Por que o estimador OLS do coeficiente AR (1) é enviesado?


11

Estou tentando entender por que o OLS fornece um estimador tendencioso de um processo AR (1). Considere Nesse modelo, a exogeneidade estrita é violada, ou seja, e estão correlacionados, mas e não são correlacionados. Mas se isso for verdade, por que a derivação simples a seguir não se aplica? ytεtyt-1εtPlim β

yt=α+βyt1+ϵt,ϵtiidN(0,1).
ytϵtyt1ϵt
plim β^=Cov(yt,yt1)Var(yt1)=Cov(α+βyt1+ϵt,yt1)Var(yt1)=β+Cov(ϵt,yt1)Var(yt1)=β.

Houve algumas perguntas relacionadas no Cross Validated. Você pode se beneficiar de procurá-los.
Richard Hardy

Eu os vi, mas eles realmente não me ajudaram. Encontrei uma prova e simulações que mostram esse resultado. O que me interessa é o que há de errado com meu raciocínio acima.
Florestan

11
Quando você está usando , não está abordando a consistência e não a (des) parcialidade? Para (des) parcialidade, você deve usar as expectativas. plim
Richard Hardy

Você está completamente certo, isso poderia resolver o enigma. Portanto, se a equação acima não se mantiver sem plim, não contradiz a parcialidade do OLS em amostras pequenas e mostrará a consistência do OLS ao mesmo tempo. Embora eu esteja um pouco inseguro: essa fórmula de covariância sobre variância realmente é válida apenas para a plim e não para a expectativa? Muito obrigado já!
Florestan

11
O próprio estimador OLS não envolve nenhum s; você deve apenas olhar as expectativas em amostras finitas. plim
Richard Hardy

Respostas:


10

Como discutido essencialmente nos comentários, a imparcialidade é uma propriedade de amostra finita e, se mantida, seria expressa como

E(β^)=β

(onde o valor esperado é o primeiro momento da distribuição de amostra finita)

enquanto consistência é uma propriedade assintótica expressa como

plimβ^=β

O OP mostra que, embora o OLS nesse contexto seja tendencioso, ele ainda é consistente.

E(β^)βbutplimβ^=β

Aqui não há contradição.


6

@Alecos explica bem por que uma plim correta e imparcial não são as mesmas. Quanto à razão subjacente pela qual o estimador não é imparcial, lembre-se de que a imparcialidade de um estimador exige que todos os termos de erro sejam médios independentemente de todos os valores do regressor, .E(ϵ|X)=0

No presente caso, a matriz regressora consiste nos valores , de modo que - veja o comentário de mpiktas - a condição se traduz em para todos .y1,,yT1E(ϵs|y1,,yT1)=0s=2,,T

Aqui temos

yt=βyt1+ϵt,
Mesmo sob a suposição , temos que Mas também é um regressor para valores futuros em um modelo AR, como .E(ϵtyt1)=0
E(ϵtyt)=E(ϵt(βyt1+ϵt))=E(ϵt2)0.
ytyt+1=βyt+ϵt+1

3
Eu acrescentaria o esclarecimento de que nesse caso se traduz em para cada . Em seguida, a discussão adicional se torna um pouco mais clara. E(ε|X)E(εs|y1,...,yT)s
Mvctas # 19/16

bom ponto, eu fiz uma edição #
Christoph Hanck 19/10/16

3

Expandindo em duas boas respostas. Anote o estimador OLS:

β^=β+t=2Tyt1εtt=2Tyt12

Para imparcialidade precisamos

E[t=2Tyt1εtt=2Tyt12]=0.

Mas para isso precisamos que para cada . Para o modelo AR (1), isso claramente falha, pois está relacionado aos valores futuros .E(εt|y1,...,yT1)=0,tεtyt,yt+1,...,yT


Apenas para verificar se eu entendi direito: o problema não é o numerador, pois cada t e não estão correlacionados. O problema é o denominador que apresenta t mais altos, de tal forma que existe correlação entre numerador e denominador, para que eu não possa assumir a expectativa dentro da soma do numerador (sob estrita exogeneidade eu poderia fazê-lo ?!). Essa é a intuição matemática correta? ϵ tyt1ϵt
Florestan

Sim, essa é a intuição correta. Observe que a exogeneidade estrita não é possível neste caso, mas, para imparcialidade, a exogeneidade estrita se torna um requisito.
Mvctas # 21/16
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.