Realmente perplexo neste. Eu realmente gostaria de um exemplo ou situação em que um estimador B fosse consistente e tendencioso.
mathematical-statistics
estimation
econometrics
Jimmy Wiggles
fonte
fonte
Respostas:
O exemplo mais simples que consigo pensar é a variação da amostra que chega intuitivamente para a maioria de nós, a soma dos desvios quadrados divididos porn vez de n−1 :
É fácil mostrar queE(S2n)=n−1nσ2 e, portanto, o estimador é enviesado. Mas assumindo a variância finitaσ2 , observe que o viés vai a zero comon→∞ porque
Também pode ser mostrado que a variância do estimador tende a zero e, portanto, o estimador converge em quadrado médio . Portanto, é também convergente em probabilidade .
fonte
Um exemplo simples seria a estimativa do parâmetro dado n observações iid y i ~ Uniforme [ 0 ,θ>0 n .yi∼Uniform[0,θ]
Vamos θ n = max { y 1 , ... , y n } . Para qualquer n finito , temos E [ θ n ] < θ (portanto, o estimador é enviesado), mas no limite será igual a θ com probabilidade um (por isso é consistente).θ^n=max{y1,…,yn} n E[θn]<θ θ
fonte
Considere qualquer estimador imparcial e consistente e uma sequência α n convergindo para 1 ( α n não precisa ser aleatório) e forme α n T n . É tendencioso, mas consistente, já que α n converge para 1.Tn αn αn αnTn αn
Da wikipedia:
Genericamente falando, um estimador do parâmetro θ é dito ser consistente, se converge em probabilidade para o verdadeiro valor do parâmetro: plim n → ∞Tn θ
Agora, lembre-se de que o viés de um estimador é definido como:
O viés é de fato diferente de zero, e a convergência em probabilidade permanece verdadeira.
fonte
Em uma configuração de série temporal com uma variável dependente defasada incluída como regressor, o estimador OLS será consistente, mas tendencioso. A razão para isso é que, para mostrar imparcialidade do estimador OLS, precisamos de estrita exogeneidade, , isto é, que o termo de erro,ε t , no períodotnão está correlacionado com todos os regressores em todos os períodos de tempo. No entanto, para mostrar consistência do estimador OLS, precisamos apenas de exogeneidade contemporânea,E [ ε t | x t ] , isto é, que o termo de erro,ε t , no períodotnão está correlacionado com os regressores,x t no períodot. Considere o modelo AR (1):y t =ρy t - 1 +ε tE[ εt| x1,x2 ,,... ,xT] εt t E[ εt| xt] εt t xt t
com x t = y t - 1 a partir de agora.yt= ρ yt - 1+ εt,εt∼ N( 0 ,σ2ε) xt= yt - 1
Primeiro, mostro que uma estrogenicidade estrita não se aplica a um modelo com uma variável dependente defasada incluída como regressor. Vamos olhar a correlação entre e x t + 1 = y t E [ ε t x t + 1 ] = E [ ε t y t ] = E [ ε t ( ρ y t - 1 + ε t ) ]εt xt + 1= yt
Se assumirmos a exogeneidade seqüencial, , ou seja, que o termo de erro, ε t , no período T não está correlacionada com todos os regressores em períodos de tempo anteriores e a corrente, em seguida, o primeiro termo acima, ρ E ( ε t y t - 1 ) , desaparecerá. O que está claro a partir de cima é que, a menos que tenhamos exogeneidade estrita, a expectativa E [ ε t x t + 1 ] = E [ ε t y tE[ εt| y1,y2,... ... , yt - 1] = 0 εt t ρ E( εtyt - 1) . No entanto, deve ficar claro que a exogeneidade contemporânea,E [ ε t | x t ] , aguenta.E[ εtxt + 1] = E[ εtyt] ≠ 0 E[ εt| xt]
Agora, vejamos o viés do estimador OLS ao estimar o modelo AR (1) especificado acima. O estimador de OLS , ρ é dada como:ρ ρ^
fonte