Professional Documents
Culture Documents
* Quisiera agradecer a Andrs Sagner por proveerme su presentacin de la UCH, la cual he utilizado para completar parte de esta clase. 1
Introduccin Marco de anlisis Estimador MCO cuando Sesgo de especicacin Omisin de variables relevantes
= [X1
X2 ]
Impacto sobre el Insesgamiento Impacto sobre la Varianza Impacto sobre el Insesgamiento Impacto sobre la Varianza
Resumen Apndice Proyecciones: Matriz M y matriz H Teorema de Frish-Waugh-Lovell Sesgos y varianzas con 2 matrices de regresores
Literatura:
Gujarati, captulos 7 y 8. Nota: Otros libros economtricos pueden
diferir en la
Introduccin
Introduccin
Introduccin
La violacin del supuesto de especicacin correcta contempla que no se omitan variables relevantes ni que se incluyan variables irrelevantes. Si bien el supuesto tambin requiere de una relacin lineal de los vectores de la matriz
Introduccin
Mediante un experimento, la clase anterior se obtuvo que para un modelo polinomial de orden PGD: n
de regr.
2 ) p-value(
bajo bajo alto
k < k k = k k > k
Es este un resultado general? Es decir, podemos derivar dichas conclusiones formalmente? Este es el propsito de esta clase.
Introduccin
Marco de anlisis
Marco de anlisis: El modelo real (o proceso generador de datos) est dado por
y = X1 1 + X2 2 + u
Es decir,
(1)
y1 y2 yn y
. . .
1 1 . . . 1
x1,k1 ,1 x1,k1 ,2
X1
x2,k2 ,1 x2,k2 ,2
X2
Introduccin
Marco de anlisis
x1,1
x2,1 kJ
donde
J = 1, 2, o
xJ ,1 , ..., xJ ,kJ
vectores de la matriz
y X X1 X2
= =
X1 X2 X + u
1 +u 2 1 2
donde
es un vector de matrices y
es un
vector de vectores.
Introduccin
Marco de anlisis
1 = 0, 2 = 0.
2. Solo los regresores contenidos en
1 = 0, 2 = 0.
Note que en el segundo caso
y = X + u = X1 1 + u .
Introduccin
Marco de anlisis
Cuadro : Marco de anlisis e interrogantes
y = X1 1 + u
Especicacin correcta
1 ] =? E [ 1 ] =? Var [
y = X1 1 + X2 2 + u
Especicacin incorrecta
1 ] =? E [ 1 ] =? Var [
1 y = X1
1 + X2 2 y = X1
Especicacin incorrecta
1 ] =? E [ 1 ] =? Var [
Especicacin correcta
1 ] =? E [ 1 ] =? Var [
Introduccin
Estimador MCO cuando
X = [ X1 X2 ]
2 SE
= 2X =
=0 y + 2X X
X X
Xy (X X )1 X y
1 2 1 2 = =
X1 X X X2 1 2 X1 X1 X1 X2 X2 X1 X2 X2
X1 X2 y X1 y X2 y
(2)
10
Introduccin
Estimador MCO cuando
X = [ X1 X2 ]
2 = 0
2 = 0
representacin alternativa de
1 = (X1 M2 X1 )1 X1 M2 Y
donde
(3)
M2 = I X2 (X2 X2 )1 X2 .
1 ] = 2 (X1 M2 X1 )1 Var [
Utilizando el teorema de Frish-Waugh-Lovell (ver. p. 32), en el apndice (p. 35) mostramos cmo la varianza de (3) est dada por
(4)
11
Sesgo de especicacin
Sesgo de especicacin
Sesgo de especicacin
Omisin de variables relevantes
y = X1 1 + X2 2 + u
Suponga adems que el investigador se equivoca y estima el siguiente modelo:
1 + u = X1 y
12
Sesgo de especicacin
Omisin de variables relevantes
1 = (X1 X1 )1 X1 y
Esto implica que, por lo general, la omisin de variables relevantes del modelo poblacional causar que los parmetros estimados sean
sesgados.
Sesgo de especicacin
Omisin de variables relevantes
La y
simplica si pensamos en
1 y 2 como escalares. En este caso, si x1 x2 son los vectores con los regresores asociados a 1 y 2 , tenemos: 1 ] E [ = 1 + (x1 x1 )1 x1 x2 2 Cov [x1 , x2 ] 2 = 1 + Var [x1 ]
2.
covarianza entre las variables incluidas respecto de las excluidas. El signo del parmetro omitido.
14
Sesgo de especicacin
Omisin de variables relevantes
1 al omitir x2 Sesgo de
Cor(x1 , 2 )
>0
Cor(x1 , 2 )
<0
2 > 0 2 < 0
Si omitimos la variable y el signo de
2 .
15
Sesgo de especicacin
Omisin de variables relevantes
Estimaciones de MCO: Mortalidad infantil, ingreso y fertilidad Variable dependiente: MortInf (1) const (2) 263.2
478.3
(42.60)
ln(Ingreso)
(50.01)
51.36
(6.415)
38.18
(5.620)
23.20
Fertilidad
(3.929)
64
64
Desviaciones tpicas entre parntesis * indica signicativo al nivel del 10 por ciento ** indica signicativo al nivel del 5 por ciento
16
Sesgo de especicacin
Omisin de variables relevantes
Coecientes de correlacin para MortInf, Fertilidad y ln(Ingreso): MortInf 1,0000 Fertilidad 0,6711 1,0000 ln(Ingreso)
Cmo obtener esta matriz en Gretl?: seleccione las variables de inters, pinche con el botn derecho y seleccione
correlacin.
Matriz de
17
Sesgo de especicacin
Omisin de variables relevantes
18
Sesgo de especicacin
Omisin de variables relevantes
19
Sesgo de especicacin
Omisin de variables relevantes
20
Sesgo de especicacin
Omisin de variables relevantes
21
Sesgo de especicacin
Omisin de variables relevantes
es el
1 ,
1 |X1 ] Var [
1 Var [ | X1 , X2 ]
= 2 X1 X2 (X2 X2 )1 X2 X1
Sesgo de especicacin
Omisin de variables relevantes
positiva.
semidenida
Lo anterior signica que al omitir variables relevantes, los parmetros estimados son
errores es menor).
Sesgo de especicacin
Inclusin de variables irrelevantes
y = X1 1 + u
Supongamos que el investigador se equivoca y estima el siguiente modelo:
1 + X2 2 + u = X1 y
24
Sesgo de especicacin
Inclusin de variables irrelevantes
1 = (X1 M2 X1 )1 X1 M2 Y
= 1 + (X1 M2 X1 )1 X1 M2 u
y = X1 1 + u (es decir 2 = 0) y M2 se
1 ] = 1 E [
E [ 2]
= 2
u u N k1 k2
25
Sesgo de especicacin
Inclusin de variables irrelevantes
Notamos que la inclusin de variables irrelevantes no afecta el insesgamiento de los parmetros estimados ni de la varianza de los errores estimados.
Bajo dichos resultados, pareciera ser ptimo incluir muchos regresores en nuestro modelo. Sin embargo, nos falta estudiar que ocurre con la varianza de los parmetros estimados.
26
Sesgo de especicacin
Inclusin de variables irrelevantes
Recordemos que:
1 = 1 + (X1 M2 X1 )1 X1 M2 u
con lo cual, la varianza se encuentra dada por:
27
Sesgo de especicacin
Inclusin de variables irrelevantes
es menor
Esto signica que al incluir regresores adicionales, la varianza de nuestros parmetros estimados aumenta, lo que se traduce en una
menor eciencia.
28
Sesgo de especicacin
Resumen
Cuadro : Sesgo y varianza ante ausencia o redundancia de variables
y = X1 1 + u
Especicacin correcta, no hay problemas
y = X1 1 + X2 2 + u
Coecientes sesgados y errores estndar invlidos (muy bajos)
1 y = X1
1 + X2 2 y = X1
Apndice
Apndice
Apndice
Proyecciones: Matriz M y matriz H
Los residuos de
y X y X (X X )1 X y (I X (X X )1 X )y (I HX )y = MX y
y
(5)
Las matrices
HX
= X (X
X )1 X
MX
= I X (X
X )1 X
son
30
Apndice
Proyecciones: Matriz M y matriz H
Cuadro : Propiedades de
= = Idempotencia Simetra
y X u
I M X (X X )1 X Hm = H H =H Hy = y HX = X =0 Hu
HX
HX MX
y
I H I X (X X )1 X Mm = M M =M My = u MX = 0 =u Mu
MX
31
Apndice
Teorema de Frish-Waugh-Lovell
1 = (X1 M2 X1 )1 X1 M2 y
con
M2 = I X2 (X2 X2 )1 X2 .
1 = (X1
X1 )1 X1 y
1
se puede
(6)
con
X1 = M2 X1
y = M2 y M 2y y
= =
1 + M2 u M 2 X1 1 + u X1
(7) (8)
Apndice
Sesgos y varianzas con 2 matrices de regresores
Ecuacin
(3)
1 cuando = 1 2 :
En (3) se propone
1 = (X1 M2 X1 )1 X1 M2 y
con
M2 = I X2 (X2 X2 )1 X2 .
1 + X2 X2 2 X2 X1 = X2 y 1 ) 2 = (X2 X2 )1 X2 (y X1
(9)
33
Apndice
Sesgos y varianzas con 2 matrices de regresores
= = = = =
1 =
As llegamos al resultado (3)
X1 y X1 y X1 y X1 X2 (X2 X2 )1 X2 y X1 I X2 (X2 X2 )1 X2 y X1 M2 y X1 M2 X1 1 X1 M2 y
1 =
X1 M2 X1
X1 M2 y
34
Apndice
Sesgos y varianzas con 2 matrices de regresores
Ecuacin
(4)
1 ] cuando = 1 2 : Var [
expresada en (3) debe ser igual a la varianza de
1 ] Var [
= 2 (X1
= =
Como
X1 )1 1 2 (X1 X ) 2 (X1 M2 M2 X1 )1
resultado (4):
35
Apndice
Sesgos y varianzas con 2 matrices de regresores
1 cuando 2 = 0 Varianza de
El resultado anterior implica que si ende
2 = 0,
entonces
1 ] = 1 . Por E [
1 ] Var [
= = =
1 E [ 1 ]
1 E [ 1 ]
(11)
= A).
Apndice
Sesgos y varianzas con 2 matrices de regresores
uu
E [uu ] = 2 I ,
1 ] Var [
37