¿La insesgadez garantiza que un estimador sea consistente?

No. El documento señala que la consistencia y la insesgadez son propiedades distintas, y que la insesgadez no garantiza la consistencia.

¿Qué indica la cota de Cramér-Rao?

Indica el valor de la varianza del estimador eficiente dentro de una familia de estimadores insesgados. Establece un límite inferior para la varianza de cualquier estimador insesgado.

¿Qué efecto tiene la multicolinealidad sobre los estimadores MCO?

La correlación entre las variables explicativas incrementa la varianza estimada de los parámetros, por lo que para que MCO sea eficiente se requiere escasa multicolinealidad.

Propiedades de los estimadores MCO y MV en regresión lineal: verdades y falsedades

Resumen

El documento revisa una serie de afirmaciones sobre las propiedades de los estimadores de Mínimos Cuadrados Ordinarios (MCO) y Máxima Verosimilitud (MV) en el modelo básico de regresión lineal. Cada afirmación se marca como verdadera o falsa, con una breve justificación cuando es necesario. Trata temas como insesgadez, eficiencia, consistencia, multicolinealidad y la cota de Cramér-Rao.

Puntos clave

La eficiencia de un estimador insesgado es la de menor varianza entre los de su familia.
La multicolinealidad entre las variables explicativas incrementa la varianza estimada de los parámetros.
La insesgadez indica que, en promedio, el estimador coincide con el parámetro; no se refiere a la precisión.
La consistencia, no la insesgadez, asegura que la estimación tiende a coincidir con el verdadero parámetro al aumentar la muestra.
La cota de Cramér-Rao establece un límite inferior para la varianza de cualquier estimador insesgado.
La eficiencia de MCO se garantiza cuando V(U) = σ²I_n.

Ponte a prueba

Propiedades de los Estimadores MCO y MV en el Modelo de Regresión Lineal

Conceptos Clave y su Veracidad

A continuación, se presentan una serie de afirmaciones relacionadas con las propiedades de los estimadores de Mínimos Cuadrados Ordinarios (MCO) y Máxima Verosimilitud (MV) en el contexto del modelo básico de regresión lineal. Se indica si cada afirmación es Verdadera o Falsa, y se proporciona una breve justificación cuando es necesario.

La eficiencia de un estimador insesgado implica la menor de las varianzas posibles. Verdadero
La correlación entre las variables explicativas incrementa la varianza estimada de los parámetros (entre otros factores). Verdadero
Los parámetros reales del modelo son variables aleatorias. Falso
La eficiencia implica varianza mínima de un estimador, pero no necesariamente varianza pequeña. Verdadero
\(\hat{\beta} = \beta + WU\) indica la forma lineal del estimador \(\hat{\beta}\). Verdadero
Supuestas propiedades/hipótesis ideales, la expresión \(\hat{\beta} \rightarrow N(\beta, (X'X)^{-1})\) resume las propiedades ideales de los parámetros MCO. Falso - Esta expresión resume la distribución asintótica del estimador, no sus propiedades ideales en muestras finitas.
La normalidad del estimador MCO es una hipótesis que se deriva de su conexión lineal con la perturbación aleatoria “U” y de la normalidad de esta. Verdadero
Para que MCO sea eficiente, se requiere, entre otros factores, escasa multicolinealidad. Verdadero - La multicolinealidad incrementa la varianza de los estimadores. La afirmación original era falsa.
La insesgadez es, desde el punto de vista teórico, una propiedad relativa a la precisión del estimador. Falso - La insesgadez se refiere a la ausencia de sesgo sistemático, no a la precisión. La precisión está más relacionada con la varianza.
La insesgadez no es una propiedad natural de MCO, sino que depende de la ausencia de relación entre la U y las X. Verdadero
La insesgadez es, desde el punto de vista teórico, una propiedad que indica que la estimación probablemente será coincidente con el verdadero parámetro a estimar. Falso - La insesgadez indica que, en promedio, el estimador coincide con el parámetro. La consistencia, no la insesgadez, es la propiedad que asegura que la estimación probablemente coincidirá con el verdadero parámetro a medida que aumenta el tamaño de la muestra.
La cota de Cramer-Rao indica el valor de la varianza para el estimador eficiente de una familia de estimadores insesgados. Verdadero
La cota de Cramer-Rao, en su expresión habitual, ha de coincidir con la esperanza del estimador MCO para garantizar su insesgadez. Falso - La cota de Cramer-Rao se relaciona con la varianza, no con la esperanza (que se relaciona con la insesgadez).
La cota de Cramer-Rao puede ser inferior a la varianza del estimador MCO en determinadas circunstancias. Falso - La cota de Cramer-Rao establece un límite inferior para la varianza de cualquier estimador insesgado. Por definición, la varianza de un estimador insesgado no puede ser inferior a la cota de Cramer-Rao.
La varianza del estimador MCO es igual a la cota de Cramer-Rao calculada para el contexto del modelo de regresión. Falso - Solo bajo ciertas condiciones (como la eficiencia del estimador MCO) la varianza del estimador MCO alcanza la cota de Cramer-Rao.
La varianza teórica del estimador MCO depende de la varianza teórica de la perturbación aleatoria. Verdadero
La varianza teórica del estimador depende de la inversa de la matriz (X'X). Verdadero
La eficiencia del MCO se garantiza en la medida en que \(V(U) = \sigma^2 I_n\). Verdadero
La eficiencia de MCO depende, entre otros factores, de las propiedades de la matriz \(\sigma_u (X'X)^{-1}\). Falso - La eficiencia depende de las propiedades de la matriz de varianzas y covarianzas de las perturbaciones, no de esta expresión.
La eficiencia de un estimador es una propiedad interesante solo para la familia de los estimadores insesgados. Verdadero
La consistencia de los parámetros puede verificarse con si son o no insesgados los parámetros. Falso - La consistencia y la insesgadez son propiedades distintas. La insesgadez no garantiza la consistencia.