Académique Documents
Professionnel Documents
Culture Documents
Modelos no lineales
Econometra II
Grado en Economa
Universidad de Granada
Econometra II
Modelos no lineales 1 / 47
17:19:57
Contenidos
Contenidos
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
NewtonRaphson y GaussNewton
Apendice
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Modelos no lineales 2 / 47
17:19:57
Contenidos
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
lineal al
Especificaciones no lineales. Aproximacion
modelo no lineal
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Modelos no lineales 3 / 47
17:19:57
Especificaciones
Contenidos
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
una (o mas)
no lineal es una funcion
con una pendiente que no es
es no lineal. Una funcion
constante. Hay distintos tipos de especicaciones no lineales:
1.
de modelos
Estimacion
no lineales: MCNL y MV
yi
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
yi
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
2.
1 + 2 x2i + i ,
1
1 + 2
+ i ,
xi
2 i
1 x
i e .
2
1 + x
i + i ,
yi
2
1 x
i + i ,
yi
1+
e 2 +3 xi
+ i .
Modelos no lineales 4 / 47
17:19:57
Ejemplo
Contenidos
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
P
10
8
6
4
3
2
1.5
1.2
ln Q
1.609
1.791
1.945
2.197
2.484
2.708
2.890
3.091
ln P
2.302
2.079
1.791
1.386
1.098
0.693
0.405
0.182
Apendice
Econometra II
Modelos no lineales 5 / 47
17:19:57
Ejemplo
10
Contenidos
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
6
P
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
5
4
3
2
Apendice
1
6
10
12
14
16
18
20
22
no lineal
Figura 1: Relacion
Econometra II
Modelos no lineales 6 / 47
17:19:57
Ejemplo
2.5
Contenidos
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
Especicaciones
El modelo Box-Cox
Ejemplo
1.5
ln P
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
0.5
Contraste de
restricciones sobre los
parametros
Apendice
0
1.6
1.8
2.2
2.4
ln Q
2.6
2.8
lineal
Figura 2: Relacion
Econometra II
Modelos no lineales 7 / 47
17:19:57
El modelo Box-Cox
Contenidos
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
Especicaciones
El modelo Box-Cox
Ejemplo
(1 )
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
(2 )
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
y 1 1
1
ln y
1 6= 0
x2 1
2
ln x
2 6= 0
1 = 0
2 = 0
= 2 = 1.
= 2 = 0.
= 0 y 2 = 1.
= 1 y 2 = 0.
= 1 y 2 = 1.
Modelos no lineales 8 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
Modelo lineal: 1 = 2 = 1.
unitaria
En este modelo, representa el efecto marginal, es decir, una variacion
en la variable x provoca un cambio en la variable y igual a :
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
y
y = x.
x
Econometra II
Modelos no lineales 9 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Modelos no lineales 10 / 47
17:19:57
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
1.4
1.2
5
0.8
El modelo Box-Cox
0.6
Ejemplo
0.4
0.2
Especicaciones
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
a)
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
0.5
1.5
b)
1.5
0.5
c)
0.5
1.5
0.5
d)
0.5
1.5
1.5
Apendice
Econometra II
Modelos no lineales 11 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
2.25
7
6
1.75
El modelo Box-Cox
1.5
Ejemplo
de modelos
Estimacion
no lineales: MCNL y MV
2.5
Especicaciones
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
2.75
1.25
4
0.5
a)
1.5
b)
0.5
1.5
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
2.25
Contraste de
restricciones sobre los
parametros
Apendice
0.5
-1
1.75
-2
1.5
-3
1.25
1.5
-4
0.5
1.5
-5
0.75
c)
d)
-6
Econometra II
Modelos no lineales 12 / 47
17:19:57
70
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
0.5
1.5
60
50
-1
40
Especicaciones
-2
30
El modelo Box-Cox
-3
20
-4
10
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
a)
b)
-5
0.5
1.5
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
500
0.8
Contraste de
restricciones sobre los
parametros
400
0.6
Apendice
200
300
0.4
0.2
100
c)
0.5
1.5
d)
0.5
1.5
Econometra II
Modelos no lineales 13 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
1
4
2
50
3
200
4
740
5
3000
y = Ax e , el cual se
El modelo doblemente logartmico responde a la expresion
que considerar logaritmos:
puede linealizar sin mas
ln y = ln A + ln x + ln e y = A + x + ,
donde y = ln y y x = ln x.
Por tanto, se ha llegado a un modelo lineal que se puede estimar por el metodo
de Mnimos Cuadrados Ordinarios:
x
y
0
1386
b = 1 2257 Ab = e1 2257 = 3 4066
A
0693
3912
b = 3 9856
5298
1099
1386
6607
R2 = 0 865
8006
1609
y = 3.4066 x3.9856 .
Por tanto, el modelo estimado quedara b
b al ser obtenido por MCO no tienen
Adviertase
que las propiedades vericadas por A
b
por que extenderse a A.
es el mejor.
Ajustar un modelo del tipo y = A x e y decidir cual
Econometra II
Modelos no lineales 14 / 47
17:19:57
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
3000
Y = 1.21e+003 + 668.X
Especicaciones
2500
El modelo Box-Cox
Ejemplo
2000
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
1500
y
de modelos
Estimacion
no lineales: MCNL y MV
1000
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
500
Contraste de
restricciones sobre los
parametros
Apendice
500
1000
1
1.5
2.5
3
x
3.5
4.5
graca
Figura 8: Representacion
de los datos originales.
Econometra II
Modelos no lineales 15 / 47
17:19:57
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
Y = 1.23 + 3.99X
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
6
ly
de modelos
Estimacion
no lineales: MCNL y MV
5
4
3
2
1
0
0.2
0.4
0.6
0.8
lx
1.2
1.4
1.6
graca
Figura 9: Representacion
de los datos transformados.
Econometra II
Modelos no lineales 16 / 47
17:19:57
Contenidos
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
lineal de
Aproximacion
Taylor
Ejemplo
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Modelos no lineales 17 / 47
17:19:57
lineal de Taylor
Aproximacion
Contenidos
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
lineal de
Aproximacion
Taylor
Ejemplo
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
de caracter
econometrico:
yt = f (Xt , ) + t ,
t = 1, 2, ..., T,
f (Xt , )
f (X
t , )
0
=
0
=
( 0 ) + t ,
0 =
f (X
t , )
t = 1, 2, ..., T.
0
=
+ t ,
f (Xt , )
el gradiente de la funcion
0
=
Econometra II
Modelos no lineales 18 / 47
17:19:57
lineal de Taylor
Aproximacion
Contenidos
Si denotamos
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
yt
lineal de
Aproximacion
Taylor
yt
Ejemplo
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
= yt f (Xt , 0 ) +
f (Xt , )
f (X
0
=
t , )
0
=
+ t ,
0 ,
t = 1, 2, ..., T.
0
=
evaluadas en la estimacion
inicial de
componentes del vector gradiente de la funcion
los parametros.
Aplicando Mnimos Cuadrados Ordinarios:
Apendice
f (Xt , )
0
=
f (Xt , )
0
=
1
f (Xt , )
0
=
y .
proximos
a los verdaderos valores de los parametros
a estimar, lo cual normalmente
no es conocido.
Econometra II
Modelos no lineales 19 / 47
17:19:57
lineal de Taylor
Aproximacion
Contenidos
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
lineal de
Aproximacion
Taylor
f (Xt , )
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
=
var()
f (Xt , )
0
=
2 =
f (Xt , )
0
=
f (Xt , )
0
=
f (Xt , )
0
=
1
, 2
f (Xt
, )
0
=
f (X
1
se obtiene:
Una estimacion
de perturbacion
Contraste de
restricciones sobre los
parametros
Apendice
0
=
realizada.
donde
= yt f (Xt , 0 ) es el residuo obtenido en la estimacion
Si suponemos que E(
) = 0 y var(
) = 2 I, entonces sera insesgado y:
Ejemplo
de modelos
Estimacion
no lineales: MCNL y MV
, )
0
=
1 !
Modelos no lineales 20 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
lineal de
Aproximacion
Taylor
Ejemplo
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
lineal del
Dado el modelo yt = 1 e2 xt + t vamos a obtener una aproximacion
mismo.
Puesto que f (Xt , ) = 1 e2 xt depende de 1 y 2 en este caso se verica
que:
#
1 e2 xt 1 e2 xt
f (Xt , )
= e2 xt 1 xt e2 xt .
=
1
2
se tiene:
Por tanto, dado un valor inicial ,
yt
+
f (Xt , )
b1 eb
2 xt
f (Xt , )
eb
2 xt
b1 xt eb
2 xt
+ t
( )
b1
1
b2
2
+ t
Econometra II
Modelos no lineales 21 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
lineal de
Aproximacion
Taylor
Ejemplo
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
En efecto, llamando
yt
x1t
x2t
b1 xt eb2 xt ,
b1 = y y b2 = 0 se
Por ejemplo, para el valor inicial
linealizado:
yt = 1 + xt 2 + t ,
donde yt = yt y xt = y xt .
As por ejemplo:
y
3
b
y = 49 78 + 0 0504xt
11
R2 = 0 932
34
100
obtendra el modelo
x
22
38
50
76
x = y x
814
1406
1850
2812
Modelos no lineales 22 / 47
17:19:57
Contenidos
Especicaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Mnimos cuadrados no
lineales
Ejemplo
no lineales y estimacion
Verosimilitud
por
Estimacion
maxima
verosimilitud
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Modelos no lineales 23 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Mnimos cuadrados no
lineales
Ejemplo
por
Estimacion
maxima
verosimilitud
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
no es posible transformar el modelo de manera que pueda estimarse con las tecnicas
correspondientes al modelo lineal general.
de estimacion
El primer metodo
que pasamos a abordar para estimar relaciones de tipo no
que una generalizacion
El metodo
de mnimos cuadrados no lineales, al igual que su homologo
lineal,
trata de minimizar la suma de los residuos al cuadrado, es decir, minimizar la
siguiente expresion:
SRC() =
T
X
t=1
Econometra II
t = 1, 2, ..., T,
e2t
T
X
t=1
Modelos no lineales 24 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Mnimos cuadrados no
lineales
X
f (Xt , )
SRC()
(yt f (Xt , ))
= 2
,
t=1
e igualando a cero dicha derivada parcial se obtienen las ecuaciones normales del
modelo:
T
X
Ejemplo
por
Estimacion
maxima
verosimilitud
(yt f (Xt , ))
t=1
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
f (Xt , )
= 0,
t.
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Modelos no lineales 25 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Mnimos cuadrados no
lineales
Ejemplo
por
Estimacion
maxima
verosimilitud
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
2
Obtener el sistema de ecuaciones normales del modelo yt = 1 + x
t + t .
El objetivo es minimizar la suma de cuadrados de los residuos, esto es,
SRC() =
T #
P
2
yt 1 x
t
t=1
2
, donde = (1 2 ).
x
entonces f (x) = a ln a) con respecto a cada uno de los elementos de :
SRC()
1
T
X
#
2
yt 1 x
,
t
t=1
SRC()
2
T
X
#
2
2
yt 1 x
x
t
t ln xt .
t=1
Apendice
T
X
#
2
yt 1 x
t
t=1
T
X
#
2
2
yt 1 x
x
t
t ln xt
t=1
Econometra II
0,
0.
Modelos no lineales 26 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de consumo
Un ejemplo de este tipo de especificaciones, en Economa, es la funcion
3
agregado: Ct = 1 + 2 Yt + t .
T
P
e2t
t=1
de modelos
Estimacion
no lineales: MCNL y MV
=0
Mnimos cuadrados no
lineales
por
Estimacion
maxima
verosimilitud
e2t
t=1
=0
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
T
P
Apendice
T
X
t=1
e2t
t=1
(Ct 1 2 Yt3 ) = 0,
t=1
Ejemplo
T
X
=0
T
X
t=1
Esta ecuaciones son no lineales, por lo que no pueden ser resueltas de manera
Econometra II
Modelos no lineales 27 / 47
17:19:57
por maxima
Estimacion
verosimilitud
Contenidos
Especificaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Mnimos cuadrados no
lineales
Ejemplo
por
Estimacion
maxima
verosimilitud
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
yt = f (Xt , ) + t ,
1
(y f (Xt , )) (y f (Xt , ))
2
(2 )
T
1
T
SCR().
ln (2) ln 2
2
2
2 2
1
ln L(, 2 |y, X)
1
=
SCR() = 2
2
Econometra II
t N (0, 2 IT ),
(yt f (Xt , ))
T
X
(yt f (Xt , ))
t=1
f (Xt , )
= 0,
f (Xt , )
,
t.
Modelos no lineales 28 / 47
17:19:57
por maxima
Estimacion
verosimilitud
Contenidos
Especificaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Mnimos cuadrados no
lineales
Ejemplo
por
Estimacion
maxima
verosimilitud
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Adviertase
que los resultados obtenidos coinciden con el estimador por mnimos
analtica para las
cuadrados no lineales, por tanto, no es posible dar una solucion
se hace necesario un
soluciones de este sistema de ecuaciones (y una vez mas
metodo
iterativo para obtener los valores de los parametros).
para la varianza de las
Sin embargo, s que es posible dar una expresion
perturbaciones. Derivando parcialmente con respecto a 2 e igualando a 0,
obtenemos:
T 1
1
+
SCR() = 0.
2
2
2(
2 )2
SCR()
.
T
de verosimilitud ln L(, 2 |y, X),
Sustituyendo este valor en la funcion
de verosimilitud concentrada:
obtenemos la funcion
Despejando:
2 =
T
T
|y, X) = ln (2) ln
ln Lc (,
2
2
2
SCR()
T
T
.
2
de
El estimador maximo
verosimil correspondiente a esta ultima
funcion
verosimilitud concentrada sera el mismo que el estimador de mnimos cuadrados
de SCR(). Esta equivalencia entre
no lineales correspondiente a la minimizacion
Modelos no lineales 29 / 47
17:19:57
Contenidos
Especificaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Modelos no lineales 30 / 47
17:19:57
Algoritmos de busqueda
Contenidos
Especificaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
utilizados
En la presente seccion
que seran
para resolver las ecuaciones normales obtenidas que no pueden ser resueltas de
forma directa mediante procedimientos algebraicos.
Dado el modelo
yt = f (Xt , ) + t ,
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
SCR() =
t=1
siendo la condicion
normal
T
X
Contraste de
restricciones sobre los
parametros
Apendice
T
X
f (Xt , )
= 0.
(yt f (Xt , ))
t=1
dos metodos
Veremos a continuacion
para resolver este tipo de ecuaciones.
Econometra II
Modelos no lineales 31 / 47
17:19:57
Algoritmo de Newton-Raphson
Contenidos
Especificaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
b0 ) +
SCR(
1
b0 )
+ (
2
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
Derivando respecto :
SCR()
SCR()
SCR()
b0
=
=0
=0
y despejando :
Econometra II
SCR()
1
b
=0
2 SCR()
=0
=0
b0 )
(
b
=0
2 SCR()
2 SCR()
2 SCR()
b0 ),
(
b
=0
b0 ).
(
b0 ) = 0,
(
SCR()
=0
Modelos no lineales 32 / 47
17:19:57
Algoritmo de Newton-Raphson
Contenidos
Especificaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
bn+1 = bn
2 SCR()
1
=n
SCR()
=n
Este procedimiento se repite hasta que converja, es decir, has ta que exista h
bh+1 = bh . En tal caso se tendra entonces que
tal que
SCR()
= 0,
=h
bh minimiza a SCR().
de donde se deduce que
Apendice
Econometra II
Modelos no lineales 33 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
iterativa
Dado el modelo yt = x
t + t , t = 1, . . . , T , obtener la estimacion
proporcionada por el algoritmo de NewtonRaphson.
En este caso SCR() =
T #
P
yt x
t
t=1
SCR()
2 SCR()
2
Contraste de
restricciones sobre los
parametros
T
X
#
T
X
#
yt xt
T
X
T
X
2
yt x
t (ln xt )
x = x
t ln xt .
t
x
t ln xt
yt x
t ln xt + 2
t=1
t=1
Econometra II
t=1
Apendice
, por lo que:
yt x
t xt ln xt ,
t=1
2
T
X
!
x2
t ln xt
t=1
+4
T
X
2
x2
t (ln xt ) .
t=1
Modelos no lineales 34 / 47
17:19:57
Por tanto:
Especificaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales: MCNL y MV
T
P
n
yt x
t ln xt
t=1
n+1 = n +
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
T
P
T
P
n
x2
ln xt
t
t=1
T
n
2
yt x
t (ln xt ) 2
t=1
.
xt2n (ln xt )2
t=1
corresponde a:
Para el valor inicial 0 = 0, la primera iteracion
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
T
P
t=1
T
P
T
P
yt ln xt
yt (ln xt )2 2
t=1
Contraste de
restricciones sobre los
parametros
(yt 1) ln xt
t=1
T
(ln xt )2
t=1
Apendice
ln xt
t=1
T
(yt 2)(ln xt )2
t=1
Econometra II
Modelos no lineales 35 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
SCR()
=
2 SCR()
=
Econometra II
SCR()
1
SCR()
2
Contraste de
restricciones sobre los
parametros
Apendice
yt 1 e2 xt
t=1
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
T #
P
P
T
t=1
T
P
yt xt e2 xt + 41
yt 1
e2 xt
P#
T
xt e22 xt
e2 xt
yt 1 e2 xt xt e2 xt 1
t=1
2 SCR()
1 2
2 SCR()
2
2
T
P
yt xt e
2 xt
!
+ 41
t=1
T
t=1
T #
P
t=1
SCR()
2
1
2
SCR()
2 1
22 xt
t=1
2
21
t=1
2 xt
yt x2
+
te
T
P
xt e
22 xt
t=1
T
2
22 xt
41
x2
te
t=1
Modelos no lineales 36 / 47
17:19:57
quedara:
Por tanto, la primera iteracion
Especificaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
y
0
T
P
2T
T
P
(yt 2y)
t=1
(yt 2y)
t=1
T
P
t=1
T
P
t=1 (yt y)
.
T
P
(yt y) xt
t=1
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Modelos no lineales 37 / 47
17:19:57
Algoritmo de Gauss-Newton
Contenidos
Especificaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
Partiendo de la aproximacion
no lineal f en un entorno del punto 0 se obtiene:
f (Xt , ) = f (Xt , 0 ) +
Contraste de
restricciones sobre los
parametros
f (Xt , )
( 0 ).
0
=
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
n+1 = n +
T
X
f (Xt , )
f (Xt , )
t=1
!1
T
X
f (Xt , )
n t=1
=
t ,
n
=
realizada.
donde
t = yt f (Xt , n ) es el residuo obtenido en la estimacion
es similar al de algoritmo de Newton-Raphson, con la ventaja
Esta expresion
anadida
que la matriz a invertir es simetrica
y definida positiva.
Apendice
Econometra II
Modelos no lineales 38 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
f (Xt , )
= x
t ln xt .
f (Xt , ) = x
t
n
n
x
t ln xt (yt xt )
t=1
n+1 = n +
T
P
n
x2
(ln xt )2
t
t=1
Apendice
1 =
T
P
(yt 1) ln xt
t=1
T
P
.
(ln xt )2
t=1
Econometra II
Modelos no lineales 39 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
iterativa
Dado el modelo no lineal yt = 1 e2 xt + t vamos a obtener la expresion
correpondiente al algoritmo de Gauss-Newton.
Puesto que f (Xt , ) = 1 e2 xt se tiene que:
#
f (Xt , )
= e2 xt
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
de donde:
f (Xt , )
f (Xt , )
Y en tal caso:
T
P
t=1 e
n+1 =
n +
T
P
22 xt
1 xt e
T
P
=
=
1 xt e
e2 xt
1 xt e2 xt
e22 xt
1 xt e22 xt
22 xt
t=1
T
22 xt
t=1
donde
t = yt f (Xt , n ).
Econometra II
1 xt e2 xt
t=1
2 2 22 xt
1
xt e
#
n
=
e2 xt
1 xt e22 xt
12 x2t e22 xt
T
P
t=1 e
T
P
2 xt
1 xt e
t=1
1 xt e2 xt ,
.
2 xt
n
=
Modelos no lineales 40 / 47
17:19:57
sera:
Considerando los valores iniciales 1 = y y 2 = 0, la primera iteracion
Especificaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
y
0
T
y
T
P
t=1
T
P
xt
t=1
T
xt
y2
t=1
x2t
T
P
(yt y)
t=1
T
t=1
xt (yt y)
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Modelos no lineales 41 / 47
17:19:57
del algoritmo
Criterios de finalizacion
Contenidos
Especificaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Estos metodos
iterativos no siempre son estacionarios, es decir, no son
convergentes. Por ello, se requiere establecer a priori unos criterios que permitan
finalizar el proceso iterativo cuando no se alcanza dicha convergencia. Estos criterios
son:
1.
2.
3.
4.
5.
Se alcanzo el numero
maximo
de iteraciones.
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Modelos no lineales 42 / 47
17:19:57
Contenidos
Especificaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Modelos no lineales 43 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Contraste de
restricciones sobre los
parametros
El sistema de restricciones
combinacion
del modelo de regresion.
se puede expresar como:
Rqk = rq1 ,
q k.
(er er e e)/q
Fq,nk ,
e e/(n k)
de restricciones.
de verosimilitudes:
Contraste de razon
Apendice
2(ln LR ln L) = n ln
2
2
2q ,
Econometra II
Modelos no lineales 44 / 47
17:19:57
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
Contraste de Wald:
W = (R r)
R()
2 (X X)1
R()
1
(R r) 2q .
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Modelos no lineales 45 / 47
17:19:57
Contenidos
Especificaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
Apendice
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Modelos no lineales 46 / 47
17:19:57
Apendice
Contenidos
Especificaciones no
lineales. Aproximacion
lineal al modelo no lineal
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
Algoritmos de busqueda:
NewtonRaphson y
GaussNewton
f (x), su aproximacion
lineal mediante el desarrollo de Taylor en
Dada una funcion
f (a) + f (a)(x a) +
f (a) +
+
X
i=1
f i (a)
f (a)
f (a)
(x a)2 +
(x a)3 + . . .
2!
3!
(x a)i
.
i!
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
Modelos no lineales 47 / 47