Capitulo 4_modelo Lineal General_Agosto de 2012
-
Upload
vlamir-hinostroza -
Category
Documents
-
view
3 -
download
0
description
Transcript of Capitulo 4_modelo Lineal General_Agosto de 2012
TEORIA ECONOMETRICA BASICA
PAGE 16Econometra bsica
Modelo Lineal General
CAPITULO 4
MODELO LINEAL GENERAL
4.1 ESPECIFICACION
Consideremos la siguiente relacin funcional entre una variable dependiente y k-1 variables independientes,
Suponiendo que estas variables se relacionan linealmente entonces se tiene el siguiente modelo economtrico que los relaciona,
En dicha relacin se incluye un trmino de perturbacin, , ya que empricamente es imposible que la relacin propuesta sea una relacin exacta para cada observacin. Si adems, disponemos de n observaciones para cada variable, el modelo propuesto se puede escribir como,
.
.
.
O alternativamente,
Por tanto, el modelo en forma resumida matricialmente corresponde a,
= +
[4.1]
(nx1) (nxk) (kx1) (nx1)
Adems de lo supuesto, respecto de la existencia de una relacin lineal entre las variables involucradas, por las consideraciones anotadas en captulos precedentes, se requiere establecer algunos otros supuestos respecto ahora de la variable aleatoria, , los cuales matricialmente corresponden a los siguientes,
[4.2]
[4.3]c) Las variables (i= 1, 2, 3, , n) (j=2, 3, , k), son no aleatorias y por tanto fijas.
d) La matriz son de rango pleno, de forma que
e) El vector
[4.4]
4.2 ESTIMACION4.2.1 Estimadores de los parmetros (jHabiendo definido nuestro modelo y planteado nuestros supuestos, el siguiente paso consiste en estimar los parmetros (j. Siendo el modelo estimado,
=
[4.5]
(nx1) (nxk) (kx1)
Entonces,
= +
[4.6]
(nx1) (nxk) (kx1) (nx1)
Donde, corresponde al vector de los errores observables.
Para estimar utilizaremos el mtodo de mnimos cuadrados ordinarios.
4.2.2 Estimadores Mnimo Cuadrticos
Siguiendo el criterio de este mtodo el objetivo es minimizar la (ei2 . Para tal efecto, se tiene ms de un parmetro estimado de decisin.
De [4.6] se obtiene que,
[4.7]
De modo que,
Por la condicin de primer orden de optimizacin se tiene,
De donde,
[4.8]
4.2.3 Matriz de Varianza y Covarianza
Por definicin, la matriz de varianzas y covarianzas matricialmente corresponde a,
Reemplazando [4.1] en [4.8] se tiene,
[4.9]
De donde,
Entonces,
[4.10]
4.2.4 Estimador de la varianza de las perturbaciones
De [4.7] y considerando [4.1] y [4.8] se tiene,
Si hacemos que,
Luego,
Ahora calculado el valor esperado se tiene,
Por tanto:
4.2.5 Propiedades de los estimadores mnimo cuadrticos
En captulos anteriores, se ha mostrado que los estimadores mnimo cuadrticos tienen tres propiedades bsicas, los cuales matricialmente corresponden a las siguientes:
a) Son funciones lineales de las observaciones reales de la variable endgena
De [4.8],
Esta se puede escribir alternativamente como,
Donde:
Ntese que el vector columna depende del vector columna cuyos elementos son Y1, Y2, Y3, , Yn.
b) Son insesgados
Nuevamente como,
Reemplazando [4.1] nuevamente se tiene,
Por tanto su valor esperado es,
c) Tiene varianza mnima
Consideremos el siguiente estimador lineal alternativo,
El cual es insesgado solo si se cumple que,
Adems, considerando que,
Siendo,
Entonces,
Esta varianza ser mnima s en la siguiente funcin de Lagrange,
Se cumple que,
De donde,
Como, el estimador alternativo es,
Cuya varianza corresponde a,
Por tanto, se concluye que el estimador alternativo, cuya varianza es mnima, solo puede corresponder al obtenido por el mtodo de mnimos cuadrados ordinarios.
4.3 MATRIZ DE CORRELACION, COEFICIENTES DE REGRESION Y COEFICIENTES DE CORRELACION PARCIAL
Si calculamos todas las correlaciones simples (de orden cero) entre las variables, , , , , y la disponemos en forma matricial, obtenemos lo que denominaremos la matriz de coeficientes de correlacin:
El objetivo de esta seccin es mostrar que todos los coeficientes de regresin y los coeficientes de correlacin parcial pueden expresarse en funcin de los cofactores de esta matriz de correlacin.
La regresin minimocuadrtica en trminos de desviacin es,
Donde los se obtienen minimizando el cual nos proporciona las siguientes ecuaciones normales,
.
.
.
Este sistema tambin puede escribirse como,
.
.
.
Segn la regla de Cramer, despejando obtenemos,
Donde:
Es decir, representa el cofactor de en la matriz . Luego en general tenemos que,
Por tanto siendo,
Entonces:
Del mismo modo siendo,
Tenemos,
Suponiendo que el modelo corresponde a dos variables la anterior relacin se reduce a,
Siendo,
considerando adems que,
El cual constituye el determinante de la matriz de correlacin, finalmente se obtiene,
Esto nos permite una expresin alternativa para el coeficiente de determinacin que por definicin es,
Por tanto,
Si se tiene tres variables es posible relacionarlas en trminos de regresiones del siguiente modo,
O alternativamente como,
Adems, dada la naturaleza lineal de las relaciones consideradas se tiene que,
=
EMBED Equation.3
=
EMBED Equation.3 Por tanto,
.
.
4.4 INFERENCIA ESTADISTICA
4.4.1 La prueba t
Si nuestro propsito es probar que algn parmetro es igual a un valor (generalmente cero) partimos de las siguientes consideraciones,
De [4.9] se tiene que,
Y siendo por [4.3] que,
Entonces,
de modo que,
Siendo posible demostrar que,
Por tanto,
Esta ltima expresin slo es cierto si el numerador es independiente del denominador.
La independencia implica,
Por tanto:
Simplificando,
Luego para los elementos del vector la prueba t se puede escribir,
donde es el elemento de la fila i, columna i de la matriz
4.4.2 La prueba F
Si nuestro propsito es probar que todos los parmetros son iguales a un valor (generalmente cero) partimos de la siguiente relacin,
EMBED Equation.3
EMBED Equation.3
EMBED Equation.3
EMBED Equation.3 Es decir, la suma de los errores tericos se ha descompuesto en la suma de los errores muestrales y la suma de los cuadrados debido a la regresin.
Siendo,
tenemos que,
Asimismo para
4.5 PREDICCION
La regresin mltiple estimada en forma escalar se puede escribir como:
O alternativamente en forma matricial se puede escribir como:
Donde:
Es evidente que la prediccin media de es aquella que corresponde a un dado. S el vector de valores de las variables fuera, , la prediccin media sera:
Donde:
Esta prediccin, es una prediccin insesgada de , puesto que,
_1286800285.unknown
_1286800427.unknown
_1286800580.unknown
_1286800643.unknown
_1286800672.unknown
_1286801090.unknown
_1286801092.unknown
_1286801093.unknown
_1286801091.unknown
_1286800689.unknown
_1286800699.unknown
_1286800709.unknown
_1286800712.unknown
_1286800715.unknown
_1286800706.unknown
_1286800695.unknown
_1286800681.unknown
_1286800684.unknown
_1286800678.unknown
_1286800660.unknown
_1286800666.unknown
_1286800669.unknown
_1286800662.unknown
_1286800653.unknown
_1286800656.unknown
_1286800651.unknown
_1286800609.unknown
_1286800632.unknown
_1286800638.unknown
_1286800640.unknown
_1286800635.unknown
_1286800626.unknown
_1286800629.unknown
_1286800613.unknown
_1286800593.unknown
_1286800603.unknown
_1286800606.unknown
_1286800598.unknown
_1286800586.unknown
_1286800590.unknown
_1286800582.unknown
_1286800492.unknown
_1286800542.unknown
_1286800560.unknown
_1286800570.unknown
_1286800573.unknown
_1286800563.unknown
_1286800551.unknown
_1286800555.unknown
_1286800545.unknown
_1286800519.unknown
_1286800532.unknown
_1286800539.unknown
_1286800525.unknown
_1286800506.unknown
_1286800508.unknown
_1286800498.unknown
_1286800503.unknown
_1286800495.unknown
_1286800457.unknown
_1286800477.unknown
_1286800482.unknown
_1286800487.unknown
_1286800479.unknown
_1286800465.unknown
_1286800474.unknown
_1286800462.unknown
_1286800440.unknown
_1286800451.unknown
_1286800454.unknown
_1286800447.unknown
_1286800433.unknown
_1286800437.unknown
_1286800430.unknown
_1286800364.unknown
_1286800396.unknown
_1286800410.unknown
_1286800419.unknown
_1286800422.unknown
_1286800413.unknown
_1286800405.unknown
_1286800407.unknown
_1286800399.unknown
_1286800378.unknown
_1286800389.unknown
_1286800393.unknown
_1286800383.unknown
_1286800369.unknown
_1286800375.unknown
_1286800367.unknown
_1286800334.unknown
_1286800352.unknown
_1286800358.unknown
_1286800361.unknown
_1286800355.unknown
_1286800340.unknown
_1286800344.unknown
_1286800338.unknown
_1286800302.unknown
_1286800308.unknown
_1286800312.unknown
_1286800330.unknown
_1286800305.unknown
_1286800297.unknown
_1286800300.unknown
_1286800292.unknown
_1286800163.unknown
_1286800220.unknown
_1286800258.unknown
_1286800269.unknown
_1286800279.unknown
_1286800282.unknown
_1286800272.unknown
_1286800263.unknown
_1286800266.unknown
_1286800261.unknown
_1286800239.unknown
_1286800249.unknown
_1286800255.unknown
_1286800242.unknown
_1286800233.unknown
_1286800235.unknown
_1286800224.unknown
_1286800192.unknown
_1286800204.unknown
_1286800210.unknown
_1286800218.unknown
_1286800208.unknown
_1286800198.unknown
_1286800201.unknown
_1286800195.unknown
_1286800176.unknown
_1286800183.unknown
_1286800189.unknown
_1286800179.unknown
_1286800169.unknown
_1286800173.unknown
_1286800167.unknown
_1286800043.unknown
_1286800078.unknown
_1286800137.unknown
_1286800151.unknown
_1286800157.unknown
_1286800144.unknown
_1286800084.unknown
_1286800134.unknown
_1286800081.unknown
_1286800056.unknown
_1286800066.unknown
_1286800071.unknown
_1286800059.unknown
_1286800050.unknown
_1286800053.unknown
_1286800046.unknown
_1286799933.unknown
_1286800003.unknown
_1286800022.unknown
_1286800031.unknown
_1286800039.unknown
_1286800028.unknown
_1286800016.unknown
_1286800019.unknown
_1286800008.unknown
_1286799979.unknown
_1286799984.unknown
_1286799991.unknown
_1286799981.unknown
_1286799944.unknown
_1286799972.unknown
_1286799975.unknown
_1286799950.unknown
_1286799959.unknown
_1286799961.unknown
_1286799956.unknown
_1286799947.unknown
_1286799938.unknown
_1286799941.unknown
_1286799936.unknown
_1286799893.unknown
_1286799914.unknown
_1286799923.unknown
_1286799930.unknown
_1286799917.unknown
_1286799906.unknown
_1286799910.unknown
_1286799896.unknown
_1230943565.unknown
_1286799882.unknown
_1286799888.unknown
_1286799891.unknown
_1286799885.unknown
_1286799865.unknown
_1286799869.unknown
_1286799854.unknown
_1286799857.unknown
_1230944818.unknown
_1286799850.unknown
_1230943598.unknown
_1127930143.unknown
_1230888251.unknown
_1230942011.unknown
_1230887170.unknown
_1230888080.unknown
_1230887479.unknown
_1230886741.unknown
_1012206678.unknown
_1012210409.unknown
_1012206429.unknown