Econometria
1.
Propriedades assintóticas dos estimadores MQO
(continuação)
2.
Inferência – grandes amostras
Danielle Carusi Machado - UFF - Econometria 2/2009
Teorema de Slutsky para Variáveis
Aleatórias
Se , e se g(Xn) é uma função continua com derivadas contínuas e que não depende de n, temos que :
Exemplo:
t-student converge para uma normal padrão.
Quadrado de uma t-student converge para uma qui-quadrada.
X Xn→d ) ( ) (X gX g n →d
Danielle Carusi Machado - UFF - Econometria 2/2009
Uma extensão do Teorema de
Slutsky
Se (Xn tem uma distribuição limite) e θ é uma constante tal que (gntem uma distribuição limite que é função de θ), e temos que:
Ou seja, substituir o θ por um estimador consistente leva a mesma distribuição limite. x xn→d g x g( n,θθθθ)→d θθθθ = n y p lim g(xn,yn)→d g
Danielle Carusi Machado - UFF - Econometria 2/2009
Aplicação do Teorema de Slutsky
Comportamento da estatística F para testar restrições em grandes amostras:
2 2 2 2 * * * * 1 ) ( ´ ) ´ ´ ( ) ( ´ ) ´ ´ ( J d p J d JF k n e e J J e e e e k n e e J e e e e F χχχχ σσσσ χχχχ σσσσ → → − → − = − − =
Danielle Carusi Machado - UFF - Econometria 2/2009
Teorema do Limite Central
Descreve o comportamento de uma variável
aleatória que envolve soma de variáveis
“Tendência para a normalidade.”
A média de uma amostra aleatória de qualquer
população (com variância finita), quando
padronizada, tem uma distribuição normal
padrão assintótica.
Danielle Carusi Machado - UFF - Econometria
Teorema do Limite Central
Teorema Lindeberg-Levy (versão simples do TLC):Se x1, x2, … , xné uma amostra aleatória de uma população cuja
distribuição de probabilidade tem média µ e variância finita
igual a σ2 e temos que:
∑
= = n i i n x n x 1 1 ) 1 , 0 ( : lim ) 1 , 0 ( N x n s p Se N x n d n n d n → − = → − µµµµ σσσσ σσσσ µµµµ
Teorema do Limite Central
Teorema Lindeberg-Feller :Suponha que é uma sequência de variáveis aleatórias
independentes com média µie variâncias positivas finitas σ2i
{ }xi,i=1,...,n
(
)
(
)
(
)
(0, ) ... 1 ... 1 2 3 2 1 2 3 2 1 σσσσ µµµµ σσσσ σσσσ σσσσ σσσσ σσσσ µµµµ µµµµ µµµµ µµµµ µµµµ N x n n n d n n n n n n → − + + + + = + + + + =Danielle Carusi Machado - UFF - Econometria 2/2009
Lindberg-Levy vs. Lindeberg-Feller
Lindeberg-Levy
assume amostra aleatória – observaçõespossuem as mesmas média e variância.
Lindeberg-Feller
– a variância pode ser diferente entre asobservações, apenas com hipóteses de como elas variam.
Soma de variáveis aleatórias, independente da sua
distribuição, tenderão a ser normalmente distribuídas. E, mais, Lindeberg-Feller não requere que as variáveis na soma venham da mesma distribuição de probabilidade.
Estimadores em econometria – uso da versão Lindeberg-Feller do TLC.
Danielle Carusi Machado - UFF - Econometria 2/2009
Distribuição assintótica
Uma distribuição assintótica é uma distribuição usada para aaproximar a verdadeira distribuição de amostra finita de uma variável aleatória.
Construída a partir da distribuição limite da função de uma variável aleatória.
Se
é assintoticamente normalmente distribuído com média µ e variância σ2/n.
) , ( ~ ) 1 , 0 ( 2 n N x N x n n d n σσσσ µµµµ σσσσ µµµµ → −
Danielle Carusi Machado - UFF - Econometria 2/2009
Eficiência assintótica
Comparação de variâncias assintóticas
Como comparamos estimadores consistentes? Se
convergem para constante, ambas variâncias vão para zero.
Eficiência assintótica
: Um estimador é assintoticamentenormal, este estimador é eficiente assintoticamente se a matriz de covariância de qq outro estimador consistente e assintoticamente normal exceder (1/n)V por uma matriz definida não negativa.
n θθθθˆ ) , 0 ( ) ˆ ( N V nθθθθn−θθθθ →d
Danielle Carusi Machado - UFF - Econometria 2/2009
Eficiência assintótica
Exemplo: Amostra aleatória de uma distribuição
normal,
A média amostral é assintoticamente normal com
[µ,σ
2/n]
Mediana é assintoticamente normal com
[µ,(π/2)σ
2/n]
Média é assintoticamente mais eficiente.
Danielle Carusi Machado - UFF - Econometria 2/2009
Propriedades assintóticas do EMQ
A hipótese de normalidade não é necessária para
derivarmos as propriedades assintóticas.
Hipóteses: Convergência de X
′′′′
X/
n para uma
matriz Q positiva definida.
Convergência de X’
εεεε
/
n
para 0. Suficiente para a
consistência.
Hipóteses: Convergência de (1/
√
n
)X’
εεεε
para um
vetor com distribuição normal – normalidade
assintótica.
Danielle Carusi Machado - UFF - Econometria 2/2009
EMQ
EMQ pode ser escrito da seguinte forma:
(X
′′′′
X)
-1X
′′′′
y = (X
′′′′
X)
-1Σ
i
x
iy
i=
ββββ
+ (X
′′′′
X)
-1Σ
ix
iε
iUm vetor de constantes mais um vetor de variáveis
aleatórias.
Os resultados para a amostra finita são estabelecidos
conforme regras estatísticas para esta soma.
Como esta soma de variáveis se comporta em grandes
amostras?
Danielle Carusi Machado - UFF - Econometria 2/2009 − = − = = + × ε × ε × ε ∑ ∑ 1 n i i i 1 1 n i i i i i 1
We use 'convergence in mean square. Adequate for almost all problems, not adequate for some time series problems. 1 1 n n 1 1 1 ( ' ' n n n b X'X x b - b - X'X x x ββββ β)( β) = β)( β) = β)( β) = β)( β) = = − − − = ε ε ∑ ∑ ∑ 1 n i 1 1 1 n i i j j 2 i 1 1 n 1 1 1 ' n n n
In E[( ' | ] in the double sum, terms with unequal subscripts have expectation zero.
E[( ' n j=1 X'X X'X x x X'X b - b - X b - b -==== β)( β) β)( β) β)( β) β)( β) β)( β) β)(β)( β)β) β)( β) − = − − − − ε σ σ = = ∑ 1 1 n 2 i j i 2 i 1 1 1 1 2 2 1 1 1 | ] 'E[ | ] n n n 1 1 1 1 n n n n n n X X'X x x X X'X X'X X'X X'X X'X ====
Limite de probabilidade
Danielle Carusi Machado - UFF - Econometria 2/2009
Convergência em média quadrática
E[b|X]=β para qualquer X.
Var[b|X]0 para um X específico
b converge para β
b é consistente
Danielle Carusi Machado - UFF - Econometria 2/2009
Limite de probabilidade
− = − − = − − = + × ε = × ε = = = = ∑
∑
1 n i i i 1 1 1 n i i i 1 1 1 1 1 n n 1 1 1 1 n n n n 1 1 P lim( ) p lim n n 1 1 1p lim plim plim
n n n b X'X x b - X'X x X'X X' b - X'X X' X'X X' X'X ββββ β ε ββ εε β ε β ε ββ εε β ε εεεε − − = = 1 1 1 plim n 1
p lim assuming well behaved regressors. n
1 What must be assumed to get p lim ?
n X' Q X' X' 0 εεεε εεεε εεεε
Este plim deverá ser zero
Danielle Carusi Machado - UFF - Econometria 2/2009 A inversa é uma função contínua da matriz original.
Limite de probabilidade
w p Q b p w w n x n n X n X p n i i n i i i lim lim 1 1 ' ' lim 1 1 1 − = = + = = = = ∑
∑
ββββ εεεε εεεε εεεεDevemos encontrar o plim do último termo:
Para isto, devemos formular algumas hipóteses.
Hipótese crucial do modelo
O que devemos assumir para que plim(1/nX’ε)=0?1) xi= vetor aleatório com média e variâncias finitas e com distribuições idênticas.
2) εi= variável aleatória com uma distribuição constante com média e variância finitas e E(εi)=0
3) xie εisão estatisticamente independentes. wi= xiεi= uma observação em uma amostra aleatória, com matriz de covariância constante e o vetor de média igual a zero.
converge para sua esperança.
∑
wi n 1Limite de probabilidade
Danielle Carusi Machado - UFF - Econometria 2/2009 0 ) ( 1 ) ( 1 ) 1 ( ) ( 0 ) ( exata a expectativ a forma Desta 0 ) ( 1 1 1 = = = = = = = = =
∑
∑
∑
= = = i i i i i i i i i x i i i x i i x i w E n w E n w n E w E w E x E x E x x E E x w E E w E εεεε εεεεPela hipótese de exogeneidade e pela lei das
expectativas iteradas:
Limite de probabilidade
Danielle Carusi Machado - UFF - Econometria 2/2009
( )
[
]
[
( )
]
( )
[
]
[
]
( )
[
]
[
'|]
1 ' (2) ' 1 | ' ' 1 ' 1 | ' var I | ' usamos termo primeiro o calcular ara (1) 0 var var var ) var( 2 2 = = = = = + = + = n X X n n X X E X n X X n X n E X w w E X w X E P X w E X w E X w E w σσσσ εε εε εε εε εεεε εεεε σσσσ εε εε εε εεPela decomposição da variância:
Limite de probabilidade
Danielle Carusi Machado - UFF - Econometria 2/2009
( )
[
]
ββββ ββββ εεεε σσσσ σσσσ = + = = ∞ → = = = = = −.0 lim 0 ' plim : forma desta zero, para quadrática média em converge zero, para converge variância sua e zero é média a Como 0 . 0 ) var( lim . suficiente será Q para converge X/n) (X' plim que de hipótese A constante. matriz uma para convergir parênteses entre esperança a se zero para irá a A variânci ' ' var ) var( : (1) em (2) do Substituin 1 2 2 Q b p n X w w n Q w n X X E n n X X n E X w E wEMQ é consistente!!
Distribuição assintótica
− =
= +
×
ε
∑
1 n i i i 11
1
n
n
The limiting behavior of is the same as
that of the statistic that results when the
moment matrix is replaced by its limit. We
examine the behavior of the modified
b
X'X
x
b
ββββ
− =
+
×
ε
∑
n 1 i i i 1sum
1
n
Q
x
β
β
β
β
Danielle Carusi Machado - UFF - Econometria 2/2009
O comportamento limite de b é o mesmo da
estatística resultante da substituição da matriz de
momentos pelo seu limite.
Examinamos o comportamento da seguinte soma
modificada:
Resultados Assintóticos
− =
+
×
ε
∑
n 1 i i i 11
n
What is the mean of this random vector?
What is its variance?
Do they 'converge' to something? We use
this method to find the probability limit.
What is the asymptotic distribu
Q
x
ββββ
tion?
Danielle Carusi Machado - UFF - Econometria2/2009
Qual a média desta variável aleatória?
Qual sua variância?
Esta soma converge para algo? Podemos achar o
limite de probabilidade.
Qual a distribuição assintótica?
Distribuição assintótica
b β em probabilidade. Como descrever esta
distribuição?
Não tem uma distribuição limite
Variância b 0
Como estabilizar a variância? Var[√n b] ~ σ2Q-1 Mas, E[√n b]= √n β que diverge
√
n (b - β) é uma variável aleatória com média e
variância finitas (transformação que estabiliza)
b aproximadamente β +1/
√
n vezes a variável
aleatória.
Danielle Carusi Machado - UFF - Econometria 2/2009
Distribuição limite
√
n (b - β)
=
√
n (X’X)
-1X’ε
= (X’X/n)
-1(X’ε/
√
n)
No limite, isto é igual a (plim):
Q
-1(X’ε/
√
n)
Q é uma matriz positiva definida.
Comportamento depende da variável aleatória
(X’ε/
√
n)
Danielle Carusi Machado - UFF - Econometria 2/2009
Distribuição no limite: Normal
Danielle Carusi Machado - UFF - Econometria 2/2009
(
)
i i i i i i i i Q x x E x x w n w w E w n X n 2 2 ( ') ) var( : a igual variância e zero média têm vetores Estes : tes independen aleatórios vetores de média a é acima. aleatória variável da limite ão distribuiç a obter para TLC do Feller -Lindeberg versão a usar Podemos ) ( ' ) 1 ( σσσσ σσσσ εεεε εεεε εεεε = = = − =Distribuição no limite: Normal
Danielle Carusi Machado - UFF - Econometria 2/2009
Q
Q
Q
Q
n
x
n
x
n
n
w
n
w
n
Q
x
x
E
x
S
n n i i i i i i i i i i 2 2 2 2 2 2lim
)
var(
1
)
1
var(
)
var(
)
var(
)
'
(
)
var(
e
σσσσ
σσσσ
σσσσ
σσσσ
εεεε
εεεε
σσσσ
σσσσ
εεεε
=
=
=
=
=
=
=
=
∑
∑
∑
Distribuição no limite: Normal
Danielle Carusi Machado - UFF - Econometria 2/2009
{
}
(
)
(
)
(
1 2)
1 2 1 1 1 2 2 , 0 ) ( , 0 ' 1 , 0 ' 1 . a igual variância e zero média com os distribuíd tes independen vetores são : ) ( vetor o para TLC o aplicarmos para elementos todos Temos σσσσ ββββ σσσσ εεεε σσσσ εεεε σσσσ εεεε − − − − − → − → → − Q N b n QQ Q Q N X n Q Q N X n Q x w n d d d i i iDistribuição assintótica
Danielle Carusi Machado - UFF - Econometria
(
)
{ }
TLC. do ia consequênc com distúrbios dos e normalidad da depende não EMQ do a assintótic e normalidad : importante Resultado , ~ : que temos finita variância e zero média com os distribuíd temente independen são Se tes independen s observaçõe com b de a assintótic ão Distribuiç : Teorema , 0 ) ( 2 1 2 2 1 → − − − n Q N b Q N b n i d σσσσ ββββ σσσσ εεεε σσσσ ββββConsistência de s
2 = = − − − → − = − 2 2 1 1 n 1 s n K n K n K n n 1 n K 1 1 1p lim s plim plim ( )
n n n
1 1 1 1
plim plim plim ( ) p lim
n n n n 1 plim n What must be a -1 -1 -1 e'e 'M 'M 'M ' 'X X'X X' ' 'X X'X X' ' 0'Q 0 ε ε = ε ε ε ε =ε ε = ε εε ε ε ε = ε ε ε ε = ε ε − ε ε ε ε =ε ε = ε ε − εε ε − ε εε ε ε = ε ε − ε ε = ε ε ε ε = = ε ε ε ε εε εε = ε ε ε ε = ε ε − = = ε ε −ε ε − = ε ε − ε = σ2 2 1
ssumed to claim plim = E[ ] ? nε εε εε εε ε'
Consistência de s
2Danielle Carusi Machado - UFF - Econometria 2/2009 1 2 1 2 1 2 1 2
)
'
(
var
var
)
'
(
lim
− − − −=
=
=
X
X
s
b
est
Q
n
b
Q
n
X
X
s
p
σσσσ
σσσσ
Eficiência assintótica
Danielle Carusi Machado - UFF - Econometria 2/2009
Um
estimador
é
assintoticamente
eficiente
se
é
consistente, assintoticamente normalmente distribuído, e
tem uma matriz de covariância que não é maior que uma
matriz de covariância de qualquer outro estimador
consistente e com distribuição assintótica normal.
Econometria
1.
Propriedades assintóticas dos estimadores MQO
(continuação)
2.
Inferência – grandes amostras
Danielle Carusi Machado - UFF - Econometria 2/2009
Estatísticas de testes
Como estabelecemos a distribuição assintótica de b,
podemos construir estatísticas de testes. Baseamos os
testes na estatística de Wald.
F
[J,n-K] = (1/J)(Rb - q)’[R s
2(X
′′′′
X)
-1R
′′′′
]
-1(Rb - q)
Esta é a estatística de teste usual para testar hipóteses
lineares no modelo de regressão linear, seguindo uma
distribuição F exata se os erros são normalmente
distribuídos.
Qual o resultado mais geral? Quando não se assume
normalidade.
Danielle Carusi Machado - UFF - Econometria 2/2009
Estatística de Wald
Abordagem geral considerando uma distribuição univariadaQuadrado de uma variável normal padrão qui-quadrada com 1 grau de liberdade.
Suponha z ~ N[0,σ2] , desta forma (z/σ)2é uma qui-quadrada com 1 gl.
Suponha z~N[µ,σ2].
[(z -µ)/σ]2é uma qui-quadrada com 1 gl. Esta é a distância normalizada entre z e µ, onde a distância é medida em unidades de desvios padrão.
Suponha znnão é exatamente normalmente distribuída, mas (1) E[zn] = µ, (2) Var[zn] = σ2, (3) a distribuição limitede zné normal. (zn- µ)/σ N[0,1], que é umadistribuição limite, não é uma distribuição exata em uma amostra finita.
Danielle Carusi Machado - UFF - Econometria 2/2009
Extensões
Logo:τn2 = [(zn - µ)/σ]2 {N[0,1]}2, ouχ2[1].
Novamente, uma distribuição limite, não é uma distribuição exata. Suponhaσdesconhecido, e substituímosσpor um estimador
consistente paraσ, ou seja sn, tal que plim sn= σ. O que acontece com este “análogo empírico”?
tn= [(zn- µ)/sn]?
Como plim sn= σ, o comportamento desta estatística em uma grande amostra será igual ao comportamento da estatística original usandoσao invés de sn.
tn2 = [(zn - µ)/sn]2 converge para uma qui-quadrada[1]. tne τnconvergem para a mesma variável aleatória.
Danielle Carusi Machado - UFF - Econometria 2/2009
Forma Quadrática
Se um vetor aleatório x (dimensão k)
tem uma distribuição normal multivariada com
vetor de média igual a
µµµµ
e matriz covariância
igual a
ΣΣΣΣ
, a variável aleatória W = (x -
µµµµ
)
′Σ
′Σ
′Σ
′Σ
-1(x -
µµµµ
) tem uma distribuição qui-quadrada
com K graus de liberdade..
Prova
ΣΣΣΣ1/2é uma matriz tal que:ΣΣΣΣ1/2× ΣΣΣΣ1/2= ΣΣΣΣ. Logo, V = (ΣΣΣΣ1/2)-1é a inversa da raiz quadrada, tal que V×V = ΣΣΣΣ-1/2ΣΣΣΣ-1/2 = ΣΣΣΣ-1.
Se z = (x -µµµµ). O z tem média 0, matriz covariânciaΣΣΣΣ, e distribuição normal.
O vetor aleatório w = Vz tem média V0 = 0 e matriz covariância VΣΣΣΣV′′′′
= I.
w tem uma distribuição normal com´média 0 e matriz covariância I. w′′′′w = Σkwk2onde cada elemento é o quadrado de uma normal padrão, logo uma qui-quadrada(1). A soma de qui-quadradas é igual a uma qui-quadrada, logo:
w′′′′w = (x -µµµµ) ′Σ′Σ′Σ′Σ-1(x -µµµµ).