Professional Documents
Culture Documents
Gauss indudablemente fue uno de los mas grandes matemticos de la historia, hizo contribuciones enormes en el campo de la estadstica como lo es la distribucin normal, asimismo, fue el primero en introducir el mtodo de los mnimos cuadrados ordinarios MCO 1 en 1821 antes que el estimador de varianza mnima de Markov, estos dos grandes se unieron creando el teorema Gauss-Markov donde exponen las propiedades de los estimadores denominados MELI, Mejores Estimadores Lineales Insesgados o que en sus siglas en ingles BLUE tambin considerados como ELIO. Los parmetros son MELI si se cumplen las siguientes propiedades expuestas a continuacin, se sugiere al lector revise algunos conceptos de algebra matricial como lo son, Inversa de la matriz, transpuestas y sus propiedades, clculo del determinante, clases de matrices, matrices escalares, simtricas, singulares entre otras; Sin embargo, para el lector que no se encuentra familiarizado se expondr paso a paso la resolucin de dichos enunciados sin dejar el rigor matemtico que se encuentra implcito de tal forma que la resolucin sea fcil de seguir incluso para quienes no manejen el algebra matricial. Cabe recalcar que las demostraciones tambin se las puede realizar mediante manipulacin algebraica, la cual no se realizar en este trabajo puesto que considero una forma mas sencilla y menos complicada que el algebra matricial la cual estoy seguro que se complica mas al estudiante. Por otro lado, se debe considerar que incluso siendo los parmetros MELI como bien lo propone el teorema, no toma en consideracin las propiedades de consistencia, que para muchos econometristas es la ms importante dentro de las herramientas economtricas
1) El estimador es lineal:
Puesto que los parmetros son una funcin lineal de la variable aleatoria, como tambin, los parmetros se consideran como un promedio ponderado de las observaciones individuales en la variable dependiente, segn este prembulo tenemos: Partiendo del modelo lineal en su forma bsica, En su forma matricial tenemos, Donde por manipulacin matricial obtenemos el estimador, Puesto que se sustituye en dicho termino, Donde se puede observar la propiedad de la matriz inversa por original es igual a la identidad . Por tanto, Donde , Se puede observar claramente que el parmetro B es una combinacin lineal de las perturbaciones aleatorias y que si estas siguen la distribucin normal entonces e ~ NID
fundamental al estadsticas.
momento
de
realizar
las
pruebas
2) El parmetro es insesgado:
Esto quiere decir que su valor promedio o esperado es igual al valor verdadero, pero se debe considerar tambin que esto no garantiza de que tan prximo o lejano se encuentre de los valores reales debido a que segn la teora la muestra de las variables X es fija en el muestreo repetitivo por que as es en Economa, por tanto se debe hacer mas nfasis en la matriz varianza covarianza, mientras tanto, la demostracin:
Puesto que se sustituye en dicho termino, Donde se puede observar la propiedad de la matriz inversa por original es igual a la identidad . Por tanto, Aplicando el operador de la Esperanza E y tomando en consideracin que las x Son fijas en el muestreo repetitivo y que B por ser un parmetro es una constante de tal forma que su esperanza es igual a si mismo.
3 Flix Casares Conforme
Donde E(e) = 0 por que segn las propiedades de los MCO, los errores suman cero, siempre que haya una constante en el modelo, si no existe constante, este principio deja de ser cierto; Entonces, se anula la matriz y el resultado queda de la siguiente manera: Otra de las consideraciones que se debe tener es que el criterio del menor Error Cuadrtico Medio se ajusta mejor a las exigencias al momento de modelar debido a que este toma en consideracin la varianza del parmetro.
Se entiende por mejor dado que tiene varianza mnima y garantiza que es menor que cualquier otro estimador con diferente varianza, se hace nfasis en el modelo que tiene menor varianza por tanto desviacin estndar, puesto que al ser una medida de variabilidad en estadstica, esta se ajusta tambin para los parmetros por lo que es optimo tener una matriz varianza-covarianza pequea. En su forma matricial tenemos, Donde por manipulacin matricial obtenemos el estimador, Puesto que se sustituye en dicho termino, Donde se puede observar la propiedad de la matriz inversa por original es igual a la identidad
. Por tanto, Por definicin tenemos que Transponiendo, Ordenando los trminos, y aplicando el operador E tenemos que Donde, . Por lo que se anula dicha matriz y donde ee= Donde se debe considerar lo siguiente: Es simtrica y positiva porque lo es Debe ser pequea puesto que si entonces, el determinante de dicha matriz ser mayor por lo que se incrementar la VAR-COV y la precisin de la estimacin o pronostico disminuye
Pero hay que comparar si es cierto que es la menor varianza para lo cual hay que calcular la varianza de otro estimador adicionando una matriz no nula P.
Puesto que se sustituye en dicho termino, Donde PX=O (condicin de insesgamiento), Se procede a calcular la matriz VAR-COV del estimador de acuerdo a la condicin de insesgamiento Desarrollando las operaciones tenemos, Puesto que PX=0, donde ee= nuevo E(e) =0
Claramente se puede observar que la matriz VAR-COV de este estimador es mayor que el primero por lo que se comprueba mediante el teorema Gauss Markov que los MCO son estimadores MELI
Bibliografa:
Anlisis Economtrico por Greene, 3ra edicin Econometra por Damodar Gujarati 5ta Edicin
cap.3
Modelos y Pronsticos por Pindyk y Rubenfeld 4ta edicin cap.3 y 4 100 Ejercicios de Econometra Autores varios
www.uam.es
de
Economa
Universidad
Shawm
2da edicin
Introduccin
,un
enfoque