You are on page 1of 1

MNIMOS CUADRADOS GENERALIZADOS Modelo General: Y=X+u

Problema Se conoce con certeza Se conoce la estructura del problema y se puede estimar Existe el problema pero no se tiene idea de la forma de
Se detecta heterocedasticidad (por ejemplo por White) pero el test no indica claramente cmo es el patrn de heteroscedasticidad. La solucin es estimar el modelo por MCO para obtener estimadores insesgados y para solucionar el problema de la variancia ineficiente White plantea el siguiente estimador para la variancia el cual es asintticamente eficiente:

Se Transforman los datos. Como se conoce Con algunos tests (por ejemplo Glejser, White u otros) se puede llegar a tener una idea del patrn de 2 i se divide cada observacin por la heteroscedasticidad y se estima la variancia. Con los desviacin estndar del error estimados de la variancia se pondera de la siguiente correspondiente: manera: yi x1i y x * * i * * , x1i = , i = yi = yi* = i , x1i = 1i , * = i i i i i i i i con ello se estima: con ello se estima: mcg = ( X * X * ) 1 X * Y * mcgf = ( X * X * ) 1 X * Y * , que es el estimador Heteroscedasticidad a esto tambin se le conoce como Mnimos de Mnimos Cuadrados Generalizados Factibles. Cuadrados Ponderados. Estos estimadores son asintticamente Este estimador es insesgado y eficiente. eficientes. Una alternativa es realizar la estimacin: Una alternativa es estimar y estimar:

1 n Var ( ) = n( X X ) 1 ei2 xi xi ( X X ) 1 n i =1

mcg = ( X 1 X ) 1 X 1Y

mcgf = ( X 1 X ) 1 X 1Y

Autocorrelacin

Se transforman los datos. Si se conoce la Se transforman los datos. Si se ha detectado la Se detecta autocorrelacin pero no se logra estructura de autocorrelacin del error estructura de la autocorrelacin y se puede estimar determinar exactamente cul es el patrn. (suponga un AR(2)), entonces: (suponga un AR(2)), entonces: La solucin es estimar el modelo por MCO para t = 1 t 1 + 2 t 2 + t t = 1 t 1 + 2 t 2 + t obtener estimadores insesgados, pero para la transformacin adecuada sera: la transformacin adecuada sera: solucionar el problema de la variancia * * ineficiente Newey y West plantean el siguiente y t = y t 1 y t 1 2 y t 2 y t = y t 1 y t 1 2 y t 2 estimador para la variancia el cual es * * x1t = x1t 1 x1t 1 2 x1t 2 x1t = x1t 1 x1t 1 2 x1t 2 asintticamente eficiente: * * t = t 1 t 1 2 t 2 = t t = t 1 t 1 2 t 2 = t L n 1 wl ( xt xt l + xt l xt ) ( X X ) 1 con la transformacin se logra que el error con la transformacin se logra que el error sea ruido Var () = n( X X ) 1 S 0 + n l =1 t = l +1 sea ruido blanco. Entonces se halla: blanco. (El caso ms conocido es el del algoritmo de Cochrane-Orcutt). Entonces de halla: * * 1 * * mcg = ( X X ) X Y mcgf = ( X * X * ) 1 X * Y * el cual es el el cual es estimador insesgado y eficiente. estimador de Mnimos Cuadrados Generalizados Factibles. El estimador es insesgado y asintticamente eficiente.