Naturaleza de los modelos
a) Endogenización de variable exógena. Que alguna de las variables exógenas
no esté presentada de manera explícita, por lo que sería conveniente endogeneizarla.
Por ejemplo:
yi = 0 + 1 x1i + 2 x2i + ui
completada con: x1i = 0 + 1 x3i + vi
b) Desagregación de variable endógena. Que la variable endógena esté
compuesta por partes integrantes que, por separado, cada una de ellas necesite
tratamiento pos separado mediante ecuaciones diferentes:
yi = y1i + y2i
Donde:
y1i = 0 + 1 x1i + 2 x2i + u1i
y2i = 0 + 1 x3i + 2 x4i + u2i
EJEMPLO DE MODELO
MULTIECUACIONAL
HIPOTESIS BÁSICAS DE MES
MODELOS RECURSIVOS
Son aquellos en los que cada variable endógena depende, además de las
variables predeterminadas especificadas de cada ecuación, de otras
endógenas, pero sin que existan relaciones recíprocas de causalidad.
Ejemplo:
y1i = 0 + 1 y2i + 2 y3i + 3 x1i + u1i
y2i = 0 + 1 y3i + 2 x2i + u2i
y3i = 0 + 1 x3i + 2 x4i + 3 x5i + u3i
MODELOS BLOQUE‐RECURSIVOS
Las ecuaciones se reparten en grupos de manera que entre ellos la relación es
recursiva, por lo que la resolución de unos bloques permite obtener otras
ecuaciones no influidas directamente:
y1i = 0 + 1 y2i + 2 x1i + u1i
y2i = 0 + 1 y1i + 2 x2i + u2i
y3i = 0 + 1 y1i + 2 y2i + 3 x3i + u3i
MODELOS ECUACIONES SIMULTANEAS
O Interdependientes. Son aquellos en los que existen relaciones causales
múltiples entre todas las variables endógenas del sistema (todas las yj están
relacionadas en ambos sentidos).
Ejemplo:
y1i = 0 + 1 y2i + 2 y3i + 3 x1i + u1i
y2i = 0 + 1 y1i + 2 y3i + u2i
y3i = 0 + 1 y1i + 2 y2i + 3 x2i + u3i
MBRL VS MBELS:
MBRL:
yi = 1 x1i + 2 x2i + … + k xki + ui
Notación matricial: yi = Xi + ui
(nx1) (nxk) (kx1) (nx1)
MBELS:
Ahora tenemos g variables endógenas y k variables exógenas (en
general, Predeterminadas).
yhi = h1 y1i + … + hg ygi + h1 x1i + … + hk xki + uhi ( hh = 0 )
Notación Matricial: yhi = Yi h + Xi h + uhi
MBRL VS MBELS:
Planteamiento del MBELS
De modo matricial:
yh = Y h + X h + uh
yh1 y11 ... yg1 x11 ... xk1 uh1
yh = ... Y= ............... X = ............. uh = ...
yhn y1n ... ygn x1n ... xkn uhn
Planteamiento del MBELS
Representando el modelo COMPLETO ( es decir, solucionable a efectos de
predicción y simulación), para cualquier punto de la muestra habrá que
considerar el conjunto de variables y coeficientes total:
Yi = Yi + X i + Ui
Es decir, en forma matricial desarrollada:
11...g1 11 ... g1
y1i … ygi = y1i … ygi + x1i ... xki .............. + uhi ... ugi
1g...gg 1k ... gk
EJEMPLO: CON 3 ECUACIONES
EJEMPLO: CON 3 ECUACIONES
Planteamiento del MBELS
NOTA: en mayoría de manuales la “m” es la “g´”
NOTA: en mayoría de manuales la “M” es la “g”
RANGO EXPLICACION
Rango π < g – 1, ó
Variables excluidas < g – 1 Ecuación NO IDENTIFICABLE
Rango π = g – 1, y
Variables excluidas = g – 1 Ec EXACTAMENTE IDENTIFICABLE
Rango π= g – 1, y
Variables excluidas > g – 1 Ecuación SUPERIDENTIFICABLE
Deberá tener un rango igual al número de ecuaciones (endógenas del sistema) menos
una.
A nivel del modelo en su conjunto, éste será identificable si lo son cada una de
las ecuaciones que lo componen; basta con que una ecuación sea no identificable
para que el modelo lo sea también. Igualmente, si el modelo es identificable, sólo
lo será exactamente si todas las ecuaciones lo son; si una ecuación es
superidentificable, el modelo también se considera superidentificable.
REGLAS
EJEMPLO 1
EJEMPLO 2
EJEMPLO 3
PRINCIPALES CONCLUSIONES
1. A diferencia de los modelos uniecuacionales, los modelos de ecuaciones
simultáneas contienen más de una variable dependiente o endógena, lo que
requiere un nº de ecuaciones igual al nº de variables endógenas.
2. Una característica única de los modelos de ecuaciones simultáneas es que la
variable endógena en una ecuación aparece como variable explicativa en otra
ecuación del modelo.
3. Como consecuencia, esta variable explicativa endógena se convierte en
estocástica y usualmente está correlacionada con el término de perturbación
de la ecuación en la que aparece como variable explicativa.
4. En esta situación, el método MCO clásico no puede ser aplicado porque los
estimadores así obtenidos no son consistentes, es decir, no convergen hacia
sus verdaderos valores poblacionales independientemente del tamaño de la
muestra.
5. Hay que prestar, no obstante, atención al problema de la Identificación, ya
que surge, como problema, antes que la estimación.
6. Por problema de identificación se entiende la posibilidad de obtener
estimaciones numéricas únicas de los coeficientes estructurales a partir de
los coeficientes de la forma reducida.
7. Si esto puede hacerse, una ecuación que forma parte de un modelo de
ecuaciones simultáneas estará identificada. Si no pudiera hacerse, la
ecuación estará No identificada (o subidentificada).
8. Una ecuación identificada puede estarlo de manera exacta o
sobreidentificada. Si se obtienen valores únicos de los parámetros
estructurales, estará exactamente identificada la ecuación. Si existe más
de un valor posible para los parámetros estructurales, la ecuación estará
superidentificada o sobreidentificada.
9. El problema de la identificación surge porque el mismo conjunto de
información puede ser compatible con diferentes conjuntos de coeficientes
estructurales, es decir, diferentes modelos.
10. Para determinar la identificación de una ecuación: criterio de Orden y
criterio de Rango. La primera es condición necesaria, y la segunda
necesaria y suficiente. Pero en la práctica, la condición de Orden es
generalmente adecuada parra asegurar la Identificabilidad.
EJERCICIO 4: PASAR DE LA F.
ESTRUCTURAL A LA F. REDUCIDA
FORMA REDUCIDA
RECORDAMOS LA FORMA ESTRUCTURAL
DELA QUE PARTIAMOS
IDENTIFICACIÓN DEL MODELO: reglas
• ORDEN:
K=5 (cons, X1, X2, X3, X4) g= 2
1ª ecuación: K – k´= 5 – 3 =2 ; g´‐ 1= 2 ‐1 =1; 2>1 sobreidentificada
2ª ecuación: K – k´= 5 – 2 =3 ; g´‐ 1= 1 ‐1 =0; 3>0 sobreidentificada
• RANGO: g ‐1
Se cumple en las dos ecuaciones, por tanto el modelo está sobreidentificado
(nota: solo tenemos dos ecuaciones, bastará con que cumpla la condición de
orden, pues la segunda condición se aplica cunado hay más de dos
ecuaciones)
EJERCICIO 5:
PASAR DE LA F. ESTRUCTURAL A LA F. REDUCIDA (mirar también ejercicio 2 de moodle)
• Forma estructural:
CNStD=α0+ α1RTAt+ α2CNSt‐1
RTAtS= α3+ α4RIDt+ α5RTAt1
• Forma reducida:
CNSt=Π0+ Π1RTAt+ Π2CNSt‐1+ Π3RTAt‐1+ut1
RTAt= Π4+ Π5RIDt+ Π6RTAt‐1+ Π7CNSt‐1+ut2
EJERCICIO 5: IDENTIFICAR EL MODELO
MULTIECUACIONAL
Enfoques alternativos en la estimación
Mínimos Cuadrados Ordinarios (MCO) y Modelos recursivos.
Mínimos cuadrados Indirectos (MCI) y Ecuación exactamente
identificada.
Mínimos Cuadrados en Dos Etapas (MC2E) y Ecuación
sobreidentificada.
Mínimos Cuadrados en Tres Etapas (MC3E)
Estimadores de Máxima – Verosimilitud
A) ENFOQUE DIRECTO
Estimación de cada ecuación aislada, sin distinguir entre exógenas y endógenas y sin
considerar la existencia de otras variables del modelo y no de la ecuación.
METODO DIRECTO: MCO (SOLO MODELOS RECURSIVOS)
B) ENFOQUE DE INFORMACIÓN LIMITADA:
MCI (Mínimos Cuadrados Indirectos)
MC2E (Mínimos Cuadrados en 2 etapas)
MCK (Mínimos Cuadrados de clase K)
MVIL (Máxima Verosimilitud con información limitada)
c) ENFOQUE DE INFORMACIÓN COMPLETA
MC3E (Mínimos Cuadrados en 3 etapas)
MVIC (Máxima Verosimilitud con información completa)
Video VÍCTOR modelos simultáneos
• [Link]
_hv1A
• EJERCICIOS 1 Y 2 en Moodle (pdf, base de
datos, y del ejercicio 2 hay una foto para ver la
transformación de la FE a la FR)
