Santoyo Venegas Flix

Laboratorio #1

Mtodo de Estimacin

Factorizando

Porque E[u
t
]= 0
Restando

de {Y
t
]; teniendo en cuenta que E[I
t
] = I
t
; y que {u
t
-E(u
t
)= u
t
] se tiene:

2 se supone cero, la covarianza entre Y y u tiende a ser diferente de cero. Se espera que Y
t
y u
t
estn
correlacionados, lo cual viola el supuesto de modelo clsico de regresin lineal respecto de que las
perturbaciones son independientes o por lo menos no estn correlacionadas con las variables explicativas. Los
estimadores en esta situacin son inconsistentes.
El estimador

es un estimador inconsistente de
1
debido a la correlacin entre Y
t
y u
t
.

Santoyo Venegas Flix

Las letras minsculas representan desviaciones de la media (muestras). Se sustituye C
t
:

Tomando el valor esperado:

No se puede evaluar el trmino

porque el operador de valor esperado es un operador lineal. A menos

que el trmino

sea cero

es un estimador sesgado de

. Al principio se dijo que

no estara
sesgado, aunque esta respuesta no es de todo correcta, pues la cov(Yt,t) que es un concepto poblacional, no
equivale exactamente a

que es una medicin muestral. A medida que el tamao de la muestra aumenta

indefinidamente, se puede recurrir al concepto de estimador consistente y ver qu pasa con la

a medida que
el tamao de la muestra aumenta indefinidamente.
Se dice que un estimador es consistente si el lmite de su probabilidad (plim) es igual al verdadero valor
poblacional. Para demostrar que

es inconsistente se debe mostrar que su plim no es igual a su verdadero

Se utilizan las reglas de la probabilidad.
(

Se dividen las sumatorias ente el nmero de observaciones. Lo que se tiene ahora es la covarianza muestral
entre Y y u al igual que la varianza muestral de Y.
El lmite de probabilidad de

es igual a

ms la razn del plim de la covarianza muestral entre Y y u respecto

del plim de la varianza muestral de Y. A medida que n aumenta indefinidamente se esperara que la covarianza
muestral entre Y y u se aproxime a la verdadera covarianza poblacional
La varianza muestral de Y se aproxima a su varianza poblacional:
(

Santoyo Venegas Flix

La ecuacin de plim (

ser siempre mayor que

sobreestimar al verdadero

. Es un estimador sesgado y no
importa lo grande de la muestra, el sesgo no desaparece.
Para los propsitos de estimacin, es importante distinguir por la estructura de los modelos, cuales son simultneos por
naturaleza y cules no lo son. En un modelo con ms ecuaciones, algunas variables endgenas tendran infinito nmero de
soluciones: mientras que otro modelo con un nmero menor de ecuaciones, las variables endgenas no tendran solucin.
El modelo idneo es donde hay un nmero de ecuaciones igual al nmero de variables endgenas.