Ejercicios Resueltos: Estimación de ecuaciones simultáneas

Román Salmerón Gómez

Universidad de Granada
2011

1. Consideremos el modelo de ecuaciones simultáneas dado por las dos ecuaciones siguientes:

Y1t = α0 + α1 Y2t + α2 X1t + α3 X2t + α4 X3t + u1t ,

Y2t = β0 + β1 X3t + β2 X4t + u2t ,

donde:

Y1 es el consumo familiar mensual (medido en miles de euros).

Y2 es la renta familiar mensual (medida en miles de euros).
X1 es una variable ficticia que toma el valor 1 si la familia en cuestión tiene algún
tipo de deuda y 0 en otro caso.
X2 es el número de hijos de cada familia.
X3 es el número de individuos de la familia que trabajan.
X4 es el nivel de estudios de los trabajadores de cada familia.
Aborde la estimación de dichas ecuaciones a partir de la siguiente información muestral
obtenida a partir de 16 observaciones:

Y1 Y2 cte X1 X2 X3 X4
Y1 63’39 94’44 29’9 21’3 40 47’6 54’3
Y2 147’26 46’2 30’2 56’2 73’1 84’1
cte 16 11 18 24 28
X1 11 14 15 19
X2 36 30 33
X3 40 42
X4 60

Puesto que la renta familiar aparece al mismo tiempo como explicada (segunda ecuación) y explicativa
(primera ecuación), es evidente que nos encontramos ante un modelo de ecuaciones simultáneas.
En dicho modelo podemos distinguir dos variables endógenas (consumo y renta) y cinco exógenas
(constante, deuda, hijos, trabajadores y estudios).
Para obtener la forma estructural del ejemplo anterior pasamos todas las variables a un miembro:

−Y1t + α0 + α1 Y2t + α2 X1t + α3 X2t + α4 X3t + u1t = 0,

−Y2t + β0 + β1 X3t + β2 X4t + u2t = 0,

1
las cuales reescribimos matricialmente obteniendo la forma estructural del modelo:
 
α 0 β0
   α2 0 
−1 0  
(Y1t Y2t ) · + (1 X1t X2t X3t X4t ) ·  α3 0   + (u1t u2t ) = (0 0),
α1 −1 
 α 4 β1 
0 β2

donde identificamos

ytT = (Y1t Y2t ), xTt = (1 X1t X2t X3t X4t ), uTt = (u1t u2t ),
 
α0 β0
   α2 0 
−1 0  
Γ= , B=  α3 0 .
α1 −1  α4

β1 
0 β2

La forma reducida, ytT = xTt Π + vtT , se expresa como:

 
α0 + α1 β0 β0

 α2 0 

(Y1t Y2t ) = (1 X1t X2t X3t X4t ) · 
 α3 0  + (v1t v2t ),

 α4 + α1 β1 β1 
α1 β2 β2
ya que    
α0 β0 α0 + α1 β0 β0
 α2 0     α2 0 
−1
  −1 0  
Π = −BΓ = − α3 0 · = α3 0 .
  −α1 −1  
 α4 β1   α4 + α1 β1 β1 
0 β2 α1 β2 β2

Es decir, hemos expresado las variables endógenas en función de las predeterminadas:

Y1t = (α0 + α1 β0 ) + α2 X1t + α3 X2t + (α4 + α1 β1 )X3t

+α1 β2 X4t + v1t ,
Y2t = β0 + β1 X3t + β2 X4t + v2t .

Como paso previo, y necesario, a la estimación de las ecuaciones vamos a identificar las mismas.
Para identificarlas bajo restricciones de nulidad será necesario conocer la matriz:
 
−1 0
 α1 −1 
 
   α0 β0 
Γ  
A= = α2 0  .
B 
 α3
 0 

 α4 β1 
0 β2

Además, es claro que N = 2 y k = 5. Para la primera ecuación se tiene que:

A1 = β2 −→ rg(A1 ) = 1 = N − 1,

2
 
N1 = 2 −→ N1 − 1 = 1
−→ k − k1 = N1 − 1.
k1 = 4 −→ k − k1 = 1
Mientras que para la segunda:
 
−1
A2 =  α2  −→ rg(A2 ) = 1 = N − 1,
α3

N2 = 1 −→ N2 − 1 = 0
−→ k − k2 > N2 − 1.
k2 = 3 −→ k − k2 = 2
Es decir, la primera ecuación es exactamente identificada y la segunda sobreidentificada.
De igual forma se podrı́an identificar las ecuaciones mediante restricciones de linealidad puesto que las
restricciones de nulidad son un caso particular de éstas.
Para la primera ecuación:

rg(Φ1 ) = 1 = N − 1
Φ1 = (0 0 0 0 0 0 1) −→ .
Φ1 A = (0 β2 ) → rg(Φ1 A) = 1 = N − 1

Mientras que para la segunda:

 
1 0 0 0 0 0 0
Φ2 =  0 0 0 1 0 0 0  −→ rg(Φ2 ) = 3 > 1 = N − 1,
0 0 0 0 1 0 0
 
−1 0
Φ2 A =  α2 0  → rg(Φ2 A) = 1 = N − 1.
α3 0
Es decir, como no podı́a ser de otra forma, la primera ecuación es exactamente identificada y la segunda
sobreidentificada.
Puesto que la primera ecuación es exactamente identificada, el método idóneao para su estimación es
el de mı́nimo cuadrados indirectos.
En tal caso, habrá que estimar en primer lugar la forma reducida
b = XT X −1 XT y,


Π
para luego plantear el sistema:  
−1  
βbh
Π
b  γ
bh  =− .
0
0
Por tanto, como
10 6928 −00 5860 00 1407 −00 7002 −00 1916
  0
460 2
 
29 9
 −00 5860 00 4374 −00 0916 00 2327 00 0224   210 3 300 2 
00 1407 −00 0916 00 0944 −00 1051 −00 0150  560 2
   
Π =   ·  400
b  
−00 7002 00 2327 −00 1051 0 0
730 1
 
 0 4161 0 0196   47 6 
−00 1916 00 0224 −00 0150 0
0 0196 0
0 0935 540 3 840 1
00 0238 10 1138
 
 00 4268 −00 1132 
 0
00 0938 

 00 2138
=  ,
 0 6872 00 8372 
00 1601 00 2801

3
a partir de
00 0238 10 1138
   
α
b0
 00 4268 −00 1132     α
b2 
00 2138 00 0938  · −1
   
 = − α
b3 ,
α
b1
00 6872 00 8372
   
   α
b4 
00 1601 00 2801 0
que da lugar al siguiente sistema de ecuaciones:

−00 0238 + 10 1138b

α1 = −b b0 = 00 0238 − 10 1138 · 00 5716 = −00 6128,
α0 −→ α

−00 4268 − 00 1132b

α1 = −b b2 = 00 4268 + 00 1132 · 00 5716 = 00 4915,
α2 −→ α
−00 2138 + 00 0938b
α1 = −b b3 = 00 2138 − 00 0938 · 00 5716 = 00 1602,
α3 −→ α
−00 6872 + 00 8372b
α1 = −b b4 = 00 6872 − 00 8372 · 00 5716 = 00 2087,
α4 −→ α
00 1601
−00 1601 + 00 2801b
α1 = 0 −→ α
b1 = = 00 5716,
00 2801
se obtiene la siguiente estimación de la primera ecuación por mı́nimos cuadrados indirectos:

Yb1t = −00 6128 + 00 5716Y2t + 00 4915X1t + 00 1602X2t + 00 2087X3t .

Como es sabido, esta ecuación podrı́a ser también estimada por MC2E. A modo de ejemplo, para
mostrar que se obtiene la misma solución y que este segundo método es más complicado que el primero,
vamos a estimarla por MC2E. En tal caso:
 −1
δb1,M C2E = ZbT Z b T y1 ,
Z
1 1
b
1

 T
b 1 = Yb2t cte X1t X2t X3t
donde Z e y1 = Y1t . Donde Yb2t se obtiene a partir de la estimación de la
forma reducida:

Yb2t = 10 1138 − 00 11321t + 00 0938X2t + 00 8372X3t + 00 2801X4t .

En tal caso:

Yb2t cte X1t

 X2t X
3t
Yb2t a b c d e
cte  b 16 11 18 24 
bT Z
Z1 1 =
b  
 c 11 11 14 15 
X1t  ,
X2t  d 18 14 36 30 
X3t e 24 15 30 40

 Y1t 
Yb2t f
cte  290 9 
b T y1 =
Z  0 
1  21 3 ,
X1t  
X2t  40 
X3t 470 6

4
donde
f = Yb2tt Y1t = (10 1138cte − 00 11321t + 00 0938X2t + 00 8372X3t + 00 2801X4t )t Y1t
= 10 1138ctet Y1t − 00 1132X1t
t
Y1t + 00 0938X2t
t
Y1t + 00 8372X3t
t
Y1t + 00 2801X4t
t
Y1t
10 1138 ∗ 290 9 − 00 1132 ∗ 210 3 + 00 0938 ∗ 40 + 00 8372 ∗ 470 6 + 00 2801 ∗ 540 3 = 890 7036,
=
e = Yb2tt X3t = (10 1138cte − 00 11321t + 00 0938X2t + 00 8372X3t + 00 2801X4t )t X3t
10 1138 ∗ 24 − 00 1132 ∗ 15 + 00 0938 ∗ 30 + 00 8372 ∗ 40 + 00 2801 ∗ 42 = 730 0994,
=
d = Yb2tt X2t = (10 1138cte − 00 11321t + 00 0938X2t + 00 8372X3t + 00 2801X4t )t X2t
10 1138 ∗ 18 − 00 1132 ∗ 14 + 00 0938 ∗ 36 + 00 8372 ∗ 30 + 00 2801 ∗ 33 = 560 1997,
=
c = Yb2tt X1t = (10 1138cte − 00 11321t + 00 0938X2t + 00 8372X3t + 00 2801X4t )t X1t
10 1138 ∗ 11 − 00 1132 ∗ 11 + 00 0938 ∗ 14 + 00 8372 ∗ 15 + 00 2801 ∗ 19 = 300 1997,
=
b = Yb2tt cte = (10 1138cte − 00 11321t + 00 0938X2t + 00 8372X3t + 00 2801X4t )t cte
= 10 1138 ∗ 16 − 00 1132 ∗ 11 + 00 0938 ∗ 18 + 00 8372 ∗ 24 + 00 2801 ∗ 28 = 460 1996,
a = Yb2tt Yb2t = · · · = 1380 0651.

Luego, sin más sustituir estos valores en las matrices anteriores y aplicar la fórmula de estimación
por mı́nimos cuadrados en dos etapas veremos que la estimación obtenida coincide con la de mı́nimos
cuadrados indirectos:

−1 
1380 0651 460 1996 300 1997 560 1997 730 0994 890 7036
 
 460 1996 16 11 18 24   290 9 
300 1997 210 3
   
δb1,M C2E =  11 11 14 15  · 
560 1997
   
 18 14 36 30   40 
730 0994 24 15 30 40 470 6
10 1912 −20 0108 00 2149 −00 1651 −00 9272 890 7036
   
 −20 0108 40 6942 −00 9028 00 3887 00 9051   290 9 
00 2149 −00 9028 00 4708 −00 1178 00 0607 210 3
   
=  · 
−00 1651 00 3887 −00 1178 00 1149 00 0265
   
   40 
−00 9272 00 9051 00 0607 00 0265 10 1337 470 6
00 5715
 
 −00 6128 
 0 
 00 4915
=  .

 0 1602 
00 2087

Por tanto, la estimación de la primera ecuación por mı́nimos cuadrados en dos etapas será:
Yb1t = −00 6128 + 00 5715Y2t + 00 4915X1t + 00 1602X2t + 00 2087X3t .

Puesto que la segunda ecuación es sobreidentificada, el método indicado para su estimación es el de

mı́nimo cuadrados en dos etapas. Luego habrá que tener en cuenta la expresión
 −1
δb2,M C2E = Z bT Z b T y2 ,
Z
2 2
b
2

b 2 = (cte X3t X4t )T e y1 = Y2t . Con ello,

donde Z

cte X3t X4t

bT Z cte 16 24 28
Z 2 2 =
b
X3t  24 40 42  ,
X4t 28 42 60

5
 y

 Y02t 
b T y2 cte 46 2
Z 2 =  730 1  ,
X3t
X4t 840 1

Entonces:
00 9034 −00 375 −00 1591
   0   0 
46 2 0 9455
δb2,M C2E =  −00 375 00 25 00 0001  ·  730 1  =  00 95  .
−00 1591 0
0 0001 00 0909 840 1 00 2955

Luego, la estimación de la segunda ecuación será:

Yb2t = 00 9455 + 00 95X3t + 00 2955X4t .

Adviértase que puesto que en esta segunda ecuación no hay variables endógenas en el segundo miembro,
no hay que sustituir sus estimaciones obtenidas a partir de la forma reducida, por lo que realmente se
le ha aplicado los mı́nimos cuadrados ordinarios.
2. Dado el modelo:

Y1t = a1 Y2t + a2 X1t + u1t ,

Y2t = b1 Y1t + b2 X2t + b3 X3t + u2t ,

donde se sabe que:

2 10 5
   
2 0 0
X tX =  0 1 0 , b = 5
Π 8 .
0 0 4 10 5 3
Se pide:
a) Identificar el modelo.
b) Estimar cada ecuación del modelo usando el método de mı́nimos cuadrados indirectos.
Si en algún caso no es posible, razone los motivos.
Para identificar el modelo son necesarias las matrices Γ y B de la forma estructural del modelo, por lo
que el primer paso que hay que dar es calcular dicha forma:
 
  a2 0
−1 b1
(Y1t Y2t ) · + (X1t X2t X3t ) ·  0 b2  + (u1t u2t ) = (0 0),
a1 −1
0 b3

donde se ha tenido en cuenta que hay dos variables endógenas (N = 2) y tres predeterminadas (k = 3).
Entonces, si identificamos las ecuaciones bajo restricciones de nulidad será necesaria la matriz:
 
−1 b1
   a1 −1 
Γ  
A= = a2 0 ,
B  0 b2 
0 b3

de forma que la para la primera ecuación se tiene que:

  
b2 N1 = 2 → N1 − 1 = 1
A1 = −→ rg(A1 ) = 1 = N − 1, → k − k1 > N1 − 1,
b3 k1 = 1 → k − k1 = 2

6
 mientras que para la segunda:

N2 = 2 → N2 − 1 = 1
A2 = a2 −→ rg(A2 ) = 1 = N − 1, → k − k2 = N2 − 1,
k2 = 2 → k − k2 = 1

es decir, la primera ecuación es sobreidentificada y la segunda exactamente identificada. Por tanto, el

modelo será sobreidentificado.
Con respecto a la estimación del modelo por MCI, puesto que dicho método se puede aplicar sólo a
ecuaciones exactamente identificadas, en este caso no podremos estimar la primera ecuación por este
método.
Para la estimación de la segunda se tendrı́a que resolver el sistema determinado por:
 
  0
b· b1
Π = −  b2  ,
−1
b3

es decir,
2 10 5
   
  0
b1
 5 8 · = −  b2  ,
0 −1
15 3 b3
que conduce al sistema

2b1 − 10 5 = 0 → b1 = 00 75,
5b1 − 8 = −b2 → b2 = 8 − 5 · 00 75 = 40 25,
10 5b1 − 3 = −b3 → b3 = 3 − 5 · 10 5 = −40 5.

Luego, la estimación buscada es:

Yb2t = 00 75Y1t + 40 25X2t − 40 5X3t .

3. Dado el modelo:

Y1t = a1 Y2t + a2 X1t + u1t ,

Y2t = b1 Y1t + b2 X2t + b3 X3t + u2t ,

donde se sabe que:

2 10 5
   
2 0 0
X tX =  0 1 0 , b = 5
Π 8 .
0
0 0 4 15 3
Estimar cada ecuación del modelo razonando el uso del método seleccionado.
Como se puede observar este ejercicio engloba al anterior, por lo que usaremos los cálculos ya realizados.
El primer paso serı́a identificar cada una de las ecuaciones. Ya sabemos que la primera es sobreidentifi-
cada y la segunda exactamente identificada. Por tanto, los métodos idóneos para la estimación de cada
una serı́an, respectivamente, los métodos de mı́nimos cuadrados en dos etapas y de mı́nimos cuadrados
indirectos.
Puesto que la segunda ya está estimada, vamos a proceder a estimar la primera. Para conseguir tal
objetivo habrá que calcular el estimador:
 −1
δb1,M C2E = Zb1t Z
b1 Zb1t y1 ,

7
 donde Zb1 = (Yb2t X1t ) e y1 = Y1t . Además, Yb2t se obtiene a partir de la estimación de la forma reducida:

Yb2t = 10 5X1t + 8X2t + 3X3t .

b = (X t X)−1 X t Y ,
Para poder calcular el estimador anterior, es necesario obtener la matriz X t Y . Como Π
es claro que:
2 10 5
     
2 0 0 4 3
X tY = X tX · Π b = 0 1 0 · 5 8  =  5 8 .
0 0 4 10 5 3 6 12

En tal caso:

Y2t X1t  Y1t 

b
Zb1t Z
b1 = Yb2t a b y bt yb1 =
Z1 Yb2t c
X1t b 2 X1t 4

t
donde teniendo en cuenta que Xit Xjt = 0, ∀i 6= j, se tiene que:

a = Yb2tt Yb2t = (10 5X1t + 8X2t + 3X3t )t (10 5X1t + 8X2t + 3X3t ) =
= 10 52 X1t
t t
X1t + 64X2t t
X2t + 9X3t X3t = 20 25 · 2 + 64 · 1 + 9 · 4 = 1040 5,
b = Yb2tt X1t = (10 5X1t + 8X2t + 3X3t )t X1t = 10 5X1t
t
X1t = 10 5 · 2 = 3,
c = Yb t Y1t
2t = (10 5X1t + 8X2t + 3X3t )t Y1t
= 10 5X1t
t t
Y1t + 8X2t t
Y1t + 3X3t Y1t = 10 5 · 4 + 8 · 5 + 3 · 6 = 64.

Luego:
−1 
1040 5 3 00 58
      
64 1 2 −3 64
δb1,M C2E = = · = ,
3 2 4 200 −3 1040 5 4 10 13

y por tanto:
Yb1t = 00 58Y2t + 10 13X1t .

4. Las relaciones entre las variables endógenas, Y1t e Y2t , y las predeterminadas, X1t , X2t y
X3t , quedan expresadas en el siguiente sistema de ecuaciones simultáneas:

Y1t = α1 Y2t + α2 X1t + α3 X2t + u1t ,

Y2t = β1 Y1t + β2 X3t + u2t .

Se dispone de los siguientes resultados muestrales:

   
  10 0 0 10 20
180 120
Y tY = , X tX =  0 5 0  , X t Y =  20 10  .
120 100
0 0 10 30 20

Se pide:

a) Identificar las ecuaciones del modelo analizando las condiciones de orden y de rango
para la forma estructural.
b) Identificar la primera ecuación del modelo teniendo en cuenta que α1 = 2α3 .
c) Estimar, sin considerar la restricción anterior, la primera y segunda ecuación por los
métodos que considere oportunos.

8
Como es sabido, para identificar las ecuaciones es necesario conocer la forma estructural del modelo.
Para la primera ecuación se tiene que:
 
  α2
−1
(Y1t Y2t ) · + (X1t X2t X3t ) ·  α3  + u1t = 0,
α1
0
mientras que para la segunda:
 
  0
β1
(Y1t Y2t ) · + (X1t X2t X3t ) ·  0  + u2t = 0.
−1
β2

Luego la forma estructural del modelo es:

 
  α2 0
−1 β1
(Y1t Y2t ) · + (X1t X2t X3t ) ·  α3 0  + (u1t u2t ) = (0 0).
α1 −1
0 β2

Gracias a la anterior forma estructural se tiene que:

 
−1 β1
   α1 −1 
Γ  
A= = α2 0 ,
B  
 α3 0 
0 β2
por lo que la primera ecuación es exactamente identificada ya que:

N1 = 2 → N1 − 1 = 1
A1 = β2 −→ rg(A1 ) = 1 = N − 1, → k − k1 = N1 − 1,
k1 = 1 → k − k1 = 1
y la segunda sobreidentificada ya que:
  
α2 N2 = 2 → N2 − 1 = 1
A2 = −→ rg(A2 ) = 1 = N − 1, → k − k2 > N2 − 1.
α3 k2 = 1 → k − k2 = 2

Para identificar la primera ecuación del modelo teniendo en cuenta que α1 = 2α3 habrá que usar el
método de restricciones lineales. Además, no se puedo obviar que la restricción de nulidad presente
en dicha ecuación, α4 = 0, también hay que considerarla como restricción de linealidad. Teniendo en
cuenta estas premisas, en este caso:
 
0 1 0 −2 0
Φ1 = .
0 0 0 0 1

Puesto que    
α1 − 2α3 −1 0 −1
Φ1 · A = = ,
0 β2 0 β2
donde se ha tenido en cuenta que α1 = 2α3 , es claro que rg (Φ1 · A) = 1 = N − 1. Y como rg(Φ1 ) =
2 > N − 1, entonces la ecuación es sobreidentificada.
Finalmente, puesto que la primera ecuación es exactamente identificada, el método idóneo para su
estimación es el de mı́nimos cuadrados indirectos. Luego, para obtener dicha estimación habrá que
resolver el sistema:  
  α2
b· −1
Π = −  α3  ,
α1
0

9
donde:
 −1    0     
10 0 0 10 20 01 0 0 10 20 1 2
b = 0
Π 5 0  ·  20 10  =  0 00 2 0  ·  20 10  =  4 2 .
0 0 10 30 20 0 0 00 1 30 20 3 2

Es decir, el sistema queda:    

1 2   α2
−1
 4 2 · = −  α3  ,
α1
3 2 0
lo cual se traduce en el sistema de ecuaciones:

−1 + 2α1 = −α2 → α2 = 1 − 2 · 10 5 = −2,

−4 + 2α1 = −α3 → α3 = 4 − 2 · 10 5 = 1,
−3 + 2α1 = 0 → α1 = 3/2 = 10 5.

Luego, la estimación de la primera ecuación por MCI es:

Yb1t = 10 5Y2t − 2X1t + X2t .

Para la segunda ecuación usaremos el método de MC2E ya que es sobreidentificada. En tal caso:
 −1
δb2,M C2E = Zb2t Zb2 Zb2t y2 ,

donde Zb2 = (Yb1t X3t ) e y2 = Y2t . Además, a partir de la estimación de la forma reducida se obtiene
que:
Yb1t = X1t + 4X2t + 3X3t .

En tal caso,

Y1t X3t  Y2t 

b
Zb2t Z
b2 = Yb1t a b y Zb2t yb2 = Yb1t c
X3t b 10 X3t 20

t
donde teniendo en cuenta que Xit Xjt = 0, ∀i 6= j, se tiene que:

a = Yb1tt Yb1t = (X1t + 4X2t + 3X3t )t (X1t + 4X2t + 3X3t ) =

t t t
= X1t X1t + 16X2t X2t + 9X3t X3t = 10 + 16 · 5 + 9 · 10 = 180,
b = Yb1tt X3t = (X1t + 4X2t + 3X3t )t X3t = 3X3t
t
X3t = 3 · 10 = 30,
c = Yb1tt Y2t = (X1t + 4X2t + 3X3t )t Y2t
t t t
= X1t Y2t + 4X2t Y2t + 3X3t Y2t = 20 + 4 · 10 + 3 · 20 = 120.

Luego:
−1 
00 666
      
180 30 120 1 10 −30 120
δb2,M C2E = = · = ,
30 10 20 900 −30 180 20 0

y, por tanto, la estimación por MC2E de la segunda ecuación es:

Yb2t = 00 666Y1t .

10
5. Intriligator (1978) considera un modelo del mercado de dinero en el que la demanda de
dinero depende del tipo de interés y de la población, mientras que el tipo de interés
depende de la cantidad de dinero, el tipo de descuento y el exceso de reservas. Se supone
que el mercado está en equilibrio. Las relaciones son lineales pero no tienen término
constante. Se pide:
a) Formular el modelo. Obtener las formas estructural y reducida expresándolas en
términos matriciales.
b) Estudiar la identificación de las relaciones del modelo.
Teniendo en cuenta la siguiente notación:
Tt : tipo de interés en el instante t.
Dt : demanda de dinero en el instante t.
Pt : población en el instante t.
Ct : cantidad de dinero en el instante t.
T Dt : tipo de descuento en el instante t.
Rt : exceso de reservas en el instante t.
El modelo a considerar serı́a el siguiente:

Dt = α1 Tt + α2 Pt + u1t ,
Tt = β1 Dt + β2 T Dt + β3 Rt + u2t ,

donde se ha tenido en cuenta que el mercado está en equilibrio, D ≡ C.

Se trata por tanto de un modelo de ecuaciones simultáneas con dos variables endógenas (D y T ) y tres
predeterminadas (P , T D y R), es decir, N = 2 y k = 3.
La forma estructural desde un punto de vista matricial responde a la expresión:

ytt Γ + xtt B + utt = 0,

donde, en este caso, ytt = (Dt Tt ) y xtt = (Pt T Dt Rt ).

En efecto, para la primera ecuación se tiene que:
 
  α2
−1
(Dt Tt ) · + (Pt T Dt Rt ) ·  0  + u1t = 0,
α1
0

mientras que para la segunda:

 
  0
β1
(Dt Tt ) · + (Pt T Dt Rt ) ·  β2  + u2t = 0.
−1
β3

Por tanto, la expresión matricial de la forma estructural es:

 
  α2 0
−1 β1
(Dt Tt ) · + (Pt T Dt Rt ) ·  0 β2  + (u1t u2t ) = (0 0).
α1 −1
0 β3

A partir de la forma estructural se obtiene la forma reducida mediante la expresión:

ytt = xtt · Π + vtt ,

11
 donde:
   
α2 0  −1 α2 0  
−1 −1 β1 1 −1 −β1
Π = −B · Γ = −  0 β2  · =−  0 β2  ·
α1 −1 1 − α1 β1 −α1 −1
0 β3 0 β3
 
α2 α2 β1
1  α1 β2
= β2  .
1 − α 1 β1
α1 β3 β3

Luego, la forma reducida es:

α2 α1 β2 α1 β3
Dt = · Pt + · T Dt + · Rt + v1t ,
1 − α1 β1 1 − α1 β1 1 − α1 β1
α2 β1 β2 β3
Tt = · Pt + · T Dt + · Rt + v2t .
1 − α1 β1 1 − α1 β1 1 − α1 β1

En cuanto a la identificación de las ecuaciones, usaremos los métodos conocidos bajo restricciones de
nulidad. En tal caso, la primera ecuación es sobreidentificada ya que:
  
β2 N1 = 2 → N1 − 1 = 1
A1 = −→ rg(A1 ) = 1 = N − 1, → k − k1 > N1 − 1,
β3 k1 = 1 → k − k1 = 2
mientras que la segunda es exactamente identificada ya que:

N2 = 2 → N2 − 1 = 1
A2 = α2 −→ rg(A2 ) = 1 = N − 1, → k − k2 = N2 − 1.
k2 = 2 → k − k2 = 1

6. Considerar el siguiente modelo:

Y1t = β11 Y2t + γ11 X1t + u1t ,

Y2t = β21 Y1t + γ22 X2t + γ23 X3t + u2t ,

con la siguiente matriz de las sumas de los productos cruzados:

Y1t Y2t X1t X2t X3t

Y1t 200 60 4 10 20
Y2t 60 40 0 0 10
X1t 4 0 10 0 0
X2t 10 0 0 20 0
X3t 20 10 0 0 5

Estimar la segunda relación utilizando los mı́nimos cuadrados indirectos. Explicar cuándo
es conveniente este método.
El método de MCI se puede aplicar cuando tras identificar una ecuación ésta es exactamente identificada.
Teniendo en cuenta que la forma estructural del modelo responde a la siguiente expresión:
 
  γ11 0
−1 β21
(Y1t Y2t ) · + (X1t X2t X3t ) ·  0 γ22  + (u1t u2t ) = (0 0),
β11 −1
0 γ23
se tiene que la estimación por MCI buscada se obtiene al resolver el sistema:
 
  0
b· β 21
Π = −  γ22  ,
−1
γ23

12
 donde
 −1    0     0 
10 0 0 4 0 01 0 0 4 0 04 0
b = 0
Π 20 0  ·  10 0  =  0 00 05 0  ·  10 0  =  00 5 0  .
0 0 5 20 10 0 0 00 2 20 10 4 2

Por tanto:
00 4 0
   
  0
 00 5 0  · β21 = −  γ22  ,
−1
4 2 γ23
que conduce al sistema de ecuaciones:

00 4β21 = 0 → β21 = 0,
00 5β21 = −γ22 → γ22 = 0,
4β21 − 2 = −γ23 → γ23 = 2.

Entonces, la estimación buscada es:

Yb2t = 2X3t .

7. Dado el modelo:

Y1t = γ12 Y2t + β11 X1t + β13 X3t + u1t ,

Y2t = γ21 Y1t + β22 X2t + u2t ,

y la siguiente matriz de las sumas de los productos cruzados:

Y1t Y2t X1t X2t X3t

Y1t 50 20 3 10 8
Y2t 20 40 0 7 20
X1t 3 0 8 0 0
X2t 10 7 0 5 0
X3t 8 20 0 0 3

Se pide:

a) Identificar el modelo.
b) Estimar cada una de las ecuaciones del modelo por el método que considere más
apropiado.
En el modelo anterior hay dos variables predeterminadas (N = 2 : Y1t , Y2t ) y tres predeterminadas
(k = 3 : X1t , X2t , X3t ). Además, es claro que:
 
  β11 0
−1 γ21
Γ= , B =  0 β22  .
γ12 −1
β13 0

De modo que:  
−1 γ21

 γ12 −1 

A=
 β11 0 .

 0 β22 
β13 0

13
Entonces, para la identificación de cada variable se tiene que:

N1 = 2 → N1 − 1 = 1
A1 = β22 −→ rg(A1 ) = 1 = N − 1, → k − k1 = N1 − 1,
k1 = 2 → k − k1 = 1
  
β11 N2 = 2 → N2 − 1 = 1
A2 = −→ rg(A2 ) = 1 = N − 1, → k − k2 > N2 − 1.
β13 k2 = 1 → k − k2 = 2
Esto es, la primera ecuación es exactamente identificada y la segunda sobreidentificada. Por tanto, el
modelo es sobreidentificado.
Puesto que la primera ecuación es exactamente identificada, el método idóneo para su estimación es el
de MCI. El primer paso para conseguir dicho objetivo sera estimar la forma reducida:
 −1    0 
8 0 0 3 0 0 375 0
Πb = (X t X)−1 X t Y =  0 5 0  ·  10 7  =  2 10 4  .
0 0 3 8 20 2 666 60 666
0

Luego, para estimar la primera ecuación hay que resolver el sistema determinado por:
 0   
0 375 0   β11
−1
 2 10 4  · = − 0 ,
0 0 γ12
2 666 6 666 β13
es decir:

−00 375 = −β11 → β11 = 00 375,

2
−2 + 10 4γ12 = 0 → γ12 = 0 = 10 43,
14
−20 666 + 60 666γ12 = −β13 → β13 = 20 666 − 60 666 · 10 43 = −60 86.

Por tanto, la estimación buscada es:

Yb1t = 10 43Y2t + 00 375X1t − 60 86X3t .

En el caso de la segunda ecuación, que es sobreidentificada, el método a usar para su estimación es el

de MC2E mediante el estimador:
 −1
δb2,M C2E = Zb2t Zb2 Zb2t y2 ,
 
donde Zb2 = Yb1t X2t e y2 = Y2t con Yb1t = 00 375X1t + 2X2t + 20 666X3t .
Entonces, a partir de:

Y1t X2t  Y2t 

b
Zb2t Zb2 = Yb1t a b y Zb2t yb2 = Yb1t c
X2t b 5 X2t 7

t
donde, teniendo en cuenta que Xit Xjt = 0, ∀i 6= j, se tiene que:

a = Yb1tt Yb1t = (00 375X1t + 2X2t + 20 666X3t )t (00 375X1t + 2X2t + 20 666X3t ) =
= 00 3752 X1t
t t
X1t + 4X2t X2t + 20 6662 X3t
t
X3t = 00 375 · 8 + 20 + 20 6662 · 3 = 420 458,
b = Yb1tt X3t = (00 375X1t + 2X2t + 20 666X3t )t X2t = 2X2t
t
X2t = 2 · 5 = 10,
c = Yb1tt Y2t = (00 375X1t + 2X2t + 20 666X3t )t Y2t
= 00 375X1t
t t
Y2t + 2X2t Y2t + 20 666X3t
t
Y2t = 2 · 7 + 20 666 · 20 = 670 333,

14
 es claro que:
−1 
420 458 670 333
 
10
δb2,M C2E =
10 5 7
00 0445 0
  0   0 
−0 0891 67 333 2 3748
= = .
−00 0891 00 3781 7 −30 3496

Por tanto, la estimación por MC2E de la segunda ecuación es:

Yb2t = 20 3748Y1t − 30 3496X2t .

8. Dado el modelo:

Y1t = γ12 Y2t + β11 X1t + β13 X3t + u1t ,

Y2t = γ21 Y1t + β22 X2t + β23 X3t + u2t ,

y la siguiente matriz de las sumas de los productos cruzados:

Y1t Y2t X1t X2t X3t

Y1t 50 20 3 10 8
Y2t 20 40 0 7 20
X1t 3 0 8 0 0
X2t 10 7 0 5 0
X3t 8 20 0 0 3

Se pide:
a) Identificar el modelo con la restricción β11 = 3β13 .
b) Estimar la segunda ecuación del modelo por el método que considere más apropiado.
Para identificar la primera ecuación hay que tener presente que le afecta la restricción β11 = 3β13 , por
lo que habrá que realizar la identificación bajo restricciones lineales.
Puesto que no aparece la variable X2t , se tiene que:
 
0 0 1 0 −3
Φ1 = ,
0 0 0 1 0

y como la forma estructural del modelo responde a la siguiente expresión:

 
  β11 0
−1 γ21
(Y1t Y2t ) · + (X1t X2t X3t ) ·  0 β22  + (u1t u2t ) = (0 0),
γ12 −1
β13 β23

se tiene que:    
β11 − 3β13 −3β23 0 −3β23
Φ1 · A = = .
0 β22 0 β22
Entonces, como rg(Φ1 ·A) = 1 = N −1 y rg(Φ1 ) = 2 > N −1, la primera ecuación está sobreidentificada.
Por otro lado, identificando la segunda ecuación bajo restricciones de nulidad:

N2 = 2 → N2 − 1 = 1
A2 = β11 −→ rg(A2 ) = 1 = N − 1, → k − k2 = N2 − 1,
k2 = 2 → k − k2 = 1

se obtiene que ésta es exactamente identificada (y en consecuencia, el modelo es sobreidentificado).

15
 En tal caso, el método idóneo para estimarla es el de MCI. Dicho método consiste en resolver el sistema
de ecuaciones determinado por:
 0   
0 375 0   0
γ21
 2 10 4  · = −  β22  ,
0 0 −1
2 666 6 666 β23
es decir:

00 375γ21 = 0 → γ21 = 0,
0
2γ21 − 1 4 = −β22 → β22 = 10 4,
0 0
2 666γ21 − 6 666 = −β23 → β23 = 60 666.

Entonces: Yb2t = 10 4X2t + 60 666X3t .

9. A partir de la siguiente información:
   
4 5 1 20 0 0
b =  2 6 2 ,
Π XT X =  0 5 0 ,
5 1 0 0 0 4
obtenga estimadores consistentes de los parámetros de las ecuaciones que lo permitan en
el siguiente modelo de ecuaciones simultáneas:

Y1t = α2 Y2t + α3 X1t + u1t ,

Y2t = β1 + β2 Y1t + β3 X2t + u2t ,
Y3t = γ1 + γ2 Y1t + γ3 X1t + γ4 X2t + u3t .

Para identificar el modelo son necesarias las matrices Γ y B de la forma estructural del modelo, por lo
que el primer paso que hay que dar es calcular dicha forma:
   
−1 β2 γ2 0 β1 γ 1
(Y1t Y2t Y3t ) ·  α2 −1 0  + (cte X1t X2t ) ·  α3 0 γ3  + (u1t u2t u3t ) = (0 0 0),
0 0 −1 0 β3 γ 4

donde se ha tenido en cuenta que hay tres variables endógenas (N = 3) y tres predeterminadas (k = 3).
Entonces, si identificamos las ecuaciones bajo restricciones de nulidad será necesaria la matriz:
 
−1 β2 γ2
  α2 −1 0 
 

Γ  0 0 −1 
A= = ,
B  0
 β1 γ 1  
 α3 0 γ3 
0 β3 γ 4
de forma que la para la primera ecuación se tiene que:
 
0 −1 
N1 = 2 → N1 − 1 = 1
A1 =  β 1 γ1  −→ rg(A1 ) = 2 = N − 1, → k − k1 > N1 − 1,
k1 = 1 → k − k1 = 2
β3 γ4
mientras que para la segunda:
  
0 −1 N2 = 2 → N2 − 1 = 1
A2 = −→ rg(A2 ) = 2 = N − 1, → k − k2 = N2 − 1,
α3 γ3 k2 = 2 → k − k2 = 1

16
y la tercera: 
N3 = 2 → N3 − 1 = 1
→ k − k3 < N3 − 1.
k3 = 3 → k − k3 = 0
Es decir, la primera ecuación es sobreidentificada, la segunda exactamente identificada y la tercera
subidentificada.
De cara a la estimación de cada una de ellas se pueden usar, respectivamente, los métodos de MC2E, MCI
y MCO. Si bien, como se nos pide que usemos sólo métodos que proporcionen estimadores consistentes,
la tercera no será estimada.
Para estimar la primera ecuación en primer lugar hay que completar la información muestral:
     
20 0 0 4 5 1 80 100 20
X tY = X tX · Π
b = 0 5 0  ·  2 6 2  =  10 30 10  .
0 0 4 5 1 0 20 4 0

En tal caso, el estimador será:

 −1
δb1,M C2E = Zb1t Zb1 Zb1t y1 ,
 
donde Zb1 = Yb2t X1t e y1 = Y1t con Yb2t = 5cte + 6X1t + X2t .
Entonces, a partir de:

Y2t X1t  Y1t 

b
Zb1t Z
b1 = Yb2t a b y Zb1t yb1 = Yb2t c
X1t b 20 X1t 80

t
donde, teniendo en cuenta que Xit Xjt = 0, ∀i 6= j, se tiene que:

a = Yb2tt Yb2t = (5cte + 6X1t + X2t )t (5cte + 6X1t + X2t ) =

= 25ctet cte + 36X1t
t t
X1t + X2t X2t = 25 · 20 + 36 · 5 + 4 = 684,
b = Yb2tt X1t = (5cte + 6X1t + X2t )t X1t = 6X1t
t
X1t = 6 · 5 = 30,
c = Yb2tt Y1t = (5cte + 6X1t + X2t )t Y1t
= 5ctet Y1t + 6X1t
t t
Y1t + X2t Y1t = 5 · 80 + 6 · 10 + 20 = 480.

Entonces:
 −1  
684 30 480
δb1,M C2E =
30 20 80
    0 
1 20 −30 480 0 5634
= · = .
12780 −30 684 80 30 1549

Por tanto, la estimación por MC2E de la primera ecuación es:

Yb1t = 00 5634Y2t + 30 1549X1t .

Para estimar la segunda ecuación por MCI simplemente hay que resolver el sistema:
     
4 5 1 β2 β1
 2 6 2  ·  −1  = −  0  ,
5 1 0 0 β3

17
 es decir:

4β2 − 5 = −β1 → β1 = 5 − 4 · 3 = −7,

2β2 − 6 = 0 → β2 = 3,
2β2 − 1 = −β3 → β3 = 1 − 5 · 3 = −14.

Entonces: Yb2t = −7 + 3Y1t − 14X2t .

10. Dado el siguiente modelo de ecuaciones simultáneas:

Y1t = α1 Y2t + α2 X1t + α3 X3t + u1t ,

Y2t = β1 Y1t + β2 X2t + β3 X3t + u2t ,

estimar cada ecuación por el método que considere más oportuno teniendo en cuenta la
siguiente información muestral:

Y1 Y2 X1 X2 X3
Y1 25 10 4 10 1
Y2 10 20 7 15 2
X1 4 7 10 0 0
X2 10 15 0 5 0
X3 1 2 0 0 2

La forma estructural de la primera es:

 
  α2
−1
(Y1t Y2t ) · + (X1t X2t X3t ) ·  0  + u1t = 0,
α1
α3

mientras que la de la segunda:

 
  0
β1
(Y1t Y2t ) · + (X1t X2t X3t ) ·  β2  + u2t = 0.
−1
β3

Por tanto, la expresión matricial de la forma estructural es:

 
  α2 0
−1 β1
(Y1t Y2t ) · + (X1t X2t X3t ) ·  0 β2  + (u1t u2t ) = (0 0).
α1 −1
α3 β3

En tal caso, la primera ecuación será exactamente identificada ya que:


N1 = 2 → N1 − 1 = 1
A1 = β2 −→ rg(A1 ) = 1 = N − 1, → k − k1 = N1 − 1,
k1 = 2 → k − k1 = 1

al igual que la segunda:


N2 = 2 → N2 − 1 = 1
A2 = α2 −→ rg(A2 ) = 1 = N − 1, → k − k2 = N2 − 1.
k2 = 2 → k − k2 = 1

Por tanto, como ambas ecuaciones son exactamente identificadas, usaremos para su estimación el méto-
do de mı́nimos cuadrados indirectos.

18
 El primer paso para conseguir dicho objetivo sera estimar la forma reducida:
−1    0
0 4 00 7
 
10 0 0 4 7
b = (X t X)−1 X t Y =  0
Π 5 0  ·  10 15  =  2 3 .
0 0 2 1 2 00 5 1

Luego, para estimar la primera ecuación hay que resolver el sistema determinado por:
 0
0 4 00 7
  
  α2
−1
 2 3 · = − 0 ,
0 α1
05 1 α3

que tiene por solución:

−00 4 + 00 7α1 = −α2 → α2 = 00 4 − 00 7 · 00 666 = −00 0666,

2
−2 + 3α1 = 0 → α1 = = 00 666,
3
−00 5 + α1 = −α3 → α3 = 00 5 − 00 666 = −00 1666.

Para estimar la segunda ecuación:

00 4 00 7
   
  0
β 1
 2 3 · = −  β2  ,
−1
00 5 1 β3

que tiene por solución:

00 7
00 4β1 − 00 7 = 0 → β1 = = 10 75,
00 4
10 75
2β1 − 3 = −β2 0 → β2 = −2 3 = −00 5,
+
00 5β1 − 1 = −β3 → β3 = 1 − 00 5 · 10 75 = 00 125.

Por tanto, la estimación de cada ecuación del modelo es:

Yb1t = 00 666Y2t − 00 0666X1t − 00 1666X3t ,

Yb2t = 10 75Y1t − 00 5X2t + 00 125X3t .

11. Dado el siguiente modelo de ecuaciones simultáneas, junto a su correspondiente informa-

ción muestral:
Y1 Y2 Y3 X1 X2 X3
Y1 2 1 0’5 0’5 1 0
Y1t = β12 Y2t + α11 X1t + u1t , Y 2 8 2 1 2 4
Y3 1 0 0 2
Y2t = β21 Y1t + α21 X1t + α22 X2t + u2t , X1 1 0 0
Y3t = β31 Y1t + β32 Y2t + α33 X3t + u3t . X2 2 0
X3 2

a) Identifique el modelo.
b) Estime la primera ecuación del modelo por el método que considere más oportuno.
c) Suponiendo que 2β31 = β32 , indique de forma razonada el método que utilizarı́a para
estimar la tercera ecuación.

19
En este caso se tiene claramente que:
   
−1 β21 β31 α11 α21 0
Γ =  β12 −1 β32  , B= 0 α22 0 ,
0 0 −1 0 0 α33
por lo que:  
−1 β21 β31

 β12 −1 β32 

 0 0 −1 
A= .

 α11 α21 0 

 0 α22 0 
0 0 α33
A partir de la matriz anterior, teniendo en cuenta que N = 3 = k, identifiquemos cada una de las
ecuaciones anteriores:
 
0 −1 
N1 = 2 → N1 − 1 = 1
A1 =  α22 0  −→ rg(A1 ) = 2 = N − 1, → k − k1 > N1 − 1,
k1 = 1 → k − k1 = 2
0 α33
  
0 −1 N2 = 2 → N2 − 1 = 1
A2 = −→ rg(A2 ) = 1 < N − 1, → k − k2 = N2 − 1,
0 α33 k2 = 2 → k − k2 = 1
  
α11 α21 N3 = 3 → N3 − 1 = 2
A3 = −→ rg(A3 ) = 2 = N − 1, → k − k3 = N3 − 1.
0 α22 k3 = 1 → k − k3 = 2
Se tiene que la primera ecuación es sobreidentificada, la segunda subidentificada y la tercera exactamente
identificada. Por tanto, el modelo es subidentificado.
En función de la identificación realizada, el método idóneo para estimar la primera ecuación es el de
mı́nimos cuadrados en dos etapas. Esto es:
 −1
δb1,M C2E = Zb1t Z
b1 Zb1t y1 ,
 
donde Zb1 = Yb2t X1t e y1 = Y1t .

Para obtener la expresión de Yb2t es necesario calcular la estimación de la forma reducida:

 −1  0   0 
1 0 0 05 1 0 05 1 0
b = (X t X)−1 X t Y =  0 2 0  ·  1 2 0  =  00 5
Π 1 0 .
0 0 2 0 4 2 0 2 1

En tal caso: Yb2t = X1t + X2t + 2X3t .

Entonces, a partir de:

Y2t X1t  Y1t 

b
Zb1t Z
b1 = Yb2t a b y Zb1t yb1 = Yb2t c
X1t b 1 X1t 00 5
t
donde, teniendo en cuenta que Xit Xjt = 0, ∀i 6= j, se tiene que:
a = Yb2tt Yb2t = (X1t + X2t + 2X3t )t (X1t + X2t + 2X3t ) =
t t t
= X1t X1t + X2t X2t + 4X3t X3t = 1 + 2 + 4 · 2 = 11,
b = Yb2tt X1t = (X1t + X2t + 2X3t )t X1t = X1t
t
X1t = 1,
c = Yb t Y1t
2t = (X1t + X2t + 2X3t )t Y1t
t
= X1t t
Y1t + X2t t
Y1t + 2X3t Y1t = 00 5 + 1 + 2 · 0 = 10 5.

20
 Entonces:
 −1  0 
11 1 15
δb1,M C2E =
1 1 00 5
  0   0 
1 1 −1 15 01
= · = .
10 −1 11 00 5 00 4

Por tanto, la estimación por MC2E de la primera ecuación es:

Yb1t = 00 1Y2t + 00 4X1t .

Finalmente, para decidir qué método usar para estimar la ecuación tercera con la restricción 2β31 = β32
hay que identificarla. Usaremos por tanto identificación bajo restricciones lineales, de manera que:
 
0 0 0 1 0 0
Φ3 =  0 0 0 0 1 0  ,
2 −1 0 0 0 0
donde se ha tenido en cuenta también que en dicha ecuación no aparecen las variables X1t y X2t .
Entonces, como rg(Φ3 ) = 3 > 2 = N − 1 y rg(Φ3 · A) = 2 = N − 1 ya que
   
α11 α21 0 α11 α21 0
Φ3 · A =  0 α22 0 = 0 α22 0 .
−2 − β12 2β21 + 1 2β31 − β32 −2 − β12 2β21 + 1 0

Por tanto, la ecuación está sobreidentificada y entonces el método adecuado para su estimación es el
de mı́nimos cuadrados en dos etapas.
12. Dado el siguiente modelo de ecuaciones simultáneas, junto a su correspondiente informa-
ción muestral:
Y1 Y2 Y3 X1 X2 X3
Y1 2 0 5 0’5 1 0
Y1t = β11 Y2t + β12 X1t + u1t , Y 2 0 6 2 1’5 2 1
Y3 5 2 1 0 5 2
Y2t = β21 Y1t + β22 X2t + β23 X3t + u2t , X1 0’5 1’5 0 1 0 0
Y3t = β31 Y1t + β32 Y2t + β33 X3t + u3t . X2 1 2 5 0 2 0
X3 0 1 2 0 0 2
a) Identifique el modelo suponiendo que β32 = −2β33 .
b) Estime la primera ecuación por MC2E.
c) Estime la segunda ecuación por MCI.
En este caso, la expresión matricial de la forma estructural es:
   
−1 β21 β31 β12 0 0
(Y1t Y2t Y3t ) ·  β1 −1 β32  + (X1t X2t X3t ) ·  0 β22 0  + (u1t u2t u3t ) = (0 0 0),
0 0 −1 0 β23 β33
por lo que:  
−1 β21 β31

 β1 −1 β32 

 0 0 −1 
A= .

 β12 0 0 

 0 β22 0 
0 β23 β33

21
Entonces ya tenemos las herramientas necesarias para identificar el modelo. Puesto que se nos impone
una restricción lineal, β32 = −2β33 , usaremos los métodos conocidos bajo restricciones lineales.
Ası́, la primera y tercera ecuación son sobreidentificadas ya que:
 
0 0 1 0 0 0
Φ1 =  0 0 0 0 1 0  → rg(Φ1 ) = 3 > 2 = N − 1,
0 0 0 0 0 1
 
0 0 −1
Φ1 · A =  0 β22 0  → rg(Φ1 · A) = 2 = N − 1.
0 β23 β33
 
0 0 0 1 00
Φ3 =  0 0 0 0 10  → rg(Φ3 ) = 3 > 2 = N − 1,
0 1 0 0 02
   
β12 0 0 β12 0 0
Φ3 · A =  0 β22 0 = 0 β22 0  → rg(Φ3 · A) = 2 = N − 1.
β11 2β23 − 1 β32 + 2β33 β11 2β23 − 1 0

Mientras que la segunda es exactamente identificada:

 
0 0 1 0 0 0
Φ2 = → rg(Φ2 ) = 2 = N − 1,
0 0 0 1 0 0
 
0 0 −1
Φ2 · A = → rg(Φ2 · A) = 2 = N − 1.
β12 0 0

Por tanto, el modelo es sobreidentificado.

Adviértase que en la primera ecuación se ha tenido en cuenta que no aparecı́an las variables Y3t , X2t y
X3t , en la segunda faltan Y3t y X1t , y en la tercera, además de la restricción lineal, faltan las variables
X1t y X2t .
Para identificar la primera ecuación por MC2E antes es necesario estimar la forma reducida:
−1  0
10 5
  0
0 5 10 5
 
1 0 0 05 0 0
b = (X t X)−1 X t Y =  0
Π 2 0  · 1 2 5  =  00 5 1 20 5  .
0 0 2 0 1 2 0 00 5 1

En tal caso, el estimador será:

 −1
δb1,M C2E = Zb1t Z
b1 Zb1t y1 ,
 
donde Zb1 = Yb2t X1t e y1 = Y1t con Yb2t = 10 5X1t + X2t + 00 5X3t .
Entonces, a partir de:

Y2t X1t  Y1t 

b
Zb1t Z
b1 = Yb2t a b y Zb1t yb1 = Yb2t c
X1t b 1 X1t 00 5

22
 t
donde, teniendo en cuenta que Xit Xjt = 0, ∀i 6= j, se tiene que:

a = Yb2tt Yb2t = (10 5X1t + X2t + 00 5X3t )t (10 5X1t + X2t + 00 5X3t ) =
= 10 52 X1t
t t
X1t + X2t X2t + 00 52 X3t
t
X3t = 20 25 · 1 + 2 + 00 25 · 2 = 40 75,
b = Yb2tt X1t = (10 5X1t + X2t + 00 5X3t )t X1t = 10 5X1t
t
X1t = 10 5 · 1 = 10 5,
c = Yb t Y1t
2t = (10 5X1t + X2t + 00 5X3t )t Y1t
= 10 5X1t
t t
Y1t + X2t Y1t + 00 5X3t
t
Y1t = 10 5 · 00 5 + 1 + 00 5 · 0 = 10 75.

Entonces:
−1 
40 75 10 5 10 75
 
δb1,M C2E =
10 5 1 00 5
00 4 −00 6 10 75 00 4
    
= = .
−00 6 10 9 00 5 −00 1

Por tanto, la estimación por MC2E de la primera ecuación es:

Yb1t = 00 4Y2t − 00 1X1t .

Para estimar la segunda ecuación por MCI simplemente hay que resolver el sistema:
 0
0 5 10 5 0
    
β21 0
 00 5 1 20 5  ·  −1  = −  β22  ,
0 00 5 1 0 β23

es decir:

00 5β21 − 10 5 = 0 → β21 = 3,
00 5β21 − 1 = −β22 → β22 = 1 − 00 5 · 3 = −00 5,
0
−0 5 = −β23 → β23 = 00 5.

Entonces: Yb2t = 3Y1t − 00 5X2t + 00 5X3t .

13. Consideremos el siguiente modelo de ecuaciones simultáneas:

Y1t = γ21 Y2t + β11 X1t + β21 X2t + u1t ,

Y2t = γ12 Y1t + β32 X3t + u2t .

Y supongamos que se han obtenido la siguiente información muestral:

Y1 Y2 X1 X2 X3
Y1 12 6 3 0 2
Y2 6 16 2 4 1
X1 3 2 4 0 2
X2 0 4 0 1 1
X3 2 1 2 1 3

Se pide estimar el modelo.

23
Se deduce claramente que se tienen dos variables endógenas (N=2: Y1 e Y2 ), tres predeterminadas (k=3:
X1 , X2 y X3 ) y que
 
12 6
Y TY = ,
6 16
 
3 0 2
Y TX = ,
2 4 1
 
4 0 2
XT X =  0 1 1  .
2 1 3

Aunque como se ha comentado, MCO se puede aplicar a ecuaciones no identificadas, vamos previamente
a identificar el modelo.
Para ello escribimos matricialmente la forma estructural
 
  β11 0
−1 γ12
(Y1t , Y2t ) + (X1t , X2t , X3t )  β21 0  + (u1t , u2t ) = (0, 0),
γ21 −1
0 β32

de donde se obtiene que  

−1 γ12

 γ21 −1 

A=
 β11 0 .

 β21 0 
0 β32

Pasamos a estudiar la identificación de cada ecuación usando los métodos de identificación por rango y
condición de orden:

Primera ecuación.
Usando el método de identificación por rango se tiene que rg (A1 ) = 1 siendo
 
Γ0
A1 = = β32 .
B0

Como N − 1 = 1, entonces la ecuación es identificable.

Usando la condición de orden, k − k1 = 3 − 2 = 1 = 2 − 1 = N1 − 1, se sigue que la ecuación
está exactamente identificada.
Segunda ecuación.
En esta ocasión    
Γ0 β11
A2 = = ,
B0 β21
por lo que rg (A2 ) = 1 = N − 1, y entonces la ecuación es también identificable.
Usando la condición de orden, k − k2 = 3 − 1 = 2 > 1 = 2 − 1 = N2 − 1, luego la ecuación
está sobreidentificada.

Una vez identificado el modelo, pasamos a su estimación por MCO ecuación a ecuación, para lo cual
tendremos en cuenta la siguiente expresión:

−1
δbh,M CO = ZTh Zh ZTh yh , (1)

para h = 1, 2.

24
Primera ecuación.
En este caso, (1) tiene la forma

−1
δb1,M CO = ZT1 Z1 ZT1 y1 , (2)

donde  
  Y2t
Y1
Z1 = =  X1t  , y1 = Y1t .
X1
X2t
Con ello:
Y2t X1t X2t
   Y1t
Y2t 16 2 4 Y2t 6
ZT1 Z1 = y ZT1 y1 =
X1t  2 4 0  X1t  3 .
X2t 4 0 1 X2t 0
Por tanto, (2) queda:
−1  
−40 5
     
16 2 4 6 4 −2 −16 6
1
δb1,M CO =  2 4 0   3  = −  −2 −6 8  3  =  3 .
4
4 0 1 0 −16 8 60 0 18

Esto es:  
(b
γ21 )M CO
−40 5
 
 βb 
δb1,M CO =   3 ,
  M CO  =
11

βb21 18
M CO
luego la ecuación estimada es:

Yb1t = −40 5Y2t + 3X1t + 18X2t .

Segunda ecuación.
Para la segunda ecuación, (1) tiene la forma

−1
δb2,M CO = ZT2 Z2 ZT2 y2 , (3)

donde    
Y2 Y1t
Z2 = = , y2 = Y2t .
X2 X3t
Con ello:
Y1t X3t  Y2t
ZT2 Z2 = Y1t 12 2 y ZT2 y2 = Y1t 6
.
X3t 2 3 X3t 1
Por tanto, (3) queda:
−1 
00 5
      
12 2 6 1 3 −2 6
δb2,M CO = = = .
2 3 1 32 −2 12 1 0

Esto es: !
(b
γ12 )M CO 00 5
 
δb2,M CO = = ,
βb32 0
M CO
luego la ecuación estimada es:
Yb2t = 00 5Y1t .

25
A continuación vamos a estimar por MCI el modelo anterior.
Recordemos que por este método sólo se pueden estimar las ecuaciones exactamente identificadas, luego
sólo podemos estimar la primera ecuación. Sin embargo, estimaremos las dos ecuaciones para ver que
realmente el método falla.
El primer paso es estimar la forma reducida, usando para ello la ecuación:

−1
b = XT X
Π XT Y, (4)

esto es
 −1  
4 0 2 3 2
Π
b =  0 1 1   0 4 
2 1 3 2 1
  0
20 5
  
2 2 −2 3 2 05
1
= 2 8 −4   0 4  =  −00 5 8 .
4
−2 −4 4 2 1 00 5 −4

Luego la estimación de la forma reducida es:

Yb1t = 00 5X1t − 00 5X2t + 00 5X3t ,

Yb2t = 20 5X1t + 8X2t − 4X3t .

La segunda etapa consiste en resolver el sistema de ecuaciones dado por:

b γh = −βbh ,
Πb h = 1, 2.

Primera ecuación.
Para la primera ecuación se tiene:

Πb
b γ1 = −βb1 ,

esto es:

00 5 20 5
   
  βb11
 −00 5 −1
8  = −  βb21  ,
γ
b21
00 5 −4 0

lo cual nos lleva al siguiente sistema de ecuaciones:

−00 5 + 20 5b
γ21 = −βb11 ,
0
0 5 + 8b
γ21 = −βb21 ,
0
−0 5 − 4b
γ21 = 0.

De forma que al resolverlo obtendremos γ

b1,M CI :

−00 125
 

γ
b1,M CI =  00 8125  ,
00 5

con lo que la ecuación estimada queda:

Yb1t = −00 125Y2t + 00 8125X1t + 00 5X2t .

26
 Segunda ecuación.
b γ2 = −βb2 queda:
Para la segunda ecuación Πb
 0
0 5 20 5
  
  0
 −00 5 8  γ b12
= − 0 ,
−1
00 5 −4 βb32
lo cual nos lleva al siguiente sistema de ecuaciones:
00 5 − 20 5b
γ12 = 0,
0
−0 5 − 8b
γ12 = 0,
0
0 5 + 4b
γ21 = −βb32 .
De forma que al resolverlo obtenemos dos soluciones distintas para γ
b12 :
γ
b12 = 5, b12 = −16.
γ
A continuación procedemos a estimar el sistema por MC2E. Recordemos que vimos que la primera
ecuación es exactamente identificada y la segunda sobreidentificada.
Como MC2E puede aplicarse tanto a ecuaciones exactamente identificadas como a sobreidentifica-
das, vamos a aplicarle dicho método a ambas ecuaciones. Ası́ de esta forma comprobaremos que para
ecuaciones exactamente identificadas los métodos de MCI y MC2E coinciden.
Pasamos a estimar cada ecuación usando:
 −1
δbh,M C2E = ZbT Z
bh b T yh ,
Z (5)
h h
 
bh = Y
donde Z b h Xh para h = 1, 2.

Primera ecuación.
Tras la estimación de la forma reducida se tiene que:
Y1t = γ21 Yb2t + β11 X1t + β21 X2t ,
 T
b 1 = Yb2t |X1t , X2t
donde Z e y1 = Y1t .
Con ello:
Y X1t X  Y1t
b2t 2t
Yb2t a b c Yb2t d
ZT1 Z1 =  b y ZT1 y1 =  3 ,
X1t 4 0  X1t
X2t c 0 1 X2t 0
A continuación calcularemos a, b, c y d:
T
a = Yb2tT Yb2t = (20 5X1t + 8X2t − 4X3t ) (20 5X1t + 8X2t − 4X3t )
= (20 5)2 · X1t
T
X1t + 82 · X2t
T
X2t + 42 · X3t
T
X3t + 2 · 20 5 · 8 · X1t
T
X2t
−2 · 20 5 · 4 · X1t
T T
X3t − 2 · 8 · 4 · X2t X3t
60 25 · 4 + 64 · 1 + 16 · 3 + 40 · 0 − 20 · 2 − 64 · 1 = 33,
=
T
b = Yb2tT X1t = (20 5X1t + 8X2t − 4X3t ) X1t
20 5 · X1t
= T T
X1t + 8 · X2t T
X1t − 4 · X3t X1t = 20 5 · 4 + 8 · 0 − 4 · 2 = 2,
T
c = Yb2tT X2t = (20 5X1t + 8X2t − 4X3t ) X2t
20 5 · X1t
= T T
X2t + 8 · X2t T
X2t − 4 · X3t X2t = 20 5 · 0 + 8 · 1 − 4 · 1 = 4,
T
d = Yb2tT Y1t = (20 5X1t + 8X2t − 4X3t ) Y1t
= 20 5 · X1t
T T
Y1t + 8 · X2t T
Y1t − 4 · X3t Y1t = 20 5 · 3 + 8 · 0 − 4 · 2 = −00 5.

27
Por tanto:
−00 5
   
33 2 4
ZT1 Z1 =  2 4 0  , ZT1 y1 =  3  .
4 0 1 0
Y con ello:
−1 
−00 5
 
 −1 33 2 4
δb1,M C2E = ZbT Z b T y1 =  2 4 0   3 
Z
1 1
b
1
4 0 1 0
0
−00 125
    
4 −2 −16 −0 5
1 
= −2 17 8   3  =  00 8125  ,
64
−16 8 128 0 00 5
esto es
Yb1t = −00 125Y2t + 00 8125X1t + 00 5X2t ,
que coincide con la expresión obtenida al estimar la primera ecuación por MCI.
Segunda ecuación.
Tras la estimación de la forma reducida se tiene que:
Y2t = γ12 Yb1t + β32 X3t ,
 T
b 2 = Yb1t |X3t
donde Z e y2 = Y2t .
Con ello:

Y1t X3t  Y2t

b
ZT2 Z2 = Yb2t a b y ZT2 y2 = Yb1t c
.
X3t b 3 X3t 1
A continuación calcularemos a, b y c:
T
a = Yb1tT Yb1t = (00 5X1t − 00 5X2t + 00 5X3t ) (00 5X1t − 00 5X2t + 00 5X3t )
= (00 5)2 · X1t
T
X1t + (00 5)2 · X2t
T
X2t + (00 5)2 · X3t
T
X3t
−2 · 00 5 · 00 5 · X1t
T
X2t + 2 · 00 5 · 00 5 · X1t
T
X3t − 2 · 00 5 · 00 5 · X2t
T
X3t
00 25 · 4 + 00 25 · 1 + 00 25 · 3 − 00 5 · 0 + 00 5 · 2 − 00 5 · 1 = 20 5,
=
T
b = Yb1tT X3t = (00 5X1t − 00 5X2t + 00 5X3t ) X1t
00 5 · X1t
= T
X3t − 00 5 · X2t
T
X3t + 00 5 · X3t
T
X3t = 00 5 · 2 − 00 5 · 1 + 00 5 · 3 = 2,
T
c = Yb1tT Y2t = (00 5X1t − 00 5X2t + 00 5X3t ) X2t
= 00 5 · X1t
T
Y2t − 00 5 · X2t
T
Y2t + 00 5 · X3t
T
Y2t = 00 5 · 2 − 00 5 · 4 + 00 5 · 1 = −00 5.

Por tanto,
20 5 2 −00 5
   
ZT2 Z2 = , ZT2 y2 = .
2 3 1
Y con ello:
 0 −1 
−00 5
−1 
25 2

Tb
δb2,M C2E = Z2 Z2
b Z2 y 2 =
b
2 3 1
0
    
1 3 −2 −0 5 −1
= 0 = ,
35 −2 2 5 1 1

b12,M C2E = −1 y βb32,M C2E = 1, y por tanto, la segunda ecuación estimada por MC2E es
esto es γ

Yb2t = −Y1t + X3t .

28
Finalmente, volvamos a estimar el modelo usando la siguiente expresión equivalente del estimador por
MC2E:

b T XT Yh YT Xh −1 Π
   
Π b T XT y h
δbh,M C2E = h h h . (6)
XTh Yh XTh Xh XTh yh

Para poder aplicar dicha expresión necesitamos recordar que

 0
0 5 20 5

b =  −00 5 8  .
Π
00 5 −4

Para la primera ecuación se tiene que Yh = Y2t , Xh = (X1t X2t ), X = (X1t X2t X3t ) e yh = Y1t . En
tal caso:  T     
X1t Y2t 2 2
X T Yh =  X2t T
Y2t  =  4  =⇒ Π b T X T Yh = (20 5 8 − 4) ·  4  = 33,
T
X2t Y2t 1 1
 T   
T T T T X1t Y1t 3
Yh Xh = (Y2t X1t Y2t X2t ) = (2 4), Xh yh = T = ,
X2t Y1t 0
 T T
  
X1t X1t X1t X2t 4 0
XhT Xh = T T = ,
X2t X1t X2t X2t 0 1
 T     
X1t Y1t 3 3
X T yh =  X2tT
Y1t  =  0  =⇒ Π b T X T Yh = (20 5 8 − 4) ·  0  = −00 5,
T
X2t Y1t 2 2

donde se ha tenido en cuenta que Π b h representa el estimador MCO de los parámetros de la forma
reducida de la regresión entre las variables endógenas que hay en el segundo miembro de la ecuación h
y todas las variables predeterminadas.
Entonces, la expresión (6) para la primera ecuación queda expresada como
−1 
−00 5 −00 125
   
33 2 4
δb1,M C2E = 2 4 0   3  =  00 8125  .
4 0 1 0 00 5

Para la segunda ecuación se tiene que Yh = Y1t , Xh = X3t e yh = Y2t . En tal caso:
 T     
X1t Y1t 3 3
X T Yh =  X2tT
Y1t  =  0  =⇒ Π b T X T Yh = (00 5 − 00 5 00 5) ·  0  = 20 5,
T
X2t Y1t 2 2

YhT Xh = Y1tT X3t = 2, XhT Xh = X3tT

X3t = 2, XhT yh = X3t T
Y2t = 1,
 T     
X1t Y2t 2 2
X T yh =  X2tT
Y2t  =  4  =⇒ Π b T X T Yh = (00 5 − 00 5 00 5) ·  4  = −00 5.
T
X2t Y2t 1 1

Entonces, la expresión (6) para la segunda ecuación queda expresada como

−1 
20 5 2 −00 5
   
−1
δb2,M C2E = = .
2 3 1 1

29