Professional Documents
Culture Documents
Teoría Econometrica Prof - ECoeymans PUC
Teoría Econometrica Prof - ECoeymans PUC
Teoría Econometrica Prof - ECoeymans PUC
POP=A
donde Pes _matriz_de_vectores propios y Aes la matriz de_vz jos 0 raices
caracteristicas
Pre y post multiplicando por P y P' y recordando que PP! =
"AP!
Como 2 es positiva definida, todos los valores propios son positivos y por lo tanto existe
_A'?, Luego podemos escribir:
Nota: Apuntes de clases, sujetos a revisin, para uso exchasivo de los alumnos del curso de Teoria
Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan
Eduardo Coeymans.hey paiar onrdrbes de Ja 095, Canasta, %
una matriz raiz de Q que es PA'?
La inversa también tiene matriz raiz:
atop ay yale
Luego el modelo se transforma multiplicando todas las observaciones por T;
ae ak
a rf
~STY=TXB +Tu=TXB +v
at Sy bin .
® Como v es bien cor se puede aplicar MICO a los datos transformados obteniéndose
el estimador MCG (0 GLS)
|
|
B =(rxycrm (Tx TY
Be 'r'Tx)'x'T'Ty
B=(KO"'x)'xO"'Y
y (ie
B peacoat rep ey oe
Bp =p+ (KOH) IKON
ab=k h
hh
Vemos que el estimador MCG es insesgado 4 Cores aie
Derivemos su varianza
var B = E[(X'2"X) "XO W(KA"X) KAY]
var B = E(X'O"Xy'X'OWa"X(XA XY}
var B = (X'O"'X)'X'O"'6?AQ"X(K'Q"XY!)
var B =o? (XQ"'Xy'X'O"X}X'0"Xy!
v
Nota: Apuntes de clases, sujetos a revisién, para uso exclusive de los alumnos del curso de Teoria
Econométrica del Instituto de Economia de la Pontificia Universidad Catética de Chile, dictado por Juan
Eduardo Coeymans.128
var B =o? (X'Q"'x)"
Esta expresién tambi
datos transformados:
se puede obtener aplicando la formula de var de los MICO a los
var B = 07((TX)(TX))"
var B =0%(X'T'T)X)'=07 (X'Q"'Xy"
Lo ms importante es que tiene var mi
insesgados. Este es el teorema de Gauss Markov. A continuacién su demostracién, la cual
es similar a la que haciamos para MICO:
t
Sea i * un estimador lineal altemnbtivo insesgado y sea C matriz de constantes arbitrarias,
deordenk.n 4 1s
(Kix) XE i lt
Be etoco'xy'x'o! . q
B= (0c yer + 0). © debe ti Ker, ove pole #
B*=('O"'Xy'X'Q" + C] (XB +n)
Be= (OX)XO" XB + (XOXO + CXB + Cu
om
/
=8 s0c@ry}x@r'u +CXB +Cu
4A
° Ho
=BeCxp
EB
Por lo tanto para que i* sea insesgado para todos los posibles vectores B se requiere que
cCX=0
Esta es una condicién que tiene que cumplir el estimador alterativo para que la
comparacién de eficiencia sea dentro de la familia de estimadores insesgados. Por lo tanto:
Br =p +oro"'xy'xoa + ch
B x)
Su varianza:
E((B * - BY(B * - B)'] =E((X''X)'X' a + Cuy(X'A"XY'X'Au + Cay]
E((B * - BB * - BY) =E((K'OX)"X'2"u + Cay *X(K'A™X)" HCY]
Wola: Apuntes de clases, sujetos a revisiOn, para uso exclusivo de los alumnos del curso de Teoria
Econométrica del Instituto de Economia de In Pontificia Universidad Catdlica de Chil, dictado por Juam
Eduardo Coeymans.129
E[(B * - BB+ - BY) = ELKA*X)' XO hw" XEAXY"
+ (XOX XA we + Cuv'X(X'A*X)" + Cuw'C’]
BUG * - BB *- BY] = KAX) XA PAA*XKA" XY!
XOX) XAFAC + CPFNA™"X(K'ATXY! + Co?'AC
EUG * - PUB - By =o? KAY! +o? cemsrec + Fesceer poee
0 %.
we pect NEG
maa sho
E(B * - BXB*- BY] =07 AX)" +07CAC' | hfe “
marae Se i
Si © es positiva definida CQC' es positiva semidefinida, => elementos de la diagonal son
cero o positives y las varianzas serdn iguales o mayores a las de MCG.
Demostracién de que COC es positiva semidefinida:
Pre y postmultiplicando por 2’ y Z
ack
ZICACZ = (Z'C)ACZ) = LAL
ve Co cre dds Wn Jordy
donde Z es vector arbitrario de orden k.1, C es de orden k.n, Z'C = L’ es de orden 1.k,
ZICQCZ es un escalar.
Si Q es positiva definida, L'QL sera positiva definida si L es distinto de cero. Como nada
impide que L sea = 0, L'OL es positivaisemidefinida,_», Pavjus 2, why AAO, (01 DP? L
Yan Auris «
Luego los MCG son de varianza minima dentro de los lineales ¢ insesgados.
MICO es un caso particular de MCG cuando =I. 204.
Por esto que son MELI cuando Q =I.
Nota: Apuntes de clases, sujetos @ revision, para uso exclusivo de los alumnos del curso de Teoria
Econométrica del Instituto de Economia de la Pontificia Universidad Catdlica de Chile, dictado por Juan
Eduardo Coeymans.130
n-k
XxB)Q" (vy -XB)
n-k
Heterocedasticidad
Los elementos de la diagonal son diferentes.
Yi tarajor de
Aico +
a-|° “P- gers pos ak
“lp 8 5 | parte cpa dubia
fs | ey
oo ed
cbdeloo pollens Le ;
Ejemplos en que hay heterocedasticidad: Eprph bo Wskowudastiodd
En la mayoria de los casos practicos, la forma de la heterocedasticidad esté dada por la
teoria:
wy 0
Un ejemplo muy comin es el uso de sversal_c medios que _usan
Gistinto niimero de observaciones:, 2
Por mp, he KE,
ikea Trent piling:
Wapebekb we thMesel ABM he Tee hla oll
sticker Pondvely ale Lrenbprlrtyy- a. Jos
‘Supongamos que Y) se refiere al ingreso del individuo j del pais i. Lorwparss fur tiarin &
reli. on Aug,
En el pais i hay mj individuos. Hay n paises. El yector de errores (que tiene las mismas~—
dimensiones que el vector Y) sera:
Eomomenca del lnstnto de Economia de la Pontificia Universidad Catdica de Chile, dictado por Juan
Fos Apmis te chess ties # Tin, parm wo exhsivo de Toe shamans Gt curso, de Teas |
‘Eduardo Coeymans.131
Euv'= 07
{Qué pasa si sacamos promedios para cada pais? sods 4 CS
by Exh i pha, i ajo
jel
sa |= Bi +82
my
Sul
i
al Peto atts aydF Pen Chaney, indie
ya ae h Lhe dae, inget
O sea, mientras mas observaciones son incluidas en cada pais, menor es la varianza del
stror del dato promedio del pais.
En ese caso, Ia obtencién de los estimadores MCG es muy simple:
Vm 0 + 0
=| 0 se
lee : 9
0 0 1m,
ont .
Yim, (Bi) Xai + Xu
TY= TX= a 5 '
Yay Flo ore Xie
fae te
mK
Notas Apuntes de cscs, sijeton 3 eva
[Bete cad
re para uso exclusivo de los al
ggmamérca del Tstinto de Economia de le Hummes det curso de Te
Pontificia Universidad Caldlica de Chile, dictado ae /3
132
La forma del vector v = Tu es igual a la del vector TY
Los estimadores de MCG se obtienen haciendo la regresién con los datos transformados.
Puede haber heterocedasticidad_por_razones empiricas: periodos mAs turbulentos. Una
i ios. La otra es ponderarlos a través de MCG. En este caso
habrd que estimar la matriz Q.,
Otro caso muy comiin es el uso de muestras distintas (por ¢). censos distintos). Si se quiere
ipstesi Ametros, el test F derivado requiere que cada
cer un test
muestra tenga el mismo niimero de observaciones. Para esto primero se puede
y luego corregir.
‘Veremos a continuacién formas de detectar heterocedasticidad y su correccién.
Formas de detectar heterocedasticidad
Hay muchos casos en que se puede presumir a priori la existencia de heterocedascidad. Por
ejemplo, cl uso de datos que son promedi i ; © tener una muestra que,
ir vresas grandes junto con pequefias; 0 datos de consumo de corte transversal que
incluyen familias ricas y pobres, donde se espera que los consumos de las familias més_
ns ‘oF varianza; o una muestra con datos de corte transversal en que las
unidades de consumo tienen distinta posibilidad de acudir al crédito; ete.
En otros casos puede no haber razones a priori para presumir la existencia de
heterocedasticidad. Aun en estos casos, ¢s siempre conveniente testear su existencia. Hay
varias formas de proceder:
La primera forma es el examen de los residuos, ordenados de acuerdo a alguna variable
explicativa, o un conjunto de ellas.
Se puede examinar a los residuos mismos o a sus cuadrados. El siguiente grifico
corresponde a la primera alternativa, que en este ejemplo sevelaheterocedasticidad:
Grifico
Nota: Apuntes de clases, sujetos a revisién, para uso exclusivo de los akumnos del curso de Teoria
Econometrica del Instituto de Economia de Ia Pontificia Universidad Catéica de Chile, dictado por Juan
Eduardo Coeymans133
v :
La segunda alternativa consiste en graficar los cuadrados de los residuos:
co
Nota: Apunies de clases, sujetos 2 revision, para uso exclusive de los alumnos de) curso de Teoria
Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictade por Juan
Eduardo Coeymans.134
[base iv
ere Cusuebd fa bo
re
Rn
Hib:
aa ihe
Notese que la banda inferior no es paralela y que, por lo tanto, una regresién de los residuos
al cuadrado tendrfa heterocedasticidad. (esta es la critica de Goldfled y Quandt al test de
Park y al de Glejser)
‘Aparte de estos métodos grificos, hay otros mas formales:
1)_Testde Park (1966),
Supone que:
2 la matriz de segundas derivadas o Hesiana
respecto a B (y también es la matriz que contiene los vectores gradientes de los gradientes).
‘
Por lo tanto, si eliminamos los términos de orden mayor que dos, se tendra el siguiente
sistema como una solucién aproximada: Ze \
ar B-B")=0
% 2
# a
a2
Despejando el vector B: ao = eee ane. hae
lt One
awiB?) , WB)
2 0)! 0.
=p? (2 “8 2) owes’)
B
Q=0 (ceo)
EI método consiste en partir de un vector BO y usar la ecuacién (sistema de ecuaciones)
anterior en forma iterativa. Nétese que el sistema que hay que resolver cada vez es lineal y
10 nico numéricamente complejo es la inversién de una matriz, lo cual hoy en dia es muy
simple. El método converge muy rapido.
Para entender mejor el método de Newton apliquémoslo a un caso simple de una
dimensién, Queremos minimizar: St fa cevada ej
W(B) = 28? - 48
donde Bes un escalar c
WE) «apa 7 - v
9 a Fo" So wore sth
& x
La solucién es B =I aoe
‘Veamos si Ilegamos a este mismo resultado por Newton: thes Ourerg ec
De eek 82 we ucts
GP tuqa + ce uy lade
=> Reta ¥ de J pode
Pade.
Si partimos de B= 5
‘Note: Apantes de clases, sujetos a revisin, para uso exclusivo de lov amos del curso de Teoria
Econometrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan
Eduardo Coeymans.ony
162
B=5 -(1/4) 16
En este caso se logré el dptimo en un paso porque la expresién era cuadritica.
pasado independiente del valor inicial de partida
habria
Pero si la expresién fuera cibica se requieren mas iteraciones.
‘Veamos otro ejemplo. Se desea maximizar:
W(B) = B3 - 382 +7
‘Sabemos analiticamente que el dptimo es B = 2 ya que conocemos la soluciéa de:
El sistema no convergié. Esto ilustra uno de los problemas del método. Hay que tener
cuidado de no usar valores de partida que imptiquen segundas derivadas iguales a cero. En
el caso miiltiple bay que tener cuidado que los valores de partida no impliquen una matriz
Hesiana singular.
Debemos partir de otro valor. Supongamos = 4
awn?
8
‘Nota: Apuntes de clases, sujetos a revision, para uso exclusivo de los afumnos del curso de Teoria
Economia del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan
Eduardo Coeymans.
= 3B? -6B=48-24=24163
ugh) owe) =4-(1/18)24 = 2.66667
Evaluemos para B = 2.66667
owe) = 3B? -6B= 3(2.66667)2 - 6(2.66667) = 5.33337
ae ©
2B
B=p? {2"
Evaluemos para B = 2.13333
= 3B? -6B= 3(2.13333)2 - 6(2.13333) = 0.85331
(==). 6B-6 = 6(2.13333) - 6 = 6.79998
Gi
: -1
Bxp (@) ao) = 2.13333 - (1/6.79998)-(0.85331) = 2.00784
‘Vemos que a la segunda iteracién ya esta muy cercano a la solucién,
En el caso que hay més de un pardmetro B se van resolviendo sistemas lineales en cada
aso y cada solucién va proporcionando valores para el vector B que entran en la iteracién
siguiente
‘Nota: Apuntes de clases, sujetos a revisidn, para uso exolusivo de [os alumnos del curso de Teoria ;
Econométrica del Instituto de Economia de la Pontificia Universidad Catélica de Chile, dictado por Juan
Eduardo Coeymans.164
Resultados de estudios de Monte Carlo sobre métodos de estimacién:
1) Griliches y Rao: Conviene corregir cuando p estimado es mayor que 0.3 cuando n
20, Sin mayor que 20, conviene corregir para p incluso menores.
2) Engle: Si la autocorrelacién es de orden mayor que uno, puede ser preferible no
corregirla a corregirla suponiendo AR(1).
3) Hildreth y Lu o Maxima verosimilitud producen mejores estimadores del verdadero
coeficiente que el método de Durbin o Cochrane-Orcutt
4) No corregir por la primera observacién en muestras pequetias produce serios errores,
10 asi si la muestra es grande.
5) _ Elmétodo de Durbin con Prais Winsten es mejor que Cochrane-Orcutt
6) _ Laperformance de las distintas técnicas es sensible a la forma de la matriz X. Es
posible constrair sus propios tests.
La experiencia indica que los errores de especificacién de la estructura dinémica tienden a
mostrar autocorrelacién. Antes de aceptar autocorrelacién es preciso descartar otros
problemas. Para esto es recomendable seguir la siguiente secuencia de tests:
1) __ Descartar errores de especificacién
Qué se puede hacer para testear un error de especificacién?:
Sielerror es por exclusién de un conjunto Xi de variables explicativas
1.1) Incluirlas y estimar ¥ = XIp! + XMpU+u
‘Test F para la HIN que BU =0
1.2) Estimar la regresién sin inchair XU:
Y=Xx!fl+e!
Posteriormente estimar la regresién:
el apxl+ 8xF ay
Testear 5 =0
Nota: Apuntes de clases, sujetos a revisibe, para uso exclusivo de los afumnos del curso de Teoria
Boe Abticn del Instinto de Economia de la Pontificia Universidad Catéica de Chile, dictado por fuan
Eduardo Coeymans.el test rechaza la HN y se acepta que 6 es distinto de cero indica error de especificacién.
Notese que esta regresién debe incluir a X1, La razén es que si XM pertenece al modelo y
hay colinealidad entre X! y XU, laregresién entre el residuo el y XM, excluyendo Xt, estaria
subestimando la influencia de XH. Si no hay informacién sobre X1l el test se puede hacer
usando proxies de X41.
13) Test de RESET ("Regression Specification Error Test). Este test sirve para testear
forma funcional y exchusiéa de variables.
a) ‘Se hace regresiin entre la variable dependiente por un lado y las potencias de
valor estimado de la variable dependiente mas las variables de la matriz X.
b) Test F de la restriccin de que ¥ no depende de las potencias de Y estimado. Si
el test rechaza la nula, puede deberse a forma funcional mal especificada o a
omision de variables.
Siel conjunto Z refleja 0 es proxi de variables excluidas, se introducen en ln,
regresién y se bace el test F tradicional.
Una versién més general es incluir no sélo los cuadrados, cubos, cuarta potencia de
los valores estimados de Y sino también de cuadrados, cubs, etc. de las X.
Un grifico del residuo contra el valor estimado de Y permite detectar visualmente
mala especificacién funcional.
RESET es mis adecuado para forma funcional que para omisién.
2) Test de estabilidad que vimos (residuos recursivos, cambio estructural, parémetros
recursivos, ete.)
3) Testear AR(1) versus AR(p). Esto se puede hacer usando test de log de maxima
verosimilitud que veremos més adelante.
4) Test errores independientes versus AR(1)
Nota: Apuntes de clases, sujeos a revisiOn, para uso exclusivo de los alumnos del curso de Teoria
Econometrica del Instituto de Economia de la Pontificia Universidad Catolica de Chile, dictado por Juan
‘Eduardo Coeymans.0
166
1. Hlementos de Teoria Asintética
Muchas veces no se puede conocer el valor esperado o la varianza muestral de un estimador
para un tamaio muestral definido. Sin embargo, es posible obtener resultados ac
distribucién del estimador a medida que crece el tamaiio muestral. Por ejemplo,
que Ja distribucién de la media muestral tiende a_una normal a medida que crece_,
independiente de 1a distribucion de las oObservaciones individuales, El conocimicnio
conducta de la distribucién en el limite, a medida que crece n, puede usarse ara ot
una distribucién aproximada del estimador en una muestra de tamafio
necesitamos algunos resultados so sre convergencia de variables aleatorias.
La conducta en el limite esta referida al tamafio muestral, el cual puede
distribucién de la variable aleatoria.
oe ; an
Si definimos la vecindad de una variable aleatoria o un estimador 6, (que depende den) en
tomo al parémetro ® como 8 + ¢, entonces la expresién:
Pr(® -e< 6n<8 +£)=Pr(|On- 8]