ERRORES EN LA MEDICIN

DE LAS VARIABLES
oLa variables con error de medida pueden alterar las propiedades
de las estimaciones de los parmetros de regresin.

ERROR DE MEDICIN EN LAS VARIABLES

En la prctica, son muy posibles los errores de medida (as
como los errores de especificacin del modelo).
Dichos

errores

pueden

alterar

sustancialmente

las

propiedades de las estimaciones de los parmetros de la

regresin.
Se tiende a pasar por alto el problema de los errores de
medida. Una de las tcnicas que puede resolver el
problema de errores de medicin es la estimacin de
variables instrumentales.

CASO I: Y SE MIDE CON ERROR

Supongamos que el verdadero modelo de regresin (expresado en forma
matricial) es el siguiente:

El procedimiento de medicin nos proporciona los valores de la variable

en lugar de los valores de .
Supondremos que:

El modelo

de regresin se estima tomando como variable

dependiente.

Donde:

: Errores asociados con el error de medicin.

Ntese:

Si la media de no fuera igual a cero, la regresin estimada

necesita de un trmino constante.

El nico efecto del error de media de los valores de la variable

dependiente ser un incremento de la varianza del error.

Regla General:

Es imposible separar los efectos de los errores asociados con el

modelo de regresin de los efectos de los errores de media.

Resultado:

o
o

La estimacin de la pendiente ser insesgada:

E (,xi)=0 y consistente.

PROPIEDAD DE INSESGAMIENTO:

Donde:

La estimacin de la pendiente es insesgada puesto que

EFICIENCIA: VARIANZA MNIMA

Donde:


Por tanto los estimadores de MCO empleando son mas ineficientes
que los obtenidos con Y (sin error de medida)

Suponiendo que
Se tiene:

Es as que:

El nico efecto del error de medida de los valores de la variable

dependiente ser un incremento de la varianza del error. Sin embargo
esta mayor varianza del error ser tenida en cuenta en la estimacin
de , la varianza residual estimada, y podrn aplicarse todas las
pruebas estadsticas. Por regla es imposible separar los efectos de los
errores asociados con el modelo de regresin de los efectos de los
errores de medida.

CONSISTENCIA

Si la Cov(X, )=0 es decir, si el error de medida en la variable

dependiente no esta sistemticamente relacionado con las variables
explicativas, el estimador de MCO es consistente.

Si

estimamos por MCO un modelo de regresin empleando en vez

de Y, los estimadores sern consistentes y la inferencia habitual ser
valida si Cov(X, )=0 y E()=0

CONVERGENCIA EN DISTRIBUCIN

Por lo tanto se puede afirmar que cuando la variable Y este

mal medida y n es lo sufientemente grande se tiene que
sigue una distribucin normal con esperanza asinttica a su
parmetro es decir es insesgado asintticamente as como
con una matriz de var-cov asintotica.

CASO II: X SE MIDE CON ERROR

Aunque este caso no es nada realista suponemos que:

Donde es el verdadero valor de X y es el valor observado. El

verdadero modelo de regresin satisface todas las hiptesis del
modelo de regresin clsico con errores normales:

Mientras que la regresin que realmente se halla es:

Incluso si suponemos que el error de medida de X se distribuye

normalmente con media igual a cero, que no existe correlacin serial
y que es independiente del error en la verdadera ecuacin, se
plantea problemas al utilizar como tcnica de estimacin la de los
mnimos cuadrados ordinarios MCO.

Veremos esto ms claramente teniendo en cuenta que el

error y la variable estn correlacionados (su covarianza es
distinta de cero).

En particular:

Donde

 Es endgeno

Por tanto, las estimaciones minimocuadrticas de los

parmetros de regresin sern sesgadas e inconsistentes,
estando relacionados el sesgo y la inconsistencia con la
varianza del error de media.

CONSISTENCIA

Por tanto hay sesgo asinttico

De lo anterior podemos decir:

Si V (X) es grande en relacin a V (v1), la inconsistencia puede

llegar a ser despreciable es decir insignificante.

En un modelo de regresin mltiple, en general el error de

medida en una variable explicativa produce inconsistencia de
todos los coeficientes estimados.

Solamente en el caso improbable de que las variables

explicativas sean ortogonales a la variable medida con error,
los estimadores de sus pendientes sern consistentes.

Consecuencias con el

Otro de los costos de una dependiente con errores de medicin es un

ms bajo.
Sabemos que:

, dividiendo para n
, aplicando el plim
, aplicando Slustky

Consecuencias con el

, reemplazando

Consecuencias con el

Ntese que si usamos tenemos que:

Entonces el con la variable dependiente mal medida ser menor que

con la variable sin errores de medicin.

CASO III: X E Y SON MEDIDAS CON ERROR

En este caso no obtendremos conclusiones diferentes a
las del caso anterior, pero ser til examinarlo con
detalle. Los supuestos son los siguientes:

no estn correlacionadas entre s al igual que con , y

cada proceso de error no implica en s mismo una
correlacin serial.

CASO III: X E Y SON MEDIDAS CON ERROR

La ecuacin de regresin estimada sera de la forma:
Ahora considrese el estimador de mnimos cuadrados
ordinarios :

No se puede evaluar el sesgo de

CASO III: X E Y SON MEDIDAS CON ERROR

Dado que

son todas estocsticas, no es fcil evaluar el

sesgo de . La razn para esto es que el valor esperado de la

razn de dos variables aleatorias no es igual a la razn del
valor esperado de las variables. Sin embargo, podemos
evaluar la consistencia de evaluando la expresin para en
el lmite conforme el tamao de la muestra se hace ms
grande. Este clculo se denota .

CASO III: X E Y SON MEDIDAS CON ERROR

CASO III: X E Y SON MEDIDAS CON ERROR

En vista de que no estn correlacionadas entre s al igual
que con , resulta que:

CASO III: X E Y SON MEDIDAS CON ERROR

Esto sugiere que la presencia del error de medicin del tipo
mencionado, conducir a una subestimacin del parmetro
de regresin verdadero si se usan tcnicas de mnimo
cuadrado ordinarios. Vemos adems, que si la variancia del
error de medida de X es conocida la regresin nos
proporcionar estimaciones consistentes de los parmetros.
Por desgracia, no es este el caso ms frecuente.

CASO III: X E Y SON MEDIDAS CON ERROR

Queremos ver si la renta familiar tiene algn efecto en las
calificaciones
medias obtenidas en la universidad.
No esta claro que la renta familiar tenga un efecto directo sobre
el
rendimiento universitario.
La estrategia recomendada ser incluir dicha variable como
regresor y
contrastar si su coeficiente es igual a cero.
CAL = b0 + b1I + b2PRE + b3SEL + ,

donde

CAL = Nota media en la universidad,

I = Ingresos familiares,
PRE = Nota media del curso previo al acceso a la universidad,

Supongamos que los datos se obtienen encuestando directamente a

los estudiantes.
Es posible que declaren la renta familiar de manera incorrecta, de
manera que observamos I = I + v.
Aun suponiendo que el error de medida v no esta correlacionado con I
ni con el resto de las variables explicativas (PRE, SEL), los estimadores
de los parmetros utilizando I (en vez de I , que es inobservable) sern
inconsistentes.
En particular, tenderamos a subestimar b1.
Por tanto, si contrastramos H0 : b1 = 0, ser mas probable que no
rechazaramos H0.
En este ejemplo, es difcil dilucidar la magnitud y direccin de los
sesgos de inconsistencia de b2 y b3.