La Importancia y Las Características Del Teorema de Gauss Markov

UNIVERSIDAD AUTNOMA METROPOLITANA
Licenciatura en Economa
Econometra 11
REF. Nota 1 2005i

Notas acerca del Teorema de Gauss Markov y su importancia en el anlisis economtrico
Roberto M. Constantino T.
Departamento de Produccin Econmica
Mxico
Antecedentes.
La utilidad de los modelos de regresin en el proceso de toma de decisiones y en el anlisis
econmico en general, se fundamenta en el hecho que las estimaciones de los parmetros de una
funcin de regresin poblacional que se pueden construir son confiables.
Sin importar por el momento el hecho que para la construccin de un modelo de regresin no
slo se requieren de condiciones estadsticas, probabilsticas y algebraicas que deben cumplirse,
sino tambin debe existir relevancia terica y emprica en el diseo desde el punto de vista de la
economa como disciplina. Vale la pena considerar la importancia del cumplimiento del Teorema
de Gauss Markov (TGM) para garantizar la confiabilidad de un modelo.
En el fondo, el problema al que se alude cuando se hace referencia al TGM no es otro que el de
la existencia de condiciones que deben cumplirse en el diseo y desarrollo de un modelo de
regresin para que sus eventuales resultados tengan una utilidad analtica.
El TGM se enuncia de la siguiente manera:
Del conjunto de estimadores lineales insesgados que se pueden
construir para aproximar un conjunto de parmetros, los que se
obtienen a travs de la tcnica de Mnimos Cuadrados Ordinarios
son los ms eficientes
Sin que estas notas de curso pretendan ser exhaustivas en ningn sentido, si tienen como objetivo
presentar de manera didctica el origen de las restricciones que acompaan el diseo y el
desarrollo de los modelos de regresin desde el enfoque clsico. En particular, se pretende una
exposicin de los desarrollos algebraicos que justifican las condiciones de linealidad,
insesgamiento, eficiencia, consistencia y apalancamiento que se requieren para disponer de
estimadores estadsticamente confiables.
El problema de la confiabilidad de los estimadores o por qu tanto brinco estando el suelo
tan parejo?
Al trabajar con modelos estocsticos, una pregunta frecuente entre quienes deben trabajar con
ellos es qu tan confiables son los resultados que se pueden obtener? En el fondo el problema
de la confiabilidad tiene que ver con el cumplimiento de un conjunto de caractersticas que
suelen atribuirse a los indicadores estadsticos y probabilsticos que se construyen con base en
informacin muestral.
Se espera que un indicador probabilstico lineal que se construya sea insesgado, eficiente,
consistente y representativo. Con ello, se establecen las condiciones para que el indicador
muestral pueda emplearse con algn grado de confianza para fortalecer el proceso de toma de
decisiones o identificar las regularidades empricas que caracterizan a algn fenmeno
econmico.
Expuesto de manera didctica, sin evitar algn grado de complejidad, puede establecerse la
importancia de los atributos sealados anteriormente en la siguiente tabla.
Caracterstica del
estimador
Linealidad
Insesgamiento
Eficiencia
Consistencia
Apalancamiento
Implicacin
Aproximacin conveniente de
formas funcionales. Se
disponen de tcnicas variadas
para efectuar los clculos.
Facilidad interpretativa de las
relaciones sujetas a estudio.
La estimacin muestral es una
aproximacin correcta del
verdadero valor de los
parmetros de una funcin
poblacional.
La varianza del estimador es
la menor posible. Garantiza
que el coeficiente de
variabilidad es el ms
reducido y el estimador de
tendencia central es
descriptivo del fenmeno
poblacional.
La estimacin que se puede
construir con informacin
muestral mejora conforme se
incrementa el tamao de la
muestra empleada.
En la medida que el modelo
de regresin es una
estimacin de una funcin
probabilstica condicional, se
requiere que la dispersin de
las variables independientes
sea diferente de cero. Ello con
la intencin que la nube de
puntos a partir de la cual se
genera la recta de regresin
no est concentrada, sino
dispersa.
UNIDAD XOCHIMILCO
Calzada del Hueso 1100, Villa Quietud, Coyoacn, Mxico D.F. 04960.
Demostracin en
esta nota
1er demostracin
2da demostracin
3er demostracin
4ta demostracin
5ta demostracin
Los atributos requeridos para establecer la confiabilidad de un estimador que puede ser empleado
para referirse a las caractersticas de un fenmeno poblacional, tambin tienen una expresin en
los denominados supuestos clsicos del modelo de regresin. stos constituyen las condiciones
que garantizan el cumplimiento de las condiciones del TGM, a saber:
1.
2.
3.
4.
El modelo est correctamente especificado y es lineal.

El valor esperado de los errores es cero.
La varianza de los errores es constante.
No existe relacin lineal entre trminos de error que corresponden a diferentes
observaciones o perodos de tiempo.
5. No existe relacin lineal entre las variables independientes y los trminos de error
aleatorio.
6. No existe relacin lineal alguna entre variables independientes.
7. Los errores se distribuyen normalmente con media cero y desviacin estndar sigma.
Garantizar el cumplimiento de cada uno de los supuestos antes mencionados es importante en la
medida que de cumplirse con ellos se satisfacen, a su vez, cada uno de los atributos requeridos a
los estimadores que se pueden calcular. Y, por lo tanto, es razonable atribuir un poder descriptivo
o predictivo a los estimadores muestrales.
Demostracin 1. La linealidad en un modelo de regresin depende de sus estimadores y no
de las variables incorporadas en una funcin.
Se est acostumbrado a pensar en la condicin de linealidad de manera geomtrica. La
traduccin de sta en trminos algebraicos requiere de un ejercicio de imaginacin. Al considerar
la linealidad en trminos geomtricos implcitamente se acude al principio de linealidad con base
en las variables. De hecho, al explorar las diferentes alternativas de funciones sta es la primera
idea que confrontamos. Para este caso pensemos en las funciones polinmicas, es decir,
funciones constituidas por varios trminos.
Con base en lo anterior, una funcin lineal es aquella que se manifiesta como la agregacin
algebraica de trminos de grado uno1 y que tienen una expresin geomtrica de recta. Esta
caracterstica es fundamental y tendremos que subrayarla: es una agregacin algebraica de
trminos de grado uno. An aquellas funciones que no tienen una expresin de lnea recta, como
por ejemplo la grfica que corresponde a una funcin cuadrtica, es una expresin lineal desde la
perspectiva de los parmetros de la funcin, aunque no lo sea desde la perspectiva de las variable
involucradas.
Por qu el supuesto de linealidad es tan importante en el caso de los modelos de regresin?
Existen dos razones principales. La primera tiene que ver con la mayor disponibilidad de
tcnicas que nos permiten aproximar las funciones de este tipo. La segunda, pero no por ello
menos importante tiene que ver con la relativa facilidad interpretativa asociada a las funciones
lineales.
. Ms correctamente se denominan a stas funciones montonas de grado uno.
UNIDAD XOCHIMILCO
Para la demostracin correspondiente asumamos el caso funcional ms simple, un modelo de

regresin univariado. De manera que dada la existencia de una funcin de regresin poblacional
que debe ser aproximada con base en informacin muestral, el modelo est correctamente
especificado. Lo primero que debemos atender es cul es el valor algebraico de los estimadores
de regresin obtenidos a travs de la tcnica de Mnimos Cuadrados Ordinarios?
Y = f (X )
Y = 0 + 1 X + u Y = 0 + 1 X + u
Si :
) = (Y
X ) = 0
u i = Yi Yi u i2 = Yi Yi
u i2
= 2 Yi 0
1 X
1
* ( 2 )
u
= 2 X Yi 0 1 X = 0
1
Yi n0 1 X i = 0LLLLL(1)
2
i
X Y X X = 0LL(2)
Y = n + X LLLLLL(1' )
X Y = X + X LLL(2' )
(2' ) * n (1' ) X :
n X Y Y X = n X ( X )
n X Y Y X = [n X ( X ) ]
n X Y Y X
LL (3)
=
n X ( X )
i i
i i
2
i
2
i
i i
i i
i i
2
i
2
i
2
i
De (1' ) :
n0 = Yi 1 X i
0 = Y 1 X LLLLLLL (4)
Antes de efectuar las demostraciones requeridas en el TGM, necesitamos generar una
simplificacin adicional. Una vez que hemos determinado el valor algebraico de los estimadores
de regresin de un modelo simple (ecuaciones 3 y 4 anteriores), requerimos de un supuesto
simplificador adicional que facilitar las demostraciones requeridas en el TGM. ste consiste en
determinar el valor de los estimadores con base en desviaciones lineales (designadas con literales
minsculas), de modo que si:
UNIDAD XOCHIMILCO
Y = X = 0 0 = 0
xi = X i X = X i 0 = X i
yi = Yi Y = Yi 0 = Yi
De (3) :
1 =
n X iYi Yi X i
n X ( X i )
2
i
n xi y i 0 * 0
n x (0 )
2
i
x y
x
2
i
x Y LLLL(5)
x
i i
2
i
Ahora bien, con el propsito de demostrar el principio de linealidad vinculado con la tcnica de
MCO, y establecido en el TGM; al introducir un cambio de variable en la ecuacin cinco
(lamda), se puede observar con claridad que la linealidad en los modelos de regresin se mide en
los estimadores y no en las variables. Esto puede interpretarse tambin en el sentido que la
estimacin del modelo siempre se encuentra sobre la funcin lineal que se ha estimado:
1 =
xY
x
i i
2
i
Si : =
1 =
xi
xi2
xY = y
x
i i
2
i
Como se puede observar, los estimadores de regresin son combinaciones lineales de las
variables en el modelo. Es decir, se pueden plantear como agregaciones algebraicas de
expresiones con grado 1.
Demostracin 2. La condicin de insesgamiento: la necesidad de un supuesto que establezca

que las variables independientes no son aleatorias, o bien los errores son no controlables.
Con base en la simplificacin que se ha construido a partir de la expresin del estimador de
regresin con desviaciones, es posible plasmar la idea del insesgamiento de los estimadores de
regresin y la necesidad de mantener un supuesto que garantice que la variacin conjunta entre
variables independientes y trminos de error aleatorio es cero.
Para ello, se sustituye en la ecuacin 5 el valor de la funcin de regresin poblacional:
1 =
x Y = x ( + X + u ) = x
x
x
i i
2
i
2
i
+ 1 xi2 + xi ui
2
i
E ( xi u i )
E 1 = 1 +
E 1 = 1 E ( xi ui ) = 0LLLL(6)
Vx
( )
( )
UNIDAD XOCHIMILCO
Demostraciones 3, 4 y 5. Las condiciones de eficiencia, consistencia y apalancamiento con

base en el error estndar del estimador.
Para el caso de las demostraciones de las condiciones de eficiencia, consistencia y
apalancamiento, una forma intuitivamente simple de plantear el problema es abordarlo desde la
perspectiva del error cuadrtico medio. De manera que, partir del equivalente algebraico de del
estimador que se construy en la ecuacin 5, se plantea el anlisis de la varianza del estimador:
xi y i
V 1 = V
x2
i
( )
( )
EE 1 =
xi2
1
=
x 2
i

=
n
n
xi2
1 2
*
2
xi
( x )*V ( y ) =
2
i
=
n
xi2
n * sx
1
n sx
LLLL(7)
n
Al observar la ecuacin 7, en la que se exponen las caractersticas del error estndar, se tiene
claro que el error estndar (desviacin estndar) del estimador se podr reducir bajo alguna de
las siguientes consideraciones:
EE 1 n
s
x
( )
Las cules, como fcilmente puede apreciarse, constituyen las condiciones de eficiencia,
consistencia y apalancamiento, en ese orden.
UNIDAD XOCHIMILCO

La Importancia y Las Características Del Teorema de Gauss Markov

Cargado por

Copyright:

Formatos disponibles

La Importancia y Las Características Del Teorema de Gauss Markov

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

La Importancia y Las Características Del Teorema de Gauss Markov

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD AUTNOMA METROPOLITANA

REF. Nota 1 2005i

El modelo est correctamente especificado y es lineal.

. Ms correctamente se denominan a stas funciones montonas de grado uno.

Para la demostracin correspondiente asumamos el caso funcional ms simple, un modelo de

Demostracin 2. La condicin de insesgamiento: la necesidad de un supuesto que establezca

Demostraciones 3, 4 y 5. Las condiciones de eficiencia, consistencia y apalancamiento con

También podría gustarte