Error de especificación en mínimos cuadrados generalizado

Autores
Rao, Potluri
Año de publicación
1971
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
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.
Instituto de Investigaciones Económicas
Materia
Ciencias Económicas
estadística
Análisis de Regresión
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-nd/3.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/9032

id SEDICI_91553d079a8fe3f7f96569f46af4860f
oai_identifier_str oai:sedici.unlp.edu.ar:10915/9032
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Error de especificación en mínimos cuadrados generalizadoSpecification bias in the generalized least squaresRao, PotluriCiencias EconómicasestadísticaAnálisis de RegresiónCuando 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.Instituto de Investigaciones Económicas1971info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionArticulohttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdf329-336http://sedici.unlp.edu.ar/handle/10915/9032spainfo:eu-repo/semantics/altIdentifier/issn/0013-0419info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/3.0/Creative Commons Attribution-NonCommercial-NoDerivs 3.0 Unported (CC BY-NC-ND 3.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T10:23:21Zoai:sedici.unlp.edu.ar:10915/9032Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 10:23:21.365SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Error de especificación en mínimos cuadrados generalizado
Specification bias in the generalized least squares
title Error de especificación en mínimos cuadrados generalizado
spellingShingle Error de especificación en mínimos cuadrados generalizado
Rao, Potluri
Ciencias Económicas
estadística
Análisis de Regresión
title_short Error de especificación en mínimos cuadrados generalizado
title_full Error de especificación en mínimos cuadrados generalizado
title_fullStr Error de especificación en mínimos cuadrados generalizado
title_full_unstemmed Error de especificación en mínimos cuadrados generalizado
title_sort Error de especificación en mínimos cuadrados generalizado
dc.creator.none.fl_str_mv Rao, Potluri
author Rao, Potluri
author_facet Rao, Potluri
author_role author
dc.subject.none.fl_str_mv Ciencias Económicas
estadística
Análisis de Regresión
topic Ciencias Económicas
estadística
Análisis de Regresión
dc.description.none.fl_txt_mv 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.
Instituto de Investigaciones Económicas
description 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.
publishDate 1971
dc.date.none.fl_str_mv 1971
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Articulo
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/9032
url http://sedici.unlp.edu.ar/handle/10915/9032
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/issn/0013-0419
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/3.0/
Creative Commons Attribution-NonCommercial-NoDerivs 3.0 Unported (CC BY-NC-ND 3.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/3.0/
Creative Commons Attribution-NonCommercial-NoDerivs 3.0 Unported (CC BY-NC-ND 3.0)
dc.format.none.fl_str_mv application/pdf
329-336
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1842260058324336640
score 13.13397