No podemos elegir aquí. El factor "normalizador", en esencia, es un factor "estabilizador de la varianza a algo finito", para que la expresión no vaya a cero o al infinito a medida que el tamaño de la muestra va al infinito, sino para mantener una distribución en el límite.
Por lo tanto, tiene que ser lo que sea en cada caso. Por supuesto, es interesante que en muchos casos se descubra que tiene que ser . (pero vea también el comentario de @ whuber a continuación).norte--√
Un ejemplo estándar donde el factor de normalización tiene que ser , en lugar de es cuando tenemos un modelo √nortenorte--√
yt= βyt - 1+ ut,y0 0= 0 ,t = 1 , . . . , T
con ruido blanco, y estimamos la desconocida por mínimos cuadrados ordinarios. βtutβ
Si sucede que el valor verdadero del coeficiente es , entonces el estimador OLS es consistente y converge a la tasa usual de . El | βEl | <1norte--√
Pero si, en cambio, el valor verdadero es (es decir, tenemos en realidad una caminata aleatoria pura), entonces el estimador OLS es consistente pero convergerá "más rápido", a una velocidad (esto a veces se denomina estimador "superconsistente" - ya que, supongo, muchos estimadores convergen a razón ).
En este caso, para obtener su (no normal) distribución asintótica, que tenemos a escala ( β - β ) por (si escalamos solamente por la expresión a ir a cero). Hamilton ch 17 tiene los detalles.β= 1nortenorte--√
( β^- β)nortenorte--√