“AÑO DE LA UNIVERSALIZACIÓN

DE LA SALUD”

UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE ECONOMÍA
ESCUELA PROFESIONAL DE ECONOMÍA

ALUMNA
Gutiérrez Ross-Morrey, Alicia de los Milagros

DOCENTE
Dr. Econ. Juan Francisco Silva Juárez

ASIGNATURA
Econometría II.

TEMA
Tarea N°01

CICLO
VIII

2021
 MODELOS DE ECUACIONES SIMULTÁNEAS

I. DEFINICIÓN
Los modelos de ecuaciones simultáneas aparecen en escenarios donde el conjunto de
ecuaciones es interdependiente; y hay existencia del problema de endogeneidad, por lo
que las variables ubicadas en la parte derecha son endógenas por lo que están
correlacionadas con los errores o perturbaciones.

En los modelos de ecuación simultaneas no es posible estimar los parámetros de una

ecuación aisladamente sin tener en cuenta la información proporcionada por las demás
ecuaciones en el sistema. Posee la característica de:

Y i=f ( Y j , X i )

Y j=g ( Y i , X i )

La variable endógena en una ecuación, “Y i”puede ser exógena en otra ecuación, y

viceversa. Supongamos por ejemplo el siguiente modelo:

Y 1 t =α 0 + α 1 Y 2t + α 2 X 1 t +u 1t

Y 2 t =β 0+ β 1 Y 1 t + β 2 X 2t + u2 t

Ambas ecuaciones representan un sistema de ecuaciones cuya solución puede ser de

tipo simultaneo. Ahora, podría aplicarse MCO a cada una, solo si se cumple con:

E ( Y 2 t , u1 t ) =0

E ( Y 1 t , u2 t ) =0

II. ESPECIFICACIÓN
Para poder especificar un modelo multiecuacional, tomaremos como base un ejemplo,
en este caso el modelo de equilibrio de mercado:

Ecuación de demanda: q d =α 1 p +α 2 y +ε d

Ecuación de oferta: q s=β 1 p+ ε s

Condición de equilibrio: q d =q s=q

Dichas ecuaciones son estructurales, derivadas de la teoría, en donde cada una pretende
describir aspectos particulares de la economía. Al ser un modelo en el que se
determinan de manera conjunta precio y cantidad, encontramos variables conjuntamente
dependientes. En cuanto a los errores o perturbaciones, son añadidos para la obtención
de un modelo econométrico. Las tres ecuaciones son indispensables para determinar el
precio y cantidad de equilibrio por lo que nos encontramos ante un sistema
interdependiente. Y como la solución del precio y la cantidad de equilibrio en términos
de renta y las perturbaciones, existe (α ¿ ¿ 1≠ β 1) ¿, y el número de ecuaciones es igual al
número de variables endógenas, el sistema se denomina como un sistema de ecuaciones
completo.

La forma estructural del modelo es:

γ 11 y t 1 +γ 21 y t 2 +… γ M 1 y tM + β11 x t 1 +…+ β k1 x tK =ε t 1

γ 12 y t 1 + γ 22 y t 2+ … γ M 2 y tM + β 12 x t 1 +…+ β K 2 x tK =ε t 2

γ 1 M y t 1 +γ 2 M y t 2 +… γ MM y tM + β1 M x t 1 +…+ β KM x tK =ε tM

Hay M ecuaciones y M variables endógenas, designadas por y 1 , y 2 , … , y M . Hay K

variables exógenas x 1 , x 2 , … , x k , las cuales pueden incluir valores predeterminados de
y 1 , y , … , y M también.

El primer elemento de x 1 será frecuentemente constante l. Finalmente ε t 1 ,… , ε tM son las

perturbaciones estructurales. El subíndice t se utiliza para indicar las observaciones
t=1…. T.

En términos de matrices puede expresarse:

y 11 y 12 … y1 M β11 β 12 … β1M

[ y1 y2 …
[
y m ] y 21

yM1
y 22
yM2
…
⋮
… y MM
y2 M

] [
+ [ x 1 x 2 … x k ] β 21 β 22
βK1 βK2
… β2M
⋮
… β KM ]
¿ [ ϵ1 ϵ2 … ϵM ]
Cada columna de las matrices de parámetros es el vector de coeficientes en una
ecuación concreta, mientras que cada fila se aplica una variable especifica.

III. SUPUESTOS
Supongamos que el interés se centra en la estimación de la elasticidad de la demanda α 1.
Esto conlleva a decir que ε d y ε s cuentan con un buen comportamiento como
perturbaciones clásicas con:

E [ ε dt ] =E [ ε st ]=0

E [ ε 2dt ]=σ 2d , E [ ε 2st ]=σ 2s , E [ ε dt ε st ] =0

E [ ε dt y t ]=E [ ε st y t ]=0

Todas las variables están mutuamente incorrelacionadas con observaciones en

diferentes periodos de tiempo. Precio, cantidad y renta están medidas en logaritmos y en
desviaciones respecto a su media muestra. Dando resolución a las ecuaciones para p y q
en términos de y , y ε d , y ε s se tiene la forma reducida del modelo:

α2 y ε −ε
p= + d s =π 1 y+ ν 1
β 1−α 1 β 1−α 1

β 1 α 2 y β 1 ε d −α 1 ε s
q= + =π 2 y + ν 2
β1 −α 1 β 1−α 1

σ 2d
Se deduce de lo anterior que Cov [ p , ε d ] = , por lo que la ecuación de demanda
( β 1−α 1 )
no satisface los supuestos del modelo clásico. La elasticidad-precio no puede ser
estimada consistentemente por regresión mínimo cuadrática de q en y, y p. Ese
resultado es característico de los modelos de ecuaciones simultáneas. Al existir una
correlación entre las variables endógenas con los errores, las estimaciones de mínimos
cuadrados de los parámetros de las ecuaciones con variables endógenas de la parte
derecha son inconsistentes.

IV. CONDICIONES DE IDENTIFICACIÓN

El problema de identificación pretende establecer si las estimaciones numéricas de los
parámetros una ecuación estructural puede obtenerse de los coeficientes estimados en
forma reducida. Por ejemplo, considerando un mercado en el que q es la cantidad de Q,
p es precio, y z es el precio de Z, un bien relacionado. Y suponemos que z aparece en la
ecuación de oferta, en cambio en la demanda se reemplaza por y, el modelo seria:

q=α 0 +α 1 p+α 2 y + ε 1

p=β 0 + β 1 p+ β 2 z+ ε 2

La estructura sería ahora:

−α 0 −β 0
[q p] 1
[ 1 + [1
−α 1 −β 1 ] [
y z ] −α 2
]
0 =[ ε 1 ε 2 ]
0 −β 2

La forma reducida es:

(α 1 β 0−α 0 β 1) ( β 0−α 0)

[ q p ] =[ 1 y z]

[ Δ
−α 2 β1
Δ
α1 β 2
Δ
Δ
−α 2
Δ
−β 2
Δ
]
+[ ν1 ν 2 ]

Donde:

Δ=(α 1 −β 1)

Toda estructura errónea tiene la misma forma reducida. Pero en la matriz de

coeficientes,

α 0 f 11 + β 0 f 12 α 0 f 12 + β 0 f 22
B́=BF=
[α 3 f 11
β 2 f 21
α 3 f 12
β2 f 22 ]
Si f 12, no es cero, en la “impostora” la renta aparece en la ecuación de la oferta, lo que
la teoría ha rechazado. De manera similar, si f 21no es cero, z aparecerá en la ecuación de
demanda, lo que también se rechaza en el modelo teórico. Es así que, aunque todas las
estructuras falsas tengan la misma forma reducida que la verdadera, la única que es
consistente con la teoría y cumple con que los coeficientes de q sean 1 en ambas
ecuaciones. Esto da exactamente la estructura original.
Las únicas soluciones para los parámetros estructurales en términos de los parámetros
de la forma reducida son:

π 31 π 21
α 0=π 11 −π 12 ( )
π 32
β 0=π 11 −π 12 ( )
π 22

π 31 π
α 1= β 1= 21
π 32 π 22

π 21 π 31 π 31 π 21
α 2=π 22 ( −
π 22 π 32)β2 =π 32 ( −
π 32 π 22 )
Si es posible deducir los parámetros estructurales a partir de los parámetros de la forma
reducida, por lo que este modelo está identificado.

Ahora, tenemos las condiciones de rango y orden para la identificación:

- Condición de orden

En un modelo de M ecuaciones simultaneas, para que una ecuación este identificada

debe excluir al menos M-1 variables (endógenas y predeterminada) que aparecen en el
modelo. Si excluye exactamente M-1 variables, la ecuación está exactamente
identificada, en caso de que excluya más de ello, estará sobre identificada.

De manera más precisa, el numero de variables predeterminadas excluidas de esa

ecuación no debe ser menor que el numero de variables de endógenas incluidas en la
ecuación menos 1, es decir:

K−k ≥ m−1

Si K−k=m−1, la ecuación está exactamente identificada, pero si K−k >m−1, estará

sobre identificada.

La condición de orden es solo una regla de recuento. Es una condición necesaria pero no
suficiente para la identificación, la condición suficiente para unicidad es la de rango.

- Condición de rango

Rango [ π ¿j , II ¿j ]=rango [ II ¿j ]=M j

Esta condición impone una restricción en una submatriz de la matriz de coeficientes de

la forma reducida. También asegura que hay exactamente una solución para los
parámetros estructurales, dados los parámetros de la forma reducida. Aquí se hace uso
de las restricciones I´, B para desestimar estructuras falsas. Una condición equivalente
basada en este método es más sencilla de aplicar por ser más intuitiva.

Primero se reordenan los coeficientes estructurales en la matriz:

1 A1

B
´ −y j
A= I = 0
[]−β j
0
[ ] A2
A3 =[ aj
A4
A5
A j]

La j-ésima columna en una estructura falsa [ I ´ F , BF ] (es decir, la “impostora” para la

ecuacion j) sería [ I ´ f j , B f j ] donde f j es la j-ésima columna de F. Esta nueva j-ésima

ecuación se construye como una combinación lineal de la antigua y de las otras
ecuaciones del modelo. Así, particionando queda:

1 A1 1

[ ] []
−yj
á j= 0
−β j
0
A2 0

A4
A5
f
[]
f
ý j
A3 t = 0
β́ j
0

Si este híbrido ha de tener las mismas variables que la original, debe tener elementos
distintos de cero en los mismos lugares, lo cual puede asegurarse tomando f 0=1, y ceros
en las mismas posiciones que el original a f. Extrayendo la tercera y quinta fila, para que
pueda ser admisible, á j debe cumplir el requisito:

A3 1
[ ]
A5
f =0

¿ ¿
Esto no es posible si la matriz ( M j+ K j ) × ( M −1 ) entre corchetes tiene rango de columna
completo, por lo que se tiene la condición de rango equivalente.

A3
rango
[ ]
A5
=M −1
La condición de orden correspondiente es que la matriz entre corchetes debe tener al
¿ ¿ ¿
menos tantas filas como columnas. Así M j + K j ≥ M −1. Pero como M =M j+ M j+ 1, esto
es lo mismo que la condición de orden anterior.

V. ESTIMACIÓN DE UN MODELO MULTIECUACIONAL

Para la estimación de modelos multiecuacionales se hace uso de los métodos

uniecuacionales, conocidos también como métodos de información limitada, y los de
sistemas, que se denominan métodos de información completa. En el primero, cada
ecuación en el sistema (de ecuaciones simultáneas) se estima de manera individual,
considerando las restricciones impuestas sobre ella, sin preocuparse de las restricciones
sobre las otras ecuaciones en el sistema. En el caso del segundo, es decir los métodos de
información completa, se estiman todas las ecuaciones simultáneamente, teniendo en
cuenta las restricciones ocasionadas por la omisión o ausencia de algunas variables
sobre dichas ecuaciones, (aquí las restricciones son esenciales para la identificación),
usando de esa manera toda la información del sistema en conjunto.

Los métodos de información limitada son los más usados, para estimar modelos de
ecuaciones simultaneas, entre ellos destacan:

Los Mínimos cuadrados ordinarios (MCO)

Método de Mínimos cuadrados indirectos (MCI)

Método de Mínimos cuadrados en dos etapas (MC2E)

MCO:

En general es inapropiado para estimar modelos con ecuaciones simultáneas, pero puede
ser aplicado a los modelos recursivos. Como se trata de un sistema de ecuaciones
simultaneo una variable endógena puede causar el problema econométrico E ( x i ,u ) =0,
ya que se da la relación causa-efecto- causa, dándose un problema de endogeneidad, lo
cual provoca que los estimadores sean sesgados e inconsistentes.

MCI:
Comprende 3 pasos o etapas, los coeficientes estructurales se obtienen indirectamente a
partir de las estimaciones por MCO de los coeficientes en forma reducida. No se
determina los errores estándar de los coeficientes estimados.

Es apropiado para ecuaciones precisas o exactamente identificadas. Proporciona

múltiples estimaciones de los parámetros en las ecuaciones sobre identificadas. Las
variables explicativas están predeterminadas y por lo tanto no están correlacionadas con
las perturbaciones estocásticas, es decir las estimaciones obtenidas son consistentes.

Al obtener las condiciones de rango y de orden para la identificación, se define de

manera implícita un estimador para los parámetros estructurales. Para la ecuación j-
ésima:

π j −II j y=β j (K j ecuaciones)

π ¿j −II ¿j y=0 ( K ¿j ecuaciones )

Por analogía, entonces si P es el estimador MCO de II, el estimador de MCI de β j sería:

b j= p j−P j c j

Queda por encontrar c j, que es el estimador de mínimos cuadrados indirectos (MCI) de

y t . En la segunda ecuación, hay K ¿j ecuaciones y M j parámetros desconocidos por
determinar. Hay tres posibilidades:
¿
1. K j< M j, Entonces la ecuación está sin identificar, y no puede obtenerse solución.
¿
2. K j=M j , La ecuación está exactamente identificada. En este caso, se puede
−1
calcular: c j=[ P¿j ] p¿j
¿
3. K j> M j, La ecuación está sobre identificada. Hay más de una solución.

−1
c j=[ P¿´j P¿j ] P¿j p¿j

MC2E:

Esta diseñado especialmente para ecuaciones sobre identificadas, pero también puede
aplicarse a ecuaciones exactamente identificadas. Proporciona solamente una
estimación por parámetro en las ecuaciones sobre identificadas a diferencia del MCI.
Los estimadores que se obtienen son consistentes, es decir convergen hacia sus
verdaderos valores a medida que el tamaño de la muestra aumenta de manera indefinida.
Comprende 2 etapas y es fácil de aplicar solo necesita el número total de variables
exógenas o predeterminadas en el sistema sin conocer ninguna otra variable en el
mismo

Los errores estándar pueden ser determinados para las estimaciones por MC2E puesto
que los coeficientes estructurales son estimados directamente de las regresiones de la
segunda etapa por MCO.

Por otro lado, La característica única de estos métodos es que es posible estimar
aisladamente una ecuación que forma parte de un modelo multiecuacional sin
preocuparse por las otras ecuaciones del sistema, esto es válido solo para fines de
especificación, porque en realidad las demás ecuaciones en el sistema sí cuentan.