Tại sao công cụ ước tính OLS của hệ số AR (1) bị sai lệch?


11

Tôi đang cố gắng để hiểu tại sao OLS đưa ra một công cụ ước tính sai lệch của quy trình AR (1). Hãy xem xét Trong mô hình này, tính ngoại lệ nghiêm ngặt bị vi phạm, tức là và có mối tương quan với nhau nhưng và không được tương thích. Nhưng nếu điều này là đúng, thì tại sao các dẫn xuất đơn giản sau không giữ được? ytεtyt-1εtplim β

yt= =α+βyt-1+εt,εt~TôiTôidN(0,1).
ytεtyt-1εt
xin chào β^= =Cov(yt,yt-1)Var(yt-1)= =Cov(α+βyt-1+εt,yt-1)Var(yt-1)= =β+Cov(εt,yt-1)Var(yt-1)= =β.

Đã có một vài câu hỏi liên quan tại Xác thực chéo. Bạn có thể hưởng lợi từ việc tìm kiếm chúng.
Richard Hardy

Tôi đã nhìn thấy họ, nhưng họ không thực sự giúp tôi. Tôi tìm thấy một bằng chứng và mô phỏng cho thấy kết quả này. Điều tôi quan tâm là những gì sai với lý luận của tôi ở trên.
Florestan

1
Khi bạn đang sử dụng , bạn không giải quyết tính nhất quán chứ không phải (không) thiên vị? Đối với (un) sự thiên vị, bạn nên sử dụng kỳ vọng. xin chào
Richard Hardy

Bạn hoàn toàn đúng, điều đó có thể giải quyết câu đố. Vì vậy, nếu phương trình trên không giữ được mà không có plim, thì nó sẽ không mâu thuẫn với độ lệch của OLS trong các mẫu nhỏ và cho thấy tính nhất quán của OLS cùng một lúc. Mặc dù tôi có một chút không chắc chắn: Liệu hiệp phương sai trên công thức phương sai này có thực sự chỉ giữ cho plim và không nằm trong dự đoán không? Cảm ơn rất nhiều rồi!
Florestan

1
Bản thân công cụ ước tính OLS không liên quan đến bất kỳ , bạn chỉ nên xem kỳ vọng trong các mẫu hữu hạn. xin chào
Richard Hardy

Câu trả lời:


10

Như đã thảo luận về các ý kiến, tính không thiên vị là một thuộc tính mẫu hữu hạn và nếu được giữ thì nó sẽ được biểu thị bằng

E(β^)=β

(trong đó giá trị mong đợi là thời điểm đầu tiên của phân phối mẫu hữu hạn)

trong khi tính nhất quán là một thuộc tính tiệm cận được biểu thị bằng

plimβ^=β

OP cho thấy rằng mặc dù OLS trong bối cảnh này là sai lệch, nó vẫn nhất quán.

E(β^)βbutplimβ^=β

Không có mâu thuẫn ở đây.


6

@Alecos giải thích độc đáo tại sao một plim chính xác và không thiên vị không giống nhau. Đối với các nguyên nhân sâu xa tại sao ước lượng không thiên vị, nhớ lại rằng unbiasedness của một ước lượng đòi hỏi rằng tất cả các sai số là độc lập trung bình của tất cả các giá trị regressor, .E(ε|X)= =0

Trong trường hợp hiện tại, ma trận regressor bao gồm các giá trị , do đó - xem bình luận mpiktas' - điều kiện chuyển thành E ( ε s | y 1 , ... , y T - 1 ) = 0 cho tất cả s = 2 , ... , T .y1,Giáo dục,yT-1E(εS|y1,Giáo dục,yT-1)= =0S= =2,Giáo dục,T

Ở đây chúng tôi có

Ngay cả dưới giả thiết E ( ε t y t - 1 ) = 0 chúng ta có mà E ( ε t y t ) = E ( ε t ( β y t - 1 + ε t ) ) = E ( ε 2 t ) 0. Nhưng,

yt= =βyt-1+εt,
E(εtyt-1)= =0
E(εtyt)= =E(εt(βyt-1+εt))= =E(εt2)0.
cũng là một regressor cho các giá trị trong tương lai mô hình AR ain, như y t + 1 = β y t + ε t + 1 .ytyt+1= =βyt+εt+1

3
Tôi sẽ thêm việc làm rõ rằng trong trường hợp này dịch để E ( ε s | y 1 , . . . , Y T ) cho mỗi s . Sau đó, các cuộc thảo luận tiếp theo trở nên rõ ràng hơn một chút. E(ε|X)E(εS|y1,...,yT)S
mpiktas

thật tốt, tôi đã chỉnh sửa
Christoph Hanck

3

Mở rộng trên hai câu trả lời tốt. Viết công cụ ước tính OLS:

β^= =β+Σt= =2Tyt-1εtΣt= =2Tyt-12

Đối với thiên vị chúng ta cần

E[Σt= =2Tyt-1εtΣt= =2Tyt-12]= =0.

E(εt|y1,...,yT-1)= =0,tεtyt,yt+1,...,yT


yt-1εt

Vâng, đó là trực giác chính xác. Lưu ý rằng tính ngoại lệ nghiêm ngặt là không thể trong trường hợp này, nhưng đối với tính không thiên vị thì tính ngoại lệ nghiêm ngặt trở thành một yêu cầu.
mpiktas
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.