Estoy tratando de entender por qué OLS da un estimador sesgado de un proceso AR (1). Considere En este modelo, se viola la exogeneidad estricta, es decir, y están correlacionados pero y no están correlacionados. Pero si esto es cierto, ¿por qué no se cumple la siguiente derivación simple? ytεtyt-1εtPlim β
time-series
least-squares
bias
autoregressive
estimators
Florestan
fuente
fuente
Respuestas:
Como se discutió esencialmente en los comentarios, la imparcialidad es una propiedad de muestra finita, y si la tuviera se expresaría
(donde el valor esperado es el primer momento de la distribución de muestras finitas)
mientras que la consistencia es una propiedad asintótica expresada como
El OP muestra que, aunque OLS en este contexto está sesgado, sigue siendo coherente.
No hay contradicción aquí.
fuente
@Alecos explica muy bien por qué una plim correcta e imparcialidad no son lo mismo. En cuanto a la razón subyacente por la cual el estimador no es imparcial, recuerde que la imparcialidad de un estimador requiere que todos los términos de error sean independientes de la media de todos los valores del regresor, .mi( ϵ | X) = 0
En el presente caso, la matriz del regresor consta de los valores , de modo que - vea el comentario de mpiktas - la condición se traduce en E ( ϵ s | y 1 , ... , y T - 1 ) = 0 para todo s = 2 , ... , t .y1,... , yT-1 mi( ϵsEl | y1, ... , yT- 1) = 0 s = 2 , ... , T
Aquí tenemos
incluso bajo el supuesto E ( ϵ t y t - 1 ) = 0 tenemos que E ( ϵ t y t ) = E ( ϵ t ( β y t - 1 + ϵ t ) ) = E ( ϵ 2 t ) ≠ 0. Pero,
fuente
Ampliando en dos buenas respuestas. Escriba el estimador OLS:
Por imparcialidad necesitamos
fuente