IV_general
Páginas: 5 (1042 palabras)
Publicado: 9 de noviembre de 2015
Carlos Burga Idrogo
Econometr´ıa I - UNMSM
Semana 10
31 de octubre de 2015
Carlos Burga Idrogo
MC2E
31 de octubre de 2015
1 / 10
1. Definiciones
Consideremos el siguiente modelo lineal poblacional:
y = xβ + u
(1)
x es un vector 1xK que contiene un intercepto.
Muchos elementos de x podr´ıan estar correlacionados con u.
Podemos obtener una muestra aleatoriade la poblaci´on.
Carlos Burga Idrogo
MC2E
31 de octubre de 2015
2 / 10
2. Supuestos
Supuesto 1. Para alg´
un vector z de dimensi´
on 1xL, se cumple que:
E [z u] = 0
(2)
Existe un vector z que contiene variables que no correlacionan con el
error, inclusive las variables ex´
ogenas que est´an en x.
Supuesto 2. El vector z debe cumplir:
Rango(E [z z]) = L y Rango(E [z x]) = K
(3)
Siendom´ınimamente cuidadosos al escoger los instrumentos, la
primera parte del supuesto 2 debe ser satisfecha.
La segunda parte es la condici´
on de rango llevada a un caso m´as
general. Significa que z correlaciona lo suficiente con x.
Carlos Burga Idrogo
MC2E
31 de octubre de 2015
3 / 10
2. Supuestos
Supuesto 2. El vector z debe cumplir:
Rango(E [z z]) = L y Rango(E [z x]) = K
(4)
Una condici´onnecesaria es la condici´
on de orden: L ≥ K . (Ojo: No es
una condici´on suficiente).
Testear que E [z x] tiene rango K no es tan simple cuando hay
multiples variables end´
ogenas.
Cragg y Donald (1996) usan el momento muestral asociado.
Lo que haremos nosotros es testear la significancia de z en la forma
reducida de cada variable end´
ogena.
Carlos Burga Idrogo
MC2E
31 de octubre de 2015
4 /10
3. Consistencia de MC2E
Suponiendo que E [z z] no es singular, podemos proyectar el vector x
en el espacio generado por z:
x = zΠ + r
(5)
Donde Π = (E [z z])−1 E [z x] puede ser estimado de manera
consistente con una regresi´
on simple.
Entonces podemos usar como instrumento x ∗ = zΠ.
x ∗ y = x ∗ xβ + x ∗ u
(6)
β = (E [x ∗ x])−1 E [x ∗ y ]
(7)
De la definici´on de Π, tenemos:
E [x ∗ x] =E [x z]E [z z]−1 E [z x]
Carlos Burga Idrogo
MC2E
(8)
31 de octubre de 2015
5 / 10
3. Consistencia de MC2E
Entocnes, el estimador MC2E es:
N
−1
N
βˆMC 2E =
xi zi
−1
N
zi zi
i=1
zi xi
i=1
i=1
N
(9)
−1
N
xi zi
N
zi zi
i=1
zi yi
i=1
i=1
Para probar la consistencia del estimador:
βˆMC 2E = β +
−1
N
N
xi zi
zi zi
i=1
zi xi
i=1
N
i=1
−1
N
xi zii=1
−1
N
(10)
N
zi zi
i=1
zi ui
i=1
Usando supuestos 1 y 2, Ley de los Grandes N´
umeros y el Teorema de
p
ˆ
Slustky podemos probar que βMC2E → β.
Carlos Burga Idrogo
MC2E
31 de octubre de 2015
6 / 10
4. Normalidad Asint´otica de MC2E
Usando el supuesto 1, el teorema del l´ımite central y asumiendo que
el segundo momento de z u es positivo y finito, podemos concluir que
N −1/2 Noticamente mediante una
i=1 z i ui se distribuye asint´
distribuci´on normal.
Supuesto 3. E [u 2 z z] = σ 2 E [z z] = E [u 2 ]E [z z]
De este modo, sobre los supuestos 1, 2 y 3:
√
a
N(βˆMC2E − β) ∼ N(0, σ 2 E [x z][E [z z]]−1 E [z x]
−1
)
V
Donde la varianza asint´otica de β ser´ıa estimada por:
ˆ ˆ = N −1 V
ˆ =σ
V
ˆ2
β
−1
N
ˆ i xˆi
i=1 x
Con σ
ˆ 2 ≡ (N − K )−1 N
ˆi2
i=1 u
Los estad´ısticos t puedenser obtenidos de manera sencilla dado que
los errores est´andar est´an en la diagonal principal de la matriz de
varianza estimada.
Carlos Burga Idrogo
MC2E
31 de octubre de 2015
7 / 10
5. Eficiencia Asint´otica de MC2E
Consideremos otra combinaci´
on lineal para el instrumento:
x˜ ≡ zΓ
(11)
Donde la condici´on de rango se cumple para x˜ .
Sobre los supuestos 1, 2 y 3:
√
−1
ˆ − β)) = σ 2 E(x ∗ x ∗ )
Avar ( N(β
√
−1
˜ − β)) = σ 2 E (˜
Avar ( N(β
x x˜ ) E (˜
x x˜ )
E (˜
x x˜ )
(12)
Finalmente, note que:
x x˜ )]−1 E (˜
x x) =
E (x ∗ x ∗ ) − E (x x˜ ) [E (˜
E (x ∗ x ∗ ) − E (x ∗ x˜ ) [E (˜
x x˜ )]−1 E (˜
x x ∗) =
E
x ∗ − x˜ [E (˜
x x˜ )]−1 E (˜
x x ∗)
x ∗ − x˜ [E (˜
x x˜ )]−1 E (˜
x x ∗)
=
E (s ∗ s ∗ )
Cuidado: Incorporar muchos instrumentos podr´ıa tener efectos no
deseados...
Leer documento completo
Regístrate para leer el documento completo.