República bolivariana de Venezuela
Ministerio del poder popular para la defensa
Universidad Nacional Experimental de la Fuerza Armada Nacional
Bolivariana
(U.N.E.F.A)
Núcleo – Vargas
MODELO DE ECUACIONES SIMULTÁNEAS
Profesor: Alumna:
Luis Guanda. Fraymar Garrido
C.I:26440747
MODELO DE ECUACIONES SIMULTÁNEAS
El Modelo de ecuaciones simultáneas es un modelo estadístico que viene
dado por un conjunto de ecuaciones lineales. A menudo se utilizan en
econometría para encontrar valores de los parámetros que se encuentran
correlacionados y que suceden paralelamente, por ejemplo, en las
estimaciones de la oferta
Supongamos que hay m ecuaciones de regresión de la forma
donde i es en número de la ecuación, y t = 1, …, T es el índice de la
observación. En estas ecuaciones xit es el ki×1 vector de variables
exógenas, yit la variable dependiente, y−i,t es el ni×1 vector de todas las
demás variables endógenas que entran en la ecuación ith del lado derecho,
y uit son los términos de error. La notación “−i” indica que el vector y−i,t puede
contener cualquiera de los y’s excepto el yit ((puesto que ya está presente en
el lado izquierdo). Los coeficientes de regresión βi y γi son de
dimensiones ki×1 y ni×1 respectivamente. Verticalmente apilando
las T observaciones correspondientes a la ecuación ith, podemos escribir
cada ecuación en forma vectorial como:
donde yi y ui son T×1 vectores, Xi es una T×ki matriz de regresores
exógenos, y Y−i es una T×ni matriz de regresores endogeneos del lado
derecho de la ecuación [Link], se puede mover todas las variables
endógenas a la izquierda y escribir las ecuaciones m conjuntamente en
forma vectorial como:
Esta representación se conoce como la forma estructural. En esta
ecuación Y = [y1 y2… ym] es la T×m matriz de variables independientes. Cada
una de las matrices de Y−i es de hecho una sub matriz ni columnas de esta Y.
La matriz m×m , que describe la relación entre las variables dependientes,
tiene una estructura complicada. Tiene unos en la diagonal, y todos los otros
elementos de cada columna i son o bien los componentes del vector de −γi o
ceros, dependiendo de que se incluyeron columnas de Y en la matriz Y−i.
La T×k matriz X contiene todos los regresores exógenos de todas las
ecuaciones, pero sin repeticiones (es decir, la matriz X debe ser de rango
completo). Así, cada Xi es una ki sub matriz X. La matriz Β tiene un
tamaño k×m, y cada una de sus columnas consta de los componentes de los
vectores de βi y ceros, dependiendo de cuál de los regresores de X fueron
incluidos o excluidos de Xi. Finalmente, U = [u1 u2… um] es una T×m matriz
de los términos de error.
Pos multiplicando la ecuación estructural por -1, el sistema se puede escribir
en la forma reducida como:
Este ya es un simple modelo lineal general, y se puede estimar, por ejemplo,
por mínimos cuadrados ordinarios. Por desgracia, la tarea de descomponer
la matriz estimada en los factores individuales y Β Γ −1 es bastante
complicada, y por lo tanto la forma reducida es más adecuada para la
predicción, pero no para la inferencia.
SUPUESTOS
En primer lugar, el rango de la matriz X de regresores exógenos debe ser
igual a k, tanto en muestras finitas y en el límite como T → ∞ (significa esto
más adelante requisito de que en el límite de la expresión debe converger a
un no degenerada k × k matriz). Matriz Γ también se supone que es no
degenerada.
En segundo lugar, los términos de error se asumen como serie
independiente e idénticamente distribuidas. Es decir, si la t ª fila de la matriz
T se denota por u (t), entonces la secuencia de vectores {u (t)} debe ser iid,
con media cero y algunos matriz de covarianza Σ (que es desconocido). En
particular, esto implica que E [U] = 0, y E [U'u] = T Σ.
Por último, las condiciones de identificación requieren que el número de
incógnitas en este sistema de ecuaciones no debe exceder el número de
ecuaciones. Más específicamente, la condición de la orden requiere que para
cada ecuación k i n + i ≤ k, que puede expresarse como "el número de
variables exógenas excluidas es mayor o igual que el número de variables
endógenas incluidos". La condición rango de identificabilidad es que el rango
(i Π 0) = n i, donde i Π es 0 a (k - k i) i × n matriz que se obtiene tachando
esas columnas que corresponden a las variables endógenas excluidos, y
aquellas filas que corresponden a las variables exógenas incluidos.
ESTIMACIÓN
Mínimos cuadrados en dos etapas.
El más simple y el más común es el método de estimación para el modelo de
ecuaciones simultáneas llamado método de mínimos cuadrados en dos
etapas, desarrollado de forma independiente por Theil (1953) y Basmann
(1957). Es una técnica de ecuación por ecuación, donde los regresores
endógenos en el lado derecho de cada ecuación se están equipados con la
regresores X de todas las otras ecuaciones. El método se llama "en dos
etapas", ya que lleva a cabo la estimación en dos etapas:
Paso 1: regresión de Y sobre Y−i y obtener los valores previstos
Paso 2: Estimación γi, βi por el de mínimos cuadrados ordinarios de
regresión de yi sobre y Xi. Si la ecuación i ª en el modelo se escribe como:
donde Zi es una matriz de T×(ni + ki) de ambos regresores, endógenos y
exógenos, en la ith ecuación, y δi es un vector (ni + ki) unidimensional de
coeficientes de regresión, entonces el estimador MC2E de δi estará dado por
Donde P = X (X ′X)−1X ′ es la matriz de proyección sobre el espacio lineal
atravesado por los regresores exógenos X.
Mínimos cuadrados indirectos.
Mínimos cuadrados indirectos es un enfoque en la econometría, donde los
coeficientes en un modelo de ecuaciones simultáneas se estiman a partir de
la forma reducida del modelo mediante mínimos cuadrados ordinarios. Para
ello, el sistema estructural de ecuaciones se transforma en la forma reducida
primero. Una vez estimados los coeficientes del modelo se vuelve a poner en
la forma estructural.
Tres etapas de mínimos cuadrados.
El estimador de mínimos cuadrados de tres etapas se introdujo por Zellner y
Theil (1962). Combina el estimador de dos etapas de mínimos cuadrados
(MC2E) con regresiones aparentemente no relacionadas(SUR).
