Professional Documents
Culture Documents
de Vigo
Universidade
de Vigo
Descomposicin de la matriz de
varianzas de las perturbaciones
Universidade
de Vigo
Universidade
de Vigo
P -1 y = P -1 X + P -1
y = X +
*
Universidade
de Vigo
normal.
Su esperanza es nula pues
E(u*)=P-1 E(u)=0
Su varianza vendr dada por
Var(u*)=P-1 Var(u) P-1 = P-1s2W P-1=
=s2P-1W P-1 = s2I
Por consiguiente, las nuevas perturbaciones son esfricas,
lo que significa que el nuevo modelo transformad es un
modelo de regresin lineal normal donde las variables son
diferentes de las originales.
Consecuencias
Universidade
de Vigo
y = X +
*
Universidade
de Vigo
Universidade
de Vigo
Estimadores MV en el MRLG
Universidade
de Vigo
F(y1,,yT/X)= (2p)-T/2|S|-1exp[-(yt-Xt)S-1(yt-Xt)/2]
Se demuestra que al maximizar esta funcin en y S los
estimadores son independientes y por consiguiente se puede
maximizar en y luego en S, por consiguiente maximizar en b
coincide con maximizar el exponente o lo que es lo mismo
minimizar el termino del parntesis que coincide con
minimizar el exponente en lo que equivale a obtener el
estimador de MCG, por lo tanto los estimadores de MV y
MCG coinciden para el parmetro .
Universidade
de Vigo
e*' e *
u' P -1 P -1u u'W-1u
=
=
=
T - k -1 T - k -1 T - k -1
Universidade
de Vigo
Propiedades geomtricas
1.
2.
3.
4.
5.
Universidade
de Vigo
Universidade
de Vigo
Universidade
de Vigo
transformado como
bMCG=+(X*X*)-1X*u*
De ah se deriva directamente que es insesgado y lineal pues la
transformacin P-1 es lineal.
Todos los estimadores lineales e insesgados en el MRLG son
tambin lineales e insesgados en el modelo transformado.
Esto se comprueba de modo similar a como se vio que los estimadores
Proyecciones
Universidade
de Vigo
proyeccin. Por tanto los valores estimados de laY son una combinacin
lineal de las propias observaciones de la variable dependiente.
u = y - y = y - XbMCG =
= y - X ( X ' W -1 X ) -1 X ' W -1 y = ( I - H1 ) y =
= M1 y
Universidade
de Vigo
H1 es idempotente
H1 = X ( X ' W -1 X ) -1 X ' W -1
H12 = X ( X ' W -1 X ) -1 X ' W -1 X ( X ' W -1 X ) -1 X ' W -1 =
= X ( X ' W -1 X ) -1 X ' W -1 = H1
Si H1 es idempotente, entonces M1 tambin lo es por ser su
complementaria
H1 y M1 son ortogonales
H1 M1 = H1 ( I - H1 ) = H1 - H12 = H1 - H1 = 0
Sin embargo no son simtricas como ocurra en el caso del MRLC.
Universidade
de Vigo
Var(YE)= s2X(X'W-1X)-1X's2H1
3. La varianza de los residuos depende directamente de la parte
comn de la varianza de las perturbaciones pero no de la matriz
M1 de proyecciones sobre el espacio ortogonal a las X.
Var(u)=s2(W-X(X'W-1X)-1X') s2M1
ANOVA en el MRLG
Universidade
de Vigo
SCYG=Y'W-1Y
SCEG=u'W-1u
SCRegG=YE'W-1YE
El coeficiente de determinacin en el
MRLG
Universidade
de Vigo
SC Re gG SCEG
SC Re gG
SCEG
1=
+
= 1SCYG
SCYG
SCYG
SCYG
que denominaremos Coeficiente de determinacin de Buse R2.
Universidade
de Vigo
Leyes de distribucin
Universidade
de Vigo
distribucin:
bMCG siguen una ley N (,s2(X'W-1X)-1)
Y estimado siguen una ley Normal de parmetros
(X,s2(X(X'W-1X)-1X'))
Los residuos MCG siguen una ley normal de parmetros
(0,s2(W-X(X'W-1X)-1X'))
Ejemplo
Los beneficios (despus de impuestos) suelen ser una
Universidade
de Vigo
Modelo de solucin
Los beneficios son una parte de las ventas, por tanto:
Beneficios=*ventas+e
Se estima por MCO.
Si la varianza depende linealmente de las ventas
Var(e )=0,2*ventas
Se estima por MCG.
Universidade
de Vigo
TB
DATA
21.025
Universidade
de Vigo
Estimador de
MCO, nos mide el
margen neto
PDF
CDF
0.28555E-05 0.99998
1-CDF
0.15123E-04
OMEGA
5 BY
6.400000
0.000000
0.000000
0.000000
0.000000
IOMEGA
5 BY
0.156250
0.000000
0.000000
0.000000
0.000000
5 MATRIX
0.000000
4.800000
0.000000
0.000000
0.000000
0.000000
0.000000
6.000000
0.000000
0.000000
0.000000
0.000000
0.000000
4.000000
0.000000
0.000000
0.000000
0.000000
0.000000
5.000000
5 MATRIX
0.000000
0.208333
0.000000
0.000000
0.000000
0.000000
0.000000
0.166666
0.000000
0.000000
0.000000
0.000000
0.000000
0.250000
0.000000
0.000000
0.000000
0.000000
0.000000
0.200000
Universidade
de Vigo
MCO
MCG
0.3631206
0.3587786
SB
0.01727063
0.04038048
TB
21.02532
8.884951
S2
1.051418
1.068032
Comparacin de residuos
EMCO
EMCG
0.3801418
0.5190840
0.2851064
0.3893130
1.106383
1.236641
-1.262411
-1.175573
-1.078014
-0.9694656
Universidade
de Vigo
Universidade
de Vigo
Estimacin MCGF
Universidade
de Vigo
-1 X ) -1 X ' W
-1 y
bMCG = ( X ' W
Puesto que los escalares de la matriz de covarianzas no afectan al
estimador.
En cada caso se trata de encontrar un estimador consistente de W.
Por consiguiente el mtodo de estimacin se suele hacer en dos pasos:
1.
2.
Universidade
de Vigo
Universidade
de Vigo
estimador MCG.
Pero no verifican propiedades exactas en pequeas muestras.
Tratamiento de la autocorrelacin
Estimadores MCGF: Mtodo de Cochran-Orcutt, Prais-Wisten,
Malla
Estimadores e MV
Universidade
de Vigo
Tratamiento de la autocorrelacin
Universidade
de Vigo
Universidade
de Vigo
n-2
1
...
2
=s
Universidade
de Vigo
-1 X ) -1 X ' W
-1 y
bMCG = ( X ' W
El nico parmetro que interviene en dicha matriz es el
Universidade
de Vigo
G =
0
0
1
-
.
.
0
1
.
.
.
.
.
.
.
.
.
. -
1- 2
0
0
0 =
.
1
G*
La submatriz de Cochrane-Orcutt
Universidade
de Vigo
G*z=zt-zt-1
Esto nos permite obtener una transformacin directa sobre las
Transformacin de Cochrane-Orcutt
Universidade
de Vigo
y * = 1 - 2 y
*
1
yt = Gyt 1*
y t = yt - yt -1
T=2,...T
x
=
1
x j1
j1
*
xt = Gxt
*
x
jt = x jt - x jt -1 T=2,...T
Modelo resultante
Universidade
de Vigo
yt = (1 - ) + xt - xt-1 + yt -1 + e t
Es decir la variable dependiente depende de las independientes, de
Procedimiento de Cochrane-Orcutt en
dos pasos
Universidade
de Vigo
y2 - y1 1 x2 - x1
e2
(1 - )
+ :
:
:
= :
y - y 1 x - x e
T -1
T
T -1
T
T
Perdiendo la primera observacin
Procedimiento de Cochrane-Orcutt en
dos pasos (2)
Universidade
de Vigo
Universidade
de Vigo
diferentes formas.
Todas ellas asintticamente equivalentes, pero con algunas diferencias
en pequeas muestras.
Van a depender de los siguientes factores:
La eficiencia del estimador
La capacidad de clculo
La robustez del modelo
El coeficiente de autocorrelacin
simple
Universidade
de Vigo
Las dos primeras opciones son muy similares, puesto que se trata
ei ei -1
i =2
2
e
i
i =1
que en el numerador
Universidade
de Vigo
= ei ei -1
i =2
2
e
i -1
i =2
Mtodo de Durbin-Watson
El estimador que se obtiene a partir del estadstico de
Universidade
de Vigo
Estimacin conjunta
Universidade
de Vigo
yt = (1 - ) + 1 xt - 2 xt -1 + yt -1 + e t
restringida a 1 = 2
Es el mtodo mas eficiente pero tambin el que exige mas
clculo
En la prctica solo se utiliza cuando se buscan estimadores
MV que busca la estimacin de todos los parmetros
conjuntamente.
Estimacin de RHO
?ols y x1 x2/resid=e predict=ye rstat dwpvalue noanova
gen1 N=$N
gen1 DW=$DW
gen1 rhodw=1-dw/2
gen1 rho1=$rho
RHO1=
g elag=lag(e)
g ee1=(e*elag)
RHODW=
g e2=e*e
RHO1A=
stat e2/sum=se2a beg=1 end=40
RHO1B=
stat e2/sum=se2b beg=1 end=39
stat ee1/sum=se1 beg=2 end=40
RHOCJ =
gen1 rho1a=se1/se2a
gen1 rho1b=se1/se2b
|_auto y x1 x2 / dn ml noanova iter=2
Conjunta
MAXIMUM LIKELIHOOD ESTIMATION
40 OBSERVATIONS
BY COCHRANE-ORCUTT TYPE PROCEDURE WITH CONVERGENCE = 0.00100
ITERATION
RHO
LOG L.F.
SSE
1
0.00000
-4.43019
2.9227
2
0.65818
8.56528
1.5046
LOG L.F. =
8.56528
AT RHO =
0.65818
Universidade
de Vigo
0.6563030
0.6690766
0.6521211
0.6563030
0.65818
Universidade
de Vigo
Problemas de ptimo de
Universidade
de Vigo
Mnimo
parcial
SCE()
Mnimo
global
Iniciando ah
converge al mnimo
global
Iniciando ah
converge al mnimo
local parcial
Universidade
de Vigo
Procedimiento de Prais-Winsten
Consiste en una mejora del procedimiento anterior
Universidade
de Vigo
Universidade
de Vigo
Procedimiento de malla
Universidade
de Vigo
que se desee.
Normalmente se prefija inicialmente.
Los pasos que se dan son los siguientes
para cada uno el primer paso del procedimiento C-O, y calcular la suma de
cuadrados de los residuos.
2. Elegiremos las dos estimaciones consecutivas que minimicen dicha suma.
3. Se repite el procedimiento tomando el paso con incrementos de 0,01 en los
estimadores obtenidos en el paso 2 hasta una nueva minimizacin de la suma
de cuadrados
4. Este proceso se repite hasta obtener el error deseado.
Normalmente exige mucho clculo y no mejora la aproximacin
No obstante sirve para ver si el valor inicial de r nos acerca al
Universidade
de Vigo
Minimizacin de la
suma de cuadrados
de los errores
SSE
8.4728
7.6300
6.8466
6.1219
5.4548
4.8439
4.2872
3.7825
3.3281
2.9227
2.5657
2.2576
1.9993
1.7923
1.6379
1.5377
1.4925
1.5034
1.5709
RHO
0.61000
0.62000
0.63000
0.64000
0.65000
0.66000
0.67000
0.68000
0.69000
0.70000
0.71000
0.72000
0.73000
0.74000
0.75000
0.76000
0.77000
0.78000
0.79000
0.73000
LOG L.F.
8.27360
8.34827
8.41565
8.47561
8.52805
8.57286
8.60995
8.63923
8.66061
8.67402
8.67937
8.67659
8.66563
8.64642
8.61890
8.58302
8.53871
8.48593
8.42462
8.66563
Universidade
de Vigo
SSE
1.5306
1.5242
1.5183
1.5129
1.5081
1.5039
1.5002
1.4971
1.4945
1.4925
1.4911
1.4902
1.4899
1.4901
1.4909
1.4923
1.4942
1.4967
1.4998
1.4899
Universidade
de Vigo
AT RHO =
0.73000
ASYMPTOTIC ASYMPTOTIC ASYMPTOTIC
ESTIMATE
VARIANCE
ST.ERROR
T-RATIO
RHO
0.73000
0.01168
0.10806
6.75535
R-SQUARE =
0.9825
R-SQUARE ADJUSTED =
0.9815
VARIANCE OF THE ESTIMATE-SIGMA**2 = 0.40267E-01
STANDARD ERROR OF THE ESTIMATE-SIGMA = 0.20067
SUM OF SQUARED ERRORS-SSE=
1.4899
MEAN OF DEPENDENT VARIABLE =
14.330
LOG OF THE LIKELIHOOD FUNCTION = 8.66563
VARIABLE
NAME
X1
X2
CONSTANT
ESTIMATED
8.66563
STANDARD
COEFFICIENT
ERROR
0.50340
0.8729E-02
0.11341
0.1115E-01
9.9888
0.1495
T-RATIO
37 DF
57.67
10.17
66.80
P-VALUE
0.000
0.000
0.000
CORR. COEFFICIENT
0.994
0.9742
0.858
0.1719
0.996
0.0000
AT MEANS
0.2456
0.0568
0.6970
Universidade
de Vigo
Universidade
de Vigo
T
1
1
2
2
ln L(u ) - ln s e + ln(1 - ) - 2
e e
2
2
2
2s e (1 - )
Esto hace que los estimadores no coincidan.
Beach y McKinnon (1978) usan un procedimiento para
Universidade
de Vigo
0.50688
0.50314
0.50347
ML2
0.50347
COI
0.50315
PWI
0.50342
Malla
0.50340
MLI
0.50342
Universidade
de Vigo
Universidade
de Vigo
Yt = X t +n t
n t = n
1 t -1 + ... + mn t - m + e t
e sigue N (0, s 2 I )
En SHAZAM se hace con la opcin ORDER=m.
Universidade
de Vigo
Universidade
de Vigo
DEPENDENT VARIABLE = Y
..NOTE..R-SQUARE,ANOVA,RESIDUALS DONE ON ORIGINAL VARS
0.92323E-01 10.124
0.0000
2.9227
0.0000
0.0000
0.11789
-0.16251
1.4942
9.9931
-0.78178
0.18927
0.11387
-0.18358
1.4555
9.9497
-0.82266
0.27993
0.11377
-0.20604
1.4528
9.9457
-0.86138
0.31088
0.11376
-0.20567
1.4523
9.9340
-0.86145
0.30928
0.11383
-0.20946
1.4522
9.9326
-0.86784
0.31242
0.11382
-0.20945
1.4522
9.9298
-0.86806
0.31235
0.11383
-0.21039
1.4522
9.9295
-0.86963
0.31310
RESIDUAL CORRELOGRAM
LM-TEST FOR HJ:RHO (J)=0,STATISTIC IS CHI-SQUARE(1)
LAG
RHO
STD ERR
T-STAT
LM-STAT
1
-0.0112
0.1581
-0.0710
0.1425
2
0.0062
0.1581
0.0392
0.0313
3
-0.0122
0.1581
-0.0775
0.0154
4
0.0581
0.1581
0.3675
0.3043
5
0.0990
0.1581
0.6263
0.5254
6
0.1291
0.1581
0.8167
0.8280
7
-0.0629
0.1581
-0.3977
0.2222
8
-0.2698
0.1581
-1.7064
4.2576
9
-0.1443
0.1581
-0.9129
1.3788
10
0.0224
0.1581
0.1420
0.0353
11
0.1307
0.1581
0.8267
1.1623
12
-0.0036
0.1581
-0.0229
0.0008
CHISQUARE WITH 12 D.F. IS
5.814
0.11383
-0.21039
1.4522
9.9287
-0.86969
0.31308
0.11384
-0.21063
1.4522
9.9286
-0.87009
0.31328
RHO
RHO
RHO
1
2
3
ESTIMATE
0.87009
-0.31328
0.21063
ASYMPTOTIC
VARIANCE ST.ERROR T-RATIO
0.02553
0.15978
5.44562
0.04228
0.20563 -1.52353
0.02679
0.16367
1.28688
Universidade
de Vigo
VARIABLE
NAME
X1
X2
CONSTANT
ASYMPTOTIC
ESTIMATED STANDARD
T-RATIO
COEFFICIENT
ERROR
-------0.50171
0.7437E-02
67.46
0.11384
0.8724E-02
13.05
9.9286
0.1380
71.92