Tema 3: Regresores estocsticos en el Modelo Lineal General

3.1. Modelos dinmicos 3.2. Regresores estocsticos 3.3. Modelos de ecuaciones simultaneas.
1

3.1. Modelos dinmicos Impactos: desfases y/o varios perodos yt = 1 + 2xt-1 + ut yt = 1 + 2xt +3xt-1+4xt-2+ ut Inercia yt=0+1yt-1+2yt-2+...+1xt+2zt+t con autocorrelacin (AR o MA) sin autocorrelacion
2

Posibles generadores: Modelo de ajuste parcial (Nerlove)

k t = 1 + 2 y t + u t
(capital deseado empresa)
kt kt 1 = (kt kt 1)
0 < <1
3

(mecanismo de ajuste parcial)

Implica: k t = k t + (1 ) k t 1 Iterativamente:
kt = kt + (1 )kt1 + (1 ) 2 kt2 + ...

En trminos de variables observables: k t = 1 + 2 yt + (1 ) k t 1 + ut Demanda de capital a corto plazo. Estudiaremos estimacin de distintos tipos de modelos dinmicos.
4

a) Estimacin con retardos de las variables explicativas yt = 1 + 2xt +3xt-1+4xt-2+ ut Problema: imprecisin por multicolinealidad aproximada. Posible solucin: reparametrizar (Koyck)

i 1

< 1 i 3

y t = 1 + 2 xt + 2 xt 1 + 2 2 xt 2 + u t = = 1 + 2 ( xt + xt 1 + 2 xt 2 ) + u t

Estimacin: por mxima verosimilitud; no lineal en .

b) Estimacin con retardos de la variable endgena: b.1.) El trmino de error no tiene correlacin: yt = 1 + 2yt-1 + 3xt + ut |2|<1 - E(u) = 0 - E(xtut) = 0 - E(yt-1ut) = 0 - plim (xx)/T = xx
6

Bajo estos supuestos, el Teorema de Mann y Wald asegura que:

plim x u T x u = 0 T N ( 0 , u2 )

xx

1.- mco es consistente.

,as que:

1 x x x u plim mco = plim + = T T 1 x u x x 1 = + plim plim = + xx 0 k = T T

2.- Normalidad asinttica 2 T ( mco ) N (0, u 1 ) xx

a) Resultado aproximado b) Permite inferencia y prediccin con variables explicativas aleatorias.

b.2) Estimacin de un modelo dinmico con autocorrelacin en el trmino de error (AR(1)) yt = 1 + 2yt-1 + 3xt + ut |2|<1 ut = ut-1 + t ||<1
mco : inconsistente. Necesario V.I.

zt = (1,xt-1,xt) VI = (zx)-1zy consistente VI aproximadamente normal

b.3) Estimacin de un modelo dinmico con error MA(1) yt = 1 + 2yt-1 + 3xt + ut |2|<1 ut = t-1 + t
mco :inconsistente, necesario V.I.

zt = (1,yt-2,xt) VI = (zx)-1zy consistente VI aproximadamente normal

10

Errores de medida (Novales p. 362) yt = wt0 + t E(wtt) = 0 xt = wt + t yt = xt0 + t Problema mco : inconsistente (Existencia de errores de medida en una sola variable inconsistencia del vector de estimadores)
11

Solucion: V.I. Usar al menos un instrumento para cada una de las variables explicativas sujetas a error de medida

VI = ( z x ) 1 z y

Cmo elegimos las Z? - Para cada variable sujeta a error de medida elegimos una variable instrumental que puede ser otra medida de la misma variable, sujeta a otro error de medida incorrelacionado con el error original.

12

3.2.) Regresores estocsticos: 3.2.1. Introduccin. Tipos de regresores estocsticos (Novales pgs. 37-44 y 307-309) S.1. Yt = xt + ut : relacin estocstica S.2. Ausencia error de especificacin S.3. E(u) = 0 S.4. V(u) = 2u.I S.5. Linealidad en los parmetros S.6. X fijas S.7. x1, ..., xk: linealmente indep.

13

S.6.x : estocsticas. Caso frecuente en economa. No existe control sobre las x. Qu ocurre con mco cuando x son estocsticas?. A) Si xt y ut son independientes, mco : insesgado y consistente. B) Si xt y ut son parcialmente independientes: xt y ut independientes pero xt y ut-j dependientes. mco : sesgado pero consistente. C) Si xt y ut dependientes mco : sesgado e inconsistente.

(necesario usar Variables Instrumentales)

14

3.2.2.Caso 1: regresores no correlacionados con las perturbaciones S.6: x estocsticas pero x independiente de u f(x) = f(x/u) g(u) = g(u/x) S.3.E(u/x) = 0 S.4.: V(u) = V(u/x) = 2uI
15

Se puede demostrar que bajo estas condiciones el estimador de MCO de las : mco es insesgado y eficiente.
E ( mco ) = V ( mco ) = u2 ( x x ) 1

Se cumple el Teorema de GaussMarkov. El supuesto de independencia entre errores y perturbaciones no siempre se da. Es un supuesto muy fuerte.
16

3.2.3. Caso 2: regresores correlacionados con las perturbaciones Casos en los que no se da la independencia entre errores y regresores: a) Errores en las variables (errores de medida en las variables explicativas) b) Especificacin dinmica con autocorrelacin del error c) Sistemas de ecuaciones simultaneas
17

A) Errores de medida en las variables: yt = wt0 + t E(wtt) = 0 wt se mide con error xt = wt + t E(wtt) = 0 E(tt) 0 E(tt) = 0 yt = xt0 + t - t0 = xt0 + t
E(0mco) 0

: sesgado e inconsistente
18

B) Especificacin dinmica con autocorrelacin del error yt = yt-10 + wt0 + t t = 0t-1 + t E(wtt) = 0 E(t-1t) = 0 xt = (yt-1,wt) 0= (0, 0) yt = xt0 + t
E ( 0 mco ) 0

MC0: sesgado e inconsistente

19

C) Sistemas de ecuaciones simultaneas yt1 = yt20 + wt10 + t1 yt2 = wt20 + t2 E(wt1t1) = 0 E(wt2t2) = 0 Ejemplos: - Precio y cantidad en sistema de ecuaciones de oferta y demanda. - Rentabilidad y publicidad en empresas. Si se estima, por ejemplo, la primera ecuacin por MCO, mco ser sesgado e inconsistente.

20

10

Cuando hay correlacin entre errores y regresores mco : sesgado e inconsistente es necesario usar el mtodo de... VARIABLES INSTRUMENTALES Estimador alternativo a MCO con mejor comportamiento en muestras grandes. Zt : variables instrumentales 1) E(zt ut) = 0 VI = (zx)1 zy 2) E(zt xt) 0

21

A veces xt y zt tienen variables en comn. Solo es necesario instrumentar las variables que presenten problemas de correlacin con el error. Ejemplo: modelo dinmico con autocorrelacin del error. yt = 1 + 2yt-1 + 3xt + ut ||<1 ut = ut-1 + t ||<1 Xt = (1, yt-1, xt) Zt = (1, xt-1, xt)
22

11

 VI =(ZX)1ZY
Z : matriz Txk de observaciones de las variables instrumentales. (ZX)-1 : lo suponemos invertible.
23

3.2.4. Introduccin a la Teora Asinttica a) Convergencia en probabilidad: Se dice que una sucesin de variables aleatorias x1, x2, ..., xn converge en probabilidad a la variable aleatoria x si >0 :

lim P[ X
t

X < ]=1

plim xt = x
24

12

b) Consistencia: El estimador del parmetro es consistente si al obtener la sucesin { t }t=1 se tiene que: >0
lim P[ < ] = 1
t t

Comentarios: - Generalizable a vectores y matrices. - puede ser constante.

25

c) Convergencia en distribucin: Sea x1, x2, ..., xt una sucesin de variables aleatorias con funciones de distribucin F1, F2, ..., Ft. Supongamos que Ft(x) F(x)en todos los puntos de continuidad de la funcin F(x), y que en ellos, F(x) es una funcin de distribucin. Entonces se dice que la sucesin de variables aleatorias xt converge en distribucin a x, donde x es una variable aleatoria con funcin de D distribucin F, y se representa por xt x.
26

13

d) Un Teorema Central del Limite Sea x1, x2, ..., xk una sucesin de vectores aleatorios de dimensin k, independientes entre s e idnticamente distribuidos, con E(xi)= y V(xi) = . Entonces se tiene que:
1 T D T xt Nk (0, ) T 1
27

e) Teorema de Mann y Wald: Sea x una matriz Txk y u un vector de dimensin T tales que: i) E(u) = 0 E(u) = 2uIT ii) E(xiu) = 0, i = 1, ..., k donde x es la columna i-sima de la matriz x iii) plim(xx/T) = xx < donde xx es una matriz simtrica definida positiva.
28

14

Entonces se tiene que:

xu a) plim = 0k T b) xu 2 N 0, u xx T

)
29

3.2.5. Consistencia del estimador de V.I.: Sea z una matriz Txk de observaciones de las variables z1, z2, ..., zk, quizs aleatorias. Sea ztla fila t de z y supongamos que tenemos: 1) E ( ztut ) = 0 k t
z x 2 ) plim = zx T z z plim = zz T

ambas no singulares y finitas

30

15

Y adems: S.1. yt = xt + ut S.2. Ausencia error de especificacin S.3. E(u/x) 0 S.4. V(u/x) = 2u autocorrelacin
y/o heteroscedasticidad.

S.5. Linealidad en los parmetros. S.6 x estocsticas S.7. x1, ..., xk: linealmente indep.
31

Entonces el estimador de V.I.

VI = ( zx) 1 z y
Es consistente:
zx 1 zu plim( VI ) = + plim = T T 1 zx zu 1 = + plim plim = + zx 0 k = T T

(Se ha utilizado el Teorema de Mann y Wald)

32

16

Normalidad asinttica del estimador V.I. Dado el modelo yt = xt + ut donde xt es el vector de variables explicativas que puede incluir retardos de la variable endgena, y ut el trmino de error ruido blanco (niid(0,)). Sea z la matriz Txk de observaciones de las variables z1, ..., zk y supongamos que: 1) E ( z tu t ) = 0 k t zz 2) plim = zz simtrica, def. positiva T zx 3) plim = zx no singular T 33

Entonces el estimador VI consistente y se tiene que:

es

2 T (VI ) N 0, u (1 )zz (1 ) zx zx
2 V (VI ) = u ( zx)1 ( zz) ( zx)1

( y xVI )(y xVI ) = T k

2 u
34

17

Eficiencia del estimador de Variables Instrumentales

Ej : yt 1 = 1 x1t 1 + 2 x2t 1 + 3 x3t 1 MC 2 E = ( xx) 1 x y 2 V ( MC 2 E ) = u ( xx) 1 xx(( xx) 1 )

35

VI MC 2 E

qt0 = qtd

3.3. Modelos de ecuaciones simultaneas: 3.3.1. Forma estructural y reducida Ejemplo: Modelo de oferta y demanda: 2 ecuaciones y una condicin de equilibrio. qt0 = 1 +2 pt + u1t qtd = 1 + 2 pt + 3 yt + u2t Forma estructural Variables endgenas: qt, pt Variable exgena: yt

36

18

Forma estructural(de un sistema de ecuaciones simultaneas) Son las ecuaciones que reflejan el comportamiento econmico, con sus parmetros de comportamiento. La teora econmica sugiere cules son exgenas y cules son endgenas, as como cules intervienen en cada ecuacin y cules no.

37

Forma reducida: Consiste en escribir el sistema de ecuaciones de forma que cada variable endgena sea funcin exclusivamente de las exgenas y predeterminadas. Los parmetros de la forma reducida son combinaciones de los de la forma estructural; los parmetros de la forma estructural no siempre se pueden recuperar a partir de los de la forma reducida. (Problema de identificacin).

38

19

Forma reducida del ejemplo anterior qt = 11 + 21yt + v1t pt = 12 + 22yt + v2t donde:
2 1 1 2 2 2 21 = 2 3 2 3 11 =
v1 t =

12 =

1 1 2 2 3 22 = 2 2

2 u 2 t 2 u 1t 2 2

v2t =

u2t u1t 2 2

39

3.3.2.Concepto de identificacin: Identificacin: recuperacin de los parmetros de la forma estructural a partir de los de la reducida. Importante: porque forma reducida se puede estimar por MCO, pero los estimadores MCO de la forma estructural son inconsistentes.
p S1 B A D2 D1 q
40

S2

20

S2

S1

S0

D1 q

p C A D D3 D0 D1 B D2 q
41

S0

Para resolver problemas de identificacin, pasar de parmetros de forma reducida a estructural, hay que resolver un sistema de ecuaciones. A) Si hay igual n de ecuaciones que de incgnitas, ecuacin identificada. B) Si hay ms incgnitas que ecuaciones, ecuacin no identificada o subidentificada. C) Si hay ms ecuaciones que incgnitas, la ecuacin estar sobreidentificada (varias estimaciones para un mismo parmetro).

42

21

3.3.3.Estimacin de sistemas de ecuaciones simultaneas A) MCO del modelo estructural sesgado e inconsistente
43

B) MCO del modelo en su forma reducida: Si hay algunas/s ecuacin/es exactamente identificada/s, podemos recuperar los parmetros de la forma estuctural a partir de los de la reducida. Mnimos cuadrados indirectos: MCI
Notas: - Solo vlida para ecuaciones exactamente identificadas. - En general, sesgado pero 44 consistente.(Sesgado por ser transf. No lineal)

22

C) Variables instrumentales Util para ecuaciones exactamente identificadas.

VI : consistente y con distribucin asinttica Normal. Candidatos a V.I.?. Las variables que no aparecen como explicativas en la ecuacin considerada. Notas: - No nico - No eficiente
45

VI = ( z x ) 1 z y

D) Mnimos cuadrados en dos etapas (caso particular de V.I.) Se puede utilizar para estimar los coeficientes de ecuaciones exactamente identificadas o sobreidentificadas.
46

23

METODO: Etapa 1 Se construye una regresin auxiliar para cada una de las variables explicativas endgenas de la ecuacin, que se regresan sobre todas las predeterminadas del sistema y obtenemos predicciones de las variables endgenas:

Y1 : son ahora instrumentos vlidos.

47

Etapa 2
1 MC2E = ((Y1, X1 )(Y1, X1 )) (Y1, X1 )y1

MC2E

- consistente - asintticamente normal - optimo

48

24