Tema13 PDF

CAPTULO 13
Modelos de ecuaciones simultaneas

Hasta ahora hemos estudiado el modelo lineal general uniecuacional, que relaciona
una variable dependiente con una combinaci on lineal de varias variables independientes
m as una perturbacion estocastica. En esta relaci on estadstica se supone que las vari-
ables indepentes son ortogonales al termino de error. Este supuesto implica una relaci on
causa-efecto: las variables independientes causan a la variable dependiente, pero los
cambios de la variable dependiente (en respuesta a los factores recogidos en el termi-
no de error) no tiene efectos sobre las variables explicativas. Sin embargo, este tipo
de relaciones unidireccionales son raras en economa, porque las variables econ omicas
estan interrelacionadas. Por ejemplo, la microeconoma nos dice que los precios y las
cantidades se determinan simult aneamente (conjuntamente) en los mercados. Similar-
mente, la macroeconoma nos dice que la renta y el nivel de precios de una economa se
determinan simult aneamente por la interacci on de la oferta y demandas agregadas.
En este captulo extendemos el modelo lineal general considerando varias variables
dependientes interrelaccionadas que a su vez dependen de un conjunto de variables in-
dependientes. Cada variable dependiente tiene una ecuaci on especca que expresa su
relacion con el resto de variables dependientes y con el conjunto de variables independi-
entes. El sistema de ecuaciones se denomina modelo de ecuacioens simult aneas.
13.1. Forma estructural y forma reducida
Consideramos m variables interpedendientes o end ogenas Y
1t
, Y
2t
, . . . , Y
mt
que a su
vez dependen de k variables independientes o exogenas X
1t
, X
2t
, . . . , X
kt
, en donde el
ndice t tiene un rango de 1 a T. Para cada variable end ogena Y
jt
(j = 1, . . . , m) pode-
mos especicar una ecuacion de regresi on lineal que exprese Y
jt
como una combinaci on
lineal de las restantes varibles end ogenas y de las variables ex ogenas. El sistema de ecua-
ciones resultante se denomina modelo de ecuaciones sismult aneas y puede escribirse de
la siguiente forma
(13.1)
11
Y
1t
+
12
Y
2t
+ +
1m
Y
mt
+
11
X
1t
+
12
X
2t
+ +
1k
X
kt
=
1t
21
Y
1t
+
22
Y
2t
+ +
2m
Y
mt
+
21
X
1t
+
22
X
2t
+ +
2k
X
kt
=
2t
.
.
.
m1
Y
1t
+
m2
Y
2t
+ +
mm
Y
mt
+
m1
X
1t
+
m2
X
2t
+ +
mk
X
kt
=
mt
_
_
en donde
ji
(j = 1, . . . , m; i = 1, . . . , m) y
jh
(j = 1, . . . , m; h = 1, . . . , k) son
los coecientes de regresion y
jt
(j = 1, . . . , m; t = 1, . . . , T) son las perturbaciones
estocasticas. Por conveniencia notacional hemos situado todas las variables en el lado
izquierdo de la ecuacion y las perturbaciones en el lado derecho, y permitimos que X
1t
sea una variable de unos si se desea incluir un termino constante.
181
182 13.1. Forma estructural y forma reducida
Definici on 93. El sistema de cuaciones 13.1 se dice que est a normalizado cuando
en cada ecuaci on aparece una variable end ogena con un coeciente unitiario.
Para la observacion t-esima, el sistema de ecuaciones (13.1) puede escribirse en forma
matricial como
(13.2) Ay
t
+Bx
t
=
t
, t = 1, 2, . . . , T
en donde
y
t
=
_
_
_
_
_
_
Y
1t
Y
2t
.
.
.
Y
mt
_
_
_
_
_
_
.
m1
, x
t
=
_
_
_
_
_
_
X
1t
X
2t
.
.
.
X
kt
_
_
_
_
_
_
.
k1
,
t
=
_
_
_
_
_
_
1t
2t
.
.
.
mt
_
_
_
_
_
_
.
m1
,
A =
_
_
_
_
_
_
11

12
. . .
1m
21

22
. . .
2m
.
.
.
.
.
.
.
.
.
m1

m2
. . .
mk
_
_
_
_
_
_
.
mm
, B =
_
_
_
_
_
_
11

12
. . .
1k
21

22
. . .
2k
.
.
.
.
.
.
.
.
.
m1

m2
. . .
mk
_
_
_
_
_
_
.
mk
.
Los supuestos basicos para el modelo (13.2) son:
1. A es una matriz no singular,
2. las variables exogenas x
t
son no estoc asticas, linealmente independientes y con
momentos muestrales nitos, esto es,
lm
T
1
T
T
t=1
x
t
x
t
= Q
es una matriz nita no singular de orden k k,
3. los vectores
t
se distribuyen independiente e indenticamente con una distribu-
cion normal multivariante con vector de medias nulo y matriz de varianzas y
covarianzas ,
t
iidN(0, ). Tambien se dice que
t
es un proceso de ruido
blanco vectorial porque cumple los supuestos
a) estacionariad en media, E(
t
) = 0,
b) estacionariedad en varianza (homocedasticidad)
E(
t
t
) = E
_
_
_
_
_
_
_
_
1t
2t
.
.
.
mt
_
_
_
_
_
_
_
1t

2t
. . .
mt
_
_
_
=
_
_
_
_
_
_
11

12
. . .
1m
21

22
. . .
2m
.
.
.
.
.
.
.
.
.
m1

m2
. . .
mk
_
_
_
_
_
_
= ,
c) y ausencia de autocorrelaci on, E(
t
s
) = 0 t = s.
Observaci on 78. Para las perturbaciones estoc asticas de cada ecuaci on j-esima,
jt
(t = 1, . . . , T), suponemos que se mantienen los supuestos del modelo cl asico de
regresi on: (1) media nula, E(
jt
) = 0, (2) varianza constante (independiente de t),
E(
2
jt
) =
jj
, y (3) ausencia de correlaci on serial, E(
jt
jtk
) = 0 k = 0. Adem as,
Prof. Dr. Jose Luis Gallego G omez
Departamento de Economa. Universidad de Cantabria
Apuntes de Econometra. LADE y LE. Curso 2008-2009.
Material publicado bajo licencia Creative Commons
13. Modelos de ecuaciones simultaneas 183
permitimos que las perturbaciones de cada par de ecuaciones simult aneas esten con-
tempor aneamentecorrelacionadas, E(
it
jt
) =
ij
(i, j = 1, . . . , m), pero eliminamos la
posibilidad de correlaci on din amica, E(
it
jtk
) = 0 k = 0.
Las T observaciones del modelo (13.2) pueden escribirse en forma matricial como
A
_
y
1
y
2
. . . y
T
_
+B
_
x
1
x
2
. . . x
T
_
=
_
1

2
. . .
T
_
o bien
(13.3) AY +BX = E
siendo
Y =
_
_
_
_
_
_
Y
11
Y
12
. . . Y
1T
Y
21
Y
22
. . . Y
2T
.
.
.
.
.
.
.
.
.
Y
m1
Y
m2
. . . Y
mT
_
_
_
_
_
_
.
mT
, X =
_
_
_
_
_
_
X
11
X
12
. . . X
1T
X
21
X
22
. . . X
2T
.
.
.
.
.
.
.
.
.
X
k1
X
k2
. . . X
mT
_
_
_
_
_
_
.
kT
, E =
_
_
_
_
_
_
11

12
. . .
1T
21

22
. . .
2T
.
.
.
.
.
.
.
.
.
m1

m2
. . .
mT
_
_
_
_
_
_
.
mT
.
Observaci on 79. En (13.3) hemos ordenado los datos de las variables end ogenas en
las las de Y. Alternativamente podramos haber dispuesto estos datos en las columnas
de una matriz Y de orden T m. En este caso obtendramos una forma matricial que
sera la traspuesta de (13.3), Y
+X
B = E
.
Definici on 94. Las ecuaciones (13.1), (13.2) y (13.3), que explicitamente expresan
relaciones de simultaneidad entre las variables end ogenas, consituyen la forma estructural
del modelo de ecuaciones simult aneas.
Resolviendo el sistema de ecuaciones simult aneas (13.1) para las m variables end ogenas,
podemos expresar cada variable end ogena unicamente en terminos de variables ex ogenas
(13.4)
Y
1t
=
11
X
1t
+
12
X
2t
+ +
1k
X
kt
+ u
1t
Y
2t
=
21
X
1t
+
22
X
2t
+ +
2k
X
kt
+ u
2t
.
.
.
Y
mt
=
m1
X
1t
+
m2
X
2t
+ +
mk
X
kt
+ u
mt
_
_
Para la observacion t-esima, podemos escribir (13.4) como
(13.5) y
t
= x
t
+u
t
, t = 1, 2, . . . , T
que puede tambien obtenerse premultiplicando (13.2) por A
1
, de manera que
.
(mk)
= A
1
B
.
(mm)(mk)
y u
t
= A
1
t
Ahora es claro que el vector de perturbaciones u
t
= A
1
t
tiene las propiedades
1. E(u
t
) = E(A
1
t
) = 0,
2. E(u
t
u
t
) = E(A
1
t
A
1
) = A
1
A
1
= ,
3. E(u
t
u
s
) = E(A
1
s
A
1
) = 0,
4. u
t
iidN(0, ).
184 13.1. Forma estructural y forma reducida
Las T observaciones en (13.5) pueden escribirse de forma matricial como
(13.6) Y = X+U
que puede tambien obtenerse premultiplicando (13.3) por A
1
, siendo U = A
1
E.
Definici on 95. Las ecuaciones (13.4), (13.5) y (13.6), que esconden las relaciones
de simultaneidad en la matriz de varianzas y covarianzas de las perturbaciones, son tres
representaciones alternativas de la forma reducida del modelo de ecuaciones sim ult aneas.
Las ecuaciones (13.4), (13.5) y (13.6) son la extensi on multivariante del modelo
lineal general. El estudio del modelo lineal general multiecuacional va m as all a del al-
cance de este curso. Sin embargo, muchos de los resultados establecidos para el modelo
uniecuacional se extienden facilmente al modelo multiecuacional.
Proposici on 115. El estimador de mnimos cuadrados de la matriz de coecientes
y de la matriz de coraviazas de la forma reducidad son
= YX
(XX
)
1
=
_
T
t=1
y
t
x
t
__
T
t=1
x
t
x
t
_
1
y

=
1
T k
T
t=1
u
t
u
t
Ejemplo 24. Consideremos el modelo de oferta y demanda
q
d
t
=a
1
+ a
2
p
t
+ a
3
r
t
+
1t
q
s
t
=b
1
+ b
2
p
t
+
2t
q
d
t
=q
s
t
en donde q
d
t
es la cantidad de un bien que desan comprar los consumidores, q
s
t
es la
cantidad de ese mismo bien que desean vender los productores, p
t
es el precio del bien,
r
t
es la renta de los consumidores,
1t
y
2t
son las perturbaciones estoc asticas que
transforman el modelo microecon omico de oferta y demanda en un modelo econometrico.
Esperamos que a
2
< 0 y b
2
> 0. La condici on de equilibrio q
d
t
= q
s
t
determina la cantidad
vendida y comprada en el mercado y el precio de mercado. De aqu, las variables q
t
y
p
t
se determian conjuntamente (variables end ogeneas) en el modelo, mientras que la
variable r
t
se determina fuera del modelo (variable ex ogenas). Utilizando la notaci on
dada para la forma estructural, podemos escribir el modelo de oferta y demanda como
(13.7)
_
1
12
21
1
__
q
t
p
t
_
+
_
11

12
21
0
__
1
r
t
_
=
_
1t
2t
_
Resolviendo el sistema para q
t
y p
t
, obtenemos la forma reducida
_
q
t
p
t
_
=
_
11

12
21

22
__
1
r
t
_
=
_
u
1t
u
2t
_
en donde
11
=
11

12
22
1
12
21
,
21
=
21

21
11
1
12
21
,
12
=

12
1
12
21
,
22
=

21
12
1
12
21
,
u
1t
=
1t

12
2t
1
12
21
,
u
2t
=
2t

21
1t
1
12
21
.
Conviene notar que en la forma estructural propuesta hemos jado la cantidad demanda-
da como la variable dependiente en la ecuaci on de demanda y el precio como la variable
dependiente en la ecuaci on de oferta. Esta elecci on es arbitraria y podemos alternativa-
mente considerar que el precio es la variable dependiente en la ecuaci on de demanda y
la cantidad vendida es la variable dependiente en la ecuaci on de oferta
_
1
12
21
1
__
p
t
q
t
_
+
_
11

12
21
0
__
1
r
t
_
=
_
1t
2t
_
que equivale a multiplicar las ecuaciones de demanda y oferta en (13.7) por 1/
12
y
1/
21
, respectivamente.
13.2. El problema de la identicacion
Definici on 96. Un par ametro de un modelo est a identicado si su valor puede
deducirse del conocimiento de la funci on de verosimilitud.
Proposici on 116. Los par ametros de la forma reducida est an identicados.
Demostraci on. La distribuci on normal multivariante est a completamente carac-
terizada por los dos primeros momentos (vector de medias y matriz de varianzas y co-
varianzas). De aqu, la forma reducida (13.6) caracteriza completamente la distribuci on
de Y, cuyos dos primeros momentos son
E(Y) = X y V(y) =
y su funcion de densidad conjuta es
p(Y) = (2)
mT/2
||
T/2
exp(
1
2
T
t=1
(y
t
x
t
)
1
(y
t
x
t
))
que nos permite encontrar los estimadores de m axima verosimilitud
=
_
T
t=1
y
t
x
t
__
T
t=1
x
t
x
t
_
1
= YX
(X
X)
1
y

=
1
T
T
t=1
u
t
u
Corolario 12. Un par ametro de la forma estructural est a identicado si su valor

puede deducirse de los par ametros de la forma reducida.
Definici on 97. La tripleta (A, B, ) se denomina estructura del modelo (13.3).
Definici on 98. Dos estructuras (A, B, ) y (A
, B
) son observacionalmente
equivalentes o indistinguibles si conducen a la misma forma reducida.
Definici on 99. Una estructura (A, B, ) es identicable si no existe otra estructura
(A
, B
) indistinguible de (A, B, ).
Proposici on 117. Si no se imponen restricciones sobre la estructura (A, B, ),
ninguno de los par ametros estructurales est a identicado.
Demostraci on. Premultiplicando (13.3) por una matriz no singular P = I, obten-
emos la forma estructural
PAY +PBX = PE
186 13.3. Condiciones de orden y rango
cuya forma reducida es
Y = A
1
P
1
PBX = P
1
PE = X+U
De aqu, las estructuras (A, B, ) y (PA, PB, P) son indistinguibles.
La demostracion anterior nos sugiere un interpretaci on intuitiva del problema de
identicacion. Una ecuacion estructural es identicable si no existe ninguna combinaci on
lineal de ecuaciones estructurales que sea indistinguible de ella. Ahora bien, en (13.1)
todas las ecuaciones incluyen las mismas variables end ogenas y ex ogenas, por tanto, no
podemos distinguir ninguna ecuaci on de las otras ni de cualquier combinaci on lineal de
todas ellas. De aqu, al estimar una ecuaci on estructural no sabemos si realmente estamos
estimando los parametros de interes (A, B, ) o, por el contrario, una combiaci on lineal
de parametros estructurales (PA, PB, P). Veamos un ejemplo.
Ejemplo 25. En el modelo de oferta y demanda (24), la combinanci on lineal
1
q
q
t
+
2
q
d
t
(
1
+
2
= 1) junto con la ecuaci on de equilibrio q
q
t
= q
s
t
, proporciona una ecuaci on
q
t
= (
1
a
1
+
2
b
1
) + (
1
a
2
+
2
b
2
)p
t
+ (
1
a
3
+
2
b
3
)r
t
+ (
1
1t
+
2
2t
)
que es indistinguible de la ecuaci on de demanda. De aqu, en la regresi on q
t
sobre 1, p
t
y r
t
no sabemos si estamos estimando la ecuaci on de demanda
q
t
= a
1
+ a
2
p
t
+ a
3
r
t
+
1t
o una combinaci on lineal de las ecuaciones de demanda y oferta. En cambio, no existe
una combinaci on lineal de las ecuaciones de oferta y demanda que sea indistinguible de
la ecuaci on de oferta. Esto sucede porque hemos impuesto una restricci on: la variable r
t
no aparece en la ecuaci on de oferta. Si incluimos r
t
en la ecuaci on de oferta, entonces
est a ecuaci on tampoco es identicable.
13.3. Condiciones de orden y rango
Si el problema de identicaci on surge porque todas las ecuaciones estructurales in-
cluyen las mismas variables, entonces una forma de resolver el problema es omitir algunas
variables en (13.1) jando algunos de los par ametros estructurales
ji
y
ji
en cero. Este
tipo de restricciones se denominan restricciones de exclusion.
Proposici on 118. Condicion de orden. Una condici on necesaria para que una
ecuaci on estructural sea identicable es que el n umero de varibles ex ogenas exluidas sea
mayor o igual al n umero de end ogenas incluidas menos uno.
Proposici on 119. Condicion de rango. Una condici on necesaria y suciente para
que una ecuaci on sea identicable es que el rango de la matriz G sea igual a m1, en
donde la matriz G est a formada por los par ametros que las variables excluidas en dicha
ecuaci on tienen asociados en las restantes ecuaciones.
Sin perdida de generalidad nos centramos en la identicaci on de la primera ecuaci on
estructural y ordenamos las variables end ogenas y exogenas de tal modo que podemos
particionar (13.2) como
_
a
11
a
12
a
13
A
21
A
22
A
23
_
.
A
_
_
_
Y
1t
y
1t
y
2t
_
_
_
.
yt
+
_
b
11
b
12
B
21
B
22
_
.
B
_
x
1t
x
2t
_
.
xt
=
_
1t
2t
_
.
t
en donde hemos particionado el vector Y
t
para resaltar que, en la primera ecuaci on,
Y
1t
es la variable a explicar, a
11
= 1, la cual depende de m
2
variables end ogenas y
2t
,
pero no depende de las m
3
variables end ogenas y
3t
, a
13
= 0
1m
3
. An alogamente, hemos
particionado el vector X
t
para indicar que Y
1t
depende de k
1
variables exogenas x
1t
,
pero no depende de las k
2
variables ex ogenas x
2t
, b
12
= 0
1k
2
. Obviamente, se cumple
que 1+m
2
+m
3
= m y k
1
+k
2
= k. De aqu, particionamos la relaci on A = B como
_
1 a
12
0
A
21
A
22
A
23
_
_
_
_
11

12
21

22
31

32
_
_
_ =
_
b
11
0
B
21
B
22
_
de donde obtenemos las relaciones que podemos usar para determinar la identicabilidad
de la primera ecuacion estructural
11
+a
12
21
=b
11
11
+a
12
22
=0
_
Las k
1
primeras ecuaciones a
11
11
= b
11
nos permiten obtener b
11
a partir de a
12
. De
las k
2
ultimas ecuaciones a
12
22
=
11
podremos obtener los m
2
coecientes a
12
de
las endogenas si k
2
> m
2
. Esta es precisamente la condici on de orden, que asegura que
tenemos al menos tantas ecuaciones como incognitas. Ahora bien, esta condici on no es
suciente para que exista soluci on, necesitamos m
2
ecuaciones linealmente independi-
entes para determinar m
2
incognitas. De aqu, el rango de la submatriz
22
tiene que
ser igual a m
2
, (
22
) = m
2
.
Para evitar el calculo de la matriz
22
, es conveniente notar la siguiente relaci on
(
22
) = (G) m
3
en donde la matriz G = (A
23
B
22
) se obtiene de un modo inmediato a partir de la forma
estructural.
Definici on 100. De las condiciones de orden y rango extraemos las siguientes con-
clusiones:
1. si k
2
> m
2
y (A
22
B
22
) = m1, la ecuaci on est a sobreidenticada.
2. si k
2
= m
2
y (A
22
B
22
) = m1, la ecuaci on est a ex actamente identicada.
3. si k
2
< m
2
, la ecuaci on est a subidenticada.
Ejemplo 26. Consideremos el modelo de oferta y demanda
q
t
=a
1
+ a
2
p
t
+ a
3
r
t
+
1t
demanda
q
t
=b
1
+ b
2
p
t
+
2t
oferta
Las variables end ogenas y ex ogenas del modelo son (q
t
, p
t
) y (1, r
t
). En la primera
ecuaci on, no se excluye ningua variable; por tanto, no se cumple la condici on de orden y
la ecuaci on est a subidenticada. En la segunda ecuaci on se excluye la variable ex ogena
188 13.4. Metodos de estimacion
r
t
; por tanto, se cumple la condici on de orden k
2
= m
1
2 = 1. En cuanto a la condici on
de orden, la matriz G = (a
3
), cumpliendose que (G) = m 1 = 1. Concluimos que la
ecuaci on de demanda est a ex actamente identicada.
Si modicamos el modelo incluyendo una variable en la ecuaci on de oferta
q
t
=a
1
+ a
2
p
t
+ a
3
r
t
+
1t
demanda
q
t
=b
1
+ b
2
p
t
+ b
3
p
t1
2t
oferta
entonces ambas ecuaciones est an exactamente identicadas.
Ejemplo 27. Consideremos el siguiente modelo macroecon omico
C
t
=
0
+
1
Y
t
+
1t
I
t
=
0
+
1
Y
t
+
2
G
t1
+
2t
Y
t
=C
t
+ I
t
+ G
t
en donde (C
t
, I
t
, Y
t
) son las variables end ogenas y (G
t
, G
t1
) son las variables
ex ogenas. Sustituendo la identidad en las ecuaciones de C
t
e I
t
tenemos
C
t
=a
0
+ a
1
I
t
+ a
2
G
t
+
1t
I
t
=b
0
+ b
1
C
t
+ b
2
G
t
+ b
3
G
t1
+
2t
en donde, siguiendo un razonamiento similar al del modelo de oferta y demanda, con-
cluimos que la ecuaci on de consumo est a exactamente identicada, mientras que la de
inversi on est a subidenticada.
13.4. Metodos de estimacion
En la estimacion de un modelo de ecuaciones simult aneas podemos seguir dos estrate-
gias: (1) estimar separadamente cada ecuaci on del sistema y (2) estimar conjuntamente
todas las ecuaciones del sistema.
13.4.1. Estimacion individual de ecuaciones. Cada variable end ogena y
j
(j =
1, . . . , m) puede expresarse como una combinaci on lineal de las restantes variables
endogenas y de las variables exogenas m as una perturbaci on estoc astica estoc astica
(13.8) y
j
= Y
j
+X
j
+
j
en donde y
j
es la j-esima la de Y, Y
j
es la submatriz resultante de eliminar la j-esima
la de Y, X es la matriz k T de variables ex ogenas, y
j
es j-esima la de E.
Proposici on 120. El modelo lineal general (13.8) presenta endogeneidad
plim
1
T
Y
j
j
= A
1
j

j
= 0
en donde A
1
j
es la submatriz resultante de eliminar la la j-esima de A
1
j
E y
j
es la
j-esima columna de .
Demostraci on. Eliminando la la j-esima de la forma reducida
Y = A
1
BX+A
1
E
obtenemos
Y
j
= A
1
j
BX+A
1
j
E
Vemos que Y
j
es una transformaci on lineal de todas las perturbaciones de la forma
estructural. De aqu,
plim
1
T
Y
j
j
=plim
1
T
A
1
j
BX
j
+ plim
1
T
A
1
j
E
j
=A
1
j
Bplim
X
j
T
+A
1
j
plim
E
j
T
=0 +A
1
j
_
_
_
_
_
_
_
_
_
_
plim
T
t=1

1t
jt
T
plim
T
t=1

2t
jt
T
.
.
.
plim
T
t=1

mt
jt
T
_
_
_
_
_
_
_
_
_
_
= A
1
j
_
_
_
_
_
_
1j
2j
.
.
.
mj
_
_
_
_
_
_
13.4.1.1. Mnimos cuadrados ordinarios. Dada la sencillez y amplia disponibilidad

en paquetes estadsticos de este metodo de estimaci on, es siempre una tentaci on el
estimar las ecuaciones por mnimos cuadrados ordinarios. Sin embargo, este estimador
no tiene propiedades deseables en este contexto.
Proposici on 121. Los estimadores de mnimos cuadrados

j
= (Y
j
M
X
Y
j
)
1
Y
j
M
X
y
j
y

j
= (XM
j
X
)
1
XM
j
y
j
son inconsistentes, en donde M
X
= I
T
X
(XX
)
1
X y M
j
= I
T
Y
j
(Y
j
Y
j
)
1
Y
j
.
Demostraci on. Notando que

j
=
j
+ (Y
j
M
X
Y
j
)
1
Y
j
M
X
j
=
j
+ (XM
j
X
)
1
XM
j
j
es facil comprobar que
plim
Y
j
M
X
j
T
= A
1
j

j
= 0 y plim
M
j
j
T
= 0
13.4.1.2. Mnimos cuadrados indirectos. Si las variables ex ogenas son jas, la for-
ma reducida cumple los supuestos b asicos del modelo cl asico. En este caso, el estimador
de mnimos cuadrados ordinarios
= YX
(XX
)
1
es consistente.
Definici on 101. El estimador de mnimos cuadrados indirectos de
j
y

j
se obtiene
resolviendo el sistema de ecuaciones
_
1
j
_

=

j
en donde (1
j
) es la j-esima la de A y

j
es la j-esima la de B cambiada de
signo.
Proposici on 122. El estimador de mnimos cuadrados indirectos es consistente si
la ecuaci on est a exactamente identicada.
190 13.4. Metodos de estimacion
13.4.2. Mnimos cuadrados en dos etapas. Como su nombre indica, este
metodo proporciona estimaciones de los par ametros de (13.8) siguiendo un procedimien-
to en dos etapas. En la primera etapa, se realiza la regresi on de las variables end ogenas
explicativas Y
j
sobre todas las variables ex ogenas del modelo X, y se obtiene la ma-
triz (m 1 T) de valores ajustados

Y
j
= Y
j
X
(XX
)
1
X y la matriz de residuos
V
j
= Y
j

Y
j
. En la segunda etapa, se estima la ecuaci on de regresion
y
j
=

Y
j
+X
j
+e
j
que se obtiene sustituyendo la identidad Y
j
=

Y
j
+

V
j
en (13.8), siendo e
j
=
j
+

V
j
.
Proposici on 123. Los estimadores de mnimos cuadrados en dos etapas

j
= (
Y
j
M
X
j
)
1
Y
j
M
X
y
j
y

j
= (X

M
j
X
)
1
X

M
j
y
j
son consistentes,

M
j
= I
T

Y
j
(
Y
j

Y
j
)
1
Y
j
.
Demostraci on. Los estimadores s olo dependen de variables exogenas.
Proposici on 124. El estimador de mnimos cuadrados es un estimador de variables
instrumentales que usa

Y
j
como instrumentos de Y
j
y X
j
como instrumentos de X
j
.
Proposici on 125. Si la ecuaci on est a exactamente identica, el estimador de mni-
mos cuadrados en dos etapas es equivalente al de mnimos cuadrados indirectos.
Proposici on 126. El estimador correcto de la varianza de la perturbaci on

2
jj
=
1
T
(y
j
Y
j

j
X
j
)
(y
j
Y
j

j
X
j
)
es consistente.
Definici on 102. El estimador de la clase k remplaza la matriz Y por Yk
V.

Tema13 PDF

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Tema13 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

CAPTULO 13

Modelos de ecuaciones simultaneas

Corolario 12. Un par ametro de la forma estructural est a identicado si su valor

13.4.1.1. Mnimos cuadrados ordinarios. Dada la sencillez y amplia disponibilidad

Anda mungkin juga menyukai