Método Adversario de Momentos

Introducimos el Método Adversario de Momentos (AMM), para modelos definidos por condiciones de momentos. Nuestro estimador es asintóticamente equivalente a GMM de 2 etapas, pero presenta mejores propiedades en muestras finitas. En nuestros resultados teóricos mostramos que existe una relación ent...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Cigliutti, Ignacio Martin
Formato: Tesis de maestría acceptedVersion
Lenguaje:Español
Publicado: Universidad Torcuato Di Tella 2023
Materias:
Economía
Analisis estadístico
Datos
Método Adversario de Momentos (AMM)
Estimación de varianza en Altonji and Segal
Acceso en línea:https://repositorio.utdt.edu/handle/20.500.13098/11784
Aporte de:
Repositorio Digital Universidad Torcuato Di Tella de Universidad Torcuato Di Tella
id I57-R163-20.500.13098-11784
record_format dspace
spelling I57-R163-20.500.13098-117842023-05-05T07:00:32Z Método Adversario de Momentos Cigliutti, Ignacio Martin Economía Analisis estadístico Datos Método Adversario de Momentos (AMM) Estimación de varianza en Altonji and Segal Introducimos el Método Adversario de Momentos (AMM), para modelos definidos por condiciones de momentos. Nuestro estimador es asintóticamente equivalente a GMM de 2 etapas, pero presenta mejores propiedades en muestras finitas. En nuestros resultados teóricos mostramos que existe una relación entre AMM y el estimador de Verosimilitud Empírica (EL), que también presenta dichas propiedades deseables. Relativo a este segundo estimador, mostramos que la implementación de AMM es mucho más sencilla, lo cual lo vuelve una interesante alternativa para trabajo empírico. En la segunda parte del trabajo consideramos diferentes modelos, incluida la estimación de varianza en Altonji and Segal (1996) y un modelo de datos de panel dinámico. Mediante simulaciones de Monte Carlo, comparamos el desempeño de nuestro estimador y descubrimos que AMM se desempeña mejor en casos donde otros estimadores fallan. Finalmente, en el apéndice extendemos AMM a entornos basados en simulación, con una aplicación a la estimación de modelos DSGE igualando funciones de impulso respuesta. Por motivos relacionados con los derechos de autor este documento solo puede ser consultado en la Biblioteca Di Tella. Para reservar una cita podés ponerte en contacto con serviciosbiblio@utdt.edu. Si sos el autor de esta tesis y querés autorizar su publicación en este repositorio, podés ponerte en contacto con repositorio@utdt.edu. 2023-05-04T17:37:31Z 2023-05-04T17:37:31Z 2022 info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría info:eu-repo/semantics/acceptedVersion https://repositorio.utdt.edu/handle/20.500.13098/11784 spa info:eu-repo/semantics/restrictedAccess https://creativecommons.org/licenses/by-sa/2.5/ar/ 27 p. application/pdf application/pdf Universidad Torcuato Di Tella
institution Universidad Torcuato Di Tella
institution_str I-57
repository_str R-163
collection Repositorio Digital Universidad Torcuato Di Tella
language Español
orig_language_str_mv spa
topic Economía
Analisis estadístico
Datos
Método Adversario de Momentos (AMM)
Estimación de varianza en Altonji and Segal
spellingShingle Economía
Analisis estadístico
Datos
Método Adversario de Momentos (AMM)
Estimación de varianza en Altonji and Segal
Cigliutti, Ignacio Martin
Método Adversario de Momentos
topic_facet Economía
Analisis estadístico
Datos
Método Adversario de Momentos (AMM)
Estimación de varianza en Altonji and Segal
description Introducimos el Método Adversario de Momentos (AMM), para modelos definidos por condiciones de momentos. Nuestro estimador es asintóticamente equivalente a GMM de 2 etapas, pero presenta mejores propiedades en muestras finitas. En nuestros resultados teóricos mostramos que existe una relación entre AMM y el estimador de Verosimilitud Empírica (EL), que también presenta dichas propiedades deseables. Relativo a este segundo estimador, mostramos que la implementación de AMM es mucho más sencilla, lo cual lo vuelve una interesante alternativa para trabajo empírico. En la segunda parte del trabajo consideramos diferentes modelos, incluida la estimación de varianza en Altonji and Segal (1996) y un modelo de datos de panel dinámico. Mediante simulaciones de Monte Carlo, comparamos el desempeño de nuestro estimador y descubrimos que AMM se desempeña mejor en casos donde otros estimadores fallan. Finalmente, en el apéndice extendemos AMM a entornos basados en simulación, con una aplicación a la estimación de modelos DSGE igualando funciones de impulso respuesta.
format Tesis de maestría
Tesis de maestría
acceptedVersion
author Cigliutti, Ignacio Martin
author_facet Cigliutti, Ignacio Martin
author_sort Cigliutti, Ignacio Martin
title Método Adversario de Momentos
title_short Método Adversario de Momentos
title_full Método Adversario de Momentos
title_fullStr Método Adversario de Momentos
title_full_unstemmed Método Adversario de Momentos
title_sort método adversario de momentos
publisher Universidad Torcuato Di Tella
publishDate 2023
url https://repositorio.utdt.edu/handle/20.500.13098/11784
work_keys_str_mv AT cigliuttiignaciomartin metodoadversariodemomentos
_version_ 1765699921719066624

Ejemplares similares