LINEALIDAD

Teorema de Gauss-Márkov
El Teorema de Gauss-Márkov establece los supuestos que debe cumplir un
estimador MCO (Mínimo Cuadrados Ordinarios) para que se considere ELIO
(Estimador lineal insesgado óptimo). El Teorema de Gauss-Márkov fue
formulado por Carl Friederich Gauss y Andréi Márkov.
Carl Friederich Gauss y Andréi Márkov establecieron unos supuestos para
que un estimador MCO pudiese llegar a ser ELIO.
Si se cumplen estos 5 supuestos podemos afirmar que el estimador es el de
mínima varianza (más preciso) de entre todos los estimadores lineales e
insesgados. En el caso de que falle alguno de los supuestos de los tres
primeros (Linealidad, Media nula-exogeneidad estricta o No multicolinealidad
perfecta) el estimador MCO deja de ser insesgado. Si solo fallan el 4 o el 5
(Homocedasticidad y No autocorrelacion) el estimador sigue siendo lineal e
insesgado pero ya no es el más preciso. Resumiendo, el Teorema Gauss-
Márkov afirma que:
Bajo supuestos 1,2 y 3 el estimador MCO es lineal e insesgado. Ahora bien,
no siempre que se cumplen los tres primeros supuestos se puede asegurar
que el estimador es insesgado. Para que el estimador sea también
consistente debemos tener una muestra amplia, cuanto más mejor.
Bajo supuestos 1, 2, 3, 4 y 5 el estimador MCO es lineal, insesgado y
óptimo. Es decir, es un estimador lineal insesgado óptimo (ELIO).
Supuestos del teorema Gauss-Markov
En concreto son 5 supuestos:
1. Modelo lineal en los parámetros
Es un supuesto bastante flexible. Permite usar funciones de las variables de
interés.

2. Media nula y exogeneidad estricta

Implica que el valor medio del error condicionado a las explicativas, es igual
al valor esperado no condicionado y vale cero. Además, la exogeneidad
estricta exige que los errores del modelo no estén correlacionados con
ninguna observación.
Media nula:

Exogeneidad estricta:

Media nula y exogeneidad estricta fallan en caso de que:

El modelo esté mal especificado (omisión de variables relevantes, por
ejemplo)
Existen errores de medida en las variables (los datos no han sido revisados)
En series temporales exogeneidad estricta falla en modelos de endógena
retardada (aunque puede existir exogeneidad contemporánea) y en casos en
los que existen efectos de retroalimentación.
En datos de corte transversal es mucho más fácil conseguir el supuesto de
exogeneidad que en el caso de series temporales.
3. No multicolinealidad exacta
En la muestra ninguna de las variables explicativas es constante. No existen
relaciones lineales exactas entre variables explicativas. No excluye cierta
correlación (no perfecta) entre las variables. Según Gauss y Márkov, cuando
un modelo tiene multicolinealidad exacta suele ser por un error del analista.
4. Homocedasticidad
La varianza del error y, por tanto, de Y es independiente de los valores de las
explicativas y, además, la varianza del error constante. Matemáticamente se
expresa como:

A continuación una serie de datos con apariencia homocedástica.

5. No autocorrelacion
Los términos de error de dos observaciones diferentes condicionadas a X
están incorrelacionados. Si la muestra es aleatoria no existirá
autocorrelación.

Donde i debe tener distinto valor a h. Si la muestra es aleatoria, los datos y

los errores de la observación “i” y “h” serán independientes para cualquier
par de observaciones “i” y “h”.