Professional Documents
Culture Documents
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:
Las decisiones se toman tras un proceso de evaluacin que genera un desfase entre la
informacin evaluada y la accin final.
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
inflacin:
1.2.
TIPOS DE MODELOS
Yt = 1 X t + 2 X t 1 + 3Yt 1 + t
donde
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
Yt = 1 X t + t
2 = 3 = 0
2 Serie de tiempo
univariante
Yt = 3Yt 1 + t
1 = 2 = 0
Yt = 1X t 1 + t
3 = 1; 2 = 1
Ecuacin
Restricciones en
ADL(1,1)
Yt = 2 X t 1 + t
1 = 3 = 0
5 Retardos
distribuidos
(distributed lags)
Yt = 1 X t + 2 X t 1 + t
3 = 0
6 Ajuste parcial
Yt = 1 X t + 3Yt 1 + t
2 = 0
Yt = 1 X t + ut ut = 3ut 1 + t
2 = 1 3
Tipo de modelo
4 Indicador
adelantado (leading
indicator)
7 Common factor
(error
autocorrelacionado)
8 Mecanismo de
Correccin del Error
9 Forma reducida
(dead start)
Yt = 1 X t + (1 3 )( X t 1 Yt 1 ) + t
Yt = 2 X t 1 + 3Yt 1 + t
i = 1
1 = 0
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.
1.3.
CLASIFICACIN
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,
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.
Nerlove (1956).
Yt = 0 + 1 X t* + et
Las expectativas se revisan o actualizan en funcin de las desviaciones
observadas en el pasado, as:
X t* X t*1 = ( X t 1 X t*1 )
Resolviendo la anterior ecuacin diferencial se obtiene:
X = (1 )i X t 1 i
*
t
i =0
Yt = 0 + 1 (1 ) i X t 1i + et
i =0
Yt = 0 + 1X t 1 + (1 )Yt 1 + et (1 )et 1
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:
que postula que los agentes modifican la expectativa a partir de las expectativas del
periodo anterior y considerando el error de prediccin cometido.
Si
Si
t*+1 (1 ) t* = t
Si se incorporan las expectativas adaptativas al modelo, se tiene el siguiente
procedimiento:
1
), nos da:
sobre
Y t* =
+ 1X
+ et
Slo se alcanza una parte del valor ptimo en cada periodo, matemticamente:
Yt Yt 1 = (Yt * Yt 1 )
Sustituyendo la primera expresin en la segunda:
Yt Yt 1 = ( 0 + 1 X t + et Yt 1 )
Despejando el valor corriente de la endgena:
Yt = 0 + 1X t + (1 )Yt 1 + et
EJEMPLO:
Supongamos que el nivel de capital deseado en la economa, Kt* , es una funcin
del nivel de producto Yt :
Kt* = 1 + 2Yt + ut
(1)
Kt Kt 1 = ( Kt* Kt 1 )
0< <1
( 2)
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 = 1
=0
Kt = Kt* + (1 ) Kt 1
K (1 ) Kt 1
Kt* = t
donde el stock de capital es una combinacin lineal convexa del valor deseado y de
su valor previo.
Al reemplazar ( 1 ) en ( 2 ) tenemos:
Kt = 1 + 2Yt + (1 ) Kt 1 + ut
(3)
X t* , as:
Yt = 0 + 1 X t* + et
Las expectativas racionales se forman con toda la informacin disponible hasta
el periodo anterior:
X t* = E ( X t t 1 )
La esperanza condicional viene representada por un proceso ARMA:
X t = a1 * X t 1 + a2 * X t 2 + ... + t + b1 * t 1 + b2 * t 2 + ...
El modelo inicial se convierte en un modelo dinmico:
Yt = 0 + 1 * ( a1 * X t 1 + a2 * X t 2 + ... + t + b1 * t 1 + b2 * t 2 + ...) + et
2.
Yt = Yt 1 + ut
<1
(1)
MCO =
YY
t t 1
2
T
2
t 1
( Yt 1 + ut )Yt 1
= +
Yt 21
t 1 t
2
T
2
t 1
10
Yt 1ut
el estimador ser insesgado si y slo si se cumple: E 2
= 0.
T
2
Yt 1
2
Si la distribucin de u fuera independiente de Ys para todo par (t,s), entonces se tendra
para s = 2, ..., T
T
Yt = s ut s
s= 0
Yt = Yt 1 + ut
<1
ut = ut 1 + t
la variable explicativa Yt 1 est correlacionada con ut 1 , y a su vez, est correlacionada con ut ;
entonces una de las variables explicativas del modelo est correlacionada con el trmino de
error, por lo que ya no se tiene E (Yt 1ut ) = 0 . No podemos garantizar la consistencia del
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 E ( X t S ut ) = 0 para todo s 0 y para todas las variables
explicativas del modelo se tiene:
E ( X t S ut ) = 0
s 0
s
11
Yt = 1 + 2Yt 1 + 3 X t + ut
2 < 1
(1)
X t es determinista, es decir: E ( X t ut ) = 0, t .
X X
p lim
= XX matriz simtrica, definida positiva, donde:
T
T 1
X X =
Yt 1
2
T
Yt21
2
X
t
2
T
Yt 1 X t
2
T
2
Xt
2
T
Esta condicin se satisface bajo el supuesto 2 < 1 , siempre que existan las varianzas
y covarianzas de las variables explicativas X t e Yt 1 .
Sabemos que:
MCO = + ( X X ) 1 X u
( 2)
p lim MCO
1
X X 1
X X X u
X u
= p lim +
p lim
= + p lim
T T
T
T
12
~
p lim MCO = + XX1 0 K =
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:
1
( MCO
X X X u
) =
T T
T ( MCO
X X X u
) =
T T
~
D
T ( MCO )
(
XX
N (0, u2
XX
)=
N 0, u2 (
XX
Esta distribucin slo es rigurosamente vlida segn tienda el tamao muestral a infinito.
En la prctica, se realiza la aproximacin siguiente:
1
Pasando
T y a la derecha, entonces:
u2
(
MCO
N ,
T
~
XX
en muestras grandes.
Para muestras suficientemente grande, el lmite de XX es
X X
; entonces, la
T
X X
.
T
X X
=
T
XX
< , entonces se
X u
tiene que : p lim
= 0K .
T
2
X X
=
T
X u D
N (0, u2
T
XX
XX
13
~
1
Var MCO = u2 ( X X )
14
$ = 1
DW
1..99281692505
= 1
= 0.00359153747518
2
2
148
= 0.0443569947499
1 148( 0.000200792518378)
<
1645
.
<
384
.
15
m=2
se calcula el estadstico q y se compara con el estadstico de la tabla chi cuadrado, de la forma
siguiente:
QBP = 148(0.0012 + 0.0832 ) = 1025685
.
<
5.99
LM = 0.000186
<
384
.
LM = 1071686
.
<
5.99
16
EJEMPLO 2:
Especificamos la funcin consumo siguiente:
$ = 1
DW
1..9974120053
= 1
= 0.00129399735245
2
2
148
= 0.0164527854599
1 148( 0.00057107024696)
<
1645
.
17
Box Pierce:
<
5.99
18
LM = 0.000863
<
384
.
LM = 1241676
.
<
5.99
Yt = 1 + 2Yt 1 + 3 X t + ut
2 < 1
(1)
ut = ut 1 + t
donde t es ruido blanco.
La existencia de autocorrelacin en el trmino de error hace que la propiedad del caso
anterior no se satisfaga. E (Yt 1ut ) 0 . Por ejemplo: Asumamos en (1) que 1 = 3 = 0 ,
entonces el modelo queda:
Yt = 2 Yt 1 + ut
tenemos:
19
E (Yt 1ut ) 2 E Yt 2 ( ut 1 + t ) = u2
E (Yt 1ut ) 2 E (Yt 2 ut 1 ) 2 E (Yt 2 t ) = u2
E (Yt 1ut ) 2 E (Yt 1ut ) = u2
(1 ) E (Y
u ) = u2
E (Yt 1ut ) =
u2
t 1 t
(1 )
2
~
p lim 2 MCO = 2 +
Yt 1ut
p lim 2
T 2
Yt 1
p lim 2
T
20
2
3
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
( X t 1 )
VI = ( Z X ) 1 Z Y
donde Z denota la matriz T x K de observaciones muestrales de las variables que componen el
vector Z y suponemos que Z X es invertible. Para el ejemplo:
X = 1 Yt 1
Xt
Z = 1 X t 1
Xt
~1
~
2
~
3 VI
T1
T
= X t 1
2
T
Xt
2
t 1
2
T
t 1 t 1
2
T
XY
t t 1
2 X t
T
2 X t X t 1
T
2
2 X t
Yt
T 2
X Y
t 1 t
2
T
X t Yt
2
21
E ( Z tu) = 0 K
Z X
Z Z
p lim
= ZX , p lim
= ZZ
T
T
ambas matrices son singulares y finitas, entonces tenemos:
( )
p lim VI
Z X 1 Z u
= + p lim
= +
T
T
Z X
p lim T
Z u
p lim
~
p lim VI = + 1
ZX 0 K =
( )
E ( Z tu) = 0 K
Z X
p lim
= ZX
T
Z Z
p lim
= ZZ
T
no sin gular
el teorema de Mann - Wald asegura que bajo los tres supuestos mencionados se tiene:
Z u
p lim
= 0K
T
y como:
Z u
N (0 K , u2 ZZ )
T
22
1
Z X Z u
T VI =
T T
converge en distribucin a:
1
~
T VI ( ZX ) N (0 K , u2 ZZ )
(
~
T (
) N 0
2
1
1
VI
K
u
ZX
ZZ ( ZX )
~
VI N , u ZX1 ZZ ( ZX1 )
T
Por lo tanto, este resultado justifica que en muestras grandes se utilice como matriz de
covarianzas del estimador de variables instrumentales:
( )
Var VI =
u2
T
( ZX1 ) ZZ ( ZX )
( )
Var VI
Z X Z Z
,
para aproximar sus lmites
T
T
u2 Z X 1 Z Z Z X 1
1
1
=
= u2 ( Z X ) ( Z Z ) ( Z X )
T T T T
~u2
~
~
Y X ) (Y X )
(
=
VI
VI
T K
23
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 de que disponemos, para obtener la variable generada Yt 1 , que ser una
combinacin lineal de X 1t 1 , X 2 t 1 y X 3t 1 y, como tal, una variable instrumental vlida.
~
(~
~
Yt 1 , que ser una combinacin lineal
de
2
por
~
Yt 1 y se estima el modelo transformado
24
$ = 1
17096162998
DW
.
= 1
= 0145191850101
.
2
2
148
= 1852993577
.
1 148( 0.000617205200589)
>
1645
.
25
Box Pierce:
<
384
.
>
5.99
26
LM = 3.208674
<
384
.
LM = 6.741162
>
5.99
G2 = [ GCP ]
G3 = [ 1 IPD IPD(-1) ]
~0
4.191603
1
~VI = ~1 = ( Z X ) Z Y = 0.298547
~2
0.686558
a continuacin se calcula el estimador de la varianza de la perturbacin, de la siguiente
manera:
~u2
~
~
Y X ) (Y X )
(
=
= 165.4665
VI
148 3
VI
27
( )
1
1
Var VI = ~u2 ( Z X ) ( Z Z )( Z X )
con esta informacin podemos calcular el t estadstico para cada estimador de variable
instrumental, de la forma siguiente:
t ~VI
t ~
0
= t ~1 =
t ~
2
~i
VAR( i )
- 1.60019686721
= 6.36810211651
13.3934789812
EJEMPLO 4:
Especificamos la funcin consumo siguiente:
28
h de Durbin:
$ = 1
DW
1..67918769606
= 1
= 0160406151972
.
2
2
148
= 2.15786848852
1 148( 0.00123099578102)
Por lo tanto, se rechaza la hiptesis nula.
h = 0160406151972
.
>
1645
.
Box Pierce:
QBP = 148(016
. ) = 3.7888
<
384
.
. ) + 018
. 2 = 8.591901
QBP = 148 ( 016
2
>
5.99
29
Breusch-Godfrey:
LM = 4.341279
>
384
.
LM = 9.252508
>
5.99
30
3.
Yt = 1 + 2 X 2 t + 3 X 2 t 1 + ...+ S X 2 t S + ut
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
31
( k ) = ( X ' X + kI ) 1 X ' Y
2
Z t = X t i
i =0
Z t = X t i /( r + 1)
i =0
Z t = pi X t i
i =0
i =0
Yt = * W ( L ) X t + et
Wt = 0 + 1 L + 2 L2 + 3 L3 + ... + r Lr
3.1.
RETARDOS FINITOS
Consideremos el siguiente modelo de Demanda de saldos reales:
*
t +1
t i
i=0
32
i =o
i =o
2 i t i + ut = 1 + i* t i + ut
Aritmtica:
r
W ( L ) = ( r + 1 i ) Li
i =0
V Invertida:
s 1
W ( L ) = (1 + i ) L + ( r + 1 i ) Li
i
i =0
con s = r / 2
i=s
Almon:
r
W ( L ) = ( 0 + 1i + 2i 2 + ... + q i q ) Li
i =0
Shiller:
r
W ( L ) = ( 0 + 1i + 2i 2 + ... + q i q + i ) Li
i =0
con i N (0, 2 )
33
Armnicas:
W ( L ) = + ( Ak sen kj + Bk cos kj ) Li
k =0
con kj =
2
k. j
n +1
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:
definiendo:
, luego
34
Para resolver este problema puede utilizarse un polinomio por tramos, o bien
un polinomio para la
parte.
2
EJEMPLO 5:
Especificamos la funcin consumo siguiente:
m
GCPt = +
i IPDt i + ut
i=0
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
M
T
AKAIKE
SCHWARZ
R
================================================
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
H0 : PDL 07 = 0
t PDL 07 = 1832573
.
< t( 0.95,125) = 1979124
.
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.
El comando para estimar es:
LS GCP C PDL(IPD, 16, 5)
el eviews nos muestra el resultado siguiente:
Dependent Variable: GCP
Method: Least Squares
Sample(adjusted): 1963:1 1996:1
Included observations: 133 after adjusting endpoints
==================================================
Variable
Coefficient
Std. Erro
t-Statistic
Prob.
==================================================
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
H0 : PDL 06 = 0
t PDL 06 = 1016531
.
< t( 0.95,126) = 19789706
.
Por lo tanto, no es significativo.
Entonces disminuimos un grado el polinomio y volvemos a verificar la significancia
del coeficiente del grado cuarto del polinomio.
El comando para estimar es:
LS GCP C PDL(IPD, 16, 4)
el eviews nos muestra el resultado siguiente:
Dependent Variable: GCP
Method: Least Squares
Sample(adjusted): 1963:1 1996:1
Included observations: 133 after adjusting endpoints
=========================================================
Variable
Coefficient
Std. Erro
t-Statistic
Prob.
=========================================================
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
=========================================================
R-squared
0.999819 Mean dependent var
2025.369
Adjusted R-squared
0.999812 S.D. dependent var
1456.228
S.E. of regression
19.97692 Akaike info criterion
8.871096
Sum squared resid
50682.82 Schwarz criterion
9.001487
Log likelihood
-583.9279 F-statistic
140257.9
Durbin-Watson stat
0.484322 Prob(F-statistic)
0.000000
=========================================================
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
*.
|
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:
H0 : PDL 05 = 0
GCPt = 5808098244
.
+ 0.4994778688 IPDt + 0.221219823IPDt 1
+ 0.06149146821IPDt 2 0.01368081228 IPDt 3 0.0333281558 IPDt 4
0.02153941711IPDt 5 + 0.00253887094 IPDt 6 + 0.02470249744 IPDt 7
+ 0.03568957339 IPDt 8 + 0.03118053171IPDt 9 + 0.01179812725IPDt 10
0.01689256324 IPDt 11 + 0.04438414106 IPDt 12 0.0552268856 IPDt 13
0.02902875434 IPDt 14 + 0.05954461717 IPDt 15 + 0.2407699153IPDt 16
EJEMPLO 6:
Especificamos la funcin consumo siguiente:
m
GCPt = 0 + 1 Rt +
i IPDt i + ut
i =0
39
M
T
AKAIKE
SCHWARZ
R
================================================
0.000000 148.0000 0.999708
9.307039
9.367793
9.321438
1.000000 148.0000 0.999729
9.240432
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:
El comando para estimar es:
LS GCP C R PDL(IPD, 16, 6)
el eviews nos muestra el resultado siguiente:
Dependent Variable: GCP
Method: Least Squares
Sample(adjusted): 1963:1 1996:1
Included observations: 133 after adjusting endpoints
==================================================
Variable
Coefficient
Std. Erro
t-Statistic
Prob.
==================================================
C
-8.162016
5.836322
-1.398486 0.1645
R
0.499054
1.255326
0.397550
0.6916
40
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:
H0 : PDL 07 = 0
t PDL 05 = 1804222
.
< t( 0.95,124 ) = 19792801166
.
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:
Dependent Variable: GCP
Method: Least Squares
Sample(adjusted): 1963:1 1996:1
Included observations: 133 after adjusting endpoints
==================================================
Variable
Coefficient
Std. Erro
t-Statistic
Prob.
==================================================
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:
H0 : PDL 06 = 0
41
H0 : PDL 05 = 0
RETARDOS INFINITOS
Consideremos el modelo de Demanda de saldos reales:
42
*
t +1
t i
i=0
Geomtrica:
W ( L) =
2
Pascal:
(1 ) r
W ( L) =
(1 L) r
3
Racional:
W ( L) =
4
1
1 L
U ( L)
V ( L)
Gamma:
43
1 s 1
W ( L) =
i exp( i ) Li
( s ) i =0
5
Exponencial:
Si los
. As,
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:
44
dependen de
Mt
= 1 + 2 Z1t + t + ut
Pt
suponemos:
ut N (0, u2 I T )
El logaritmo de la funcin de verosimilitud es:
Mt
T
T
1
ln L
, Z1t 1 , 2 , , = ln 2 ln u2
2
2
2 u2
Pt
Mt
1 2 Z t t
t = 1 Pt
T
T
~
1
~
2 =
~
Z1t
t =1
T
Z
t =1
(1 T )
2
1t
(1 )
t
1t
t =1
2
1 2
2T
t
t =1
T
Z Y
1t t
t =1
T
t
Yt
t =1
T
45
En general, no tiene mucho sentido suponer que los coeficientes i del modelo
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 1 y 2 son las que se obtuvieron con dicho valor de .
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
2
1 ~
2
I
= u
~
~ 2
u
1t
t =1
T
t =1
(1 T )
1
T
Z12t
Z
(1 )
t
1t
t =1
2
2T
1 2
Z1t
+ tt 1
2
t =1
T
Z1t
+ tt 1 Z1t
2
t =1
T
Z1t
+ tt 1 t
2
t =1
2
T
Z1t
t 1
+ t
2
t =1
T
2 u2
algunas observaciones:
2 u2
~ ~
~
, y es independiente de 1 , 2 , ~ y .
T
46
es decir:
y as sucesivamente; y
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.
, la estimacin del
GCPt = +
i IPDt i + ut
(1)
i =0
Si los
. As,
GCPt = +
(1 )i IPDt i + ut
i =0
( 2)
47
GCPt 1 = +
(1 )i +1 IPDt i 1 + ut 1
(3)
i =0
4.
Y = X + u = Y1 + Z1 + u
y supongamos que se dispone de una lista de instrumentos para Y1 , en caso de que se
necesitasen.
El contraste consiste en:
1
El estadstico es:
] (~
MCO
~
VI r2
48
EJEMPLO 8:
Especificamos la funcin consumo siguiente:
49
(~
MCO
~
~
~
VI Var VI Var MCO
)[ ( )
)] (~
1
MCO
~
.
VI = 6.61844563805 > 12 = 384
5.
A( L)Yt = + B( L) X t + t
dividimos por A(L) el modelo y se obtiene:
Yt =
B( L )
+
Xt + t
A( L) A( L)
A( L)
se puede expresar:
Yt = + D( L) X t + ut
Un modelo es estable cuando cumple alguna de las dos condiciones siguientes:
1
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
Multiplicador de Retardo j:
endgena
( Xt ).
m0 =
Yt
= 0
X t
( jm )
Yt
j
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:
mj =
3
Multiplicador Total:
Yt
=j
X t j
mT =
j=0
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,
j j
R. M .=
j =1
j
j =1
51
tiempo.
5
EJEMPLO 1:
Se tena la funcin consumo siguiente:
(1 L)GCP
2
GCPt =
= 0 + 1 SYS t + ut
ut
0
1
+
SYS t +
(1 2 L)
(1 2 L) (1 2 L)
1
= c(2)/(1-c(3)) = 1.605471.
1 2
Retardo Medio =
2
2
B (1) A (1)
0
= c(3)/(1-c(3)) = 8.2554.
=
B(1)
A(1) 1 1 2 1 2
EJEMPLO 2:
Tenamos la funcin consumo siguiente:
52
(1 L)GCP
3
GCPt =
= 0 + 1 SYS t + 2 Rt + ut
ut
0
1
2
+
SYS t +
Rt +
(1 3 L) (1 3 L)
(1 3 L) (1 3 L)
1
= c(2)/(1-c(4)) = 1.550845.
1 3
M2MIR = 2 = -1.823686.
M1MD1 = 2 3 = c(3)*c(4) = -1.521957.
M1MD2 = 2 32 = c(3)*c(4)^2 = -1.270149.
..............
M1MLP =
2
= c(3)/(1-c(4)) = -11.02256.
1 3
Retardo Medio =
3
3
B (1) A (1)
0
= c(4)/(1-c(4)) = 5.0441.
=
B(1)
A(1) 2 1 3 1 3
CAPITULO II
MODELOS NO LINEALES
1.
INTRODUCCIN
El modelo economtrico es del tipo:
Yt = f ( X t , ) + ut
t = 1,2,..., T
Ct = 1 + 2 Yt 3 + ut
la estimacin del parmetro 3 permitira contrastar la hiptesis de dependencia lineal
< 1) ). Este modelo puede interpretarse como una primera especificacin, para pasar
a estimar un modelo lineal si la hiptesis 3 = 1 se acepta en una primera estimacin del
3
modelo.
Conviene distinguir entre varios tipos de no linealidades que pueden presentarse
en la prctica. Por ejemplo:
1
Yt = 1 + 2 e X 2 t + 3 X 3t X 4 t + ut
La no linealidad del modelo afecta nicamente a sus variables, pero no a
sus coeficientes. Asumimos que:
Z2t = e X 2t
Z 3t = X 3t X 4 t
Yt = 1 + 2 Z 2 t + 3 Z 3t + ut
Por lo tanto, siempre que la no linealidad del modelo afecte nicamente
54
Yt X t + 1 ln Yt = 2 X t + ut
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:
g(Yt , X t , ) = ut
t = 1,2,..., T .
Yt = 1 + 2 e 3 X 2 t + ut
La no linealidad del modelo afecta tan slo a sus coeficientes pero no a sus
variables. Podra el modelo expresarse de la siguiente forma:
Yt = 1 + 2* X 2 t + ut
pero no podran recuperarse estimaciones de los coeficientes 2 y 3 , a no ser
que se contara con informacin adicional acerca de sus valores numricos
(Ejemplo: suma o cociente fuesen conocidos).
4
Yt = 1 + (ln 2 ) X t + ut
La no linealidad del modelo es en los coeficientes sin que ello presente
dificultades serias de estimacin; el modelo se expresa:
Yt = 1 + 2* X t + ut
luego se recupera el valor de
($
$*
e 2 .
Yt = 1 + 2 X t 3 + ut
Este modelo es otro modelo no lineal que no puede tratarse por mtodos
lineales.
55
2.
Yt = f ( X t , ) + ut
t = 1,2,..., T .
f ( X t , )
$
Y f X t , +
= $
( $) + u
t = 1,2,..., T .
f X t ,
f Xt ,
= $ $
= $ + ut
Y f X t , $ +
t = 1,2,..., T .
f ( X t , )
*
Yt
= $
+ ut
t = 1,2,..., T .
donde,
f ( X t , )
*
$
Yt = Yt f X t , +
denotamos por
= $
ft
f ( Xt , )
el vector gradiente en cada perodo
dimensin K x 1 y por
( ) su valor en el punto = $ .
f t $
56
f
en el punto = $ t , i = 1,2,..., K .
~ f
=
( )
( )
f $
( )
f $
f $ f $
Y* =
( )
( )
( )
f $
( )
f $
Y f X , $ +
~ f
=
( )
f $
( )
(
( )
f $
( )
f $
u$ +
$
$
=+
( )
f $
( )
( )
f $
u$
f1
1
$
f2
f f
=
= 1
.....
fT
()
f1
2
f2
2
.....
fT
2
f1
K
f2
.....
K
..... .....
fT
.....
K
.....
f ( X1, )
f ( X 2 , )
f ( X , ) =
.....
f ( X T , )
u~ u~
~ = Y f X , ~ .
$ =
donde u
T K
2
u
~
~
f f
Si existe la matriz inversa de
, entonces la distribucin de
( )
( )
57
~
MCO
f ~
N , u2
( )
1
~
f
( )
( T K )$u2
2
u
T2 K
~
f t f t
= (e 1IPDt , 0 IPDt e 1IPDt )
,
0 1
si los valores iniciales son: 0 = GCP y 1 = 0 .
El modelo puede aproximarse linealmente, as:
f t (0 , 1 )
f t (0 , 1 )
Yt f ( X t , 0 , 1 ) +
$1 =
$0 +
1 $
= $
0
=
f t (0 , 1 )
f t (0 , 1 )
+
1 + ut
= $
= $
0
1
$
$
$
GCPt + $0 $1 IPDt e 1IPDT 0 e 1IPDT + 1 $0 IPDt e 1IPDT + ut
58
59
f t f t f t
= 1, IPDt2 , 1 IPDt2 ln( IPDt )
,
,
0 1 2
= $
= $
1
0
f t ( 0 , 1 , 2 )
f t ( 0 , 1 , 2 )
1 +
0 +
1
0
= $
= $
f t ( 0 , 1 , 2 )
$2
= $
2
f t ( 0 , 1 , 2 )
$2 + ut
= $
$
$
$
GCPt + $1 $2 IPDt2 ln( IPDt ) 0 + 1 IPDt2 + 2 $1 IPDt2 ln( IPDt ) + ut
60
3.
( ) (
SR $ =
t =1
Yt f X t , $
))
61
Tomando derivadas con respecto a cada uno de los componentes del vector $ se
tiene:
()
))
()
))
()
))
SR $
T
ft
$
= 2 Yt f X t , $ = 0
$
1
1
t =1
SISTEMA
T
SR $
ft
$
DE
= 2 Yt f X t , $ = 0
$
2
t =1
ECUACIONES 2
NORMALES .............................................................
$
T
ft
SR
$
= 2 Yt f X t , $ = 0
$
K
t =1
K
siendo
ft
y Yt f ( X t , $ ) escalares.
$
(
T
t =1
Yt f X t , $
))
( )=0
f t $
en forma matricial:
( )
f $
f $
f X , $
Y=
( )
t =1
( )
f t $
i
u$t = 0
i = 1,2,..., K.
o matricialmente:
T
t =1
( )
f t $
( )
f $
u$t =
u$ = 0
K
62
i)
El algoritmo consiste:
Construir una particin de dicho intervalo.
ii)
iii)
( )
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 F ($0 )
>0
donde la eleccin del parmetro > 0 , que se conoce como longitud de paso, es
crucial para reducir efectivamente el valor de F ( ) . En efecto, si el valor de
( )
( )
[ ( )]
$n = $n 1 + I $n 1
i)
ii)
( )
ln L $n 1
64
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:
F ( ) = SR( ) =
[Y
T
t =1
f (Xt , )
f
t t
t =1
T ft
f
f
t
t
$
$
n = n 1 +
u
t =1 t =1 t
n 1
n 1
Si se logra la convergencia del algoritmo, el estimador resultante tiene
distribucin asinttica normal, con esperanza igual a , y matriz de covarianzas:
f
f
Var ( ) = u2 t t
t =1
donde el parmetro
2
u
se estima mediante $ =
2
u
( ) , donde K denota el
SR $
T K
65
1
T
T
$
= X t X t X t Yt
t =1
t =1
T f X , $
t
Var $ = u2
t =1
( )
f X , $
t
$u2 =
u$ u$
T K
u$ = Y f X , $
donde
( )
$
1 f
p lim
T
T
( )
( )
f $
Ejercicio:
Las condiciones de optimalidad para la obtencin del estimador MCNL seran:
( ) = 2
SR $ , $
( ) = 2
SR $ , $
[(
T
t =1
[(Y
T
t =1
) ]
Yt $e X t e X t = 0
$e X t X t e X t = 0
66
2
$
Var $ , = u f t $ , $ f t $ , $
t =1
( )
( ) ( )
T 2 X t
e
t =1
2
= u
T
2 X t
X t e
t =1
X t e 2 X t
2 X t2 e 2 X t
t =1
donde,
(
T
$u2 =
t =1
Yt $e X t
T2
Ejemplo 2:
Estimar el modelo siguiente:
GCPt = 0 + 1 IPDt2 + ut
si la condicin inicial es:
0 = 30.23673
1 = 0.926281
2 = 1
67
Ejemplo 1:
Estimar el modelo no lineal siguiente:
GCPt = 0 e 1IPDt + ut
si los valores iniciales son: 0 = GCP y 1 = 0 . Aplicando mnimos cuadrados no lineales
en el Eviews se obtiene el resultado siguiente:
Dependent Variable: GCP
Method: Least Squares
Sample: 1959:1 1996:1
Included observations: 149
Convergence achieved after 4 iterations
GCP=C(1)*EXP(C(2)*IPD)
============================================================
Coefficient
Std. Error
t-Statistic
Prob.
============================================================
C(1)
1844.284
121.1642
15.22136
0.0000
C(2)
0.000156
1.96E-05
7.966532
0.0000
============================================================
R-squared
0.446024
Mean dependent var
1844.290
Adjusted R-squared 0.442256
S.D. dependent var
1471.661
S.E. of regression
1099.070
Akaike info criteri
16.85565
Sum squared resid
1.78E+08
Schwarz criterion
16.89597
Log likelihood
-1253.746
Durbin-Watson stat
0.000443
============================================================
4.
L( ,
2
u
T
2
1
=
2 e
2 u
1
2
2 u
(
t =1
2
Yt f ( X t , )
68
( )
T
T
1
2
2
$
$
$
$
ln L , u = ln 2 ln u
2 SR
2
2
2$u
donde,
( ) (Y f ( X , $))
T
SR $ =
t =1
Por lo tanto,
Si el parmetro u2 no depende de ninguno de los parmetros , entonces escoger el
( )
( )
$
ln L $ , $u2
1 SR
1
=
=
2
$u2
2$u
$
ln L $ , $u2
T
1
=
2
2 +
$u
2$u 2$u4
(
T
t =1
))
Yt f X t , $
t =1
Yt f X t , $
))
( )=0
f t $
=0
(K
ecuaciones)
(1
ecuacion)
$u2 =
( )
SR $
T
69
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:
2
2 ln L
1 SR( )
=
2 u2
1 SR( )
2 ln L
=
u2 2 u4
2 ln L
T SR( )
=
u2 u2 2 u4 u6
donde,
SR( )
2 ln L
1
E
=
2 u2
ft ft
t = 1 i ji
T
2 ln L
= 0K
E
u2
2 ln L
T
=
E
u2 u2 2 u4
2 SR( )
y
es el gradiente de la suma residual y su matriz hessiana,
1
2
2
I ( , u ) = u
$
f
()
()
f $
0K
0K
T
2 u4
Var $ , $u2
f $
u2
( )
MV
f $
0K
( )
0K
4
2 u
70
si se cumple que:
1
2
f $
la matriz
( )
( )
f $
sea no singular.
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:
Estimar el modelo siguiente:
GCPt = 0 + 1 IPDt2 + ut
si la condicin inicial es:
0 = 30.23673
1 = 0.926281
2 = 1
71
Ejemplo 1:
Estimar el modelo no lineal siguiente:
GCPt = 0 e 1IPDt + ut
si los valores iniciales son 0 = GCP = 1844. y 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
Included observations: 149
Total system (balanced) observations 149
Convergence achieved after 15 iterations
============================================================
Coefficient
Std. Error
t-Statistic
Prob.
============================================================
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
R-squared
0.446020
Mean dependent var
1844.290
Adjusted R-squared 0.442252
S.D. dependent var
1471.661
S.E. of regression
1099.074
Sum squared resid
1.78E+08
Durbin-Watson stat 0.000443
============================================================
5.
Y = + X + u
que se encuentra en un gran nmero de estudios recientes es la transformacin Box - Cox,
X 1
X =
72
Si es conocido entonces es una regresin lineal que puede estimarse por mnimos
cuadrados. Por ejemplo, si:
=0
X = Log( X )
=1
X = X
= 1
X =
1
X
d ( X 1)d
X 1
lim
= lim
= lim X ln X = ln X
0
0
0
1
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:
Estimar el modelo siguiente:
GCPt = 0 + 1 IPDt2 + ut
aplicando el algoritmo de bsqueda tenemos el cuadro siguiente:
73
MODELO
GCPt = 0 + 1 ln IPDt + ut
IPDt 1
+u
GCPt = 0 + 1
t
GCPt = 0 + 1 IPDt + ut
IPDt 1
+ ut
GCPt = 0 + 1
S. R.
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
171552.0
1.1
126052.1
1.2
561070.0
1.3
1428841.
74
IPDt 1
+u
GCPt = 0 + 1
t
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
6.
CONTRASTE DE RESTRICCIONES
6.1.
RESTRICCIONES LINEALES
Si H 0 : d = R$ r ( elemento de holgura o discrepancia ) incluso si la hiptesis fuese
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 = 0 q
( )
1
Var ( d ) = Var R$ r = RVar $ R = u2 R( X X ) R
W = d [Var ( d ) ] d q2
1
RESTRICCIONES NO LINEALES
Si H 0 : R
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
( )
( )
p lim R $ = R p lim $
2
76
CONTRASTE F
Si se estima el modelo por mnimos cuadrados mediante la aproximacin lineal vista
(serie de Taylor) la distribucin del estadstico:
[ SR($ ) SR($)]
R
F=
F( q ,T K )
()
SR $
T K
no es conocida en muestras finitas.
6.4.
CONTRASTE WALD
La dificultad reside en el clculo de la varianza de la diferencia
( )
R $ r , que es
R( )
R( )
$
$
Var R
Var
( ( ))
siendo
matriz q x K y la varianza de
( )
R $ se aproxima:
El estadstico:
[ ( ) ][
( )] [ ( ) ]
R $ r VarR $
R $ r
q2
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.
con
.
La esperanza condicional
, se interpreta como la
.
) nos da
78
Las razones por las cuales no se puede aplicar mnimos cuadrados ordinarios son:
1
En realidad los
se tiene que:
79
La varianza de
condicional de
II.-
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.
estn efectivamente
80
1.-
es cero; si son
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
El modelo especificado es:
DEFINICIN
UNIDAD DE
MEDIDA
CAPAGO
CAPACIDAD DE PAGO
NUEVOS SOLES
CLIENTE
PUNTUAL = 1
MOROSO = 0
EDAD
AOS
GARANTA
MONTO DE LA GARANTA
NUEVOS SOLES
INTERS
PORCENTAJE
81
NOMBRE
DEFINICIN
UNIDAD DE
MEDIDA
NUMCUOTA
NMERO DE CUOTAS
PERODO
MESES
PRSTAMO
NUEVOS SOLES
SEXO
SEXO
MASCULINO = 1
FEMENINO = 0
VALCUOTA
VALOR DE LA CUOTA
NUEVOS SOLES
82
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
83
84
definida por:
85
por lo tanto, las variables explicativas de (2) contendrn variables que expliquen ambos
elementos.
Supongamos que
Los
, la expresin
probabilidades estn dadas por (4) y que varan de un ensayo a otro (de pendiendo de
), entonces la funcin de verosimilitud se puede escribir:
es no lineal no solamente en
86
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
familia posee una casa y
si una
2.1.
Clientei = + X i + ui
para seleccionar la variable se requiere analizar: el signo correcto, la significancia
de (si es altamente significativo, significativo o relativamente significativo)
y el
2.2.
87
2.4.
Bondad de ajuste:
88
2.-
3.-
Amemiya:
4.-
Mc - Fadden:
5.-
Cragg - Uhler:
6.-
R2 de conteo:
89
C) Goodness-of-Fit Test:
5.-
6.-
2.5.
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:
estndar.
1.3.2. MODELO LOGIT PARA DATOS AGRUPADOS
Si la distribucin acumulada de
LOGIT, es decir:
donde
91
variables explicativas; aqu, la razn logartmica de momios o logit es una funcin lineal
de las variables explicativas.
Tiene las siguientes caractersticas:
1.-
2.-
3.-
, est
92
(1)
(2)
(3)
, porque
si
se distribuye normal
es suficientemente grande.
(4)
(5)
NORMIT), es decir:
donde
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
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
hasta
es no lineal no solamente en
ordinarios.
Si
, est
(2)
Dado
(3)
94
, porque
si
se distribuye normal
es suficientemente grande.
(4)
(5)
y la
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:
95
se relacionan as:
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.
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(Yi = j ) = FY X * , ;
i = 1,2,..., n
j = 1,2,..., mi .
in = 1 (mi + 1)
= 1
Yij
= 0
Yi = j
Yi j; i = 1,2..., n y j = 1,2,..., mi .
si
si
ln L =
mi
Yij ln
Fij
i =1 j = 0
ln L
= 0.
MODELOS ORDENADOS
Un modelo ordenado se define como:
( )
P(Y = j X , ) = p S j
jS 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
mi
U ij = ij + ij , con j = 0,1,2
donde U ij no es una funcin estocstica sino deterministica. Por otro lado, ij es el usual
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 ij son independientes y la funcin de distribucin
ij
exp( i 2 )
exp( i 0 ) + exp( i1 ) + exp( i 2 )
y tomar una forma parecida a la definicin del modelo logit multinomial s hacemos
i 2 i 0 = X i2 y i1 i 0 = X i1 .
2.2.
MODELOS NO ORDENADOS
Se enfocara el caso en que las alternativas no estn ordenadas.
98
P1i = 1 + 1 X i
Pji
P2i = 2 + 2 X i
P3i = 3 + 3 X i
Xi
Pr ob(Yi = j ) = Pij =
e
j 1
j X i
j X i
j =0
P0 =
1 + e1 + 1 Xi + e2 + 2 Xi
e1 + 1 Xi
P0 =
1 + e1 + 1 Xi + e2 + 2 Xi
con
P0 + P1 + P2 = 1 .
e1 + 1 Xi
P0 =
1 + e1 + 1 Xi + e2 + 2 Xi
99
3.
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:
f ( X X > a) =
f (X)
Pr ob( X > a )
, entonces:
a
Pr ob( X > a ) = 1
= 1 ( )
donde
( )
f ( X X > a) =
1 ( X )
2
2 2
e 2
2
f (X)
=
1 ( )
1 ( )
1 X
=
1 ( )
100
Si
X N , 2
E [ X truncamiento] = + ( )
y la varianza por:
var[ X truncamiento] = 2 (1 ( ))
donde
= (a ) /
( ) =
( )
1 ( )
( ) =
( )
1 ( )
n
1
ln L =
ln( 2 ) + ln 2
2
2 2
(Yi X i )
i
i =1
a X i
ln1
101
donde i
3.2.
ln L
=
Yi X i i
2 X i = 0
i =1
ln L
=
2
1 (Yi X i ) 2 X
2 2 + 2 4 2i 2i = 0
i =1
a i X i
i =
( i )
.
1 ( i )
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:
Y = 0 si Y * 0
Y = Y * si Y * > 0
Pr ob(Y = 0) = Pr ob Y * 0 =
= 1
La distribucin correspondiente a Y
si
N , 2
) ser:
102
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:
E (Y ) = a + (1 )( + )
y la varianza:
Var (Y ) = 2 (1 ) (1 ) + ( )
d o n d e :
a
*
=
=
a = ;
ob
Y
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:
+ 1 xi + ui
yi = 0
mi
si y*i mi
si y *i < mi
en el que el valor mi es el lmite mnimo por debajo del cual la variable endgena no
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
definir como:
asume que
, y no si
. Entonces,
se
103
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 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
se omiten, esto supone que slo se incluyen en la muestra las observaciones para las
104
cuales
, obtendremos los
105
TIPO
VARIABLE DEPENDIENTE
Y1
Y2
Y3
CENSURADO
BINARIO
CENSURADO
CENSURADO
CENSURADO
CENSURADO
CENSURADO
CENSURADO
BINARIO
CENSURADO
CENSURADO
CAPITULO IV
MODELOS MULTIECUACIONALES
1.
INTRODUCCIN
En el modelo bsico de regresin y para cualquier punto muestral t tenemos:
yt = 1 x1t + 2 x2 t +....+ k x kt + ut
expresndolo en matrices nos da:
yt = X t + ut
donde,
yt
Xt
siendo,
Y
X
108
donde,
siendo,
al primer
109
110
2.