Академический Документы
Профессиональный Документы
Культура Документы
TEMA 1
INTRODUCCIN
Estimacin por mxima verosimilitud y conceptos de
teora asinttica
O bien:
Generalmente, trabajamos con el
logaritmo de la verosimilitud por
razones prcticas.
EJERCICIO:
Estimador MV en el modelo de regresin lineal bajo el supuesto de normalidad.
1 yi xi ' 2
1
f ( yi | xi , , ) =
e 2
2
Y
Y = 1
+ 2X
1 + 2Xi
1
X
EJERCICIO:
Estimador MV en el modelo de regresin lineal bajo el supuesto de normalidad.
EJERCICIO:
Estimador MV en el modelo de regresin lineal bajo el supuesto de normalidad.
4. Estimadores
En este caso,
pero
2. PROPIEDADES ASINTTICAS
2. PROPIEDADES ASINTTICAS
1. CONSISTENCIA
2. PROPIEDADES ASINTTICAS
1. CONSISTENCIA
1 PROCEDIMIENTO PARA DEMOSTRAR CONSISTENCIA
Se trata de demostrar la
Convergencia en Media
Cuadrtica.
2. PROPIEDADES ASINTTICAS
1. CONSISTENCIA
2 PROCEDIMIENTO PARA DEMOSTRAR CONSISTENCIA
2. PROPIEDADES ASINTTICAS
1. CONSISTENCIA
EJERCICIO:
Consistencia del estimador OLS /MV en el modelo de regresin lineal
1 PROCEDIMIENTO
2 PROCEDIMIENTO
2. PROPIEDADES ASINTTICAS
2. DISTRIBUCIN ASINTTICA
Cuando desconocemos la distribucin exacta de un estimador, podemos
preguntarnos si en grandes muestras el estimador sigue alguna
distribucin conocida. Esto nos permitir realizar inferencia estadstica
(contrastes de hiptesis) cuyos resultados sern vlidos en muestras
grandes.
2. PROPIEDADES ASINTTICAS
2. DISTRIBUCIN ASINTTICA
Ejemplo:
El estadstico t tiene una distribucin t de Student con n-k grados de
libertad. Pero, conforme n se comporta como una distribucin Normal
estndar. Esta es, por tanto, su distribucin asinttica
Estadstico t ~ t-Student
a
Estadstico t ~ N(0,1)
o bien
Estadstico t N(0,1)
2. PROPIEDADES ASINTTICAS
2. DISTRIBUCIN ASINTTICA
0.4
Normal (0,1)
t, 10 g.l.
0.3
t, 5 g.l.
0.2
0.1
0
-6
-5
-4
-3
-2
-1
2. PROPIEDADES ASINTTICAS
2. DISTRIBUCIN ASINTTICA
Una herramienta til para derivar distribuciones asintticas es el
Teorema Central del Lmite
Igual que ocurre con la Ley de los Grandes Nmeros, existen diferentes
Teoremas Centrales del Lmite cuando las Xi no son i.i.d. (se suelen
exigir condiciones de diferentes para que se cumpla).
2. PROPIEDADES ASINTTICAS
2. DISTRIBUCIN ASINTTICA
Por qu es til el Teorema Central del Lmite?
Lmite?
Porque nos ayuda a demostrar la validez de los contrastes de hiptesis
en muestras grandes (basados en los estadsticos de contraste que
conocemos) incluso si desconocemos cul es la verdadera distribucin
de los trminos de perturbacin del modelo.
En el caso del estimador MCO (OLS):
Un Teorema Central del Lmite nos dice que aunque las perturbaciones
aleatorias o trminos de error del modelo de regresin no sigan una
distribucin Normal, si tienen media 0 y varianza finita e igual a 2
Consistencia
Distribucin asinttica Normal
Eficiencia asinttica
Invarianza
(1)
(2)
(3)
EJERCICIO:
Matriz de informacin del estimador MV en el modelo de regresin lineal
La matriz de informacin es:
EJERCICIO:
Matriz de informacin del estimador MV en el modelo de regresin lineal
La matriz de informacin es:
EJERCICIO:
Matriz de informacin del estimador MV en el modelo de regresin lineal
La matriz de informacin es:
EJERCICIO:
Matriz de informacin del estimador MV en el modelo de regresin lineal
Por tanto:
EJERCICIO: