Professional Documents
Culture Documents
Econometra II 09/10
Estimacin por mxima verosimilitud y conceptos de
teora asinttica
EJERCICIO:
Estimador MV en el modelo de regresin lineal bajo el supuesto de normalidad.
f ( yi | xi , , )
1
2 2
( yi xi ' ) 2
2 2
Y
+ 2
1
=
Y
1 + 2Xi
1
X
EJERCICIO:
Estimador MV en el modelo de regresin lineal bajo el supuesto de normalidad.
EJERCICIO:
Estimador MV en el modelo de regresin lineal bajo el supuesto de normalidad.
4. Estimadores
En este caso,
pero
EJERCICIO:
e x
p( x )
x!
Donde es un parmetro desconocido y x! = x ( x-1) (x-2)..
En una muestra de 3 observaciones, los valores de la variable aleatoria
son 2, 5 y 2:
a) Escribe la funcin de verosimilitud de la muestra
b) Deriva el estimador MV de
2. PROPIEDADES ASINTTICAS
2. PROPIEDADES ASINTTICAS
1. CONSISTENCIA
2. PROPIEDADES ASINTTICAS
1. CONSISTENCIA
1 PROCEDIMIENTO PARA DEMOSTRAR CONSISTENCIA
Se trata de demostrar la
Convergencia en Media
Cuadrtica.
2. PROPIEDADES ASINTTICAS
1. CONSISTENCIA
2 PROCEDIMIENTO PARA DEMOSTRAR CONSISTENCIA
2. PROPIEDADES ASINTTICAS
1. CONSISTENCIA
EJERCICIO:
Consistencia del estimador OLS /MV en el modelo de regresin lineal
1 PROCEDIMIENTO
2 PROCEDIMIENTO
2. PROPIEDADES ASINTTICAS
2. DISTRIBUCIN ASINTTICA
Cuando desconocemos la distribucin exacta de un estimador, podemos
preguntarnos si en grandes muestras el estimador sigue alguna
distribucin conocida. Esto nos permitir realizar inferencia estadstica
(contrastes de hiptesis) cuyos resultados sern vlidos en muestras
grandes.
2. PROPIEDADES ASINTTICAS
2. DISTRIBUCIN ASINTTICA
Ejemplo:
El estadstico t tiene una distribucin t de Student con n-k grados de
libertad. Pero conforme n se comporta como una distribucin Normal
estndar. Esta es, por tanto, su distribucin asinttica
Estadstico t ~ t-Student
a
Estadstico t ~ N(0,1)
o bien
Estadstico t N(0,1)
2. PROPIEDADES ASINTTICAS
2. DISTRIBUCIN ASINTTICA
0.4
Normal (0,1)
t, 10 g.l.
0.3
t, 5 g.l.
0.2
0.1
0
-6
-5
-4
-3
-2
-1
2. PROPIEDADES ASINTTICAS
2. DISTRIBUCIN ASINTTICA
Una herramienta til para derivar distribuciones asintticas es el
Teorema Central del Lmite
Igual que ocurre con la Ley de los Grandes Nmeros, existen diferentes
Teoremas Centrales del Lmite cuando las Xi no son i.i.d. (se suelen
exigir condiciones de diferentes para que se cumpla).
2. PROPIEDADES ASINTTICAS
2. DISTRIBUCIN ASINTTICA
Por qu es til el Teorema Central del Lmite?
Porque nos ayuda a demostrar la validez de los contrastes de hiptesis
en muestras grandes (basados en los estadsticos de contraste que
conocemos) incluso si desconocemos cul es la verdadera distribucin
de los trminos de perturbacin del modelo.
En el caso del estimador MCO (OLS):
Un Teorema Central del Lmite nos dice que aunque las perturbaciones
aleatorias o trminos de error del modelo de regresin no sigan una
distribucin Normal, si tienen media 0 y varianza finita e igual a 2
Consistencia
Distribucin asinttica Normal
Eficiencia asinttica
Invarianza
(1)
(2)
(3)
EJERCICIO:
Matriz de informacin del estimador MV en el modelo de regresin lineal
La matriz de informacin es:
EJERCICIO:
Matriz de informacin del estimador MV en el modelo de regresin lineal
La matriz de informacin es:
EJERCICIO:
Matriz de informacin del estimador MV en el modelo de regresin lineal
La matriz de informacin es:
EJERCICIO:
Matriz de informacin del estimador MV en el modelo de regresin lineal
Por tanto:
EJERCICIO:
5. EL MTODO DELTA
5. EL MTODO DELTA
5. EL MTODO DELTA
Supongamos que tenemos la estimacin MV de un parmetro . Pero estamos
interesados en estimar una funcin de ese parmetro =g() y, adems,
queremos hacer inferencia (contrastes) sobre el mismo.
Por la propiedad de Invarianza de los estimadores MV, podemos estimar
g(.) es no lineal
EJERCICIO:
5. EL MTODO DELTA
Supongamos que es un vector k x 1. Por ejemplo, si k=3
(1 x k) (k x k) (k x 1)
5. EL MTODO DELTA
Donde:
Vector gradiente (de derivadas
parciales) y dimensin 3x1
5. EL MTODO DELTA