Stavo leggendo qui
Ipotizziamo di avere il seguente modello:
\(y_i = \alpha + \beta x_i^* + \epsilon_i \)
Purtroppo \( x_i^* \) non è osservabile. Possiamo solo osservare:
\( x_i = x_i^* + \upsilon_i \)
Dove \( \upsilon_i \) è un errore di misura
Sostituendo si ricava
\( y_i = \alpha + \beta (x_i - \upsilon_i) + \epsilon_i = \alpha + \beta x_i + u_i \)
Dove \( u_i = \epsilon_i - \beta \upsilon_i \)
Questa è l'equazione in funzione del segnale rumoroso \( x_i \)
Ora il testo dice che \( x_i \) e \(u_i\) sono correlati. Questo ok. E che la stima di \( \beta \) è sottostimato. Questo non lo capisco
Ipotizzando \( \beta > 0\), se \( v \uparrow \Rightarrow x \uparrow \) ma anche \( u \downarrow \) quindi l'effetto sulla stima di \( \beta \) non mi è chiaro