5 votos

Heteroscedasticidad estimador de varianza dirección de sesgo

Si tengo un modelo con un problema de heterocedasticidad, ¿puedo determinar la dirección del sesgo del estimador de varianza de los coeficientes?

Pensaría que al corregirlo con MCO ponderado obtendría el MCOU (Mejor Estimador Lineal Insesgado) lo que significa que el estimador de varianza es el más pequeño para coeficientes no sesgados, pero estoy equivocado.

¿Alguien puede explicarme si puedo saber la dirección del sesgo y cómo?

0 votos

Si entiendo correctamente tu pregunta, tienes un modelo con heterocedasticidad y deseas saber en qué dirección está el sesgo. Hasta donde tengo entendido, debes confiar en tu intuición. Piensa en las variables omitidas que puedan tener un impacto y cómo estas podrían afectar.

0 votos

¡También bienvenido a econ SE!

0 votos

Gracias por tu respuesta :) Voy a reformular mi pregunta. Si estimo un modelo utilizando Mínimos Cuadrados Ordinarios y ignoro la existencia de heterocedasticidad, ¿la varianza estimada del coeficiente en este modelo sería mayor que en el mismo modelo si aplicara una corrección de MCO ponderada por mínimos cuadrados? Gracias.

3voto

Jan Soltis Puntos 1733

Creo que el problema es que estás confundiendo términos. La afirmación sobre un estimador siendo BLUE establece dado el supuesto de Gauss-Markov, OLS es el mejor estimador lineal no sesgado. Pero como tu modelo es heterocedástico, los supuestos de Gauss-Markov ya no se cumplen y la prueba de que OLS es BLUE ya no es cierta.

Desafortunadamente no hay un resultado general que muestre si un estimador es el "mejor" en el caso de la heterocedasticidad. En teoría, si conoces la forma funcional exacta de la heterocedasticidad, puedes corregirla perfectamente y tu WLS es igual de efectivo que OLS cuando se cumplen los supuestos de Gauss-Markov. Pero en la realidad, este nunca es el caso, y a menos que tengas una muestra pequeña o un argumento muy sólido de por qué conoces la forma funcional de la heterocedasticidad, es mejor usar los errores estándar robustos de White.

1voto

Brent D Puntos 125

$\hat{\beta}_{OLS}=(x'x)^{-1}(x'y)$. Bajo homoscedasticidad, la varianza (estimada) de este estimador es $var(\beta)=\sigma^{2}(x'x)^{-1}$. Bajo heteroscedasticidad, se convierte en $(x'x)^{-1}(x'\Omega x)(x'x)^{-1}$. El $\Omega$ es la matriz de varianza-covarianza de los términos de error. OLS es un caso anidado de GLS bajo homoscedasticidad. $\hat{\beta}\,_{GLS}=(x'\Omega^{-1}x)^{-1}(x'\Omega^{-1}y)$. Como se puede ver, cuando la matriz de varianza-covarianza es un escalar, los omegas desaparecen. WLS es una forma especial de GLS donde $\Omega=\left(\begin{array}{cccc} e_{1}^{2} & 0 & . & 0\\ 0 & .\\ . & & .\\ 0 & . & 0 & e_{N}^{2} \end{array}\right)$ y las $e's$ representan los residuos. Los errores estándar HCCME (White) utilizan un modelo estimado por OLS pero corrigen los errores estándar utilizando los residuos al cuadrado obtenidos de la estimación de OLS en la forma de sándwich del estimado de la varianza. Uno nunca puede conocer la verdadera forma de la heteroscedasticidad y por lo tanto nunca se puede saber si los errores estándar de los estimados de OLS están sesgados hacia arriba o hacia abajo. El problema de usar los errores estándar robustos es que este es un resultado asintótico y por lo tanto puede estar sesgado en muestras pequeñas. Personalmente, usaría la corrección para muestras pequeñas del HCCME.

Finanhelp.com

FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.

Powered by:

X