El teorema de Gauss-Markov
1900
- Carl Friedrich Gauss
- Andrey Markov
Este teorema establece que, en un modelo de regresión lineal en el que los errores tienen media cero, no están correlacionados y tienen varianza constante (homocedasticidad), el estimador de mínimos cuadrados ordinarios (OLS) es el mejor estimador lineal insesgado (BLUE). ‘Mejor’ significa que tiene la varianza mínima entre todos los estimadores lineales insesgados de los coeficientes de regresión, lo que lo convierte en el más preciso.
The Gauss-Markov theorem is a central result in the theory of linear regression that gives OLS its strong theoretical appeal. It guarantees that if a specific set of assumptions holds, no other linear and unbiased estimator will be more efficient than OLS. Let’s break down the BLUE acronym. ‘Linear’ means the estimator for the coefficients is a linear combination of the observed dependent variable values. ‘Unbiased’ means that on average, the estimator will yield the true population parameter; its expected value is the true value, [latex]E(\hat{\beta}) = \beta[/latex]. ‘Best’ signifies that the OLS estimator has the minimum variance in its sampling distribution compared to any other linear unbiased estimator.
Las hipótesis fundamentales, conocidas como hipótesis de Gauss-Markov, son: 1. El modelo es lineal en los parámetros. 2. Los errores tienen una media condicional de cero ([latex]E(\varepsilon | X) = 0[/latex]). 3. Las variables independientes no son perfectamente colineales. 4. Los errores son homocedásticos (tienen varianza constante, [latex]Var(\varepsilon | X) = \sigma^2[/latex]) y no están autocorrelacionados ([latex]Cov(\varepsilon_i, \varepsilon_j | X) = 0[/latex] para [latex]i \neq j[/latex]).
Fundamentalmente, el teorema no exige que los errores se distribuyan normalmente. El supuesto de normalidad se añade posteriormente cuando se desean realizar pruebas de hipótesis exactas para muestras finitas (como pruebas t y pruebas F) sobre los coeficientes. Cuando se violan los supuestos de Gauss-Markov (por ejemplo, en presencia de heterocedasticidad o autocorrelación), MCO deja de ser BLUE, y estimadores alternativos como los Mínimos Cuadrados Generalizados (MCG) pueden ser más eficientes.
UNESCO Nomenclature: 1209
- Estadísticas
Precursores
- Método de mínimos cuadrados (Gauss)
- Teoría de la probabilidad (conceptos de expectativa y varianza)
- Álgebra lineal y teoría de matrices
- Trabajos tempranos sobre la teoría de la estimación
Aplicaciones
- Proporcionar la justificación teórica para el uso de MCO en muchos escenarios prácticos.
- Sirviendo como base para la inferencia estadística (intervalos de confianza, pruebas de hipótesis) en modelos lineales
- actuando como un punto de referencia teórico para comparar la eficiencia de otros estimadores más complejos
Ideas para posibles innovaciones
Debido al bloqueo del tráfico generado por bots, que actualmente supera los 40.000 al día, este contenido está reservado para los miembros de la comunidad.
> Iniciar sesión < o > Registrarse < (100% gratis) para acceder a esto, al igual que a todo el demás contenido y herramientas restringidos.
Relacionado con: teorema de Gauss-Markov, BLUE, mejor estimador lineal insesgado, OLS, homocedasticidad, errores no correlacionados, varianza mínima, inferencia estadística, supuestos del modelo lineal, econometría.