Econometria I

UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE ECONOMIA
DEPARTAMENTO ACADEMICO DE ECONOMIA
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE ECONOMIA
DEPARTAMENTO ACADEMICO DE ECONOMIA
CAPITULO I
MODELOS DINMICOS
1. INTRODUCCIN
1.1. JUSTIFICACIN
La necesidad de incluir la dinmica temporal en los modelos es:
Existencia de desfases en la disponibilidad de informacin que hacen que las
decisiones se tomen en base a datos del pasado.
Las decisiones se toman tras un proceso de evaluacin que genera un desfase entre la
informacin evaluada y la accin final.
Determinados procesos complejos necesitan de un periodo de ejecucin que,
nuevamente desfasa la accin final de la informacin valorada.
Existencia de medidas o acciones que tienen efecto en ms de un periodo.
La consideracin explcita de la evolucin pasada como una expectativa de los valores
presentes.
Existencia de procesos progresivos de ajuste hasta niveles deseados u ptimos.
Sabemos que las variables econmicas tienen bastante inercia, lo que hace que una
variable dependa de su propio pasado, adems de otras causas. As por ejemplo: para tratar
de explicar el comportamiento de la inflacin , tendra sentido introducir como variables
explicativas, junto con la tasa de crecimiento monetario , retardo de la propia tasa de
inflacin:
Es importante observar que la existencia de una relacin dinmica entre variables, as
como su mayor o menor persistencia (nmero de retardos precisos para representarla),
dependen crucialmente de cual sea la frecuencia de observacin de los datos que se emplean
en la estimacin. Por ejemplo, si una variable influye sobre otra no slo
contemporneamente, sino tambin durante los dos meses siguientes, entonces la relacin
sera dinmica si el investigador utiliza datos mensuales, pero resultar esttica si utilizase
datos anuales.
2
Y X X Y
t t t t t
= + + +

1 2 1 3 1
Y X
t t t
= +
1
Y Y
t t t
= +

3 1

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

1 1
1.2. TIPOS DE MODELOS
Una tipologa de modelos uniecuacionales dinmicos (Basado en Hendry, Pagan y
Sargan, 1984)), el modelo ADL(1,1) es:
donde es exgena dbil en relacin a los parmetros de inters , y el Z
t
( )

1 2 3
, y
error es: .
( )

t
N ~ , 0
2

An cuando todos los modelos tienen una varianza del error, el modelo anterior es
denominado modelo de "tres parmetros". Pese a que es una ecuacin muy simple, el modelo
ADL(1,1) incluye representaciones esquemticas de nueve distintos tipos de modelos
dinmicos como casos especiales. La tabla siguiente presenta estos 9 tipos.
Tipo de modelo Ecuacin
Restricciones en
ADL(1,1)
1 Regresin esttica

2 3
0 = =
2 Serie de tiempo
univariante
3En diferencias / tasa
de crecimiento

3 2 1
1 = = ;
3
Tipo de modelo Ecuacin
Restricciones en
ADL(1,1)
Y X
t t t
= +

2 1

1 3
0 = =
Y X X
t t t t
= + +

1 2 1

3
0 =
Y X Y
t t t t
= + +

1 3 1
2
0 =
Y X u u u
t t t t t t
= + = +

1 3 1

2 1 3
=
( )( ) Y X X Y
t t t t t
= + +

1 3 1 1
1
i
= 1
Y X Y
t t t t
= + +

2 1 3 1

1
0 =
4 Indicador
adelantado (leading
indicator)
5 Retardos
distribuidos
(distributed lags)
6 Ajuste parcial
7 Common factor
(error
autocorrelacionado)
8 Mecanismo de
Correccin del Error
9 Forma reducida
(dead start)
Los nueve modelos describen muy diferentes estilos de retardos y respuestas de largo
plazo de y desde x, tiene diferentes ventajas y desventajas como descripciones de
comportamientos de series de tiempo, estn diversamente afectados por varios problemas de
mala especificacin, y finalmente, conducen a diferentes estrategias de modelizacin y
estimacin.
Los modelos 1 a 4 son claramente modelos de un parmetro, mientras 5 a 9 son de
dos parmetros. Con los supuestos planteados, todos menos el modelos 7 son estimables por
Mnimos Cuadrados Ordinarios (mientras 7 requiere un procedimiento iterativo por mnimos
cuadrados). Cada modelo puede ser interpretado como un modelo "por derecho propio", o
tambin como una derivacin (o una aproximacin) del modelo ADL(1,1).
La generalizacin de cada "tipo" en trminos de un nmero mayor de lags y/o varios
regresores naturalmente aproximan los casos entre s. En el cuadro se plantean los modelos
ms simples para resaltar sus diferencias y sus propiedades especficas.
De todas maneras, las restricciones necesarias para obtener los distintos casos (an
suponiendo modelos con mayor nmero de lags y/u otros regresores) en general son difciles
de justificar. An cuando pueden, en ocasiones, existir argumentos tericos relevantes para
explicar una forma especfica, es siempre preferible testear el modelo seleccionado versus la
forma general no restringida (el ADL(1,1)), lo que contribuye a evitar errores de
especificacin importantes.
4
1.3. CLASIFICACIN
1.3.1. MODELOS INGENUOS DE EXPECTATIVAS
Los modelos ms antiguos de expectativas empleaban valores pasados de las variables
relevantes, o bien sencillas extrapolaciones de los mismos, como medicin de las variables
esperadas.
Consideremos el modelo:
A menos que se especifique de otra manera, las expectativas se forman con base en los
periodos anteriores de tiempo. Por lo tanto, el modelo sume:
es decir, la compaa cree que la utilidades del prximo periodo sern iguales a las de ste.
Un modelo sencillo de extrapolacin indicara que los beneficios del siguiente periodo
se elevarn en una cantidad igual a la del ltimo incremento. Es decir,
Otro modelo de extrapolacin sera indicar que las utilidades se elevarn en un
porcentaje igual al del ltimo aumento. Esto da:
En todos los casos se sustituye en el modelo la utilidad esperada por su frmula de
formacin de expectativas, quedando:
como la formacin de expectativas se deriva del exterior y son ajenas al modelo econmico,
estas expectativas se consideran exgenas. Por lo tanto, el modelo se estima por mnimos
cuadrados ordinarios.
5
t t t
e X Y + + =
*
1 0

) (
*
1 1
*
1
*

=
t t t t
X X X X
=

=
0
1
*
) 1 (
i
i t
i
t
X X
Es necesario modificar de manera adecuada la formacin de expectativas, cuando se
cuenta con datos trimestrales o mensuales; porque existen fluctuaciones estacionales. Por
ejemplo, las ventas de diciembre de este ao seran comparables con las del mismo mes del
ao pasado, debido a la temporada navidea. La formacin de expectativas quedara:
obsrvese que se comparan meses o trimestres correspondientes y que se toma como
parmetro el ltimo aumento porcentual.
No se recomiendan estos modelos, sin embargo, su uso es frecuente como puntos de
referencia para juzgar los datos de cualquier encuesta sobre expectativas.
1.3.2. MODELOS ECONOMTRICOS DINMICOS
Los planteamientos tericos que conducen a una especificacin dinmica son:
Modelo de EXPECTATIVAS ADAPTABLES. Cagan (1956).
Modelo de AJUSTE PARCIAL Nerlove (1956).
Modelo de EXPECTATIVAS RACIONALES. Munth (1960, 1961).
A Modelo de Expectativas Adaptativas
El nivel de la variable endgena depende de un valor no observado de Y
t
expectativas de la exgena , as:
X
t
*
Las expectativas se revisan o actualizan en funcin de las desviaciones
observadas en el pasado, as:
Resolviendo la anterior ecuacin diferencial se obtiene:
Sustituyendo el valor de la expectativa en la 1 ecuacin:
6
t
i
i t
i
t
e X Y + + =

=

0
1 1 0
) 1 (
1 1 1 1 0
) 1 ( ) 1 (

+ + + =
t t t t t
e e Y X Y
Transformado la expresin anterior, queda:
EJEMPLO:
P. Cagan propuso un modelo analtico en el que la demanda de saldos
monetarios reales se haca depender del valor esperado de la tasa de inflacin futura:
El mecanismo de expectativas adaptativas, utilizado por Cagan (as como M.
Friedman en su Teora de Consumo), es:
que postula que los agentes modifican la expectativa a partir de las expectativas del
periodo anterior y considerando el error de prediccin cometido.
Si las expectativas de inflacin son estticas y no se
hacen depender del error de prediccin que se haya cometido.
Si las expectativas de inflacin son totalmente
adaptativas, ya que se adapta como valor esperado de la inflacin
futura el valor que la tasa de inflacin ha tomado en este perodo.
Se ignora la informacin que condujo a formar las expectativas
pasadas.
Si en el mecanismo de expectativas se colocan todas las variables de expectativa
en el primer miembro, nos queda:
Si se incorporan las expectativas adaptativas al modelo, se tiene el siguiente
procedimiento:
1 Se retarda el modelo un periodo, as:
( )

t t t +
=
1
1
* *

7
t t t
e X Y + + =
1 0
*

) (
1
*
1
=
t t t t
Y Y Y Y
) (
1 1 0 1
+ + =
t t t t t
Y e X Y Y
2 Se multiplica el modelo retardo por ( 1 - ), nos da:
3 Restamos el modelo menos el modelo retardado, dando:
4 Simplificando y reemplazando por la formacin de expectativas, nos queda el
modelo transformado siguiente:
Dado que el modelo transformado involucra una regresin de sobre
, esto se conoce como modelo autorregresivo.
B Modelo de Ajuste Parcial de Nerlove
Las variables exgenas determinan el valor ptimo o deseado de la variable X
t
endgena. . Por ejemplo: Y
t
*
Slo se alcanza una parte del valor ptimo en cada periodo, matemticamente:
Sustituyendo la primera expresin en la segunda:
Despejando el valor corriente de la endgena:
8
t t t t
e Y X Y + + + =
1 1 0
) 1 (
K Y u
t t t
*
( ) = + +
1 2
1
K K K K
t t t t
= < <
1 1
0 1 2 ( ) ( )
*
K K K
K
K K
t t t
t
t t
= +
=

*
*
( )
( )
1
1
1
1
K Y K u
t t t t
= + + +

1 2 1
1 3 ( ) ( )
EJEMPLO:
Supongamos que el nivel de capital deseado en la economa, , es una funcin K
t
*
del nivel de producto : Y
t
Si un investigador quisiera proceder a estimar cmo vara el stock de capital
deseado u ptimo, segn la economa transcurre a travs de una poca de recesin o
de expansin, tendra el grave problema de no disponer de observaciones de . K
t
*
Aadimos al modelo anterior una ecuacin que describe el mecanismo por el que
el stock de capital se ajusta a su nivel deseado. Supongamos:
postula que el stock de capital observado vara de un perodo a otro en una proporcin
de su distancia con respecto al stock deseado.
Si En cada perodo el stock de capital es igual a su valor deseado. = 1
(Economa donde el stock de capital no est sujeto a
importantes costes de ajuste).
El stock de capital no cambia. = 0
La ecuacin ( 2 ) se puede rescribir:
donde el stock de capital es una combinacin lineal convexa del valor deseado y de
su valor previo.
Al reemplazar ( 1 ) en ( 2 ) tenemos:
Una vez estimado el modelo, el parmetro se obtiene del coeficiente de , K
t 1
mientras que se obtendra dividiendo el coeficiente de por el valor de y
2
Y
t

1
a partir del trmino independiente estimado.
9
t t t
e X Y + + =
*
1 0

) (
1
*
=
t t t
X E X
... * * ... * *
2 2 1 1 2 2 1 1
+ + + + + + =
t t t t t t
b b X a X a X
t t t t t t t
e b b X a X a Y + + + + + + + + =

...) * * ... * * ( *
2 2 1 1 2 2 1 1 1 0

Y Y u
t t t
= + <

1
1 1 ( )
~
( )
MCO
t t
T
t
T
t t t
t
t t
T
t
T
T
YY
Y
Y u Y
Y
Y u
Y
= =
+
= +
1
2
1
2
2
1 1
1
2
1
2
1
2
2
2
La ecuacin ( 3 ) es la demanda de capital a corto plazo y la ecuacin ( 1 ) es la
demanda de capital a largo plazo.
C Modelo de Expectativas Racionales de Munth
El nivel de la variable endgena depende de las expectativas racionales Y
t
formadas sobre el valor de la exgena , as: X
t
*
Las expectativas racionales se forman con toda la informacin disponible hasta
el periodo anterior:
La esperanza condicional viene representada por un proceso ARMA:
El modelo inicial se convierte en un modelo dinmico:
2. VARIABLE ENDGENA REZAGADA
Si aparecen valores retardados de la variable endgena, dejara de cumplirse uno de los
supuestos bajo los que desarrollamos las teoras de estimacin e inferencia del modelo
economtrico, pues algunas de las variables explicativas seran variables aleatorias (ya que Y
t
lo es).
El modelo:
donde u es un proceso de ruido blanco y el estimador de mnimos cuadrados ordinarios es:
10
E Y u Y E Y Y E u
S S t
T
S t
T
S
( / ) ( / ) ( )

= =
1 1
2
2
1 1
2
2
0
Y u
t
s
t s
s
=

=
0
Y Y u
u u
t t t
t t t
= + <
= +

1
1
1
Var e er ada E X u s
Var Exogena E X u s
t S t
t S t
. Pr det min ( )
. ( )
=
=
0 0
0
el estimador ser insesgado si y slo si se cumple: .
E
Y u
Y
t t
T
t
T
=
1
2
1
2
2
0
Si la distribucin de u fuera independiente de para todo par (t,s), entonces se tendra Y
s
para s = 2, ..., T
entonces, el estimador de mnimos cuadrados ordinarios sera insesgado.
Sin embargo, (1) muestra que las distribuciones de y no son independientes, Y
t
u
s
puesto que si el valor absoluto de es inferior a la unidad, entonces:
como depende de y de valores retardados de ; por lo tanto, el estimador de mnimos Y
t
u
t
u
t
cuadrados del modelo (1) ser, en general, sesgado.
El problema se complica sustancialmente cuando aparecen valores retardados de la
variable endgena como variables explicativas y, adems el trmino de error tiene
autocorrelacin:
la variable explicativa est correlacionada con , y a su vez, est correlacionada con ; Y
t 1
u
t 1
u
t
entonces una de las variables explicativas del modelo est correlacionada con el trmino de
error, por lo que ya no se tiene . No podemos garantizar la consistencia del E Y u
t t
( )
=
1
0
estimador de mnimos cuadrados ordinarios.
Por lo tanto, el estimador mnimo cuadrado de los coeficientes del modelo para que sea
consistente es que se tenga para todo y para todas las variables E X u
t S t
( )
= 0 s 0
explicativas del modelo se tiene:
11
Y Y X u
t t t t
= + + + <

1 2 1 3 2
1 1 ( )
=
X X
T Y X
Y Y X
X
t
T
t
T
t
T
t t
T
t
T
1
1
2 2
1
2
2
1
2
2
2
~
( ) ( )
MCO
X X X u = +
1
2
p p
X X
T
X u
T
p
X X
T
p
X u
T
MCO
lim
~
lim lim lim = +

= +

1 1
2.1. EL TRMINO DE ERROR NO TIENE AUTOCORRELACIN
El modelo especificado es:
cuyas variables explicativas y trmino de error satisfacen las siguientes propiedades:
1 No existe autocorrelacin, es decir: . E u E uu I
T u T
( ) , ( ) = = 0
2
2 es determinista, es decir: . X
t
E X u t
t t
( ) , = 0
3 aunque es estocstica, si , depende de , , ..., E Y u
t t
( )
=
1
0 Y
t 1

2
1 < Y
t 1
u
t 1
u
t 2
pero no de , y si este proceso es un ruido blanco, entonces se tiene el resultado u
t
citado.
4 matriz simtrica, definida positiva, donde: p
X X
T
XX
lim

=
Esta condicin se satisface bajo el supuesto , siempre que existan las varianzas
2
1 <
y covarianzas de las variables explicativas e . X
t
Y
t 1
Sabemos que:
aplicando probabilidad lmite nos da:
12
1
Si , entonces se E u E uu I E X u y p
X X
T
u T i XX
( ) , ( ) , ( ) lim = = =

= < 0 0
2

tiene que : . p
X u
T
K
lim

= 0
2
Si , entonces se tiene E u E uu I E X u y p
X X
T
u T i XX
( ) , ( ) , ( ) lim = = =

= < 0 0
2

que:

X u
T
N
D
u XX
( , ) 0
2

p
MCO XX K
lim
~
= + =
1
0
(
~
)
MCO
X X
T
X u
T
=

1
T
X X
T
X u
T
MCO
(
~
) =

1
( ) ( ) ( )
( )
T N N
MCO
D
XX u XX u XX
(
~
) , , =

1
2 2
1
0 0
( )
~
,

MCO
D u
XX
N
T

2
1
segn el teorema de Mann-Wald

1
nos queda:
por lo tanto, el estimador de mnimos cuadrados ordinarios es consistente.
A veces no se est interesado en la distribucin de un estimador, sino en la de una
funcin del mismo. De la ecuacin (2) deducimos:
multiplicando por la raz de T nos da:
aplicando el teorema de Mann-Wald
2
tenemos:
Esta distribucin slo es rigurosamente vlida segn tienda el tamao muestral a infinito.
En la prctica, se realiza la aproximacin siguiente:
1 Pasando y a la derecha, entonces: T
en muestras grandes.
2 Para muestras suficientemente grande, el lmite de es ; entonces, la
XX
X X
T
matriz puede sustituirse por .
XX
X X
T
13
( )
( )
Var X X
MCO u
~
=

2
1
GCP SYS GCP u
t t t t
= + + +

0 1 2 1
Por lo tanto, la matriz de covarianzas se aproxima a:
En cuanto el trmino de error est libre de autocorrelacin, est justificado el uso de
mnimos cuadrados en un modelo que incluye retardos de la variable endgena. Puede utilizarse
la matriz de covarianzas habitual de dicho estimador, quien tiene adems una distribucin
normal en muestras grandes, por lo que los resultados de inferencia estadstica son
aproximadamente vlidas.
Lo anterior es vlido con independencia del nmero de retardos de la variable endgena
que aparecen como variables explicativas.
EJEMPLO 1:
Se tiene informacin trimestral para el periodo 1959 - 1996 de las variables
siguientes:
GCP Gasto de consumo personal.
IPD Ingreso personal disponible.
SYS Sueldos y salarios.
R Tasa de inters activa promedio
especificamos la funcin consumo siguiente:
se estima por mnimos cuadrados ordinarios y se obtiene el siguientes resultado:
Dependent Variable: GCP
Method: Least Squares
Sample(adjusted): 1959:2 1996:1
Included observations: 148 after adjusting endpoints
==========================================================
Variable Coefficient Std. Error t-Statistic Prob.
==========================================================
C -9.587087 2.659345 -3.605055 0.0004
SYS 0.173464 0.020306 8.542600 0.0000
GCP(-1) 0.891955 0.014170 62.94613 0.0000
==========================================================
R-squared 0.999935 Mean dependent var 1854.654
Adjusted R-squared 0.999934 S.D. dependent var 1471.192
S.E. of regression 11.97949 Akaike info criteri 7.824331
Sum squared resid 20808.68 Schwarz criterion 7.885085
Log likelihood -576.0005 F-statistic 1108462.
Durbin-Watson stat 1.992817 Prob(F-statistic) 0.000000
==========================================================
14
$
..
. = = = 1
2
1
1 99281692505
2
0 00359153747518
DW
( )
h =
= < 0 00359153747518
148
1 148 0000200792518378
0 0443569947499 1645 .
.
. .
( ) Q
BP
= = < 148 0001 0000184 384
2
. . .
para determinar si mnimos cuadrados ordinarios es el mtodo de estimacin adecuado debemos
verificar autocorrelacin:
h de Durbin:
. H Ausencia de autocorrelacion orden
0
1 :
se estima el rho:
se calcula el estadstico h y se compara con el estadstico de la tabla normal, de la forma
siguiente:
Por lo tanto, se acepta la hiptesis nula
Box Pierce:
. H Ausencia de autocorrelacion orden m
0
:
se obtiene del Eviews:
Correlogram of Residuals
==============================================================
Sample: 1959:2 1996:1
Included observations: 148
==============================================================
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
==============================================================
.|. | .|. | 1 0.001 0.001 0.0002 0.989
.|* | .|* | 2 0.083 0.083 1.0538 0.590
==============================================================

m = 1
se calcula el estadstico q y se compara con el estadstico de la tabla chi cuadrado, de la forma
siguiente:
15
( ) Q
BP
= + = < 148 0001 0083 1025685 599
2 2
. . . .
LM = < 0000186 384 . .
LM = < 1071686 599 . .
m = 2
siguiente:
Breusch-Godfrey:
0
:
m = 1
Breusch-Godfrey Serial Correlation LM Test:
=====================================================
F-statistic 0.000181 Probability 0.989287
Obs*R-squared 0.000186 Probability 0.989120
=====================================================
se calcula el estadstico LM y se compara con el estadstico de la tabla chi cuadrado, de la
forma siguiente:
m = 2
=====================================================
=====================================================
forma siguiente:
Por lo tanto, se acepta la hiptesis nula.
Concluimos que el mtodo de estimacin de mnimos cuadrados ordinarios es el
adecuado.
16
GCP SYS R GCP u
t t t t t
= + + + +

0 1 2 3 1
$
..
. = = = 1
2
1
1 9974120053
2
0 00129399735245
DW
( )
h =
= < 000129399735245
148
1 148 0 00057107024696
0 0164527854599 1645 .
.
. .
EJEMPLO 2:
Especificamos la funcin consumo siguiente:
=========================================================
=========================================================
C -8.224413 2.632759 -3.123876 0.0022
SYS 0.256588 0.034484 7.440758 0.0000
R -1.823686 0.619578 -2.943434 0.0038
GCP(-1) 0.834550 0.023897 34.92267 0.0000
=========================================================
Log likelihood -571.6770 F-statistic 778035.5
=========================================================
para determinar si mnimos cuadrados ordinarios es el mtodo de estimacin adecuado
debemos verificar autocorrelacin:
h de Durbin:
0
1 :
se estima el rho:
siguiente:
17
( ) Q
BP
= = < 148 0002 0000793 384
2
. . .
( )
( ) Q
BP
= + = < 148 0002 0088 1142607 599
2 2
. . . .
Box Pierce:
0
:
==============================================================
Sample: 1959:2 1996:1
==============================================================
==============================================================
.|. | .|. | 1 -0.002 -0.002 0.0008 0.977
.|* | .|* | 2 0.088 0.088 1.1739 0.556
==============================================================
m = 1
siguiente:
m = 2
siguiente:
Breusch-Godfrey:
0
:
m = 1
=========================================================
=========================================================
18
LM = < 0000863 384 . .
LM = < 1241676 599 . .
Y Y X u
t t t t
= + + + <

1 2 1 3 2
1 1 ( )
u u
t t t
= +

1
Y Y u
t t t
= +
2 1
forma siguiente:
m = 2
=========================================================
=========================================================
forma siguiente:
Por lo tanto, se acepta la hiptesis nula.
Concluimos que el mtodo de estimacin de mnimos cuadrados ordinarios es el adecuado.
2.2. EL TRMINO DE ERROR TIENE AUTOCORRELACIN
y sigue un patrn de autocorrelacin de primer orden, es decir:
donde es ruido blanco.
t
La existencia de autocorrelacin en el trmino de error hace que la propiedad del caso
anterior no se satisfaga. . Por ejemplo: Asumamos en (1) que , ( ) ( )
E Y u
t t

1
0
1 3
0 = =
entonces el modelo queda:
tenemos:
19
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( )
( ) ( ) ( )
E Y u E Y u u E Y u E u u
E Y u E Y u E u u
E Y u E Y u E u E u
E Y u E Y u
E Y u E Y u
E Y
t t t t t t t t t
t t t t t t
t t t t t t t
t t t t u
t t t t t u

= + = +
= + +
= + +
=
+ =
1 2 2 1 2 2 1
1 2 2 1 1
1 2 2 1
2
1
1 2 2
2
1 2 2 1
2

( ) ( ) ( )
( ) ( )
( ) ( )
( )
( )
t t t t t t u
t t t t u
t t u
t t
u
u E Y u E Y
E Y u E Y u
E Y u
E Y u

=
=
=
=
1 2 2 1 2 2
2
1 2 1
2
2 1
2
1
2
2
1
1

( ) p
p
Y u
T
p
Y
T
MCO
t t
T
t
T
lim
~
lim
lim

2 2
1
2
1
2
2
= +
como depende de a travs del modelo, pero y estn relacionados con la Y

t 1
u
t 1
u
t 1
u
t
estructura autoregresiva del trmino de error. En consecuencia y estn correlacionados; Y
t 1
u
t
por lo tanto, el estimador de mnimos cuadrados es sesgado.
Sabemos que:
y si los momentos muestrales convergen en probabilidad a sus anlogos poblacionales, el
numerador y el denominador son diferentes de cero; por lo tanto, el estimador de mnimos
cuadrados no es consistente. Es decir, el sesgo no desaparece al aumentar el tamao muestral.
El procedimiento para obtener estimaciones consistentes de un modelo de este tipo se
conoce como estimador de variables instrumentales.
Una variable instrumental es una variable que satisface tres condiciones: Z
t
1 No est incluida en el modelo como variable explicativa.
20
( )
~
VI
Z X Z Y =
1
[ ] [ ]
X Y X Z X X
t t t t
= =

1 1
1 1
~
~
~
1
2
3
1
2 2
1
2
1 1
2
1
2
2
1
2
2
2
1
2
1
2
2
1
VI
t
T
t
T
t
T
t t
T
t t
T
t
T
t t
T
t
T
t
T
t t
T
t t
T
T Y X
X X Y X X
X X Y X
Y
X Y
X Y
2 Est incorrelacionada con el trmino de error . ( ) ( ) E Z u
t t
= 0
3 Est correlacionada con la variable para la cual hace de instrumento.
En cuanto a la correlacin que debe existir entre una variable instrumental y la variable
explicativa para la que se utiliza, como instrumento, cabe observar lo siguiente:
1 Es importante que dicha correlacin exista, porque la variable instrumental sustituye
parcialmente a la variable endgena rezagada en la estimacin del modelo
economtrico.
2 Dicha correlacin no puede ser muy importante, sino tambin existira una correlacin
apreciable entre la variable instrumental y el trmino de error (esto motiv la necesidad
de la variable instrumental).
El primer retardo de la variable exgena satisface estas tres condiciones, ( )
X
t 1
tambin podra utilizarse el segundo retardo como variable instrumental; la diferencia ( )
X
t 2
es que la relacin entre esta variable y se hace ms indirecta. Y
t 1
En general, en el vector X tan slo habr unas variables que no satisfagan la condicin
, y son estas variables las que necesitan de variables instrumentales. Es decir, los ( ) E Xu = 0
vectores X y Z tendrn en comn aquellas variables que estn incorrelacionadas con el trmino
de error. El estimador de variables instrumentales viene dado:
donde Z denota la matriz T x K de observaciones muestrales de las variables que componen el
vector Z y suponemos que es invertible. Para el ejemplo: Z X
el estimador de variables instrumentales es:
la matriz dista de ser simtrica. Z X
El estimador de variables instrumentales del modelo, en general, es sesgado porque la
variable aparece en la matriz ; pero el estimador es consistente bajo las condiciones Y
t 1
Z X
de la proposicin siguiente:
21
( ) E Z u t
p
Z X
T
p
Z Z
T
t K
ZX ZZ
=
=
0
lim , lim
( ) p p
Z X
T
Z u
T
p
Z X
T
p
Z u
T
VI
lim
~
lim lim lim = +

= +

1
1
( )
p
VI ZX K
lim
~
= + =
1
0
( ) E Z u t
p
Z X
T
simetrica definida positiva
p
Z Z
T
no gular
t K
ZX
ZZ
=
=
0
lim ,
lim sin
( ) p
Z u
T
y
Z u
T
N
K K u ZZ
lim ,
=

0 0
2
Sea Z una matriz T x K de observaciones de las variables , quiz Z Z Z

K 1 2
, ,...,
aleatorias. Sea la fila t de Z y supongamos que se tiene: Z
t
ambas matrices son singulares y finitas, entonces tenemos:
reemplazando por los supuestos nos da:
la consistencia de proviene de la ausencia de correlacin entre instrumentos y trmino de
~
VI
error, con independencia de que ste tenga o no autocorrelacin.
En ausencia de autocorrelacin, podemos caracterizar la distribucin asinttica de
~
VI
de la forma siguiente:
Dado el modelo , donde es el vector de variables explicativas, que Y X u
t t t
= + X
t
puede incluir algunos retardos de la variable endgena, y , el trmino de error es un ruido u
t
blanco, sea X la matriz T x K de observaciones de las variables , y supongamos Z Z Z
K 1 2
, ,...,
que:
el teorema de Mann - Wald asegura que bajo los tres supuestos mencionados se tiene:
y como:
22
( )
T
Z X
T
Z u
T
VI
~
=

1
( ) ( ) ( )
( ) ( )
( )
T N
T N
N
T
VI ZX K u ZZ
VI K u ZX ZZ ZX
VI
u
ZX ZZ ZX
~
,
~
,
~
,

1
2
2 1 1
2
1 1
0
0
( ) ( ) ( )
[ ]
Var
T
VI
u
ZX ZZ ZX
~

2
1
1
( )
( ) ( ) ( )
[ ]
Var
T
Z X
T
Z Z
T
Z X
T
Z X Z Z Z X
VI
u
u
~
=

2 1 1
2
1 1
( ) ( )
~
~ ~

u
VI VI
Y X Y X
T K
2
=
converge en distribucin a:
Por lo tanto, este resultado justifica que en muestras grandes se utilice como matriz de
covarianzas del estimador de variables instrumentales:
y se utiliza las matrices de momentos muestrales , para aproximar sus lmites
Z X
T
Z Z
T
respectivos de ; reemplazando nos da:
ZX ZZ
,
El parmetro se estimara dividiendo la suma residual por el nmero de grados de
u
2
libertad ( T-K ). Los residuos deben calcularse utilizando las variables originales del modelo,
es decir:
Este resultado no puede generalizarse fcilmente al caso en que el trmino de error
tiene autocorrelacin, por lo que suele utilizarse la matriz de covarianza anterior incluso en tal
caso, aun a sabiendas que no es sino una aproximacin.
Se ha presentado el estimador de variables instrumentales como si se dispusiese de un
nmero de instrumentos igual al nmero de variables explicativas, entonces no existe diferencia
23
entre instrumentos y variables instrumentales.
Generalmente, se dispondr de un nmero mayor de instrumentos que de variables
instrumentales, situacin que se denomina " sobreidentificacin"; por lo tanto, habra muchas
formas de construir las variables instrumentales que precisamos para obtener consistencia.
La matriz de covarianzas del estimador de variables instrumentales depende de los
valores de stas, por lo que el modo en que los instrumentos se combinan para generar
variables instrumentales influye sobre la eficiencia de un estimador de variables instrumentales
respecto a otro estimador de su misma clase.
Consideremos el modelo siguiente:
en el que las variables , supuestos deterministas, estn incorrelacionados con
el trmino de error, y son instrumentos vlidos. Pero slo necesitamos una variable instrumental
para , y se tratara de buscar cul de todas las posibles minimiza la varianza del estimador
resultante. Adems cualquier combinacin lineal de los
instrumentos es asimismo un instrumento vlido.
Una posibilidad consiste en generar la variable instrumental que presente mayor
correlacin con , entonces estimamos una regresin auxiliar de esta variable sobre los tres Y
t 1
instrumentos de que disponemos, para obtener la variable generada , que ser una
~
Y
t 1
combinacin lineal de , y y, como tal, una variable instrumental vlida. X
t 1 1
X
t 2 1
X
t 3 1
La utilizacin del vector genera el denominado estimador de ( ) =

Z Y X X X
t t t t t
~
, , ,
1 1 2 3
mnimos cuadrados en dos etapas . ( )
~
MC E 2
El estimador de mnimos cuadrados bietpicos es el estimador lineal de variables
instrumentales eficiente, en el sentido de tener mnima matriz de covarianza entre los
estimadores que utilizan como variables instrumentales combinaciones lineales de los
instrumentos disponibles.
La aplicacin del mtodo de mnimos cuadrados bietpicos requiere los siguientes
pasos:
1 Estimar una regresin auxiliar de sobre los tres instrumentos de que
disponemos, para obtener la variable predicha , que ser una combinacin lineal
~
Y
t 1
de y, como tal, es una variable instrumental vlida.
2 Se sustituye en el modelo original por y se estima el modelo transformado
~
Y
t 1
24
GCP IPD GCP u
t t t t
= + + +

0 1 2 1
$
.
. = = = 1
2
1
17096162998
2
0145191850101
DW
( )
h =
= > 0145191850101
148
1 148 0000617205200589
1852993577 1645 .
.
. .
por mnimos cuadrados ordinarios.
EJEMPLO 3:
=========================================================
=========================================================
C 0.248943 1.870295 0.133104 0.8943
IPD 0.193060 0.022728 8.494528 0.0000
GCP(-1) 0.801910 0.024844 32.27830 0.0000
=========================================================
=========================================================
h de Durbin:
0
1 :
se estima el rho:
siguiente:
Por lo tanto, se rechaza la hiptesis nula
25
( ) Q
BP
= = < 148 0145 3106615 384
2
. . .
( ) Q
BP
= + = > 148 0145 0168 7 285250 599
2 2
. . . .
Box Pierce:
0
:
==============================================================
Sample: 1959:2 1996:1
==============================================================
==============================================================
.|* | .|* | 1 0.145 0.145 3.1700 0.075
.|* | .|* | 2 0.168 0.150 7.4631 0.024
==============================================================
m = 1
siguiente:
m = 2
siguiente:
Breusch-Godfrey:
0
:
m = 1
=========================================================
=========================================================
26
LM = < 3208674 384 . .
LM = > 6741162 599 . .
( )
~
~
~
~
.
.
.
VI
Z X Z Y =
= =
0
1
2
1
4191603
0298547
0686558
( ) ( )
~
~ ~
.

u
VI VI
Y X Y X
2
148 3
1654665 =
=
forma siguiente:
m = 2
=========================================================
=========================================================
forma siguiente:
Por lo tanto, se rechaza la hiptesis nula.
Concluimos que mnimos cuadrados ordinarios no es el mtodo de estimacin
adecuado y debemos aplicar el mtodo de variables instrumentales de la siguiente forma:
Primero creamos los grupos y a continuacin se convierten en matrices, tenemos los
grupos siguientes:
G1 = [ 1 IPD GCP(-1) ] X
G2 = [ GCP ] Y
G3 = [ 1 IPD IPD(-1) ] Z
Obtenemos el estimador de los coeficientes de variables instrumentales, as:
a continuacin se calcula el estimador de la varianza de la perturbacin, de la siguiente
manera:
27
( )
( ) ( )( ) Var Z X Z Z Z X
VI u
~
~
. . .
. . .
. . .
= =

2
1 1
6861411 0093411 0101153
0093411 0002198 0002403
0101153 0002403 0002628
( )
t
t
t
t
VAR
VI
i
i
~
~
~
~
~
= =
0
1
2
-1.60019686721
6.36810211651
13.3934789812
GCP IPD R GCP u
t t t t t
= + + + +

0 1 2 3 1
ahora se estima la varianza de los estimadores de variable intsrumental, as:
con esta informacin podemos calcular el t estadstico para cada estimador de variable
instrumental, de la forma siguiente:
EJEMPLO 4:
=========================================================
=========================================================
C 2.046243 2.649849 0.772211 0.4413
IPD 0.214902 0.032202 6.673643 0.0000
R -0.495999 0.517889 -0.957733 0.3398
GCP(-1) 0.778189 0.035086 22.17975 0.0000
=========================================================
=========================================================
28
$
..
. = = = 1
2
1
1 67918769606
2
0160406151972
DW
( )
h =
= > 0160406151972
148
1 148 0 00123099578102
215786848852 1645 .
.
. .
( ) Q
BP
= = < 148 016 37888 384
2
. . .
( )
( ) Q
BP
= + = > 148 016 018 8591901 599
2 2
. . . .
h de Durbin:
0
1 :
se estima el rho:
siguiente:
Box Pierce:
0
:
===========================================================
Sample: 1959:2 1996:1 Included observations: 148
===========================================================
===========================================================
.|* | .|* | 1 0.160 0.160 3.8730 0.049
.|* | .|* | 2 0.180 0.158 8.8008 0.012
===========================================================

m = 1
siguiente:
m = 2
siguiente:
29
LM = > 4 341279 384 . .
LM = > 9 252508 599 . .
Breusch-Godfrey:
0
:
m = 1
=========================================================
=========================================================
forma siguiente:
m = 2
=========================================================
=========================================================
forma siguiente:
La estimacin de mnimos cuadrados ordinarios presenta autocorrelacin y el modelo
tiene dos variables exgenas, entonces el mtodo adecuado es mnimos cuadrados en dos
etapas.
En el Eviews escribimos el comando siguiente:
TSLS GCP C IPD R GCP(-1) @ C IPD IPD(-1) R R(-1)
30
Y X X X u
t t t S t S t
= + + + + +

1 2 2 3 2 1 2
...
Method: Two-Stage Least Squares
Instrument list: C IPD IPD(-1) R R(-1)
=========================================================
=========================================================
C 1.645073 2.834786 0.580316 0.5626
IPD 0.194944 0.059191 3.293451 0.0012
R -0.269375 0.765920 -0.351701 0.7256
GCP(-1) 0.799938 0.064501 12.40185 0.0000
=========================================================
S.E. of regression 12.02149 Sum squared resid 20810.34
F-statistic 733707.8 Durbin-Watson stat 1.711471
Prob(F-statistic) 0.000000
=========================================================
3. VARIABLE EXGENA REZAGADA
Si el modelo es del tipo:
no se incumplen las hiptesis bsicas del modelo lineal general, porque las distintas variables
explicativas del modelo de regresin son todas deterministas.
En este modelo aparecen tan slo dos posibles dificultades:
1 Los retardos consecutivos de una variable econmica tienden a estar correlacionados
entre s, tanto ms cuanto mayor sea la estructura de autocorrelacin de dicha variable.
Cuanto mayor sea la correlacin entre los retardos de , ms importante ser la X
t
presencia de alto grado de multicolinealidad.
2 Cuando la estructura de retardos es de orden infinito, entonces es imposible estimar
directamente el modelo, porque no tendramos observaciones suficientes para ello.
Para estimar este modelo es imprescindible imponer a priori algn tipo de restriccin
entre los coeficientes, de modo que el modelo pueda transformarse en otro con un
nmero reducido de variables explicativas.
En la formacin de expectativas, otros modelos utilizan el total de la historia,
asignando pesos especficos que decrecen a los valores anteriores, a medida que se retrocede
hacia el pasado distante. Estos se conocen como modelos de expectativas de rezagos
distribuidos.
31
Y X kI X X k ' ) ' ( ) (
1
+ =
) 1 /(
0
+ =
r X Z
r
i
i t t
= =
=
r
i
i
r
i
i t i t
p X p Z
0 0
=
r
i
i t t
X Z
0
r
r t
L L L L W + + + + + = ...
3
3
2
2 1 0
t t t
e X L W Y + = ) ( *

t i t i
i
K
+
=
=

1
0
*
Las posibles soluciones al problema de estimacin en presencia de variables exgenas
retardadas son los siguientes:
1 Utilizar estimadores adecuados en el caso de multicolinealidad severa
(ESTIMADORES CRESTA).
2
Elaborar una nica variable transformada, por ejemplo:
3
Estimar con distribuciones de retardos.
3.1. RETARDOS FINITOS
Consideremos el siguiente modelo de Demanda de saldos reales:
el mecanismo de expectativas adaptativas es:
tambin se puede expresar de la siguiente forma:
Esto recibe el nombre de rezago distribuido finito, ya que el nmero de valores
rezagados o pasados es finito. son los pesos especficos que se asignan a
estos valores pasados.
El modelo de rezago distribuido finito se obtiene sustituyendo la ecuacin de ajuste
de expectativas en el modelo original, el resultado es el siguiente:
32
M
P
u u u
t
t
i t i
i o
K
t i t i
i o
K
t i t i
i o
K
t
= + + = + + = + +
=

1 2 1 2 1
*
=
+ =
r
i
i
L i r L W
0
) 1 ( ) (
2 / ) 1 ( ) 1 ( ) (
1
0
r s con L i r L i L W
r
s i
i
s
i
i
= + + + =

=
=
+ + + + =
r
i
i q
q
L i i i L W
0
2
2 1 0
) ... ( ) (
) , 0 ( ) ... ( ) (
0
2 2
2 1 0
=
+ + + + + =
r
i
i
i
i
q
q
N con L i i i L W
multiplicando y simplificando se obtiene:
en trminos de sumatoria sera:
Los retardos consecutivos de una variable econmica tienden a estar correlacionados
entre s, tanto ms cuanto mayor sea la estructura de autocorrelacin de dicha variable; por
lo tanto, cuanto mayor sea la correlacin entre los retardos de , ms importante ser la
presencia de alto grado de multicolinealidad.
Existen planteamientos alternativos de distribuciones de retardos finitos, por ejemplo:
1 Aritmtica:
2 V Invertida:
3 Almon:
4 Shiller:
33
j k
n
con L B A L W
kj
i
q
k
kj k kj k
.
1
2
) cos sen ( ) (
0
+
=
+ + =

=

5 Armnicas:
Consideraremos a Almon que generaliz para el caso en que sigue un polinomio
de grado r en i. Esto se conoce como rezago de Almon o polinomial. Se denota como PDL
(K, r), donde PDL significa una distribucin polinomial de rezagos, K es la longitud de
rezagos y r es el grado del polinomio. Por ejemplo, si r = 2, escribimos:
Sustituyendo el PDL en el modelo transformado, se obtiene:
definiendo:
reemplazando en el modelo anterior, nos queda:
se estima el modelo por mnimos cuadrados ordinarios y se obtiene los estimados de , luego
a partir del polinomio se calcula los valores de .
Al reducir el nmero de parmetros a estimar, se simplifica el modelo original y
disminuye el riesgo de alto grado de multicolinealidad en el modelo auxiliar, aunque al ser
ste ms restrictivo, cabe la posibilidad que el modelo resultante auxiliar no est bien
especificado, lo que originara sesgos en las estimaciones de sus parmetros.
Aunque todos los desarrollos se han realizado considerando una sola variable exgena X
t
con varios retardos, los polinomios anteriores se pueden aplicar a estructuras ms complejas
de retardos distribuidos en distintas variables exgenas y en la endgena.
Los rezagos polinomiales suponen tres tipos de problema:
1 Problemas de distribuciones de cola prolongada.- es difcil captar distribuciones de
retardo de colas prolongadas, como la que se observa en el grfico.
34
GCP IPD u
t i t i
i
m
t
= + +

0
Para resolver este problema puede utilizarse un polinomio por tramos, o bien
un polinomio para la inicial y un rezago de Koyck o geomtrico para la ltima
parte.
2 Problema en la eleccin de la longitud del retardo K.- Schmidt y Waud sugieren
escoger K con base en la mxima: Frost efectu una simulacin experimental
utilizando este criterio y descubri un importante sesgo hacia arriba en la longitud del
rezago. Por lo tanto, para corregir el sesgo Frost sugiere utilizar relaciones F mayores
que 1, es decir, F = 2.
3 Problemas para escoger r, el grado del polinomio.- Si se especifica en forma correcta
la longitud K del rezago, entonces lo que se hace es iniciar con un polinomio de grado
lo suficientemente alto (cuarto o quinto grado) e ir hacia atrs (forma secuencial) hasta
rechazar la hiptesis nula (no significancia).
EJEMPLO 5:
primero se elige el retardo ptimo, estimando por mnimos cuadrados ordinarios la funcin
consumo con cero retardos, un retardo, dos retardos y as sucesivamente; finalmente
elegimos la mejor estimacin. mediante los criterios de informacin.
En el Eviews se escribe los comandos siguientes:
LS GCP C IPD
LS GCP C IPD IPD(-1)
LS GCP C IPD IPD(-1) IPD(2)
LS GCP C IPD IPD(-1) IPD(2) IPD(-3)
35
LS GCP C IPD IPD(-1) IPD(2) IPD(-3) IPD(-4)
.............................................................
De las estimaciones de Eviews construimos el siguiente cuadro:
================================================
M T AKAIKE SCHWARZ R
2
================================================
0.000000 148.0000 0.999459 9.916938 9.957441
1.000000 148.0000 0.999550 9.739763 9.800517
2.000000 147.0000 0.999595 9.640053 9.721425
3.000000 146.0000 0.999625 9.568611 9.670790
4.000000 145.0000 0.999656 9.489712 9.612887
5.000000 144.0000 0.999687 9.399949 9.544315
6.000000 143.0000 0.999712 9.323912 9.489665
7.000000 142.0000 0.999728 9.270235 9.457576
8.000000 141.0000 0.999739 9.236198 9.445330
9.000000 140.0000 0.999744 9.221678 9.452807
10.00000 139.0000 0.999755 9.185458 9.438794
11.00000 138.0000 0.999768 9.136352 9.412107
12.00000 137.0000 0.999772 9.122193 9.420585
13.00000 136.0000 0.999779 9.097349 9.418598
14.00000 135.0000 0.999786 9.072103 9.416432
15.00000 134.0000 0.999789 9.063944 9.431580
16.00000 133.0000 0.9998067 8.978877 9.370052
17.00000 132.0000 0.9998066 8.984089 9.399037
18.00000 131.0000 0.999804 9.003127 9.442089
19.00000 130.0000 0.999801 9.023694 9.486911
20.00000 129.0000 0.999797 9.045514 9.533234
===============================================
elegimos el retardo 16 como el ptimo porque tiene el mayor coeficiente de determinacin
ajustado, el menor Akaike y el menor Schwarz.
Se aplica el polinomio de retardos distribuidos y se estima por mnimos cuadrados
ordinarios, empezamos el proceso utilizando un polinomio de grado alto (sexto grado); y se
verifica si el coeficiente correspondiente a este grado es significativo.
Si no lo es, entonces disminuimos un grado el polinomio y se vuelve a verificar la
significancia.
Si lo es, entonces esa es la estimacin adecuada.
El comando para estimar es:
LS GCP C PDL(IPD, 16, 6)
el eviews nos muestra el resultado siguiente:
36
( )
t t
PDL
07
1832573 1979124
0 95 125
= < = . .
. ,
==================================================
Variable Coefficient Std. Erro t-Statistic Prob.
==================================================
C -6.339855 3.600894 -1.760634 0.0807
PDL01 -0.012270 0.030316 -0.404748 0.6864
PDL02 -0.005282 0.013266 -0.398128 0.6912
PDL03 0.009811 0.009862 0.994854 0.3217
PDL04 0.000367 0.000950 0.386271 0.7000
PDL05 -0.000659 0.000472 -1.396955 0.1649
PDL06 -9.23E-06 1.30E-05 -0.709186 0.4795
PDL07 9.78E-06 5.33E-06 1.832573 0.0692
==================================================
Verificamos si el coeficiente del sexto grado del polinomio es significativo, de la
forma siguiente:
H
PDL 0 07
0 : =
Por lo tanto, no es significativo.
Entonces disminuimos un grado el polinomio y volvemos a verificar la significancia
del coeficiente del grado cinco del polinomio.
==================================================
==================================================
C -6.050610 3.630943 -1.666402 0.0981
PDL01 0.034509 0.016505 2.090798 0.0386
PDL02 -0.008626 0.013262 -0.650385 0.5166
PDL03 -0.007747 0.002358 -3.286186 0.0013
PDL04 0.000644 0.000946 0.680622 0.4974
PDL05 0.000202 4.09E-05 4.943113 0.0000
PDL06 -1.32E-05 1.30E-05 -1.016531 0.3113
==================================================
37
( )
t t
PDL
06
1016531 19789706
0 95 126
= < = . .
. ,
Verificamos si el coeficiente del quinto grado del polinomio es significativo, de la
forma siguiente:
H
PDL 0 06
0 : =
Entonces disminuimos un grado el polinomio y volvemos a verificar la significancia
del coeficiente del grado cuarto del polinomio.
=========================================================
=========================================================
C -5.808098 3.623573 -1.602865 0.1114
PDL01 0.035690 0.016467 2.167386 0.0321
PDL02 0.003547 0.005701 0.622171 0.5349
PDL03 -0.007954 0.002349 -3.386001 0.0009
PDL04 -0.000308 0.000135 -2.278716 0.0244
PDL05 0.000206 4.08E-05 5.052374 0.0000
=========================================================
S.E. of regression 19.97692 Akaike info criterion 8.871096
=========================================================
Lag Distribution of IPD i Coefficie Std. Error T-Statistic
============================================================
. *| 0 0.49948 0.04026 12.4056
. * | 1 0.22122 0.01176 18.8102
. * | 2 0.06149 0.01836 3.34862
*. | 3 -0.01368 0.02152 -0.63571
*. | 4 -0.03333 0.01861 -1.79085
38
( )
t t
PDL
05
5052374 19788195347
0 95 127
= < = . .
. ,
GCP IPD IPD
IPD IPD IPD
IPD IPD IPD
IPD IPD IPD
IPD IPD IPD
IPD
t t t
t t t
t t t
t t t
t t t
t
= + +
+
+ +
+ + +
+
+
5808098244 04994778688 0221219823

006149146821 001368081228 00333281558
002153941711 000253887094 002470249744
003568957339 003118053171 001179812725
001689256324 004438414106 00552268856
002902875434 0
1
2 3 4
5 6 7
8 9 10
11 12 13
14
. . .
. . .
. . .
. . .
. . .
. .05954461717 02407699153
15 16
IPD IPD
t t
+ .
GCP R IPD u
t t i t i
i
m
t
= + + +

0 1
0
*. | 5 -0.02154 0.01451 -1.48436
* | 6 0.00254 0.01370 0.18539
* | 7 0.02470 0.01553 1.59095
.* | 8 0.03569 0.01647 2.16739
.* | 9 0.03118 0.01536 2.03015
* | 10 0.01180 0.01400 0.84292
*. | 11 -0.01689 0.01589 -1.06299
*. | 12 -0.04438 0.02046 -2.16924
* . | 13 -0.05523 0.02297 -2.40470
*. | 14 -0.02903 0.01876 -1.54705
.* | 15 0.05954 0.01324 4.49886
. * | 16 0.24077 0.04599 5.23524
============================================================
Sum of Lags 0.97433 0.00304 320.727
============================================================
Verificamos si el coeficiente del cuarto grado del polinomio es significativo, de la
forma siguiente:
H
PDL 0 05
0 : =
Por lo tanto, es significativo.
La estimacin adecuada de la funcin consumo es la siguiente:
EJEMPLO 6:
se sigue el mismo procedimiento del ejemplo anterior.
39
Determinamos el retardo ptimo:
================================================
M T AKAIKE SCHWARZ R
2
================================================
0.000000 148.0000 0.999708 9.307039 9.367793
1.000000 148.0000 0.999729 9.240432 9.321438
2.000000 147.0000 0.999726 9.256498 9.358214
3.000000 146.0000 0.999724 9.270765 9.393379
4.000000 145.0000 0.999724 9.275053 9.418758
5.000000 144.0000 0.999730 9.258455 9.423444
6.000000 143.0000 0.999735 9.245726 9.432199
7.000000 142.0000 0.999739 9.236356 9.444513
8.000000 141.0000 0.999744 9.225159 9.455204
9.000000 140.0000 0.999746 9.222191 9.474332
10.00000 139.0000 0.999755 9.192085 9.466532
11.00000 138.0000 0.999767 9.147645 9.444613
12.00000 137.0000 0.999771 9.135508 9.455214
13.00000 136.0000 0.999777 9.111658 9.454324
14.00000 135.0000 0.999784 9.086885 9.452734
15.00000 134.0000 0.999787 9.078252 9.467514
16.00000 133.0000 0.9998052 8.993054 9.405961
17.00000 132.0000 0.9998051 8.998324 9.435112
18.00000 131.0000 0.999802 9.017919 9.478829
19.00000 130.0000 0.999799 9.038893 9.524168
20.00000 129.0000 0.999795 9.060936 9.570825
===============================================
elegimos el retardo 16 como el ptimo porque tiene el mayor coeficiente de determinacin
ajustado y el menor Akaike; si se considerar el criterio Schwarz el ptimo sera 1.
Eleccin del grado de polinomio ptimo:
LS GCP C R PDL(IPD, 16, 6)
==================================================
==================================================
C -8.162016 5.836322 -1.398486 0.1645
R 0.499054 1.255326 0.397550 0.6916
40
( )
t t
PDL
05
1804222 19792801166
0 95 124
= < = . .
. ,
( )
t t
PDL
06
0970754 197912410942
0 95 125
= < = . .
. ,
PDL01 -0.010006 0.030947 -0.323329 0.7470
PDL02 -0.005299 0.013311 -0.398116 0.6912
PDL03 0.009571 0.009914 0.965390 0.3362
PDL04 0.000355 0.000954 0.372635 0.7101
PDL05 -0.000650 0.000474 -1.371854 0.1726
PDL06 -8.85E-06 1.31E-05 -0.676314 0.5001
PDL07 9.67E-06 5.36E-06 1.804222 0.0736
==================================================
Verificamos si el coeficiente del sexto grado del polinomio es significativo, de la
forma siguiente:
H
PDL 0 07
0 : =
Por lo tanto, el coeficiente del grado sexto del polinomio no es significativo,
entonces estimamos el modelo considerando un polinomio de quinto grado y los resultados
del Eviews son:
==================================================
==================================================
C -8.290242 5.888299 -1.407918 0.1616
R 0.612332 1.265014 0.484052 0.6292
PDL01 0.036662 0.017143 2.138648 0.0344
PDL02 -0.008603 0.013303 -0.646677 0.5190
PDL03 -0.007808 0.002368 -3.297102 0.0013
PDL04 0.000626 0.000950 0.659165 0.5110
PDL05 0.000202 4.11E-05 4.912057 0.0000
PDL06 -1.27E-05 1.30E-05 -0.970754 0.3335
==================================================
Verificamos si el coeficiente del quinto grado del polinomio es significativo, de la
forma siguiente:
H
PDL 0 06
0 : =
El coeficiente del grado quinto del polinomio no es significativo, entonces estimamos
el modelo considerando un polinomio de cuarto grado y los resultados del Eviews son:
41
( )
t t
PDL
05
501515 197897060199
0 95 126
= < = . .
. ,
GCP R IPD
IPD IPD IPD
IPD IPD IPD
IPD IPD IPD
IPD IPD IPD
IPD
t t t
t t t
t t t
t t t
t t t
t
= + +
+ +
+
+ + +
+

8423678855 07121166325 04874192342

0214724703 005901103723 001343158555
003139067077 001873140654 0005603336277
002759300405 003813936043 003306648629
001312077977 001602904374 004379195161
005465459393 00281813035
1 2 3
4 5 6
7 8 9
10 11 12
13
. . .
. . .
. . .
. . .
. . .
. . 8 006098590386
024312733
14 15
16
IPD IPD
IPD
t t
t

+
+
.
.
==================================================
==================================================
C -8.423679 5.885348 -1.431297 0.1548
R 0.712117 1.260543 0.564929 0.5731
PDL01 0.038139 0.017071 2.234169 0.0272
PDL02 0.003023 0.005791 0.521900 0.6027
PDL03 -0.008015 0.002358 -3.399155 0.0009
PDL04 -0.000286 0.000141 -2.024389 0.0450
PDL05 0.000205 4.09E-05 5.015150 0.0000
==================================================
Verificamos si el coeficiente del cuarto grado del polinomio es significativo, de la
forma siguiente:
H
PDL 0 05
0 : =
Por lo tanto, es significativo.
La estimacin adecuada de la funcin consumo es la siguiente:
3.2. RETARDOS INFINITOS
Consideremos el modelo de Demanda de saldos reales:
el mecanismo de expectativas adaptativas es:
42

t i t i
i
+
=
=

1
0
*
L
L W
=
1
1
) (
positivo y entero r con
L
L W
r
r
) 1 (
) 1 (
) (
=
n y m do de polinomios L V y L U con
L V
L U
L W gra ) ( ) (
) (
) (
) ( =
en forma de sumatoria se expresa:
cuando el nmero de retardos es infinito es imposible estimar directamente el modelo,
porque no tendramos observaciones suficientes para ello.
Esto recibe el nombre de rezago distribuido finito, ya que el nmero de valores
rezagados o pasados es finito. son los pesos especficos que se asignan
a estos valores pasados.
Los modelos de rezago distribuido recibieron mayor atencin en la dcada de 1950,
cuando Koyck, Cagan y Nerlove sugirieron utilizar una distribucin infinita de rezagos, con
pesos especficos que se reducen en forma geomtrica.
Para estimar este modelo es imprescindible imponer a priori algn tipo de restriccin
entre los coeficientes, de modo que el modelo pueda transformarse en otro con un nmero
reducido de variables.
Algunos planteamientos alternativos de distribuciones de retardos infinitos son:
1 Geomtrica:
2 Pascal:
3 Racional:
4 Gamma:
43
=
0
1
) exp(
) (
1
) (
i
i s
L i i
s
L W
0 exp ) (
0 1
<
= =
m
i
m
k
k
k
p con i p L W
5 Exponencial:
Si los decrecen de manera geomtrica, es posible escribir:
entonces la suma de la serie infinita es , y si esta suma es igual a 1, se deber tener
. As,
Al sustituir esta expresin en el modelo original, nos da:
esto abarca una serie infinita y los valores infinitos anteriores de no se observan , es
preciso resolver este problema de alguna forma. Lo que se hace es dividir la serie en dos
partes : el pasado observado y el no observado. Las series infinitas se escriben:
La primera parte se observa y se denota por medio de , la segunda parte puede
escribirse:
sustituyendo en el modelo, queda:
44
M
P
Z u
t
t
t
t
t
= + + +
1 2 1
( ) u N I
t u T
0
2
,
ln , , , , ln ln L
M
P
Z
T T M
P
Z
t
t
t u
u
t
t
t
t
t
T
1 1 2
2
2 1 2
1
2
2
2
2
1
2

( )
( )
~
~
~
1
2
1
1
1
2
1
1
1
2 2
2
1
1
1
1
1
1
1
1
1
=
= =
=
=
=
T Z
Z Z
Y
Z Y
Y
t
t
T
T
t
t
T
t
t
t
T
T
t
t
T
t t
t
T
t
t
t
T
en realidad el parmetro c no interesa, dependen de .
Aplicaremos el mtodo de estimacin de mxima verosimilitud al modelo:
suponemos:
El logaritmo de la funcin de verosimilitud es:
se maximiza la funcin de verosimilitud con respecto a es equivalente a
1 2
, , y
minimizar la suma residual. Por lo tanto, el estimador de mxima verosimilitud coincide con
el estimador de mnimos cuadrados ordinarios.
Como el parmetro debe tomar valores en el intervalo (-1,1), entonces es posible
hacer una particin de dicho intervalo, por ejemplo: -1, -0.9, ..., 0, 0.1, 0.2, ..., 1 y estimar
el modelo por mnimos cuadrados ordinarios bajo cada uno de estos valores de ,
obteniendose:
45
( )
( )
I
T Z
Z
t
Z Z
Z
t Z
Z
t
u
u
t
t
T
T
t t
t
T
t
t
T
t
t
t
T
t t
t
t
T
T
t t
=
= =
+

1
1
2
2
2
1
1
2
1 1
1
1
2
1
1
1
2
1 1
1
1
2 2
2 2
1 1
1
1
0
0
1
1
~
~
~
~
~
t
t
T
t t
t
T
u
Z
t
T
1
2
1 1
2
1
2
1
0
0
2
En general, no tiene mucho sentido suponer que los coeficientes del modelo
i
original alternan en signo, por lo que se supone inferior a la unidad en valor absoluto,
pero positivo; entonces, es el intervalo (0,1) el que se particiona.
Tras estimar el modelo suponiendo los diferentes valores de , se escoge aquel
valor de que gener una suma residual menor o un coeficiente de determinacin ms alto.
Las estimaciones de y son las que se obtuvieron con dicho valor de .
1

2

Si queremos afinar ms en los valores numricos estimados, puede hacerse una
subdivisin de un intervalo alrededor del valor de inicialmente estimado, y repetir el
proceso.
La matriz de covarianzas apropiada es la inversa de la matriz de informacin, pues
el estimador que se ha obtenido es, en realidad, el de mxima verosimilitud.
Para ello, habra que obtener la matriz de segundas derivadas de la funcin de
verosimilitud con respecto al vector de parmetros , puesto que ahora se ( )
1 2
2
, , , ,
u
estiman todos simultneamente. Dicha matriz de covarianzas es:
algunas observaciones:
1 La varianza del estimador es igual a , y es independiente de .
~
u
2
2
2
u
T
~
,
~
,
~
~

1 2
y
2 La submatriz superior de orden 3 x 3 coincide con la matriz que se utiliz para
obtener el estimador de mnimos cuadrados ordinarios.
Para la estimacin del modelo transformado se sigue el procedimiento siguiente:
1 Para cada valor de en el rango ( 0 , 1 ) se construyen las variables:
46
( ) GCP IPD u
t i t i
i
t
= + +

0
1
( ) ( ) GCP IPD u
t
i
t i
i
t
= + +
1 2
0
es decir:
y as sucesivamente; y .
2 Estimamos el modelo transformado por el mtodo de mnimos cuadrados ordinarios
y obtenemos la suma de cuadrados residual.
3 Se escoge el valor de para el que la suma residual es mnimo y obtenemos los
valores correspondientes de como los estimados de mnimos cuadrados
que se desean.
4 Si queremos afinar ms en los valores numricos estimados, puede hacerse una
subdivisin de un intervalo alrededor del valor de inicialmente estimado, y repetir
el proceso anterior.

Obsrvese que, dado que son funciones no lineales de , la estimacin del
modelo transformado involucra el mtodo de mnimos cuadrados no lineales. Sin embargo,
para un valor dado de , tenemos un modelo lineal de mnimos cuadrados. As, utilizamos
un procedimiento de bsqueda sobre . En la prctica, se elige en intervalos de 0.1 en
el primer paso y de 0.01 en el segundo.
EJEMPLO 7:
Si los decrecen de manera geomtrica, es posible escribir:
entonces la suma de la serie infinita es , y si esta suma es igual a 1, se deber tener
. As,
47
( ) ( ) GCP IPD u
t
i
t i
i
t
+

=
= + +
1
1
1
0
1
1 3
( ) ( ) GCP IPD GCP u u
t t t t t
= + + +

1
1 1
GCP IPD GCP u
t t t t
= + + +

* *
1
Y X u Y Z u = + = + +
1 1
( ) ( ) ( )
[ ]
( )
~ ~ ~ ~ ~ ~

MCO VI VI MCO MCO VI r
Var Var

1
2
rezagamos un periodo el modelo y multiplicamos por :
restando (3) de (2):
o
el resultado es el modelo del ejemplo 3 y el proceso de estimacin ya se conoce.
4. CONTRASTE DE EXOGENEIDAD DE HAUSMAN Y WU
Es aconsejable cuestionarse acerca de las propiedades de exogeneidad de las variables
explicativas, pues, de no satisfacerse, obtendramos estimadores inconsistentes.
Hausman (1978) y Wu (1973) sugieren escribir el modelo a estimar, distinguiendo
entre las r variables explicativas que pueden estar coorrelacionadas con el trmino de Y
1
error de aquellas K-r variables cuya ortogonalidad a no se cuestiona: Z
1
u
t
y supongamos que se dispone de una lista de instrumentos para , en caso de que se Y
1
necesitasen.
El contraste consiste en:
1 Estimar el modelo por mnimos cuadrados ordinarios.
2 Estimar el modelo por el mtodo de variables instrumentales o mnimos cuadrados
en dos etapas.
3 La hiptesis que se plantea es:
: Todas las variables explicativas del modelo original son exgenas. H
0
4 El estadstico es:
Un valor elevado del estadstico rebatir tal supuesto y mostrara la necesidad de
utilizar un procedimiento de estimacin de variables instrumentales.
48
GCP IPD GCP u
t t t t
= + + +

0 1 2 1
EJEMPLO 8:
se quiere verificar si la variable se puede tratar como exgena. Siguiendo el GCP
t 1
procedimiento, primero se estima el modelo por mnimos cuadrados ordinarios:
============================================================
============================================================
C 0.248943 1.870295 0.133104 0.8943
IPD 0.193060 0.022728 8.494528 0.0000
GCP(-1) 0.801910 0.024844 32.27830 0.0000
============================================================
============================================================
A continuacin se estima el modelo por el mtodo de variables instrumentales o
mnimos cuadrados en dos etapas:

Method: Two-Stage Least Squares
Instrument list: C IPD IPD(-1)
============================================================
============================================================
C -4.191603 2.619429 -1.600197 0.1117
IPD 0.298547 0.046882 6.368102 0.0000
GCP(-1) 0.686558 0.051261 13.39348 0.0000
============================================================
F-statistic 960998.7 Durbin-Watson stat 1.358172
Prob(F-statistic) 0.000000
============================================================
49
( ) ( ) ( )
[ ]
( )
~ ~ ~ ~ ~ ~
. .
MCO VI VI MCO MCO VI
Var Var
= > =
1
1
2
661844563805 384
Y X X Y Y Y
t t t q t t p t p t
= + + + + + + + + +

0 1 1 1 1 2 2
..... .....
( ) ( )
A L Y B L X
t t t
= + +
( )
( )
( ) ( )
Y
A L
B L
A L
X
A L
t t
t
= + +

( )
Y D L X u
t t t
= + +
La hiptesis que se plantea es:
: Todas las variables explicativas del modelo original son exgenas. H
0
5. INTERPRETACIN DE LOS MODELOS DINMICOS
Un modelo dinmico ms general, representado por:
aplicando el operador de retardos se tendr:
dividimos por A(L) el modelo y se obtiene:
se puede expresar:
Un modelo es estable cuando cumple alguna de las dos condiciones siguientes:
1 Ante una variacin puntual en el valor de una variable explicativa, la variable
dependiente retorna a su valor de equilibrio.
2 Ante una variacin permanente en el valor de una variable explicativa, la variable
dependiente evoluciona hacia un nuevo valor de equilibrio.
Se demuestra que para que un modelo dinmico sea estable las races del polinomio
A(L) deben ser en valor absoluto mayores que la unidad.
Esta condicin de estabilidad nos asegura que la suma de los coeficientes del
polinomio D(L) es finita, es decir, la serie es convergente. Por tanto el impacto sobre la
variable endgena es finito, pasado un tiempo se retorna al equilibrio o bien, se tiende hacia
un nuevo equilibrio.
MULTIPLICADORES Y RETARDOS
Estos conceptos son importantes al analizar el efecto que, sobre la variable explicada,
50
m
Y
X
t
t
0 0
= =
m
Y
X
j
t
t j
j
=
m
Y
X
j
t
t j
j
= =
m m
T j
j
=
=
0
R M
j
j
j
j
j
. .=
=
1
1
tiene una variacin unitaria de la variable explicativa.
1 Multiplicador de Impacto o Contemporneo: representa el cambio que se
( )
m
0
produce en la variable endgena ante una variacin unitaria de la exgena en
( )
Y
t
el perodo actual .
( )
X
t
2 Multiplicador de Retardo j: cuantifica el efecto que sobre la variable
( )
j
m
endgena tiene una variacin unitaria de la exgena en el perodo t-j .
( )
Y
t
( )
X
t j
en este caso no coincide, porque existe una dependencia implcita de las variables
dependientes retardadas.
Considerando el polinomio D(L) se tendr que:
3 Multiplicador Total: es la suma de todos los multiplicadores.
( )
m
T
para que un modelo tenga sentido econmico el multiplicador total debe ser finito.
Esto ocurrir siempre que el proceso sea estable y viceversa.
4 Retardo Medio: se define como la media ponderada, por el retardo, de todos los
coeficientes del polinomio D(L) es decir,
La idea del retardo medio es informarnos si el impacto, sobre la variable
endgena de una variacin de la exgena, est muy concentrado o diluido en el
51
GCP SYS GCP u
t t t t
= + + +

0 1 2 1
( )
( ) ( ) ( )
GCP GCP SYS u
GCP LGCP SYS u
L GCP SYS u
GCP
L L
SYS
u
L
t t t t
t t t t
t t t
t t
t
= + +
= + +
= + +
=

2 1 0 1
2 0 1
2 0 1
0
2
1
2 2
1
1 1 1
GCP SYS R GCP u
t t t t t
= + + + +

0 1 2 3 1
tiempo.
5 Retardo Mediano: se define como el instante en que se alcanza el 50 % del impacto
total que se produce en debido a una variacin en . Y
t
X
t
EJEMPLO 1:
Se tena la funcin consumo siguiente:
el modelo se puede transformar de la forma siguiente:
deducimos los multiplicadores, a saber:
M1MI = = 0.173464.
1
M1MD1 = = c(2)*c(3) = 0.154722.
1 2

M1MD2 = = c(2)*c(3)^2 = 0.138005.
1 2
2
..............
M1MLP = = c(2)/(1-c(3)) = 1.605471.
1
2
1
Retardo Medio = = c(3)/(1-c(3)) = 8.2554.
( )
( )
( )
( )
B
B
A
A
1
1
1
1
0
1 1
1
2
2
2
2
EJEMPLO 2:
Tenamos la funcin consumo siguiente:
el modelo se puede transformar de la forma siguiente:
52
( )
( ) ( ) ( ) ( )
GCP GCP SYS R u
GCP LGCP SYS R u
L GCP SYS R u
GCP
L L
SYS
L
R
u
L
t t t t t
t t t t t
t t t t
t t t
t
= + + +
= + + +
= + + +
=

3 1 0 1 2
3 0 1 2
3 0 1 2
0
3
1
3
2
3 3
1
1 1 1 1
deducimos los multiplicadores, a saber:
M2MISYS = = 0.256588.
1
M2MD1SYS = = c(2)*c(4) = 0.214135.
1 3

M2MD2SYS = = c(2)*c(4)^2 = 0.178707.
1 3
2
..............
M2MLPSYS = = c(2)/(1-c(4)) = 1.550845.
1
3
1
M2MIR = = -1.823686.
2
M1MD1 = = c(3)*c(4) = -1.521957.
2 3

M1MD2 = = c(3)*c(4)^2 = -1.270149.
2 3
2
..............
M1MLP = = c(3)/(1-c(4)) = -11.02256.
2
3
1
Retardo Medio = = c(4)/(1-c(4)) = 5.0441.
( )
( )
( )
( )
B
B
A
A
1
1
1
1
0
1 1
2
3
3
3
3
( )
Y f X u t T
t t t
= + = , , ,..., 12
C Y u
t t t
= + +

1 2
3
Z e y Z X X
t
X
t t t
t
2 3 3 4
2
= =
Y Z Z u
t t t t
= + + +
1 2 2 3 3
CAPITULO II
MODELOS NO LINEALES
1. INTRODUCCIN
El modelo economtrico es del tipo:
donde es una funcin no lineal de los componentes de los vectores y . ( ) f X
t
, X
t

Una especificacin no lineal de un modelo economtrico puede estar indicando
la incertidumbre del investigador acerca de la verdadera relacin entre las variables del
modelo. Por ejemplo:
la estimacin del parmetro permitira contrastar la hiptesis de dependencia lineal
3
o propensin marginal a consumir constante , frente a otras alternativas (la de ( )
3
1 =
una menor sensibilidad del gasto en consumo a variaciones en la renta disponible
). Este modelo puede interpretarse como una primera especificacin, para pasar ( )
3
1 <
a estimar un modelo lineal si la hiptesis se acepta en una primera estimacin del
3
1 =
modelo.
Conviene distinguir entre varios tipos de no linealidades que pueden presentarse
en la prctica. Por ejemplo:
1 Y e X X u
t
X
t t t
t
= + + +
1 2 3 3 4
2
La no linealidad del modelo afecta nicamente a sus variables, pero no a
sus coeficientes. Asumimos que:
remplazamos en el modelo, nos da:
Por lo tanto, siempre que la no linealidad del modelo afecte nicamente
54
( ) g Y X u t T
t t t
, , , ,..., . = = 12
Y X u
t t t
= + +
1 2 2
*
Y X u
t t t
= + +
1 2
*
a sus variables explicativas, entonces queda resuelto mediante una transformacin
de datos.
2 Y X Y X u
t t t t t
+ = +
1 2
ln
La no linealidad del modelo afecta tambin a la variables endgena que
haga imposible expresarla de modo explcito como funcin de los vectores X
t
y . La forma funcional de tales modelos es una funcin implcita:
3 Y e X u
t t t
= + +

1 2 2
3
La no linealidad del modelo afecta tan slo a sus coeficientes pero no a sus
variables. Podra el modelo expresarse de la siguiente forma:
pero no podran recuperarse estimaciones de los coeficientes y , a no ser
2

3
que se contara con informacin adicional acerca de sus valores numricos
(Ejemplo: suma o cociente fuesen conocidos).
4 ( ) Y X u
t t t
= + +
1 2
ln
La no linealidad del modelo es en los coeficientes sin que ello presente
dificultades serias de estimacin; el modelo se expresa:
luego se recupera el valor de . Pero el valor de as obtenido
( )

2 2
2 $
$*
= e
2
no heredara las propiedades estadsticas que pudiera tener el estimador de . e
2
5 Y X u
t t t
= + +

1 2
3
Este modelo es otro modelo no lineal que no puede tratarse por mtodos
lineales.
A diferencia de los modelos lineales, en modelos no lineales el nmero de
parmetros no coincide necesariamente con el nmero de variables explicativas, como
ocurre en los modelos segundo, tercero y quinto.
55
( ) Y f X u t T
t t t
= + = , , ,..., . 1 2
( )
( )
( )
Y f X
f X
u t T
t
t
t
+

+ =
=
,
$
,
$
, ,..., .
$

12
( )
( ) ( )
Y f X
f X f X
u t T
t
t t
t
+

+ =
= =
,
$
,
$
,
, ,..., .
$ $

12
( )
Y
f X
u t T
t
t
t
*
$
,
, ,..., .

+ =
=

12
( )
( )
Y Y f X
f X
t t t
t
*
$
,
$
,
$
= +

2. UNA APROXIMACIN LINEAL AL MODELO NO LINEAL
El modelo:
consistira en obtener la mejor aproximacin lineal (mediante un desarrollo en serie de
Taylor) de la funcin alrededor de un estimador inicial y estimar el modelo ( ) f X
t
,
$
lineal resultante mediante mnimos cuadrados ordinarios.

Dicha aproximacin es:
desplazando lo conocido al primer miembro, nos queda:
obtenindose el modelo lineal:
donde,
denotamos por el vector gradiente en cada perodo dimensin K x 1 y por
f
t
( )
f X
t
,
su valor en el punto .
( )
f
t
$
=
$
Dada una primera aproximacin al estimador , se trata de construir la variable
$
, as como las K variables que componen el valor del gradiente de la funcin Y

t
*
( ) f X
t
,
56
( ) ( ) ( ) ( ) ( ) ( )
( )
( )
~
$ $ $ $ $ $
,
$
$
$
*

f f f
Y
f f f
Y f X
f
1 1
( ) ( ) ( ) ( ) ( ) ( ) ( )
~
$ $ $
$
$
$ $
$ $ $
$

= +

f f f
u
f f f f
u
1 1
( )
( )
( )
( )
( )
f
f
f f f
f f f
f f f
f X
f X
f X
f X
K
K
T T T
K
T
= =
$
.....
.....
..... ..... ..... .....
.....
,
,
,
.....
,
1
1
1
2
1
2
1
2
2
2
1 2
1
2
en el punto . =
$

f
i K
t
i
, , ,..., =
12
Las observaciones muestrales correspondientes a estas variables son funcin
de las observaciones muestrales de y del vector . A continuacin se estima por Y X
t t
,
$
mnimos cuadrados ordinarios el modelo lineal:

remplazando y simplificando nos da:
donde, es el residuo obtenido con la estimacin inicial de . Asimismo
( )
$ ,
$
u Y f X =
$
tenemos que:
La estimacin del parmetro se obtiene similar a un modelo lineal, es decir:
u
2
donde .
$
~ ~
u
u u
T K
2
=

( )
~
,
~
u Y f X =
Si existe la matriz inversa de , entonces la distribucin de
( ) ( )
f f
~ ~
probabilidad del estimador de mnimos cuadrados de esta aproximacin lineal es:

57
( ) ( )
~
,
~ ~

MCO u
N
f f
2
1
( )
T K
u
u
T K

2
2
2
( ) GCP f IPD u e u
t t t
IPD
t
t
= + = + , ,

0 1 0
1
( )

f f
e IPD e
t t IPD
t
IPD
t t
0 1
0
1 1
, ,
=
( )
( ) ( )
( ) ( )
Y f X
f f
f f
u
GCP IPD e e IPD e
t t
t t
t t
t
t t
IPD IPD
t
T T
+

+
+ +
= =
= =
, ,
,
$
,
$
, ,
$ $ $
$ $
$ $
$ $

0 1
0 1
0
0
0 1
1
1
0 1
0
0
0 1
1
1
0 1 0 1 0
1 1
$
1
IPD
t
T
u +
y
independiente de la distribucin normal del vector .
~
Ejemplo 1:
Consideremos la estimacin del modelo no lineal:
se tiene el vector gradiente:
si los valores iniciales son: y .
0
= GCP

1
0 =
El modelo puede aproximarse linealmente, as:
reemplazando los valores iniciales y aplicando mnimos cuadrados ordinarios nos da el
resultado de la primera iteracin, stos parmetros estimados vienen a ser la condicin
58
( ) GCP f IPD u IPD u
t t t t t
= + = + + , , ,

0 1 2 0 1
2
inicial para la estimacin de la segunda iteracin, as sucesivamente. Para elegir la mejor
estimacin tenemos:
APROXIMACIN APLICANDO TAYLOR
=================================================
I T R2 AJUSTADO AKAIKE SCHWARZ
=================================================
1 149.00 0.9994612 9.9134183 9.9537398
2 149.00 0.9266390 14.414373 14.454694
3 149.00 1.0000000 17.463923 17.504244
4 149.00 0.9999888 17.463906 17.504228
5 149.00 0.9999185 17.383859 17.424181
6 149.00 0.9983820 17.112626 17.152947
7 149.00 0.9439979 14.579590 14.619912
8 149.00 -1.3941428 18.374217 18.414538
=================================================
La mejor estimacin es la primera iteracin, cuyo resultado es:
Dependent Variable: _Y+B01*B11*_X*EXP(B11*_X)
Sample: 1959:1 1996:1
=======================================================
=======================================================
EXP(B11*_X) -30.23673 4.542309 -6.656688 0.0000
B01*_X*EXP(B11*_X) 0.000502 9.59E-07 523.9418 0.0000
=======================================================
Log likelihood -736.5497 Durbin-Watson stat 0.351869
=======================================================
Este procedimiento slo dar buenos resultados si las condiciones iniciales estn
prximos a los verdaderos valores de y . (a priori no tenemos mucha informacin).
Ejemplo 2:
Consideremos la estimacin del modelo no lineal:
59
( ) ( )

f f f
IPD IPD IPD
t t t
t t t
0 1 2
1
1
2 2
, , , , ln
=
( )
( ) ( ) ( )
( ) ( )
Y f X
f f f
f f
t t
t t t
t t
+

= = =
=
, , ,
, ,
$
, ,
$
, ,
$
, , , ,
$ $ $
$

0 1 2
0 1 2
0
0
0 1 2
1
1
0 1 2
2
2
0 1 2
0
0
0 1 2
1
( )
( ) ( )
= =
+

+
+ + + +
$ $
$ $ $
, ,
$
$ $
ln
$
ln

1
0 1 2
2
2
1 2 0 1 2 1
2 2 2
f
u
GCP IPD IPD IPD IPD IPD u
t
t
t t t t t t t
se tiene el vector gradiente:
se asume que y estimamos por mnimos cuadrados ordinarios el modelo lineal y
2
1 =
nos da:.
Dependent Variable: _Y
Sample: 1959:1 1996:1
====================================================
====================================================
C -30.23673 4.542309 -6.656688 0.0000
_X 0.926281 0.001768 523.9418 0.0000
====================================================
====================================================
Por lo tanto, los valores iniciales son: ,
0
= -30.2367319005
1
= 0.926280822995
y . .
2
1 =
El modelo puede aproximarse linealmente, as:
reemplazando los valores iniciales y aplicando mnimos cuadrados ordinarios nos da el
resultado de la primera iteracin, stos parmetros estimados vienen a ser la condicin
inicial para la estimacin de la segunda iteracin, as sucesivamente. Para elegir la mejor
estimacin tenemos:
60
( ) ( ) ( )
SR Y f X
t t
t
T
$
,
$
=
=
2
1
APROXIMACIN APLICANDO TAYLOR
=================================================
I T R2 AJUSTADO AKAIKE SCHWARZ
=================================================
1 149.00 0.9999972 9.2161800 9.2766621
2 149.00 0.9999964 9.2114934 9.2719756
3 149.00 0.9999975 9.2114927 9.2719748
4 149.00 0.9999974 9.2114927 9.2719748
5 149.00 0.9999974 9.2114927 9.2719748
6 149.00 0.9999974 9.2114927 9.2719748
=================================================
La mejor estimacin es la tercera iteracin, cuyo resultado es:
Dependent Variable: _Y+M2B13*M2B23*_X^M2B23*LOG(_X)
Sample: 1959:1 1996:1
==========================================================
==========================================================
C 51.69951 7.023200 7.361247 0.0000
_X^M2B23 0.556281 0.023068 24.11473 0.0000
M2B13*_X^M2B23*LOG(_X 1.058673 0.004776 221.6437 0.0000
==========================================================
Log likelihood -683.2562 F-statistic 29041974
==========================================================
3. MNIMOS CUADRADOS NO LINEALES
El procedimiento de mnimos cuadrados no depende en modo alguno de la
linealidad del modelo, por lo que es aplicable en condiciones ms generales.
La lgica del mtodo de mnimos cuadrados es escoger valores de los
parmetros de modo que se minimice la suma residual:
61
( )
( ) ( )
( )
( ) ( )
SISTEMA
DE
ECUACIONES
NORMALES
SR
Y f X
f
SR
Y f X
f
SR
t t
t
T
t
t t
t
T
t

$
$
,
$
$
$
$
,
$
$
.............................................................
1
1
1
2
1
2
2 0
2 0
=

=
=

=
=
=
( )
( ) ( )
$
$
,
$
$
K
t t
t
T
t
K
Y f X
f
=

2 0
1
( ) ( )
( )
Y f X
f
t t
t
T
t
K
=
=
,
$
$
1
0
( ) ( )
( )

f
Y
f
f X
$ $
,
$
( )

f
u i K
t
i t
T
t
$
$ , ,..., .
=
= =
1
0 12
( ) ( )

f
u
f
u
t
t
T
t K
$
$
$
$
=
=
1
0
Tomando derivadas con respecto a cada uno de los componentes del vector se
$
tiene:
siendo y escalares.
f
t
i
$
( ) ( )
Y f X
t t
,
$
Este sistema se abrevia:

en forma matricial:

Como , entonces rescribimos:
( )
$ ,
$
u Y f X
t t t
=
o matricialmente:
62
La solucin al sistema de ecuaciones normales es el estimador de mnimos
cuadrados no lineales (MCNL).
El estimador de mnimos cuadrados del modelo para t = 1, 2, ( ) Y f X u
t t t
= + ,
..., T. es aquel vector de coeficientes que genera un vector de residuos ortogonal a cada
$
uno de los componentes del vector gradiente de la funcin evaluado en . ( ) f X

t
,
$
Una diferencia muy importante con el modelo lineal es que, en modelos en que
la funcin no dependen linealmente del vector , sus derivadas parciales ( ) f X
t
,
tampoco sern, en general, funciones lineales de los componentes del vector .
Esta peculiaridad de los modelos no lineales genera, a su vez, una serie de
dificultades:
1 El hecho de que el estimador de MCNL dependa del vector Y, y en consecuencia
del vector u en forma no lineal; entonces, en general, ser sesgado. Las
propiedades del estimador de MCNL vendrn de su posible relacin con el
estimador de mxima verosimilitud.
2 La solucin a un sistema de ecuaciones no lineales puede no ser nica y, por tanto,
un modelo no lineal puede poseer varios estimadores mnimo cuadrticos. Pudiera
ser que el estimador de mnimos cuadrados no existiese, pues un sistema de
ecuaciones no lineales no siempre tiene solucin (diferente al caso lineal).
Hay que resolver el sistema de ecuaciones normales o el problema de optimizacin
del que stas proceden por mtodos numricos (algoritmos), como por ejemplo:
1 De Bsqueda.-
Es aplicable cuando K, nmero de parmetros a estimar, es pequeo (uno
o dos) y el rango de sus valores admisibles est acotado.
El algoritmo consiste:
i) Construir una particin de dicho intervalo.
ii) Evaluar la funcin en cada uno de los puntos de la particin. ( ) F
iii) Elegir como estimador aquel punto que proporciona un valor numrico
ms pequeo de la funcin . ( ) F
2 Del Descenso Ms Rpido.-
Una estrategia posible para tratar de minimizar el valor de la funcin ( )
F
63
( )
$ $ $

1 0 0
0 = > F
( )
[ ]
( )
$ $ $
ln
$

n n n n
I L = +

1 1
1
1
consiste en desplazarnos de un vector inicial a otro , de acuerdo con la
0

1
expresin:
donde la eleccin del parmetro , que se conoce como longitud de paso, es > 0
crucial para reducir efectivamente el valor de . En efecto, si el valor de ( )
F
fuese excesivamente grande, entonces pudiera ser que , lo cual ( ) ( )
$ $ $ $
F F
1 0
>
implicara que el algoritmo podra no converger.
3 Newton - Raphson.-
Supongamos que disponemos de una estimacin del mnimo de una
$
n
$
funcin continuamente diferenciable. Si consideramos un entorno pequeo del

punto el valor numrico de F en un punto de dicho entorno puede aproximarse
$
n
mediante un desarrollo en serie de Taylor de orden 2.
Este algoritmo se utiliza de un modo iterativo, utilizando la nueva
estimacin como punto de partida en cada etapa del algoritmo y llevando a cabo
iteraciones hasta que se satisfagan los criterios de convergencia que el
investigador haya estipulado.
Lo utilizan los mnimos cuadrados general y mxima verosimilitud.
4 De Scoring.-
Diseado para el caso en que se pretende obtener el estimador de mxima
verosimilitud, este algoritmo se basa en la propiedad de que la esperanza
matemtica de la matriz hessiana de la funcin de verosimilitud (matriz de
informacin cambiada de signo) tiene una expresin analtica ms sencilla que la
propia matriz de derivadas segundas.
Como aproximacin, se ha sugerido sustituir la matriz de derivadas
segundas por la matriz de informacin, tenindose el llamado algoritmo de
scoring :
Las ventajas son:
i) Converge ms lentamente que el algoritmo de Newton - Raphson.
ii) La matriz de informacin es siempre definida positiva, entonces no hay
problema en seguir una direccin inapropiada.
64
( )
( ) ( )
[ ]
F SR Y f X
t t
t
T
= =
=
,
1
2
f f
t
t
T
t
1
$ $

n n
t
t
T
t
n
t
t
T
t
n
f f f
u = +

=

1
1
1
1
1
1
( ) Var
f f
u
t
t
T
t

2
1
1
Una vez lograda la convergencia, el estimador alcanzado tiene como matriz
de covarianzas la inversa de la matriz de informacin.
5 Gauss - Newton.-
Es una variante del algoritmo de Newton - Raphson, til cuando se trata de
estimar por mnimos cuadrados un modelo no lineal, en el que la funcin objetivo
es:
el algoritmo de Gauss - Newton consiste en ignorar el trmino que contiene la
segunda derivada de en el hessiano (Porque su contribucin es muy pequea); f
t
entonces se sustituye el hessiano por la matriz simtrica, definida positiva:
por lo que el algoritmo de Gauss - Newton resulta:
Si se logra la convergencia del algoritmo, el estimador resultante tiene
distribucin asinttica normal, con esperanza igual a , y matriz de covarianzas:
donde el parmetro se estima mediante , donde K denota el
u
2
( )
$
$

u
SR
T K
2
=
nmero de coeficientes estimados.

En el caso de un modelo de regresin lineal, la expresin anterior del
algoritmo Gauss- Newton se reduce, como es lgico, a la que proporciona el
estimador de mnimos cuadrados ordinarios:
65
$
=
=

X X X Y
t t
t
T
t t
t
T
1
1
1
( )
( ) ( )
Var
f X f X
u
t
t
T
t
$
,
$
,
$

2
1
1
( )
$
$ $
$ ,
$

u
u u
T K
donde u Y f X
2
=

=
( ) ( )
p
T
f f
T
lim
$ $
1

( )
( )
[ ]
( )
( )
[ ]

SR
Y e e
SR
Y e X e
t
X X
t
T
t
X
t
X
t
T
t t
t t
$
,
$
$
$
,
$
$
$ $
$ $
= =
= =
=
=
2 0
2 0
1
1
Cuando el tamao muestral crece, el estimador de mnimos cuadrados obtenido
por alguno de los algoritmos numricos tiene una distribucin normal, con esperanza
y matriz de covarianza:
donde el parmetro se estima:
u
2
Los habituales contrastes de hiptesis mediante estadsticos t o F son vlidos, sin
ms que utilizar las expresiones anteriores en el clculo de la matriz de covarianzas. Las
condiciones bajo las que los resultados anteriores son vlidas incluyen la existencia de
un nico mnimo global de la funcin y la no singularidad de la matriz lmite. ( ) SR
Ejercicio:
Las condiciones de optimalidad para la obtencin del estimador MCNL seran:
que carecen de solucin explcita. Suponiendo que el sistema pudiera resolverse, la
matriz de covarianzas estimada de las estimaciones sera:
66
( ) ( ) ( )
Var f f
e X e
X e X e
u t t
t
T
u
X
t
T
t
X
t
X
t
T
t
t
T
X
t t
t t
$
,
$
$
,
$
$
,
$

=

=
= =

2
1
1
2
2
1
2
2
1
2 2
1
2
( )
$
$
$

u
t
X
t
T
Y e
T
t
2
2
1
2
=

GCP IPD u
t t t
= + +

0 1
2

0 1 2
3023673 0926281 1 = = = . .
donde,
Ejemplo 2:
Estimar el modelo siguiente:
si la condicin inicial es:
Aplicando mnimos cuadrados no lineales en el Eviews se obtiene el resultado
siguiente:
Sample: 1959:1 1996:1
Convergence achieved after 24 iterations
GCP=C(1)+C(2)*IPD^C(3)
============================================================
Coefficient Std. Error t-Statistic Prob.
============================================================
C(1) 51.69854 7.024917 7.359310 0.0000
C(2) 0.556285 0.023101 24.08103 0.0000
C(3) 1.058672 0.004783 221.3328 0.0000
============================================================
============================================================
67
GCP e u
t
IPD
t
t
= +

0
1
( )
( ) ( )
L e
u
u
T
Y f X
u
t t
t
T

,
,
2
2
2
1
2
1
2
2
2
1
=

=
Ejemplo 1:
Estimar el modelo no lineal siguiente:
si los valores iniciales son: y . Aplicando mnimos cuadrados no lineales
0
= GCP

1
0 =
en el Eviews se obtiene el resultado siguiente:
Sample: 1959:1 1996:1
GCP=C(1)*EXP(C(2)*IPD)
============================================================
============================================================
C(1) 1844.284 121.1642 15.22136 0.0000
C(2) 0.000156 1.96E-05 7.966532 0.0000
============================================================
Sum squared resid 1.78E+08 Schwarz criterion 16.89597
============================================================
4. EL ESTIMADOR DE MXIMA VEROSIMILITUD
La obtencin del estimador de mxima verosimilitud precisa de un determinado
supuesto acerca de la distribucin de probabilidad del trmino de error.
Supongamos que , la funcin de verosimilitud muestral es: ( ) u N I
u T
0
2
,
y su logaritmo, evaluado en es:
( )
$
,
$

u
2
68
( ) ( )
ln
$
,
$
ln ln
$
$
$
L
T T
SR
u u
u

2 2
2
2
2
2
1
2
=
( ) ( ) ( )
SR Y f X
t t
t
T
$
,
$
=
=
1
2
( ) ( )
( ) ( )
( )
( )
( )
( ) ( )
( )

ln
$
,
$
$
$
$
$
,
$
$
ln
$
,
$
$ $ $
,
$
L SR
Y f X
f
K ecuaciones
L
T
Y f X ecuacion
u
u u
t t
t
T
t
K
u
u u u
t t
t
T
2
2 2
1
2
2 2 4
1
2
1
2
1
0
2
1
2
0 1
= = =
= + =
=
=
( )
$
$

u
SR
T
2
=
donde,
Por lo tanto,
! Si el parmetro no depende de ninguno de los parmetros , entonces escoger el
u
2
vector de parmetros que maximice la funcin de verosimilitud (o su logaritmo) es

$
equivalente a escoger el vector que minimice la suma residual .

$
( )
SR
$
! Si el trmino de error sigue una distribucin de probabilidad Normal y si su varianza

es independiente de los componentes del vector , entonces los estimadores de
mxima verosimilitud y de mnimos cuadrados, si existen, coinciden.
Las condiciones necesarias para la maximizacin de la funcin de verosimilitud son:
cuyas soluciones proporcionan las estimaciones de mxima verosimilitud del vector y el
parmetro bajo la hiptesis de normalidad.
u
2
La ltima ecuacin genera la estimacin de mxima verosimilitud de :
u
2
despus de la estimacin del vector .
La matriz de covarianzas del estimador de mxima verosimilitud puede aproximarse,
69
( )
( )
( )

2
2
2
2
2
1
2
2 4
2
2
2
2 2 4 6
2
2 2 4
1
2
1
2
1
2
0
2 2
ln ln
ln ln
ln ln
L
SR
E
L f f
L
SR
E
L
L T
SR
E
L T
u u
t
i
t
ji t
T
u u u
K
u u u u u u u
=
=

=
=

=
=
( )
( ) ( )
I
f f
T
u
u
K
K
u

,
$ $
2
2
4
1
0
0
2
=
( )
( ) ( )
Var
f f
T
u
MV
u K
K
u
$
,
$
$ $

2
2
1
4
0
0
2
=
para muestras grandes, por la inversa de la matriz de informacin. Para calcular dicha matriz,
se obtiene las derivadas de segundo orden del logaritmo de la funcin de verosimilitud y se
calcula su esperanza matemtica. Es decir:
donde, y es el gradiente de la suma residual y su matriz hessiana,
( )
SR
( )
2
SR
formada por las derivadas de segundo orden.

De la segunda esperanza se concluye, que las estimaciones de mxima verosimilitud
del vector y del parmetro son independientes segn crece el tamao muestral.
u
2
La matriz de informacin es:
si invertimos y sustituimos los parmetros desconocidos por sus estimaciones, se obtiene:
70
GCP IPD u
t t t
= + +

0 1
2

0 1 2
3023673 0926281 1 = = = . .
si se cumple que:
1 el trmino de error siga una distribucin de probabilidad normal.
2 el tamao de la muestra sea suficientemente grande.
3 la matriz sea no singular.
( ) ( )
f f
$ $
En la prctica slo se dispone de muestras finitas, por lo que la matriz anterior es slo
una aproximacin a dicha matriz de covariazas.
Ejemplo 2:
si la condicin inicial es:
Aplicando mxima verosimilitud en el Eviews se obtiene el resultado siguiente:
System: SYS01
Estimation Method: Full Information Maximum Likelihood (Marquardt)
Sample: 1959:1 1996:1
Total system (balanced) observations 149
=============================================================
=============================================================
C(1) 51.76558 16.63088 3.112619 0.0022
C(2) 0.556083 0.035386 15.71498 0.0000
C(3) 1.058713 0.007116 148.7785 0.0000
=============================================================
Log Likelihood -683.2562
Determinant residual covariance 563.0384
=============================================================
Equation: GCP=C(1)+C(2)*IPD^C(3)
Observations: 149
Durbin-Watson stat 0.755801
=============================================================
71
GCP e u
t
IPD
t
t
= +

0
1
Y X u = + +

X
X
=
1
Ejemplo 1:
Estimar el modelo no lineal siguiente:
si los valores iniciales son y .
0
1844 = = GCP .

1
0 =
Aplicando mnimos cuadrados no lineales en el Eviews se obtiene el resultado siguiente:
System: SYS02
Estimation Method: Full Information Maximum Likelihood (Marquardt)
Sample: 1959:1 1996:1
Total system (balanced) observations 149
============================================================
============================================================
C(1) 1844.290 122.1742 15.09558 0.0000
C(2) 0.000156 2.69E-05 5.792957 0.0000
============================================================
Log Likelihood -1253.746
Determinant residual covariance 1191749.
============================================================
Equation: GCP=C(1)*EXP(C(2)*IPD)
Observations: 149
S.E. of regression 1099.074 Sum squared resid 1.78E+08
============================================================
5. TRANSFORMACIN DE BOX - COX
El modelo es:
que se encuentra en un gran nmero de estudios recientes es la transformacin Box - Cox,
72
( )
= =
= =
= =
0
1
1
1
X Log X
X X
X
X
( )
lim lim lim ln ln
=

= =
0 0 0
1 1
1
X d X d
X X X
GCP IPD u
t t t
= + +

0 1
2
Si es conocido entonces es una regresin lineal que puede estimarse por mnimos
cuadrados. Por ejemplo, si:
otros valores de dan lugar a otras muchas formas funcionales diferentes.
Si se toma como un parmetro desconocido, la regresin se convierte en no lineal
en los parmetros. Aunque ninguna transformacin la reducira a la linealidad, los mnimos
cuadrados no lineales no plantean complicaciones. En la mayora de los casos, podemos
esperar que el valor estimado por mnimos cuadrados de est entre -2 y 2. Por tanto,
habitualmente se estima buscando en este rango con incrementos de 0.1.
Cuando es igual a cero, la transformacin se efecta utilizando la regla de LHopital:
Si se encuentra un mnimo de la suma de cuadrados y se desea mayor precisin, se
pueden examinar las reas a derecha e izquierda del ptimo actual con incrementos de 0.01
y as sucesivamente. Una vez que se ha localizado el valor ptimo de las estimaciones de
mnimos cuadrados, el residuo medio cuadrtico y este valor de constituyen las
estimaciones por mnimos cuadrados no lineales de los parmetros (y, si se da normalidad en
los errores, las de mxima verosimilitud).
Una vez que se ha determinado el valor ptimo de , a veces es tratado como si fuese
un valor conocido en los resultados de mnimos cuadrados. Pero es una estimacin de un
$
parmetro desconocido; entonces los errores estndar de mnimos cuadrados siempre

infraestimarn los errores estndar asintticos correctos.
Ejemplo 2:
aplicando el algoritmo de bsqueda tenemos el cuadro siguiente:
73
GCP IPD u
t t t
= + +
0 1
ln
GCP
IPD
u
t t
t
= +

0 1
1
GCP IPD u
t t t
= + +
0 1
GCP
IPD
u
t t
t
= +

0 1
1
MODELO

S. R.
0 34267075
0.1 27992884
0.2 22300599
0.3 17235346
0.4 12827798
0.5 9093879.
0.6 6035293.
0.7 3640734.
0.8 1887626.
0.9 744174.1
1 171552.0
1.1 126052.1
1.2 561070.0
1.3 1428841.
se elige la estimacin con menor suma residual siendo el resultado:
Sample: 1959:1 1996:1
============================================================
============================================================
C 104.4731 3.722355 28.06639 0.0000
(IPD^1.1-1)/1.1 0.427658 0.000700 611.2752 0.0000
============================================================
============================================================
74
GCP
IPD
u
t t
t
= +

0 1
1
Aplicando el algoritmo de bsqueda para el intervalo ]1.0,1.1[ tenemos los resultados
siguientes:
MODELO

S. R.
1.01 144034.0
1.02 121743.7
1.03 104635.3
1.04 92662.35
1.05 85778.41
1.06 83936.76
1.07 87090.47
se elige la estimacin siguiente:
Sample: 1959:1 1996:1
============================================================
============================================================
C 53.99643 3.089224 17.47896 0.0000
(IPD^1.06-1)/1.06 0.582905 0.000778 749.1422 0.0000
============================================================
============================================================
6. CONTRASTE DE RESTRICCIONES
6.1. RESTRICCIONES LINEALES
Si ( elemento de holgura o discrepancia ) incluso si la hiptesis fuese H d R r
0
:
$
=
cierta, no debe esperarse que el vector de discrepancia fuese exactamente igual a cero, al
menos debido al error muestral. Por lo tanto, la tarea del investigador debe decidir si dicho
75
( )
( ) ( )
( )
( ) ( )
( )
E d E R r RE r R r
Var d Var R r RVar R R X X R
q
u
= = = =
= = =
$ $
$ $

0
2
1
( )
[ ] W d Var d d
q
=
1
2
vector de discrepancia es suficientemente grande como para hacer imposible el mantenimiento

de la hiptesis nula.
El vector de discrepancia es una funcin lineal del estimador , que tiene una
$
distribucin normal; entonces d tendr una distribucin normal, bajo la hiptesis nula.
Si es cierta, se tiene: H
0
Estos resultados sugieren la realizacin del contraste de utilizando el criterio de H
0
Wald:
En la prctica se desconoce el valor de , por lo que se divide W, que depende tan
u
2
slo de la estimacin de mnimos cuadrados ordinarios del vector de coeficientes, por otra
forma cuadrtica que depende slo de la estimacin de ; como ambas estimaciones son
u
2
independientes entre s, el cociente de ambas formas cuadrticas se distribuyen como F.
6.2. RESTRICCIONES NO LINEALES
Si y suponemos que la matriz de orden q x K, con tiene ( ) H R r
0
: =
( )
R
q K <
rango igual a q (menos restricciones que parmetros, y que las restricciones no son
redundantes).
El contraste se lleva a cabo en funcin del tamao del vector de discrepancia
, existiendo algunas diferencias:
( ) ( )
d R r =
$
1 es funcin no lineal, entonces no es igual a , pero por la

( )
R
$
( ) ( )
E R
$
( )
RE
$
consistencia del estimador de mnimos cuadrados ordinarios, podemos afirmar:

( ) ( )
p R R p lim
$
lim
$
=
2 no se puede mantener la distribucin en muestras finitas para la forma cuadrtica
2
76
( ) ( )
[ ]
( )
( )
F
SR SR
q
SR
T K
F
R
q T K
=

$ $
$
,

( ) ( )
( )
( )
R R
R
$ $

( ) ( )
( )
( )
( )
Var R
R
Var
R
$ $

( )
[ ]
( )
[ ]
( )
[ ]
R r VarR R r
q
$ $ $

1
2
utilizada en la construccin de los estadsticos t o F. (Debido a la no linealidad).
6.3. CONTRASTE F
Si se estima el modelo por mnimos cuadrados mediante la aproximacin lineal vista
(serie de Taylor) la distribucin del estadstico:
no es conocida en muestras finitas.
6.4. CONTRASTE WALD
La dificultad reside en el clculo de la varianza de la diferencia , que es
( )
R r
$

funcin no lineal del estimador . Para calcular, se obtiene una aproximacin lineal:
$
siendo matriz q x K y la varianza de se aproxima:
R
( )
R
$
El estadstico:
para cuyo clculo slo precisamos del estimador sin restringir, y que es asintticamente
equivalente a q veces el estadstico F.
CAPITULO III
VARIABLE DEPENDIENTE CUALITATIVA Y LIMITADA
1. MODELOS DE ELECCION DISCRETA
Los modelos de eleccin discreta consideran una variable indicadora dependiente.
Esta variable indicadora podr tomar dos o ms valores, si toma slo dos valores (cero
o uno) se trata de una variable dicotmica.
Existen numerosos ejemplos de variables explicadas, a saber:
o
Existen tambin muchos mtodos de analizar los modelos de regresin en lo que
el valor de la variable dependiente es cero o uno. Por ejemplo: el modelo de probabilidad
lineal, la funcin discriminante, modelo probit y modelo logit.
1.1. MODELO DE PROBABILIDAD LINEAL
Se utiliza para denotar un modelo de regresin en el que la variable dependiente
Y es dicotmica, y toma el valor de uno o cero. Por simplicidad, asumiremos una sola
variable explicativa (X).
La variable Y es una variable indicadora que denota la ocurrencia o no ocurrencia
de un evento.
El modelo se describe como:
con .
La esperanza condicional , se interpreta como la
probabilidad de que ocurre el evento, dado .
El valor calculado de Y a partir de la ecuacin de regresin ( ) nos da
la probabilidad estimada de que ocurre el evento, dado un valor especfico para X. En
la prctica, estas probabilidades estimadas pueden encontrarse fuera del rango admisible
(0, 1).
78
Las razones por las cuales no se puede aplicar mnimos cuadrados ordinarios son:
1 La no normalidad de las perturbaciones.-
Dado que toma los valores de 1 o 0 entonces los errores en la
regresin tomar los valores siguientes:
En realidad los siguen una distribucin binomial. Aunque el mtodo de
mnimos cuadrados ordinarios no requiere esto, se asumen con fines de inferencia
estadstica. Por lo tanto, existe un problema con la aplicacin de las pruebas
usuales de significancia.
El supuesto de normalidad no es tan crtico, porque las estimaciones
puntuales de mnimos cuadrados ordinarios siguen siendo insesgados; adems,
a medida que aumenta indefinidamente el tamao de la muestra los estimadores
de mnimos cuadrados ordinarios tienden por lo general a tener una distribucin
normal.
Por lo tanto, para muestras grandes, la inferencia estadstica de los
modelos de probabilidad lineal seguir el procedimiento usual de mnimos
cuadrados ordinarios bajo el supuesto de normalidad.
2 La varianza de la perturbacin es heterocedstica.-
Las probabilidades respectivas de los eventos son:
se tiene que:
sacando factor comn ( ) y simplificando nos da:
tambin se puede expresar de la siguiente forma:
79
La varianza de es heterocedstica porque depende de la esperanza
condicional de , que depende del valor que tome .
Los estimados de mnimos cuadrados ordinarios de no sern eficientes.
Es posible utilizar el procedimiento siguiente para estimar el modelo:
I.- Se estima el modelo (ecuacin 1) por mnimos cuadrados ordinarios y a
continuacin se calcula .
II.- Se estima por mnimos cuadrados ponderados el modelo transformado
siguiente:
se soluciona el problema heterocedstico, pero subsiste los otros.
3 La prediccin cae fuera de los limites ( 0 , 1 ).-
La crtica ms importante se refiere a la propia formulacin, que la
esperanza condicional puede estar fuera de los lmites (0,1).
El grfico de la siguiente pgina revela la acumulacin de puntos sobre
y . Es fcil que los valores predichos se encuentren fuera del
intervalo (0,1) y que los errores de prediccin sean muy grandes.
Existen dos mtodos para saber si los estimadores estn efectivamente
entre 0 y 1; son:
80
1.- Estimar el modelo de probabilidad lineal por mnimos cuadrados
ordinarios y ver si los se encuentran entre 0 y 1, si alguno de ellos es
menor a cero entonces se supone que para estos casos es cero; si son
mayores a 1, se suponen iguales a uno.
2.- Disear una tcnica de estimacin que garantice que las probabilidades
condicionales estimadas de estn entre 0 y 1. Los modelos Logit y
Probit garantizarn que todas las probabilidades estimadas se encuentren
entre los lmites lgicos 0 y 1.
4 La medida de bondad de ajuste.-

El coeficiente de determinacin considerado tiene un valor limitado en los
modelos de respuesta dicotmica.
El coeficiente de determinacin ser alto, nicamente cuando la dispersin
especfica est muy cercana a los puntos A y B del grfico anterior, puesto que
en este caso es fcil fijar la lnea recta uniendo los dos puntos. En este caso el
predicho est muy cerca de 0 o 1.
John Aldrich y Forrest Nelson plantean que el uso del coeficiente de
determinacin como un estadstico resumen debe evitarse en aquellos modelos
que contengan variables dependientes cualitativas.
1.2. EJEMPLO
Las variables se definen:
NOMBRE DEFINICIN UNIDAD DE
MEDIDA
CAPAGO CAPACIDAD DE PAGO NUEVOS SOLES
CLIENTE CONDICIN DEL CLIENTE PUNTUAL = 1
MOROSO = 0
EDAD EDAD DEL CLIENTE AOS
GARANTA MONTO DE LA GARANTA NUEVOS SOLES
INTERS TASA DE INTERS EFECTIVA
MENSUAL
PORCENTAJE
81
NOMBRE DEFINICIN UNIDAD DE
MEDIDA
NUMCUOTA NMERO DE CUOTAS
PERODO DURACIN DEL PRSTAMO MESES
PRSTAMO MONTO DEL PRSTAMO NUEVOS SOLES
SEXO SEXO MASCULINO = 1
FEMENINO = 0
VALCUOTA VALOR DE LA CUOTA NUEVOS SOLES
Para estimarlo se dispone de informacin estadstica recopilada de una institucin
financiera del Departamento de Piura.
El mtodo de estimacin es mnimos cuadrados ponderados y el procedimiento
a seguir es el siguiente:
1 Estimar el modelo por mnimos cuadrados ordinarios
Se escribe en el Eviews:
LS CLIENTE C EDAD PRESTAMO SEXO PERIODO
a continuacin se oprime ENTER y nos da el resultado siguiente:
Dependent Variable: CLIENTE
Sample: 1 60
===========================================================
Variable Coefficient Std. Error z-Statistic Prob.
===========================================================
C -0.815473 0.306770 -2.658258 0.0103
EDAD 0.014550 0.005161 2.819315 0.0067
PRESTAMO 1.89E-05 9.95E-06 1.895651 0.0633
SEXO 0.159441 0.110854 1.438297 0.1560
PERIODO 0.064383 0.022997 2.799581 0.0070
===========================================================
Durbin-Watson stat 1.511575 Prob(F- statistic) 0.000149
===========================================================
82
2 Se realiza la estimacin de la probabilidad de la siguiente forma:
Abrir la ecuacin Procs Forecast OK y se muestra un grfico y el
software crea un icono con el nombre que se le coloc a la estimacin
(CLIENTEF).
Para observar los resultados de la variable CLIENTEF se da dos clic y
paquete nos muestra lo siguiente:
CLIENTEF
==========================================================
Modified: 1 60 // fit(f=actual) clientef
1 0.417364 1.104751 0.155492 0.803627 0.554091
6 0.814965 0.515421 0.486014 0.909758 0.899076
11 0.475652 0.765374 0.770710 1.321578 0.987106
16 0.536256 0.575847 1.014905 0.341672 0.405989
21 0.230938 0.643846 0.488985 0.437800 0.606510
26 0.259805 0.262450 0.206271 0.085420 0.620479
31 0.717948 -0.136817 0.397171 0.315820 0.243069
36 0.389929 0.804237 0.755200 0.045541 0.188897
41 0.618349 0.155769 0.417060 0.830059 0.278586
46 1.075758 0.486799 0.248942 0.408926 0.518848
51 0.317095 0.186445 0.067943 0.465541 0.483412
56 0.673622 0.643638 0.507839 0.651220 0.545000
==========================================================
3 Estimamos la varianza generndola de la siguiente forma:
GENR W = CLIENTEF * ( 1 - CLIENTEF )
y el Eviews nos da el siguiente resultado:
W
=====================================================
Modified: 1 60 // w=clientef*(1-clientef)
1 0.243171 -0.115724 0.131314 0.157811 0.247074
6 0.150797 0.249762 0.249804 0.082099 0.090738
11 0.249407 0.179577 0.176716 -0.424990 0.012728
16 0.248686 0.244247 -0.015127 0.224932 0.241162
21 0.177606 0.229308 0.249879 0.246131 0.238656
26 0.192306 0.193570 0.163723 0.078124 0.235485
31 0.202498 -0.155536 0.239426 0.216078 0.183987
36 0.237884 0.157440 0.184873 0.043467 0.153215
41 0.235993 0.131505 0.243121 0.141061 0.200976
46 -0.081498 0.249826 0.186970 0.241706 0.249645
51 0.216546 0.151683 0.063327 0.248813 0.249725
56 0.219855 0.229368 0.249939 0.227132 0.247975
=====================================================
83
4 Por ltimo, se estima el modelo transformado por mnimos cuadrados ordinarios,
es decir, se aplica mnimos cuadrados ponderados. El comando que se aplica es
el siguiente:
Quick Estimate Equation escribir en la pantalla en blanco lo siguiente:
CLIENTE C EDAD PRESTAMO SEXO PERIODO, luego clic en OPTIONS
se marca WEIGHTED LS / TSLS y en Weight se escribe: 1 / SQR( W )
OK OK y se muestra el siguiente resultado:
Dependent Variable: CLIENTE
Sample: 1 60
Excluded observations: 5
Weighting series: 1/SQR(W)
==========================================================
Variable Coefficient Std. Error z-Statistic Prob.
==========================================================
C -0.861520 0.236827 -3.637769 0.0007
EDAD 0.014138 0.005080 2.782852 0.0076
PRESTAMO 2.84E-05 1.09E-05 2.597112 0.0123
SEXO 0.187273 0.106147 1.764279 0.0838
PERIODO 0.064795 0.019214 3.372355 0.0014
==========================================================
Weighted Statistics
==========================================================
Durbin-Watson stat 1.394854 Prob(F- statistic) 0.000000
==========================================================
Unweighted Statistics
==========================================================
==========================================================
Las variables edad, prstamo y periodo son significativas al 5% (Prob < 0.05) y
la variable sexo es significativa al 10 % (Prob < 0.10) y el modelo es estadsticamente
significativo al 5 % (Prob < 0.05).
84
Se predice dentro de la muestra con la instruccin siguiente:
Abrir la ecuacin Procs Forecast OK y se muestra un grfico y el software
crea un icono con el nombre que se le coloc a la estimacin (CLIENTEF1).
Para observar los resultados de la variable CLIENTEF1 se da dos clic y paquete
nos muestra lo siguiente:
CLIENTEF1
=========================================================
Modified: 1 60 // modproblin.fit(f=actual) clientef1
1 0.453183 1.264643 0.135592 0.836835 0.598836
6 0.850146 0.519971 0.488047 1.081373 0.993891
11 0.530495 0.822073 0.907713 1.590984 0.994447
16 0.531559 0.572147 0.991846 0.311970 0.395700
21 0.185995 0.640793 0.466289 0.421358 0.568752
26 0.200522 0.216839 0.177498 0.057164 0.580712
31 0.705757 -0.186881 0.349757 0.259422 0.188732
36 0.333220 0.805080 0.713630 0.020425 0.178108
41 0.585508 0.103903 0.390143 0.822291 0.239000
46 1.073549 0.468637 0.223544 0.397997 0.464635
51 0.294014 0.161586 0.019346 0.446526 0.426291
56 0.618380 0.623329 0.494666 0.619459 0.525189
=========================================================
y los resultados se comparan con los valores observados de la variable endgena,
obteniendose 42 predicciones correctas ( 20 para CLIENTE = 1 y 22 PARA CLIENTE
= 0) y nos da un Coeficiente de Bondad de Conteo de 70 %.
1.3. MODELO LOGIT Y PROBIT
Un enfoque alternativo es suponer un modelo de regresin:
no se observa ( se conoce como variable " latente " ).
Lo que se observa es una variable indicadora definida por:
La diferencia entre la especificacin (2) y el modelo de probabilidad lineal es que
en este ltimo se analizan las variables dicotmicas tal como son, en tanto que en (2) se
supone la existencia de una variable latente subyacente para la que se observa una
85
evidencia dicotmica. Ejemplo:
1 la persona tiene o no empleo.
la propensin o capacidad de encontrar empleo.
2 si la persona compra o no un automvil.
el deseo o capacidad de adquirir un automvil.
por lo tanto, las variables explicativas de (2) contendrn variables que expliquen ambos
elementos.
Supongamos que , esto nos permite fijar la escala de .
Combinando (2) y (3) obtenemos:
donde F es la funcin de distribucin acumulada de u.
Si la distribucin de u es simtrica, entonces , la expresin
anterior se puede escribir:
Los Observados son slo realizaciones de un proceso binomial cuyas
probabilidades estn dadas por (4) y que varan de un ensayo a otro (de pendiendo de
), entonces la funcin de verosimilitud se puede escribir:
La forma funcional para F en (4) depender de la suposicin en torno al trmino
de error u.
Se ha creado un problema de estimacin porque es no lineal no solamente en
sino tambin en los ; entonces, no se puede estimar mediante mnimos cuadrados
ordinarios. En esta situacin, es preciso recurrir al mtodo de mxima verosimilitud para
estimar los parmetros.
El mtodo de mxima verosimilitud consiste en la maximizacin de la funcin de
verosimilitud (ecuacin 5) para el modelo LOGIT y PROBIT y sto se logra por medio
de mtodos no lineales de estimacin. La funcin de verosimilitud es cncava (no tiene
86
Cliente X u
i i i
= + +
mltiples mximos) y, por lo tanto, cualquier valor inicial de los parmetros ser til. Es
costumbre comenzar las iteraciones para el modelo logit y probit con los estimados del
modelo de probabilidad lineal.

Si la informacin disponible es sobre familias individuales, donde si una
familia posee una casa y si no la posee; entonces el modelo a estimar es (5) por
el mtodo de mxima verosimilitud.
1.3.1. CONSTRUCCIN DE UN MODELO LOGIT O PROBIT
Los requisitos para la construccin de un modelo logit o probit son:
1 Contar con una muestra representativa de clientes cumplidos e incumplidos, cuyo
tamao mnimo se establece va criterios estadsticos.
2 Contar con suficiente informacin de los clientes contenida en sus solicitudes de
crdito o expedientes.
3 Seleccionar las posibles variables explicativas de la probabilidad de default de los
clientes, en base al conocimiento o experiencia previa y a procedimientos
estadsticos (test de significancia individual).
4 Escoger el modelo ms apropiado en base a tests estadsticos sobre la "bondad de
ajuste" o "calidad predictiva" del modelo.
El procedimiento a seguir es:
1 El significado de las variables aparece en el tem 1.2.
2 Buscar el mejor modelo explicativo de la probabilidad de default (cumplimiento)
de los clientes, en base al siguiente procedimiento general:
2.1. Realizacin de regresiones bivariables y seleccin de variables explicativas segn
signo y significancia estadstica individual (escogemos las de probabilidad menor
del 10 por ciento).
Se estiman varias regresiones de la siguiente forma:
para seleccionar la variable se requiere analizar: el signo correcto, la significancia
de (si es altamente significativo, significativo o relativamente significativo)
y el (debe estar entre 0.2 y 0.6). R
2
2.2. Comparacin de correlaciones entre variables a fin de eliminar el problema de
87
multicolinealidad. Entre las variables correlacionadas optamos por la de mayor
R2 de Mc Fadden.
Una vez identificadas las variables ms relevantes a partir de modelos
bivariables, podemos descartar algunas de ellas en base a su correlaciones.
Variables altamente correlacionadas (con coeficientes de correlacin mayores a
0.5) resultan redundantes, es decir, basta con que me quede con una de ellas en
el modelo, ya que si las incluyo todas sus significancias estadsticas individuales
tienden a ser bajas (no se puede distinguir el impacto de cada una de ellas sobre
la variable dependiente). El criterio prctico es eliminar las variables
correlacionadas con menor significancia estadstica individual en las regresiones
bivariables, con menor R
2
(Mc Fadden).
Para obtener la Matriz de Correlaciones entre variables, aplico:
Quick/Group Statistics/Correlations
y se escribe el nombres de las variables seleccionadas en el tem anterior.
2.3. Construccin de modelos multivariables en sus versiones logit, probit y lineal
incorporando las variables escogidas luego de los pasos 1 y 2. Los modelos se
van perfilando para dejar slo las variables estadsticamente significativas
(probabilidad menor del 10 por ciento).
Con las variables explicativas escogidas, luego de los pasos 2.1. y 2.2. se
estima el modelo en su versin logit, probit o lineal. El modelo se perfila para
dejar slo las variables con signos adecuados y estadsticamente significativas
(prob < 0.10).
2.4. Evaluacin de los modelos alternativos en base a siguientes criterios arrojados
por el programa E-views:
1.- Signo correcto de los coeficientes.
2.- Significancia estadstica individual de los parmetros de acuerdo al
z-statistic y su probabilidad correspondiente.
3.- Significancia conjunta del modelo.
4.- Bondad de ajuste en base a R2 de Mc Fadden, Expectation-Prediction
Table, Goodness-of-Fit Test (Hosmer-Lemeshow).
A) Bondad de ajuste: La regla prctica nos dice que este valor debe
encontrarse entre 0.2 y 0.6 para considerarse
aceptable en el contexto de la modelacin de
probabilidades.
Se han sugerido varias medidas de bondad de ajuste para
este tipo de modelos, por ejemplo:
1.- La correlacin entre CALF y CALFF al cuadrado:
88
2.- Basada en la suma de cuadrados residual:
3.- Amemiya:
4.- Mc - Fadden:
= Funcin de Mxima Verosimilitud con
respecto a todos los parmetros.
= Funcin de Mxima Verosimilitud cuando se
hace con la restriccin
5.- Cragg - Uhler:
6.- R
2
de conteo:
B) Expecation-Prediction Table: Esta prueba nos permite averiguar
cul es el porcentaje de acierto en las
predicciones que obtiene el modelo.
89
C) Goodness-of-Fit Test: (test de Hosmer-Lemeshow). Esta prueba
parte de agrupar las observaciones en
quantiles y evala el desempeo del modelo
en cada uno de ellos en trminos del nmero
de observaciones que predice el modelo que
deben ubicarse en cada quantil vs el nmero
de observaciones real.
Por defecto, me indica que la
informacin se va a agrupar en 10 quantiles o
grupos segn niveles. Lo ideal es que el
nmero total de observaciones por quantil sea
el ms grande posible (prueba para muestras
grandes).
Se recomienda hacer esta prueba con
el mayor nmero posible de observaciones
posible en cada quantil.
5.- Criterio de Hannan Quinn (por ser una "funcin de prdida", conviene
minimizarlo frente a los modelos alternativos).
Este es un criterio para comparar modelos alternativos. La regla es
escoger el modelo con menor H-Q (no se aplica al MLP).

6.- Curva de Respuesta de Probabilidad de cada variable explicativa del
modelo.
Esta prueba es ratificatoria del test de significancia estadstica
individual de las variables explicativas. Nos permite evidenciar mediante
un grfico ad hoc si cada una de estas variables tiene poder para
discriminar entre buenos y malos pagadores, partiendo de un valor "c"
como parmetro de corte entre quienes se consideran dentro de ambas
categoras; usualmente este valor se sita en 0.5, es decir, quienes tienen
una probabilidad de cumplir menor o igual que 0.5 (50 por ciento), se
asumen como malos clientes y los que tienen una mayor, buenos clientes.
2.5. Seleccin del modelo final en base a la perfomance relativa de ste al comparar,
entre modelos alternativos, los resultados de los test sugeridos en el tem
anterior.
Lo primero que cabe destacar es que, en el caso del MLP, los efectos
marginales de las variables explicativas son constantes para todos los individuos,
mientras que en los casos del logit y el probit, estos efectos son diferentes para
cada individuo, dependiendo de los valores de las variables explicativas que lo
caracterizan.
Usualmente, en los modelos logit y probit se calculan los efectos
90
marginales de una variable o regresor para cada individuo, a fin de tener una idea
del rango de variacin de dichos efectos y se asume que el promedio de estos
efectos individuales es una buena aproximacin al "efecto marginal global" de
la variable (si se quiere tener un nmero - resumen), lo cual, desde luego, parte
de la premisa de que se cuenta con una muestra suficientemente representativa.
Pese a que los parmetros j de cada regresor, en los modelos logit y
probit, no nos miden, por s solos el, efecto marginal de dicho regresor, si nos
indican la direccin (signo) del cambio inducido en la probabilidad por la
variable explicativa.
2.6. Una vez elegido el modelo final, clculo de los efectos marginales respectivos
Los efectos de los cambios en las variables explicativas sobre las
probabilidades de que cualquier observacin pertenezca a uno de los dos grupos,
son proporcionados por:
donde: y es la funcin de densidad normal
estndar.
1.3.2. MODELO LOGIT PARA DATOS AGRUPADOS
Si la distribucin acumulada de es logstica, se tiene el llamado modelo
LOGIT, es decir:
donde
Las probabilidades son:
91
El cociente entre ambas probabilidades es:
aplicando logaritmo neperiano, nos da:
En el modelo de probabilidad lineal se supone como funcin lineal de las
variables explicativas; aqu, la razn logartmica de momios o logit es una funcin lineal
de las variables explicativas.
Tiene las siguientes caractersticas:
1.- Dado que P va de 0 a 1, es decir, a medida que Z vara entre y el logit
est entre y . En otras palabras, aunque las probabilidades se encuentran
entre 0 y 1, los logit no tienen estos lmites.
2.- Aunque el logit es lineal en X, las probabilidades mismas no lo son, en contraste
con el modelo de probabilidad lineal, donde las probabilidades aumentan
linealmente con X.
3.- La interpretacin del modelo logit es: mide el cambio en logit por un cambio
unitario en X, es decir, nos muestra cmo vara la factibilidad del logit en favor
de poseer una casa a medida que X cambia en una unidad.
Si es relativamente grande y si cada observacin en una clase de , est
distribuida en forma independiente como una variable binomial, entonces:
por lo tanto, el trmino de perturbacin en el modelo logit es heterocedstico y el mtodo
de estimacin adecuado es mnimos cuadrados ponderados.

El procedimiento para estimar una regresin logit (7) es:
92
( 1 ) Para cada nivel de , se calcula la probabilidad estimada de poseer una casa
como .
( 2 ) Para cada valor de , obtngase el logit como:
( 3 ) Para solucionar el problema de heterocedasticidad, se transforma as:
donde las ponderaciones , porque se distribuye normal
con varianza igual a si es suficientemente grande.
( 4 ) Estimar el modelo transformado utilizando mnimos cuadrados ordinarios (es un
modelo sin intercepto).
( 5 ) Establecer los intervalos de confianza y/o las pruebas de hiptesis en el marco
usual de mnimos cuadrados ordinarios, pero manteniendo en mente que todas las
conclusiones sern validas, si la muestra es razonablemente grande. Para
pequeas muestras los resultados estimados deben interpretarse cuidadosamente.
1.3.3. MODELO PROBIT PARA DATOS AGRUPADOS
Si los errores siguen una distribucin normal, se tiene un modelo PROBIT (o
NORMIT), es decir:
donde es un ndice de conveniencia no observable que est determinado por una o
varias variables explicativas, as:
y t es la variable normal estandarizada, es decir, t se distribuye .
Es razonable suponer que para cada familia hay un nivel crtico o umbral del
ndice, , tal que si excede a , ocurre el evento, de lo contrario no suceder. El
93
umbral al igual que no es observable, pero si se supone que esta distribuido
normalmente con la misma media y varianza. Por lo tanto, es posible estimar los
parmetros y los valores del ndice no observable. Es decir, la probabilidad sera:
Como representa la probabilidad de que un evento ocurra, P se mide por el
rea de la curva normal estndar desde hasta . Para obtener la informacin de
, como tambin de y , tomamos el inverso de la funcin de distribucin
probabilstica acumulada normal.
Se ha creado un problema de estimacin porque es no lineal no solamente en
sino tambin en los ; entonces, no se puede estimar mediante mnimos cuadrados
ordinarios.
Si es relativamente grande y si cada observacin en una clase de , est
distribuida en forma independiente como una variable binomial, entonces:
por lo tanto, el trmino de perturbacin en el modelo probit es heterocedstico y el
mtodo de estimacin adecuado es mnimos cuadrados ponderados.

El procedimiento para estimar una regresin probit es:
( 1 ) Para cada nivel de , se calcula la probabilidad estimada de poseer una casa
como .
( 2 ) Dado , obtngase el ndice de utilidad como:
( 3 ) Para solucionar el problema de heterocedasticidad, se transforma as:
94
donde las ponderaciones , porque se distribuye normal
con varianza igual a si es suficientemente grande.
( 4 ) Estimar el modelo transformado utilizando mnimos cuadrados ordinarios (es un
modelo sin intercepto).
( 5 ) Establecer los intervalos de confianza y/o las pruebas de hiptesis en el marco
usual de mnimos cuadrados ordinarios, pero manteniendo en mente que todas las
conclusiones sern validas, si la muestra es razonablemente grande. Para
pequeas muestras los resultados estimados deben interpretarse cuidadosamente.
Si la informacin esta agrupada o replicada (observaciones repetidas), entonces
se puede obtener informacin sobre la variable dependiente y el ndice de utilidad; por
lo tanto, el modelo a estimar se aplica mnimos cuadrados ponderados.
1.3.4. MODELO LOGIT VERSUS MODELO PROBIT
Desde el punto de vista terico, la diferencia entre ambos modelos es la
distribucin de probabilidades (normal para el modelo probit y logstica para el modelo
logit); ambas distribuciones estn muy prximas entre s, excepto en los extremos, la
logstica tiene colas ligeramente ms planas, es decir, la curva normal o probit se acerca
a los ejes ms rpidamente que la curva logstica. Por esta razn, no es probable obtener
resultados muy diferentes, a menos que las muestras sean grandes.
Sin embargo, los estimados de los parmetros de ambos mtodos no son
directamente comparables; porque la distribucin logstica tiene una varianza y la
distribucin normal tiene una varianza de 1. Entonces ambos coeficientes se relacionan
de la siguiente forma:
Amemiya sugiere multiplicar los estimados LOGIT por 1/1.6 = 0.625 porque esta
transformacin produce una aproximacin ms cercana entre la distribucin logstica y
la funcin de distribucin normal estndar. Es decir, la relacin sera:
Tambin sugiere que los coeficientes del modelo de probabilidad lineal
95
y los coeficientes del modelo logit se relacionan as:
Aplicando regla de tres simple logramos encontrar la relacin entre los
coeficientes del modelo probit y el modelo de probabilidad lineal, que nos da:
Si se tiene muestras de tamaos desiguales, no se afectan la estimacin de los
coeficientes de la variables explicativas del modelo logit, pero si se afecta el trmino
constante. Este resultado no es valido para el modelo probit ni para el modelo de
probabilidad lineal. Si el modelo estimado se utiliza para propsitos de prediccin, es
necesario ajustar el trmino constante.
Desde el punto de vista prctico, es generalmente utilizado con preferencia el
modelo logit sobre el modelo probit.
2. MODELOS DE ELECCIN MLTIPLE
Existen varias formas en que se pueden analizar este problema:
1 Con datos no ordenados: se utiliza cuando las alternativas que presenta la
variable endgena no indican ningn orden. Pueden
ser:
1.1. Multinomial, se utiliza cuando los regresores del modelo hacen referencia a las
observaciones muestrales, por lo que varan entre observaciones pero no entre
alternativas.
1.2. Condicional, se utiliza cuando los regresores del modelo hacen referencia a las
alternativas, por lo que sus valores varan entre alternativas pudiendo hacerlo o
no entre observaciones.
2 Con datos ordenados: se utiliza cuando las alternativas de la variable
endgena representan un orden entre ellas.
Generalizaremos los resultados anteriores a casos en los que los individuos hacen
elecciones entre tres o ms alternativas mutuamente excluyentes.
Un modelo multinomial de respuesta cualitativa se define de la siguiente forma:
96
( )
( )
P Y j F X i n y j m
i Y i
= = = =
*
, ; , ,..., , ,..., . 12 12
Y
si Y j
si Y j i n y j m
ij
i
i i
= =
= = =
1
0 12 12 ; , ..., , ,..., .
ln ln L Y F
ij
j
m
i
n
ij
i
=
= =

0 1
ln
.
L
= 0
( )
( )
P Y j X p S
j
= = ,
Asume que la variable dependiente toma valores {0, 1, 2, ..., }, entonces Y
i
m
i
+ 1 m
i
el modelo multinomial vendr dado:
donde y son vectores de variables independientes y parmetros respectivamente. X
*
De esta forma, depende de un i en particular cuando los individuos tienen diferentes m

i
conjuntos de eleccin. Para definir el estimador de en el modelo usualmente se
definen variables binarias, de la forma:
i
n
= 1
( )
m
i
+ 1
La funcin de verosimilitud viene definida como:
donde el estimador insesgado de se define como una solucin a la ecuacin:
$

Los modelos multinomiales de respuestas cualitativas se pueden clasificar en
modelos ordenados y no ordenados.
2.1. MODELOS ORDENADOS
Un modelo ordenado se define como:
para alguna medida de probabilidad p, sobre X y , y una secuencia finita de intervalos
sucesivos que depende sobre X y tal que .
{ }
S
j
U S
j j
=
En los modelos ordenados, los valores que Y toma, corresponden a una particin
sobre la lnea real. A diferencia de modelo no ordenado, donde la particin
correspondera a particiones no sucesivas sobre la lnea real o a particiones de
dimensiones mayores sobre el espacio euclidiano. En la mayora de las aplicaciones, el
modelo ordenado toma la forma:
97
( ) ( ) ( )
P Y j X F X F X j m
j j j j m
= = = = =
+ + +
, , ; , ,..., ; ; ;
1 0 1 1
01
( )
( ) ( )
P Y j X X i n y j m
i ij
k
m
ij i
i
= =
= =
=
exp exp ; , ,..., , ,...,

0
1
12 01
U con j
ij ij ij
= + = , , , 012
( ) ( )
( ) ( )
( )
( )
( ) ( ) ( )
P Y P U U U U
P Y P
P Y
i i i i i
i
i
i
i i i
= = > >
= = + > + >
= =
+ +
2
2
2
2 1 2 0
2 2 1 1 2 2 0 0
2
0 1 2
,
,
exp
exp exp exp

Para alguna distribucin F, se puede definir un modelo Logit ordenado o Probit
ordenado.
2.1.1. MODELO LOGIT
El modelo logit multinomial se define como:
Mc Fadden (1974) considera el siguiente modelo multiecuacional derivado del
problema del consumidor. Considere a un individuo i cuyas utilidades estn asociadas
con tres alternativas, de la forma siguiente:
donde no es una funcin estocstica sino deterministica. Por otro lado, es el usual U
ij

ij
trmino aleatorio de error. De esta forma, el individuo elige aquella alternativa en la que
obtiene la mayor utilidad. El multinomial logit se puede derivar del problema de
maximizar la utilidad s y slo s los son independientes y la funcin de distribucin
ij
de viene dada por De esta manera, la probabilidad de que el i
ij
( )
[ ]
exp exp .
ij
individuo elija una alternativa j, ser:
y tomar una forma parecida a la definicin del modelo logit multinomial s hacemos
y .
i i i
X
2 0 2
=
i i i
X
1 0 1
=
2.2. MODELOS NO ORDENADOS
Se enfocara el caso en que las alternativas no estn ordenadas.
98
P X P X P X
i i i i i i 1 1 1 2 2 2 3 3 3
= + = + = +
( ) Pr ob Y j P
e
e
i ij
X
X
j
j
j i
j i
= = =
0
1
P
e e
P
e
e e
P
e
e e
X X
X
X X
X
X X
i i
i
i i
i
i i
0 0
0
1
1 1
1
1 1 2 2
1 1
1 1 2 2
1 1
1 1 2 2
=
+ +
=
+ +
=
+ +
+ +
+
+ +
+
+ +

2.2.1. MODELO LINEAL DE PROBABILIDAD
Si asumimos que hay tres opciones j = 1, 2, 3, escribimos el modelo:

es la probabilidad de que el individuo i elegir la j sima opcin, mientras que P
ji
X
i
es el valor de X para el j simo individuo.
Para estimar cada una de las tres ecuaciones en el modelo por mnimos cuadrados
ordinarios, no es necesario ejecutar las tres regresiones lineales de probabilidad.
Dado que las probabilidades estimadas estn restringidas para sumar 1, los
interceptos estimados para sumar 1 y los parmetros de pendiente para sumar 0.
Entonces, slo se necesita ejecutar dos de las tres regresiones de mnimos
cuadrados. La solucin para los parmetros de la tercera ecuacin se deriva de las
primeras dos.
2.2.2. MODELO LOGIT
En este tipo de modelos las alternativas de la variable respuesta indican la
pertenencia de las observaciones a un determinado grupo sin incorporar informacin
ordinal. La formulacin de un Logit Multinomial queda recogida a travs de la siguiente
ecuacin:
Donde para el caso sencillo de un modelo en el que la variable endgena presenta
tres posibles alternativas de eleccin y slo existe una variable explicativa en la
modelizacin, la probabilidad asociada a cada una de las alternativas posibles de eleccin
tomaran las siguientes expresiones:
con . P P P
0 1 2
1 + + =
99
( )
( )
( )
f X X a
f X
ob X a
> =
> Pr
( ) ( )
Pr ob X a
a
> =

= 1 1
( )
( )
( )
( )
( )
( ) ( )
f X X a
f X
e
X
X
> =

1
2
1
1
1
2
1
2
2
2
2

3. MODELO CON VARIABLE DEPENDIENTE LIMITADA

Existen un gran nmero de datos cuya observacin nos muestra que estn
limitados o acotados de alguna forma. Este fenmeno lleva a dos tipos de efectos: el
truncamiento y la censura.
El efecto de truncamiento ocurre cuando la muestra de datos es extrada
aleatoriamente de una poblacin de inters, por ejemplo, cuando se estudia el ingreso y
la pobreza se establece un valor sobre el cual el ingreso se encuentra por encima o por
debajo del mismo.. De esta forma, algunos individuos podrn no ser tenidos en cuenta.
Por otro lado, censurar es un procedimiento en el cual los rangos de una variable
son limitados a priori por el investigador; este procedimiento produce una distorsin
estadstica similar al proceso de truncamiento.
3.1. MODELO TRUNCADO

Una distribucin truncada es la parte de una distribucin no truncada antes o
despus de un valor especfico; imagnese por ejemplo que nosotros deseamos conocer
la distribucin de los ingresos anteriores a 100,000 o el nmero de viajes a una zona
mayores de 2, sta ser tan slo una parte de la distribucin total.
Si una variable continua aleatoria X, tiene una funcin de densidad de
probabilidades, y a es una constante, entonces:
si X tiene una distribucin normal con media y desviacin estndar , entonces:
donde y es funcin de densidad acumulativa, entonces la

=
a
( )

distribucin normal truncada ser:
donde ser la funcin de densidad de probabilidades normal estndar. La distribucin
normal estndar truncada con y para a igual a -0.5, 0 y 0.5, ser: = 0 = 1
100
[ ]
( )
E X truncamiento = +
[ ]
( ) ( )
var X truncamiento =
2
1
( )
( )
( )
( )
( )
( )

>
=

<
1
1
si el truncamiento ocurre en X a
si el truncamiento ocurre en X a
( )
( )
( ) ln ln ln ln L
n
Y X
a X
i i
i
i
n
i
=

+

=

2
2
1
2
1
2
2
2
1

Si con constante, entonces la media vendr dada por:

[ ]
X N ,
2
y la varianza por:
donde . Por otro lado, nosotros observamos que:
( )
= a /
Tomando el logaritmo de la distribucin normal truncada, y al realizar la suma de
los logaritmos de estas densidades, se obtiene:
Las condiciones necesarias para maximizar ln L sern:
101
( )
ln
ln
L Y X
X
L
Y X
X
i i i
i
n
i
i i
i i
i
n
=

=
=

+

=
=
=
2
1
2 2
2
4 2
1
0
1
2 2 2
0
Y si Y Y Y si Y = = > 0 0 0
* * *
( )
( )
Pr Pr
*
ob Y ob Y = = =

0 0 1
donde y .

i
i i
a X
=
( )
( )
i
i
i
=
1
3.2. MODELO CENSURADO
Un procedimiento normal con datos microeconmicos, consiste en censurar la
variable dependiente. Cuando la variable dependiente es censurada, los valores en un
determinado rango son todos transformados a un valor singular. De esta forma, si
definimos una variable aleatoria y transformada de la variable original como:
El grfico de la distribucin censurada es:
La distribucin correspondiente a ser:
( )
Y N
*
,
2
si y tiene la densidad de , entonces la distribucin tiene partes discretas y Y
*
> 0 Y
*
102
( ) ( )( )
E Y a = + + 1
( ) ( ) ( ) ( )
[ ]
Var Y = +
2
2
1 1
y
x u si m
i
i i i
=
+ +

0 1
y
m si y < m
i
*
i i
*
i
continuas, donde la probabilidad total ser de 1como se requiere. Para lograr esto, se
asigna la probabilidad total en la regin censurada al punto de censuramiento.
La media de una variable censurada vendr dada por:
y la varianza:
d o n d e : ; ;
( )
( )

a
ob Y a
= = =
Pr
*

=
1
. =
2
3.3. MODELO TOBIT
El modelo Tobit se origin en el estudio de consumo de bienes no perecederos por
parte de las economas domsticas; el importe dedicado al consumo de estos bienes se
anula en el caso de familias que no pueden dedicar un mnimo de renta a la adquisicin
de este tipo de productos. As, el modelo Tobit es de la forma:
en el que el valor es el lmite mnimo por debajo del cual la variable endgena no m
i
puede caer. Este modelo puede considerarse como uno de eleccin binaria, en el que la
variable endgena toma valores dependientes de las exgenas o bien un mnimo que no
depende de stas.
Supongamos que se observa si , y no si . Entonces, se
definir como:
asume que .
103
Se le llama modelo Tobit o probit de Tobin o modelo censurado de regresin
normal, debido a que se censura (no se permite observar) algunas observaciones de
(aquellas que ). El objetivo es estimar los parmetros y .
Ejemplo
1.- Se especifica la demanda de automviles de la siguiente forma:
donde Son los gastos en automviles y x el ingreso. En la muestra habra
un gran nmero de observaciones para las cuales los gastos en automviles son
cero. El modelo censurado de regresin se puede especificar como:
2.- Si existen observaciones sobre varias personas, de las cuales slo algunas tienen
empleo, podemos especificar el modelo:
Caso horas trabajadas,
Caso salarios,
Mtodo de estimacin
La estimacin de y mediante mnimos cuadrados ordinarios no se puede
utilizar con observaciones positivas , pues cuando se escribe el modelo:
el trmino de error no tiene media cero. Dado que las observaciones con
se omiten, esto supone que slo se incluyen en la muestra las observaciones para las
104
cuales . Por lo tanto, la distribucin de es normal truncada y su media no
es cero. La Distribucin normal truncada es:
donde la funcin de densidad estndar normal es:
y la funcin de distribucin acumulada estndar normal es:
Un mtodo de estimacin que se sugiere comnmente es el de mxima
verosimilitud, que es el siguiente:
si maximizamos la funcin de verosimilitud con respecto a y , obtendremos los
estimados de mxima verosimilitud de estos parmetros.
Los modelos Tobit se refiere a modelos censurados o truncados donde el rango
de la variable dependiente se restringe de alguna forma.
Dado el creciente uso de los modelos tipo Tobit, Amemiya realiz la laboriosa
tarea de clasificar, los modelos Tobit de acuerdo con similitudes en la funcin de
verosimilitud. La caracterizacin de los tipos de modelos Tobit es la siguiente:
105
TIPO VARIABLE DEPENDIENTE
Y
1
Y
2
Y
3
1 CENSURADO - -
2 BINARIO CENSURADO -
3 CENSURADO CENSURADO -
4 CENSURADO CENSURADO CENSURADO
5 BINARIO CENSURADO CENSURADO
y x x x u
t t t k kt t
= + + + +
1 1 2 2
....
y X u
t t t
= +
CAPITULO IV
MODELOS MULTIECUACIONALES
1. INTRODUCCIN
En el modelo bsico de regresin y para cualquier punto muestral t tenemos:
expresndolo en matrices nos da:
donde,
escalar del valor de la variable endgena en el punto t. y
t

vector fila 1 x K de los valores de todas las exgenas en el punto X
t

t.
vector columna K x 1 de parmetros del modelo.
u escalar de la variable aleatoria en el punto t.
Para el conjunto de todos los valores muestrales ( t = 1, 2, ..., T), la
correspondiente expresin matricial, es:
siendo,
Y vector columna T x 1 de valores de la endgena.
X matriz T x K de valores de las exgenas.
vector columna K x 1 de parmetros del modelo.
U vector columna T x 1 de las perturbaciones aleatorias.
En el contexto de un modelo multiecuacional con g variables endgenas y k
exgenas (o predeterminadas), una ecuacin cualquiera que incluyese todas las variables
y en la que la endgena cuyo comportamiento quisisemos explicar fuera

(ecuacin
h-sima) adopta la siguiente expresin:
considerando nulo el coeficiente de en el segundo miembro, es decir, .
En forma matricial resulta:
108
donde,
vector fila de los valores de todas las endgenas en el punto t.
vector columna de los valores de los parmetros de las variables
endgenas del modelo.
vector fila de los valores de todas las exgenas en el punto t.
vector columna de los parmetros de las variables exgenas del
modelo.
Para el conjunto de todos los valores muestrales ( t=1,2,...,T), puede expresarse
la misma ecuacin matricialmente de la siguiente forma:
siendo,
vector columna de todos los valores muestrales de la variable
endgena h.
Y matriz de todos los valores muestrales de las variables endgenas
del modelo, excepto la variable h.
vector columna de los valores de los parmetros de las variables
endgenas del modelo.
X matriz de todos los valores muestrales de las exgenas del modelo.
vector columna de los parmetros de las variables exgenas del
modelo.
vector columna de las perturbaciones aleatorias.
Para el modelo en su conjunto, referido a todos los valores muestrales, la
expresin matricial ser:
que viene a ser la FORMA ESTRUCTURAL del modelo, pasamos al primer
miembro y nos queda:
sacamos factor comn Y por la derecha, tenemos:
despejndose las g endgenas del sistema de g ecuaciones, da:
109
viene a ser la FORMA REDUCIDA del modelo.
1.1. TIPOS DE MODELOS MULTIECUACIONALES
Los modelos multiecuacionales se clasifican:
1 Modelos Recursivos (o en cadena causal (Wold) o recurrente)
Cada variable endgena depende, adems de las variables predeterminadas
especficas de cada ecuacin, de otras endgenas, pero sin que existan relaciones
recprocas de causalidad; as:
o sea, influye sobre

, pero no se da la relacin de causalidad inversa, de
sobre . Es adecuado el procedimiento de estimacin de los mnimos cuadrados
ordinarios, porque los trminos de error de las ecuaciones estn incorrelacionadas
entre s.
2 Modelos Bloque Recursivo o Bloque Recurrente
Las ecuaciones pueden repartirse en grupos tales que entre ellas su
relacin es de carcter recursivo; ejemplo:
la tercera ecuacin (un bloque) determina a partir de y (otro bloque),
sobre las que no influye, aunque stas si lo hagan simultneamente entre s. Si el
primer bloque est identificado, estas ecuaciones pueden estimarse utilizando la
tcnica de los mnimos cuadrados en dos etapas y para el segundo bloque es
preciso utilizar el procedimiento de los mnimos cuadrados ordinarios.
3 Modelos interdependientes o de ecuaciones simultneas
Existen relaciones causales mltiples entre todas las variables endgenas
del sistema. Ejemplo:
110
La simultaneidad de ecuaciones no permite un tratamiento aislado de cada
una de las ecuaciones. En este caso, que existe correlacin entre los trminos de
error de varias ecuaciones, es conveniente proceder a una estimacin conjunta de
parmetros. El mtodo adecuado de estimacin depende de la identificacin de
cada ecuacin del modelo.
4 Modelos de ecuaciones aparentemente no relacionadas
Se trata tpicamente de ecuaciones similares referidas a diversas partes de
un total (por ejemplo, tasas de actividad por grupos de sexo y edad, demanda de
diferentes productos, etc.), que impide una independencia total entre las
perturbaciones de cada ecuacin y las de las restantes del sistema. Ejemplo:
Los modelos de ecuaciones aparentemente no relacionadas (Seemingly
unrelated equations) presentan correlacin entre los trminos de error de las
ecuaciones del modelo; por lo tanto, el mtodo adecuado de estimacin es
mnimos cuadrados trietpicos.
Si las perturbaciones de cada ecuacin no estn relacionadas entre s (estn
incorrelacionadas) no existir, evidentemente, ninguna relacin entre las tres
ecuaciones; entonces la estimacin minimocuadrtica ordinaria es perfectamente
apropiada.
2. ESPECIFICACIN DE UN MODELO MULTIECUACIONAL
En el proceso de construccin de un modelo multiecuacional es conveniente
realizar un diagrama causal, esto es, un grafo en el que mediante flechas se indican
cules son las variables causa y cules las efecto o explicadas (endgenas). Las
perturbaciones aleatorias son variables latentes o no observables, de naturaleza aleatoria,
que influyen sobre las variables endgenas y que se representan dentro de un crculo
para indicar que no son medibles directamente. Las interrelaciones entre las variables
predeterminadas, o entre las perturbaciones aleatorias se representan mediante lneas que
unen las variables relacionadas.
Las variables endgenas son aquellas a las que apunta alguna flecha en un
diagrama causal, y las predeterminadas son aquellas variables medibles de las que parte
alguna flecha pero a las que no apunta ninguna.
El modelo se formula a partir del diagrama causal, y, si las relaciones son lineales,

Econometria I

Cargado por

Copyright:

Formatos disponibles

Econometria I

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Econometria I

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE PIURA

segn el teorema de Mann-Wald

como depende de a travs del modelo, pero y estn relacionados con la Y

Sea Z una matriz T x K de observaciones de las variables , quiz Z Z Z

5808098244 04994778688 0221219823

8423678855 07121166325 04874192342

lineal resultante mediante mnimos cuadrados ordinarios.

, as como las K variables que componen el valor del gradiente de la funcin Y

mnimos cuadrados ordinarios el modelo lineal:

probabilidad del estimador de mnimos cuadrados de esta aproximacin lineal es:

Este sistema se abrevia:

uno de los componentes del vector gradiente de la funcin evaluado en . ( ) f X

funcin continuamente diferenciable. Si consideramos un entorno pequeo del

nmero de coeficientes estimados.

vector de parmetros que maximice la funcin de verosimilitud (o su logaritmo) es

equivalente a escoger el vector que minimice la suma residual .

! Si el trmino de error sigue una distribucin de probabilidad Normal y si su varianza

formada por las derivadas de segundo orden.

parmetro desconocido; entonces los errores estndar de mnimos cuadrados siempre

vector de discrepancia es suficientemente grande como para hacer imposible el mantenimiento

1 es funcin no lineal, entonces no es igual a , pero por la

consistencia del estimador de mnimos cuadrados ordinarios, podemos afirmar:

siendo matriz q x K y la varianza de se aproxima:

De esta forma, depende de un i en particular cuando los individuos tienen diferentes m

exp exp ; , ,..., , ,...,

3. MODELO CON VARIABLE DEPENDIENTE LIMITADA

Si con constante, entonces la media vendr dada por:

También podría gustarte