INTRODUCCIÓN

El método generalizado de los momentos es un poderoso instrumento de

estimación de parámetros estadísticos. En la actualidad se conocen las
propiedades asintóticas de los estimadores obtenidos por este método, los cuales,
bajo supuestos no muy restrictivos, son consistentes y con funciones de
distribución fácilmente calculables. Herramientas ampliamente divulgadas y utilizadas
en econometría, tales como los mínimos cuadrados ordinarios, mínimos cuadrados
generalizados, estimación en dos etapas e incluso (bajo algunos supuestos
adicionales) máxima verosimilitud, pueden ser considerados casos particulares del
método generalizado de los momentos.

Otra de las características del método es que no requiere la especificación de una

forma particular de distribución de las variables aleatorias involucradas en el modelo
que se estudia. Sin embargo, esta generalidad también puede significar un uso no
eficiente de la información disponible en la muestra (Hamilton, 1994). Además,
recientes desarrollos demuestran que en muestras pequeñas los estimadores pueden
estar bastante lejos del valor real del parámetro (Chumacero 1997a), por lo que no es
aconsejable su uso cuando estén disponibles solamente un reducido número de
observaciones, situación tan frecuente en econometría.
 MÉTODO DE LOS MOMENTOS.

Este método fue desarrollado por Karl Pearson a fines del siglo XIX, y se apoya en un
teorema fundamental de la teoría de muestreo que expresa que los momentos de la
muestra son buenos estimadores de los momentos de la población o universo.

Según BENJAMIN y CORNELL (1981), los momentos de una distribución de

probabilidades tienen una definición análoga a los momentos usados en mecánica. La
probabilidad de una variable puede ser considerada como una masa, y los momentos
son tomados respecto a algún punto conveniente o valor de una variable.

De esta manera, los momentos de la población de una variable continua, x, pueden

considerarse respecto al origen o respecto de su valor medio o centroide. La ecuación
de los momentos de orden r respecto al origen es:

𝑢′𝑟 = 𝐸⌊𝑥 𝑟 ⌋ = ∫ 𝑥 𝑟 𝑓(𝑥)𝑑𝑥

𝐷

Dónde:

E [ ] es el operador de la esperanza.

f(x) es la función de densidad de probabilidades de la población.

D es el intervalo definido para la variable x.

La ecuación de los momentos centrales de orden r es:

𝑢𝑟 = 𝐸⌊(𝑥 − 𝑢′1 )𝑟 ⌋ = ∫ (𝑥 − 𝑢′1 )𝑟 𝑓(𝑥)𝑑𝑥

𝐷

Los momentos de la muestra de una variable continua, x, también pueden

considerarse respecto al origen o respecto de su valor medio o centroide. La ecuación
de los momentos de orden r respecto al origen es:
 𝑛
1
𝑚′𝑟 = ∑ 𝑥𝑖𝑟
𝑛
𝑖=1

Donde n es el número total de elementos de la muestra. La ecuación de los momentos

centrales de orden r es:

𝑛
1
𝑚𝑟 = ∑(𝑥𝑖 − 𝑚′1 )𝑟
𝑛
𝑖=1

YEVJEVICH (1978), indica que el número de momentos estimados, teóricamente,

puede ser infinito. En la práctica, sin embargo, sólo los primeros cuatro momentos son
usados dado que la precisión de las estimaciones (de los momentos de la muestra)
decrece a medida que el orden del momento aumenta.

Según CHOW (1964) y AYALA y FERRER (1973), la principal ventaja de este método
es que conduce a ecuaciones relativamente simples que permiten el cálculo sencillo
de los parámetros. Presenta, sin embargo, la desventaja de dar demasiada
importancia a puntos extremos, donde el brazo del momento es largo, los cuales no
siempre son confiables.

Algunos ejemplos de estimación de parámetros en distribuciones estadísticas

mediante el método de los momentos:

Distribución Binomial

𝑥 = 𝐵(𝑚, 𝑝), 𝑠𝑖𝑒𝑛𝑑𝑜 𝐸(𝑥) = 𝑚𝑝

𝟏 𝟏 𝟏
̂=
𝒑 ̅=
𝒙 . ∑ 𝒙𝒊
𝒎 𝒎 𝒏

Distribución de Poisson

𝑥 ≡ 𝑃(𝜆), 𝑠𝑖𝑒𝑛𝑑𝑜 𝐸(𝑥) = 𝜆

 1
𝜆̂ = 𝑥̅ = ∑ 𝑥𝑖
𝑛

Distribución Normal

𝑥 ≡ 𝑁(𝜇, 𝜎), 𝑠𝑖𝑒𝑛𝑑𝑜 𝐸(𝑥) = 𝜇, 𝑦 𝑉𝑎𝑟(𝑥) = 𝜎 2

1
𝜇̂ = 𝑥̅ = ∑ 𝑥𝑖
𝑛

𝜎̂ 2 = 𝑆 2 = ̅̅̅
𝑥 2 − 𝑥̅ 2 ,𝑜
𝑛 ̅̅̅2 − 𝑥̅ 2 )
𝜎̂ 2 = 𝑆𝑐2 = (𝑥
𝑛−1

Distribución de Weibull

𝑡−𝛾 𝛽
−( )
𝑅(𝑡) = 𝑒 

2 1
𝜎2  (1 + 𝛽 ) − 2 (1 + 𝛽 )
=
𝑡̅2 1
2 (1 + 𝛽 )

𝑡̅
 =
1
 (1 + 𝛽 )
 CONCLUSIONES

En definitiva, si se ha de aplicar el método generalizado de los momentos, el tamaño

adecuado de la muestra depende del tipo de problema, del parámetro de interés y de
la precisión que se requiera en las estimaciones. La mejor forma de determinar el
número de observaciones necesarias, puede ser realizar simulaciones de Montecarlo,
tal como se ha hecho en el presente documento.

A pesar de estas cualidades, las propiedades de los estimadores obtenidos por el

método generalizado de los momentos no son siempre buenas en muestra pequeñas.
Más aún, para ciertos parámetros, las estimaciones mejoran muy lentamente conforme
aumenta el tamaño de la muestra.

Así, dependiendo del parámetro a estimar, el método generalizado de los

momentos puede o no ofrecer resultados adecuados. Por supuesto, esto no
significa que el método deba ser dejado de lado. Posiblemente un mecanismo para
adquirir algún nivel de seguridad en los resultados sea modelar teóricamente el
problema que se estudia, luego simularlo y estudiar las propiedades de método
generalizado de los momentos en diferentes tamaños de muestra de esas
simulaciones. De esta manera, se conocería qué parámetros están siendo estimados
con precisión por el método generalizado de momentos y cuáles no, que tamaño de
muestra mínimo es necesario para tener intervalos de confianza adecuados y qué
conclusiones se puede obtener de los resultados.
 Bibliografía

Chumacero, Rómulo. (1997a) "Finite sample propierties of the efficient method of

moments", mimeo, Universidad de Chile.

Chumacero, Rómulo (1997b) Notas de clase del curso de Macro-econometría,

Banco Central del Ecuador.

Greene, William. (1993) "Econometric Analysis", 2da. Edición, MacMillan.

Johnston, J. Y Dinanrdo (1997) "Econometric methods", 4ta. Edición, MacGraw Hill.

Hamilton, James. (1994) "Time series analysis", Pricenton University Press.

Turnovsky, Stephen. (1995) "Methods of macroeconomic dynamics", The MIT Press.