Anlisis de Regresin Mltiple: Teora Asinttica para MCO

Carlos Velasco1
1 Departamento de Economa Universidad Carlos III de Madrid

Econometra I Mster en Economa Industrial Universidad Carlos III de Madrid Curso 2007/08

C Velasco (MEI, UC3M)

Reg. Mltiple: Teora Asinttica

UC3M, 2006

1 / 12

Resumen

Consistencia

Normalidad Asinttica e Inferencia en Muestras Grandes

C Velasco (MEI, UC3M)

Reg. Mltiple: Teora Asinttica

UC3M, 2006

2 / 12

Anlisis de Regresin Mltiple: Teora Asinttica para MCO

Condiciones RLM 1-5, sin normalidad. Consistencia Distribucin asinttica o en muestras grandes de los EMCO. Distribucin asinttica de estadsticos de contraste.

C Velasco (MEI, UC3M)

Reg. Mltiple: Teora Asinttica

UC3M, 2006

3 / 12

1. Consistencia

Consistencia

Normalidad Asinttica e Inferencia en Muestras Grandes

C Velasco (MEI, UC3M)

Reg. Mltiple: Teora Asinttica

UC3M, 2006

4 / 12

Consistencia de MCO

Insesgadez es un requisito interesante, pero no todos los estimadores lo satisfacen ( ). Consistencia es un requisito mnimo para un estimador. Pero no dice nada sobre un estimador para un n jo.

C Velasco (MEI, UC3M)

Reg. Mltiple: Teora Asinttica

UC3M, 2006

5 / 12

Consistencia de MCO

Teorema 5.1 (Consistencia de MCO). Bajo los supuestos j son consistentes para j , RLM.1-5 los estimadores MCO j = 0, 1, . . . , k . Prueba: regresin simple 1 = 1 + p lim p lim Cov (x1 , u ) Var (x1 ) = 1 + Cov (x1 , u ) = 1 . Var (x1 )

Covarianza cero es suciente para la consistencia.

RLM.3 (Esperanza cero y covarianza cero). E (u ) = 0 y Cov xj , u = 0, j = 0, 1, . . . , k . RLM.3 implica RLM.3, pero no viceversa.

C Velasco (MEI, UC3M)

Reg. Mltiple: Teora Asinttica

UC3M, 2006

6 / 12

Inconsistencia de MCO
Si falla E (u |x1 , . . . , xk ) = 0 entonces los EMCO estn sesgados y no sern consistentes. Si x1 y u estn correlados, entonces 1 1 = Cov (x1 , u ) = 0. p lim Var (x1 ) En el caso de omitir x2 en el modelo y = 0 + 1 x1 + 2 x2 + u , 1 implica que estimando solamente 1 mediante 1 = 1 + 2 1 p lim donde 1 =
C Velasco (MEI, UC3M)

Cov (x1 , x2 ) Var (x1 )

UC3M, 2006 7 / 12

Reg. Mltiple: Teora Asinttica

2. Normalidad Asinttica e Inferencia en Muestras Grandes

Consistencia

Normalidad Asinttica e Inferencia en Muestras Grandes

C Velasco (MEI, UC3M)

Reg. Mltiple: Teora Asinttica

UC3M, 2006

8 / 12

Normalidad Asinttica e Inferencia en Muestras Grandes

j sean El supuesto de Normalidad, RLM. 6, consigue que los normales. Pero no tiene ningn papel en las propiedades de insesgadez y consistencia. El TCL justica que sin RLM.6, los estimadores sean asintticamente normales. Las mismas reglas de inferencia se pueden aplicar sin normalidad.

C Velasco (MEI, UC3M)

Reg. Mltiple: Teora Asinttica

UC3M, 2006

9 / 12

Normalidad Asinttica e Inferencia en muestras grandes (2)

Teorema 5.2 (Normalidad Asinttica de los EMCO). Bajo los supuestos RLM.1-5,
2 aj

j j d N 0, n aj

donde

j , es la varianza asinttica de 1 aj = p lim n n

n 2 rtj . t =1

2 es un estimador consistente de 2 . j j j se
C Velasco (MEI, UC3M)

d N (0, 1) .
UC3M, 2006 10 / 12

Reg. Mltiple: Teora Asinttica

Normalidad Asinttica e Inferencia en muestras grandes (3)

Estadstico t , 1 restriccin t d N (0, 1) Estadstico F para q restricciones: F d o alternativamente W = qF d 2 q. Eviews calcula ambos, el p-valor de F es calculado usando una Fq ,nk 1 2 q /q .
C Velasco (MEI, UC3M) Reg. Mltiple: Teora Asinttica UC3M, 2006 11 / 12

bajo H0 .

2 q q

bajo H0 .

Normalidad Asinttica e Inferencia en muestras grandes (4)

Contraste del Multiplicador de Lagrange (LM)

Contraste de restricciones de exclusin: H0 : k q +1 = = k = 0. Se hace la regresin del modelo restringido: y = 0 + 1 x1 + + k q xk q + u se usan como la variable dependiente en una Y los residuos u regresin auxiliar: u Estadstico LM
2 2 LM = nRu d q .
C Velasco (MEI, UC3M) Reg. Mltiple: Teora Asinttica UC3M, 2006 12 / 12

sobre

1, x1 , x2 , . . . , xk .