Sie sind auf Seite 1von 2

1

Beispiel 4 (Die Unverzerrtheit und Effizienz des Kleinstquadratschätzers,


die Bedeutung des Satzes von Gauß-Markov: Unverzerrtheit und
Effizienz)

1. Formulierung des linearen Modells


Wie z.B. für das Verfahren der kleinsten Quadrate dargestellt (SELS), wird die Situation
betrachtet, in der eine, zwei oder mehr als zwei exogene Größen X.k (allgemein K≥1
exogene Größen) eine endogene Größe y bestimmen. D.h. es besteht die in den
Parametern β lineare Beziehung
K
(1) yt = ∑ Xkt βk + ut , E(ut ) = 0, E(ut u s) = σ2v ts (t, s = 1,2,...,T)
k=1
bzw. im einfachsten Fall der Matrix ((vts )) = V
σ 2 t=s
(1)’ yt = Xt β + u t (t=1,2,...,n), E(ut ) = 0, E(ut u s) = { .
0 t≠s
bzw. in Matrixschreibweise
(1)’’ y = Xβ + u, E(u)= 0, Cov(u) = E(uu') = σ2V
y∈RT, X∈RT,K , rk(X)≤K≤T, β∈RK , u∈RT, 0∈RT, V∈RT,T, σ2∈R++
bzw. in der einfachsten homoskedastischen Struktur
(1)’’’ y = Xβ + u, E(u) = 0, Cov(u) = E(uu') = σ2I.

Für dieses Modell gilt der Satz von Gauß-Markov.

2. Satz (von Gauß-Markov/ die BLU Eigenschaften).


Der Kleinstquadratschätzer β ist ein bester, linearer und unverzerrter Schätzer von β.
({bestens, linear, unverzerrt} = BLU)
Beweis: Der Kleinstquadratschätzer ist β = (X' X)-1 X' y
Durch Substitution in das Modell y = Xβ + u folgt
β = (X' X)-1 X'( Xβ + u) = (X' X)-1 X' Xβ + (X ' X)-1 X' u = β + (X ' X)-1 X' u.
Dann ergeben sich Linearität und Unverzerrtheit des Schätzers
E(β) = β + (X ' X)-1 X' E(u) (da X nichtstochastisch bzw. unkorreliert mit u ist)
∴ E(β) = β
Die Kovarianzmatrix von β ist definitionsgemäß (Kovarianz des Schätzers):
E[(β - Eβ)(β - Eβ)'] = E[(β - β )(β - β )']= E[(X' X)-1 X' uu ' X(X' X)-1 ]
= (X' X)-1 X' E(uu')X(X' X)-1 = σ2(X' X)-1 X' X(X' X)-1 = σ2(X' X)-1 .
Die Effizienz des Kleinstquadratschätzers (die "kleinste Varianz des Schätzers" im Ver-
gleich zu anderen unverzerrten und linearen Schätzern) wird durch Vergleich mit
einem beliebigen anderen Schätzer von β, nämlich β* gezeigt. Sei β ∗ = Hy, dann gilt
β ∗ = Hy = HXβ + Hu und E(β ∗) = HXβ.
O.B.d.A. sei H als der KQ-Schätzer plus eine Differenzmatrix gegeben, d.h.
H = (X' X)-1 X' + C (C eine konstante Matrix)
2

Unverzerrtheit erfordert daß HX = I, also


HX = (X' X)-1 X' X + CX = I + CX. ∴HX = I ⇔ CX = 0.
Die Positivdefinitheit der Kovarianzmatrix von β ∗ wird durch den Kunstgriff der
Matrixzerlegung (Dekomposition der Kovarianz) bewiesen
E[(β ∗ - β)(β ∗ - β)' ] = E(Huu'H' ) = E([(X' X)-1 X' + C]uu'[X(X' X)-1 + C' ])
= σ2[(X' X)-1 X' X(X' X)-1 + (X ' X)-1 X' C' + CX(X'X) -1 + CC'] = σ2(X'X)-1 + σ2CC'
(da CX = 0 sowie (XX und CC positivdefinit gemäß Konstruktion))
Aber CC' ist eine positivsemidefinite Matrix, daher ist die Varianz von β ∗ größer oder
gleich der Varianz von β in dem Sinne, daß die Differenz beider Kovarianzmatrizen
auch eine positivsemidefinite Matrix ist. n

M.a.W. Die Kovarianzmatrix des “Vergleichs”schätzers ist stets die des Kleinstquadrat-
schätzers plus einer positivdefiniten “Differenz”-Matrix (dem zweiten Term).

3. Anmerkung (Effizienz)
β ist effizient im Vergleich zu jedem anderen linearen, unverzerrten Schätzer von β, der
KQ-Schätzer heißt BLU, d.h. er hat die Eigenschaften bestens, linear, unverzerrt zu sein
(= BLU).

(SELS)