Archive for May, 2014

(Αντικαθιστά την προηγούμενη ανάρτηση)

Τετάρτη 14/5 :19:00-21:00 Αμφι-Α : Άσκηση 8 (έγινε)

Τετάρτη 21/5: 19:00-21:00 Αμφι-Α : Ολοκλήρωση άσκησης 8 – Άσκηση 9

Τρίτη 27/5 : 09:00-11:00 Αμφι-Δεριγνύ  (στην ώρα της παράδοσης- ΑΝΑΠΛΗΡΩΣΗ)

Τετάρτη 28/5 19:00-21:00 Αμφι-Α

Πέμπτη 29/5 09:00-11:00 Αμφι-Α  (στην ώρα της παράδοσης-ΑΝΑΠΛΗΡΩΣΗ)

Τετάρτη 4/5 19:00-21:00 Αμφι-Α


Αλέκος Παπαδόπουλος

Equality is DeceitThe Information Matrix Equality is a very convenient property of a joint density function. It permits us to simplify the calculation of the asymptotic variance-covariance matrix of the maximum likelihood estimator. Alas, and especially in cases with observational data, it should not be expected to hold. Nevertheless its proof is a beauty -and its failure a proof that the world is unjustly cruel. I present both, together with a few words on the quasi-maximum likelihood estimator, in the following downloadable note:

The Information Matrix Equality

Στο φροντιστήριο της Τετάρτης 14/5 (Αμφι Α, 19:-21:00), θα σχοληθούμε μόνο με την Άσκηση 8 που έχει αναρτηθεί στο blog του μαθήματος. Σημειώνω ότι η Άσκηση αυτή έχει διαφοροποιηθεί από την αρχική (τώρα είναι πιο εύκολη).

Αυτό που πρέπει να προσέξετε στην Άσκηση 8 είναι η έννοια του “επιτοκίου” σε καθεστώς αυτάρκειας. Στην περίπτωση αυτή δεν συντελείται διαχρονικό εμπόριο, παρ’ όλα αυτά η έννοια του επιτοκίου έχει νόημα. Ποιο είναι αυτό; Στο βιβλίο, το επιτόκιο σε καθεστώς αυτάρκειας σε οικονομία χωρίς κεφάλαιο, αποκαλείται “σκιώδες”.



The Law of Iterated Expectations (or the Tower Property),  is a very useful -and very intuitive- result:Tower property image


Or, “the smaller information set always prevails”. Of course the conditioning sets can be anything, but viewing them as information sets increases intuition. I recently wrote a good answer  in Cross Validated on the matter, that contains both an informal intuitive approach and a formal one that has the benefit of being short, and showing that indeed, the Tower Property derives directly from the definition of the conditional expectation. In addition, the thread also contains another answer that shows the rather more tedious derivation using probability mass functions.

The link :