1

Nota sobre el Delta-Method

( ) [0, ]
d
n N y si g(?) es
una funcin continua que no involucra n,
entonces
2 2

( ) ( ( ), (1/ ) ( ) ) g N g n g : .

Si ? es desconocido, una frmula prctica
para estimar la varianza asinttica es usar
2 2

( ( )) ( ) Var g g ; .
En el caso que ? es un vector de kx1
parmetros y la matriz de varianzas y
covarianzas del estimador de ?, es

entonces para estimar la varianza
asinttica usamos
{

1 1
1
1
'

( ) ( )

( ( ))
' '
x
kxk
xk
kx
g g
Var g V

_



,
;
14243
123
14243

2
En el caso que ? es un vector de kx1
parmetros y tenemos J funciones g(?) y
la matriz de varianzas y covarianzas del
estimador de ?, es

entonces para
estimar la varianza asinttica del vector
g(?) de Jx1 usamos
{

'

( ) ( )

( ( ))
' '
JxJ
kxk
Jxk
kxJ
g g
Var g V

_



,
;
14243
123
14243


2. Ejemplo.
Supongamos que tenemos una funcin de
Utilidad CES (constant elasticity of
substitution) entre Ocio, l. y Consumo, c.
En varios libros de texto la funcin de
Utilidad (CES) se define como:
(1 ) U c l

1
+
]

La TMS de este consumidor es:

1
1
l
c
U c
TMS
U l

_


,

:

y la elasticidad de sustitucin, s es :
3

( )
ln /
1
ln( ) 1
d c l
d TMS

+


Se puede mostrar que cuando s tiende a
1, la funcin CES converge a la funcin
Cobb Douglas; cuando s tiende a 0, la
funcin CES tiende a la funcin Leontief de
coeficientes fijos (complementos
perfectos); y cuando s tiende a 8 , la
funcin de Utilidad tiene curvas de
indiferencia lineales, (X e Y son sustitutos
perfectos).

Supongamos que queremos testear si
la TMS entre ocio y consumo es TMS =
0.2 cuando c/l = 0.8.
Estas hiptesis son no lineales en los
parmetros d y ?:


1
0
1
1
1
(0.8) 0.2
1
(0.8) 0.2
H
H

+
+

Las hiptesis ms usuales son lineales
en los parmetros, de la forma

0 0 0 1 1
H c +
4
. Las hiptesis ms generales, lineales o
no lineales, pueden ser escritas como

0
( ) 0 H g
donde g es cierta funcin (continua y
diferenciable) y ? es un vector de
parmetros.

En la hiptesis anterior, podemos
escribir:

1
1
( ) ( , ) (0.8) 0.2 g g

Cuando tenemos una hiptesis no lineal,
lo esencial es obtener el error standard de
la funcin que estamos testeando.
Para el caso lineal con dos parmetros:

0 0 1 1 0 0 1 1
2 2
0 0 1 1 0 1 0 1

( ) var( )


var( ) var( ) 2 cov( , )
es c

+ +
+ +


Para el caso no lineal con dos
parmetros:



( ( , )) var( ( , )) es g g
donde de acuerdo al delta method:
5

2
2


var[ ( , )] var( ) var( ) 2 cov( , )
g g g g
g

_ _
_ _
+ +


, ,
, ,


En nuestro caso,

1
1
( , ) (0.8) 0.2 g

y por lo tanto,

1 1
2
1 1
(0.8) ln(0.8)(0.8)
g g

+ +




Supongamos que obtuvimos estimaciones
de los parmetros estructurales de la
funcin de Utilidad ([Link] a travs de las
estimaciones de las funciones de demanda
de ocio y consumo) y que resultaron en
las siguientes estimadores, varianzas y
covarianzas:

Parmetro Estimacin Varianza Cov (d,
?)
delta 0.34 0.018 -0.248
ro 3.01 5.398

6
Por lo que computando las derivadas en
los valores estimados:

3.61 0.18
g g





y ahora si sustituimos en la frmula de la
varianza de g:

( ) ( ) ( )(
2 2

var[ ( , )] 3.61 (0.018) 0.18 5.398 2 3.61 0.18 ( 0.
0.094
g + +

y por lo tanto:

( ( , )) 0.094 0.307 es g
y
1

( , ) (0.8) 0.2 0.605

Nuestro estadstico es entonces:

( , ) 0.605
1.973

0.307
( ( , ))
g
t
es g



Este valor es un poco mayor que el valor
crtico de la normal Z =1.96 y un poco
menor que el valor crtico al 5% de la t de
Student de 2.056. Es un caso borderline,
en el caso de la normal rechazaramos la
hiptesis nula. Notemos que este test no
lineal es vlido solamente en muestras
7
grandes, por lo que deberamos usar los
valores crticos de la normal Z: Pero
algunos investigadores usan t, ya que en
muestras chicas podra ser una mejor
aproximacin (no probado usualmente).
Por supuesto, que en muestras grandes
ambos tests son equivalentes ya que t
tiende a Z.

Resultado General
En el caso de 1 sola restriccin y k
parmetros tenemos un test normal o t
tambin. Sea
1 2
( , ,... )
k
y la matriz de
varianzas y covarianzas del estimador de
?,

Queremos testear :
0
( ) 0 H g . Definimos el
vector de derivadas parciales:

1 2
, ,...
k
g g g
q

_

,

Por ende una aproximacin en muestras
grandes de la varianza de ( ) g es:

var( ( )) ' g q V q

y el test estadstico que sigue una
distribucin N(0,1) asintticamente es:

1

( ) '( ' ) ( ) g q V q g

8
(comprobar para el caso k=2 que se
cumple)

Con ms de una restriccin Z o t ya no se
pueden usar, en lugar usamos o un test
2
( ) ( , )
o
j j T k
F

donde J es el nmero de
restricciones. El estadstico que se
describe a continuacin es el
2
( ) j
, que es el
que sugiere la teora asinttica, si uno
quiere en cambio el correspondiente valor
del F,
2
( ) j
F
J

Por ejemplo, si queremos testear dos
restricciones:
1
0
1 0
1
(0.8) 0.2 1
es falsa
H y
H H

En este caso definimos:

1
1
2
1
( ) (0.8) 0.2
( ) 1
g
g

y
1
0
2
( )
( ) y H : ( ) 0
( )
g
g g
g

1

1
]

La matriz de varianzas y covarianzas de
1

( ) es ( ' ) donde g Q V Q

9
1 2
1 1
1 2
2 2 1 2
1 2
( , )
k k
q q
q q
Q q q
q q



1
1

1
1
1

1
1
1

1
1
]
L L

Entonces el test estadstico es


2 1
(2)

( ) '( ' ) ( ) g Q V Q g

Los ejemplos que vimos hasta ahora son
casos particulares de este test estadstico
tipo Wald. Si tuviramos J restricciones
deberamos computar el test
2
( ) J
con las
nuevas dimensiones de g y de Q por
supuesto.

Para recordar los test estadsticos de Wald
para diferentes nmeros de restricciones,
parmetros y linealidad o no en
parmetros:

Nmero de
restricciones
Modelo
lineal con
errores iid
Modelo no
lineal o
hiptesis
no lineal o
errores no
10
normales
iid
J=1 t
(T-k)
Z
J=1 F
(J,T-k)

2
( ) J

Cuando J=1 F
(1,T-k)
= t
2
(T-
k)

2 2
(1)
Z




3. Cmputo de los Errores Standard
de los Efectos Marginales en el
modelo PROBIT
En el caso general recordemos que los
efectos marginales eran:

( / ) ( ' ) ( ' )
( ' )
( ' )
E y x F x x
f x
x x x

Para simplificar la notacin llamemos al
estimador del efecto marginal:

( ' ) f x f
Aplicando el mtodo DELTA y llamando V
a la varianza asinttica de

, var( ) V ,
tenemos que la varianza (asinttica) de
los efectos marginales es:
11

'

( )

Var V

_ _

, ,


Notemos que en la notacin del delta
method habamos llamado Q a la matriz
de derivadas parciales de los efectos
marginales. Podemos ser ms explcitos
en la definicin de nuestro estimador de la
varianza notando que:

( ' )


( ' )

'

( ' )
f f x
f
x
f
fI x
x

_

+


,

y reemplazando en la varianza asinttica
de los efectos marginales obtenemos:
'
'

( )



' '

( ' ) ( ' )
Var V
f f
fI x V fI x
x x

_ _

, ,
_ _

+ +


, ,


Esta ecuacin todava no nos dice mucho.
Es ms interesante mirar a como es este
12
estimador para diferentes especificaciones
de F.
(1) MPL. Recordemos que ' , 1, 0 F x f y f

( ) ( ) V f V V

(2) PROBIT. Aqu , , F f y f x
( ) ( )
( )( ) ( ) ( )( ) ( )
'
'
2

( ) ' ' ' '

' ' ' '
V f I x x V I x x
I x x V I x x

(3) LOGIT. Aqu [ ] , (1 ), (1 ) 1 2 F f y f

( ) ( )
2

( ) (1 ) (1 2 ) ' (1 2 ) ' V f I x V I x

1
+ +
]