Modelo de Ec. Simultaneas

Facultad de Economía UNMSM
Econometría I
Modelo de Ecuaciones simultáneas
Mg. Beatriz Castañeda S.

g variables endógenas: Y1, Y2, …..Yg
Sea el modelo con:
k variables exógenas: X1, X2, …..XK
Y1i  0Y1i   12Y2i  ...   1 gYg   10   11 X 1i  ...   1k X ki   1i
Y2 i   21Y1i  0Y2 i  ...   2 gYg   20   21 X 1i  ...   2k X ki   2i

................
Ygi   g1Ygi   g 2Y2 i  ...  0Yg   g 0   g1 X 1i  ...   gk X ki   gi
 y h1   y11 y 21 ... y g1   h1   1 x11 ... x k 1    h 0    h1 

y  y y 22 ... y g 2    
... x k 2      
Para la  h 2    12  h 2    1 x12  h1    h 2 
 ...   ... ... ... ...   ...  ... ... ... ...   ...   ... 
ecuación h            
 y hn   y1n y2 n ... y gn   hg   1 x1n ... x kn    hk   hn 
Yh  Y h  X  h   h
Mg. Beatriz Castañeda ECONOMETRIA I 2
Escribimos el modelo en forma matricial y conjunta para todas las ecuaciones
 y11 y21 ... y g1   y11 y21 ... y g1   11  21 ...  g1   1 x11 ... xk 1    10  20 ...  g1   11  21 ...  g1 
y y g 2   y12 y g 2   12  g 2   1   g 2   12  g 2 
 12 y22 ... y22 ...  22 ... x12 ... xk 2    11  21 ...  22 ...
  
 ... ... ... ...   ... ... ... ...   ... ... ... ...  ... ... ... ...   ... ... ... ...   ... ... ... ... 
         
 y1n y2 n ... y gn   y1n y2 n ... y gn   1 g  2g ...  gg   1 x1n ... xkn    1k  2k ...  gk   1n  2n ...  gn 
Y
1 Y2  
... Yg  Y1 Y2 
... Yg 1 2 
... g  1 X 1 ... X k   1   
 2 ...  g   1  2 ...  g 
Y Y   X    Forma estructural del modelo

Y Y   X    Reescribimos el modelo y
Y ( I  )  X    despejamos Y en función
de las variables exógenas
Y  X  ( I   ) 1   ( I   )  1
Forma reducida Y  X   * ˆ  ( X ´ X )1 X Ý

Supuestos del modelo
1. Las variables exógenas son fijas, no colineales y
no están correlacionadas con las perturbaciones.
2. La perturbación de cada ecuación tiene E( h) = 0 y
V( h)=  2h constante para todas las observaciones
3. No existe correlación entre perturbaciones de
observaciones diferentes.
4. Aunque exista correlación contemporánea entre
perturbaciones de ecuaciones diferentes, estas
son constantes para todas las observaciones
muestrales (homocedasticidad interecuaciones)
5. Si existen “ecuaciones de definición o
identidades” estas se consideran eliminadas por
sustitución.
1 2 g
  11  21 ...  g 1 
  22 ...  g 2 

12 t
 ... ... ... ... 
 
 1n  2n ...  gn 
Matriz de covarianzas de las perturbaciones de la ecuación 1 ( 11 I )
   11    E ( 11 2
) E ( 11 12 ) ... E ( 11 1n )  11 0 ... 0 
       
E (  ) E (  2
) ... E ( 12 1n )  0  11 ... 0
E ( 1 1 )  E      11 ...  1n     
' 12
 12 12 11 12

  ...    ... ... ... ...   ... ... ... ...
      
  1n    E ( 1n 11 ) E ( 1n 12 ) ... E ( 12n )   0 0 ...  11 
Matriz de covarianzas contemporáneas de las perturbaciones de las ecuaciones ()

   1t    E ( 12t ) E ( 1 t  2 t ) ... E ( 1t  gt )   11  12 ..  1 g 
      
  2t

E ( t  t )  E     1t
'
 ... 
 2t ...  gt    E ( 2 t  1t )
 ...
E ( 22t )
...
... E ( 2t  gt )  21  22
... ...
   ... ...
..  2 g 
.. ..  =
      
  gt    E ( gt  1t ) E ( gt  2 t ) ... E ( gt2
)   g1  g 2 ..  gg 


Modelo de oferta y demanda
Qd   0  1 P   2Y   1 Qd: demanda; Qs: oferta;

Qs   0   1 P   2 Z   2
P: Precio; Y: renta;
Qd  Qs  Q ( equilibrio de mercado )
Z: precio de un bien
relacionado
Q  1 P   0   2Y   1 Q  1 P   0   2Y   1
Q  1 P   0   2 Z   2 Q  1 P   0   2 Z   2
Luego
 0 0 
 1 1   
Q P    1 Y Z  2 0    1  2 
  1  1 
 0  2 

 0 0    1 1    1 1 
   1   1 1   1   1   1 1   1 
Q P   1 Y Z   2 0  
1
   1 2  
1

 0  2   1   1 
 1   1 1   1 
  1   1 1   1  
  0  1   1  0  0  0 
 1  1 1   1 
Q P   1 Y

Z 
 2  1
1  1
 2
1   1
 *
 1  *2 
 1 2 2 
   1   1 
 1 1 
  21
1   2  ( 1   1 )  32
 0  1   1  0  0  0  22
 11  1  1
 12  1   1  31  2  ( 1  1 )  22
1 
 2  1  2  32
 21  1  1
 22  1   1
 0  ( 11   1 12 )
1 2 2
 31  1  1
 32  1  1  0   0  ( 1   1 )  12

El problema de identificación
El problema de identificación pretende establecer si las estimaciones numéricas de
los parámetros de una ecuación estructural pueden ser obtenidos de los coeficientes
estimados de la forma reducida
Ecuación estructural
Coeficientes pueden ser obtenidos de los

coef. estimados de la forma reducida
Si No
La ecuación La ecuación no
está identificada está identificada
Exactamente
si puede obtenerse valores únicos
Sobreidentificada
de los parámetros estructurales si puede obtenerse más de un valor de
alguno de los parámetros estructurales

Reglas para la identificación:
Condición de orden
g = nº de variables endógenas en el modelo
gi = nº de variables endógenas en la ecuación
Sea un modelo con:
k = nº de variables exógenas en el modelo
ki = nº de variables exógenas en la ecuación
Def. 1: En un modelo de g ecuaciones simultáneas, para que una ecuación esté

identificada debe haber al menos g -1 variables excluidas entre variables
endógenas y exógenas del total de variables que aparecen en el modelo
< g -1 Ecuación subidentificada
Nº variables excluidas = g -1 Es posible que la ecuación esté

exactamente identificada
> g -1 Ecuación posiblemente

sobreidentificada

Condición de orden
Def. 2: En un modelo de g ecuaciones simultáneas, para que una

ecuación esté identificada el nº de variables exógenas excluidas no
debe ser menor que el nº de variables endógenas incluidas como
variables explicativas en la ecuación, es decir, K – ki  gi - 1
< gi - 1 Ecuación subidentificada
Si K – ki = gi - 1 Es posible que la ecuación esté

exactamente identificada
> gi - 1 Ecuación posiblemente

sobreidentificada
k  ki  gi  1 g i*  k  k i  g i*  g i  1  g  1
Variables excluidas gi*: v. endógenas excluidas

Condición de rango
En un modelo de g ecuaciones simultáneas con g variables endógenas, una ecuación

está identificada si y sólo sí puede construirse por lo menos un determinante  0 de
orden (g -1) x (g –1) a partir de los coeficientes de las variables excluidas de la
ecuación, pero incluidas en las otras ecuaciones del modelo.
Estas dos condiciones se resumen en el siguiente criterio de clasificación

De acuerdo a la condición de orden, una ecuación está:
1. Subidentificada si k – ki < gi – 1
2. Posiblemente identificada, si k – ki  gi – 1
y en este caso, de acuerdo a la condición de rango, la ecuación está:
a) Sobreidentificada si k – ki > gi – 1 y Rango (A*) = g – 1
b) Exactamente identificada si k – ki = gi – 1 y Rango (A*) = g – 1
c) No identificada si k – ki  gi – 1 y Rango (A*) < g – 1
A* : matriz de coeficientes de las variables excluidas

Identificación de ecuaciones
Sea el modelo:
Y1t   21 Y2 t   31 Y3 t   11 X 1t   31 X 3 t   41 X 4 t   1t  0
 Y2 t   32 Y3 t   22 X 2 t   41 X 4 t   2 t  0
 Y3 t   23 Y2 t   13 X 1t   23 X 2 t   43 X 4 t   3 t  0
A
1 0 0 
 
  21 1  23 
  31  32 1
 
Y1 Y2 Y3 X1 X2 X3 X4    11 0  13     1  2  3    0 0 0
 0  22  23 
 
  31 0 0 

  41  42  43 
A1 A2 A3

Ecuación 1: g1 = 3; k1 = 3
K – k1 = 1 < g1 – 1 = 2 Ecuación subidentificada
 1 0 0  Ecuación 2: g2 = 2; k2 = 2

  21 1  23  K – k 2 = 2 > g2 – 1 = 1
Ecuación posiblemente
  31  32 1 sobreidentificada
   1 0 
A    11 0  13  
A*    11  13  (A*) = 2 = g -1
 0  22  23    31 0  Ecuación sobreidentificada
 
  31 0 0 
  42  43 
 41
Ecuación 3: g3 = 2; k3 = 3
A1 A2 A3
K – k3 = 1 = g 3 – 1 = 1 Ecuación posiblemente
identificada
g=3  1 0
A*   (A*) = 1 < g -1

k=4   31 0
Ecuación subidentificada

Restricciones lineales homogéneas
Sea el modelo:
Donde:
Aj: Vector de coeficientes
 
Y X       0 ; sujeto a  A j  0q
de la ecuación j
q: nº de restricciones
  homogéneas
g: nº de variables endógenas
De acuerdo a la condición de orden, una ecuación está:

1. Subidentificada si q < g – 1
2. Posiblemente identificada, si q  g – 1
y en este caso, de acuerdo a la condición de rango, la ecuación está:
a) Sobreidentificada si q >g–1y ( A) = g – 1
b) Exactamente identificada si q = g – 1 y ( A) = g – 1
c) No identificada si q  g – 1 y ( A) < g – 1

Identificación de ecuaciones con restricciones
lineales homogéneas
Sea el modelo:
Y1t   21 Y2t   31 Y3t   11 X 1t   31 X 3t   41 X 4t   1t  0 Sujeto a
 Y2t   32 Y3t   22 X 2t   41 X 4t   2t  0  31 = 3  11
 Y3t   23 Y2t   13 X 1t   23 X 2t   43 X 4t   3t  0
 1 0 0  Ecuación 1 Restricciones: q=2=g–1


  21 1  23 
  21 = 0 0 0 0 0 1 0 0
  31  32 1 
  
A    11 0  13   31 = 3  11 0 0 0  3 0 1 0
 0  22  23 
 
  31 0 0   0  22  23 

 41  42  43 
  A   ( A) = 2 = g-1
  3  11   31 0  3  13 
A1 A2 A3
La ecuación está exactamente identificada

Identificación con restricciones lineales
Observaciones
• Cuando las restricciones se refieren solo a restricciones

de exclusión, entonces, el análisis equivale a comparar
v. exógenas excluidas con v. endógenas incluidas como
explicativas y obtener el rango de la submatriz de
coeficientes de las variables excluidas en la ecuación
pero incluidas en las otras ecuaciones.
• Si las restricciones son no homogéneas, es decir, las

restricciones tienen constante no nula, por ejemplo:
2+ 33 =5, entonces en el análisis se debe comparar
(A) con g

Identificación de ecuaciones no homogéneas
Y1t   01   21 Y2 t   11 X 1t   1t Sujeto a
Y2 t   02   12 Y1t   22 X 2 t   32 X 3 t   2 t  22 +  32 = 1
 1  12  Ecuación 1
  Restricciones: q=2>g–1
  21 1
  01  02   21 = 0
Y1 Y2 1 X1 X2 X3     1  2   0  0 0 0 0 1 0

  11 0  
0 0 0 0 0 1 
 0  31 = 0
 22 
  0  22 
 0  32   A  ( A) = 1 = g-1
0  32 
La ecuación está sobreidentificada

Ecuación 2
Restricciones: q=2=g
 12 = 0  0 0 0 1 0 0  0 La ecuación está
    A   11  ( A) = 2 = g exactamente
 22+  32 = 1 0 0 0 0 1 1  0 1
identificada

Estimación
Debido a que existen correlaciones contemporáneas no nulas

entre las perturbaciones de ecuaciones diferentes, no es
apropiado aplicar al modelo estructural MCO para obtener las
estimaciones de sus coeficientes, pues bajo estas
circunstancias el estimador de MCO es sesgado e
inconsistente.
Métodos de estimación:
1. MCI: Mínimos cuadrados indirectos.
2. Variables instrumentales.
3. MC2E: Mínimos cuadrados en dos etapas.
4. MC3E: Mínimos cuadrados en tres etapas con información
incompleta.
5. MC3E: Mínimos cuadrados en tres etapas con información
completa.
6. Máxima verosimilitud.

Estimación por MCI
Este es un método valido únicamente para ecuaciones exactamente
identificadas, consiste en estimar por MCO los parámetros de la forma reducida
y luego se despejan los coeficientes de la ecuación en su forma estructural, a
estos estimadores se denomina estimadores de MCI.
Como en la forma reducida cada variable endógena es explicada sólo por las
variables exógenas (que son predeterminadas), entonces, el estimador de MCO
de los coeficientes en la forma reducida es insesgado, consistente y eficiente. El
estimador de MCI es un estimador consistente de los coeficientes de la forma
estructural.
Y Y   X    Forma estructural del modelo

1 1
Y  X  ( I  )   ( I  )
Y  X  *
  ( X ´ X ) 1 X Ý

Estimación por MCI
Y1t   21 Y2 t   11 X 1t   21 X 2 t   1t
Y2 t   12 Y1t   32 X 3 t   2 t
Se cuenta con la matriz de covarianzas

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
 2 1 2 1 3
X3  

Modelo en forma estructural Ecuac. 1. q =1 = g -1
 A   0  32  ( A) = 1= g -1
Y1t   21 Y2 t   11 X 1t   21 X 2 t   1t Ecuac. Exact. identificada
Y2 t   12 Y1t   32 X 3 t   2 t
Ecuac. 2. q =2 > g -1
 A   11
 0
  21 0

( A) = 1= g -1
Modelo en forma reducida Ecuac. sobreidentificada

Y1t   21 Y2 t   11 X 1t   21 X 2 t   1t
Y2 t   12 Y1t   32 X 3 t   2 t
  11 0 
 1   12   
Y1 Y2      X1 X2 X3   21 0    1 2
   21 1 
 0  31 
  11 0   1  12 
Y1 Y2    X 1 X2 X3

  21
 1  
0    12 21
 21
1  12 21 
1 

  *1  *2 
 0  31   1 12 21 1  12 21 

1
 4 0 2  3 2  1 / 2 5 / 2 
     
  ( X ´ X ) 1 X Ý   0 1 1  0 4 
   1/ 2 8 
 2 1 3  2 1  1 / 2  4
 11
ˆ 11  1  12  21
 1/ 2
Coef. ecuac. 1:  21 ,  11 ,  21
 21 ˆ 31
ˆ 21  1  12  21
 1 / 2
ˆ 21   1 / 8 ˆ 21  ˆ 21  ˆ 22 ˆ 21  1 / 2
ˆ 32
 32  21
ˆ 31  1  12  21
 1/ 2 ˆ11  ˆ 11  ˆ 12 ˆ 21  13 / 16
 11  12
ˆ 12  1  12  21
 5/2 Coef. ecuac. 2:  12 ,  321
 21  12 ˆ ˆ 12
ˆ 22  8 ˆ12  22  16 ˆ12  5
1  12  21 ˆ 21 ˆ 11
 32
ˆ 32  1  12  21
 4 ˆ 32  ˆ 32  ˆ 31 ˆ12  4 ˆ 32  ˆ 32  ˆ 31 ˆ12  13 / 2

Estimación por Variables instrumentales
En el modelo estructural para explicar a cada variable endógena participan, también,
algunas de las otras variables endógenas lo cual genera un problema de correlación
entre las variables explicativas con los términos perturbación.
Un método consistente y mas eficiente que el MCI es utilizar variables

instrumentales (VI) y es aplicable a ecuaciones identificadas (exactamente o
sobreidentificadas).
En el modelo de ecuaciones simultáneas se considera como v. instrumentales a las

variables exógenas excluidas de la ecuación que deseamos estimar.
Ejemplo
Entonces
Y1t   21 Y2 t   11 X 1t   21 X 2 t   1t para la ecuación 1 X3 sería v. inst de Y2 y
Y2 t   12 Y1t   32 X 3 t   2 t para la ecuación 2 X1 o X2 podrían ser v. inst
de Y1
Para la aplicación de VI se requiere que k - k i  gi - 1

Para que exista un número suficiente de instrumentos disponibles.
Variables instrumentales
Dado el modelo
 
Y Y   X    Y  Y X    
 
Para la ecuación 1 tenemos:
 1 
y1  Y1 1  X 1  1   1 y1  Y1 X1     1
 1 
Z1 A1
Sea
Z 1  Y1 X1  Matriz de variables explicativas en la ecuación

Z *1  Y1* X1  Matriz de variables instrumentales
Entonces:
Aˆ 1   Z 1*' Z1  1
Z 1*' y1

Estimador de variables instrumentales

Aˆ 1  Z 1*' Z 1  1
Z 1*' y1
La matriz de
V ( Aˆ 1VI )   11 ( Z 1*' Z 1 ) 1 ( Z 1*' Z *1 ) [( Z 1*' Z 1 ) 1 ]' covarianzas
asintótica del
estimador de VI
e1' e1  ˆ1 
ˆ 11  S11 
n  ( g1  k 1 )
e1  y1  Y1 X1  ˆ 
 1 
'
e1 e1  y y1  2 A1 Z y1  A1 Z Z1 Aˆ 1
'
1
ˆ ' ' ˆ ' '
1 1
Si la ecuación está exactamente identificada el estimador de VI

coincide con el estimador de MCI

EJEMPLO   21 
y1t   21 y 2 t   11 x1t   21 x 2 t   1t   y 2 x1 x2   11    1
 
 21 
  y1 x 3   12    2

y 2 t   12 y1t   32 x 3 t   2 t
 32 
Matriz de covarianzas Ecuación 1
Y1 Y2 X1 X2 X3 Z1   y2 x1 x2  Z *1   x 3 x1 x2 
Y1 12 6 3 0 2
Y2

6 16 2 4 1


Aˆ 1  Z 1*' Z 1  1
Z 1*' y1
X1 3 2 4 0 2 1
   ˆ 21   x 3' y 2 x 3' x1 x 3' x 2   x 3' y1 
X2 0 4 0 1 1
ˆ   '   ' 
 3   11    x1 y 2 x1' x1 x1' x 2   x1 y1 
X3 2 1 2 1 
 ˆ 21   x' y x 2' x1 x 2' x 2   x' y 
 2 2  2 1
1
 ˆ 21   1 2 1  2   1 / 4 1/ 8 1/ 4   2   1 / 8  La estimación de
 ˆ11   2 4 0  3   1 / 8 3 / 16 1 / 8   3  13 / 16  VI coincide con la
 ˆ   4 0 1
  0   1 1 / 2 0    0   1 / 2  de MCI
 21 

V ( Aˆ 1VI )   12 ( Z 1*' Z 1 ) 1 ( Z 1*' Z *1 ) [( Z 1*' Z 1 ) 1 ]'
Cuando se utiliza covarianzas e1' e1  ( n  1)( y1' y1  2 Aˆ 1' Z ' y1  Aˆ 1' Z ' Z1 Aˆ 1 )
1 1
6 16 2 4   1 / 8 
e1' e1     
n 1
 12  2  
1 / 8 13 / 16 1 / 2  3   1 / 8 13 / 16 1 / 2   2 4 0  13 / 16 
0  4 0 1  1 / 2 
    
e1' e1 24(10.8594 )
Asumiendo n = 25 ˆ 11  n( g  k )
 22
 11 .8594
1 1
12.386 
1 / 4 1 / 8 1 / 4  3 2 1  1 / 4 1/ 8 1   0.031  0.015  0.124
V ( Aˆ 1VI )  24 
1 / 8 3 / 16 1 / 8  2 4 0  1/ 8 3 / 16 1 / 2     0.015 0.131 0.062 
 1 1 / 2 0  1 0 1  1/ 4 1 / 8 0    0.124 0.062 0.988 

Estimador de mínimos cuadrados
en dos etapas MC2E
Se utiliza para estimar coeficientes de ecuaciones identificadas
(exactamente o sobreidentificadas).
El procedimiento de MC2E proporciona un único estimador que es la

combinación lineal óptima de los estimadores que podrían generarse por
VI.
Si la ecuación está exactamente identificada el estimador de MC2E

coincide con el estimador de VI y MCI
Procedimiento
1ª etapa: Construir una regresión auxiliar para cada variable endógena
incluida como explicativa en la ecuación en función de todas las
variables exógenas del modelo.

Estimador de MC2E
Ejemplo
y1  Y1 1  X 1  1   1
Y1  X   u1 , ˆ  ( X ' X ) 1 X 'Y1 Yˆ1  X ( X ' X ) 1 X 'Y1
Las predicciones de las variables de Y1 son tales que
1. Cada variable de Ŷ1 está correlacionada con la variable observada de Y1
ejemplo Y1   y 2 y3  Yˆ1   yˆ 2 yˆ 3   ( X ' X ) 1 X '  y 2 y3 
2. Las variables están incorrelacionadas con el término perturbación de la

ecuación por ser combinaciones lineales de las variables exógenas X

2ª etapa: En la ecuación original se remplaza las variables endógenas por
sus predicciones obtenidas con las regresiones auxiliares. Luego por
MCO se estiman los coeficientes de la ecuación.
 
y1  Yˆ1 1  X 1  1   1  Yˆ1  
X1  1   1
 1 
ˆ 1 
Sea 
X *  Yˆ1 X1  ˆ 
1  MC 2 E
 ( X *' X *) 1 X *' y1
 Yˆ 'Yˆ1 Yˆ1' X 1   Yˆ1' y1 

donde X *' X *   1'  X *' y1   ' 
'
 X 1 Yˆ1 X 1 X 1   X 1 y1 
  
Yˆ1'Yˆ1  Y1' X ( X ' X ) 1 X ' X ( X ' X ) 1 X 'Y1  Y1' X ( X ' X ) 1 X 'Y1
Yˆ1' X 1  Y1' X ( X ' X ) 1 X ' X 1  Y1' X 1 X 1 'Yˆ1  X 1 'Y1

1
ˆ 1  Y ' X ( X ' X ) 1 X 'Y1 Y1 X 1 
' Y ' X ( X ' X ) 1 X ' y1 
ˆ   1   1 
 1  MC 2 E  X '1 Y1 X '1 X 1   X '
y
1 1


Aˆ 1  Z 1' X ( X ' X ) 1 X ' Z 1  Z X(X' X )
1 '
1
1
X ' y1 
El estimador de MC2E es un caso especial de variables instrumentales donde:
Z 1  Y1 X1  
Z *1  Yˆ1 X1  Vector de variables instrumentales
1
 Yˆ 'Y1 Yˆ1' X 1   Yˆ ' y1   
 
ˆ1 
 1 ˆ1 
ˆ   Z 1*' Z 1 Z 1*' y1   1'   '   
1
 1   X 1 Y1 X '1 X 1   X 1 y1   ˆ1  MC 2 E
VI
El estimador de MC2E es un estimador consistente y es el de mínima varianza

entre los estimadores de VI, que utilizan como instrumentos combinaciones
lineales de las variables predeterminadas del modelo.

V ( Aˆ 1 MC 2 E )   11 ( Z 1*' Z 1 ) 1 ( Z 1*' Z *1 ) [( Z 1*' Z 1 ) 1 ]'
Como Z 1  Y1 X1  Z *1  Yˆ1 X1  X *
 Yˆ '
Y Yˆ1' X 1  * *
 Yˆ 'ˆ
Y Yˆ ' X 
*
Z1 ' Z1   '   Z1 ' Z1   '  Matriz
1 1
1 1 1 1
 X Yˆ
' ' simétrica
 X 1 Y1 X 1 X 1  1 1
X X 
1 1
Luego
V ( Aˆ 1 MC 2 E )   11 ( Z1*' Z1 )1   11 ( Z1' X ( X ' X )1 X ' Z1 )1
e1' e1  ˆ1 
ˆ 11  S11 
n  ( g1  k 1 )
e1  y1  Y1 X1  ˆ 
 1 
ˆ 1' Z ' y1  A
e1' e1  y ' y1  2 A ˆ 1' Z ' Z1 A
ˆ 1  y ' y1  A
ˆ 1' Z ' y1
1 1 1 1 1

Mínimos Cuadrados en tres etapas MC3E
Modelo de ecuaciones simultáneas
 y11 y21 ... y g1   y11 y21 ... y g1   11  21 ...  g1   1 x11 ... xk 1    10  20 ...  g1   11  21 ...  g1 
y y g 2   y12 y g 2   12  g 2   1   g 2   12  g 2 
 12 y22 ... y22 ...  22 ... x12 ... xk 2    11  21 ...  22 ...
  
 ... ... ... ...   ... ... ... ...   ... ... ... ...  ... ... ... ...   ... ... ... ...   ... ... ... ... 
         
 y1n y2 n ... y gn   y1n y2 n ... y gn   1 g  2g ...  gg   1 x1n ... xkn    1k  2k ...  gk   1n  2n ...  gn 
Y
1 Y2  
... Yg  Y1 Y2 
... Yg 1 2 
... g  1 X 1 ... X k   1   
 2 ...  g   1  2 ...  g 
Esta notación no recoge las restricciones nulidad de parámetros en cada ecuación y
no resulta útil para una solución generalizada de los estimadores de todos los
coeficientes del modelo, en su lugar consideramos la notación de variables apiladas
 1 
 y1   Z 1 0 00   a1   1 
y1  Z 1 a 1   1 y1  Y1 X1     1
        1 
 y2    0 Z2 00  a2 
  2 
 ...   ... ... ... ...   ...   ... 
       ........ ...
 y g   0 0 ... Z g  a g   g 
yg  Z g ag   g 
y g  Yg 
g 
Xg    g
Y* = Z* a* + *  g 
1 2 g
1 
    11  21 ...  g1 
 2  
 12  22 
...  g 2 
 *   t
 ...   ... ... ... ... 
   
 1n  2n ...  gn 
 g 
 1    E ( 1 1' ) E ( 1 2' ) ... E ( 1 g' )   11 I  12 I ...  1 g I 

      

  ... E ( 2 g' )  12 I  22 I ...  2 g I 
' '
  2  ' ' '   E (  ) E (  )
E ( *  *' )  E    ...  g    1 2 2 2

 ...  1 2 ... ... ... ...   ... ... ... ... 
      
  g  ... E ( g  g )  1 g I  2 g I ...  gg I 
' ' '
  E ( 1 g ) E ( 1 g )
 11  12 ..  1 g 
 
 21  22 ..  2 g 
Cov ( *)  E ( *  *' )    I '
  E ( t  t )  
 ... ... .. .. 
 
 g1  g 2 ..  gg 

Producto de Kronecker AB
Sean las matrices
 b11 b12 .. b1q   a11 B a12 B .. a1 n B 

 a11 a12 .. a1n   
    a 21 B a 22 B .. a 2 n B 
a 21 a 22 .. a 2 n  b21 b22 .. b2q  
A B A B 
 ... ... .. .. 
 ... ... .. ..   ... ... .. .. 
   
  a m1 B a m 2 B .. a mn B 
a m1 am 2 .. a mn  b p1 b p2 .. b pq 
Propiedades
1.  A  B  1  A 1  B 1
2.  A  B  '  A'  B '
3.  C  D   E  F   CE  DF

Estimador de mínimos cuadrados
en tres etapas MC3E
Este método se aplica para estimar coeficientes del modelo en su

conjunto o de un bloque de ecuaciones identificadas (exactamente
o sobreidentificadas).
Este método generaliza el método de MC2E en el sentido de tomar

en consideración las correlaciones contemporáneas de las
perturbaciones.
El estimador de MC3E puede interpretarse como un estimador en 3

etapas de las cuales las 2 primeras coinciden con las de MC2E y la
tercera consiste en estimar la matriz  a partir de los residuos de la
2ª etapa y aplicar luego MCG para la obtención de los estimadores
de los coeficientes.

MC3E - Procedimiento
1ª etapa: Por MCO se estima cada una de las variables Y en función de
todas las variables X
Y* = Z* a* + Y* = X*  + u*
 y1
*
  X 0 0 0   1  u1 
        ˆ  ( X *' X *) 1 X *'Y *
 y2    0 X 0 0  2    u2 
 ...   ... ... ... ...   ...   ... 
        Yˆ  X * ˆ  X * ( X *' X *) 1 X *'Y *
 y g   0 0 ... X   g   u g 
2ª etapa: Se estima los coeficientes de c/ecuac. Estructural, sustituyendo

las variables endógenas explicativas por sus estimaciones, obtenidas
en la 1ª etapa [Yˆ1 X 1 ] 0 0 0 
 
0 [Yˆ2 X 2 ] 0 0
W *  
Y* = W* a* + *  ... ... ... ... 
 
 0 0 ... 
[Yˆg X g ]

aˆ MC 2 E  Z *' X * ( X *' X *) X *' Z * 1
  Z*' X * ( X *' X *)
1 1
X *'Y * 
3ª etapa: Con los residuos obtenido de la segunda etapa se estima a los
elementos de la matriz 
 11  12 ..  1 g 
 
'   21  22 ..  2 g 
  E ( t  t ) 
 ... ... .. .. 
 
 g1  g 2 ..  gg 
e1' e1 e1' e 2
ˆ 11  S11  ˆ 12  S12 
n  ( g1  k 1 ) n ( g1  k1 ) n  ( g2  k 2 )
e1' e1  y '1 y1  A
ˆ 1' Z ' y1
1
e1' e 2  y '1 y 2  A
ˆ 1' Z ' y 2  y ' Z 2 A2  A
1 1
ˆ 1' Z ' Z 2 A2
1

Se pondera al modelo con la matriz X*´ y luego se aplica MCG
Y* = Z* a* + * X*Ý* = X*´ Z* a* + X*´ *
 1
aˆ * MC 3 E  Z *' X * (V ( X *'  *)) X *' Z *   Z*' X * (V ( X *' *))
1 1
X *'Y * 
donde
V ( X *´ *)  X *´V ( *) X *  X *´ (   I ) X *
 ( I  X ´) (   I ) ( I  X )    ( X ´ X )
X *V ( X *´ *)1 X *´ ( I  X ) (   X ´ X ) 1 ( I  X ´)   1  X ( X ´ X ) 1 X ´
 1 1
aˆ * MC 3 E  Z *'[ ( X ( X ´ X ) X ´)]Z *   Z*'[
1 1
( X ( X ´ X ) 1 X ´)]Y * 
Propiedades del estimador MC3E
1. Si las ecuaciones de un sistema están identificadas, entonces el estimador
de MC3E es consistente.
2. La distribución asintótica de
T (aˆ * MC 3 E  a*) Es normal con esperanza 0 y matriz de covarianzas
V (aˆ *MC 3 E ) 
 Z *'[ 1 1
( X ( X ´ X ) X ´)]Z *  1
3. El estimador de MC3E es más eficiente que el estimador de MC2E
4. Si ij =0,  i  j, entonces el estimador de MC3E coincide con el estimador de

MC2E
5. Si todas las ecuaciones del modelo están exactamente identificadas, entonces
los estimadores de MC2E y MC3E coinciden.

Estimador de Máxima Verosimilitud MV
Estimador de máxima verosimilitud con información

limitada MVIL
Se obtiene maximizando la función de verosimilitud de la ecuación

que se pretende estimar, sujeta a las restricciones para sus
coeficientes. Se asume que la perturbación tiene distribución normal
Si la ecuación está exactamente identificada el estimador MVIL

coincide con el estimador MC2E, VI y MCI
MVIL es un estimador consistente y su distribución asintótica coincide

con el estimador de MC2E, por lo que comparte la propiedad de
eficiencia de éste último.

Estimador de Máxima Verosimilitud MV
Estimador de máxima verosimilitud con información

completa MVIC
Se obtiene maximizando la función de verosimilitud que se obtiene
al suponer que el vector de perturbaciones de todas las ecuaciones
sigue una distribución normal multivariante. Para la maximización se
utiliza algoritmos de métodos numéricos de optimización
MVIC es un estimador consistente y asintóticamente eficiente y su

distribución asintótica coincide con el estimador de MC3E, si las
perturbaciones tienen distribución normal.

Prueba de correlación contemporánea
H 0 :   ij  0 No existe correlación contemporánea
H 1 :   ij  0 Existe correlación contemporánea
Estadística
1. Para residuos de estimador de MV.

2
ˆ)
 LR  T (  ln ˆ ii  ln  Tiene distribución asintótica  ( g ( g 1) / 2 )
2. Para residuos de estimador de MC2E o MC3E
g i 1
 LM  T  rij2 Tiene distribución asintótica  (2g ( g1) / 2 )
i  2 j 1

Método SUR
Modelo de Regresión de ecuaciones aparentemente no relacionadas
• Se aplica a un sistema donde cada ecuación tiene sólo

variables exógenas como variables explicativas.
• Al igual que en el caso de regresión estándar se asume
que las perturbaciones no están correlacionadas con las
variables exógenas.
• Cada ecuación de este tipo de sistema podría ser
estimado por MCO, ecuación por ecuación. Sin embargo
si las perturbaciones están correlacionadas
contemporáneamente, el estimador SUR es más
eficiente, debido a que toma en cuenta la matriz de
correlaciones 

Y* = X*  + u*
 11  12 ..  1 g 
 y1   X 1 0 0 0    1   u1   
 21  22 ..  2 g 
  
 y2    0 X2 0 0


   
  2    u2    E ( ut' ut )  
 ... ... .. .. 
 ...   ... ... ... ...  ...   ... 
         
 y g   0 0 ... X g    g   u g   g1  g 2 ..  gg 
Cov ( u*)  E ( u * u*' )    I

ˆ * SUR  X *'[ 1  I ] X *   X *'[
1 1
 I ]Y * 
Donde los elementos de  se estiman mediante los residuos del estimador de
MCO de cada ecuación.
Nota. Para la prueba de correlación contemporánea con el estadístico LM se
utiliza los residuos de MCO.

Observaciones
1. Si  ij =0,  i  j, entonces el estimador de MCG coincide con el

estimador de MCO
2. Si xi = Xj,  i  j, es decir las ecuaciones tienen variables explicativas

idénticas, el estimador de MCG coincide con el estimador de MCO
3. Si los regresores de un bloque de ecuaciones son un subconjunto de

los de otro, MCG no aporta ganancias de eficiencia en la estimación de
las ecuaciones más reducidas.
4. Cuanto mayor sea la correlación contemporánea de las perturbaciones,

mayor será la ganancia en eficiencia atribuible a MCG.
5. Cuanto menor sea la correlación entre las matrices X, mayor será la

ganancia en eficiencia atribuible a MCG.

Modelo de Ec. Simultaneas

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

Modelo de Ec. Simultaneas

Transféré par

Droits d'auteur :

Formats disponibles

Facultad de Economía UNMSM

Modelo de Ecuaciones simultáneas

Mg. Beatriz Castañeda S.

Y1i  0Y1i   12Y2i  ...   1 gYg   10   11 X 1i  ...   1k X ki   1i

Y2 i   21Y1i  0Y2 i  ...   2 gYg   20   21 X 1i  ...   2k X ki   2i

 y h1   y11 y 21 ... y g1   h1   1 x11 ... x k 1    h 0    h1 

Y Y   X    Forma estructural del modelo

Matriz de covarianzas de las perturbaciones de la ecuación 1 ( 11 I )

Matriz de covarianzas contemporáneas de las perturbaciones de las ecuaciones ()

Mg. Beatriz Castañeda ECONOMETRIA I 5

Qd   0  1 P   2Y   1 Qd: demanda; Qs: oferta;

Mg. Beatriz Castañeda ECONOMETRIA I 6

Mg. Beatriz Castañeda ECONOMETRIA I 7

Coeficientes pueden ser obtenidos de los

Mg. Beatriz Castañeda ECONOMETRIA I 8

Def. 1: En un modelo de g ecuaciones simultáneas, para que una ecuación esté

< g -1 Ecuación subidentificada

Nº variables excluidas = g -1 Es posible que la ecuación esté

> g -1 Ecuación posiblemente

Mg. Beatriz Castañeda ECONOMETRIA I 9

Def. 2: En un modelo de g ecuaciones simultáneas, para que una

< gi - 1 Ecuación subidentificada

Si K – ki = gi - 1 Es posible que la ecuación esté

> gi - 1 Ecuación posiblemente

Mg. Beatriz Castañeda ECONOMETRIA I 10

En un modelo de g ecuaciones simultáneas con g variables endógenas, una ecuación

Estas dos condiciones se resumen en el siguiente criterio de clasificación

Mg. Beatriz Castañeda ECONOMETRIA I 11

Mg. Beatriz Castañeda ECONOMETRIA I 12

Mg. Beatriz Castañeda ECONOMETRIA I 13

De acuerdo a la condición de orden, una ecuación está:

Mg. Beatriz Castañeda ECONOMETRIA I 14

 1 0 0  Ecuación 1 Restricciones: q=2=g–1

Mg. Beatriz Castañeda ECONOMETRIA I 15

• Cuando las restricciones se refieren solo a restricciones

• Si las restricciones son no homogéneas, es decir, las

Mg. Beatriz Castañeda ECONOMETRIA I 16

La ecuación está sobreidentificada

Mg. Beatriz Castañeda ECONOMETRIA I 17

Debido a que existen correlaciones contemporáneas no nulas

Mg. Beatriz Castañeda ECONOMETRIA I 18

Y Y   X    Forma estructural del modelo

Mg. Beatriz Castañeda ECONOMETRIA I 19

Se cuenta con la matriz de covarianzas

Mg. Beatriz Castañeda ECONOMETRIA I 20

Modelo en forma reducida Ecuac. sobreidentificada

Mg. Beatriz Castañeda ECONOMETRIA I 21

Mg. Beatriz Castañeda ECONOMETRIA I 22

Un método consistente y mas eficiente que el MCI es utilizar variables

En el modelo de ecuaciones simultáneas se considera como v. instrumentales a las

Para la aplicación de VI se requiere que k - k i  gi - 1

Mg. Beatriz Castañeda ECONOMETRIA I 24

Si la ecuación está exactamente identificada el estimador de VI

Mg. Beatriz Castañeda ECONOMETRIA I 25

Mg. Beatriz Castañeda ECONOMETRIA I 26

Mg. Beatriz Castañeda ECONOMETRIA I 27

El procedimiento de MC2E proporciona un único estimador que es la

Si la ecuación está exactamente identificada el estimador de MC2E

Mg. Beatriz Castañeda ECONOMETRIA I 28

Y1  X   u1 , ˆ  ( X ' X ) 1 X 'Y1 Yˆ1  X ( X ' X ) 1 X 'Y1

Las predicciones de las variables de Y1 son tales que

1. Cada variable de Ŷ1 está correlacionada con la variable observada de Y1

ejemplo Y1   y 2 y3  Yˆ1   yˆ 2 yˆ 3   ( X ' X ) 1 X '  y 2 y3 

Como Z 1  Y1 X1  Z 1  Yˆ1 X1  X 

Y* = Z* a* + * X´Y = X´ Z a* + X´ 

X V ( X ´ )1 X ´ ( I  X ) (   X ´ X ) 1 ( I  X ´)   1  X ( X ´ X ) 1 X ´

Cov ( u)  E ( u u*' )    I