Econometric Analysis 8th Edition

Greene Solutions Manual

Go to download the full and correct content document:
https://testbankfan.com/product/econometric-analysis-8th-edition-greene-solutions-m
anual/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Structural Analysis 8th Edition Hibbeler Solutions

Manual

https://testbankfan.com/product/structural-analysis-8th-edition-
hibbeler-solutions-manual/

Systems Analysis and Design 8th Edition Kendall

Solutions Manual

https://testbankfan.com/product/systems-analysis-and-design-8th-
edition-kendall-solutions-manual/

Bond Markets Analysis And Strategies 8th Edition

Fabozzi Solutions Manual

https://testbankfan.com/product/bond-markets-analysis-and-
strategies-8th-edition-fabozzi-solutions-manual/

Modern Systems Analysis and Design 8th Edition Valacich

Solutions Manual

https://testbankfan.com/product/modern-systems-analysis-and-
design-8th-edition-valacich-solutions-manual/
Design and Analysis of Experiments 8th Edition
Montgomery Solutions Manual

https://testbankfan.com/product/design-and-analysis-of-
experiments-8th-edition-montgomery-solutions-manual/

Contemporary Linguistic Analysis An Introduction 8th

Edition OGrady Solutions Manual

https://testbankfan.com/product/contemporary-linguistic-analysis-
an-introduction-8th-edition-ogrady-solutions-manual/

Contemporary Strategy Analysis Text and Cases 8th

Edition Grant Solutions Manual

https://testbankfan.com/product/contemporary-strategy-analysis-
text-and-cases-8th-edition-grant-solutions-manual/

Financial Analysis with Microsoft Excel 2016 8th

Edition Mayes Solutions Manual

https://testbankfan.com/product/financial-analysis-with-
microsoft-excel-2016-8th-edition-mayes-solutions-manual/

Financial Reporting Financial Statement Analysis and

Valuation 8th Edition Wahlen Solutions Manual

https://testbankfan.com/product/financial-reporting-financial-
statement-analysis-and-valuation-8th-edition-wahlen-solutions-
manual/
Chapter 14
Maximum Likelihood Estimation
Exercises
1. The density of the maximum is

n[z/]n-1(1/), 0 < z < .


Therefore, the expected value is E[z] = 0 zndz = [n+1/(n+1)][n/n] = n/(n+1). The variance is found likewise,

E[z2] = 0 z2n(z/n)n-1(1/)dz = n2/(n+2) so Var[z] = E[z2] - (E[z])2 = n2/[(n + 1)2(n+2)]. Using mean
squared convergence we see that lim E[z] =  and lim Var[z] = 0, so that plim z = .
n→ n→

2. The log-likelihood is lnL = -nln - (1/)  i = 1 xi . The maximum likelihood estimator is obtained as the
n

1
i =1 xi = 0, or ˆ ML = 
n
x = x . The asymptotic variance of the
n
solution to lnL/ = -n/ + (1/2) i =1 i
n
i =1 xi ]}-1.
n
MLE is {-E[2lnL/2]}-1 = {-E[n/2 - (2/3) To find the expected value of this random variable,
we need E[xi] = . Therefore, the asymptotic variance is  /n. The asymptotic distribution is normal with mean
2

 and this variance.

3. The log-likelihood is lnL = nln - (+)  i =1 yi + ln  i =1 xi +  

n n n n
x ln yi -
i =1 i i =1
ln( xi !)
lnL/ = n/-  i =1 yi
n
The first and second derivatives are

= -  i =1 yi + i =1 xi /
n n
lnL/
2lnL/2 = -n/2
2lnL/2 = -  i =1 xi /2
n

2lnL/ = 0.
Therefore, the maximum likelihood estimators are ˆ ML = 1/ y and ̂ = x / y and the asymptotic covariance
n /  2 0 
matrix is the inverse of E  2

n . In order to complete the derivation, we will require the
 0 x / 
i =1 i 
i =1 xi = nE[xi].
n
expected value of In order to obtain E[xi], it is necessary to obtain the marginal distribution
 
of xi, which is f(x) =  0
e − ( + ) y (y ) x / x ! dy =  x ( / x !)  0
e − ( + ) y y x dy. This is x(/x!) times a gamma

integral. This is f(x) = x(/x!)[(x+1)]/(+)x+1. But, (x+1) = x!, so the expression reduces to
f(x) = [/(+)][/(+)]x.
Thus, x has a geometric distribution with parameter  = /(+). (This is the distribution of the number of tries
until the first success of independent trials each with success probability 1-. Finally, we require the expected

value of xi, which is E[x] = [/(+)] x=0 x[/(+)]x= /. Then, the required asymptotic covariance
−1
n /  2 0   2 / n 0 
matrix is  2
= .
 0 n( / ) /    0  / n

Copyright © 2018 Pearson Education, Inc. 118

 The maximum likelihood estimator of /(+) is is
 /( + ) = (1/ y )/[ x / y + 1/ y ] = 1/(1 + x ).
Its asymptotic variance is obtained using the variance of a nonlinear function
V = [/(+)]2(2/n) + [-/(+)]2(/n) = 2/[n(+)3].
The asymptotic variance could also be obtained as [-1/(1 + E[x])2]2Asy.Var[ x ].)
For part (c), we just note that  = /(+). For a sample of observations on x, the log-likelihood would
lnL = nln + ln(1-)  i =1 xi
n
be

i =1 xi /(1-).
n
lnL/d = n/ -
A solution is obtained by first noting that at the solution, (1-)/ = x = 1/ - 1. The solution for  is, thus,
̂ = 1 / (1 + x ).Of course, this is what we found in part b., which makes sense.
f ( x, y) e − ( + ) y (y ) x ( + ) x ( + )
For part (d) f(y|x) = = . Cancelling terms and gathering the
f ( x) x !  x
remaining like terms leaves f(y|x) = ( + )[( + ) y ] x e − ( + ) y / x ! so the density has the required form with

 

 = (+). The integral is [ x +1 ] / x ! e − y y x dy . This integral is a Gamma integral which equals
0
(x+1)/x+1, which is the reciprocal of the leading scalar, so the product is 1. The log-likelihood function is
lnL = nln -   i =1 yi + ln  i =1 xi - i =1 ln xi !
n n n

lnL/ = (  i =1 xi + n)/ - i =1 yi .
n n

2lnL/2 = -(  i =1 xi + n)/2.
n

Therefore, the maximum likelihood estimator of  is (1 + x )/ y and the asymptotic variance, conditional on
the xs is Asy.Var.  ˆ  = (2/n)/(1 + x )
 
Part (e.) We can obtain f(y) by summing over x in the joint density. First, we write the joint density



as f ( x , y ) = e − y e −y (y ) x / x! . The sum is, therefore, f ( y ) = e − y e −y (y ) x / x! . The sum is that
x =0
of the probabilities for a Poisson distribution, so it equals 1. This produces the required result. The maximum
likelihood estimator of  and its asymptotic variance are derived from
lnL = nln -   i =1 yi
n

i =1 yi
n
lnL/ = n/ -
2lnL/2 = -n/2.
Therefore, the maximum likelihood estimator is 1/ y and its asymptotic variance is 2/n. Since we found f(y)
by factoring f(x,y) into f(y)f(x|y) (apparently, given our result), the answer follows immediately. Just divide the
expression used in part e. by f(y). This is a Poisson distribution with parameter y. The log-likelihood function
and its first derivative are
lnL = -  i =1 yi + ln  i =1 xi + i =1 xi ln yi - i =1 ln xi !
n n n n

lnL/ = -  i =1 yi + i =1 xi /,
n n

from which it follows that ˆ = x / y .

Copyright © 2018 Pearson Education, Inc. 119

4. The log-likelihood and its two first derivatives are
logL = nlog + nlog + (-1) i =1 log xi -   i = 1 xi
n n

i =1 xi
n
logL/ = n/ -

i =1 log xi -  i =1(log xi ) xi

n n
logL/ = n/ +

Since the first likelihood equation implies that at the maximum, ̂ = n /  i = 1 xi , one approach would be to
n

scan over the range of  and compute the implied value of . Two practical complications are the allowable
range of  and the starting values to use for the search.
The second derivatives are
2lnL/2 = -n/2
2lnL/2 = -n/2 -  i =1 (log xi ) 2 xi
n

2lnL/ = - i =1 (log xi ) xi .

n

If we had estimates in hand, the simplest way to estimate the expected values of the Hessian would be to evaluate
the expressions above at the maximum likelihood estimates, then compute the negative inverse. First, since the
expected value of lnL/ is zero, it follows that E[xi] = 1/. Now,
E[lnL/] = n/ + E[ i =1 log xi ] - E[ i =1 (log xi ) xi ]= 0
n n

as well. Divide by n, and use the fact that every term in a sum has the same expectation to obtain
1/ + E[lnxi] - E[(lnxi)xi]/E[xi] = 0.
Now, multiply through by E[xi] to obtain E[xi] = E[(lnxi)xi] - E[lnxi]E[xi]
or 1/() = Cov[lnxi,xi]. 

5. As suggested in the previous problem, we can concentrate the log-likelihood over . From logL/ = 0,
i =1 xi ]. Thus, we scan over different values of  to seek the value
n
we find that at the maximum,  = 1/[(1/n)
which maximizes logL as given above, where we substitute this expression for each occurrence of . Values
of  and the log-likelihood for a range of values of  are listed and shown in the figure below.
 logL
0.1 -62.386
0.2 -49.175
0.3 -41.381
0.4 -36.051
0.5 -32.122
0.6 -29.127
0.7 -26.829
0.8 -25.098
0.9 -23.866
1.0 -23.101
1.05 -22.891
1.06 -22.863
1.07 -22.841
1.08 -22.823
1.09 -22.809
1.10 -22.800
1.11 -22.796
1.12 -22.797
1.2 -22.984
1.3 -23.693

Copyright © 2018 Pearson Education, Inc. 120

The maximum occurs at  = 1.11. The implied value of  is 1.179. The negative of the second derivatives
     2555
. 9.6506      .04506 −.2673
matrix at these values and its inverse are I ,  =   and I -1  ,  = 
 −.2673 .04148
.
  9.6506 27.7552 
The Wald statistic for the hypothesis that  = 1 is W = (1.11 - 1)2/.041477 = .276. The critical value for a test
of size .05 is 3.84, so we would not reject the hypothesis.
If  = 1, then ̂ = n / i =1 xi = 0.88496. The distribution specializes to the geometric distribution if
n

 = 1, so the restricted log-likelihood would be

logLr = nlog -   i =1 xi = n(log - 1) at the MLE.
n

logLr at  = .88496 is -22.44435. The likelihood ratio statistic is -2log = 2(23.10068 - 22.44435) = 1.3126.
Once again, this is a small value. To obtain the Lagrange multiplier statistic, we would compute
−1
 −  2 log L /  2 −  2 log L /   log L /  
 log L /   log L /  − 2 log L /  − 2 log L / 2    log L /  
   
at the restricted estimates of  = .88496 and  = 1. Making the substitutions from above, at these values, we
would have
logL/ = 0
1 n
logL/ = n + i =1 log xi - i = 1 xi log xi = 9.400342
n

x
2
2logL/2 = − nx = -25.54955
1 n
2logL/2 = -n - i =1 xi (log xi ) 2 = -30.79486
x
2logL/ = − i = 1 xi log xi = -8.265.
n

The lower right element in the inverse matrix is .041477. The LM statistic is, therefore, (9.40032)2.041477 =
2.9095. This is also well under the critical value for the chi-squared distribution, so the hypothesis is not rejected
on the basis of any of the three tests.

6. a. The full log likelihood is logL =  log fyx(y,x|,).

b. By factoring the density, we obtain the equivalent logL = [ log fy|x (y|x,,) + log fx (x|)]
c. We can solve the first order conditions in each case. From the marginal distribution for x,
  log fx (x|)/ = 0
provides a solution for . From the joint distribution, factored into the conditional plus the marginal, we have

[ log fy|x (y|x,,)/ + log fx (x|)/ = 0

[ log fy|x (y|x,,)/ = 0

d. The asymptotic variance obtained from the first estimator would be the negative inverse of the expected
second derivative, Asy.Var[a] = {[-E[2 log fx (x|)/2]}-1. Denote this A-1. Now, consider the second
estimator for  and  jointly. The negative of the expected Hessian is shown below. Note that the A from
the marginal distribution appears there, as the marginal distribution appears in the factored joint distribution.

 2 ln L  B B   A 0   A + B B 

−E = + =
B   0 0   B B 
      
B
   
    
The asymptotic covariance matrix for the joint estimator is the inverse of this matrix. To compare this to the
asymptotic variance for the marginal estimator of , we need the upper left element of this matrix. Using the
formula for the partitioned inverse, we find that this upper left element in the inverse is

[(A+B) - (BB-1B)]-1 = [A + (B - BB-1B)]-1

Copyright © 2018 Pearson Education, Inc. 121

which is smaller than A as long as the second term is positive.

e. (Unfortunately, this is an error in the text.) In the preceding expression, B is the cross derivative. Even if
it is zero, the asymptotic variance from the joint estimator is still smaller, being [A + B]-1. This makes
sense. If  appears in the conditional distribution, then there is additional information in the factored joint
likelhood that is not in the marginal distribution, and this produces the smaller asymptotic variance.

7. The log likelihood for the Poisson model is

LogL = -n + logi yi - i log yi!

The expected value of 1/n times this function with respect to the true distribution is

E[(1/n)logL] = - + log E0[ y ] – E0 (1/n)i logyi!

The first expectation is 0. The second expectation can be left implicit since it will not affect the solution
for  - it is a function of the true 0. Maximizing this function with respect to  produces the necessary
condition
E0 (1/n)logL]/ = -1 + 0/ = 0

which has solution  = 0 which was to be shown.

8. The log likelihood for a sample from the normal distribution is

LogL = -(n/2)log2 - (n/2)log2 – 1/(22) i (yi - )2.

E0 [(1/n)logL] = -(1/2)log2 - (1/2)log2 – 1/(22) E0[(1/n) i (yi - )2].

The expectation term equals E0[(yi - )2] = E0[(yi - 0)2] + (0 - )2 = 02 + (0 - )2 . Collecting terms,

E0 [(1/n)logL] = -(1/2)log2 - (1/2)log2 – 1/(22)[ 02 + (0 - )2]

To see where this is maximized, note first that the term (0 - )2 enters negatively as a quadratic, so the
maximizing value of  is obviously 0. Since this term is then zero, we can ignore it, and look for the 2 that
maximizes -(1/2)log2 - (1/2)log2 – 02/(22). The –1/2 is irrelevant as is the leading constant, so we wish
to minimize (after changing sign) log2 + 02/2 with respect to 2. Equating the first derivative to zero
produces 1/2 = 02/(2)2 or 2 = 02, which gives us the result.

9. The log likelihood for the classical normal regression model is

LogL = i -(1/2)[log2 + log2 + (1/2)(yi - xi)2]

If we reparameterize this in terms of  = 1/ and  = /, then after a bit of manipulation,

LogL = i -(1/2)[log2 - log2 + (yi - xi)2]

The first order conditions for maximizing this with respect to  and  are

logL/ = n/ - i yi (yi - xi) = 0

logL/ = i xi (yi - xi) = 0

Solve the second equation for , which produces  =  (XX)-1Xy =  b. Insert this implicit solution into
the first equation to produce n/ = i yi (yi - xib). By taking  outside the summation and multiplying

Copyright © 2018 Pearson Education, Inc. 122

the entire expression by , we obtain n = 2 i yi (yi - xib) or 2 = n/[i yi (yi - xib)]. This is an analytic
solution for  that is only in terms of the data – b is a sample statistic. Inserting the square root of this result
into the solution for  produces the second result we need. By pursuing this a bit further, you canshow that
the solution for 2 is just n/ee from the original least squares regression, and the solution for  is just b times
this solution for . The second derivatives matrix is

2logL/2 = -n/2 - iyi2

2logL/  = -i xixi

2logL/  = i xiyi.

We’ll obtain the expectations conditioned on X. E[yi|xi] is xi from the original model, which equals xi/.
E[yi2|xi] = 1/2 (xi)2 + 1/2. (The cross term has expectation zero.) Summing over observations and
collecting terms, we have, conditioned on X,

E[2logL/2|X] = -2n/2 - (1/2)XX

E[2logL/ |X] = -XX

E[2logL/ |X] = (1/)XX

The negative inverse of the matrix of expected second derivatives is

−1
 X'X −(1/  ) X ' X 
Asy.Var[d, h] =  
2
 −(1/  ) ' X ' X (1/  )[2n + X ' X 

(The off diagonal term does not vanish here as it does in the original parameterization.)

The first derivatives of the log likelihood function are logL/ = -(1/22) i -2(yi - ). Equating this to zero
produces the vector of means for the estimator of . The first derivative with respect to 2 is

logL/2 = -nM/(22) + 1/(24)i (yi - )(yi - ). Each term in the sum is m (yim - m)2. We already
deduced that the estimators of m are the sample means. Inserting these in the solution for 2 and solving the
likelihood equation produces the solution given in the problem. The second derivatives of the log likelihood
are

2logL/ = (1/2) i -I

2logL/2 = (1/24) i -2(yi - )

2logL/22 = nM/(24) - 1/6 i (yi - )(yi - )

The expected value of the first term is (-n/2)I. The second term has expectation zero. Each term in the
summation in the third term has expectation M2, so the summation has expected value nM2. Adding gives
the expectation for the third term of -nM/(24). Assembling these in a block diagonal matrix, then taking the
negative inverse produces the result given earlier.
For the Wald test, the restriction is

H0:  - 0i = 0.

The unrestricted estimator of  is x . The variance of x is given above, so the Wald statistic is simply

Copyright © 2018 Pearson Education, Inc. 123

( x - 0i ) Var[( x - 0i )]-1( x - 0i ). Inserting the covariance matrix given above produces the suggested
statistic.

(Extra problem from 7th edition. Prove the claim made in this example.)

The asymptotic variance of the MLE is, in fact, equal to the Cramer-Rao Lower Bound for the variance of
a consistent, asymptotically normally distributed estimator, so this completes the argument.
In example 4.7, we proposed a regression with a gamma distributed disturbance,

yi =  + xi + i
where,
f(i) = [P/(P)] iP-1 exp(-i), i > 0,  > 0, P > 2.

(The fact that i is nonnegative will shift the constant term, as shown in Example 4.7. The need for the
restriction on P will emerge shortly.) It will be convenient to assume the regressors are measured in
deviations from their means, so ixi = 0. The OLS estimator of  remains unbiased and consistent in this
model, with variance

Var[b|X] = 2(XX)-1

where 2 = Var[i|X] = P/2. [You can show this by using gamma integrals to verify that E[i|X] = P/ and
E[i2|X] = P(P+1)/2. See B-39 and (E-1) in Section E2.3. A useful device for obtaining the variance is (P)
= (P-1)(P-1).] We will now show that in this model, there is a more efficient consistent estimator of . (As
we saw in Example 4.7, the constant term in this regression will be biased because E[i|X] = P/; a estimates
+P/. In what follows, we will focus on the slope estimators.
The log likelihood function is

n
Ln L = i =1
P ln  − ln ( P) + ( P − 1) ln i − i
The likelihood equations are

 lnL/ = i [-(P-1)/i + ] = 0,
 lnL/ = i [-(P-1)/i + ]xi = 0,
 lnL/ = i [P/ - i] = 0,
 lnL/P = i [ln - (P) - i] = 0.

Copyright © 2018 Pearson Education, Inc. 124

The function (P) = dln(P)/dP is defined in Section E2.3.) To show that these expressions have expectation
zero, we use the gamma integral once again to show that E[1/i] = /(P-1). We used the result E[lni] = (P)-
 in Example 13.5. So show that E[lnL/] = 0, we only require E[1/i] = /(P-1) because xi and i are
independent. The second derivatives and their expectations are found as follows: Using the gamma integral
once again, we find E[1/i2] = 2/[(P-1)(P-2)]. And, recall that ixi = 0. Thus, conditioned on X, we have
-E[2lnL/2] = E[i (P-1)(1/i2)] = n2/(P-2),
-E[2lnL/] = E[i (P-1)(1/i2)xi] = 0,
-E[2lnL/] = E[i (-1)] = -n,
-E[2lnL/P] = E[i (1/i)] = n/(P-1),
-E[2lnL/] = E[i (P-1)(1/i2)xixi] = Σi [2/(P-2)]xixi = [2/(P-2)](X′X),
-E[2lnL/] = E[i (-1)xi] = 0,
-E[2lnL/P] = E[i (1/i)xi] = 0,
-E[2lnL/2] = E[i (P/2)] = nP/2,
-E[2lnL/P] = E[i (1/)] = n/,
-E[2lnL/P2] = E[i (P)] = n′(P).

Since the expectations of the cross partials witth respect to  and the other parameters are all zero, it
follows that the asymptotic covariance matrix for the MLE of  is simply

Asy.Var[ ˆMLE ] = {-E[2lnL/]}-1 = [(P-2)/2](X′X)-1.

Recall, the asymptotic covariance matrix of the ordinary least squares estimator is

Asy.Var[b] = [P/2](X′X)-1.

(Note that the MLE is ill defined if P is less than 2.) Thus, the ratio of the variance of the MLE of any
element of  to that of the corresponding element of b is (P-2)/P which is the result claimed in Example 4.7.

Applications
1. a. For both probabilities, the symmetry implies that 1 – F(t) = F(-t). In either model, then,

Prob(y=1) = F(t) and Prob(y=0) = 1 – F(t) = F(-t).

These are combined in Prob(Y=y) = F[(2yi-1)ti] where ti = xi′. Therefore,

ln L = Σi ln F[(2yi-1)xi′]

f [(2 yi − 1)xi ]
lnL/ = 
n
b. (2 yi − 1)xi = 0
i =1
F [(2 yi − 1)xi]
where f[(2yi-1)xi′] is the density function. For the logit model, f = F(1-F). So, for the logit model,
lnL/ =  i =1 {1 − F [(2 yi − 1)xi ]}(2 yi − 1)xi = 0
n

Evaluating this expression for yi = 0, we get simply –F(xi′)xi. When yi = 1, the term is
[1- F(xi′)]xi. It follows that both cases are [yi - F(xi′)]xi, so the likelihood equations for the logit
model are
lnL/ =  i =1 [ yi − (xi )]xi = 0.
n

Copyright © 2018 Pearson Education, Inc. 125

For the probit model, F[(2yi-1)xi′] = [(2yi-1)xi′] and f[(2yi-1)xi′] = [(2yi-1)xi′], which does
not simplify further, save for that the term 2yi inside may be dropped since (t) = (-t). Therefore,

[(2 yi − 1)xi ]
lnL/ = 
n
(2 yi − 1)xi = 0
i =1
[(2 yi − 1)xi ]

c. For the logit model, the result is very simple.

2lnL/′=  −  (xi )[1 −  ()]xi xi .

n
i=1

For the probit model, the result is more complicated. We will use the result that

d(t)/dt = -t(t).

It follows, then, that d[(t)/(t)]/dt = [-(t)/(t)][t + (t)/(t)]. Using this result directly, it follows
that

 [(2 yi − 1)xi ]  [(2 yi − 1)xi ] 

  (2 yi − 1)xi +  (2 yi − 1) xi xi = 0
n
2lnL/′= − 2

 [(2 yi − 1)xi]  [(2 yi − 1)xi ] 

i =1

This actually simplifies somewhat because (2yi-1)2 = 1 for both values of yi and [(2 yi − 1) xi  ] =
( xi  )

d. Denote by H the actual second derivatives matrix derived in the previous part. Then, Newton’s
method is
ˆ ( j )] 
−1   ln L[

ˆ ( j + 1) = ˆ ( j ) − H ˆ ( j )  
ˆ
 ( j ) 


where the terms on the right hand side indicate first and second derivatives evaluated at the
“previous” estimate of .

e. The method of scoring uses the expected Hessian instead of the actual Hessian in the iterations.
The methods are the same for the logit model, since the Hessian does not involve yi. The methods
are different for the probit model, since the expected Hessian does not equal the actual one. For
the logit model

 
−1
(xi)[1 − ()]xi xi
n
-[E(H)]-1 = i =1

For the probit model, we need first to obtain the expected value. Do obtain this, we take the
expected value, with Prob(y=0) = 1 -  and Prob(y=1) = . The expected value of the ith term in
the negative hessian is the expected value of the term,

 [(2 yi − 1)xi]  [(2 yi − 1) xi] 

  (2 yi − 1)xi +  xi xi
 [(2 yi − 1)xi]  [(2 yi − 1) xi ] 

Copyright © 2018 Pearson Education, Inc. 126

This is

 [xi]  [xi]   [xi]  [xi] 

[−xi]   −xi +  xi xi + [xi]   xi +  xi xi
 [−xi]  [−xi]   [xi ]  [xi ] 

 [xi] [xi] 
= [xi]  −xi + + xi +  xi xi
 [−xi] [xi] 

 [xi  ] [xi ] 
= [xi  ]  +  xi xi
 [− xi ] [ xi ] 
2 1 1 
= ( [xi  ])  +  x i x
 [− xi ] [ xi ] 
2  [ xi  ] + [ − xi  ] 
= ( [xi  ])   x i x
 [− xi ][ xi ] 
 ( [xi]) 
2

=  x x
 [1 −  (xi ) ( xi)  i
 

?====================================================
? Application 14.1 Part f.
?====================================================
Namelist ; x = one,age,educ,hsat,female,married $
LOGIT ; Lhs = Doctor ; Rhs = X $
Calc ; L1 = logl $
| Binary Logit Model for Binary Choice |
| Dependent variable DOCTOR |
| Number of observations 27326 |
| Log likelihood function -16405.94 |
| Number of parameters 6 |
| Info. Criterion: AIC = 1.20120 |
| Info. Criterion: BIC = 1.20300 |
| Restricted log likelihood -18019.55 |
+---------------------------------------------+
+--------+--------------+----------------+--------+--------+----------+
|Variable| Coefficient | Standard Error |b/St.Er.|P[|Z|>z]| Mean of X|
+--------+--------------+----------------+--------+--------+----------+
---------+Characteristics in numerator of Prob[Y = 1]
Constant| 1.82207669 .10763712 16.928 .0000
AGE | .01235692 .00124643 9.914 .0000 43.5256898
EDUC | -.00569371 .00578743 -.984 .3252 11.3206310
HSAT | -.29276744 .00686076 -42.673 .0000 6.78542607
FEMALE | .58376753 .02717992 21.478 .0000 .47877479
MARRIED | .03550015 .03173886 1.119 .2634 .75861817

g.
Matr ; bw = b(5:6) ; vw = varb(5:6,5:6) $
Matrix ; list ; WaldStat = bw'<vw>bw $
Calc ; list ; ctb(.95,2) $
LOGIT ; Lhs = Doctor ; Rhs = One,age,educ,hsat $
Calc ; L0 = logl $
Calc ; List ; LRStat = 2*(l1-l0) $
Matrix WALDSTAT has 1 rows and 1 columns.

Copyright © 2018 Pearson Education, Inc. 127

 1
+--------------
1| 461.43784
--> Calc ; list ; ctb(.95,2) $
+------------------------------------+
| Listed Calculator Results |
+------------------------------------+
Result = 5.991465
--> Calc ; L0 = logl $
--> Calc ; List ; LRStat = 2*(l1-l0) $
+------------------------------------+
| Listed Calculator Results |
+------------------------------------+
LRSTAT = 467.336374
Logit ; Lhs = Doctor ; Rhs = X ; Start = b,0,0 ; Maxit = 0 $
+---------------------------------------------+
| Binary Logit Model for Binary Choice |
| Maximum Likelihood Estimates |
| Model estimated: May 17, 2007 at 11:49:42PM.|
| Dependent variable DOCTOR |
| Weighting variable None |
| Number of observations 27326 |
| Iterations completed 1 |
| LM Stat. at start values 466.0288 |
| LM statistic kept as scalar LMSTAT |
| Log likelihood function -16639.61 |
| Number of parameters 6 |
| Info. Criterion: AIC = 1.21830 |
| Finite Sample: AIC = 1.21830 |
| Info. Criterion: BIC = 1.22010 |
| Info. Criterion:HQIC = 1.21888 |
| Restricted log likelihood -18019.55 |
| McFadden Pseudo R-squared .0765802 |
| Chi squared 2759.883 |
| Degrees of freedom 5 |
| Prob[ChiSqd > value] = .0000000 |
| Hosmer-Lemeshow chi-squared = 23.44388 |
| P-value= .00284 with deg.fr. = 8 |
+---------------------------------------------+

h. The restricted log likelihood given with the initial results equals -18019.55. This is the log
likelihood for a model that contains only a constant term. The log likelihood for the model is
-16405.94. Twice the difference is about 3,200, which vastly exceeds the critical chi squared with
5 degrees of freedom. The hypothesis would be rejected.

Application 14.2.
The results for the Poisson model are shown in Table 14.11 with the results for the geometric model.
-----------------------------------------------------------------------------
Poisson Regression
Dependent variable DOCVIS
Log likelihood function -104607.04078
Restricted log likelihood -108662.13583
Chi squared [ 4](P= .000) 8110.19010

Copyright © 2018 Pearson Education, Inc. 128

Significance level .00000
McFadden Pseudo R-squared .0373184
Estimation based on N = 27326, K = 5
Inf.Cr.AIC = 209224.1 AIC/N = 7.657
Chi- squared =255585.13599 RsqP= .0802
G - squared =156175.50075 RsqD= .0494
Overdispersion tests: g=mu(i) : 22.155
Overdispersion tests: g=mu(i)^2: 22.450
--------+--------------------------------------------------------------------
| Standard Prob. 95% Confidence
DOCVIS| Coefficient Error z |z|>Z* Interval
--------+--------------------------------------------------------------------
Constant| 1.04805*** .02718 38.56 .0000 .99478 1.10132
AGE| .01840*** .00033 55.46 .0000 .01775 .01905
EDUC| -.04325*** .00173 -25.01 .0000 -.04663 -.03986
INCOME| -.52070*** .02195 -23.73 .0000 -.56371 -.47768
HHKIDS| -.16094*** .00796 -20.23 .0000 -.17653 -.14534
--------+--------------------------------------------------------------------
Partial derivatives of expected val. with
respect to the vector of characteristics.
Effects are averaged over individuals.
Observations used for means are All Obs.
Sample average conditional mean 3.1835
Scale Factor for Marginal Effects 3.1835
--------+--------------------------------------------------------------------
| Partial Standard Prob. 95% Confidence
DOCVIS| Effect Error z |z|>Z* Interval
--------+--------------------------------------------------------------------
AGE| .05858*** .00107 54.50 .0000 .05648 .06069
EDUC| -.13767*** .00552 -24.93 .0000 -.14850 -.12685
INCOME| -1.65765*** .07009 -23.65 .0000 -1.79503 -1.52027
HHKIDS| -.49998*** .02415 -20.70 .0000 -.54732 -.45264 #
--------+--------------------------------------------------------------------

Application 14.3
? Mixture of normals problem
sample;1-1000$
calc;ran(12345)$
create ; y1=rnn(1,1) ; y2 = rnn(5,1) $
create ; c = rnu(0,1) $
create ; if(c < .3)y=y1 ; (else) y=y2 $
calc ; yb = xbr(y) ; sb = sdv(y) $
calc ; yb1=.9*yb ; sb1 = .9*sb
; yb2=1.1*yb ; sb2=1.1*sb $
maximize
; labels = lambda,mu1,s1,mu2,s2
; start = .5, yb1,sb1,yb2,sb2
; fcn = log(lambda*1/s1*n01((y-mu1)/s1) + (1-lambda)*1/s2*n01((y-mu2)/s2)) $

sample;1-1000$
calc;ran(12345)$
create ; y1=rnn(1,1) ; y2 = rnn(2,1) $
create ; c = rnu(0,1) $
create ; if(c < .3)y=y1 ; (else) y=y2 $
calc ; yb = xbr(y) ; sb = sdv(y) $
calc ; yb1=.9*yb ; sb1 = .9*sb
; yb2=1.1*yb ; sb2=1.1*sb $
maximize
; labels = lambda,mu1,s1,mu2,s2
; start = .5, yb1,sb1,yb2,sb2
; fcn = log(lambda*1/s1*n01((y-mu1)/s1) + (1-lambda)*1/s2*n01((y-mu2)/s2)) $

Copyright © 2018 Pearson Education, Inc. 129

First try uses the same starting values for the two segments. Iterations
Never get started.
|-> calc ; yb = xbr(y) ; sb = sdv(y) $
|-> maximize
; labels = lambda,mu1,s1,mu2,s2
; start = .5, yb,sb,yb,sb
; fcn = log(lambda*1/s1*n01((y-mu1)/s1) + (1-lambda)*1/s2*n01((y-
mu2)/s2)) $
Iterative procedure has converged
NOTE: Convergence in initial iterations is rarely
at a true function optimum. This may not be a
solution (especially if initial iterations stopped).
Exit from iterative procedure. 3 iterations completed.
Convergence values:
Gradient Norm: Tolerance= .1000D-05, current value= .4896D-07
Function Change: Tolerance= .0000D+00, current value= .1958D-08
Parameter Change: Tolerance= .0000D+00, current value= .1691D-07
Smallest abs. param. change from start value = .0000D+00
At least one parameter did not leave start value.
Normal exit: 3 iterations. Status=0, F= .2135387D+04
Error 143: Models - estimated variance matrix of estimates is singular
Error 447: Current estimated covariance matrix for slopes is singular

Second try with better starting values.

|-> calc ; yb1=.9*yb ; sb1 = .9*sb
; yb2=1.1*yb ; sb2=1.1*sb $
|-> maximize
; labels = lambda,mu1,s1,mu2,s2
; start = .5, yb1,sb1,yb2,sb2
; fcn = log(lambda*1/s1*n01((y-mu1)/s1) + (1-lambda)*1/s2*n01((y-
mu2)/s2)) $
Iterative procedure has converged
Normal exit: 19 iterations. Status=0, F= .1942574D+04

-----------------------------------------------------------------------------
User Defined Optimization
Dependent variable Function
Log likelihood function -1942.57381
Estimation based on N = 1000, K = 5
Inf.Cr.AIC = 3895.1 AIC/N = 3.895
--------+--------------------------------------------------------------------
| Standard Prob. 95% Confidence
UserFunc| Coefficient Error z |z|>Z* Interval
--------+--------------------------------------------------------------------
LAMBDA| .30986*** .01608 19.27 .0000 .27835 .34138
MU1| .99937*** .06079 16.44 .0000 .88023 1.11850
S1| .88624*** .05345 16.58 .0000 .78149 .99100
MU2| 4.91473*** .04250 115.65 .0000 4.83144 4.99802
S2| .98467*** .03351 29.38 .0000 .91899 1.05036
--------+--------------------------------------------------------------------
***, **, * ==> Significance at 1%, 5%, 10% level.
Model was estimated on Aug 19, 2017 at 04:45:10 PM
-----------------------------------------------------------------------------

Third try moves segments closer together. Results are a bit less precise.
|-> sample;1-1000$
|-> calc;ran(12345)$
|-> create ; y1=rnn(1,1) ; y2 = rnn(2,1) $
|-> create ; c = rnu(0,1) $
|-> create ; if(c < .3)y=y1 ; (else) y=y2 $
|-> calc ; yb = xbr(y) ; sb = sdv(y) $
|-> calc ; yb1=.9*yb ; sb1 = .9*sb

Copyright © 2018 Pearson Education, Inc. 130

 ; yb2=1.1*yb ; sb2=1.1*sb $
|-> maximize
; labels = lambda,mu1,s1,mu2,s2
; start = .5, yb1,sb1,yb2,sb2
; fcn = log(lambda*1/s1*n01((y-mu1)/s1) + (1-lambda)*1/s2*n01((y-
mu2)/s2)) $
Iterative procedure has converged
Normal exit: 24 iterations. Status=0, F= .1461581D+04

-----------------------------------------------------------------------------
User Defined Optimization
Dependent variable Function
Log likelihood function -1461.58073
Estimation based on N = 1000, K = 5
Inf.Cr.AIC = 2933.2 AIC/N = 2.933
--------+--------------------------------------------------------------------
| Standard Prob. 95% Confidence
UserFunc| Coefficient Error z |z|>Z* Interval
--------+--------------------------------------------------------------------
LAMBDA| .21683 .25504 .85 .3952 -.28304 .71670
MU1| .59512 .43775 1.36 .1740 -.26285 1.45310
S1| .70248*** .17154 4.10 .0000 .36627 1.03870
MU2| 1.92993*** .32142 6.00 .0000 1.29997 2.55990
S2| .93527*** .11326 8.26 .0000 .71329 1.15726
--------+--------------------------------------------------------------------
***, **, * ==> Significance at 1%, 5%, 10% level.
Model was estimated on Aug 19, 2017 at 04:46:37 PM
-----------------------------------------------------------------------------

Copyright © 2018 Pearson Education, Inc. 131

Chapter 15
Simulation Based Estimation and
Inference and Random Parameter
Models
Exercises
1. Exponential: The pdf is f(x) = exp(-x). The CDF is
x  1  1 
F ( x) =   exp(−t )dt =   − exp(−x) −  − exp(−0)   = 1 − exp(−x).
0
    
We would draw observations from the U(0,1) population, say Fi, and equate these to F(xi). Inverting the
function, we find that 1-Fi = exp(-xi), or –(1/)ln(1-Fi) = xi.

2. Weibull. If the survival function is S(x) = pexp[-(x)p], then we may equate random draws from the uniform
distribution, Si to this function (a draw of Si is the same as a draw of Fi = 1-Si). Solving for xi, we find
lnSi = ln(p) – (x)p, so xi = (1/)[ln(p) – lnSi]1/p.

3. The derivative of the simulated sum of squares is

S (, )   x  
= i  − 2  yit − (1 / R) r h( xit  + u vir )   (1 / R) r h( xit  + u vir )  it  
  t
  vir  
 


To estimate the asymptotic covariance matrix, we rely can rely on the results for the nonlinear least squares
estimator. The gradient is of the form it -2eit xit0. The approach taken in Theorem 7.2 would be as follows:

11
( )
2
ˆ 2 = 
nT i
 t
 yit − (1 / R) h xit ˆ + ˆ u vir  . The counterpart to (XX)-1 is
 r 
−1
 
   xit    xit   
 i   (1 / R) r h ( xit  + u vir )    (1 / R) r h ( xit  + u vir )    
   
 vir    vir   
t

 

Copyright © 2018 Pearson Education, Inc. 132

Application
?================================================================
? Application 15.1. Monte Carlo Simulation
?================================================================
? Set seed of RNG for replicability
Calc ; Ran(123579) $
? Sample size is 50. Generate x(i) and z(i) held fixed
Sample ; 1 - 50 $
Create ; xi = rnn(0,1) ; zi = rnn(0,1) $
Namelist ; X = one,xi,zi ; X0 = one,xi $
? Moment Matrices
Matrix ; XXinv = <X'X> ; X0X0inv = <X0'X0> $
Matrix ; Waldi = init(1000,1,0) $
Matrix ; LMi = init(1000,1,0) $

?****************************************************************
? Procedure studies the LM statistic
?****************************************************************
Proc = LM (c) $
? Three kinds of disturbances
Create ?; Eps = Rnt(5) ? Nonnormal distribution
; vi=exp(.2*xi) ; eps = vi*rnn(0,1) ? Heteroscedasticity
?;eps= Rnn(0,1) ? Standard normal distribution
; y = 0 + xi + c*zi +eps $
Matrix ; b0 = X0X0inv*X0'y $
Create ; e0 = y - X0'b0 $
Matrix ; g = X'e0 $
Calc ; lmstat = qfr(g,xxinv)/(e0'e0/n) ; i = i + 1 $
Matrix ; Lmi (i) = lmstat $
EndProc $
Calc ; i = 0 ; gamma = -1 $
Exec ; Proc=LM(gamma) ; n = 1000 $
samp;1-1000$
create;LMv=lmi $
create;reject=lmv>3.84$
Calc ; List ; Type1 = xbr(reject) ; pwr = 1-Type1 $

?****************************************************************
? Procedure studies the Wald statistic
?****************************************************************
Calc ; type = 1 or 2 or 3 … set this before you run the program. $
Proc = Wald(c) $
Create ; if(type=1)Eps = Rnn(0,1) ? Standard normal distribution
; if(type=2)vi=exp(.2*xi) ? eps = vi*rnn(0,1) ? Heteroscedasticity
; if(type=3)eps= Rnt(5) ? Nonnormal distribution
; y = 0 + xi + c*zi +eps $
Matrix ; b0=XXinv*X'y $
Create ; e0=y-X'b0$
Calc ; ss0 = e0'e0/(47)
; v0 = ss0*xxinv(3,3)
; wald0=(b0(3))^2/v0
; i=i+1 $
Matrix ; Waldi(i)=Wald0 $
EndProc $
? Set the values for the simulation
Calc ; i = 0 ; gamma = 0 ; type=1 $
Sample ; 1-50 $
Exec ; Proc=Wald(gamma) ; n = 1000 $
samp;1-1000$
create;Waldv=Waldi $
create;reject=Waldv > 3.84$

Copyright © 2018 Pearson Education, Inc. 133

Calc ; List ; Type1 = xbr(reject) ; pwr = 1-Type1 $

To carry out the simulation, execute the procedure for different values of “gamma” and “type.” Summarize
the results with a table or plot of the rejection probabilities as a function of gamma.

?================================================================
Application 15.2
?================================================================
regress ; lhs = lwage
;rhs=exp,expsq,one,wks,occ,ind,south,smsa,ms,fem,union,ed$
matrix ; be=b(1:2) ; ve = varb(1:2,1:2) $
? Delta method
wald ; fn1 = -c1/(2*c2)
; parameters=be
; covariance=ve
; labels = c1,c2 $

? Bootstrapping $
proc $
regress ; quietly ; lhs = lwage
;rhs=exp,expsq,one,wks,occ,ind,south,smsa,ms,fem,union,ed$
calc ; mx = -b(1)/(2*b(2)) $
endproc $
exec;n=100 ; bootstrap = mx $

-----------------------------------------------------------------------------
Ordinary least squares regression ............
LHS=LWAGE Mean = 6.67635
Standard deviation = .46151
---------- No. of observations = 4165 DegFreedom Mean square
Regression Sum of Squares = 373.138 11 33.92168
Residual Sum of Squares = 513.767 4153 .12371
Total Sum of Squares = 886.905 4164 .21299
---------- Standard error of e = .35172 Root MSE .35122
Fit R-squared = .42072 R-bar squared .41919
Model test F[ 11, 4153] = 274.20378 Prob F > F* .00000
--------+--------------------------------------------------------------------
| Standard Prob. 95% Confidence
LWAGE| Coefficient Error z |z|>Z* Interval
--------+--------------------------------------------------------------------
EXP| .03991*** .00217 18.36 .0000 .03565 .04417
EXPSQ| -.00067*** .4776D-04 -14.10 .0000 -.00077 -.00058
Constant| 5.22697*** .07170 72.90 .0000 5.08644 5.36749
WKS| .00431*** .00109 3.96 .0001 .00217 .00644
OCC| -.14531*** .01474 -9.86 .0000 -.17420 -.11642
IND| .04986*** .01187 4.20 .0000 .02660 .07311
SOUTH| -.06754*** .01251 -5.40 .0000 -.09206 -.04302
SMSA| .14010*** .01205 11.62 .0000 .11647 .16372
MS| .06387*** .02061 3.10 .0019 .02348 .10426
FEM| -.38103*** .02521 -15.12 .0000 -.43043 -.33163
UNION| .08833*** .01287 6.86 .0000 .06310 .11356
ED| .05786*** .00263 22.04 .0000 .05272 .06301
--------+--------------------------------------------------------------------
-----------------------------------------------------------------------------
WALD procedure. Estimates and standard errors for nonlinear functions and
joint test of nonlinear restrictions.
Wald Statistic = 2001.26761
Prob. from Chi-squared[ 1] = .00000
Functions are computed at means of variables
--------+--------------------------------------------------------------------
| Standard Prob. 95% Confidence
WaldFcns| Function Error z |z|>Z* Interval

Copyright © 2018 Pearson Education, Inc. 134

--------+--------------------------------------------------------------------
Fncn(1)| 29.6227*** .66217 44.74 .0000 28.3249 30.9205
--------+--------------------------------------------------------------------
Completed 100 bootstrap iterations.
-----------------------------------------------------------------------------
Results of bootstrap estimation of model.
Model has been reestimated 100 times.
The statistics shown below are centered
around the original estimate based on
the original full sample of observations.
Result is MX = 29.62271
Bootstrap samples have 4165 observations.
Estimate RtMnSqDev Skewness Kurtosis
29.62271 .77585 1.18455 5.29601
Minimum = 28.14656 Maximum = 32.90254
--------+--------------------------------------------------------------------
| Standard Prob. 95% Confidence
BootStrp| Coefficient Error z |z|>Z* Interval
--------+--------------------------------------------------------------------
MX| 29.6227*** .77585 38.18 .0000 28.1021 31.1433
--------+--------------------------------------------------------------------

Copyright © 2018 Pearson Education, Inc. 135

Chapter 16
Bayesian Estimation and Inference
Exercise
a. The likelihood function is

exp(−) yi 1
 i =1 f ( yi | ) =  i =1 = exp(−n) i yi  i =1
n n n
L(y|) = .
( yi + 1) ( yi + 1)

b. The posterior is

p( y1 ,..., yn | ) p()
p( | y1 ,..., yn ) = 
.
 0
p( y1 ,..., yn | ) p()d 

The product of factorials will fall out. This leaves

exp( − n) i yi (1/  )

p ( | y1 ,..., yn ) = 
 0
exp(− n ) i yi (1/  ) d 

exp( − n) (
 i yi ) −1
= 
exp(− n) (
 i yi ) −1
 0
d
exp( − n) ny −1
= 
 0
exp(− n) ny −1d 
n ny exp(− n ) ny −1
= .
 (ny )

where we have used the gamma integral at the last step. The posterior defines a two parameter gamma
distribution, G(n, ny ).

c. The estimator of  is the mean of the posterior. There is no need to do the integration. This falls simply
out of the posterior density, E[|y] = ny /n = y .

d. The posterior variance also drops out simply; it is ny /n2 = y /n.

Copyright © 2018 Pearson Education, Inc. 136

Application
 Ki  Fi Ki − Fi
a. p(Fi|Ki,) =    (1 − ) so the log likelihood function is
 i
F
 Ki 
ln L( | y ) =  i =1 ln   + Fi ln  + ( Ki − Fi )ln(1 − )
n

 F, 
The MLE is obtained by setting lnL(|y)/ = Σi [Fi/ - (Ki-Fi)/(1-)] = 0. Multiply both sides by (1-) to
obtain

Σi [(1-)Fi -  (Ki-Fi)] = 0

A line of algebra reveals that the solution is  = (ΣiFi)/(ΣiKi) = 0.651596.

 n  K i  Fi  ( a + b) a −1
 i =1
K i − Fi
   (1 − )   (1 − )b −1
  i
F   ( a )  ( b )
b. The posterior density is
 n  K i  Fi  (a + b) a −1
 i =1
1

K i − Fi
   (1 − )   (1 − )b −1 d 
0
  i
F   ( a )  ( b )
This simplifies considerably. The combinatorials and gamma functions fall out, leaving

 n  Fi (1 − ) Ki − Fi  a −1 (1 − )b −1
 (1 − )   (1 − )
i Fi i ( Ki − Fi ) a −1 b −1

p ( | y ) =  i =1  =
  i (1 − ) i i  a −1 (1 − )b −1 d 
1 1
  i Fi (1 − )i ( Ki − Fi )  a −1 (1 − )b −1 d 
n F K − F
0  i =1  0

 ( i Fi ) + ( a −1)
(1 − ) 
[ i ( Ki − Fi )]+ ( b −1)

= 1
 0
( i Fi ) + ( a −1) (1 − )i ( Ki − Fi )]+ ( b −1)  d 

The denominator is a beta integral, so the posterior density is

[(i Fi ) + (a − 1)][(i ( Ki − Fi )) + (b − 1)] ( i Fi ) + ( a −1)
p ( | y ) =  (1 − )[ i ( Ki − Fi )]+ ( b −1) 
[(i Fi ) + (a − 1) + (i ( Ki − Fi )) + (b − 1)] 

The denominator simplifies slightly;

[(i Fi ) + (a − 1)][(i ( Ki − Fi )) + (b − 1)] ( i Fi ) + ( a −1)

p ( | y ) =  (1 − )[ i ( Ki − Fi )]+ ( b −1) 
[(i Ki ) + (a − 1) + (b − 1)]
[(a + i Fi ) − 1)][(b + i ( Ki − Fi )) − 1)] ( a +i Fi ) −1
=  (1 − )[b +i ( Ki − Fi )]−1 
[(a + b) + (i K i ) − 1 − 1)]

c-e. The posterior distribution is a beta distribution with parameters a*=(a+Σ iFi) and b*=[b+Σi(Ki-Fi)].
The mean of this beta random variable is a*/(a*+b*) = (a+ΣiFi)/(a+b+ΣiKi). In the data, Σi = 49 and ΣiKi =
75. For the values given, the posterior means are
(a=1,b=1): Result = .647668
(a=2,b=2): Result = .643939
(a=1,b=2): Result = .639386

Copyright © 2018 Pearson Education, Inc. 137

Another random document with
no related content on Scribd:
The Project Gutenberg eBook of Synnin mitta
This ebook is for the use of anyone anywhere in the United States
and most other parts of the world at no cost and with almost no
restrictions whatsoever. You may copy it, give it away or re-use it
under the terms of the Project Gutenberg License included with this
ebook or online at www.gutenberg.org. If you are not located in the
United States, you will have to check the laws of the country where
you are located before using this eBook.

Title: Synnin mitta

Kertomus nykyaikaisesta Lapista

Author: Arvi Järventaus

Release date: February 5, 2024 [eBook #72879]

Language: Finnish

Original publication: Helsinki: Otava, 1917

Credits: Juhani Kärkkäinen and Tapio Riikonen

*** START OF THE PROJECT GUTENBERG EBOOK SYNNIN

MITTA ***
SYNNIN MITTA

Kertomus nykyaikaisesta Lapista

Kirj.

ARVI JÄRVENTAUS

Helsingissä, Kustannusosakeyhtiö Kirja, 1917.

I.

Aslak Rosto seisotti poronsa tunturin laelle ja katseli kauempana

siintävää kirkonkylää, joka parahiksi sopi näkymään tunturin juurelta
leviäväin metsäin takaa. Hänen pienet, mustat silmänsä soikkenivat
vielä pienemmiksi, kun hän tähysti valkeaa kirkkoa, joka
nukkekaapin kokoisena loisti vähäisen taloryhmän keskellä. Aslak
etsi katseellaan kirkon vasemmalta puolelta valkean pisteen, joka
suuruutensa puolesta erosi huomattavasti toisista samanlaisista,
punaisista ja keltaisista, ja hänen ohuthuulinen, tiukkapiirteinen
suunsa vetäytyi hienoon hymyväreeseen. Siellä oli kauppias Vankan
talo, hänen päämääränsä.

Hän silmäsi poroaan, joka maltittomana kaaputteli koparallaan

ohutta lumikerrosta. Eläimellä oli nälkä ja se haistoi jäkälää. Mutta
kellan viheriän jäkäläkukan asemasta paljastui lumen alta
teräväsärmäinen kivi. Eläin nuuskaisi hermostuneesti sen sivuja,
mutta kun se ei mitään löytänyt, puisti se päätään ja jatkoi
kaivamistaan, kunnes kiven juurelta paljastui ohut jäkäläkerros. Sitä
rupesi se ahkerasti nykimään, mutta ei näyttänyt paljoa saavan.

"Älähän huoli, Isokorva", ajatteli Aslak, "Vankan aitassa on jäkälää

yllin kyllin. Jaksetaanhan me loppumatka, kun on kerran tähän asti
päästy."

Hän hyppäsi ahkioon ja suisti poron äkäisellä tempauksella

rinnettä alas. Elukka laukkasi suu auki niin paljon kuin solakoista
koivista lähti, mutta vaikka sen vauhti olikin hurja, niin vielä
hurjemmin hyppelehti ahkio sen kintereillä. Poron laukka kiihtyi
kiihtymistään, lunta syytävien koipien tahti kävi yhä terävämmäksi,
kunnes se yhtäkkiä saavutti huippukohtansa ja meni sekaisin, jolloin
ahkio iski poron kintuille. Silloin hyppäsi ajokas yhtäkkiä syrjään
heittäen ahkion kiivaassa kaaressa sivulle. Mutta samassa kun se
tähän viimeiseen hätävarjeluskeinoon turvautui, oli tunturin rinnekin
lopussa ja syvä lumi vastasi. Poro seisoi kinoksessa mahaa myöten
ja läähätti kieli pitkällä.

Aslak nykäisi sen jälleen oikealle tolalle ja karahutti metsään, joka

vähitellen tiheni, kuta syvemmälle hän ajoi. Metsää jatkui
kilometrimääriä silloin tällöin pienien jänkäpalasien katkaisemana.
Aslak ajoi niiden poikki, karjahdellen läähättävälle ajokkaalleen,
jonka vauhti pyrki arveluttavasti heikkenemään.

Hän olikin ajanut melkein kahdeksisen penikulmaa, yhteen

menoon poikki tunturien, mutta hänellä olikin erityinen syy päästä
perille niin pian kuin mahdollista.

Kaukana Peeravuoman laidassa oli Aslak aamuhämärissä

tavannut poroparttion, kolmekymmentä päätä käsittävän joukkueen,
eikä ollut kulunut kuin rapea, tunti, ennenkuin kymmenen niistä
makasi lihoiksi lyötyinä koreasti lumeen haudattuina taljoineen
päivineen. Se oli käynyt yks — kaks vain, sillä Aslak oli sellaiseen
hommaan perehtynyt. Hän elikin melkein niillä töin eikä se hulluinta
virkaa ollutkaan. Kruunusatanen, väliin pari, kolmekin, tuli kuin käden
käänteessä. Niillä ostettiin tavallisesti vaatimia kymmenen,
parikymmentä, milloin enemmän milloin vähemmän, omaan eloon.
"Aslak Rosto kartuttaa laumaansa rehellisellä tavalla", sanoivat ne,
jotka pitivät hänen puoltansa, ja niitä oli paljon. Mutta oli sellaisiakin,
jotka kuiskivat: "Mistäs rahat tulevat?" "Mitä niitä houkkia!" "Aslak
Rosto on kätevin porovaras, mitä Tenomuotkassa on
viiteenkymmeneen vuoteen ollut. Hän ei ole ainoastaan rohkea ja
häikäilemätön, vaan sitä paitsi viisas. Aina peittää jälkensä visusti
eikä käy ansaan, ei vahingoissakaan."

Metsä harveni äkkiä ja Aslakin eteen aukeni pieni Lainion

kirkonkylä kaikessa viehkeydessään. Maalatut talot loistivat
helakoina huikaisevan valkeassa talvisessa ympäristössä. Norjan
puoleinen ranta kohosi jyrkkänä heti kirkonkylän sivu virtaavan joen
toiselta puolen. Se nousi korkeammas kirkontornin huippuakin,
tehden idästä päin tulijaan sen vaikutuksen, kuin olisi kylä pikku
taloineen ollut aivan korkeassa rantatörmässä kiinni.

Aslak ajoi Vankan pihaan ja päästi porot valjaista. Kylän poikasia

kerääntyi heti hänen ympärilleen ihailemaan koreapeskistä miestä ja
hänen komeata ajokastaan. Aslak tunsi joukosta kauppiaan
punatukkaisen pojan ja kysyi, oliko hänen isänsä kotona.

Kotona oli.

Aslak astui portaille puistellen lunta peskistään. Samassa muisti

hän, että eläimellä oli nälkä.

— Annapa porolle jäkälää, huusi hän kauppiaan pojalle, joka oli

asettunut istumaan ahkioon, toisten valmistautuessa häntä
vetämään.
 Pojat kipaisivat jäkälähuoneelle ja toivat kilvan syötävää elukalle,
joka kuono pitkällä töytäsi jäkälänkantajia vastaan.

Aslak astui sisään.

— Se on Rosto-Aslak, sanoi kauppiaan poika katsellen tietävän

näköisenä tovereitaan.

Toiset nyykäyttivät päätään. He kyllä tiesivät sen.

— Se on rikas! kehui kauppiaan poika.

Senkin toiset tiesivät.

— Se on meidän papan väärti [lappalaisperäinen sana = ystävä],

sanoi kauppiaan poika yhä itsetietoisempana.

— Äläs väärti, Rosto-Aslak! virkahti yksi joukosta halveksivasti.

— Rosvo-Aslak! ilkkui toinen.

— Mitäs puhut? sanoi kauppiaan poika uhkaavana. — Sillä on

enemmän poroja kuin yhdelläkään muulla lappalaisella.

— Varastaa, huomautti taas joku joukosta.

— Mitäs puhut? huudahti kauppiaan poika ja sieppasi käteensä

kartun valmiina karkaamaan toisten kimppuun.

— Meidän papan väärtit ovat kaikki rehellisiä ja pappa on kristitty!

— Kristitty, kristitty, pilkkasivat toiset ja vetäytyivät ulommas.

— Valekristitty!
 Se oli papin poika, joka sen sanoi. Hän oli hyvin totinen ja potkaisi
jäkälälimppua kuin sanansa vahvikkeeksi.

Silloin karkasi kauppiaan poika päälle, karttu suorana kädessä.

Toiset kirmasivat pakoon niin nopeaan kuin ennättivät. Huutaen ja
ilkamoiden vetäytyivät he naapurin aidan taa, josta rupesivat
lumipalloilla heittelemään kauppiaan poikaa, joka näki parhaaksi
luopua taistelutantereesta ja vetäytyi ähmissään sisään.

Kauppias Vankka luki parhaillaan raamattua, kun Aslak astui

hänen konttooriinsa. Ääni kuulosti hartaalta ja veisaava nuotti laski ja
nousi tasaisessa tahdissa. Lihavalla nenällä olivat silmälasit ja pää
oli takakenossa, vähän kallellaan.

— Ja minä kuu-kuulin ikään-ikäänkuin suuren joukon äänen ja

ikäänkuin paljojen ve-vesien kohinan ja ikäänkuin ko-kovan ukko-
ukkosen jyrinän sanovan: "Halleluja! Sillä Herra, meidän Jumalamme
kaikki—kaikkivaltias…"

— Päivää! pisti Aslak lukemisen väliin ja astui ujostelematta

kauppiaan pöydän luo. Joku toinen olisi vaieten odottanut luvun
loppua, mutta Aslak tunsi kauppiaan ja tiesi, ettei keskeytys ollut niin
vaarallista.

Kauppias pani kirjan hitaasti syrjään, voidakseen helpommin

siirtyä jokapäiväisempiin asioihin. Hän kohautti silmälasit otsalle ja
käänsi pulleat, parrattomat kasvonsa Aslakkiin. Sitten pyyhkäisi hän
kädellä silmiään, kuin poistaakseen viimeisenkin juhlallisuuden
ilmeen ja virkkoi haukotellen:

— Päivää… mitä, Rostoko se on? Terve, terve! Käyhän istumaan.

 Aslak totteli kehoitusta. Hän katseli kauppiasta merkitsevä hymy
suupielessä ja odotti, että tämä ottaisi liikeasiat puheeksi. Mutta
kauppias ei ollut ymmärtävinäänkään hänen käyntinsä tarkoitusta.
Rupesihan vain juttelemaan kuin tavallisen vieraan kanssa.

— Se on syvä ja salainen kirja tuo Ilmestyskirja, sanoi hän,

venyttäen jokaista sanaa.

— Niin sanoo Tenomuotkan uusi pappikin, että sitä harvat

ymmärtävät, vastasi Aslak ja rykäisi kuivasti.

— Niin, teillähän on uusi pappi. Minkälainen on miehekseen?

— Hyvä mies, todella hyvä mies. Ja kristitty, todella kristitty.

Kauppias heitti Aslakkiin syrjäsilmäyksen ja näytti käyvän vähän

hämilleen. Aikoiko lappalainen ruveta häntä pilkkaamaan?

— Mistäpäin sinä nyt ajelet? kysyi hän muuttaen puheenainetta.

— Peeratunturin laidasta…

Kauppias katsahti häneen ja katse ilmaisi selvään, että hän käsitti

toisen asian täydelleen.

— Vai niin… no paljonko sinulla on tällä kertaa?

— Kymmenen poron lihat, ihan verekset…

— Jaa, jaha… Mutta eihän siitä ole pitkää aikaa kun ostin sinulta
satakunta.

— No eläähän sitä täytyy minunkin, sanoi Aslak leveästi hymyillen.

 — Sinä olet rohkea poika. Katso vain, ettei sinulle taota vielä
nilkkarautoja, hah, hah!

Silloin ne taotaan teillekin, nauroi Aslak ja hänen valkeat

hampaansa loistivat. — Yhdessä me seisomme ja yhdessä
kaadumme. Vai mitä, Vankka?

— En minä aio sinun kanssasi kaatua.

Kauppias avasi kassakaappinsa ja kaupat sovittiin. Aslak sai

puolitoistasataa kruunua. Hän tahtoi kahtasataa, mutta kun kauppias
väitti tämän kaupan kuuluvan epävarmoihin liikeyrityksiin, ei hän
suostunut niin paljoa maksamaan. Ja kun vielä otettiin huomioon,
että Aslak oli saanut lihat niin "halvalla", piti
sadassaviidessäkymmenessä olla riittävästi.

Vankka lupasi panna raidot ensi yönä liikkeelle ja Aslak nousi

lähteäkseen, saatuaan tavalliset kaupantekiäisryypyt.

— Muusta ei ole pelkoa, jos eivät vain Kummajärven miehet osu

purnuille. Silloin menivät lihat paremmille markkinoille, huomautti
Aslak ovessa. — Tenomuotkan nimismiehellä on kyllä hyvä vainu,
mutta hän on rajoilla parastaikaa.

— Kummajärven Salkko on Könkään markkinoilla, tiesi Vankka.

— No sitten ei muuta kuin ann' mennä vain! sanoi Aslak ja teki

merkitsevän liikkeen kädellään.

Hän sanoi hyvästit ja astui ulos. Kauppiaan poika seisoi hänen

poronsa vieressä ja hakkasi rikki jäätynyttä jäkälälimppua. Toiset
pojat olivat jo kaikonneet pois eikä pihalla näkynyt ketään.
 Aslak ryhtyi valjastamaan poroaan ja kauppiaan poika katseli
ihaillen hänen komeita ajovehkeitään. Varsinkin ajovyö miellytti
häntä suuresti, sillä siihen oli neulottu pieniä messinkikulkusia, jotka
kilisivät pienimmästäkin liikahduksesta.

— Sanoivat sinua "Rosvo-Aslakiksi", mutta minä ajoin pakoon joka

sorkan, lausui poika miehekkäänä.

Aslak katseli hämmästyneenä poikaa ja murahti:

— Vai niin. Kuka se semmoista sanoi?

— Toiset pojat, papinpoika etunenässä, mutta minä puolustin

sinua.
Sanoin, että sinä olet meidän papan väärti, etkö olekin?

— Olenpa tietenkin. Vai sanoi papin poika niin.

— Sanoi, mutta mitäpä hänestä. On kuullut isältään, jolla ei ole

enemmän pyhää henkeä kuin nautasonnilla. Mutta meidän pappa
onkin kristitty, eikö olekin?

— Onpa tietenkin, sanoi Aslak ja kääräsi ajohihnan käsivartensa

ympärille.

— Ja sinä olet myöskin kristitty, etkö olekin?

— Tietysti.

Aslak hyppäsi ahkioon ja sivalsi menemään ulos maantielle.

Kauppiaan poika katseli hänen jälkeensä ja hänen mielensä täytti

ylpeys. Noin ne papan väärtit ajoivat, noin komeasti. Ja noin uljaat
härät niillä oli ja noin siistit ahkiot. Ja noin pulskia miehiä ne olivat,
niinkuin Aslak Rostokin, ja noin hyviä kristittyjä, aivan kuin pappa…
Ja kun Aslak hävisi tienkäänteessä, rupesi kauppiaan poika
kepillään pieksämään jäkälälimppuja. Ne olivat toisia poikia, joiden
isät olivat suruttomia tahi kirkkokristityitä. — Mutta yhtä helposti kuin
limput murenivat kepin iskuista, yhtä helposti mureni heidän
kristillisyytensäkin. "Se ei kestä, ei kestä elämän koettelemuksissa",
niin oli pappa sanonut. — Ja tuo muhkurainen limppu? — Se oli
papin poika! — Hän iski sitä kepillä niin paljon kuin jaksoi, mutta
limppu ei murennutkaan, sillä se oli jäätynyt. Hän löi lujemmin, mutta
silloin katkesi keppi keskeltä poikki. Suutuksissaan viskasi
kauppiaan poika käteen jääneen kappaleen pihan poikki navetan
seinään, niin että kolahti.
II.

Aslak Rosto istui Tenomuotkan papin virkahuoneessa ja joi kahvia.

Papin kirjoituspöydän nurkalla oli viidenkymmenenkruunun seteli.
Sen oli Aslak siihen laskenut aivan äsken, juuri vähää ennen kuin
palvelustyttö oli tarjonnut hänelle kahvia. Seteli oli aivan uusi ja
juodessaan silmäsi Aslak siihen vähän väliä. Pappi, pitkä, nuori
mies, jolla oli vaalea tukka ja heleänsiniset silmät, selaili kirkonkirjaa
toisen pöydän ääressä. Hän tahtoi nimittäin saada selville, mikä mies
tämä Aslak Rosto oli. Ja siinä suhteessa hänellä oli erityinen
luottamus juuri kirkonkirjaan. Hän oli ollut Tenomuotkassa vasta
muutaman kuukauden eikä ollut Rostoa ennen tavannut, vaikka oli
kyllä jo yhtä ja toista hänestä kuullut. Hän oli ollut aikaisemmin
pappina suuressa kaupunkiseurakunnassa ja siellä hän oli tehnyt
sen havainnon, että kirkonkirja oli oudokselta paras lähde
ihmistuntemukseen. Usein oli hän pannut merkille, että jokaisella,
jolla vain oli jotakin merkkiä muistutussarekkeessa, oli jonkun verran
rikollisen leimaa kasvoillaan. Tosin oli poikkeuksiakin — parhaasta
päästä niiden joukossa, joita oli sakotettu juopumuksesta taikka
katurähinästä, mutta muiden laita oli niin ja näin. — Hän selaili kirjaa
ja löysi paikan. Ei mitään merkkiä, ei yhtään mitään. Aivan puhdas
muistutussareke. Ja ripilläkäyntisarekkeessa viimevuotinen
ehtoollisellakäynti.
 Hän kääntyi vieraaseensa ja tarkasti häntä. Niin, se sopi hyvin
yhteen kirkonkirjan kanssa: puhdas, pilvetön otsa ja avonainen, rehti
katse, joka ilmaisi yksinkertaista, viatonta luonnonlasta. Miellyttävän
näköinen mies kerrassaan.

Pastori pisti piippuunsa ja istahti tuolilleen pöytänsä ääreen.

Samassa hän huomasi viisikymmenkruunusen.

Aslak laski kupin pöydälle ja sanoi suurkiitosta. Sitten hän otti

rahan ja työnsi sen papin eteen.

— Tuossa olisi vähän kirkonkassalle… sellainen pieni uhri, sanoi

hän, katsoen pastoria hymyillen.

— Mitä, kirkonkassalle? Mitä varten?

— No hyvästä porovuodesta. Se on sellainen tapa meillä täällä

Lapissa, että kun porovuosi tulee hyvä, annamme pienen uhrin. Se
olisi… niinkuin jonkunlainen kiitosuhri… Jumalalle.

Pastori oli aivan ihmeissään. Sellainen rehti mies!

Hän nousi ja kiitti oikein kädestä.

— No ei kannata. Pappi on vain hyvä ja antaa kirkonisännälle.

— Tietysti, tietysti. Suuret kiitokset vain.

Keskustelu kääntyi poroasioihin ja pastori sai kuulla paljon uutta.

Suuri oli elo Aslakilla, vähän toistatuhatta päätä, niistä kolmisensataa
vaadinta [naarasporo]. Se teki yhtä monta vasikkaa vuotta kohden.
Ja kun kevät sattui suotuisa, säilyivät ne elossa ja lauma lisääntyi
uhkeasti. Mutta kylmänä keväänä kuolivat, niin ettei välistä jäänyt
kuin joku kymmen. Papin piti tulla keväällä katsomaan, kantoaikana,
siinä toukokuun puolivälissä. Silloin oli iloa lapinkylässä… Sopisi
tulla talvellakin, milloin vain halutti. Pitäisi koettaa nukkua yksi yö
lappalaisenkin kodassa. Se oli vähän toisenlaista kuin näin neljän
seinän sisässä, hirsihuoneessa. Olisi siellä näkemistä
lannanihmiselle, olisi näkemistä ja katsomista. Ja suuhun
pantavaakin: käristettyä poronlihaa ja arinakivellä paistettua kakkoa,
— ja sitten kahvia poronmaidon kera… Pitäisi vain tulla katsomaan.

Pastori kuunteli ihastuneena ja lupasi tulla. Aslak jätti hyvästit ja

pistäysi mennessään kyökkiin, jossa jätti papinrouvalle poronpaistin.

Hän ajoi kylän toiseen päähän, missä hänellä oli oma

paaluaittansa. Se oli aivan uusi ja suurempi sekä korkeampi kuin
toisten lappalaisten aitat. Kylän kesken kutsuttiin sitä tavallisesti
"kuninkaan aitaksi", mutta pilkkakirveet olivat sen ristineet
"lihakirkoksi". Usein sattui nimittäin niin, että samaan aikaan kuin
pappi meni kirkkoon, seisoi Aslak aitassaan ja jakeli poronlihaa kylän
alapääläisille. Siitä tuo nimi. Hän tahtoi nimittäin olla hyvissä väleissä
alapääläisten kanssa, joita yleisesti kutsuttiinkin "Roston
valtakunnan alamaisiksi".

Nytkin sinne tulla kyökkäsi kylän vaimoja, heti kun Aslak oli
avannut oven.

— Ohoo, jopa kuningas on avannut aittansa oven, sanoi pitkä,

luiseva eukko, joka ujostelematta tunkeusi säkkien ja paalujen väliin
tarkastelemaan ja koperoimaan. — Missä sinulla on kahvisäkki?
Saisit antaa minulle muutaman kilon koiranruokosta. Paljon niistä
penikoista oli vaivaa. Söivät heti uudelta papilta kanan ja minä olen
saanut sen maksaa, päivitteli hän.
 — Vielä sinä vaivoistasi! porusi toinen, tukeva emäntä. — Minulle
ei Aslak ole maksanut kesäleipien leivontaa. Työtä ja vaivaa on
siitäkin, — varsinkin kun jokainen puu on kruununmetsästä
varastettava. Minä tahdon tuon sokeritopan. Se ei ole ollenkaan
liikaa.

Kolmas tahtoi jauhoja ja neljäs tupakkaa. Aslak antoi kullekin

osansa ja tyytyväisinä laputtivat eukot matkaansa.

Hän otti pienoiseen pussiin kahvia ja lähti kylälle. Siellä hän

suuntasi kulkunsa muutamaan ränsistyneen näköiseen taloon, jonka
ikkunaruudut olivat pienistä lasipalasista kootut. Eräässä oli vanha,
repaleinen säkki pistetty suurimpaan reikään ja pienemmät olivat
paikatut päreillä.

Se oli Rauna-muorin talo.

Aslak astui pirttiin, joka oli mustunut ja matala. Lattialla oli

heinänroskaa ja seinänvierillä makauksina käytettyjä olkipehkuja
sikin sokin. Risaisia lapsia leikki lattialla pörröisen koiran kanssa.
Takan luona hääräsi vanha, jo kumaraan painunut vaimo
keittopuuhissa ja puolikasvuinen, laiha poikanen istua kyyhötti
penkillä, takan kupeella.

Aslak astui lieden luo ja tervehti. Vaimo käänsi hikiset kasvonsa

häneen ja pienet silmät tuikkivat terävästi, kun hän tunsi tulijan.

— Vai niin. Rosto-Aslak on tullut Tenomuotkaan. Millä

synninretkillä sinä nyt liikut?

— Synninretkillä… Aina se Rauna-muori sitä yhtä ja samaa. En

minä ole syntisempi kuin muutkaan, puolusteli Aslak vähän
hämillään.

— Vai et ole? Näytäpä käsiäsi. Mitä, tuossahan on verta! Kenen

poroja sinä olet nyt viimeksi nylkenyt?

Eukko tutki Aslakkia vahingoniloisin kasvoin ja piteli hänen

kättänsä omassaan.

Tämä työnsi kahvipussin eukolle kouraan ja virkkoi leikkisästi:

— Tuoss' on kahvia, Rauna-muori! Keitä sitä, että pääset järkiisi.

— Vai lahjoa aiot minut taas! No, koeta, koeta, mutta Rauna-
muorin kieltä et lahjo. Se puhuu totuutta eikä peittele syntiä. — Sinun
pitää tehdä parannus, Aslak, ennenkuin synnin mitta täyttyy.

Synnin mitta! Siitä se Rauna-muori aina puhui. Yhdestä ja

samasta asiasta…

Aslak istahti penkille ja kaivoi esiin piippunsa.

— Parannus? sanoi hän työntäen tupakkaa piippuun. — Mitenkä

se tehtäisiin?

— Oletpa koko pakana, kun et sitä tiedä! Tunnusta syntisi,

tunnusta ja tule seurakuntaan. Täällä on Outa-Jussa parast’aikaa.
Mene hänen luoksensa seuroissa ja tunnusta… joka poro… joka
nahka.

— Vai seurakuntaan? Enköpä kuulu seurakuntaan? Luulen, että

pappi löysi minun nimeni kirkonkirjasta yhtä hyvin kuin jonkun
toisenkin.
 Aslak puhalsi paksun savupilven ja katseli eukkoa veitikka
silmäkulmassa.

— Vai niin. Kuulenpa, että olet käynyt papin luona. — Onko pappi
kristitty? Mitä luulet, Aslak?

— Mikä ettei olisi? Tietysti on.

— Äläs, äläs, vai sinnepäin. Eipä olekaan, ei ei! — Vai kristitty!

Kyllä on jo kuultu, vaikka ei ole pitkää aikaa ollut. Sen tietää
Nikkekin, kristittyin vanhempain lapsi. Vai mitä, Nikke?

Poika muikisti suutaan ja katsoi hämillään vuoroin muoria, vuoroin

Aslakkia.

Nikke oli ollut äsken ulkona ja poltellut salaa tupakkaa toisten

kylän poikain kanssa. Savukkeenpätkästä oli tullut riita ja Mäen Eero
oli sen anastanut. Silloin oli Nikke turvautunut viimeiseen
aseeseensa: hän oli kristittyin vanhempain lapsia, mutta mitä olivat
toiset? Poronvarkaiden ja suruttomien! Silloin oli Mäen Eero
vedonnut pappiin: hän ainakin oli kristitty. Sekös oli harmittanut
Nikkeä, joka oli vesissä suin saanut katsella, kuinka toinen veteli
viimeiset savut tupakan jäännöksestä. "Kristitty! No ei olekaan, ei,
vaikka henki menisi!" Sen oli isoäiti, Rauna-muori sanonut, että ei!
Ja toisten poikain oli täytynyt myöntää, että asia kävi vähän
mutkikkaaksi, kun Rauna-muori oli siihen sekaantunut, — tuo
teräväsilmäinen Rauna-muori, joka luki Laestadiusta joka pyhä ja tuli
aina liikutuksiin seuroissa. Nikke oli tuntenut voiton kallistuvan
puolelleen ja rientänyt oikopäätä kotiin kertomaan tapahtumasta
Rauna-muorille, salaten tietysti tupakanpolton. Mutta nyt hänen oli
kovin vaikea vastata muorin kysymykseen, koska sen yhteydessä