Contrastes de momentos y de la matriz de información

Abstract

Se presentan los principales resultados de la literatura reciente sobre contrastes de momentos (m) y de la matriz de información, Los contrastes de momentos son un marco general para obtener diagnósticos de la especificación de modelos estimados bien por máxima verosimilitud o por el método de momentos. Los contrastes m pueden considerarse, bajo condiciones generales, contrastes de los multiplicadores de lagrange. Una fuente de condiciones de momentos en los que basar la construcción de los diagnósticos ro es la igualdad de la matriz de información. Se ilustra cómo, en el caso de regresión lineal, los contrastes basados en la igualdad de la matriz de información generan diagnósticos tanto conocidos como más novedosos. El comportamiento en muestras finitas de los contrastes es una consideración importante a la hora de su utilización, debiendo elegirse en cada circunstancia la versión más apropiada. Finalmente se señala el gran potencial de la igualdad de la matriz de información para generar baterías de diagnósticos para modelos para los cuales se dispone actualmente de una menor variedad de diagnósticos que para el caso de regresión lineal.

This paper presents Ihe main results of the recent literature on moment (m) tests and infonnation matrix tests. The m tests provide a general Cramework for deriving specification diagnostics fur models estimated by maximum IIkelihood or the method of moments. Under general conditions, m tests can be considered LM tests, A souree of moment conditions in which one could base the construction of m tests is the Information matrix equality. It is shown that in the case of linear regression, tests based on the information matrix equality generate a variety of diagnostics, some of them new while others are already familiar. Small sample considerations are important for the practical application of the tests; it is suggested that appropriate choice of the particular test will be an important practical decision. One of the most important implications of this framework is that il can generate batteries of diagnostics for models for which few diagnostics are presently available.