ทำไม OLS ประมาณค่าสัมประสิทธิ์ AR (1) เอนเอียง?


11

ฉันพยายามที่จะเข้าใจว่าทำไม OLS จึงให้ตัวประมาณค่าแบบอคติของกระบวนการ AR (1) พิจารณา ในรูปแบบนี้มีการละเมิด exogeneity ที่เข้มงวดเช่นและมีความสัมพันธ์กัน แต่และไม่มีความสัมพันธ์กัน แต่ถ้าสิ่งนี้เป็นจริงแล้วเหตุใดความเรียบง่ายที่ตามมาจึงไม่เกิดขึ้น

Yเสื้อ=α+βYเสื้อ-1+εเสื้อ,εเสื้อ~ผมผมdยังไม่มีข้อความ(0,1).
Yเสื้อεเสื้อYเสื้อ-1εเสื้อ
PLIM β^=Cov(Yเสื้อ,Yเสื้อ-1)var(Yเสื้อ-1)=Cov(α+βYเสื้อ-1+εเสื้อ,Yเสื้อ-1)var(Yเสื้อ-1)=β+Cov(εเสื้อ,Yเสื้อ-1)var(Yเสื้อ-1)=β.

มีคำถามที่เกี่ยวข้องสองสามข้อที่ตรวจสอบข้ามได้ คุณสามารถได้รับประโยชน์จากการมองพวกเขา
Richard Hardy

ฉันเห็นพวกเขา แต่พวกเขาไม่ได้ช่วยฉันจริงๆ ฉันพบหลักฐานและแบบจำลองที่แสดงผลลัพธ์นี้ สิ่งที่ฉันสนใจคือสิ่งที่ผิดกับเหตุผลของฉันข้างต้น
Florestan

1
เมื่อคุณใช้งาน plimคุณไม่ได้พูดถึงเรื่องความมั่นคงมากกว่าความเอนเอียงหรือไม่? สำหรับความลำเอียง (ไม่) คุณควรใช้ความคาดหวัง
Richard Hardy

คุณพูดถูกที่สามารถไขปริศนาได้ ดังนั้นหากสมการข้างต้นไม่ได้ถือโดยไม่มีคำสั่งก็จะไม่ขัดแย้งกับความเอนเอียงของ OLS ในกลุ่มตัวอย่างขนาดเล็กและแสดงความสอดคล้องของ OLS ในเวลาเดียวกัน แม้ว่าฉันไม่แน่ใจเล็กน้อย: ความแปรปรวนร่วมมากกว่าสูตรความแปรปรวนนี้มีไว้สำหรับคำสั่งเท่านั้นและไม่คาดหวังเช่นกัน? ขอบคุณมากแล้ว!
Florestan

1
เครื่องมือประมาณค่า OLS เองนั้นไม่ได้มีส่วนเกี่ยวข้องกับ s คุณควรดูความคาดหวังในตัวอย่าง จำกัด PLIM
Richard Hardy

คำตอบ:


10

ตามที่กล่าวถึงในความคิดเห็นความเป็นกลางเป็นคุณสมบัติตัวอย่าง จำกัด และถ้ามันถือมันจะแสดงเป็น

E(β^)=β

(โดยที่ค่าที่คาดไว้เป็นช่วงเวลาแรกของการกระจายตัวอย่าง จำกัด )

ในขณะที่ความสอดคล้องเป็นคุณสมบัติเชิงแสดงความ

PLIMβ^=β

OP แสดงให้เห็นว่าถึงแม้ว่า OLS ในบริบทนี้จะมีอคติ แต่ก็ยังคงสอดคล้องกัน

E(β^)βแต่PLIMβ^=β

ไม่มีข้อโต้แย้งที่นี่


6

@Alcos อธิบายอย่างชัดเจนว่าทำไมการพิมพ์ที่ดีและไม่เป็นกลางจึงไม่เหมือนกัน สำหรับเหตุผลพื้นฐานที่ว่าทำไมตัวประมาณไม่ไม่เอนเอียงโปรดจำไว้ว่าความเป็นกลางของตัวประมาณต้องการเงื่อนไขข้อผิดพลาดทั้งหมดนั้นหมายถึงเป็นอิสระจากค่าถดถอยทั้งหมดE(ε|X)=0.

ในกรณีปัจจุบันเมทริกซ์การถดถอยประกอบด้วยค่า Y1,...,YT-1เพื่อให้ - ดูความคิดเห็นของ mpiktas - เงื่อนไขแปลเป็น E(εs|Y1,...,YT-1)=0 เพื่อทุกสิ่ง s=2,...,T.

ที่นี่เรามี

Yเสื้อ=βYเสื้อ-1+εเสื้อ,
แม้ภายใต้สมมติฐาน E(εเสื้อYเสื้อ-1)=0 เรามีสิ่งนั้น
E(εเสื้อYเสื้อ)=E(εเสื้อ(βYเสื้อ-1+εเสื้อ))=E(εเสื้อ2)0
แต่, Yเสื้อ ยังเป็น regressor สำหรับค่าในอนาคตในโมเดล AR ain เช่น Yเสื้อ+1=βYเสื้อ+εเสื้อ+1.

3
ฉันจะเพิ่มคำอธิบายที่ E(ε|X) ในกรณีนี้แปลเป็น E(εs|Y1,...,YT) แต่ละ s. จากนั้นการสนทนาต่อไปจะชัดเจนขึ้นเล็กน้อย
mpiktas

จุดดีฉันได้ทำการแก้ไข
Christoph Hanck

3

ขยายคำตอบที่ดีสองข้อ เขียนตัวประมาณ OLS:

β^=β+Σเสื้อ=2TYเสื้อ-1εเสื้อΣเสื้อ=2TYเสื้อ-12

สำหรับความเป็นกลางเราต้องการ

E[Σเสื้อ=2TYเสื้อ-1εเสื้อΣเสื้อ=2TYเสื้อ-12]=0

แต่สำหรับสิ่งที่เราต้องการ E(εเสื้อ|Y1,...,YT-1)=0, แต่ละ เสื้อ. สำหรับรุ่น AR (1) สิ่งนี้ล้มเหลวอย่างชัดเจนตั้งแต่εเสื้อ เกี่ยวข้องกับค่าในอนาคต Yเสื้อ,Yเสื้อ+1,...,YT.


เพียงเพื่อตรวจสอบว่าฉันทำถูกต้อง: ปัญหาไม่ใช่ตัวเศษสำหรับแต่ละ t Yเสื้อ-1 และ εเสื้อไม่เกี่ยวข้องกัน ปัญหาคือตัวส่วนที่มีค่า t สูงกว่าซึ่งมีความสัมพันธ์กันระหว่างตัวเศษกับตัวส่วนดังนั้นฉันจึงไม่สามารถคาดหวังได้จากผลรวมของตัวเศษ นั่นคือสัญชาตญาณทางคณิตศาสตร์ที่ถูกต้องหรือไม่?
Florestan

ใช่ว่าเป็นสัญชาตญาณที่ถูกต้อง โปรดทราบว่าในกรณีนี้ไม่สามารถใช้ exogeneity ที่เข้มงวดได้ แต่สำหรับความเป็นกลางที่เข้มงวดจะกลายเป็นข้อกำหนด
mpiktas
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.