El artículo nunca asumió homoskadasticity en la definición. Para ponerlo en el contexto del artículo, la homoscedasticidad sería decir
Donde es la matriz de identidad y es un número escalar positivo La heteroscadasticidad permite I n × n σ
mi{ ( x^- x ) ( x^- x )T} = σyo
yon × nσ
mi{ ( x^- x ) ( x^- x )T} = D
Cualquier diaganol positivo definido. El artículo define la matriz de covarianza de la manera más general posible, como el segundo momento centrado de alguna distribución multivaria implícita. debemos conocer la distribución multivariada de para obtener una estimación asintóticamente eficiente y consistente de . Esto vendrá de una función de probabilidad (que es un componente obligatorio de la parte posterior). Por ejemplo, suponga (es decir, . Entonces la función de probabilidad implícita es
Donde es el pdf normal multivariado.e x e ~ N ( 0 , Σ ) E { ( x - x ) ( x - x ) T } = Σ log [ L ] = log [ φ ( x - x , Σ ) ] φremiX^e ∼ N( 0 , Σ )mi{ ( x^- x ) ( x^- x )T} = Σ
Iniciar sesión[ L ] = log[ ϕ ( x^- x , Σ ) ]
ϕ
La matriz de información del pescador se puede escribir como
vea en.wikipedia.org/wiki/Fisher_information para más información. Es a partir de aquí que podemos derivar
Lo anterior está usando una función de pérdida cuadrática pero no supone Homocedasticidad. √
yo( x ) = E[ ( ∂∂XIniciar sesión[ L ] )2∣∣∣x ]
n−−√(x^−x)→dN(0,I−1(x))
En el contexto de OLS, donde retrocedemos en asumimos
La probabilidad implícita es
que puede reescribirse convenientemente como
el pdf normal univariante. La información del pescador es entonces
yx
E{y|x}=x′β
log[L]=log[ϕ(y−x′β,σI)]
log[L]=∑i=1nlog[φ(y−x′β,σ)]
φI(β)=[σ(xx′)−1]−1
Si no se cumple la homocedasticidad, entonces la información de Fisher como se indica es erróneamente especificada (pero la función de expectativa condicional sigue siendo correcta), por lo que las estimaciones de serán consistentes pero ineficientes. Podríamos reescribir la probabilidad de tener en cuenta la heteroskacticidad y la regresión es eficiente, es decir, podemos escribir
Esto es equivalente a ciertas formas de mínimos cuadrados generalizados , como mínimos cuadrados ponderados. Sin embargo, esto lo harálog [ L ] = log [ ϕ ( y - x ′ β , D ) ] β 1β
log[L]=log[ϕ(y−x′β,D)]
cambiar la matriz de información de Fisher. En la práctica, a menudo no conocemos la forma de la heterocedasticidad, por lo que a veces preferimos aceptar la ineficiencia en lugar de sesgar la regresión por error al especificar esquemas de ponderación. En tales casos, la covarianza asintótica de
no es como se especificó anteriormente.
β 1nI−1(β)