Minimos Cuadrados

MINIMOS CUADRADOS GENERALIZADOS
Cuando se estima un modelo con el método de mínimos cuadrados ordinarios uno de los
supuestos se refiere a la matriz de varianzas y covarianzas del término de perturbación,
que es una matriz cuya diagonal principal es un escalar. Ello expresa en resumen la
presencia de 2 supuestos:
1. El supuesto de homocedasticidad, donde la varianza del término de perturbación
permanece constante.
2. El segundo supuesto se refiere a la ausencia de autocorrelación entre dichas
variables. Al cumplimiento simultáneo de estos supuestos también se le
reconoce como aceptar que las perturbaciones “u” son esféricas.
No obstante, en la práctica puede darse situaciones diferentes.

Una de estas situaciones se produce cuando la varianza del término de perturbaciones es
diferente de unas observaciones a otras. A esta situación se le conoce con el nombre de
HETEROSCEDASTICIDAD
Var (i) = i2
Una segunda situación ocurre cuando los términos de error correspondientes a
diferentes observaciones no son independientes entre sí, es decir,
Cov (i, j)  0, para ij
Ello hace que los elementos fuera de la diagonal principal en la matriz no serán iguales
a cero. A esta situación se le denomina AUTOCORRELACIÓN
Y=X+û E(û)=0 V(û)= ²

es una matriz simétrica, positiva definida y conocida.
Var(Y1) = ² W11 = W11 Cov(Y1 , Y2) = W12

Var(Y2) = ² W22 = W22
En MCG se mantiene E() = 0 pero E(’) =² Ω, ² es desconocida pero Ω es una

matriz conocida de orden n simétrica y definida positiva.
Se supone que las var-cov quedan definidas por un factor escalar.
PAULINO MARROQUIN IZHAR ELIEL 1

  11  12 
 2   
 12  22 
Conocer  significaría conocer cuan grande es una varianza de la otra.

matriz definida positiva, luego se puede expresar de la forma:
La matriz  es conocida
 = P-1 (P-1) '  P  = (P-1)'  P  P’ = 
Se descompone  luego
Y* = P Y = P X  + P  X* = P X
* = P 
E( * ) = E( P  ) = 0
V( * ) = ( P ) ( ²  ) (P’) = ² 
Se pasa a un nuevo modelo  Y * = X *  +  * V ( *) = ² 

E( *) = 0 *N
CONCLUSIONES
Los estimadores lineales e insesgados de mínima varianza (dentro de una clase) de los
parámetros  i dado por:

 = (X* ' X *)-1 X * ' Y*

 = (X’ P’ PX)-1 X’ P’ PY)

1
Como  = (P-1)( P-1) ' entonces  = P’ P reemplazando en el 

 = (XI  -1X)-1XI  -1Y Estimadores Mínimos Cuadrados Generalizados
Son soluciones de las Ecuaciones Normales Generalizadas


XI  -1X  = XI  -1Y Ecuaciones Normales Generalizadas
CALCULO DE VARIANZAS Y COVARIANZAS

No obstante si se estimara el modelo con presencia de algunos de los problemas antes
mencionados con la fórmula a partir de los MCO. Es decir con:

  ( X X ) 1 X Y
La fórmula correcta para estimar la varianza sería la siguiente:


Var ( ) = 2 (X’ X)-1X‘ X (X ‘X)-1
Si se estima con la fórmula habitual correspondiente a los MCO se produciría un sesgo

que induciría a error de interpretación.
Luego planteado los problemas de heterocedasticidad o autocorrelación las fórmulas

adecuadas corresponden a las variables transformadas.

E  = (XI  -1X)-1XI  -1Y estimadores Mínimos Cuadrados Generalizados

Var (  MCG) = 2 (X ‘ -1X)-1
1.- (Esta denominación se debe a que se considera como parte del supuesto a la variable
aleatoria de cada una de las unidades de observación “ui” como una variable que se
distribuye normalmente con media “0” y varianza “1” .
Con la denominación de normal multivariante estandarizada o distribución normal
esférica se tendría esta expresión:
LA DISTRIBUCIÓN NORMAL
Se dice que la variable X tiene una distribución normal con parámetros  y 2, y se
escribe X ~ N(,2), si su función de densidad es:
2
 x 
1 1 / 2 
 

f ( x)  e 
2  , con -<<, >0, x
La función de densidad de la distribución de probabilidad normal estándar será:

1
1  x2
f ( x)  e 2 , x;
2 
y = X +  con   N(0,2I)
La distribución de densidad normal multivariada para u es

  1 / 2  2   u´ u 
1 
f (u )  e  
( 2 )
2 n/ 2
MÍNIMOS CUADRADOS GENERALIZADOS FACTIBLES (MCG)

Para llevar acabo esto se necesita el procedimiento MCG es un método de MCP donde
cada residuo al cuadrado es ponderado por la inversa de Var(ui|Xi), i.e.
.
MCG es muy útil cuando conocemos la forma de Var(ui|Xi). Sin embargo, en los
estudios empíricos esto no es muy habitual.
Para resolver esta situación se desarrolla un procedimiento basado en la estimación de
h(Xi) conocido como Mínimos Cuadrados Generalizados Factibles (MCGF). Partimos
del supuesto de que la heterocedasticidad se puede modelizar como:
Para estimar el modelo transformamos la ecuaci´on en una forma lineal que puede ser
estimada por MCO:
donde E(v|X) = 1 si E(v) = 1. Como v es independiente de X:
donde E(e) = 1 y es independiente de X. Para obtener el estimador MCGF:

Regresamos Y sobre todos los X y obtenemos los residuos u estim. Calculamos
log(uestim)2
Regresamos log(uestim)2 sobre todos los residuos X obteniendo los valores ajustados:
g estim(i) = log\(u estim)2.
Estimamos el modelo cierto por GLS utilizando 1/exp(g estim) como ponderacion.
Nos da como resultado:
1. El estimador de MCGF ya no es insesgado, pero sigue siendo consistente y
asintoticamente eficiente.
2. Los estaisticos usuales, t y F, de la regresion MCP son asintoticamente validos.
3. Al usar MCP por motivos de eficiencia. Los estimadores MCO siguen siendo
insesgados y consistentes.
4. Los estimadores aun seran diferentes debido a un error muestral. Si son muy
diferentes es probable que algun supuesto mas de GaussMarkov es falso.
MINIMOS CUADRADOS ROBUSTOS
Heteroscedasticidad en el modelo básico de regresión lineal es la violación del supuesto
de que la varianza del error, condicionada a los valores de los regresores, es constante.
Es decir que la heteroscedasticidad se da cuando:
En presencia de heteroscedasticidad los MCO son consistentes e insesgados; sin

embargo, los estimadores de la varianza y los errores estándar no lo son, invalidando las
pruebas de hipótesis. Aun así, estos estadísticos se pueden ajustar asintoticamente por
medio de la utilización de ERRORES ESTANDAR ROBUSTOS, permitiendo usar las
pruebas t, F y LM con mayor validez. El procedimiento es principalmente útil cuando la
heteroscedasticidad es desconocida, lo cual es importante porque no requiere conocer la
clase de heteroscedasticidad poblacional. Este método funciona mejor para muestras
grandes. Para una regresión múltiple, que puede estar definida como:
Los errores estándar robustos se pueden obtener como la raíz cuadrada de la varianza
del estimador:

Donde se denota el cuadrado del i-ésimo residuo de la regresión de Xj en función de
las restantes variables independientes empleadas en el modelo original (estos
son los errores al cuadrado de la regresión auxiliar). SCEj corresponde a la suma de
cuadrados de los errores de la regresión auxiliar de Xj en función de las demás variables
independientes. Ui es el error i de MCO del modelo original.
El estadístico t se calcula: en el numerador la diferencia entre el estimador y el valor
hipotético (teta) y en el denominador el error estándar robusto del respectivo estimador.

Minimos Cuadrados

Cargado por

Copyright:

Formatos disponibles

Minimos Cuadrados

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Minimos Cuadrados

Cargado por

Copyright:

Formatos disponibles

MINIMOS CUADRADOS GENERALIZADOS

No obstante, en la práctica puede darse situaciones diferentes.

Y=X+û E(û)=0 V(û)= ²

Var(Y1) = ² W11 = W11 Cov(Y1 , Y2) = W12

En MCG se mantiene E() = 0 pero E(’) =² Ω, ² es desconocida pero Ω es una

PAULINO MARROQUIN IZHAR ELIEL 1

Conocer  significaría conocer cuan grande es una varianza de la otra.

Se pasa a un nuevo modelo  Y * = X *  +  * V ( *) = ² 

Son soluciones de las Ecuaciones Normales Generalizadas

XI  -1X  = XI  -1Y Ecuaciones Normales Generalizadas

CALCULO DE VARIANZAS Y COVARIANZAS

PAULINO MARROQUIN IZHAR ELIEL 2

La fórmula correcta para estimar la varianza sería la siguiente:

Var ( ) = 2 (X’ X)-1X‘ X (X ‘X)-1

Si se estima con la fórmula habitual correspondiente a los MCO se produciría un sesgo

Luego planteado los problemas de heterocedasticidad o autocorrelación las fórmulas

La función de densidad de la distribución de probabilidad normal estándar será:

PAULINO MARROQUIN IZHAR ELIEL 3

La distribución de densidad normal multivariada para u es

MÍNIMOS CUADRADOS GENERALIZADOS FACTIBLES (MCG)

donde E(v|X) = 1 si E(v) = 1. Como v es independiente de X:

donde E(e) = 1 y es independiente de X. Para obtener el estimador MCGF:

PAULINO MARROQUIN IZHAR ELIEL 4

En presencia de heteroscedasticidad los MCO son consistentes e insesgados; sin

PAULINO MARROQUIN IZHAR ELIEL 5

PAULINO MARROQUIN IZHAR ELIEL 6

También podría gustarte