Siz yapıyorsunuz not EKK tahmincisi tutarlılık için 4 anları varsayımları gerekir, ancak yüksek anları ihtiyaç varsayımlar yapmakx ve ε asimptotik normallik için ve asimptotik kovaryans matrisinin ne olduğunu sürekli olarak tahmin etmek.
Yine de bir anlamda, bu matematiksel, teknik bir nokta, pratik bir nokta değil. OLS'un sonlu örneklerde bir anlamda iyi çalışması için asimptotik tutarlılık veya normallik elde etmek için gereken minimum varsayımlardan daha fazlasını gerektirir.n → ∞.
Tutarlılık için yeterli koşullar:
Regresyon denkleminiz varsa:
yben=x'benβ +εben
OLS tahmincisi b^ şu şekilde yazılabilir:
b^= β +(X'Xn)- 1(X'εn)
İçin tutarlılık , bunu o Karlin ve Taylor Ergodik Teoremi gibi seri bağımlılığı, bir şey ile zaman serisi halinde, Büyük Sayılar Kolmogorov Yasasını uygulamak veya edebilmek gerekir:
1nX'X→pE [xbenx'ben]1nX'ε→pE [x'benεben]
Gereken diğer varsayımlar:
- E [xbenx'ben] tam dereceli ve bu nedenle matris ters çevrilebilir.
- Regresörler önceden belirlenmiş veya tamamen dışsaldır, böylece E [xbenεben] = 0.
Sonra (X'Xn)- 1(X'εn)→p0 ve sen al b^→pβ
Eğer merkezi limit teoremi uygulamak istiyorsanız o zaman , örneğin yüksek anları varsayımlar, gerekE [gbeng'ben] nerede gben=xbenεben. Merkezi limit teoremi size asimptotik normallik veren şeydir.b^ve standart hatalar hakkında konuşmanıza olanak tanır. İkinci an içinE [gbeng'ben] var olmak için, x ve εvarolmaya. Bunu tartışmak istiyorsunn--√(1nΣbenx'benεben)→dN-( 0 , Σ ) nerede Σ = E [xbenx'benε2ben]. Bunun çalışması için,Σ sonlu olmak zorundadır.
Hayashi'nin Ekonometri'sinde güzel bir tartışma (bu gönderiyi motive eden) verildi . (4. anlar ve kovaryans matrisinin tahmini için s. 149'a bakınız.)
Tartışma:
4. andaki bu gereksinimler muhtemelen pratik bir noktadan ziyade teknik bir noktadır. Muhtemelen bunun günlük verilerde bir sorun olduğu patolojik dağılımlarla karşılaşmayacaksınız? OLS'un daha yaygın veya diğer varsayımlarının ters gitmesi.
Şüphesiz Stackexchange'te başka bir yerde cevaplanan farklı bir soru, sonlu örneklerin asimptotik sonuçlara yaklaşması için ne kadar büyük bir örneğe ihtiyaç duyduğunuzdur. Fantastik aykırı değerlerin yavaş yakınsamaya yol açtığı bir anlam var. Örneğin, gerçekten yüksek varyansa sahip lognormal dağılımın ortalamasını tahmin etmeyi deneyin. Numune ortalaması, popülasyon ortalamasının tutarlı ve tarafsız bir tahmincisidir, ancak çılgın aşırı basıklık vb.
Sonlu ile sonsuz arasındaki matematikte son derece önemli bir ayrım vardır. Günlük istatistiklerde karşılaştığınız sorun bu değil. Pratik problemler küçük ve büyük kategorilerde daha fazladır. Varyans, basıklık vb ... örneklem büyüklüğü göz önüne alındığında makul tahminler yapabilmem için yeterince küçük mü?
OLS tahmincisinin tutarlı olduğu ancak asemptolojik olarak normal olmadığı patolojik örnek
Düşünmek:
yben= bxben+εben
Nerede
xben∼ N( 0 , 1 ) fakat
εben 2 serbestlik derecesine sahip bir t-dağılımından
V a r (εben) = ∞. OLS tahmini,
b ancak OLS tahmini için örnek dağılımı
b^normal olarak dağıtılmaz. Aşağıda ampirik dağılım
b^ 10000 gözlemli bir regresyonun 10000 simülasyonuna dayanmaktadır.
Dağılımı b^normal değil, kuyruklar çok ağır. Ama eğer serbestlik derecesini 3'e çıkarırsanız,εben mevcut ise merkezi sınır geçerlidir ve şunları elde edersiniz:
Oluşturmak için kod:
beta = [-4; 3.7];
n = 1e5;
n_sim = 10000;
for s=1:n_sim
X = [ones(n, 1), randn(n, 1)];
u = trnd(2,n,1) / 100;
y = X * beta + u;
b(:,s) = X \ y;
end
b = b';
qqplot(b(:,2));