Clases II Primer Parcial

UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Econometría II
Econ. Mariana Cedeño Preciado, Msc.
Septiembre/2016
Datos Generales
- Disciplina
- Puntualidad
- Celulares
- Conversar
- Fecha de entrega de tareas
Estructura de calificación
- Actuación en clase
- Investigaciones
- Tareas – Deberes
- Lecciones
- Análisis de artículos del periódico 6 puntos
- Casos de estudio
- Talleres
- Aportes - Test
- Trabajo final
- Examen 4 puntos
Evaluaciones
- Lecciones semanales
- Aportes mensuales
- Trabajo al final de cada parcial
Bibliografía
- Damodar Gujarati: Econometría - Quinta edición

- Dominick Salvatore: Econometría - Cuarta edición
- Alfonso Novales: Econometría - Segunda edición
- Barbancho: Fundamentos y posibilidades de Econometría –
Cuarta edición
Calendario de Actividades
Clases Primer Parcial: 25 de octubre al 17 de diciembre

Exámenes Primer Parcial: 19 al 23 de diciembre
Clases Segundo Parcial: 2 de enero al 28 de febrero
Exámenes Segundo Parcial: 1 al 7 de marzo
Exámenes de recuperación: 15 al 21 de marzo
www.edmodo.com
Conceptos Básicos
• Modelo Econométrico
• Clasificación de los Modelos
• Ecuaciones
• Variables
• Parámetros
• Perturbación Aleatoria
• Mínimos cuadrados Ordinarios
• Características de los parámetros MCO
• Supuestos Básicos del Modelo de Regresión Lineal
• Modelos no lineales
Modelos de Ecuaciones simultáneas
Muchas relaciones económicas son del tipo uniecuacional. En tales
modelos, una variable (la variable dependiente Y) se expresa como
función lineal de una o más variables (las variables explicativas X's). En
tales modelos, un supuesto implícito es que la relación causa-efecto, de
existir, entre Y y X es unidireccional: las variables explicativas son la
causa y la variable dependiente es el efecto.
Sin embargo, hay situaciones en las cuales existe una influencia
bidireccional entre las variables económicas; es decir, una variable
económica afecta otra(s) variable(s) económica(s) y, a su vez, es
afectada por ésta(s).
En los modelos de ecuaciones simultáneas hay más de una ecuación
de regresión, una para cada variable interdependiente.
Características y Variables
En muchas situaciones, tal relación causa-efecto en una vía, o uni-
direccional, no tiene sentido. Esto sucede cuando Y está determinada
por las X y algunas de las X están, a su vez, determinadas por Y. Hay
una relación en dos sentidos, o simultánea, entre Y y (algunas de) las X,
que hace que la distinción entre variables dependientes y explicativas
tenga valor dudoso. Es mejor reunir un conjunto de variables que
puedan determinarse simultáneamente mediante el conjunto restante
de variables —precisamente lo que se hace en los modelos de
ecuaciones simultáneas—.
En tales modelos, hay más de una ecuación n: una para cada una de
las variables mutuamente o conjuntamente, dependientes o
endógenas.
Características y Variables
A diferencia de los modelos uniecuacionales, no es posible
estimar los parámetros de una ecuación aisladamente sin tener
en cuenta la información proporcionada por las demás
ecuaciones en el sistema.
Las variables conjuntamente dependientes se denominan
variables endógenas y las variables que son realmente no
estocásticas o que pueden ser consideradas como tales, se
denominan variables exógenas o predeterminadas.
Estimación MCO
¿Qué sucede si los parámetros de cada ecuación son estimados
aplicando el método de MCO, sin considerar las otras ecuaciones en el
sistema?
Uno de los supuestos cruciales del método MCO es que las variables
explicativas X son no estocásticas o, si lo son (aleatorias), están
distribuidas independientemente del término de perturbación
estocástico.
Si ninguna de estas condiciones se cumple, entonces, los estimadores
de mínimos cuadrados no solamente son sesgados, sino también
inconsistentes; es decir, a medida que el tamaño de la muestra
aumenta indefinidamente, los estimadores no convergen hacia sus
verdaderos valores (poblacionales).
Ejemplo
donde Y1, y Y2 son variables mutuamente dependientes, o endógenas,

Xx una variable exógena, y u1 y u2 son los términos de perturbación
estocástica, las variables Y1, y Y2 son ambas estocásticas. Por
consiguiente, a menos que pueda demostrarse que la variable
explicativa estocástica Y2 está distribuida independientemente de ux y
que la variable explicativa estocástica Y1, está distribuida
independientemente de u2, la aplicación del MCO clásico a estas
ecuaciones individualmente conducirá a estimaciones inconsistentes.
Modelo Keynesiano del Ingreso
Tenemos la Propensión Marginal a consumir. Se es pera que sea entre 0 y 1.

La identidad de ingreso nacional, que significa que el ingreso total es igual al
gasto de consumo total más el gasto de inversión total.
C y Y son interdependientes
Modelo de Salario-Precios
SESGO EN LAS ECUACIONES SIMULTÁNEAS: INCONSISTENCIA DE LOS
ESTIMADORES MCO
El método de mínimos cuadrados no puede aplicarse para estimar una
sola ecuación pertinente al sistema de ecuaciones simultáneas si una o
más de las variables explicativas están correlacionadas con el término
de perturbación en esa ecuación, porque los estimadores así obtenidos
son inconsistentes.
Para mostrar esto, considérese nuevamente el modelo keynesiano
simple de determinación del ingreso. Supóngase que se desean estimar
los parámetros de la función consumo. Suponiendo que E(u,) = 0, E(µ2)
= σ2, E{u, u,tj) = 0 (para j ≠ 0 ) y cov (I, ut) = 0, que son los supuestos del
modelo clásico de regresión lineal.
෢1 depende de 𝛽1 , 𝜎 2 y var(Y) y del grado
El valor del sesgo de 𝛽
de covarianza entre Y y u, en esto consiste el sesgo de las
ecuaciones simultáneas. En contraste con los modelos
uniecuacionales, ya no se puede seguir suponiendo que las
variables que se encuentran al lado derecho de la ecuación no
están correlacionadas con el término de error. Téngase en
mente que este sesgo permanece aun en las muestras
grandes.
En vista de las consecuencias potencialmente graves que tiene
la aplicación del MCO a los modelos de ecuaciones
simultáneas, ¿existe una prueba de simultaneidad que pueda
indicar si en un momento dado se tiene un problema de
simultaneidad? Una versión de la prueba de especificación de
Hausman puede utilizarse para este propósito.
EL PROBLEMA DE LA IDENTIFICACIÓN
La naturaleza y el significado del problema de identificación es la
siguiente: recuérdese el modelo de demanda y oferta. Si se tiene
información de series de tiempo sobre Q y P solamente y no hay datos
adicionales (tales como el ingreso del consumidor, el precio
prevaleciente en el periodo anterior y las condiciones del clima); el
problema de la identificación consiste en buscar una respuesta a la
siguiente pregunta: dada solamente la información sobre P y Q, ¿cómo
se sabe si se está estimando la función de demanda o la función de
oferta? O, dicho de otra manera, si se piensa que se está especificando
una función de demanda, ¿cómo se garantiza que, en realidad, se está
estimando dicha función y no otra?
Un momento de reflexión revelará que es necesario responder a la
pregunta anterior antes de proceder a estimar los parámetros de la
función de demanda.
DEFINICIONES
Dado un sistema de ecuaciones, la notación será de
la siguiente forma
M = # de variables endógenas, dependientes,
determinadas
K = # de variables predeterminadas, exógenas
T = # numero total de observaciones
U = errores, perturbaciones aleatorias
β = coeficiente de las variables endógenas
α = coeficiente de las variables predeterminadas
DEFINICIÓN DE LAS VARIABLES
𝑌1 = 𝛼0 + 𝛼1 𝑋1𝑡 + 𝛼2 𝑋1(𝑡−1) + 𝜇1
𝑌2 = 𝛼0 + 𝛼1 𝑋2𝑡 + 𝛽𝑌1 𝑡−1 + 𝜇1
No es preciso que todas y cada una de las variables aparezcan en cada

ecuación. Para que una ecuación esté identificada no es indispensable
que la totalidad de las variables aparezcan en cada ecuación.
Las variables que ingresan al modelo de ecuaciones simultáneas son
de dos tipos:
• endógenas, es decir, aquellas (cuyos valores están) determinadas
dentro del modelo, se consideran estocásticas
• predeterminadas, es decir, aquellas (cuyos valores están)
determinadas por fuera del modelo, se consideran como no
estocásticas.
Las variables predeterminadas están divididas en dos categorías:
• exógena, tanto presente como rezagada, y
• endógena rezagada.
Así, X1t es una variable exógena actual (del tiempo presente), mientras
que X1(t-1) es una variable exógena rezagada, con un rezago de un
intervalo de tiempo.
Y(t-1) es una variable endógena rezagada con rezago de un intervalo de
tiempo pero, puesto que el valor de Y(t-1) es conocido para el periodo
presente t, ésta es considerada como no estocástica y, por tanto, es
una variable predeterminada.
Las variables exógenas presentes y rezagadas y las endógenas
rezagadas se consideran predeterminadas; sus valores no están
determinados por el modelo en el periodo de tiempo presente.
Un modelo constituye un sistema de ecuaciones simultáneas si
todas las ecuaciones son necesarias para determinar el valor de
al menos una de las variables endógenas incluidas en el modelo.
Corresponde al diseñador del modelo especificar cuáles variables
son endógenas y cuáles son predeterminadas.
Aunque las variables (no económicas), tales como la temperatura
y la lluvia, son claramente exógenas o predeterminadas, el
diseñador de modelos debe tener gran precaución al clasificar las
variables económicas como endógenas o predeterminadas,
debiendo defender la clasificación con argumentos teóricos a
priori.
LAS ECUACIONES
Las ecuaciones que hemos visto hasta ahora se conocen como
ecuaciones estructurales, o de comportamiento, porque
muestran la estructura (de un modelo económico) de una
economía o del comportamiento de un agente económico (por
ejemplo, un consumidor o un productor).
Las β y las α se conocen como parámetros o coeficientes
estructurales.
A partir de las ecuaciones estructurales, se pueden resolver M
variables endógenas, derivar las ecuaciones de forma reducida
y los correspondientes coeficientes de forma reducida.
Una ecuación en forma reducida es aquella que expresa
únicamente una variable endógena en términos de las
variables predeterminadas y las perturbaciones estocásticas.
LAS ECUACIONES
A partir de una ecuación estructural ( demanda y oferta), se puede construir
una ecuación en forma reducida usando principios de algebra elemental de la
siguiente forma:
Supongamos el modelo Keynesiano
Ct= β0 + β1Yt +u1t
Yt= Ct + It
Si la primera ecuación se la sustituye en la segunda, mediante algebra
elemental se obtiene la siguiente ecuación.
Yt= Π0 + Π1It + Wt
Se obtiene una ecuación de forma reducida; expresa la variable endógena Y
solamente como función de la variable exógena I (o predeterminada) y del
término de perturbación estocástica u. Π0 y Π1 son los correspondientes
coeficientes de la forma reducida. Estos coeficientes son combinaciones no
lineales del (los) coeficiente(s) estructural(es).
De tal forma que:

Π0 = β0/(1- β1)
Π1 = 1/(1- β1)
Wt = u/(1- β1)
Sustituyendo 3 en 1 se tiene que:

Π2 = β0/(1- β1)
Π3 = β1/(1- β1)
Wt = u/(1- β1)
estos últimos son los multiplicadores de impacto o de corto plazo, porque

miden el impacto inmediato sobre la variable endógena de un cambio unitario
del valor de la variable exógena
CARACTERÍSTICAS DE LAS ECUACIONES EN FORMA
REDUCIDA
•
Las variables predeterminadas y los errores se encuentran
de lado derecho de la ecuación
• Las variables predeterminadas no están correlacionadas
con los errores por tanto se puede aplicar MCO
• a partir de estas ecuaciones se pueden recuperar los
coeficientes estructurales mediante MCI.
• Son de fácil manejo algebraico
• Permiten una identificación a priori la posible ( o no)
estimación de las ecuaciones, dado que # de parámetros =
# de ecuaciones reducidas.
PROBLEMA DE IDENTIFICACIÓN
El problema de identificación pretende establecer si las
estimaciones numéricas de los parámetros de una ecuación
estructural pueden ser obtenidos de los coeficientes estimados
de la forma reducida.
El problema de identificación surge porque diferentes conjuntos
de coeficientes estructurales pueden ser compatibles con el
mismo conjunto de información. En otras palabras, una ecuación
de forma reducida dada puede ser compatible con diferentes
ecuaciones estructurales o con diferentes hipótesis (modelos) y
puede ser difícil decir cuál hipótesis (modelo) particular se está
investigando.
PROBLEMA DE IDENTIFICACIÓN
Subidentificada
SUBIDENTIFICACION
Utilizando las ecuaciones de Demanda y Oferta,

supongamos lo siguiente:
Qd = α0 + α1Pt + u1t
Qs= β0 + β1Pt +u2t
multiplíquese λ a “1” y multiplíquese (1-λ) a “2”; luego

súmese ambas ecuaciones resultantes y se obtiene:
Q= λφ0 + φ1Pt Wt
Las ecuaciones dadas son ecuaciones de forma reducida.

Ahora bien, nuestro modelo de demanda y oferta contiene
cuatro coeficientes estructurales, pero no hay una forma única
de estimarlos.
La respuesta se encuentra en los dos coeficientes de la forma
reducida. Estos coeficientes contienen los cuatro parámetros
estructurales, pero no hay forma de estimar las cuatro
incógnitas estructurales a partir únicamente de dos
coeficientes de la forma reducida. En el álgebra se dice que
para estimar cuatro incógnitas, se deben tener cuatro
ecuaciones (independientes) y, en general, para estimar k
incógnitas se deben tener k ecuaciones (independientes).
Por tanto, “3” no es distinguible de 1 y 2 dado que

ambas ecuaciones poseen las mismas variables, es
decir misma información es compartible con la
hipótesis y con los modelos y no hay forma de saber
cual se está probando o investigando.
Entonces se concluye que, para que una ecuación
esté identificada debe mostrarse que el conjunto de
datos no producirá una ecuación similar en
apariencia a la se está investigando.
IDENTIFICACION PRECISA O EXACTA
La identificabilidad de una ecuación depende de si ésta excluye una o
mas variables que están incluidas en otras ecuaciones del modelo.
Supongamos por ejemplo:
Qd = α0 + α1Pt + α2It + u1t
Qs= β0 + β1Pt +u2t ,

A priori podemos decir que la ecuación está identificada puesto que “1”
excluye una variable que sí está en “2” y viceversa.
Mediante igualación y manipulación algebraica tenemos que:

Qd= Qs ;
Donde se obtiene lo siguiente
Pt= Π0 + Π1It + Π2Pt-1 + vt

Π0 = β0-α0 / (α1- β1)
Π1 = α2/ (α1- β1)
Vt = u2-u1/(α1- β1)
6 coeficientes
Reemplazando Pt en Qs ó Qd : Estructurales,
Qt= Π3 + Π4It + Π5Pt-1 + Wt 6 coeficientes
Π3 = α1β0-α0β1 / (α0- β1) En forma
Π4 = α2 β1 / (α1- β1) reducida
Π5 = α1 β2 / (α1- β1)
Vt = α1u2 - β1u1 /(α1- β1)
SOBREIDENTIFICACION
Este problema se presenta cuando hay demasiada información para identificar

las ecuaciones, por ejemplo, un sistema de ecuación que contenga 7
parámetros estructurales y 8 ecuaciones reducidas representan un problema
de sobreidentificacion en alguna de las ecuaciones:
*El modelo como un todo está identificado si cada una de las ecuaciones
también los está
La diferencia entre subidentificación y la sobre identificación es la cantidad de
información disponible en contraste con la cantidad de ecuaciones reducidas.
Para que una ecuación esté identificada, el conjunto de información no debe
producir una ecuación similar a la que se está probando.
La identificabilidad de una ecuación depende si ésta excluye una o mas
variables que está incluidas en otras ecuaciones.
REGLAS PARA LA IDENTIFICACIÓN
En principio es posible recurrir a las ecuaciones de forma reducida para
determinar la identificación de una ecuación en un sistema de ecuaciones
simultáneas. Pero este proceso puede llegar a ser muy tedioso y laborioso. Por
fortuna, no es indispensable utilizar este procedimiento. Las llamadas
condiciones de orden y de rango de identificación aligeran la labor,
proporcionando una rutina sistemática.
Para entender las condiciones de orden y de rango, se introduce la siguiente
notación:
M = número de variables endógenas en el modelo.
m = número de variables endógenas en una ecuación dada.
K = número de variables predeterminadas en el modelo, incluyendo la
intersección.
k = número de variables predeterminadas en una ecuación dada.
CONDICIÓN DE ORDEN DE LA IDENTIFICACIÓN
Una condición necesaria (pero no suficiente) para la identificación, conocida
como la condición de orden, puede expresarse en dos formas diferentes pero
equivalentes:
1. En un modelo de M ecuaciones simultáneas, para que una ecuación esté
identificada, debe excluir al menos M - 1 variables (endógenas y
predeterminadas) que aparecen en el modelo. Si excluye exactamente M -
1 variables, la ecuación está exactamente identificada. Si excluye más de
M - 1 variables, estará sobreidentificada.
2. En un modelo de M ecuaciones simultáneas, para que una ecuación esté
identificada, el número de variables predeterminadas excluidas de esa
ecuación no debe ser menor que el número de variables endógenas
incluidas en la ecuación menos 1, es decir,
K–k≥m-1
Si K - k = m - 1, la ecuación está exactamente identificada. Pero si K -
k > m - 1, estará sobreidentificada.
EJEMPLO
En este modelo. Pt y Qt son endógenas e It, Rt,y Pt-1 son predeterminadas. La función de
demanda excluye exactamente una variable Pt-1, y, por tanto, según la condición de
orden, está exactamente identificada. Pero la función de oferta excluye dos variables It,
y Rt, se dice entonces que está sobreidentificada.
Según la condición de orden, la función de demanda está identificada. Pero si se trata
de estimar los parámetros de esta ecuación a partir de los coeficientes de la forma
reducida las estimaciones no serán únicas porque β1 que hace parte de los cálculos,
toma dos valores y es preciso decidir cuál de éstos es el apropiado. Esta complicación
puede obviarse porque, en casos de sobreidentificación, el método de mínimos
cuadrados indirectos no es apropiado y debe descartarse en favor de otros métodos.
Uno de tales métodos es el de mínimos cuadrados en dos etapas.
CONDICIÓN DE ORDEN DE LA IDENTIFICACIÓN
La identificación de una ecuación en un modelo de ecuaciones
simultáneas es posible si dicha ecuación excluye una o más variables
que están presentes en otras partes del modelo. Esta situación se
conoce como el criterio de exclusión (de variables), o el criterio de
restricciones cero (se supone que los coeficientes de las variables que
no aparecen en una ecuación tienen valor de cero).
Este criterio es el más utilizado para asegurar o determinar la
identificación de una ecuación. El criterio de restricciones cero está
basado en expectativas a priori o teóricas acerca de la ausencia de
ciertas variables en una ecuación dada. Es deber del investigador
señalar claramente la razón por la cual espera que ciertas variables
aparezcan en algunas ecuaciones y en otras no.
CONDICIÓN DE RANGO DE LA IDENTIFICACIÓN
La condición de orden analizada anteriormente es una condición necesaria
pero no suficiente para la identificación; es decir, aun si ésta se cumple, puede
suceder que una ecuación no esté identificada.
En términos más generales, aun si una ecuación cumple la condición de orden
K - k > m - 1, ésta puede no estar identificada porque las variables
predeterminadas excluidas de la ecuación, pero presentes en el modelo, quizá
no todas sean independientes de manera que tal vez no exista una
correspondencia uno a uno entre los coeficientes estructurales (las β) y los
coeficientes de la forma reducida (las π). O sea, probablemente no sea posible
estimar los parámetros estructurales a partir de los coeficientes de la forma
reducida. Por consiguiente, se requiere una condición que sea tanto necesaria
como suficiente para la identificación.
CONDICIÓN DE RANGO DE LA IDENTIFICACIÓN
En un modelo que contiene M ecuaciones en M variables
endógenas, una ecuación está identificada si y sólo si
puede construirse por lo menos un determinante diferente
de cero, de orden (M - 1)(M - 1), a partir de los coeficientes
de las variables (endógenas y predeterminadas) excluidas
de esa ecuación particular, pero incluidas en las otras
ecuaciones del modelo.
Como ilustración de la condición de rango de la
identificación, considérese el siguiente sistema hipotético
de ecuaciones simultáneas, en el cual las variables Y son
endógenas y las X variables predeterminadas
EJEMPLO
EJEMPLO
Primero se aplica la condición de orden de la identificación, cada ecuación es
identificada mediante la condición de orden.
Verifíquese esto con la condición de rango. Considérese la primera ecuación,
que excluye las variables Y4, X2 y X3 (esta exclusión está representada por los
ceros en el primer renglón). Para que esta ecuación esté identificada, se debe
obtener por lo menos un determinante diferente de cero de orden 3 x 3, a
partir de los coeficientes de las variables excluidas de esta ecuación, pero
incluidas en otras.
Para conseguir el determinante, se obtiene primero la matriz relevante de los
coeficientes de las variables Y4, X2 y X3, incluidas en las otras ecuaciones. En el
presente caso, solamente hay una matriz como ésa, llamada A, definida de la
siguiente manera:
EJEMPLO
EJEMPLO
Se puede ver que el determinante de esta matriz es cero. Puesto que el
determinante es cero, el rango de la matriz es menor que 3. Por consiguiente,
la ecuación no satisface la condición de rango y, por tanto, no está
identificada.
La condición de rango es necesaria y suficiente para la identificación. Por
consiguiente, a pesar de que la condición de orden muestra que la ecuación
está identificada, la condición de rango muestra que no lo está.
Aparentemente, las columnas o los renglones de la matriz A no son
(linealmente) independientes, lo que significa que hay alguna relación entre las
variables Y4, X2 y X3. Como resultado, puede no haber suficiente información
para estimar los parámetros de la ecuación; para el modelo anterior, las
ecuaciones de forma reducida mostrarán que no es posible obtener los
coeficientes estructurales de esa ecuación a partir de los coeficientes de la
forma reducida.
IDENTIFICABILIDAD
La condición de rango dice si la ecuación bajo consideración está identificada o no, mientras que
la condición de orden expresa si dicha ecuación está exactamente identificada o sobreidentificada.
Para aplicar la condición de rango, puede procederse de la siguiente manera:

1. Escríbase el sistema en forma tabular, como aparece en la tabla
2. Elimínense los coeficientes del renglón en el cual aparece la ecuación bajo
consideración.
3. Elimínense también las columnas que corresponden a aquellos coeficientes del
punto 2 que son diferentes de cero.
4. Los datos que quedan en la tabla corresponden únicamente a los coeficientes de
las variables incluidas en el sistema, pero no en la ecuación bajo consideración.
Con estos datos, fórmense todas las matrices posibles, en este caso A, de orden M
- 1 y obténganse los determinantes correspondientes. Si es posible encontrar al
menos un determinante diferente de cero, la ecuación en cuestión estará
identificada (en forma exacta o sobreidentificada). El rango de la matriz, por
ejemplo A, en este caso, es exactamente igual a M - 1. Si todos los determinantes
posibles (M - 1)(M - 1) son cero, el rango de la matriz A es menor que M - 1 y la
ecuación bajo investigación no está identificada.
IDENTIFICABILIDAD
Cuando se habla de identificación, debe entenderse identificación
exacta o sobreidentificación. No tiene sentido considerar ecuaciones no
identificadas o subidentificadas puesto que, no importa qué tan
completa sea la información, los parámetros estructurales no pueden
ser estimados. Sin embargo, es posible identificar los parámetros de las
ecuaciones sobreidentificadas al igual que aquellos de las ecuaciones
exactamente identificadas.
¿Cuál condición se debe utilizar en la práctica: orden o rango? Para
modelos grandes de ecuaciones simultáneas, la aplicación de la
condición de rango es una labor muy dispendiosa. Por consiguiente, la
condición de orden por lo general es suficiente para asegurar la
identificabilidad y aunque es importante tener conciencia de la
condición de rango, la no verificación de su cumplimiento raramente
resultará en un desastre.
PRUEBA DE SIMULTANEIDAD
Si no hay ecuaciones simultáneas, o presencia del problema de simultaneidad, los MCO
producen estimadores consistentes y eficientes. Por otra parte, si hay simultaneidad,
los estimadores MCO no son siquiera consistentes. En presencia de simultaneidad, los
métodos de mínimos cuadrados en dos etapas (MC2E) y de variables instrumentales
producirán estimadores consistentes y eficientes. Extrañamente, si se aplican métodos
alternativos cuando de hecho no hay simultaneidad, éstos producen estimadores que
son consistentes pero no eficientes (es decir, con menor varianza). Todo este análisis
sugiere que se debe verificar la presencia del problema de simultaneidad antes de
descartar los MCO en favor de las alternativas.
El problema de simultaneidad surge porque algunas de las regresoras son endógenas y,
por consiguiente, es probable que estén correlacionadas con el término de perturbación
o de error. En una prueba de simultaneidad, esencialmente se intenta averiguar si una
regresora (una endógena) está correlacionada con el término de error. Si lo está, existe
el problema de simultaneidad, en cuyo caso deben encontrarse alternativas al MCO; si
no lo está, se puede utilizar MCO. Para averiguar cuál es el caso en una situación
concreta, se puede utilizar la prueba de error de especificación de Hausman.
PRUEBA DE ERROR DE ESPECIFICACIÓN DE HAUSMAN
Bajo la hipótesis nula de que no hay simultaneidad, la correlación entre Q, y u2t
debe ser cero
Pasos:
 Paso 1: Efectúese la regresión de una endógena (por ejemplo de la ecuación
1) sobre las variables predeterminadas y obténgase los residuos.
 Paso 2: Efectuése la regresión de la otra variable endógena sobre la endógena
estimada (utilizada en el paso 1) y los residuos obtenidos del paso 1.
 Ahora, bajo la hipótesis nula de que no hay simultaneidad, si se encuentra que
el coeficiente del residuo estimado en el paso 2 es estadísticamente igual a
cero, puede concluirse que no hay problema de simultaneidad
PRUEBAS DE EXOGENEIDAD
Es responsabilidad del investigador especificar cuáles variables
son endógenas y cuáles exógenas. Esto dependerá del problema
en cuestión y de la información a priori de la cual se disponga.
Pero, ¿es posible desarrollar una prueba estadística de
exogeneidad?
La prueba de Hausman, puede utilizarse para responder a esta
pregunta. Supóngase que se tiene un modelo de tres ecuaciones
con tres variables endógenas, Y1 Y2 y Y3 y que hay tres variables
exógenas, X1 X2 y X3 Supóngase además que la primera ecuación
del modelo es:
Si Y2 y Y3 son verdaderamente endógenas, no se puede estimar por
MCO. Entonces, ¿cómo determinarlo? Se puede proceder de la
siguiente manera: se obtienen las ecuaciones de la forma reducida
para Y2 y Y3 (nota: las ecuaciones en la forma reducida tendrán
solamente variables predeterminadas al lado derecho). De estas
ecuaciones se obtienen 𝑌෢ ෢
2𝑖 𝑦 𝑌3𝑖 , los valores proyectados de Y2i Y3i,
respectivamente. Entonces, dentro del planteamiento de la prueba de
Hausman, se puede estimar la siguiente ecuación mediante MCO.
Utilizando la prueba F, se demuestra la hipótesis de que λ2 = λ3 = 0. Si

esta hipótesis es rechazada, Y2 y Y3 pueden considerarse endógenas,
pero si no lo es, pueden ser tratadas como exógenas.

Clases II Primer Parcial

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Clases II Primer Parcial

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD DE GUAYAQUIL

Econ. Mariana Cedeño Preciado, Msc.

- Damodar Gujarati: Econometría - Quinta edición

Clases Primer Parcial: 25 de octubre al 17 de diciembre

donde Y1, y Y2 son variables mutuamente dependientes, o endógenas,

Tenemos la Propensión Marginal a consumir. Se es pera que sea entre 0 y 1.

No es preciso que todas y cada una de las variables aparezcan en cada

De tal forma que:

Sustituyendo 3 en 1 se tiene que:

estos últimos son los multiplicadores de impacto o de corto plazo, porque

Utilizando las ecuaciones de Demanda y Oferta,

multiplíquese λ a “1” y multiplíquese (1-λ) a “2”; luego

Las ecuaciones dadas son ecuaciones de forma reducida.

Por tanto, “3” no es distinguible de 1 y 2 dado que

Qd = α0 + α1Pt + α2It + u1t

Qs= β0 + β1Pt +u2t ,

Mediante igualación y manipulación algebraica tenemos que:

Pt= Π0 + Π1It + Π2Pt-1 + vt

Este problema se presenta cuando hay demasiada información para identificar

Para aplicar la condición de rango, puede procederse de la siguiente manera:

Utilizando la prueba F, se demuestra la hipótesis de que λ2 = λ3 = 0. Si

You might also like