MODELOS ECONOMTRICOS MULTIECUACIONALES

ANGELA MARA FERNNDEZ FERNNDEZ

Tema 3. Especificacin de modelos multiecuacionales.

1.Especificacin de los modelos de ecuaciones simultneas

Los Modelos de Ecuaciones Simultaneas surgen cuando no solamente la Y es determinada por las X, sino que adems algunas de las X son a su vez determinadas por Y. En otras palabras, cuando hay una relacin causal en las dos direcciones o una relacin simultnea entre Y y algunas de las X.

1.Especificacin de los modelos de ecuaciones simultneas

Los sistemas de ecuaciones simultneas se distinguen por tener varias ecuaciones en las cuales hay un nmero de variables endgenas y un nmero de variables predeterminadas, (stas a su vez pueden ser variables exgenas, retardadas o no, y variables endgenas retardadas). En estos modelos se estiman los parmetros de las ecuaciones teniendo en cuenta la informacin suministrada por todas las ecuaciones del sistema.

1.Especificacin de los modelos de ecuaciones simultneas

En un modelo general lineal que contenga M ecuaciones estructurales en M variables endgenas o conjuntamente dependientes y K variables predeterminadas, en el momento (observacin) t puede escribirse como:

Ymt = m1Yt +m2Y2t +m3Y3t +...+mm mt +m0 +m1X1t +m2 X2t +...+mkXkt +Umt Y 1

1.Especificacin de los modelos de ecuaciones simultneas

Segn lo aprendido hasta ahora, si intentamos aplicar MCO en forma independiente a cada una de las M ecuaciones para hallar los estimadores, nos encontramos: con que dichas estimaciones no solamente sern sesgadas sino tambin inconsistentes Es decir, que a medida que el tamao de la muestra crece indefinidamente los estimadores no convergen al verdadero valor del parmetro, permaneciendo el sesgo.

1.Especificacin de los modelos de ecuaciones simultneas

Esto se debe a que las M-1 variables endgenas restantes que aparecen en una ecuacin cualquiera estarn correlacionas con el trmino de perturbacin de la ecuacin considerada, puesto que por ser cada una de las M variables argumentos aleatorios, una perturbacin en una, alguna o todas las restantes (M-1) afectaran el valor del termino de error de dicha ecuacin quien luego influir en las dems ecuaciones. Es decir, el termino de perturbacin de cada ecuacin depende de los valores que asuman las M-1 variables endgenas restantes y viceversa. De esta manera se hace indeseable la aplicacin directa de los MCO a cada una de las ecuaciones.

2. FORMA REDUCIDA DEL MODELO.

Ecuaciones estructurales o de comportamiento:
Ymt = m1Yt +m2Y2t +m3Y3t +...+mm mt +m0 +m1X1t +m2 X2t +...+mkXkt +Umt Y 1

Forma Reducida:Cuando se expresa a las variables endgenas en trminos de las predeterminadas, se denomina Forma Reducida. Yt = 0 + 1 X t + U t

3.Identificacin en modelos multiecuacionales

Los parmetros estructurales pueden ser nicamente derivados de las estimaciones de la forma reducida y alguna otra informacin sobre la forma estructural?. Dicha cuestin nos conduce al problema de la identificacin. Es decir, la identificacin pretende establecer si las estimaciones numricas de los parmetros de una ecuacin estructural pueden obtenerse de los coeficientes estimados de la forma reducida.

3.Identificacin en modelos multiecuacionales

Del problema de la identificacin se presentar tres situaciones: Que se pueden obtener estimaciones nicas de los parmetros estructurales en cuyo caso diremos que la ecuacin esta exactamente identificada. Que se obtengan mas de una estimacin de los parmetros estructurales (pero un numero finito de los mismos) en cuyo caso se dice que la ecuacin esta sobreidentificada Que se obtengan infinitos valores para las estimaciones de los parmetros estructurales y por ende haciendo imposible su recuperacin, dicindose en este caso que la ecuacin est subidentificada (Esto surge por la falta de informacin necesaria para construir una funcin a travs de la forma reducida)

3.Identificacin en modelos multiecuacionales

Para establecer la identificacin del sistema se utilizan las condiciones de orden (condicin necesaria) y de rango (condicin necesaria y suficiente).

2. FORMA REDUCIDA DEL MODELO.

Condicin de orden:
M= endgenas del modelo m= endgenas de una ecuacin K= exgenas del modelo K= exgenas de una ecuacin (k-k)<(m-1) No identificable

(k-k)=(m-1) (k-k)>(m-1)

Identificable Sobreidentificable

2. FORMA REDUCIDA DEL MODELO.

Condicin de rango: La aplicacin de esta condicin requiere obtener la matriz de coeficientes de la forma estructural, denominada (A) y, a partir de ella se calcula una submatriz (A*), de rango inferior, realizada tomando para cada variable cero de una ecuacin, los parmetros que tenga esa variable en las dems ecuaciones. Posteriormente se comprueba la condicin de rango:

Rg (A*)<(M-1) Rg (A*)=(M-1) Rg (A*)>(M-1)

No identificable Identificable Sobreidentificable

Tema 4. Estimacin de modelos multiecuacionales.

1. Enfoques alternativos de la estimacin.

Mtodos de Estimacin A continuacin vamos a ver los mtodos existentes que permiten solucionar el problema de la inconsistencia que presentan la aplicacin directa de los MCO. Estos mtodos surgen a partir de la bsqueda de soluciones alternativas cuando se viola el supuesto de no aleatoriedad en las variables explicativas y, a su vez, de la no existencia de correlacin igual a cero entre ellas y las perturbaciones.

1. Enfoques alternativos de la estimacin.

A.

Mtodos uniecuacionales o de informacin limitada: En estos mtodos, se estima cada ecuacin separadamente, utilizando slo la informacin sobre los coeficientes contenida en dicha ecuacin. Entre estos mtodos estn:

1. Enfoques alternativos de la estimacin.

Mnimos Cuadrados Ordinarios (MCO): Los estimadores que surgen de aplicar el mtodo no son consistentes. Sin embargo, este mtodo es ms robusto frente a los errores de especificacin que otros mtodos, y adems las predicciones de modelos estimados por l pueden ser mejores que las correspondientes a modelos estimados por mtodos de ecuaciones simultneas, por lo que puede resultar conveniente presentar estimaciones MCO de las ecuaciones estructurales junto a las de otros mtodos como referencia o norma de comparacin.

1. Enfoques alternativos de la estimacin.

Mnimos Cuadrados Indirectos (MCI): Consiste en estimar por MCO los coeficientes de la forma reducida y luego recuperar los estimadores de los parmetros de la forma estructural va un sistema de ecuaciones. Slo es aplicable cuando las ecuaciones del modelo estn exactamente identificadas, ya que slo en ste caso se puede obtener valores nicos para los coeficientes de la forma reducida. Los estimadores de los parmetros as obtenidos heredan todas las propiedades de los estimadores de la forma reducida, asegurndonos as de que sean consistentes (y pueden ser eficientes si las perturbaciones se distribuyen normalmente) pero no gozan de stas propiedades para muestras pequeas.

1. Enfoques alternativos de la estimacin.

Mxima Verosimilitud con Informacin Limitada (MVIL) Este mtodo ante los casos de sobreidentificacion elige dentro del grupo de valores posibles aquellos que maximicen la funcin de verosimilitud de la ecuacin siendo un requisito previo el conocimiento de la distribucin del trmino de perturbacin de la ecuacin. Adems se puede aplicar tanto para ecuaciones sobreidentificadas como exactamente identificadas. En este ltimo caso los estimadores sern idnticos a los obtenidos por Mnimos Cuadrados Indirectos.

1. Enfoques alternativos de la estimacin.

B.

Mtodos de sistemas o de informacin completa: En estos mtodos, a diferencia de los anteriores, se estiman en conjunto todas las ecuaciones del sistema, usando las restricciones sobre los parmetros de todas ellas. Son ms eficientes que los mtodos con informacin limitada en la medida que la especificacin del modelo sea la correcta.

1. Enfoques alternativos de la estimacin.

Mnimos Cuadrados en Tres Etapas: Consiste en estimar cada una de las ecuaciones del modelo por el mtodo de los MC2E, calcular los residuos par estimar la matriz de varianzas y covarianzas (aqu se suponen ruido blanco en cada termino de perturbacin de cada ecuacin y se permite la existencia de correlacin contempornea y heterocedasticidad entre las ecuaciones) para finalmente aplicar mnimos cuadrados generalizados factibles al modelo completo. Este mtodo es ms eficiente que el de MC2E en la medida que la especificacin del modelo sea la correcta y tendr igual eficiencia en el caso de que no exista correlacin contempornea ni heterocedasticidad entre los errores de cada una de las ecuaciones, o en el caso que todas las ecuaciones estn exactamente identificadas.

1. Enfoques alternativos de la estimacin.

Mxima verosimilitud con Informacin completa: Pretende hallar el conjunto de estimadores de la forma estructural que hacen mxima la probabilidad de ocurrencia de los valores muestrales de las variables endgenas y predeterminadas, es decir se intenta maximizar una funcin de verosimilitud para todo el modelo simultneamente. Este mtodo arroja sistemas de ecuaciones no lineales y sumado al hecho de que los estimadores que se obtienen bajo una distribucin normal multivariante son exactamente iguales a los de los de MC3E hacen que este mtodo sea menos preferido que ste ltimo.