Error de especificación en mínimos cuadrados generalizado

Abstract

Cuando en un modelo de regresión existe un error de especificación debido a una variable excluida, las estimaciones mediante el método de mínimos cuadrados generalizado (MCG) son sesgadas y el sesgo depende en forma crucial de la forma en que se generan las variables incluidas y excluidas, y no de la forma en que se genera el verdadero error. El sesgo en las estimaciones MCG es mayor que en las obtenidas por mínimos cuadrados simple, excepto cuando la variable excluida tiene una autocorrelación mayor que la variable incluida. La eficiencia relativa de MCG con respecto a mínimos cuadrados simple no depende de la variable omitida.

When a linear regression model is misspecified by a left out variable the Generalized Least Squares (GLS) estimates are biased, and the bias depends crucially on how the excluded and the included variables are generated and not on how the true error terms are gcnerated. The bias in GLS estimates is larger than that of ordinary least squares estimates except when the left out variable has higher autocorrelation than the included variablft. The relative effidency of GLS with respect to ordinary Least Squares does not depend on the left out variable.