Maria Lagoni Andersen

Økonometri II - Øvelser

Øvelser
Problemset #1
Se mappe på computer under ”Problemset #1” for resultater til opgave 1.3 lavet til første time.

Opgave 1.1.

1. Præsenter intuitionen for MLE-princippet, og outline de basale steps i at udlede

estimatoren og kovariansmatrix.
Steps in the MLE-proces:
a. Assume the density and formulate the likelihood function.
b. Derive the first-order derivatives (scores).
c. Solve the first-order condition (FOC) to obtain the MLE.
d. Derive the second-order derivatives (SOC) (Hessian).
e. Calculate the variance based on the Hessian.

2. Skriv log-likelihood funktionen for et sæt af observationer, x 1 , x 2 , … , x n. Vær eksplicit

omkring dine antagelser.
Vi har fået givet vores tæthedsfunktion:

f ( x i|λ )=λ exp

−1 −x i
λ { }
Vores antagelser er i.i.d data fra en eksponentiel funktion.

Vores likelihood bidrag måler tætheden af en enkelt observation (obs. se de to variable i

første parentes er byttet rundt):

l i ( λ|x i )= λ exp
−1 −x i
λ { }
Da bliver likelihoodfunktionen:

Li ( λ|x i )=∏
n exp
−x i
{ }
λ Da tager vi logaritmen til denne:
i=1 λ

( { })
−xi
exp
() ( )
n n n n
λ 1 xi xi 1
log l i ( λ|x i )=log ∏ λ
=∑ log
λ
− =∑ −log ( λ )− =−nlog ( λ )− ∑ x i
λ i=1 λ λ i=1
i=1 i=1
Maria Lagoni Andersen
Økonometri II - Øvelser

3. Udled maximum likelihood estimatoren, ^λ . Antag at producenten har observeret n=100

100
livstid, x 1 , x 2 , … , x 100 og at ∑ x i=987. Find maksimum-likelihood estimatoren for dette
i=1
tilfælde.
Finder likelihood-bidrag ved at differentiere:
d l i ( λ|x i ) −1 x i
= + =s (λ∨Y i)Finder da:
dλ λ λ2
n

∑ xi
( )
n
−1 x i n i=1 Det hedder likelihood-bidrag før man differentiere og
S ( ^λ ) =∑ − 2 = + 2
i=1 λ λ λ λ
scorebidrag efter man differentiere.

Løser da FOC:
n n n
n

∑ −1
x
− 2i =0 n i=1 i
∑ x n ∑ x i ∑ x i ^λ= 1 ∑n x De kendte oplysninger indsættes:
i=1
i=1 λ λ − 2 =0 = 2 n= i =1 n i=1 i
λ λ λ λ λ
100
^λ= 1 ∑ x = 1 · 987= 987 =9,87
100 i=1 i 100 100
4. Find hessematricen fordeling fra den anden afledte:
2
∂ log l i ( λ )
H i ( λ )= Hvor log l i ( λ ) er log af likelihood fordelingen for observationen i og
∂ λ∂ λ
informationen:
I ( λ )=−E [ H i ( λ ) ] Finder da den anden afledte:

( )
2
∂ log l i ( λ ) ∂ 1 2 x i 1 2x
H i ( λ )= = + 3 = 2 + 3 i Det gør vi for at sikre at der er tale om et
∂ λ∂ λ ∂λ λ 2
λ λ λ
maksimum. Vi kan da antage, at der er et globalt maksimum. Ses særligt ved de positive
fortegn.

Finder da informationen:

[ ]
n
1 2 x −1 2
I ( λ )=−E [ H i ( λ ) ] =−E ∑ 2 + 3 i = 2 + 3 E [ x i ] =¿Bruger at vi ved, at E [ x i ] =λ fordi vi
i=1 λ λ λ λ
n
^ 1 ∑ x i fra tidligere opgave. Således:
ved at λ=
n i=1
1 2 1
¿ 2 + 3 λ= 2
λ λ λ
5. Opskriv betingelserne under hvilke MLE er asymptotisk normalfordelt således:

Check betingelserne for den nuværende model og argumenter at de er overholdt.

Først og fremmest har vi brug for, at modellen er korrekt specificeret for at opnå det
asymptotiske resultat i.e. genereret af den eksponentielle tæthed med parameteren λ 0.
Maria Lagoni Andersen
Økonometri II - Øvelser

Det vides fra bogen:

Derudover har vi fire antagelser der skal mødes:

a. Konvergens i sandsynligheden af score bidrag (LLN 3.22).
Vi ved, at vores score-bidrag er givet ved:
−1 x i
s ( λ|Y i )= − Således:
λ λ2
n n n
1 1 1
− ∑1 ∑x ∑x
( ) n i=1 i −1 n i =1 i p 1 E ( x i ) −1 λ0 −1 1
n
1 −1 x i n i=1
∑ − = λ + λ2 = λ + λ2 → − λ + λ2 = λ + λ2 = λ + λ =0
n i=1 λ0 λ 20 0 0 0 0 0 0 0 0 0 0

Altså konvergerere den mod nul. Derfor må betingelsen være opfyldt da

middelværdien konvergerer til 0 når n går mod uendelig.

b. Konvergens i fordelingen af score bidrag (CLT 3.23).

Det følger af central grænseværdisætning for i.i.d. data.

Obs. Der kommer en note på denne opgave senere da der var tvivl om svaret.

c. Konvergens i sandsynligheden af hessian bidrag (LLN 3.24)

Maria Lagoni Andersen
Økonometri II - Øvelser

d. Den tredje afledte af log-likelihood funktionen skal være bundet (konvergere mod
en konstant) (3.25).

6. Opskriv den asymptotiske varians af ^λ for eksemplet ovenfor.

^
( ) 1 −1 2
Var ( λ 0 )=I ( λ0 ) = 2 = λ0
−1

λ0
7. Forklar Wald princippet for hypotese testning. Opskriv en Wald test for hypotesen der er
den forventede livstid er 11,1 i det numeriske eksempel ovenfor. Vær specifik med
formuleringen af hypotesen, statistik og kritisk værdi.