Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Econometŕıa I – EAE-250A Más Propiedades del Estimador MCO Jaime Casassus Instituto de Econoḿıa Pontificia Universidad Católica de Chile Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Tabla de Contenidos 1 Problemas de especificación del modelo 2 Estimador MCO de σ2 3 No linealidad de los regresores Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Sobrespecificación del modelo • Se dice que un modelo está sobreespecificado cuando se incluye en la regresión variables que no forman parte del modelo poblacional. • Considere el modelo y = β0 + β1x1 + β2x2 + . . .+ βk+1xk+1 + u que satisface los supuestos de MCO, pero en la población se cumple que βk+1 = 0. • Para el estimador MCO ocurre que E [β̂k+1|X ] = βk+1 = 0, aunque probablemente el valor obtenido de β̂k+1 en la muestra sea distinto de cero. • Incluir una o más variables irrelevantes en el modelo no influye en el insesgamiento de los estimadores, pero afecta positivamente la varianza de estos. ¿Por qué? Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Regresión Particionada • Suponga que la regresión incluye dos conjuntos de variables, X1 y X2: y = X β + u = X1β1 + X2β2 + u • Demuestre que las condiciones de primer orden de MCO son( X>1 X1 X > 1 X2 X>2 X1 X > 2 X2 )( β̂1 β̂2 ) = ( X>1 y X>2 y ) • Para β̂1 se cumple que β̂1 = (X > 1 X1) −1X>1 y − (X>1 X1)−1X>1 X2β̂2 • ¿Qué representa el término (X>1 X1)−1X>1 X2? • Si X>1 X2 = 0, los estimadores pueden ser obtenidos de regresiones independientes. ¿Cómo seŕıa la varianza de los estimadores en este caso? • ¿Cómo son las propiedades de los estimadores MCO de β1 si X>1 X2 6= 0 y en la regresión se omiten variables incluidas en X2? Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Subespecificación del modelo • Suponga que la población sigue la siguiente ecuación, y = X1β1 + β2x2 + u es decir, X2 tiene una sola variable. • Considere el modelo excluyendo la variable x2 ỹ = X1β̃1 • ¿Qué supuesto no se cumpliŕıa en este caso? • La relación entre los β̃1 y los estimadores MCO del modelo bien especificado está dada por β̃1 = β̂1 + β̂2δ̃1 donde δ̃1 = (X > 1 X1) −1X>1 x2. • El sesgo del vector β̃1 es E [β̃1 − β1|X ] = β2δ̃1 Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Subespecificación del modelo (cont.) • Para el caso en que X1 tiene una sola variable, el signo de δ̃1 es el signo de la correlación entre x1 y x2. • En la práctica, no se conoce la magnitud de β2, en general se tiene intuición acerca de su signo, y por ende se puede tener una idea de la dirección del sesgo de β1. • Si en el modelo poblacional β2 = 0 ó x1 y x2 no están correlacionadas, entonces β̃1 no tiene sesgo. • Lo anterior no es extendible al caso en que X1 tiene más de una variable. La correlación entre una variable explicativa de X1 y la variable omitida puede sesgar todos los coeficientes. • Por ejemplo, suponga que x11 y x2 están correlacionados, pero que x12 y x2 no lo están. Uno podŕıa pensar que β̃11 es sesgado, pero β̃12 insesgado. Sin embargo, esto no es aśı. En general, ambos estimadores serán sesgados. • Ejercicio: demuestre que Var(β̃1|X ) ≤ Var(β̂1|X ) Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Tabla de Contenidos 1 Problemas de especificación del modelo 2 Estimador MCO de σ2 3 No linealidad de los regresores Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Estimador MCO de σ2 • Recuerde que la varianza de β̂j está dada por: Var(β̂j) = σ2 SSTj(1− R2j ) sin embargo, en la práctica se desconoce σ2. • Dado que σ2 = E [u2], ∑n i=1 u 2 i n es un estimador insesgado de σ 2. • Pero ui = yi − β0 − β1x1 − . . .− βkxk es desconocido, porque no se conoce {β0, . . . , βk}. Estos coeficientes deben estimarse. • Sea σ̂2 = ∑n i=1 û 2 i n − k − 1 • Proposición: bajo los supuestos 1 a 5 se cumple que E [σ̂2|X ] = σ2. • ¿Por qué el denominador es n − k − 1 en lugar de n? Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Tabla de Contenidos 1 Problemas de especificación del modelo 2 Estimador MCO de σ2 3 No linealidad de los regresores Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Variables en logaritmo • Recuerde que ln(x1) − ln(x0) = ln( x1 x0 ) = ln(1 + ( x1 x0 − 1)) ≈ x1 x0 − 1 = x1 − x0 x0 = ∆x x0 100 × ∆ln(x) ≈ %∆x • Cuando xj se encuentra en logaritmo e y en niveles: un cambio de 1% en xj se asocia a un cambio de 0.01βj en y . • Por ejemplo, se estima la relación entre el resultado de una prueba estandarizada de los colegios y los ingresos por distrito según la ecuación ˆtest = 557.8 + 36.42 ln(ingreso) Un aumento de un 1% en el ingreso del distrito se asocia con un incremento de 0.01× 36.42 = 0.36 puntos en el test. Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Variables en logaritmo (cont.) • Cuando y se encuentra en logaritmo y xj en niveles: un cambio de una unidad en xj se asocia a un cambio de 100× βj% en y. • Por ejemplo, se estimó la relación edad e ingresos para una subpoblación: ˆln(ingresos) = 2.655 + 0.0086 edad Cada año adicional de edad se asocia con un incremento de 0.86% en los ingresos. • Cuando xj e y se encuentran en logaritmo: un cambio de un 1% en xj se asocia a un cambio de βj% en y . • Por ejemplo, se estima la relación entre el resultado de una prueba estandarizada en los colegios y los ingresos por distrito ˆln(test) = 6.336 + 0.0554 ln(ingreso) Un aumento de un 1% en los ingresos corresponde a un incremento de 0.0554% en los resultados esperados. Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Formas cuadráticas • El MRL se refiere a una relación lineal entre los coeficiente que acompañan a los regresores, y no necesariamente a los regresores entre śı. • Considere el modelo y = β0 + β1x + β2x 2 + u • ¿Cuál es la interpretación de β1 y β2? • En este caso, la predicción de y es ŷ = β̂0 + β̂1x + β̂2x 2 lo que implica que ∆ŷ ≈ (β̂1 + 2β̂2x)∆x ⇒ ∆ŷ ∆x ≈ β̂1 + 2β̂2x • Un cambio en x genera un cambio esperado en y que depende del nivel de x : el efecto parcial de x en y es variable. • β̂1 es aproximadamente la pendiente de la relación entre x e y cuando x = 0. Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Ejemplo: efecto de experiencia en salario • Considere la siguiente ecuación ˆsalario = 3.73 + 0.298exper − 0.0061exper2 • La experiencia tiene un efecto inicial positivo pero decreciente en los salarios. • El primer año de experiencia vale aproximadamente 29.8 centavos, el segundo 28.6 centavos (0.286 = 0.298− 2× 0.0061× 1), y aśı. • Cuando β1 y β2 tienen distinto signo, hay un valor de x a partir del cual el efecto ceteris paribus de x en y cambia de dirección. • En el ejemplo, este valor es x = | β12β2 | = 24.4 años, ¿por qué? ◦ Es posible que este resultado sea cierto. ◦ Hay pocas observaciones con valores de x mayores a 24.4. ◦ Hay variables omitidas relevantes que generan sesgo en los estimadores. • Otros polinomios de mayor grado también pueden ser incluidos en un MRL. Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Términos de interacción • En ciertas ocasiones el efecto parcial de un regresor x en la variable dependiente y , puede depender del valor de otro regresor z . • En este caso, se incluye en la regresión un término de interacción x × z . • Por ejemplo, suponga el siguiente modelo para el precio de una vivienda precio = β0 + β1msq + β2dorm + β3msq × dorm + β4banos + u donde msq son los metros cuadrados de la vivienda y dorm el número de dormitorios. • En este caso se cumple que ∆precio ∆dorm = β2 + β3msq • Si β2 > 0, β3 > 0 la ecuación implica que un dormitorio adicional se relaciona con un incremento en el valor de la vivienda, y estos incrementos son mayores en viviendas de más metros cuadrados msq. Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Términos de interacción (cont.) • Para resumir el efecto de dorm en precio se debe evaluar ∆precio∆dorm en valores interesantes de msq, como su media, mediana o los quartiles extremos. • Tambiénse puede reparametrizar el modelo de modo de simplificar la interpretación. • Por ejemplo, se puede plantear precio = β0 + β1msq + β2dorm + β3(msq −msq)× dorm + β4banos + u • En este caso, β2 representa el efecto ceteris paribus de dorm en precio, cuando msq toma su valor promedio msq. • Al momento de plantear el modelo se debe pensar no sólo en las variables que influyen en la variable de interés y , sino también en la forma en que ellas se relacionan para influir en y . • A medida que se agregan más términos de interacción en el modelo y polinomios de los regresores, la interpretación de los parámetros se vuelve más compleja. Casassus (UC) EAE-250A - Econometŕıa I 4-Abr-16 Problemas de especificación del modelo Sobrespecificación del modelo Regresión Particionada Subespecificación del modelo Estimador MCO de 2 Estimador MCO de 2 No linealidad de los regresores Variables en logaritmo Formas cuadráticas Ejemplo: efecto de experiencia en salario Términos de interacción
Compartir