Documente Academic
Documente Profesional
Documente Cultură
INSESGADEZ Y EFICIENCIA
! Los estimadores b1 y b2 del modelo de regresin simple son variables aleatorias: con cada muestra concreta, obtendremos valores diferentes para estos coeficientes ! El atractivo del mtodo MCO es que, bajo los supuestos del modelo, b1 y b2 tienen buenas propiedades: son insesgados consistentes y eficientes dentro de los de su clase ! En esta secuencia vamos a emplear un experimento de Monte Carlo para ilustrar las propiedades de insesgadez y eficiencia ! Un experimento de Monte Carlo consiste en un ejercicio de simulacin para evaluar algn aspecto de inters, en este caso las propiedades mencionadas ! Este tipo de experimentos son cada vez ms frecuentes en la econometra actual
INSESGADEZ Y EFICIENCIA
Elegir la distribucin de u
X= 1, 2, ... , 20
!1 = 2.0 !2 = 0.5
INSESGADEZ Y EFICIENCIA
Elegir la distribucin de u
X= 1, 2, ... , 20
!1 = 2.0 !2 = 0.5
Asumiremos que Y est determinado por una variable X y un trmino de error u, elegiremos datos para X y valores para los parmetros
INSESGADEZ Y EFICIENCIA
Elegir la distribucin de u
X= 1, 2, ... , 20
!1 = 2.0 !2 = 0.5
INSESGADEZ Y EFICIENCIA
Elegir la distribucin de u
X= 1, 2, ... , 20
!1 = 2.0 !2 = 0.5
Los valores de Y en la muestra estarn determinados por los de X , los de valores de los parmetros que en este ejercicio asumiremos conocidos y los del trmino de perturbacin
INSESGADEZ Y EFICIENCIA
Elegir el modelo en el que Y dedende de X, los parmetros yu Datos para X Valores de los parametros Modelo Generar los valores deY Distribucion de u X= 1, 2, ... , 20
!1 = 2.0 !2 = 0.5
INSESGADEZ Y EFICIENCIA
Elegir el modelo en el que Y dedende de X, los parmetros yu Datos para X Valores de los parametros Modelo Generar los valores deY Distribucion de u X= 1, 2, ... , 20
!1 = 2.0 !2 = 0.5
INSESGADEZ Y EFICIENCIA
Elegir el modelo en el que Y dedende de X, los parmetros yu Datos para X Valores de los parametros Modelo Generar los valores deY Distribucion de u X= 1, 2, ... , 20
!1 = 2.0 !2 = 0.5
INSESGADEZ Y EFICIENCIA
Elegir el modelo en el que Y dedende de X, los parmetros yu Datos para X Valores de los parametros Modelo Generar los valores deY Distribucion de u X= 1, 2,X ...=, 20 1, 2, ... , 20
Y = !1 + !2X + u Y = !1 + !2X + u
INSESGADEZ Y EFICIENCIA
Elegir el modelo en el que Y dedende de X, los parmetros yu Datos para X Valores de los parametros Modelo Generar los valores deY Distribucion de u X= 1, 2,X ...=, 20 1, 2, ... , 20
Y = !1 + !2X + u Y = !1 + !2X + u
b2
INSESGADEZ Y EFICIENCIA Y = 2.0 + 0.5X + u X 1 2 3 4 5 6 7 8 9 10 2.0+0.5X 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 u Y X 11 12 13 14 15 16 17 18 19 20 2.0+0.5X 7.5 8.0 8.5 9.0 9.5 10.0 10.5 11.0 11.5 12.0 u Y
INSESGADEZ Y EFICIENCIA
Y
14.00 12.00 10.00 8.00 6.00 4.00 2.00 0.00 0.00 5.00
Y = 2.0 + 0.5 X
10.00
15.00
20.00
INSESGADEZ Y EFICIENCIA Y = 2.0 + 0.5X + u X 1 2 3 4 5 6 7 8 9 10 2.0+0.5X 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 -0.59 -0.24 -0.83 0.03 -0.38 -2.19 1.03 0.24 2.53 -0.13 u Y X 11 12 13 14 15 16 17 18 19 20 2.0+0.5X 7.5 8.0 8.5 9.0 9.5 10.0 10.5 11.0 11.5 12.0 1.59 -0.92 -0.71 -0.25 1.69 0.15 0.02 -0.11 -0.91 1.42 u Y
A continuacingeneramos raleatoriamente los valores del error para cada observacion usando la distribucin N(0,1).
INSESGADEZ Y EFICIENCIA Y = 2.0 + 0.5X + u X 1 2 3 4 5 6 7 8 9 10 2.0+0.5X 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 -0.59 -0.24 -0.83 0.03 -0.38 -2.19 1.03 0.24 2.53 -0.13 u 1.91 Y X 11 12 13 14 15 16 17 18 19 20 2.0+0.5X 7.5 8.0 8.5 9.0 9.5 10.0 10.5 11.0 11.5 12.0 1.59 -0.92 -0.71 -0.25 1.69 0.15 0.02 -0.11 -0.91 1.42 u Y
INSESGADEZ Y EFICIENCIA Y = 2.0 + 0.5X + u X 1 2 3 4 5 6 7 8 9 10 2.0+0.5X 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 -0.59 -0.24 -0.83 0.03 -0.38 -2.19 1.03 0.24 2.53 -0.13 u 1.91 2.76 2.67 4.03 4.12 2.81 6.53 6.24 9.03 6.87 Y X 11 12 13 14 15 16 17 18 19 20 2.0+0.5X 7.5 8.0 8.5 9.0 9.5 10.0 10.5 11.0 11.5 12.0 1.59 -0.92 -0.71 -0.25 1.69 0.15 0.02 -0.11 -0.91 1.42 u Y 9.09 7.08 7.79 8.75 11.19 10.15 10.52 10.89 10.59 13.42
INSESGADEZ Y EFICIENCIA
Y
14.00 12.00 10.00 8.00 6.00 4.00 2.00 0.00 0.00 5.00 10.00 15.00 20.00
INSESGADEZ Y EFICIENCIA
Elegir el modelo en el que Y dedende de X, los parmetros yu Datos para X Valores de los parametros Modelo Generar los valores deY Distribucion de u X= 1, 2,X ...=, 20 1, 2, ... , 20
Y = !1 + !2X + u Y = !1 + !2X + u
INSESGADEZ Y EFICIENCIA
Elegir el modelo en el que Y depende de X, los parmetros, yu Datos para X Valores de los parametros Modelo Generar los valores de Y
Distribucin
para u
X= 1, 2, ... , 20
!1 = 2.0 !2 = 0.5
b2
Aplicamos MCO a los datos y vemos si los estimadores b1, b2 se corresponden ms o menos con los verdaderos valores.
INSESGADEZ Y EFICIENCIA
Y
14.00 12.00 10.00 8.00 6.00 4.00 2.00 0.00 0.00 5.00 10.00 15.00 20.00
INSESGADEZ Y EFICIENCIA
Y
14.00 12.00 10.00 8.00 6.00 4.00 2.00 0.00 0.00 5.00 10.00 15.00 20.00
INSESGADEZ Y EFICIENCIA
Y
14.00 12.00 10.00 8.00 6.00 4.00 2.00 0.00 0.00 5.00
= 1.63 + 0.54 X Y
10.00
15.00
20.00
INSESGADEZ Y EFICIENCIA
Y
14.00 12.00 10.00 8.00 6.00 4.00 2.00 0.00 0.00 5.00
= 1.63 + 0.54 X Y
10.00
15.00
20.00
Para comparar, se muestra el componente no estocstico de la verdadera relacin. !2 (verdadero valor 0.50) ha sido sobrestimado y !1 (verdadero valor 2.00) subestimado.
INSESGADEZ Y EFICIENCIA
Y
14.00 12.00 10.00 8.00 6.00 4.00 2.00 0.00 0.00 5.00 10.00 15.00 20.00
Y = 2.0 + 0.5 X
INSESGADEZ Y EFICIENCIA
Y
14.00 12.00 10.00 8.00 6.00 4.00 2.00 0.00 0.00 5.00 10.00 15.00 20.00
Como antes, los valores de Y se modifican al incorporar el componente estocstico generado de nuevo aleatoriamente a partir de una distribucin N(0, 1).
INSESGADEZ Y EFICIENCIA
Y
14.00 12.00 10.00 8.00 6.00 4.00 2.00 0.00 0.00 5.00 10.00 15.00 20.00
INSESGADEZ Y EFICIENCIA
Y
14.00 12.00 10.00 8.00 6.00 4.00 2.00 0.00 0.00 5.00
= 2.52 + 0.48 X Y
10.00
15.00
20.00
INSESGADEZ Y EFICIENCIA
Y
14.00 12.00 10.00 8.00 6.00 4.00 2.00 0.00 0.00 5.00 10.00 15.00 20.00
Y = 2.0 + 0.5 X
INSESGADEZ Y EFICIENCIA
Y
14.00 12.00 10.00 8.00 6.00 4.00 2.00 0.00 0.00 5.00 10.00 15.00 20.00
INSESGADEZ Y EFICIENCIA
Y
14.00 12.00 10.00 8.00 6.00 4.00 2.00 0.00 0.00 5.00
= 2.13 + 0.45 X Y
10.00
15.00
20.00
INSESGADEZ Y EFICIENCIA
replicacion 1 2 3 4 5 6 7 8 9 10 1.63 2.52 2.13 2.14 1.71 1.81 1.72 3.18 1.26 1.94
b1 0.54 0.48 0.45 0.50 0.56 0.51 0.56 0.41 0.58 0.52
b2
La tabla resume los resultados de las tres regresiones realizadas y otras siete ms.
INSESGADEZ Y EFICIENCIA
10 rplicas
Este es el histograma de las estimaciones para !2. No se puede decir gran cosa de momento.
INSESGADEZ Y EFICIENCIA
1-10 0.54 0.48 0.45 0.50 0.56 0.51 0.56 0.41 0.58 0.52
11-20 0.49 0.54 0.49 0.54 0.54 0.52 0.49 0.53 0.60 0.48
21-30 0.54 0.46 0.45 0.50 0.41 0.53 0.53 0.47 0.51 0.47
31-40 0.52 0.47 0.54 0.53 0.51 0.51 0.47 0.55 0.51 0.58
41-50 0.49 0.50 0.48 0.44 0.53 0.48 0.47 0.50 0.53 0.51
Esta tabla muestra los resultados para !2 despus de repetir 50 veces el experimento
INSESGADEZ Y EFICIENCIA
50 rplicas
Aqu el histograma ya permite ver una clara tendencia central.
INSESGADEZ Y EFICIENCIA
100 rplicas
Este es el histograma con 100 repeticiones. Puede observarse que la distribucin parece simtrica en torno al verdadero valor del parmetro (0.50), lo que implicara un estimador insesgado.
INSESGADEZ Y EFICIENCIA
100 rplicas
Sin embargo la distribucin es todava poco clara. Sera mejor repetir muchas ms veces el experimento (1000.000 o ms)
INSESGADEZ Y EFICIENCIA
100 rplicas
La curva roja muestra la forma de la distribucin que se obtendra en el lmite. Es simtrica en torno al verdadero parmetro poblacional, indicando la insesgadez del estimador.
INSESGADEZ Y EFICIENCIA
100 rplicas
La distribucin es normal porque el trmino de error se ha extrado de una distribucin normal.
INSESGADEZ Y EFICIENCIA
500 rplicas
5000 rplicas
Density
.48
.49
.50
.51
.52 .48
.49
.50
.51
.52
En esta figura se muestra cmo disminuye la varianza a medida que aumenta el nmero de repeticiones
INSESGADEZ Y EFICIENCIA
500 rplicas
5000 rplicas
Density
.48
.49
.50
.51
.52 .48
.49
.50
.51
.52
En todo caso queda claro que el estimador MCO es insesgado. Sin embargo no es este el nico estimador insesgado que cabe considerar
Yn ! Y1 b2 = X n ! X1
tambin es insesgado:
Yn " Y1 ( !1 + ! 2 X n + un ) " ( !1 + ! 2 X n + un ) un " u1 b2 = = = !2 + X n " X1 X n " X1 X n " X1 1 y E (b2 ) = E ( ! 2 ) + E (un " u1 ) = ! 2 X n " X1
dado que la esperanza de una constante (!2) es la misma constante y por hiptesis la esperanza de ui es nula para todo i
INSESGADEZ Y EFICIENCIA
12 10 8
Frequency
6 4 2 0 .494 .495 .496 .497 .498 .499 .500 .501 .502 .503 .504 .505
100 rplicas
Si llevamos a cabo el experimento de Monte Carlo con este estimador, comprobamos que se obtiene asimismo un estimador centrado (insesgado) como puede verse en la figura
INSESGADEZ Y EFICIENCIA
! Por tanto atendiendo al criterio de insesgadez no hay diferencia entre ambos estimadores: ambos son centrados ! Sin embargo el primero debe ser de mejor calidad dado que aprovecha mejor la informacin muestral: en el segundo solo se tienen en cuenta dos observaciones, mientras que el MCO se construye con todas ellas ! El teorema de Gauss Markov seala que el estimador MCO es el ms eficiente entre los de su clase. Puesto que el estimador alternativo pertenece a dicha clase su eficiencia debe ser menor ! Entre dos estimadores insesgados es ms eficiente el que tiene menor varianza ! Vamos a comprobar que esto es as utilizando la simulacin de Monte Carlo que venimos llevando a cabo
INSESGADEZ Y EFICIENCIA
Alternativo
12 10 8
Frequency
MCO
12 10 8
Frequency
6 4 2 0
.506
.498
.499
.500
.501
.502
100 rplicas
Puede verse en el eje horizontal que el rango de variacin del estimador MCO es sensiblemente menor que la del estimador alternativo
Estimador MCO Sample 1 100 Observations 100 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability
0.4985 0.4990 0.4995 0.5000 0.5005 0.5010 0.5015
12 10 8 6 4 2 0 0.494
Estimador altertativo Sample 1 100 Observations 100 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 0.500004 0.500245 0.504864 0.494036 0.002608 -0.282229 2.455820
FIN