Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
es decir que las densidades de probabilidad de cualquier función de cada variable<br />
individual, ( gx )<br />
φ i<br />
( ) , pertenezcan todas a la misma familia y que sean idénticas una vez la<br />
i<br />
función g(x i ) ha sido ajustada por un factor de proporcionalidad, siendo el factor de<br />
proporcionalidad la ratio entre la frecuencia poblacional, p i , y la frecuencia muestral, 1/n,<br />
con lo que obtenemos el factor n. p i .<br />
Estas condiciones son más fuertes de lo necesario pero son suficientes para<br />
garantizar la inferencia por los métodos habituales simplemente sustituyendo momentos<br />
poblacionales por momentos muestrales ponderados. Debe observarse que estas<br />
condiciones no son normalmente satisfechas por los procedimientos de muestreo estándar<br />
(Wooldridge (1999)) pero si pueden ser mantenidas en nuestro caso.<br />
Una forma de entender la intuición de este factor de escala consiste en observar que<br />
puesto que suponemos que la observación i-ésima ha sido extraída aleatoriamente de una<br />
subpoblación de tamaño N i es natural inflar la contribución de x i por este factor en la<br />
población, pero puesto que sólo disponemos de n observaciones esta contribución debe ser<br />
escalada por la ratio entre muestra y población, n/N 16 . De esta forma si p i = 10% y n = 50<br />
la contribución de x i en la población es escalada por 5. Obsérvese que no se trata de un caso<br />
de corrección por heterocedasticidad, como algunos autores sugieren (Beach y Kaliski<br />
(1986, p.-41)). Además si N i = 1, ∀i , el muestreo puede ser considerado como aleatorio,<br />
en cuyo caso los requerimientos (i) y (ii) anteriores son superfluos, puesto que n.p i = 1, ∀i.<br />
Como hemos mencionado las condiciones anteriores son suficientes para que la<br />
n<br />
inferencia pueda ser realizada de forma estándar. Por ejemplo, µ= Σ i = 1<br />
px<br />
i i<br />
es un estimador<br />
consistente de la media de la población, digamos θ; si deseamos realizar inferencia acerca<br />
de la media de la distribución poblacional de x necesitamos derivar la distribución<br />
1 n<br />
asintótica de µ, observando que µ= Σ<br />
i=<br />
1npixi<br />
y que los requerimientos anteriores<br />
n<br />
implican<br />
16 Ver Imbens y Lancaster (1996) y Wooldridge (1999) para el caso de muestreo multinomial.<br />
19