ANEXO 4

TEORA ASINTTICA


1. Convergencia en probabilidad

Definicin 1. Se dice que la sucesin de variables aleatorias X
1
,

X
2
,...X
t
,...
converge en probabilidad a la variable aleatoria X si:

c >0, P
t
lim [ X X
t
<c ] 1 =

La convergencia en probabilidad de la sucesin anterior se indica mediante
la notacin plim X
t
= X. Una sucesin de variables aleatorias interesantes es
la formada por los estimadores
t
u

de un parmetro desconocido u que van

obtenindose segn aumenta el tamao muestral. As,
t
u

denota el
estimador de u obtenido con las primeras t observaciones muestrales,
1

+ t
u
denota el estimador obtenido con las primeras t+1 observaciones, y as
sucesivamente. Si la sucesin
t
u

converge en probabilidad al verdadero

valor (desconocido) del parmetro u , entonces se dice que el estimador u

es consistente. Es decir:

Definicin 2. El estimador u

del parmetro u es consistente si al obtener la

sucesin { }

=1

t t
u del modo descrito se tiene:

c >0, P
t
lim [ u u
t

<c ] 1 =

Cuando un estimador no es consistente, a la diferencia plim u u )

(
t
E se le
denomina sesgo asinttico.

Es preciso hacer notar que:

I. La definicin de convergencia en probabilidad se generaliza
inmediatamente al caso de una sucesin de vectores aleatorios de
dimensin k fija, sin ms que sustituir el valor absoluto en la definicin
anterior por la norma eucldea del vector diferencia u u
t

.

II. La variable aleatoria lmite X en la definicin pudiera tener una
distribucin de probabilidad degenerada en un punto, es decir, ser una
constante. De hecho, en aplicaciones economtricas le preocupa al
investigador saber si el estimador que utiliza es consistente, lo que
equivale a averiguar si su lmite en probabilidad coincide con el vector
constante de parmetros desconocidos.

Una condicin suficiente para la convergencia en probabilidad de una
sucesin de variables aleatorias a una constante viene dada por la:

Proposicin 1. Si c X E
t
= ) ( para todo t y si 0 lim ) ( lim
2
= =
t t
t
X Var o ,
entonces plim 0 =
t
X .

Proposicin 2. Si
t
lim c X E
t
= ) ( para todo t y si
0 lim ) ( lim
2
= =
t t
t
X Var o , entonces plim 0 =
t
X .




2. Convergencia en distribucin

Definicin 3. Sea X
1
, X
2
,..., X
t
,... una sucesin de variables aleatorias con
funciones de distribucin F
1
, F
2
,...,F
t
,... Supongamos ) ( ) ( x F x F
t
en todos
los puntos de continuidad de la funcin F(x) y que, en ellos, F(x) es una
funcin de distribucin. Entonces se dice que la sucesin de variables
aleatorias X
t
converge en distribucin a X, donde X es una variable aleatoria
con funcin de distribucin F, y se representa por X X
d
t
.

La definicin de convergencia en distribucin se extiende, sin ninguna
dificultad, al caso de vectores aleatorios.

3. Teorema Central del Lmite. Sea X
1
, X
2
,...,X
t
,...una sucesin de vectores
aleatorios de dimensin k, independientes entre s e idnticamente
distribuidos, con u X E
i
= ) ( y = ) (
i
X Var . Entonces se tiene:

( )
(

, 0
1
1
k
d
T
t
N u X
T
T

4. Teorema de Mann-Wald. Sea X una matriz Txk y u un vector de dimensin
T tales que:

i. 0 ) ( = u E ,
T u
I uu E
2
) ( o = .
ii. 0 ) ( = u X E
i
, = i 1, 2, ...,k, donde
i
X es la columna i-sima de la matriz
X .
iii. plim
xx
T
X X
= |
.
|

\
|
< , donde
xx
es una matriz simtrica, definida
positiva.

Entonces se tiene que:

a) plim
k
T
u X
0

= |
.
|

\
|

b) ( )
xx u
d
N
T
u X

2
, 0

o





ANEXO 5

ESTIMACIN CON RETARDOS DE LA VARIABLE ENDGENA
CUANDO EL TRMINO DE ERROR NO TIENE AUTOCORRELACIN
SERIAL


Si apareciesen valores retardados de la variable endgena como variables
explicativas, entonces dejara de cumplirse uno de los supuestos bajo los que se
desarrollan las teoras de estimacin e inferencia del modelo economtrico,
pues algunas de las variables explicativas seran ahora variables aleatorias (ya
que por ejemplo un rezago
1 t
y lo es). Sin embargo, si el trmino de error no
tiene autocorrelacin, el problema de estimacin no es muy importante.

Consideremos, por ejemplo, el modelo:


t t t
u y y + =
1
| , | <1 (1)


donde
t
u es un proceso de ruido blanco. El estimador de mnimos cuadrados
del parmetro | es:

( )

+ =
+
= =
T
T
t
T
t t
T
t
t t t
T
t
T
t t
MCO
y
u y
y
y u y
y
y y
2
2
2
1
2
1
2
2
1
1 1
2
2
1
2
1

|
|
|

de modo que el estimador ser insesgado si y slo si se cumple:

0
2
2
1
2
1
=
|
|
|
|
.
|

\
|

T
t
T
t t
y
u y
E (2)

Si la distribucin de
t
u fuese independiente de
s
y para todo par (t,s), entonces
se tendra para s = 2,...,T

( ) 0
2
2
1
1
2
2
1
1
=
|
|
|
|
.
|

\
|
=
|
|
|
|
.
|

\
|

s
T
t
s
T
t
s s
u E
y
y
E
y
u y
E (3)

por lo que la condicin (2) se cumplira y el estimador MCO sera insesgado.
Sin embargo, (3) muestra que las distribuciones de
t
y y
s
u no son
independientes, puesto que si el valor absoluto de | es inferior a la unidad,
entonces:

=

=
0 s
s t
s
t
u y |

por lo que
t
y depende de
t
u y de valores retardados de
t
u . Por consiguiente, y
puesto que
t
u es ruido blanco,
t
y ser independiente de
s t
u
+
, para 1 > s ; en
particular, 0 ) (
1
=
t t
u y E , por lo que el numerador de la fraccin en (2) tendr
esperanza cero. Lo que ocurre es que el denominador incluye valores de
t
y
posteriores a
s
u , por lo que no podemos efectuar el desarrollo en (3). El
estimador MCO del modelo (1) ser, en general, sesgado. Sin embargo, bajo
determinadas condiciones, dicho sesgo tiende a cerro, por lo que el estimador
MCO de (1) es consistente.




Consideremos ahora el modelo:


t t t t
u x y y
3 1 2 1
| | | + + =

,
2
| <1

cuyas variables explicativas y trmino del error satisfacen las siguientes
propiedades:

a)
T
u E 0 ) ( = ,
t u
I uu E
2
) ( o = , es decir, no existe autocorrelacin.
b) 0 ) ( =
t t
u x E para todo t, ya que
t
x es determinista.
c) 0 ) (
1
=
t t
u y E pues aunque
1 t
y es estocstica, si
2
| <1,
1 t
y depende de
1 t
u ,
2 t
u ,..., pero no de
t
u , y si este proceso es un ruido blanco, entonces
se tiene el resultado citado.
d) plim
xx
T
X X
= |
.
|

\
|
, matriz simtrica, definida positiva, donde:

|
|
|
|
|
|
|
.
|

\
|

T
t
T
t t
T
t
T
t
T
t
x
x y y
x y T
X X
2
2
2
1
2
2
1
2 2
1
1


que a pesar de ser denotada por XX incluye tambin, en este caso, valores
de la variable endgena, por aparecer un retardo suyo como variable
explicativa. Esta condicin d) se satisface, en general, bajo el supuesto
2
| <1, siempre que existan las varianzas y covarianzas de las variables
explicativas
t
x e
1 t
y . Con estos supuestos, el teorema de Mann-Wald
(vase Anexo 4) asegura que:

plim
k
T
u X
0

= |
.
|

\
|


y que:

) , 0 (

2
xx u
d
N
T
u X
o

de modo que se tiene:

plim =
MCO
|

plim =
(
(

|
.
|

\
|
|
.
|

\
|
+

T
u X
T
X X `
1
|

+ = | plim
(
(

|
.
|

\
|
1

T
X X
plim | | = + = |
.
|

\
|

k xx
T
u X
0

1


y el estimador de mnimos cuadrados ordinarios es consistente.