) tenemos: X ′(Y − X β̂) = 0⇒ X ′û = 0 (4) que se conoce como la “condición de ortogonalidad”. Es decir, los errores estimados son ortogonales a las variables explicativas del modelo. Clase 4 Econometŕıa I Estimador Mı́nimo Cuadrados Ordinarios Propiedades del estimador MCO Modelo de Regresión con k variables Note que de (2), el vector de parámetros estimados β̂ se obtiene de resolver el siguiente sistema de ecuaciones normales: X ′X β̂ = X ′Y ⇔ 1 1 1 · · · 1 x2,1 x2,2 · · · x2,n ... ... ... . . . ... xk,1 xk,2 · · · xk,n 1 x2,1 x3,1 · · · xk,1 1 x2,2 x3,2 · · · xk,2 ... ... ... . . . ... 1 x2,n x3,n · · · xk,n β̂1 β̂2 ... β̂k = 1 1 1 · · · 1 x2,1 x2,2 · · · x2,n ... ... ... . . . ... xk,1 xk,2 · · · xk,n y1 y2 ... yn Clase 4 Econometŕıa I Estimador Mı́nimo Cuadrados Ordinarios Propiedades del estimador MCO Modelo de Regresión con k variables ⇔ n ∑n i=1 x2,i · · · ∑n i=1 xk,i∑n i=1 x2,i ∑n i=1 x 2 2,i · · · ∑n i=1 x2,ixk,i∑n i=1 x3,i ∑n i=1 x3,ix2,i · · · ∑n i=1 x3,ixk,i ... ... ... . . . ...∑n i=1 xk,i ∑n i=1 xk,ix2,i · · · ∑n i=1 x 2 k,i β̂1 β̂2 β̂3 ... β̂k = ∑n i=1 yi∑n i=1 yix2,i∑n i=1 yix3,i ...∑n i=1 yixk,i Clase 4 Econometŕıa I Estimador Mı́nimo Cuadrados Ordinarios Propiedades del estimador MCO Modelo de Regresión con k variables Es importante notar que el estimador MCO esta definido solo cuando la matriz (X’X) es invertible, lo que ocurre siempre y cuando: 1 Las k columnas de la matriz X sean linealmente independientes. 2 Se disponga al menos de tantas observaciones como variables explicativas, es decir: n≥ k .(Supuesto 7) Clase 4 Econometŕıa I Estimador Mı́nimo Cuadrados Ordinarios Propiedades del estimador MCO Propiedades del estimador MCO Notemos que el vector β̂ es un vector aleatorio, ya que depende del vector de errores: β̂ = (X ′X )−1X ′Y = (X ′X )−1X ′(Xβ + u) = β + (X ′X )−1X ′u E (β̂) = E (β) + E [(X ′X )−1X ′u] = β + (X ′X )−1X ′E (u) Clase 4 Econometŕıa I Estimador Mı́nimo Cuadrados Ordinarios Propiedades del estimador MCO Propiedades del estimador MCO La esperanza de β es el mismo parámetro, ya que este es un constante (valor poblacional), y por supuestos 2 y 3 el segundo término de la expresión anterior es cero, ⇒ E (β̂) = β (5) Es decir, el estimador MCO es insesgado, tal como lo hab́ıamos mostrado anteriormente. Clase 4 Econometŕıa I Estimador Mı́nimo Cuadrados Ordinarios Propiedades del estimador MCO Propiedades del estimador MCO Ahora calculemos la varianza de β̂ que es un vector aleatorio. Luego: var(β̂) = E [(β̂ − E (β̂)) · (β̂ − E (β̂))′] = E [(β̂ − β) · (β̂ − β)′] = E [(X ′X )−1X ′uu′X (X ′X )−1] = (X ′X )−1X ′E (uu′)X (X ′X )−1 = (X ′X )−1X ′(σ2In)X (X ′X )−1 = σ2(X ′X )−1 (6) Para poder estimar la varianza de β̂ necesitamos reemplazar σ2 en (5) por un estimador insesgado: σ̃2 = û′û n − k Clase 4 Econometŕıa I Estimador Mínimo Cuadrados Ordinarios Propiedades del estimador MCO
Compartir