1

Econometría
Máxima Verosimilitud 2024-1

Sea 𝑓𝑓(𝑥𝑥, 𝛽𝛽) la función de probabilidad de la variable aleatoria 𝑥𝑥.

Sea {𝑥𝑥1 , 𝑥𝑥2 , … , 𝑥𝑥𝑛𝑛 } una muestra de observaciones independientes.
El estimador máximo verosímil de 𝛽𝛽 es aquel que maximiza la probabilidad de que la muestra de
observaciones independientes pertenezca a la distribución teórica.

Procedimiento
1) Se forma la función de probabilidad de la muestra (función verosímil)
𝑛𝑛

𝕃𝕃 = � 𝑓𝑓(𝑥𝑥𝑖𝑖 , 𝛽𝛽)
𝑖𝑖=1
2) Para facilitar la maximización de 𝕃𝕃 se aplica una transformación monotómica.
𝑛𝑛

In𝕃𝕃 = � In 𝑓𝑓(𝑥𝑥𝑖𝑖 , 𝛽𝛽)

𝑖𝑖=1
3) Se maximiza con respecto a 𝛽𝛽

𝜕𝜕In𝕃𝕃
=0⟹ 𝛽𝛽 = 𝛽𝛽̂𝑀𝑀𝑀𝑀
𝜕𝜕𝛽𝛽

Algunas Definiciones

𝜕𝜕In𝕃𝕃
1) Score: 𝑆𝑆 �𝛽𝛽� =
𝜕𝜕𝛽𝛽

2) Matriz de Información: 𝜕𝜕 2 In𝕃𝕃

𝐼𝐼 = −𝐸𝐸 � �
𝜕𝜕𝛽𝛽 𝜕𝜕𝛽𝛽′

3) Matriz Varianza-Covarianza: 𝑉𝑉 �𝛽𝛽̂𝑀𝑀𝑀𝑀 � = I −1

ESTIMADOR MV DEL MODELO LINEAL GENERAL

Sea 𝑦𝑦 = X𝛽𝛽 + 𝑢𝑢/ 𝑢𝑢~𝑁𝑁(∅, 𝜎𝜎𝑢𝑢2 I)

𝑢𝑢𝑖𝑖 𝑖𝑖𝑖𝑖𝑖𝑖 2
~ 𝑁𝑁(0, 𝜎𝜎𝑢𝑢 )

1 𝜇𝜇
1 −2 (𝜎𝜎 𝑖𝑖 )2
𝑓𝑓( 𝜇𝜇𝑖𝑖 /𝑥𝑥𝑖𝑖 ) = 𝑒𝑒 𝜇𝜇
√2 𝜋𝜋 𝜎𝜎𝜇𝜇

−1 𝑛𝑛
ln 𝐿𝐿 = 2 (𝑦𝑦 − 𝑥𝑥𝛽𝛽)′ �𝑦𝑦 − 𝑥𝑥𝛽𝛽� − 𝑛𝑛𝑛𝑛𝑛𝑛 √2 𝜋𝜋 − 𝑙𝑙𝑙𝑙 𝜎𝜎𝜇𝜇2
2𝜎𝜎 2

Av. Alberto Alexander (Ex Nicaragua) 2293, Lince Teléfono: 471-3850

Grupo de Estudios HA Cel. 994 669 946

 2

𝛽𝛽̂𝑀𝑀𝑀𝑀 = (𝑥𝑥 ′ 𝑥𝑥)−1 𝑥𝑥 ′ 𝑦𝑦 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑦𝑦 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

𝑒𝑒 ′ 𝑒𝑒
𝜎𝜎�𝜇𝜇2 𝑀𝑀𝑀𝑀 = 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
𝑛𝑛

Propiedades:

1) Los estimadores de máxima verosimilitud solo tienen propiedades asintóticas (consistencia y eficiencia
asintótica)
2) El método de MV se aplica a modelos lineales o no lineales en parámetros.
3) Si se aplica una transformación al estimador MV, se obtiene otro estimador MV del parámetro con
idéntica transformación.
Si 𝛽𝛽̂ es el estimador MV de 𝛽𝛽, entonces ∅(𝛽𝛽�) es también estimador MV de ∅(𝛽𝛽)
4) Al estimar por MV un modelo lineal heterocedástico se obtiene el estimador MCG.

Principales Distribuciones de Probabilidad:

DISTRIBUCIONES CONTINUAS
1) Distribución Normal
𝑥𝑥~𝑁𝑁(𝑈𝑈, 𝜎𝜎 2 )

1 −1 𝑥𝑥−𝑢𝑢 2
( )
𝑓𝑓(𝑥𝑥) = 𝑒𝑒 2 𝜎𝜎
√2𝜋𝜋 𝜎𝜎

Distribución Normal Estándar (z)

--------

𝑧𝑧~𝑁𝑁(0,1) 𝑓𝑓(𝑧𝑧)
1 −1 2
𝑓𝑓(𝑧𝑧) = 𝑒𝑒 2 𝑧𝑧
√2𝜋𝜋
∞
−∞ − 4
0 4
𝐹𝐹(𝑧𝑧) = 𝐷𝐷istribucion acumulativa
𝑧𝑧
𝐹𝐹(𝑧𝑧) = � 𝑓𝑓(𝑧𝑧) 𝑑𝑑𝑑𝑑 → No se puede calcular
−∞

Fórmulas de Estandarización:

𝒙𝒙 − 𝒖𝒖
𝒛𝒛 =
𝝈𝝈

2) Distribución Exponencial
𝑥𝑥~exp (𝛽𝛽)

𝑬𝑬(𝒙𝒙) = 𝜷𝜷
𝟏𝟏 −𝒙𝒙
𝒇𝒇(𝒙𝒙) = 𝒆𝒆 𝜷𝜷
𝜷𝜷 𝟐𝟐
𝑽𝑽(𝒙𝒙) = 𝜷𝜷

−𝒙𝒙
𝑭𝑭(𝒙𝒙) = 𝟏𝟏 − 𝒆𝒆 𝜷𝜷

Av. Alberto Alexander (Ex Nicaragua) 2293, Lince Teléfono: 471-3850

Grupo de Estudios HA Cel. 994 669 946

 3

3) Distribución Uniforme
𝑥𝑥~𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈 (𝑎𝑎, 𝑏𝑏)
𝒂𝒂 + 𝒃𝒃
𝟏𝟏 𝑬𝑬(𝒙𝒙) =
𝒇𝒇(𝒙𝒙) = 𝟐𝟐
𝒃𝒃 − 𝒂𝒂

𝒙𝒙 − 𝒂𝒂 (𝒃𝒃 − 𝒂𝒂)𝟐𝟐
𝑭𝑭(𝒙𝒙) = 𝑽𝑽(𝒙𝒙) =
𝒃𝒃 − 𝒂𝒂 𝟏𝟏𝟏𝟏

DISTRIBUCIONES DISCRETAS
1) Distribución de Poisson
𝑥𝑥~𝑃𝑃(𝑢𝑢)
𝑬𝑬(𝒙𝒙) = 𝒖𝒖
𝒆𝒆−𝒖𝒖 . 𝒖𝒖𝒙𝒙
𝒇𝒇(𝒙𝒙) = 𝑽𝑽(𝒙𝒙) = 𝒖𝒖
𝒙𝒙 !

2) Distribución Binomial Puntual (Bernoulli)

𝑥𝑥~𝐵𝐵(𝜋𝜋) 𝑬𝑬(𝒙𝒙) = 𝝅𝝅

𝒇𝒇(𝒙𝒙) = 𝝅𝝅𝒙𝒙 . (𝟏𝟏 − 𝝅𝝅)𝟏𝟏−𝒙𝒙

𝑽𝑽(𝒙𝒙) = 𝝅𝝅(𝟏𝟏 − 𝝅𝝅)

𝝅𝝅: Probabilidad de éxito un un ensayo de Bernoulli.

PRUEBAS ASINTÓTICAS

Prueba del Ratio de verosimilitud (RV)

RV =-2*(ln𝛽𝛽̂𝑅𝑅 - 𝑙𝑙𝑛𝑛 𝛽𝛽̂𝑀𝑀𝑉𝑉 )

Prueba de Multiplicadores de Lagrange (LM)

LM =𝑺𝑺 �𝛽𝛽̂𝑅𝑅 � ∗ 𝐼𝐼(𝛽𝛽̂𝑅𝑅 ) 𝑺𝑺 �𝛽𝛽̂𝑅𝑅 �

Prueba de Wald (W)

W = (R𝛽𝛽̂𝑀𝑀𝑀𝑀 -r)[𝑅𝑅 ∗ 𝑉𝑉(𝛽𝛽̂𝑀𝑀𝑀𝑀 ) ∗ 𝑅𝑅]−1 (R𝛽𝛽̂𝑀𝑀𝑀𝑀 -r)

OBS:
Tienen un estadístico de prueba con una distribución aproximadamente chi-cuadrado
Requieren de muestras grandes
Son pruebas unilaterales con cola a la derecha
Las 3 pruebas coinciden cuando el tamaño de muestra es grande
La prueba LM solo utiliza el estimador restringido
La prueba W solo requiere del estimador irrestricto
La prueba RV requiere del estimador irrestricto y del estimador restringido

Av. Alberto Alexander (Ex Nicaragua) 2293, Lince Teléfono: 471-3850

Grupo de Estudios HA Cel. 994 669 946

 4

EJERCICIOS:
1. (2.5 puntos) Machín conduce un estudio para explorar los determinantes del tiempo de estudio
de los alumnos de econometría para su examen final. Encuentra que el tiempo dedicado al
estudio se puede modelar a partir de la siguiente función de densidad:

𝑦𝑦 −2𝑦𝑦
f(y)= 𝑒𝑒 𝜃𝜃 , si y>0
𝜃𝜃2

Donde y es el tiempo de estudio observado y 𝜃𝜃 es un parámetro desconocido que debe ser estimado.

a) (1.5 puntos) Plantee la función de verosimilitud, logaritmo de verosimilitud y calcule el

estimador de máxima verosimilitud de 𝜃𝜃 para una muestra de tamaño n. Considere que los
datos son iid.

b) (1 punto) El investigador se da cuenta que lo realizado en a) le ayuda a entender 𝜃𝜃 y su

vinculación con el tiempo de estudio para el examen final, pero no le sirve todavía para
justificar el impacto de otras variables. Por ello propone la siguiente ecuación para 𝜃𝜃 , de
modo que ahora dependa de una variable x:
𝜃𝜃𝑖𝑖 = 𝛽𝛽0 + 𝛽𝛽1 𝑋𝑋𝑖𝑖2
En donde 𝑋𝑋𝑖𝑖 captura los años de educación de la madre. Incorpore esta ecuación en la
función de densidad y plantee la función logaritmo de verosimilitud y las condiciones de
primer orden.
Discuta la diferencia con lo realizado en a). y cual podría ser la interpretación de 𝛽𝛽1 .¿Podría
estimar de manera consistente 𝛽𝛽1 ?

2. (5 puntos) Un grupo de N obreros trabaja enchapando botellas. Si un obrero acumula muchos

intentos errados será despedido. Sea X el número de botellas adecuadamente enchapadas y r el
número de fallas permitidas. La probabilidad de que el obrero i enchape correctamente k i botellas
antes de ser despedido es:
1 1
Pr(𝑋𝑋 = k i ) = Γ(k i + 𝑟𝑟) ×× × 𝑝𝑝 𝑘𝑘𝑖𝑖 × (1 − 𝑝𝑝)𝑟𝑟
k i ! Γ(r)
Donde la probabilidad de éxito es p y Γ(z) es la función acumulada gamma evaluada en el valor z.

a) Halle el estimador MV de p. (3 puntos)

b) Utilice el test de multiplicadores de Lagrange para testear si p=0.40. Considere N=10, r=2,
∑ 𝑘𝑘𝑖𝑖 = 20. Halle el valor del test estadístico, así como su distribución y sus grados de libertad.
Recuerde que

(EF/2018*1)

Av. Alberto Alexander (Ex Nicaragua) 2293, Lince Teléfono: 471-3850

Grupo de Estudios HA Cel. 994 669 946