Este documento presenta un repaso de conceptos estadísticos fundamentales como estimadores, propiedades de estimadores (insesgamiento, eficiencia, consistencia), inferencia (test de hipótesis, intervalos de confianza) y teorema central del límite. Explica cómo evaluar estimadores y cómo realizar pruebas estadísticas para contrastar hipótesis sobre parámetros poblacionales.
0 calificaciones0% encontró este documento útil (0 votos)
18 vistas29 páginas
Este documento presenta un repaso de conceptos estadísticos fundamentales como estimadores, propiedades de estimadores (insesgamiento, eficiencia, consistencia), inferencia (test de hipótesis, intervalos de confianza) y teorema central del límite. Explica cómo evaluar estimadores y cómo realizar pruebas estadísticas para contrastar hipótesis sobre parámetros poblacionales.
Este documento presenta un repaso de conceptos estadísticos fundamentales como estimadores, propiedades de estimadores (insesgamiento, eficiencia, consistencia), inferencia (test de hipótesis, intervalos de confianza) y teorema central del límite. Explica cómo evaluar estimadores y cómo realizar pruebas estadísticas para contrastar hipótesis sobre parámetros poblacionales.
Este documento presenta un repaso de conceptos estadísticos fundamentales como estimadores, propiedades de estimadores (insesgamiento, eficiencia, consistencia), inferencia (test de hipótesis, intervalos de confianza) y teorema central del límite. Explica cómo evaluar estimadores y cómo realizar pruebas estadísticas para contrastar hipótesis sobre parámetros poblacionales.
Descargue como PDF, TXT o lea en línea desde Scribd
Descargar como pdf o txt
Está en la página 1/ 29
Econometría I – EAE 250A
Pontificia Universidad Católica de Chile
Instituto de Economía
Juan Ignacio Urquiza – Primer Semestre 2017
Repaso de Estadística Propiedades de los Estimadores: Insesgamiento, eficiencia, consistencia
Teorema Central del Límite
Inferencia: Test de hipótesis Intervalo de confianza
Apéndice C - Wooldridge Estimadores como VA Un estimador t es una variable aleatoria que es función de los datos muestrales. Para evaluar a un estimador debemos analizar distintas propiedades de su distribución de probabilidades. Comenzaremos con el estudio de propiedades de muestra pequeña o finita, y luego analizaremos propiedades asintóticas que tienen que ver con el comportamiento de los estimadores a medida que aumenta el tamaño de la muestra. Propiedades de Estimadores Muestras Repetidas de Igual Tamaño Insesgamiento: Sea t(x) estimador de un parámetro θ, y sea f(t,θ) la función de densidad de probabilidad de t. Entonces, t es insesgado si E(t)= θ. En palabras, el valor esperado del estimador coincide con el del parámetro a estimar.
Importante: el insesgamiento es una propiedad para
todo tamaño de muestra; no sólo para las grandes. Media Muestral Sea Y1, Y2, …, Yn una muestra aleatoria de una población con media µY. Entonces,
Valor Esperado:
Insesgamiento Propiedades de Estimadores Muestras Repetidas de Igual Tamaño
Eficiencia Relativa:
Sean t1 y t2 estimadores insesgados.
Entonces, t1 es más eficiente que t2 si Var(t1)<Var(t2). En palabras, el estimador t1 es más eficiente si su varianza es más pequeña.
ECM = Var(t) + sesgo2
Propiedades de Estimadores Muestras Repetidas de Igual Tamaño
Eficiencia Relativa:
Sean t1 y t2 estimadores sesgados.
Entonces,t1 es más eficiente que t2 si ECM1<ECM2. ECM = E[(t – θ)2]: Error Cuadrático Medio.
ECM = Var(t) + sesgo2
Muestras Grandes Se denomina teoría asintótica al estudio de los estimadores para muestras grandes (n→∞).
Se revisarán dos temas:
Convergencia en probabilidad.
Consistencia
Convergencia en distribución. Teorema Central del Límite Convergencia en Probabilidad Definición: Una secuencia de variables aleatorias {xn} converge en probabilidad a una constante c si
para cualquier Alternativamente,
Intuición: a medida que aumenta el tamaño de la
muestra, la distribución de xn se concentra cada vez más alrededor de la constante c. Convergencia en Probabilidad En general, si xn converge en probabilidad a una constante c, entonces escribimos: plim xn = c
Propiedades del operador plim:
plim (x + y) = plim x + plim y
plim (x * y) = plim x * plim y
plim (x / y) = plim x / plim y , si plim y ≠ 0
Propiedades de Estimadores Consistencia: El estimador t(x) es consistente para θ si:
Es decir, t es consistente si converge en
probabilidad al parámetro θ.
Nota: si E(tn) = θ y V(tn) → 0 cuando n →∞, entonces
tn es consistente. Media Muestral Varianza: Media Muestral Varianza:
Consistencia Ejemplo: Y~Bernoulli (p = 0.78) Convergencia en Distribución Teorema Central del Límite Definición: Sea Y1, Y2, …, Yn una muestra aleatoria de una población con media μ y varianza σ2. Entonces,
donde d significa que la expresión converge en
distribución a una Normal cuando n tiende a infinito. Alternativamente, Ejemplo: Y~Bernoulli (p = 0.78) Test de Hipótesis Esta técnica de inferencia estadística nos permite evaluar si la información contenida en los datos avala o no una conjetura sobre la población que se está estudiando. Nociones básicas: Hipótesis nula e hipótesis alternativa Estadístico de contraste Nivel de significancia Valor crítico Región de aceptación/rechazo Planteamiento de Hipótesis El punto de partida consiste en establecer la hipótesis a evaluar; es decir, la hipótesis nula (H0), cuya validez queremos contrastar. Frente a esta hipótesis, se plantea una hipótesis alternativa (H1) que se cumple cuando la nula es falsa. Por ejemplo: H0: E(Y) = µY,0 H1: E(Y) ≠ µY,0 (test bilateral o “de dos colas”) H1 : E(Y) > µY,0 o H1 : E(Y) < µY,0 (test unilateral o “de una cola”) Estadístico de Contraste Una vez definidas H0 y H1, hay que determinar un estadístico de contraste que mida la discrepancia entre la información muestral y la hipótesis nula. Idea: si la discrepancia es grande, el valor del estadístico estará dentro de valores poco probables cuando H0 sea verdadera, lo que indica evidencia contraria a H0, y viceversa. El estadístico de contraste es una variable aleatoria puesto que depende de los datos muestrales. Deberá tener una distribución conocida (exacta o aproximada) bajo la hipótesis nula. Error Tipo I / Error Tipo II Cuando realizamos un contraste, podemos cometer dos tipos de errores: Podemos rechazar H0 cuando es cierta (error tipo I) Podemos no rechazar H0 cuando es falsa (error tipo II) En la práctica, no es posible determinar si hemos cometido o no un error. Sin embargo, es posible especificar la probabilidad α de cometer un error del tipo I.
Entonces, se fija un valor para α tan pequeño como uno
desee – en general: α = 0,1; 0,05; 0,01 . Interpretación: α = 0,05 implica que el investigador estaría dispuesto a rechazar H0 incorrectamente un 5% de las veces – tolerancia. Una vez establecido el nivel de significancia, es posible hallar un valor crítico contra el cual contrastar el valor del estadístico. Los valores del estadístico T que resulten en el rechazo de H0 conforman la región de rechazo. Región de Aceptación/Rechazo Test Bilateral: Regla de Decisión: |t| > |c|
Región de Aceptación
Región de Rechazo Región de Rechazo
Región de Aceptación/Rechazo Test Unilateral: Regla de Decisión: t >c
Región de Aceptación
Región de Rechazo Región de Aceptación/Rechazo Test Unilateral: Regla de Decisión: t <-c Test de Hipótesis Y ~ N(µY, σY2) – σY2 conocido. Caso 1
Entonces, bajo H0:
Por lo tanto, Test de Hipótesis Y ~ N(µY, σY2) – σY2 desconocido. Caso 2
Hay que estimarlo:
Por lo tanto, Test de Hipótesis ¿Si desconocemos tanto la distribución de Y como su varianza σY2? Teorema Central del Límite! Caso 3
Por lo tanto, P-value Probabilidad de obtener un estadístico tanto o más adverso para la hipótesis nula como el computado, asumiendo que H0 es verdadera. P-value = Pr(T > t | H0) P-value = Pr(T < t | H0) P-value = Pr( |T| > |t| | H0) = 2*Pr(T > |t| | H0) Cuanto menor sea el p-value, menos probable es que la distribución obtenida para el estadístico bajo la nula sea correcta y, por lo tanto, es menos probable que estemos bajo la nula. Es decir, un p-value chico es evidencia en contra de H0. Intervalo de Confianza Debido al error de muestreo, es imposible conocer el valor exacto de la media poblacional a partir de la información contenida en los datos muestrales. Sin embargo, es posible construir un set de valores que contenga al verdadero valor poblacional para un nivel de probabilidad dado. Intervalo de Confianza (test bilateral al 95%): Caso 1
