Professional Documents
Culture Documents
I.
Ejemplo 1:
Sean 1 ; 2 ;.; observaciones muestrales independientes, provenientes de una
distribucin de Poisson con parmetro . Encuentre el estimador de MV de .
Desarrollo:
1 L = f (; 1 ; 2 ;; ) = f (; 1 ) * f (; 2 ) * . * f (; )
=
1
1 !
2
2 !
*.*
=1
=1 !
2 ln L = (=1 ) ln n ln(=1 !)
3
=1
=1
=0
= =1
=
Ejemplo 2:
Sea 1 ; 2 ;.; observaciones muestrales independientes, provenientes de una
distribucin exponencial con parmetro . Encuentre el estimador de MV de .
Desarrollo:
1 L = f (; 1 ; 2 ;; ) = f (; 1) * f (; 2 ) *. * f (; )
=
=
1
2 ln L = n ln =1
*
1
=1
*.*
= +
4 (
=0
)=0
= =
Ejemplo 3:
Sean 1 ; 2 ;.; observaciones muestrales independientes obtenidas de la siguiente
funcin de densidad.
f (y)
Y>0
0,
c.o.v
Encuentre el estimador de MV de .
1
1
2
2 .
1
2
= 2 =1 =1
2 ln L = 2n ln + ni=1 ln Yi
3
4
dln L
d
n
i=1 Yi
MV
2n
n
i=1 Yi
2
ni=1 Yi
=0
= 2n
n
Y
MV = i=1 i
2n
f (1 ; 2 ;.; ) =
2 [( ) ( )]
(2) 2 ||2
Donde:
= 2
|| = | 2 | = 2
1 = ( 2 )1 =
f (1 ; 2 ;.; ) =
f (1 ; 2 ;.; ) =
(2) 2
( 2 ) 2
[() ()]
2
[( ) ]
2
2
(2) 2 ( 2 ) 2
Ntese que:
f (; 2 ; 1 ; 2 ;.; ) =
1
1
(2)2
. .
f (; 2 ; 1 ; 2 ;.; ) =
1
(2 )2
2
1
1
1
(2)2
[(1 ) ]
1
(2 )2
[(
1
(2)2
) ]
1
(2 )2
[(2 ) ]
2
2
1
(2) 2 ( 2 ) 2
[( ) ]
2
f (1 ; 2 ;.; ) =
(2) 2 ( 2 ) 2
[ ]
2
1 L = f (; 2 ; 1 ; 2 ;.; )
=
(2) 2
(2 ) 2
[ ]
2
2 ln = 2 ln 2 2 ln 2
1
22
[( ) ( )]
= 22 [2 + 2] = 0
=
= ( )
2 =
2 2
Insesgado asintticamente
COTA DE CRAMER-RAO
Si la funcin de densidad de un estimador insesgado cumple ciertas condiciones de
regularidad, entonces la varianza de dicho estimador es al menos igual a:
[()]1
2
= ( [
])
En muestras finitas:
Si un estimador en muestras finitas cumple con la cota de Cramer-Rao, ste es el
estimador de MV.
Propiedades Asintticas:
Invarianza: El estimador de mxima verosimilitud (MV) de una funcin de , g (),
.
es simplemente la funcin evaluada en el estimador de MV de ,
)
[()] = (
=
Consistencia:
[; [()]1 ]
Asintticamente insesgado
Asintticamente eficiente
Ejemplo:
Encuentre la cota de Cramer-Rao para el estimador de MV correspondiente a una
exponencial.
Sabemos que,
1
2
2
= +
=
2
3
2 ln
2
[
] = ( 2) 3 [
]
2
=(
( )
)
2
3
= ( 2) 3
)
2
2
= 2
=(
2 ln
( [
])
2
)=
(
CASO MULTIVARIANTE
1
[()]1
2 ln
= ( [
])
2 ln
1
2 ln
1 2
2 ln
2 2
2 ln
1
2 ln
2
2 ln
2
2 ln
2
Matriz
1
[( ) ( )]}
ln = ln(2) ln 2 {
2
2
2 2
=
=
1
2
[ + ] =
2
2 2
2 4
[]
2
2 ln
2
2 ln
2 ln L
( 2 )2
2 4
[24
]=
]=
]=
1
4
1
6
( ) 24
2 24
24 =
2
24
= 24
( ) = 0
Finalmente:
[()]1
2
= [
0
0
]
2 4
2 ( )1
=[
1
(2) 2 ||2
2 [( ) ( )]
en el modelo generalizado = 2
(; 2 ) =
1
(2) 2 (2 ) 2 ||2
1
22
[( ) ( )]
0
2 4 ]
Obteniendo el logaritmo:
ln =
1
1
ln(2) ln 2 ln|| 2 [( ) ( )]
2
2
2
2
ln
1 [( ) ( )]
= 2
=0
ln
ln
ln
= 0, pero =
= 0, sin embargo =
= 0,
Lo que nos indica que el estimador de MV no es mas que un estimador de MCO del modelo
transformado, con perturbaciones .
Conclusin: Si se conoce , entonces el estimador de MV del modelo generalizado es
simplemente el estimador de MCG. Si no se conoce entonces no necesariamente se
cumple que el estimador de MV sea igual al estimador de MCGF (Exposicin No 3:
Estimacin de Mxima Verosimilitud en el modelo con Heterocedasticidad y en el Modelo
con un esquema AR (1)).
TEST ASINTTICOS
La llamada trada de test asintticos est conformada por los siguientes test:
Test de la Razn de Verosimilitud
Test de Wald
Test del Multiplicador de Lagrange
En este documento, solamente revisaremos los dos primeros
ln L
ln L/
LNR
lnL
RV
ln L
LR
c() Restriccin
Wald
NR
=R
LNR
2
2
ln L = ln(2) ln
2
2MV =
, sabemos que
, por lo tanto
n
n
n
]
ln L = ln(2) ln [
2
2
n
2
n
n
n
n
ln L = ln(2) ln[
] + ln n
2
2
2
2
n
n
n n
ln L = ln(2) + ln n ln(
)
2
2
2 2
A
ln L = A
n
ln(
)
2
Por lo tanto:
n
2 [A 2 ln(
)R A +
n
2
ln(
)NR ]
RV = [n ln(
)R n ln(
)NR ]
) ]?
A qu es igual [(
Utilizando series de Taylor se puede demostrar que:
) ] = [ (
)]
[(
Donde =
()
2
=2
3
1
(3 + 4 )2 = 5
4 = 1
Construya
0
=
0
[0
1
3
0
0
2
3 2
1
1
(3 + 4 )2
2
0
0
1
1
(3 + 4 )2
2
]
1
1
2 + 3
2 + 3 2
1 1 0
2
0
2
0 1 0] = [ 3 ] [4] = [ 3 4 ] = [0]
0 0 1 3
0
0
4
4 0
[
4 ]
)
(
En este caso:
] [ (
) ]1 [
] 2
= [
Con q grados de libertad para hiptesis lineales.
Ntese que ya que el test R utiliza una distribucin F de Fisher y supone
normalidad. Por otro lado, el test slo es vlido para n grandes
] [ 2 () ]1 [
]
[
F=
2
( 2)
2
2
2 (XX)1 = 2
1
1
] [ 2
[
] [ ]
1
] [ (
) ]1 [
]
[
Con lo que finalmente, la relacin entre el test F y el test de Wald est dada por: