Facultad de Ingeniera

Universidad Diego Portales

Econometra Profesor: Matas Cabello Ayudante: Javier Guevara1 Ayudanta 8 Ejercicio I

Asuma un proceso generador de datos investigador se equivoca y estima el siguiente modelo: . Suponga adems que el

a) Obtenga una expresin para el estimador MCO de Respuesta Recordando que la estimacin de mnimos cuadrados ordinarios implica despejar el vector de parmetros del sistema de ecuaciones normales , podemos escribir esto en funcin de las matrices particionadas ( y ): [( [ ) ( )] [ ] [ ] ] [ [ ] ]

Lo que puede ser expresado de la siguiente forma: De la ecuacin ( ) podemos despejar : Reemplazando ( ) en ( ): ( ) ( ) ( ) ( ( ) ) ( ) () ( )

Donde
1

corresponde a la matriz de proyeccin. Desarrollando tenemos que:

jguevara@fen.uchile.cl

Facultad de Ingeniera

Universidad Diego Portales

( ) ( )

Donde tambin es una matriz de proyeccin igual a esta forma, despejando obtenemos el estimador MCO de ( )

( :

. De

b) Es este estimador de

insesgado?

Respuesta Para determinar si el estimador es insesgado, calculamos su esperanza: ( ( ( ) ( ) ( ) ( ( ( ) ) ) ( ) ) ) ( ) ( ( ) )

Por lo tanto, el estimador es insesgado.

c) Cmo se ve alterado el insesgamiento y la significancia de frente a este error de especificacin? Respuesta Como pudimos apreciar, bajo este error de especificacin (inclusin de variables irrelevantes) se obtienen coeficientes insesgados, pero ineficientes (es decir, con una varianza elevada).

Ejercicio II
Considere el siguiente proceso generador de datos (modelo poblacional) . Suponga ahora que el investigador se equivoca y estima el siguiente modelo:

Facultad de Ingeniera

Universidad Diego Portales

a) Obtenga una expresin para el estimador de MCO de Respuesta De la estimacin MCO sabemos que estar dado por: Reemplazando ( )

por el modelo poblacional: ( ( ) ) ( ( ( ) ) ( ) ( ) )

b) Se genera en este caso un sesgo de estimacin? Argumente formalmente. Respuesta Tomando el estimador del modelo incorrecto tenemos: ( ) ( ) ( ) ( ) ( ( ( ( ( ( ) ) ) ) ) ( ( ) ) ) ( )

Por lo tanto, el estimador es insesgado, producindose un sesgo de estimacin. Podemos ver que el signo de este sesgo depender de cmo covaran y (positiva o negativamente), y del signo que tenga .

c) Cmo se ve alterada la significancia de ante este caso? Discuta el dilema que enfrenta el investigador a la hora de escoger una especificacin adecuada. Respuesta En este caso de error de especificacin, en donde se omiten variables relevantes, se obtienen coeficientes sesgados y varianzas invlidas (dado que son muy bajas). El dilema que enfrenta el investigador se refiere a que ex ante, este desconoce cul es el modelo correcto, por lo que solo tiene una lista de candidatos como regresores para incorporar en la regresin que desea estimar. El dilema, entonces, consiste en cuntos y cules

Facultad de Ingeniera

Universidad Diego Portales

regresores incluir. El investigador sabe que al excluir algn regreso relevante generar un sesgo en sus estimaciones, eventualmente invalidando su regresin. Por otro lado, incluir muchos regresores disminuye la eficiencia del modelo, invalidando de igual forma los resultados.

Ejercicio III
a) A qu corresponden las matrices M y H? Cules son sus propiedades? Respuesta Tenemos el siguiente modelo de regresin muestral: El cual puede reescribirse como:

Donde se denomina matriz de proyeccin y se define como ( ) . Adems se tiene que ( ) . As, el estimador MCO nos permite descomponer en dos trminos ortogonales entre si: el primer componente puede ser escrito como una combinacin lineal de las columnas , y el segundo es un componente ortogonal a (el trmino de error). Esta descomposicin ortogonal se representa en la siguiente figura2:

El trmino alternativamente se puede ver como la proyeccin de en el espacio barrido por las ,y como la proyeccin de en el espacio ortogonal a las . Las propiedades que tienen estas matrices son:
2

En la figura, el vector

corresponde al componente

(en algunos libros, la matriz

se denota ).

Facultad de Ingeniera

Universidad Diego Portales

Idempotencia: Simetra:

b) Qu nos indica el teorema de Frisch-Waugh-Lovell? Seale una aplicacin de este teorema. Respuesta El teorema Frisch-Waugh-Lovell (FWL) propone que, si tenemos el siguiente estimador de una regresin particionada: El cual puede reescribirse como: Siendo regresin: e ( ) ( )

, esta ltima expresin puede obtenerse de la siguiente

Una aplicacin de este teorema corresponde al clculo de la varianza de ( ) , demostrando que debe ser igual a la varianza de ( ) . Aplicando la expresin conocida para la varianza: ( ) ( ) ( ) ( ( ( ) ) )