EstimacionMC2E MVIL

Mı́nimos Cuadrados en 2 Etapas
Máxima Verosimilitud Información Limitada (MVIL)
Estimación MC2E, MVIL

en Modelos de Ecuaciones Simultáneas
OCW 2013 Marta Regúlez Castillo
Economı́a Aplicada III (UPV/EHU)
OCW 2013
OCW 2013 Marta Regúlez Castillo Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas
Contents
1 Mı́nimos Cuadrados en 2 Etapas
2 Máxima Verosimilitud Información Limitada (MVIL)
• El método de Mı́nimos Cuadrados en dos Etapas (MC2E)

también es un método de estimación de Modelos de
Ecuaciones Simultáneas con información limitada.
• Esta técnica de estimación está indicada tanto si la ecuación
está exactamente identificada como si está sobreidentificada.
• Se puede considerar como un método de estimación por
Variables Instrumentales y en el caso de exacta identificación
MC2E coincide con MCI. La demostración está cubierta en las
lecturas recomendadas.

Consideremos la j-ésima ecuación estructural del Modelo de
Ecuaciones Simultáneas, después de haberle impuesto todas las
restricciones a priori y el convenio de normalización.
yj = Yj βj + Xj γj + uj
|{z} |{z} |{z} |{z} |{z} |{z}
Tx1 TxGj Gj x1 TxKj Kj x1 Tx1
o de forma más compacta
yj = Zj δj + uj uj ∼ (0, σj2 IT )
|{z} |{z} |{z} |{z}
Tx1 Tx(Gj +Kj ) (Gj +Kj )x1 Tx1
 

  βj
donde Zj =  Yj Xj  δj = .
|{z} |{z} γj
TxGj TxKj

El método de MC2E, como su propio nombre indica, se puede
llevar a cabo en dos etapas realizando una estimación por MCO en
cada etapa:
• 1a Etapa: Se realiza la regresión de cada variable endógena
en Yj sobre todas las variables exógenas o predeterminadas
del modelo. Esto es, se estima la forma reducida para Yj :
Yj = X Π′j + Vj −→ Π̂′j MCO = (X ′ X )−1 X ′ Yj
|{z} |{z} |{z} |{z}
TxGj TxK TxGj
KxGj
h i
Π̂′j MCO = π̂1MCO · · · π̂GMCO
j
, donde las columnas de Π̂′j MCO
son respectivamente los coeficientes de la regresión de cada
variable en Yj sobre X . Se obtienen los valores ajustados de
Yj dada la estimación de la forma reducida
Ŷj = X (X ′ X )−1 X ′ Yj
• 2a Etapa Se realiza la regresión de yj sobre Ŷj y Xj .
Si denotamos la matriz de regresores

de esta segunda
regresión como Ẑj = Ŷj Xj , el estimador resultante de δj
serı́a solución al sistema de ecuaciones normales

Ẑj′ Ẑj δ̂jMC 2E = Ẑj′ yj
  
Ŷj′ Ŷj Ŷj′ Xj β̂jMC 2E
  = Ŷj yj
 
Xj′ yj
Xj′ Ŷj Xj′ Xj γ̂jMC 2E

En la matriz Ẑj = Ŷj Xj todas las columnas son funciones
lineales de las K columnas de X .
• Si la ecuación satisface la condición de rango para la
identificación, y por lo tanto
también
la de orden
′
(K ≥ Gj + Kj ), la matriz Ẑj Ẑj será de rango completo e
invertible. El sistema tendrá una única solución,
−1
δ̂jMC 2E = Ẑj′ Ẑj Ẑj′ yj
• Si la ecuación no está identificada, bien porque no se satisface

la de orden o, aunque esta se satisfaga, porque no se satisface
la de rango, el estimador δ̂jMC 2E no está bien definido. La
matriz (Ẑj′ Ẑj ) es de rango reducido por lo que no existe su
inversa.

Dado que PX = X (X ′ X )−1 X ′ y PX Xj = Xj se tiene
h i h i
Ẑj = Ŷj Xj = X (X ′ X )−1 X ′ Yj Xj = [PX Yj PX Xj ] = PX [Yj Xj ] = PX Zj
Utilizando este resultado podemos obtener que el estimador

h MC2Ei
es un estimador de VI con matriz de instrumentos Ẑj = Ŷj Xj ,
 −1
−1 −1
δ̂jMC 2E = Ẑj′ Ẑj Ẑj′ yj = Zj′ PX Zj  Zj′ PX yj = Ẑj′ Zj Ẑj′ yj
|{z} |{z}
PX PX PX PX
y la siguiente forma de obtener el estimador MC2E de δj ,

−1 ′ −1 ′ −1 ′
δ̂jMC 2E = Zj′ X X ′ X X Zj Zj X X ′ X X yj
Máxima Verosimilitud Información Limitada
• El método de estimación por Máxima Verosimilitud

Información Limitada (MVIL) también está dentro de la clase
de estimadores con información Limitada.
• Considera la estimación de los parámetros estructurales de
una ecuación, teniendo en cuenta solamente la función de
verosimilitud de las variables endógenas de esa ecuación y las
restricciones de identificación correspondientes a la ecuación a
estimar.
• No se tiene en cuenta en la verosimilitud el resto de variables
endógenas del sistema ni las restricciones de identificación
impuestas en otras ecuaciones.

Consideremos la ecuación j-ésima a estimar antes de imponer la
normalización (βjj = 1)
βjj yj = Yj βj + Xj γj + uj
|{z} |{z} |{z} |{z} |{z} |{z}
Tx1 TxGj Gj x1 TxKj Kj x1 Tx1

βjj
yj Yj = Xj γj +uj ⇔ Yj+ βj+ = Xj γj +uj
| {z } −βj |{z} |{z}
Tx(Gj +1) | {z } TxKj Kj x1
(Gj +1)x1
Las ecuaciones de la Forma Reducida para Yj+ son las siguientes
Yj+ = Xj Π+′
1j + Xj∗ Π+′
2j + Vj+
|{z} |{z} |{z} |{z} |{z} |{z}
Tx(Gj +1) TxKj Kj x(Gj +1) TxKj∗ Kj∗ x(Gj +1) Tx(Gj +1)
Senotamos por y+′ +′ +

jt y xjt a la fila t-ésima de Yj y de X
respectivamente y por v+′ jt al vector (1x(Gj + 1)) correspondiente a
la fila t-ésima de la matriz Vj+ .
y+ +′ + +
jt = Πj xjt + vjt ⇐⇒ y+ + + +
jt − xjt Πj = vjt
Dado el supuesto sobre la distribución de los errores estructurales

ut ∼ NID(0, Σ), el vector de errores de la forma reducida
correspondiente a las ecuaciones de las variables Yj+ en el
momento t, se distribuye v+ + +
jt ∼ NID(0, Ωj ) donde Ωj es la
submatriz correspondiente de Ω.
La función de verosimilitud de Yj+ es:

QT
Lj = L(Π+ + +
j , Ωj ; Yj , X ) =
+ + +
t=1 L(Πj , Ωj ; yjt , xjt ) =
T
Y
= (2π)−(Gj +1)/2 |Ω+
j |
−1/2
exp (−1/2)(y+ + + ′ + −1 +
jt − xjt Πj ) (Ωj ) (yjt − x+ +
jt Πj )
t=1
" T
#
X
lnLj = −(T (Gj +1)/2) ln 2π−T /2 ln |Ω+
j |−1/2 (y+
jt − x+ + ′ + −1 +
jt Πj ) (Ωj ) (yjt − x+ +
jt Πj )
t=1
El estimador por máxima verosimilitud MVIL maximiza esta

función sujeto a las restricciones que relacionan los parámetros
estructurales de la ecuación j-ésima con los parámetros de la forma
reducida.
De las restricciones de exclusión de la ecuación j-ésima y la

relación entre los parámetros de la F.E. y la F.R. obtenemos las
siguientes ecuaciones:
′
Π+ +
1j βj = γj Kj ecuaciones (1)
′
Π+ +
2j βj = 0 Kj∗ ecuaciones (2)
Las primeras Kj ecuaciones sólo muestran cómo obtener γj dado
βj+ . Si podemos resolver para βj+ de (2), podemos utilizar esta
solución en (1) para obtener γj y por lo tanto, los parámetros
estructurales de la ecuación j estarán identificados.
La condición de Rango para la identificación de la ecuación
′
establece que rango(Π+ 2j ) = Gj . La condición necesaria es que
Gj ≥ Kj∗ .

Hay tres casos a considerar:
• La ecuación está exactamente identificada. No hay
restricciones sobre Π+j2 . Dada la normalización
′ ′
πj∗ − Π∗1j βj = 0 =⇒ βj = (Π∗1j )−1 πj∗
′
ya que la matriz Π∗1j es cuadrada y de rango completo por lo
que existe su inversa. El estimador de βj y γj por MVIL se
obtiene de
′
β̂jMVIL = (Π̂∗1j )−1 π̂j∗
γ̂j = π̂j − Π̂′1j β̂jMVIL

siendo el estimador de Π+j que maximiza el logaritmo de la
verosimilitud el estimador MCO. El estimador de βj y γj por
MVIL coincide con MCI y entonces también con MC2E.
• La ecuación no está identificada. No hay estimación posible.

No podemos recuperar los parámetros estructurales a partir de
los parámetros de la Forma Reducida.
• La ecuación esta sobreidentificada.
◦ La sobreidentificación impone restricciones sobre Π+
j . Las
restricciones (2) son importantes.
◦ En este caso la solución analı́tica al problema de maximizar

′ +
lnLj sujeto a Π+ + +
j2 βj = 0 con respecto a Πj , βj y Ωj es
+
extremadamente larga y complicada.

El estimador MVIL de βj+ coincide con el estimador que minimiza
el siguiente ratio de varianzas residuales:
βj+′ Aβj+ βj+′ Yj+′ Mj Yj+ βj+

l= =
βj+ Sβj+ βj+′ Yj+′ MYj+ βj+
siendo Mj = IT − Xj (Xj′ Xj )−1 Xj′ y M = IT − X (X ′ X )−1 X ′ .
◦ El numerador del ratio de varianzas l es la suma de cuadrados

residual de la regresión de ỹj ≡ Yj+ βj+ , dado βj+ , sobre las
variables exógenas Xj que son las incluidas en la ecuación
estructural a estimar
Yj+ βj+ = Xj γj + uj
| {z }
ỹj
◦ El denominador del ratio de varianzas l es la suma de cuadrados

residual de la regresión de ỹj ≡ Yj+ βj+ , dado βj+ , sobre todas las
variables exógenas X .
Una vez obtenido el estimador de βj+ , impuesta la normalización,

que minimiza ese ratio de varianzas residuales, β̂j+′ = (1, −β̂jMVIL ),
el estimador MVIL de γj se puede obtener de resolver para γ̂j
Xj′ (yj − Yj β̂jMVIL ) = Xj′ Xj γ̂j ⇒ γ̂jMVIL = (Xj′ Xj )−1 Xj′ (yj − Yj β̂jMVIL )
que es el resultado de la regresión de (yj − Yj β̂jMVIL ) sobre Xj .
El estimador β̂jMVIL se puede obtener como sigue:

a) Calcular las matrices
Sj0 = Yj+′ Mj Yj+ = Yj+′ (IT − Xj (Xj′ Xj )−1 Xj′ )Yj+ = Ej0′ Ej0
Sj1 = Yj+′ MYj+ = Yj+′ (IT − X (X ′ X )−1 X ′ )Yj+ = Ej1′ Ej1
Cada columna de Ej0 = Mj Yj+ es el vector de residuos

minimocuadráticos obtenidos de la regresión de la columna
correspondiente de Yj+ sobre Xj .
Para Ej1 = MYj+ es lo mismo pero incluyendo en las
regresiones también a Xj∗ , esto es todas las variables exógenas
X.
b) Se obtienen las raı́ces caracterı́sticas de la matriz (Sj1 )−1 Sj0 o

equivalentemente de la matriz D = (Sj1 )−1/2 Sj0 (Sj1 )−1/2 .
Todas las raı́ces son reales y mayores o iguales a la unidad.
−→ Se elige la menor raı́z caracterı́stica λ1
c) Particionamos la matriz Sj0 y Sj1

sjj0 s0′ sjj1 s1′
Sj0 = j
Sj1 = j
s0j Sjj0 s1j Sjj1
Con estos elementos disponibles se puede obtener

−1 0
β̂jMVIL = Sjj0 − λ1 Sjj1 (sj − λ1 s1j )
Si la ecuación está identificada, puede demostrarse que

λ1 = 1, lo que conduce a que MVIL = MCI = MC 2E .

EstimacionMC2E MVIL

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

EstimacionMC2E MVIL

Transféré par

Droits d'auteur :

Formats disponibles

Mı́nimos Cuadrados en 2 Etapas

Máxima Verosimilitud Información Limitada (MVIL)