Lecture02 HDT
Lecture02 HDT
Lecture02 HDT
Lecture 2
3 Errores no Esféricos
Propiedades de MCC en Presencia de Errores no Esféricos
Inferencia en Presencia de Errores no Esféricos
Mínimos Cuadrados Generalizados
log(wage) = β0 + β1 x + β2 x 2 + β3 s + γh + v
log(wage) = β0 + β1 x + β2 x 2 + β3 s + u
y = β0 + β1 x1 + β2 x2 + · · · + βk xk + γq + v (1)
y = β0 + β1 x1 + β2 x2 + · · · + βk xk + u (2)
donde u = γq + v .
Sin pérdida de generalidad se puede asumir que E(q) = 0 de
forma tal que E(u) = 0.
q = δ0 + δ1 x1 + δ2 x2 + · · · + δk xk + r (3)
y = (β0 +γδ0 )+(β1 +γδ1 )x1 +(β2 +γδ2 )x2 +· · ·+(βk +γδk )xk +v +γr
log(wage) = β0 + β1 x + β2 x 2 + β3 s + γh + v
log(wage) = β1 x + β2 x 2 + β3 s + u
por MCC dará un estimador de β3 sesgado y no consistente. Por
simplicidad suponga que el modelo está expresado en
desviaciones de la media de cada variable.
Por lo tanto,
p Cov (s, h)
β̂3 −→ β3 + γ = β3 + γδs (5)
Var (s)
y = β0 + β1 x1 + β2 x2 + · · · + βk xk + u (7)
xk = δ0 + δ1 x1 + · · · + δk −1 xk −1 + θ1 z1 + rk (8)
y = α0 + α1 x1 + α2 x2 + · · · + αk −1 xk −1 + λ1 z1 + v (9)
donde v = u + βk rk , αj = βj + βk δj y λ1 = βk θ1 .
Por nuestros supuestos, v no está correlacionado con ninguna de
las variables explicativas de (9) y por lo tanto MCC estima
consistentemente los parámetros de la ecuación reducida de y .
Algunas veces, estimar los parámetros de la ecuación reducida
(9) tiene interés en si mismo pero en general se trata de estimar
en forma consistente los parámetros de (7). Los supuestos
hechos para IV también lo permiten.
y = xβ + u
E(z 0 u) = 0.
Por lo tanto,
Usando la WLLN,
n
!
1X 0 p
zi xi −→ E(z 0 x)
n
i=1
Además,
n
1X 0 p
zi ui −→ E(z 0 u) = 0
n
i=1
y el estimador de IV es consistente.
Volviendo al ejemplo de la ecuación de salarios, la omisión de la
habilidad (h) provoca que la variable que mide educación (s) sea
endógena en el modelo. Para obtener estimaciones consistentes
en la ecuación salarial necesitamos un instrumento para s.
Card(1995), por ejemplo, utiliza una variable binaria que indica si
una persona creció en el vecindario de una universidad como
variable instrumental de años de educación.
xk = δ0 + δ1 x1 + · · · + δk −1 xk −1 + θ1 z1 + · · · + θM zM + rk (13)
xk∗ = δ0 + δ1 x1 + · · · + δk −1 xk −1 + θ1 z1 + · · · + θM zM (14)
tampoco lo estará.
Si observáramos xk∗ podríamos utilizarla como instrumento para
xk en (7).
Martín González Rozada (UTDT) ECONOMETRIA Tercer Trimestre, 2009 27 / 64
Mínimos Cuadrados en dos Etapas
Sin embargo, si no existen dependencias lineales exactas entre
las variables exógenas se podrían estimar en forma consistente
por MCC los parámetros de (13) y definir para cada observación i,
x̂i,k = δ̂0 + δ̂1 xi,1 + · · · + δ̂k −1 xi,k −1 + θ̂1 zi,1 + · · · + θ̂M zi,M (15)
y = xβ + u
√ d
n(β̂ − β) −→ Normal(0, σ 2 {E(x 0 z)[E(z 0 z)]−1 E(z 0 x)}−1 ) (19)
ûi = yi − xi β̂, i = 1, 2, . . . , n.
Por lo tanto σ̂ 2 ( ni=1 x̂i0 x̂i )−1 = σ̂ 2 (x̂ 0 x̂)−1 es un estimador válido
P
de la matriz de varianzas y covarianzas de los estimadores de
2SLS.
Martín González Rozada (UTDT) ECONOMETRIA Tercer Trimestre, 2009 34 / 64
Mínimos Cuadrados en dos Etapas
β̂ = (x 0 x)−1 x 0 y
= β + (x 0 x)−1 x 0 u (21)
n
!−1 n
X X
−1
β̂ = β+ n xi0 xi n−1 xi0 ui
i=1 i=1
p 0 −1 0
−→ β + [E(x x)] E(x u)
p
−→ β (23)
donde la primera convergencia se obtiene aplicando la WLLN y la
segunda sigue del supuesto de exogeneidad estricta.
Apropiadamente re-escalado, los estimadores de MCC son
asintóticamente normales,
n
!−1 n
√ X X
n(β̂ − β) = + n−1 xi0 xi n−1/2 xi0 ui
i=1 i=1
d
−→ Normal(0, [E(x 0 x)]−1 E(x 0 uu 0 x)[E(x 0 x)]−1 )
W = (R β̂ − r )0 [R Var
\ (β̂)R 0 ]−1 (R β̂ − r )/#r (26)
\
donde Var (β̂) está definida por la ecuación (25)
n
!−1
−1
X p
n xi0 Ωxi −→ A−1
i=1
Prueba:
vec[E(x 0 Ω−1 u)] = [E(u 0 ⊗ x 0 )]vec(Ω−1 )
= [E(u ⊗ x)0 ]vec(Ω−1 ) = 0
Por lo tanto,
β̂ = β + (n−1 x 0 Ω−1 x)−1 n−1 x 0 Ω−1 u
p
−→ β + A−1 E(x 0 Ω−1 u) = β (34)
y el estimador de MCG es consistente.
Martín González Rozada (UTDT) ECONOMETRIA Tercer Trimestre, 2009 50 / 64
Mínimos Cuadrados Generalizados
La distribución asintótica se obtiene desde,
√
n(β̂ − β) = (n−1 x 0 Ω−1 x)−1 n−1/2 x 0 Ω−1 u
d
−→ A−1 Normal(0, σ 2 A)
d
−→ Normal(0, σ 2 A−1 ) (35)
donde se utilizó el CLT para,
n
d
X
n−1/2 xi0 Ωui −→ Normal(0, σ 2 A)
i=1
donde,
n
1 X 0 0
Γ̂j = xi ûi ûi−j xi−j , j = 0, 1, 2, . . . , m
n
i=j+1
H0 : No existe heterocedasticidad
H1 : Existe heterocedasticidad
yi = α0 + α1 xi,1 + α2 xi,2 + ui
yi = α0 + α1 xi,1 + α2 xi,2 + ui
Test de Durbin-Watson
El estadístico de contraste es
Pn 2
i=2 (ûi − ûi−1 ) DWL
d= Pn 2
∼ DW
i=1 ûi
DWH
yi∗ = α0 c ∗ + α1 xi,1
∗ ∗
+ α2 xi,2 + ui∗
ˆ 0 , α̂
y obtenga nuevos estimadores α̂ ˆ 1 , α̂
ˆ2.