Introducci
on
u1
u2
..
E(u21 ) E(u1 u2 ) . . .
E(u22 ) . . .
E(u2 u1 )
=
..
..
..
.
.
.
E(un u1 ) E(un u2 ) . . .
un
E(u1 un )
u2 0 . . .
E(u2 un ) 0 u2 . . .
= .
..
.. . .
.
.
.
.
.
E(u2n )
0 0 ...
0
2
..
= u I n
.
u2
E(u21 )
12 12 . . . 1n
E(u1 u2 ) . . . E(u1 un )
E(u22 ) . . . E(u1 un ) 21 22 . . . 2n
E(u2 u1 )
V (u) =
..
..
..
..
..
..
..
= ..
=
.
.
.
.
.
.
.
.
E(u2n )
n1 n2 . . . n2
E(un u1 ) E(un u2 ) . . .
n 81. El modelo lineal general con perturbaciones no esfericas es
Definicio
Yi = 1 + 2 X2i + + k Xki + ui ,
i = 1, . . . , n
130
9.2.
(y X)
= (y
X )(y X)
= (y X)
u
Q=u
E(
)
=
E
+
XX
Xu
M CO
Como es un par
ametro y X es una matriz no estoc
astica,
1
E(
X E(u) =
M CO ) = + X X
porque E(u) = 0.
Observaci
on 56. La proposici
on anterior es l
ogica porque que la propiedad de insesgadez se basa en los supuestos de regresores no estoc
asticos y E(u) = 0, pero no tiene
en cuenta la matriz de varianzas y covarianzas de los errores.
n 87. En el modelo lineal general con heterocedasticidad y/o autocorProposicio
relaci
on, la matriz de varianzas y covarianzas de
M CO es
M CO ) = 2 X X 1 X X X X 1
V (
u
n. Por denici
Demostracio
on
V ( M CO ) = E M CO E( M CO ) M CO E( M CO )
Como el estimador
es insesgado,
E(
)=
X u, y su
M CO
M CO
M CO = (X X)
)
=E
X
X uu X X X
X E uu X X X
X
= XX
V (
M CO
1 2 1
1
1
= X X
X u X X X
= u2 X X
X X X X
131
lm V () = lm
= 0Q1 RQ1 = O
n
n n
n
n
n
X X X X )
M CO N (, u X X
n 90. El estimador
u
/(n k) es un estimador sesgado.
Proposicio
u2 = u
n.
Demostracio
) = E(u Mu) = E(tru Mu) = E(trMuu ) = trME(uu ) = u2 trM = u2 (nk)
E(
u u
9.3.
En esta secci
on nos planteamos la siguiente pregunta: es posible transformar un
modelo lineal general con perturbaciones no esfericas en un modelo lineal general con
perturbaciones esfericas? Si la respuesta es armativa, entonces el modelo transformado
cumplir
a las hip
otesis b
asicas y todos los resultados establecidos en los temas anteriores
seran de aplicaci
on directa. El estimador de mnimos cuadrados ordinarios (MCO) en
el modelo transformado se denomina estimador de mnimos cuadrados generalizados
(MCG). Este estimador ser
a ELIO.
Para encontrar un modelo transformado con las hip
otesis b
asicas, premultiplicamos
el modelo lineal general con perturbaciones no esfericas por una matriz P no estoc
astica
Py = PX + Pu
Este modelo transformado puede escribirse como
y = X + u
en donde y = Py, X = PX y u = Pu.
El termino de error en el modelo transformado u cumple las siguientes propiedades:
1. E(u ) = E(Pu) = PE(u) = 0
2. E(u u ) = E(Puu P ) = PE(uu )P = u2 PP
Si la matriz P es tal que u2 PP = u2 I, entonces el modelo transformado:
1. contiene los par
ametros de interes y u2
2. cumple las hip
otesis b
asicas.
De aqu, el estimador de mnimos cuadrados ordinarios en el modelo transformado proporciona el estimador lineal, insesgado y eciente de y el estimador insesgado de
u2 .
n 91. Existe una matriz P tal que PP = I
Proposicio
Prof. Dr. Jos
e Luis Gallego G
omez
Departamento de Economa. Universidad de Cantabria
132
n. De la denicici
Demostracio
on de autovalores y autovectores, podemos escribir
C = C
en donde = diag(1 , . . . , n ) es la matriz diagonal de autovalores y C es la matriz
autovectores. Adem
as, por ser una matriz simetrica, la matriz C es ortogonal o
1
De la demostraci
on anterior, se derivan las dos siguientes relaciones que ser
an de
interes m
as adelante:
1. 1 = P P
2. = P1 P 1
n 92. El estimador lineal, insesgado y o
Proposicio
ptimo de es
1 1 1
M CG = X X
X y
sera el estimador lineal, insesgado y optimo, que podemos expresarse en terminos de los
datos originales
= X P PX 1 X P Py = X 1 X 1 X 1 y
V ar(
M CG ) = u (X X)
u
u
133
M
CG =
(y X
M CG ) (y X M CG )
nk
u
(y X
(y X
=
=
nk
nk
nk
2 =
9.4.
Contraste de hip
otesis
N , u2 (X 1 X)1
M CG N , u (X X )
2
2
n 96. Bajo el supuesto u N (0, u2 ), el estadstico (n k)
Proposicio
M
CG /u
tiene una distribuci
on Chi-cuadrado con n k.
n 97. La hip
on
Proposicio
otesis H0 : R r = 0 se rechaza al nivel de signicaci
si
2
M CG R(X X )1 R ]1 [R
F [R
M CG r] [
M CG r]/q > c
o bien
2
F [R
M CG R(X 1 X)1 R ]1 [R
M CG r] [
M CG r]/q > c
Bondad de ajuste
En la estimaci
on M CG podemos denir dos residuos:
1. los calculados en el modelo de interes
M CG
M CG = y X
u
2. los calculados en el modelo transformado
M CG = P
= y X
uM CG
u
derivados de la estimaci
Los residuos u
on MCO del modelo transformado cumplen
134
El c
alculo del estimador MCG de requiere conocer la matriz . Como los errores
aleatorios no son observables, la matriz es desconocida y no es posible obtener el
estimador MCG. En la pr
actica, tenemos que estimar la matriz .
n 82. El estimador de mnimos cuadrados generalizados factibles de es
Definicio
1
1 X
1 y
X
M CGF = X
es una estimaci
en donde
on de .
M CGF son
Observaci
on 57. Las propiedades en peque
nas muestras del estimador
desconocidas, por lo que no es claro si es un estimador mejor que el de MCO.
El c
alculo del estimador MCG requiere invertir la matriz de orden n n. La inversion de esta matriz supone una gran coste computacional y puede evitarse cuando la
matriz tiene una determinada estructura. En los temas de heterocedasticidad y autocorrelaci
on, estudiaremos las formas m
as comunes de la matriz y los procedimientos
m
as convenientes para obtener el estimador de mnimos cuadrados generalizados sin
invertir .
9.7.
M
etodo de m
axima verosimilitud
135
n 84. La funci
Definicio
on de densidad conjunta contemplada como una funci
on de
los par
ametros desconocidos
L(, u2 |y, X, ) = p(y)
se denomina funci
on de verosimilitud.
El metodo de estimaci
on de m
axima verosimilitud consiste en encontrar los valores
de los prar
ametros que maximizan la probabilidad de obtener la muestra observada.
n 85. Los estimadores de m
Definicio
axima verosimilitud de los par
ametros de2
2
u2 =
1 (y X)
(y X)
n
u
n
1
(, u2 )
= 2 + 4 (y X) 1 (y X)
2
u
2u 2u
Igualando estas dos derivadas parciales a cero y resolviendo simultaneamente las ecuaciones resultantes encontramos los estimadores buscados.
Observaci
on 58. En la demostraci
on anterior, al igualar las derivadas parciales a
cero tenemos que reemplazar los par
ametros desconocidos por sus estimaciones. Estas
derivadas no tienen porque anularse cuando se eval
uan para los valores verdaderos de
los par
ametros.
Los estimadores de m
axima verosimilitud son invariantes a transformaciones de los
parametros. Es equivalente maximizar la funci
on de verosimilitud respecto de u2 que
respecto de u2 .
9.8.
Resumen
136
9.9. Ejercicios
(y X
M CG ) (y X M CG )
) y V ar(
) es una
Pista: demuestre que la diferencia entre V ar(
M CG
M CO