Aquí está mi respuesta a mi pregunta. Espero que no haya ningún error en el cálculo.
Tenemos :
- $y_{1,i}$ un dicotómica variable aleatoria siguiendo una distribución de Bernouilli con el parámetro $\mu_{y_1}$
- $y_{0,i}$ un dicotómica variable aleatoria siguiendo una distribución de Bernouilli con el parámetro $\mu_{y_0}$
- $x_{1,i}$ un dicotómica variable aleatoria siguiendo una distribución de Bernouilli con el parámetro $\mu_{x_1}$
- $x_{0,i}$ un dicotómica variable aleatoria siguiendo una distribución de Bernouilli con el parámetro $\mu_{x_0}$
El Wald estimador se define como :
$$
\beta_{Wald} = \frac{\mu_{y_1} - \mu_{y_0}}{\mu_{x_1} - \mu_{x_0}}
$$
This can be estimated using the plug-in estimator :
$$
\widehat{\beta_{Wald}} = \frac{\bar{y_1} - \bar{y_0}}{\bar{x_1} - \bar{x_0}}
$$
I want to know the distribution of $\widehat{\beta_{Wald}}$. Since $\bar{y_1} - \bar{y_0}$ and $\bar{x_1} - \bar{x_0}$ converge to a normal distribution, I know that I can derive the distribution of $\widehat{\beta_{Wald}}$ using the Delta method (See Larry Wasserman, All of Statistics : A Concise Course in Statistical Inference, Springer, coll. « Springer Texts in Statistics », 2004, page 79).
I define two new variables :
- $U = \bar{y_1} - \bar{y_0}$
- $V = \bar{X_1} - \bar{X_0}$
Yo sé que :
- $U \xrightarrow{L}\, \mathcal{N}(\mu_U, \sigma^2_U)$
- $V \xrightarrow{L}\, \mathcal{N}(\mu_V, \sigma^2_V)$
Yo defino la función de $g(U,V) = U/V$. De acuerdo con el método Delta, yo sé que :
$$
g(U,V) \xrightarrow{L}\, \mathcal{N}\left(g(\mu_U, \mu_V), Dg(\mu_U, \mu_V)^T\Sigma Dg(\mu_U, \mu_V)\right)
$$
with $Dg(\mu_U, \mu_V)$ the Jacobian matrix of function g and $Sigma$ the variance-covariance matrix of vector $(U,V)$.
So I compute the Jacobian :
$$Dg \left( \begin{array}{c} \mu_U \\ \mu_V \end{array} \right) = \left(\begin{array}{rcl} \frac{1}{\mu_V} \\ \frac{-\mu_U}{\mu_V^2} \end{array} \right) $$
and I have the variance-covariance matrix :
$$
\Sigma = \left( \begin{array}{cc} \sigma^2_U & \sigma_{U,V} \\ \sigma_{U,V} & \sigma^2_V \end{array} \right)
$$
So the variance of $g(U/V)$ is :
$$
Dg(\mu_U, \mu_V)^T \Sigma Dg(\mu_U, \mu_V) =
\frac{\sigma^2_U}{\mu_V^2} - 2 \frac{\mu_U}{\mu_V^3} \sigma_{U,V} + \frac{\mu_U^2}{\mu_V^4} \sigma^2_V
$$
In this case, since $y_i$ follow a Bernouilli distribution, its variance is just $\mu_{y_i} (1-\mu_{y_i})$ and can be estimated using the plug-in estimator as $\bar{y_i} (1-\bar{y_i})$. Therefore I can estimate the following quantities :
$$
\begin{eqnarray}
\sigma^2_U & = & V(\bar{y_1} - \bar{y_0})\\
& = & V(\bar{y_1}) + V(\bar{y_0})
& = & \frac{1}{N_1} \bar{y_1} (1 - \bar{y_1}) + \frac{1}{N_0} \bar{y_0} (1 - \bar{y_0})
\end{eqnarray}
$$
$$
\begin{eqnarray}
\sigma^2_V & = & V(\bar{x_1} - \bar{x_0})\\
& = & V(\bar{x_1}) + V(\bar{x_0})
& = & \frac{1}{N_1} \bar{x_1} (1 - \bar{x_1}) + \frac{1}{N_0} \bar{x_0} (1 - \bar{x_0})
\end{eqnarray}
$$
$$
\begin{eqnarray}
\sigma_{U,V} & = & cov(\bar{y_1} - \bar{y_0}, \bar{x_1} - \bar{x_0})\\
& = & \beta_1 V(\bar{x_1}) + \beta_1 V(\bar{x_0})\\
& = & \beta_1 \left( \frac{1}{N_1} \bar{x_1} (1 - \bar{x_1}) + \frac{1}{N_0} (\bar{x_0} (1-\bar{x_0}))\right)
\end{eqnarray}
$$
So I can have sample estimates of all quantities in the equation $\frac{\sigma^2_U}{\mu_V^2} - 2 \frac{\mu_U}{\mu_V^3} \sigma_{U,V} + \frac{\mu_U^2}{\mu_V^4} \sigma^2_V$. Por lo tanto se puede obtener la varianza de mi Wald estimador de la informática y de mi error estándar !
