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...
Guardado en:
Autor principal: | |
---|---|
Formato: | Tesis de maestría acceptedVersion |
Lenguaje: | Español |
Publicado: |
Universidad Torcuato Di Tella
2023
|
Materias: | |
Acceso en línea: | https://repositorio.utdt.edu/handle/20.500.13098/11784 |
Aporte de: |
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 |