Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade de Sa˜o Paulo - Departamento de Economia EAE 5811 - Econometria I Prof. Dr. Ricardo Avelino 1o Semestre de 2007 Lista de Exerc´ıcios 4 - Data de Entrega 03/05/2007 1. (Ordens de Magnitude) Em aula, foi visto que se Xnj = op (1) para j = 1, ..., J e J e´ finito, enta˜o PJ j=1Xnj = op (1) . Suponha que Jn → ∞ quando n → ∞. E´ verdade que PJn j=1Xnj = op (1) quando n → ∞? Em caso afirmativo, prove. Caso contra´rio, fornec¸a um contra exemplo. 2. (Convergeˆncia de varia´veis aleato´rias) Seja {Xn}∞n=1 uma sequ¨eˆncia de varia´veis aleato´rias. Xn converge quase certamente para X, denotado por Xn a.s.→ X, se e somente se P ³ ω : lim n→∞ Xn (ω) = X (ω) ´ = 1 Mostre que a relac¸a˜o acima e´ satisfeita se e somente se, para todo ε > 0, lim n→∞ P µ sup n≥N |Xn −X| < ε ¶ = 1 3. (Procedimento de Cra´mer-Wold): Seja {Xn}∞n=1 uma sequ¨eˆncia de vetores aleato´rios (kx1) e suponha que, para todo vetor real λ tal que λ0λ = 1, λ0Xn d→ λ0X, onde X e´ um vetor aleato´rio (kx1) com func¸a˜o de distribuic¸a˜o F (x) = F (x1, ..., xk). Mostre que a distribuic¸a˜o limite de Xn existe e e´ igual a F (x) . 4) (Distribuic¸a˜o binomial, distribuic¸a˜o assinto´tica do estimador, consisteˆncia do estimador) Suponha que no´s estejamos interessados em estimar a proporc¸a˜o da pop- ulac¸a˜o cuja renda esteja abaixo da linha de pobreza, um n´ıvel pre´-determinado de renda. Seja Y=renda e c=linha de pobreza. Portanto, o paraˆmetro de inter- esse e´ θ = P (Y ≤ c) = F (c) , onde F (c) e´ a func¸a˜o de distribuic¸a˜o acumulada da renda, e, por hipo´tese, e´ desconhecida. No´s temos uma amostra aleato´ria de n observac¸o˜es da renda e decidimos estimar θ por T=proporc¸a˜o das observac¸o˜es da amostra que satisfazem Y ≤ c. a) Ache E (T ) e V (T ). T e´ na˜o viesado? b) Mostre que √ n (T − θ) d→ N (θ, θ (1− θ)) c) T e´ consistente? 1 5) (Comparac¸a˜o de estimadores baseada nas propriedades assinto´ticas) Considere novamente o arcabouc¸o da questa˜o 4. Suponha agora que se saiba que Y e´ normamelmente distribu´ıda, com variaˆncia conhecida, mas me´dia desconhecida. Portanto, θ = Φ ¡ c−µ σ ¢ , onde Φ (.) e´ a func¸a˜o de distribuic¸a˜o da normal padra˜o. No´s ainda queremos estimar θ e consideramos o estimador alternativo U = Φ ³ c−Y¯ σ ´ , onde Y¯ = Pn i=1 Yi. a) Mostre que U e´ consistente. U e´ na˜o viesado? b) Ache a distribuic¸a˜o assinto´tica de U . c) Com base nas distribuic¸o˜es assinto´ticas, qual estimador de θ voceˆ usaria, T ou U? Dica: Dois fatos u´teis sobre a f.d.p. e a f.d., φ (z) e Φ (z) , sa˜o ∂Φ ∂z = φ (z) (φ (z))2 Φ (z) (1− Φ (z)) < 0.64 para todos os valores de z 6) (Teorema central do limite bivariado de Lindberg-Le´vy, estimac¸a˜o da raza˜o de me´dias, experimento de Monte Carlo) Suponha que no´s tenhamos uma amostra aleato´ria (i.i.d.) de n observac¸o˜es de uma distribuic¸a˜o bivariada com me´dia µ = · µX µY ¸ , µY 6= 0 e matriz de variaˆncia-covariaˆncia finita e positiva definida Q = · σ2X σXY σXY σ2Y ¸ . No´s desejamos estimar a raza˜o das me´dias µXµY , e consideramos o estimador T = X¯Y¯ , onde X¯ = Pn i=1Xi e Y¯ = Pn i=1 Yi. a) Esse estimador e´ na˜o viesado? Consistente? b) Utilizando a versa˜o multivariada do teorema central do limite de Lindberg- Le´vy, ache a distribuic¸a˜o assinto´tica de T . Plote a func¸a˜o de densidade para¡ µX , µY , σ 2 X , σ 2 Y , σXY ¢ = (3, 2, 1, 1, 0.5) . c) (Background) Suponha que a distribuic¸a˜o verdadeira de (X,Y ) seja uma normal bivariada com paraˆmetros ¡ µX , µY , σ 2 X , σ 2 Y , ρ ¢ = (3, 2, 1, 1, 0.5) e que a nossa amostra tenha n = n∗ observac¸o˜es. A distribuic¸a˜o assinto´tica de b) e´ uma boa aproximac¸a˜o para a distribuic¸a˜o exata de T para n = n∗? Calcular a distribuic¸a˜o exata de T e´ muito dif´ıcil. Enta˜o no´s decidimos conduzir um experimento de Monte Carlo. A ide´ia e´ a seguine: 2 Passo 1: Obtenha uma amostra de tamanho n∗ da distribuic¸a˜o bivariada (X,Y ) . Passo 2: Calcule o valor de T para essa amostra. Repita os passos 1 e 2 va´rias vezes, digamos 1000 vezes. Isso nos fornece 1000 valores de T . A distribuic¸a˜o desses 1000 valores e´ a nossa aproximac¸a˜o nume´rica para a distribuic¸a˜o exata de T em amostras finitas para n = n∗. Para implementar: Conduza um estudo de Monte Carlo para n∗ = 25, para n∗ = 100 e para n∗ = 200. Para cada um, plote a distribuic¸a˜o de T em amostras finitas (histograma). O que acontece quando voceˆ vai de n∗ = 25 para n∗ = 100 e para n∗ = 200? Dica: Como no´s obtemos uma observac¸a˜o de uma normal bivariada? Essa e´ uma maneira simples: Escreva X e Y como X = a+ bZ1, Y = c+ dX + eZ2, onde Z1 ∼ N (0, 1) , Z2 ∼ N (0, 1) e Z1 e Z2 sa˜o independentes. Calcule o que a, b, c, d e e precisam ser a fim de assegurar que E (X) = µX , E (Y ) = µY , V (X) = σ 2 X , V (Y ) = σ 2 Y e corr (X,Y ) = ρ. Tendo achado os valores de a, b, c, d e e, voceˆ pode obter Z1 e Z2 da dis- tribuic¸a˜o normal padra˜o e computar X = a+ bZ1, Y = c+ dX + eZ2. 3
Compartilhar