You are on page 1of 16

UNIVERSIDAD CATÓLICA BOLIVIANA

ECONOMETRIA I
LIC. FERNANDO ESCOBAR

SISTEMA DE ECUACIONES SIMULTÁNEAS

1. Introducción
2. El problema de identificación
3. Estimación de modelos de ecuaciones simultáneas

1. Introducción

En la primera parte del curso vimos la estimación de modelos uniecuacionales. Veamos


algunos ejemplos un tanto distintos, modelos denominados de ecuaciones simultáneas.

1. Consideremos la siguiente función de consumo y la identidad de cuentas nacionales

Ct    Yt   t (1)
Yt  Ct  Z t (2)
Las ecuaciones (1) y (2) es el sistema de ecuaciones en su forma estructural, donde:

C t Es el gasto de consumo agregado


Yt Es el ingreso nacional
Z t Gasto que no representa consumo (inversión, gasto de gobierno, etc.)
 t Perturbación estocástica

En este sistema, C t e Yt representan variables endógenas y Z t es la variable exógena


del modelo. Los parámetros de las ecuaciones son denominados parámetros
estructurales.

Hagamos los siguientes supuestos:

a)  t  N (0,  2 I )
b) Z t y  t son independientes

Reemplazando la ecuación (2) en (1), obtenemos:

C t     (C t   t )   t
(1   )C t    Z t   t
  
Ct   Zt  t (3)
1  1  1 
UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

y
Yt  Ct  Z t
 1 
Yt   Zt  t (4)
1  1  1 

A las ecuaciones (3) y (4) se les denomina ecuaciones en su forma reducida. Las
variables endógenas se expresan en función de variables predeterminadas del modelo
(exógenas o endógenas rezagadas) y de la perturbación estocástica del modelo.

t
Sea vt 
1 

Si los errores en el modelo original no están correlacionados y son homoscedásticos,

 2 
v  N  0, I 
 (1   ) 2 
 
De la ecuación (4), se puede demostrar que:
 2
Cov (Yt ,  t ) 
(1   )

Habíamos vistos que bajo los supuestos del modelo lineal clásico, para obtener
estimadores con propiedades deseables (insesgados y consistentes) los errores no
deberían están correlacionados con ninguna de las variables explicativas del modelo.
Por tanto, dado que el ingreso está correlacionado con la perturbación estocástica,
concluimos que si aplicamos MCO a la ecuación (1) (es decir, a la función de
consumo), obtendríamos estimadores sesgados e inconsistentes.

2. Consideremos el caso en que ambas ecuaciones son estocásticas:

y1t   12 y 2 t   11  1t (5)


 21 y1t  y 2t   21   2t (6)

En lo que sigue, se utilizará la letra y para denotar variables endógenas y la x para las
variables predeterminadas (las variables no están en desviaciones a la media).

Imponiendo las restricciones  12  0 y  21  0 , denotando y 1 como el precio e y 2


como la cantidad, podríamos interpretar el sistema como uno de una recta de demanda y
una recta de oferta, respectivamente. A fin de que el intercepto de la demanda sea
positivo, desearíamos imponer la restricción  11  0

Si  1t   2t  0 , el modelo podría ser representado como en la figura 1 donde y 1 * e


y 2 * representan el precio y la cantidad de equilibrio, respectivamente.
UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

Figura 1 (Tarea Dibujar el sistema)

Errores aleatorios, distintos de cero harán desplazarse a la curva de demanda y oferta


generando una nube de puntos ( y1 , y 2 ) alrededor del equilibrio ( E )

La pregunta que surge es ¿cómo estimar 2 funciones (oferta y demanda) por separado
conociendo sólo una nube de puntos ( y1 , y 2 )?. Dicho problema se llama el problema de
identificación.

Éste se refiere a si una ecuación específica de un modelo de ecuaciones simultáneas


puede ser estimada. En particular, si los parámetros estructurales de una de las
ecuaciones que constituye el sistema de ecuaciones simultáneas pueden ser estimados.

Para investigar el problema de identificación en las ecuaciones anteriores, tenemos que


mirar la forma reducida del modelo (expresar las variables endógenas del modelo en
términos de los errores del modelo y las variables predeterminadas).

y1t   12 (  21 y1t   21   2t )   11  1t

(reemplazando la ecuación (6) en (5))


y 1t 
1
1   12  21

(  11   12 21 )    1t   12  2 t )
Y por lo tanto,
y 2t 
1
1  12  21
 
(  21 11   21 )   211t   2t )

Las ecuaciones anteriores se pueden escribir como:


y1t  1  v1t (7)
y 2 t   2  v 2 t (8)
Donde
  11   12 21
1 

    21
 2  21 11

   12  2 t
v 1t  1t

  21  1t   2 t
v 2t 

  1   12  21
UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

Si imponemos:

    0
E (  t )  E  1t    
  2 t   0
  12 
E (  t  t ' )     11 
 21  22 
Entonces:
E (v t )  0
 11   122  22  2 12 12
var( v 1t )  E (v ) 
2

2
1t

 212  11   22  2 21 12
var( v 2 t )  E (v ) 
2

2
2t

  21 11   12 22  (1   12  21 ) 12
Cov (v 1t , v 2 t )  E (v 1t v 2 t ) 
2

Se sigue de (7) y (8) que:

E ( y1 )  1 E ( y 2 )  2 var( y1 )  var(v1 ) var( y2 )  var(v2 ),


(9)
Cov( y1º , y2 )  cov(v1 , v2 )

Utilizando datos muestrales de y 1 y y 2 podemos estimar los 5 parámetros de la forma


reducida ( 1 ,  2 , var( v1 ), var( v 2 ), cov( v1 , v 2 ) ). Sin embargo, éstos son funciones de los
7 parámetros estructurales del modelo:  12 ,  21 ,  11 ,  21 ,  11 ,  22 ,  12 . Por lo tanto, los
parámetros estructurales no son identificables.

Hay 3 vías que básicamente pueden ayudar a identificar una o ambas ecuaciones del
modelo: (1) restricciones en los parámetros estructurales  ' s y  ' s , (2) restricciones en
la matriz  y (3) reespecificaciones del modelo que incorporen variables adicionales.

Veamos un ejemplo del caso (1) Supongamos en particular, que  21  0 . Esto reduce el
número de parámetros estructurales a 6, pero el número de parámetros de forma
reducida sigue siendo 5. Aparentemente, los parámetros estructurales siguen no
identificados. Pero si sustituimos la restricción en 1 y 2 obtenemos:
UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

  11
1 

 21 11
2 

 2
 21 
1

 y2
Lo anterior implica que  21 puede ser estimado como ˆ 21  (¿Por qué? R. Las
y1
estimaciones MCO de 1 y 2 en (7) y (8) son las medias muestrales de las variables
dependientes). Esto permite identificar la ecuación de oferta pero la ecuación de
demanda sigue sin ser identificada.

Supongamos ahora una restricción del tipo (2), la cual establece que
var( 1t )   11  0

Esto implica que  12  0 puesto que  1t es no estocástico.

Ahora las ecuaciones se reducen a:


 122  22
var( y 1 ) 
2
 22
var( y 2 ) 
2
  12 22
cov( y 1 , y 2 ) 
2

Es decir, 3 ecuaciones con 3 incógnitas, de modo que:

var( y1 ) cov( y1 , y 2 ) var( y1 )


 12   
var( y 2 ) var( y 2 ) cov( y1 , y 2 )

Ello implica que la pendiente de la función de demanda está identificada.

Tomando la esperanza en (5) da:

 11  1  122

 11 también es identificable

Lo anterior puede ser graficado como:


UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

Movimientos de la curva de oferta permiten identificar la curva de demanda

Consideremos reespecificar el modelo incluyendo variables exógenas (tercera


forma).

y1   12 y 2   11 x1   12 x2  1t
 21 y1  y 2   21 x1   23 x3   24 x4   2t

Con  12  0 y  21  0

La forma reducida del modelo es:

 x1 
 
 y  1 (  11   12 21 )   12  12 23  12 24   x 2  v 1 
(10)  1      
 y 2    (  21 11   21  21 12   23   24   x 3  v 2 
 
 x 4 

Donde   1   12  21 y las v' s son aquellas dadas en las ecuaciones (7) y (8)

Las ecuaciones en (10) pueden ser reescritas como:

 x1 
 
 y 1  1   11  21  31  41   x 2  v 1 
      (11)
 y 2    21  22  23  24   x 3  v 2 
 
 x 4 

  22   13   14
Ello implica que  21  ,  12  
 12  23  24

Una vez que encontramos los  ' s , los  ' s pueden ser encontrados de  11 y  21 .

Vemos que hay 8 parámetros de forma reducida pero sólo 7 parámetros estructurales.
Ello proviene del hecho que existen dos estimadores posibles para  12 . A priori, no hay
razón por la cual estas estimaciones sean iguales (el sistema está sobreidentificado).
UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

2. Problema de identificación

Asumamos un modelo lineal que contiene G ecuaciones, cada una con t observaciones.
La i  ava ecuación se puede escribir como:

 i1Yit  ...   iG YGt   it X 1t  ....   iK X KT   it


(13)
i  1,2...G t  1,2...T

Las variables Yit son las variables endógenas en t y las X it indican variables
predeterminadas (corrientes o en rezagos) que puede incluir rezagos de las Y ' s .

El modelo anterior puede ser escrito matricialmente como:

y t  xt   t
t  1,2,....T

donde  de dimensión GxG , es la matriz de los coeficientes de las variables


endógenas,  de dimensión GxK es la matriz de coeficientes de las variables
predeterminadas.  t , y t y x t son vectores columnas de dimensiones Gx1 , Gx1 y Kx1
respectivamente. Esto es:

  11  12 ...  1G 
 
  22 ...  2G 
   21
     
 
  G1  G2 ...  GG 

  11  12 ...  1K 
 
  21  22 ...  2 K 

     
 
 G1  G 2 ...  GK 

Y1t   X 1t    1t 
     
Y X 2t  
y t   2t  xt      2t 
 ...   ...   ... 
     
YGt   X Kt    Gt 

Asumimos que  es invertible, de otra forma existirían ecuaciones en el sistema que


serían meras combinaciones lineales de otras ecuaciones.

Por lo tanto, si  1 existe, el modelo en forma reducida es:


UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

y t  xt   t t  1,2,...T (14)

Con     1  t   1  t

La matriz  es GxK .

El problema de identificación surge porque con una muestra de x t y y t (t  1,2,...T ) a


lo más podemos conocer los elementos de  y los elementos de la matriz varianza-
covarianza del vector  . A fin de identificar los parámetros estructurales en  y  es
necesario incorporar información adicional al modelo. Tal información usualmente
toma la forma de restricciones en los elementos de  y  y, a veces, en los elementos
de  (matriz de varianzas-covarianzas de los errores estructurales del modelo)

Restricciones de los coeficientes estructurales

El modelo estructural en (13) puede ser escrito como:

y 
Az t    t    t (15)
 xt 
y 
con A    , matriz de todos los coeficientes estructurales, z t   t  vector de
 xt 
observaciones de todas las variables en t .

Consideremos la identificación de la primera ecuación. El procedimiento de


identificación es equivalente para el resto de las ecuaciones.

Sea  1 la primera fila de A . Entonces la primera ecuación estructural puede ser escrita
como:
 1 z t  1t

La mayoría de las restricciones son de exclusión. Por ejemplo la variable Y3t no aparece
en la primera ecuación. Por lo tanto,  13  0 Esta restricción se puede escribir como:

0 
0 
 
1 
 11  12  13 ...  11 ...  1K 
 
0   0
0 
 
0 
0 
 
UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

Por ejemplo, si además  11   12 , tenemos que

 1
1
 
0
 11  12  13 ...  11 ...  1K 
 
 0 0
0
 
0
0
 

Si estas son las únicas restricciones a priori sobre  1 , éstas pueden ser resumidas en:

1   0 (16)

 0  1
0 1 
 
1 0 
Con    
0 0 
... ... 
 
 0 0 

En este caso,  es de dimensión (G  K ) x2 .

Además de las restricciones en (16), existen relaciones entre los coeficientes


estructurales y aquellos de la forma reducida:

    0
AW  0
con:

 
A    y W   
I 

Por lo tanto, las restricciones sobre los coeficientes estructurales de la primera ecuación
son:
1 W  0 (17)

combinando las dos restricciones anteriores:

 1 W   0 (18)
UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

Si los elementos de  son conocidos, el conjunto de restricciones es un conjunto de


ecuaciones de K  R ecuaciones en G  K incógnitas.

A fin de identificar la primera ecuación, el rango de W  debe ser G  K  1 . De


otra forma,  1  0W   0  (W , ) . En este caso, existirían múltiples soluciones
1

para  1 que pasan por el origen 0 ( es decir, 0 es solución de (18))

Si imponemos  11  1 (normalización) determinamos  1 de forma única.

Por lo tanto, tenemos la siguiente condición de rango

rangoW   G  K  1 (19)

Es una condición necesaria y suficiente para identificar la primera ecuación. (en general,
para la ecuación i-ava debe cumplirse la condición de rango anterior)

En la práctica la condición de rango es difícil de comprobar porque requiere construir


.

Por lo tanto, uno primero chequea condiciones necesarias para la identificación. Dado
que W  tiene K  R , una condición necesaria para que se dé es que:

K  R  G  K 1
(20)
R  G 1

es la condición de orden.

Esta establece que el número de restricciones a priori no debe ser inferior al número de
ecuaciones en el modelo menos 1. Si hay sólo restricciones de exclusión, la condición
de orden es que el número de variables excluidas de la ecuación debe ser al menos tan
grande como el número de ecuaciones en el modelo menos 1.

Finalmente, podemos expresar R como:

RG  g  K k

Entonces la condición, R  G  1 queda como:

RG g  K k
G  g  K  k  G 1
K  k  g 1
UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

El número de variables predeterminadas excluidas de la ecuación debe ser al menos tan


grande como el número de variables endógenas incluidas menos 1.

Si R  G  1, la primera ecuación está exactamente identificada.

Si R  G  1 se dice que la ecuación está sobreidentificada (esto es, hay más


restricciones que las necesarias para la identificación).

La condición de rango se puede reescribir como:

rangoW   G  K  1  rangoA  G  1 (21)

la forma rangoA  G  1 solo involucra los coeficientes estructurales.

Ejemplo:

Supongamos un sistema de 2 ecuaciones:

 11Y1t   12Y2t   11 X 1t   12 X 2t  1t


 21Y1t   22Y2t   21 X 1t   e 2 X 2t   2t

Supongamos que imponemos las restricciones:

 12  0  21  0 (restricciones de exclusión)

Para la primera ecuación:

0 
0    12  11  12 
  A   11 
0    21  22  21  22 
 
1

   0 
A   12      rango( A)  G  1  2  1  1
 22   22 

Si  22  0 . Por lo tanto, la primera ecuación está identificada.

0 
0 
Para la segunda ecuación,    
1 
 
0 
UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

 
A   11   rango( A)  G  1  2  1  1 . Si  11  0 también está identificada.
0
UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

3. Estimación de ecuaciones simultáneas

Mínimos cuadrados indirectos

Este método es factible para una ecuación que está exactamente identificada. El primer
paso consiste en estimar los coeficientes del modelo reducido por MCO ecuación por
ecuación. Luego obtenemos los parámetros del modelo estructural de relaciones
algebraicas entre estos y los del modelo reducido.

El modelo estructural en t puede ser escrito como:

y t  xt   t
(22)
t  1,2,....T
Con

Y1t   X 1t 
   
Y X 2t 
y t   2t  xt  
 ...   ... 
   
YGt   X Kt 

Sea:

 y1'   x 1' 
 '  '
 y2  x
y  x   2
 ...   ... 
 '   ' 
 y T   x T 

T observaciones

  
(Por ejemplo y1'  Y11 Y21 ... YG1 , x1 '  X11 X 21 ... X K1 ) 
Dado T observaciones, el modelo estructural puede ser escrito como:

y ' x'   (23)

  11  21 ...  G 1 
 
  22 ...  G 2 
   12
 ... ... ... ... 
 
  1T  2T ...  GT 

El modelo en forma reducida es:


UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

y  x 'v
 '  (  ' ) 1
v   (  ' ) 1

Entonces, la estimación MCO de la forma reducida es:

ˆ '  ( x' x) 1 x' y


Supongamos que estamos interesados en estimar la i-ava ecuación:

Yi  y1 1  x1 1   i

La cual puede ser reescrita como:

 1 
Y i y1 
x 1   1    i
  1 

  1
  
  1

Yi y1 y 2 x 1   i
x2  0
 
   1
  0
donde y 2 y x 2 son matrices de G  g y K  k variables endógenas y predeterminadas
respectivamente, excluidas de la ecuación:

Sabemos además que:

 '  '   '


 1 
  1 
'
 '   1  0
 0   

ˆ  ( x' x) 1 x' y Por lo tanto,


Sabemos que 
UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

 1 
ˆ '
( x ' x ) x ' y  ˆ1    1 
1

 0   
0

o
 1 
ˆ '
1

( x ' x ) x ' Yi y1 
y 2  ˆ1    1 
 0   
0

entonces:

ˆ1' 
( x ' x ) x ' Yi  ( x ' x ) xy 1  1   
1 ˆ
1

0

Sea:
ˆ ' 
x ' Yi  xy 1 ˆ1  ( x ' x )  1 
0

Entonces obtenemos:

 ( x 1 ' y1 ) ˆ1,ILS  ( x 1 ' x 1 )ˆ1,ILS  x 1 ' Yi



( x 2 ' y1 ) ˆ1,ILS  ( x 2 ' x 1 )ˆ1,ILS  x 2 ' Yi

Este es un sistema de K ecuaciones con g  1  k incógnitas. Dado que para tener


identificación de la ecuación bajo consideración requerimos K  k  g  1 , tenemos el
mismo número de ecuaciones que de incógnitas. En consecuencia, existe una solución
única para  y  .

Notemos que el método anterior puede interpretarse como un método de variables


instrumentales. La ecuación estructural bajo consideración es:

Yi  y1 1  x 1 1   i

Sabemos que y1 está correlacionado con  i , por lo que MCO es inconsistente.

Dado que x 2 no está correlacionada con  i pero sí está correlacionada con y1 (ver
 
sistema en la forma reducida). Podemos usar x1 x 2 como instrumentos de x1 y1  
UNIVERSIDAD CATÓLICA BOLIVIANA
ECONOMETRIA I
LIC. FERNANDO ESCOBAR

1
 ˆ1,IV    x 2 '   x '
 ˆ      y1  
x 1   2  Yi
 x '
 1,IV    x 1 '   1

que es idéntica a la solución anterior.

Mínimos cuadrado en dos etapas

En la práctica no es común encontrar ecuaciones que estén exactamente identificadas.


Mínimos cuadrados en dos etapas es un método de estimación ampliamente usado que
sirve para ecuaciones que están exactamente identificadas o sobreidentificadas.

Consideremos la ecuación:
Y1T  y1 1  x 1 1   i
Sabemos que la condición necesaria para identificar es que K  k  g  1 . MCO
aplicado a la ecuación anterior da estimadores inconsistentes. MC2E reemplaza y1 por
ŷ1

Donde este último es computado como:


yˆ1  x( x' x) 1 x' y1
Es decir, se corre una regresión de cada variable en y1 en todas las variables
predeterminadas del modelo.

En el segundo paso, corremos la regresión de Y1T en ŷ1 y x1 lo que da:

 ŷ1 ŷ1 ŷ1 x 1   ˆ1,MC 2 E   ŷ1 ' Y1T 


   
x 1 ' ŷ1 x 1 ' x 1   ˆ1,MC 2 E   x 1 ' Y1T 

Se puede demostrar que el estimador es consistente.

En este caso, el estimador de Mínimos Cuadrados en dos etapas, también puede ser
interpretado como un método de variables instrumentales donde la matriz de
  
instrumentos para y1 x1 es yˆ 1 x1 