Modelos Multiecuacionales

MODELOS DE ECUACIONES SIMULTNEAS

Autores: ngel A. Juan (ajuanp@uoc.edu), Renatas Kizys (rkizys@uoc.edu), Luis Mara Manzanedo
Del Hoyo (lmanzanedo@uoc.edu).

ESQUEMA DE CONTENIDOS

________________________

Inconsistencia de estimadores
MCO

Imposibilidad de
identificar parmetros
estructurales

Problemtica:
Endogeneidad de
variables explicativas

Problemtica:
No identificacin

Modelos
Multiecuacionales
Mtodo MC2E
Estimadores MC2E

Mtodo de MCI

Mtodo VI
Estimadores VI
Caso prctico con Excel
Caso prctico con Minitab

Caso prctico con Excel

INTRODUCCIN

___________________

Como es bien sabido, el modelo de regresin lineal generalizado puede estimarse mediante el
es mtodo MCG (o de mnimos cuadrados ponderados), siendo los estimadores resultantes
insesgados, consistentes y eficientes. Las caractersticas que tienen los estimadores MCG se
deben al supuesto fundamental de que ut, el trmino de perturbacin asociado a la t-sima
observacin-, est incorrelacionado con Xt, el vector de las variables explicativas asociado a la
misma observacin. Sin embargo, hoy en da nos encontramos con numerosas aplicaciones de
gran importancia donde este supuesto no se cumple.
Este math-block trata sobre sistemas de ecuaciones en los cuales cada una de las ecuaciones
representa un modelo de regresin lineal. En tales casos, es habitual encontrarnos con sistemas
en los que la variable dependiente de una ecuacin acte tambin como variable explicativa en
otra. As pues, estaremos ante un problema de endogeneidad de los regresores suponiendo

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Modelos Multiecuacionales
que otros problemas, como el de la identificacin, ya estn solucionados. Veremos que el uso
del mtodo MCO para estimar los parmetros de las ecuaciones en forma estructural (cuando el
mencionado problema persiste) da lugar a estimaciones sesgadas e inconsistentes.
Consecuentemente, no ser posible utilizar los mtodos de estimacin convencionales, teniendo
que recurrir a mtodos alternativos. Para obtener estimadores del modelo que verifiquen las
caractersticas deseables en cualquier estimador, estudiaremos cmo pasar las ecuaciones en
forma estructural a la forma reducida, y cmo determinar las condiciones de orden y de rango.

OBJETIVOS

________________________

Saber representar un modelo multiecuacional en forma estructural y en forma reducida;

conocer la relacin entre los parmetros estructurales y los parmetros de las ecuaciones
en forma reducida.

Familiarizarse con el problema de la identificacin y saber determinar cuando una ecuacin

est no identificada, cuando est sobreidentificada y cuando est exactamente identificada.

Conocer el mtodo de mnimos cuadrados indirectos (MCI) de las ecuaciones exactamente

identificadas.

Aprender el mtodo de mnimos cuadrados en dos etapas (MC2E) en el caso de las

ecuaciones sobreidentificadas y exactamente identificadas.

Familiarizarse con el mtodo de estimacin de variables instrumetales (VI) como un caso

particular de MC2E.

CONOCIMIENTOS PREVIOS

___________________________________

Aparte de estar iniciado en el uso de la hoja de clculo Excel y del paquete estadstico Minitab,
resulta muy conveniente haber ledo con profundidad los siguientes math-blocks:

Operaciones con matrices en Excel

Regresin Lineal Mltiple

CONCEPTOS FUNDAMENTALES

______________________________

Sistema de ecuaciones simultneas en forma estructural y forma reducida

Consideremos un sistema de ecuaciones, cada una de las cuales representa un modelo de
regresin lineal. Cuando la variable dependiente en una ecuacin acta tambin como
variable explicativa en otra ecuacin, estamos ante un modelo de ecuaciones simultaneas
o modelo multiecuacional. Las variables dependientes son tambin llamadas variables
endgenas. Por su parte, las variables que vienen determinadas por factores externos al
modelo son llamadas variables exgenas.

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Modelos Multiecuacionales
Para ilustrar los problemas de estimacin de los multiecuacionales consideremos un sencillo
ejercicio de la demanda de naranjas en la provincia de Alicante. Sea Pt el precio (en
logaritmos) de naranjas en un determinado ao y Dt, la cantidad (en logaritmos) demandada
de naranjas. Adems, supongamos que las variables son medidas en desviaciones de la
media. As pues, la curva de demanda tiene la siguiente forma:
D

Dt = Pt + t, (1)
D

con < 0; t representa el resto de las variables que pueden influir en la demanda de
naranjas. Por otro lado, el precio de naranjas influye, de forma positiva, en la oferta:
S

St = Pt + t, (2)
s

con > 0; t representa el resto de las variables que pueden influir en la oferta de naranjas.
d
s
Supongamos que t y t se distribuyen idnticamente e independientemente con varianzas
2
2
D y S , respectivamente, con DS = 0.
Sea Qt la cantidad de equilibrio en el mercado de naranjas de Alicante. En el equilibrio se
cumple:
Qt = St = Dt, o bien
d
s
Pt + t = Pt + t, (3)

El sistema de ecuaciones (1) y (2) puede rescribirse en la siguiente forma estructural:

d

Qt - Pt = t,
s
t

Qt - Pt =
Matricialmente, tendramos BYt + Zt = Ut:
1

Qt

Pt

Yt

dt

s
t

(4)

Ut

0
siendo Zt =

Como ya hemos comentado, el uso del mtodo MCO para estimar los parmetros de las
ecuaciones en forma estructural da lugar a estimaciones sesgadas e inconsistentes. Para
solventar este problema, es necesario calcular antes la forma reducida del sistema, en la
cual cada una de las variables endgenas del sistema es expresada nicamente como
funcin lineal de las variables exgenas del modelo.
En el caso de un sistema como (1) y (2), a partir de la condicin de equilibrio, podemos
obtener la forma reducida a partir de la condicin de equilibrio. Para ello, a partir de la
ecuacin (3) despejamos Pt:
S

Pt = ( t - t)/( - ) (5)
v1t
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Modelos Multiecuacionales

Ahora bien, la expresin del precio de equilibrio sustituimos en ecuacin (2), obteniendo:
S

S
t

Qt = ( - t)/( - ) +
S

= St/( - ) - Dt/( - );
D

Qt = ( t - t)/( - ) (6)

v2t
Siendo v1t y v2t las perturbaciones del modelo en forma reducida. Puesto que no hay
variables exgenas en el modelo, el sistema de ecuaciones simultneas viene expresado en
trminos aleatorios.
Al mismo resultado se puede llegar usando matrices. De forma general, la forma reducida del
sistema vendr dada por:
Yt = Zt + Vt
-1

(7)

-1

donde = -B y Vt = -B Ut.
Una vez obtenida la forma reducida, es posible hallar por MCO estimadores insesgados y
consistentes de los parmetros . No obstante, la ausencia de las variable exgenas en el
modelo de demanda-oferta no nos permite estimar la matriz . Supongamos que nuestro
objetivo consiste en estimar la elasticidad de demanda . A tales efectos, la ecuacin (1) la
estimamos por MCO, obtenindose la siguiente estimacin de a partir de una muestra de T
observaciones:
2

aT = (1/T)PtQt/((1/T)Pt ) (8)
Sustituyendo las ecuaciones (5) y (6) en la ecuacin (8), puede demostrarse que el estimador
de la elasticidad de demanda converge en probabilidad a una combinacin lineal de las
elasticidades poblacionales de demanda y de oferta [5]:
P

aT + (1-), (9)
con
2
2
2
= D/( D + S), (10)

de modo que depende de las varianzas S y D, siendo [0, 1]. Puede verse que si S
2
2
0, o bien D , entonces aT ser un estimador consistente de . Por otro lado, si D
2
0, o bien S , tenemos que aT es un estimador consistente de . Para el resto de los
valores, aT es una estimador consistente de la combinacin lineal de y de . En general, aT
no es un estimador consistente de la elasticidad de demanda. ste es un frecuente problema
de los modelos multiecuacionales. La simultaneidad de las ecuaciones da lugar a las
interpretaciones errneas de los resultados de estimacin. As pues, en el ltimo caso, un
economista equivocadamente cree que aT es un estimador MCO de la elasticidad de
demanda, mientras que otro economista considera aT es un estimador de la elasticidad de
oferta, cuando en realidad ste es un estimador de la combinacin lineal de las dos
elasticidades. Las Figuras 1, 2 y 3 analizan grficamente el problema de simultaneidad.

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Modelos Multiecuacionales

En el grfico, un equilibrio
viene dado por la interseccin
de la curva de demanda y la
curva de oferta. Sea (P0,Q0) un
equilibrio inicial. Supongamos
que en t = 1 se produce un
shock pequeo y negativo de
demanda, dando lugar a D1,
combinando con un shock
elevado de signo positivo de
oferta que, a su vez, genera
S1. El efecto conjunto sita al
punto de interseccin en
(P1,Q1). Por otro lado, un
shock grande negativo de
demanda y un shock grande
negativo de oferta se traducen
en (P2,Q2). Finalmente, el
punto (P3,Q3) representa un
efecto
conjunto
de
una
innovacin moderada positiva
de demanda y una innovacin
grande negativa a oferta. As
pues, las combinaciones de
los shocks forman una nube
sobre la cual puede cruzarse
la recta de regresin. En este
caso, aT es un estimador
consistente de la mixtura de
elasticidades de oferta y
demanda, + (1-).

Figura 1. Comportamiento del mercado de

naranjas en respuesta a las perturbaciones de
demanda y de oferta en conjunto
Qt

S1
Oferta media
S2
(P1,Q1)

S3
(P0,Q0)
(P3,Q3)
(P2,Q2)

D3
D1
D2

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Demanda
media
Pt

Modelos Multiecuacionales

En la Figura 2, el equilibrio
viene dado por la interseccin
de la curva de demanda y la
curva de oferta. Sea (P0,Q0) un
equilibrio
de
partida.
Supongamos que en t =1 se
produce
una
innovacin
positiva de oferta, desplazando
a la curva de oferta a S1, y, en
consecuencia, produciendo un
nuevo punto de equilibrio en
(P1,Q1). Por otro lado, un
shock negativo de oferta en t =
2 se traduce en el punto
(P2,Q2). Finalmente, el punto
(P3,Q3) representa un efecto
de una innovacin elevada
negativa a oferta. As pues, las
innovaciones a oferta permiten
trazar la curva de demanda.
En este caso, aT es un
estimador consistente de la
elasticidad de demanda, .

Figura 2. Comportamiento del mercado de

naranjas en respuesta a las innovaciones a oferta.
Qt

S1
Oferta media
S2
(P1,Q1)

S3

(P0,Q0)
(P2,Q2)
(P3,Q3)
Demanda
media
Pt

En la Figura 3, el equilibrio
viene dado por la interseccin
de la curva de demanda y la
curva de oferta. Sea (P0,Q0) un
punto de equilibrio en t = 0.
Ante
una
perturbacin
moderada negativa a demanda
en t = 1, la curva de demanda
se desplaza a D1, generando
el punto de equilibrio en
(P1,Q1). Por otro lado, un
shock elevado negativo de
demanda sita al equilibrio en
el punto (P2,Q2). Finalmente, el
punto (P3,Q3) representa un
efecto
conjunto
de
una
innovacin moderada positiva
a demanda. As, a travs de
todos los puntos de equilibrio,
obtenemos la curva de oferta
Concluimos, por tanto, que aT
es un estimador consistente de
la elasticidad de oferta .

Figura 3. Comportamiento del mercado de

naranjas en respuesta a las innovaciones a
demanda.
Qt

Oferta media

(P0,Q0)
(P1,Q1)

(P3,Q3)

(P2,Q2)
D3
D0
D1
D2

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Pt

Modelos Multiecuacionales

Identificacin
El problema de la identificacin hace referencia a la posibilidad o no de calcular los
parmetros estructurales de un modelo de ecuaciones simultaneas (elementos de las
matrices B y ) a partir de los parmetros de la forma reducida asociada (elementos de la
matriz ), los cuales s se podan estimar mediante MCO.

Diremos que una ecuacin est no identificada cuando no tengamos suficiente

informacin para estimar los parmetros de la forma estructural de la ecuacin.

Diremos que una ecuacin est sobreidentificada cuando haya ms de una

combinacin posible de valores estimados para los parmetros de la forma estructural.

Finalmente, una ecuacin estar exactamente identificada cuando slo sea posible
obtener una nica estimacin de los parmetros estructurales.

Dado un modelo multiecuacional en forma estructural, diremos que es un sistema

exactamente identificado cuando todas sus ecuaciones lo sean. En tal caso, ser
posible obtener, de forma unvoca, estimaciones para los elementos de las matrices B y
a partir de los elementos de la matriz .

Condicin de orden:
Sean:
N1 = n de variables exgenas del sistema no incluidas en una determinada ecuacin
N2 = n de variables endgenas de dicha ecuacin
Dada una ecuacin identificada,

Si N1 = N2 1, entonces la ecuacin est exactamente identificada.

Si N1 > N2 1, entonces la ecuacin est sobreidentificada.

Observacin: Aunque la condicin de orden es slo una condicin necesaria y no suficiente

(i.e.: el hecho de que se cumpla N1 N2 1 no implica de por s que la ecuacin est
identificada), en la gran mayora de los casos proporciona la respuesta correcta al problema
de la identificacin sin necesidad de recurrir a la condicin de rango [1].
Ejemplo 1: Consideremos el sistema de ecuaciones simultneas consistiendo de (1) y (2).
Podramos decir que ambas ecuaciones estn no identificadas (pues no excluyen ninguna
variable exgena, e incluyen dos endgenas, Q y P). Siguiendo el anlisis anterior, para
poder recuperar la elasticidad de demanda a partir de la estimacin MCO, necesitamos
informacin adicional acerca la oferta. En concreto, hemos de encontrar una variable que
pueda desplazar a la curva de oferta y no a la de demanda. Sea Wt el nmero de das
cuando las temperaturas caen por debajo de 0C. Tcnicamente, la nueva variable Wt forma
S
parte de t, pues sta ltima incorpora los factores que influyen en la cantidad ofertada de
S
naranjas diferentes de precio. Por consiguiente, t puede descomponerse en dos trminos,
el trmino sistemtico y el trmino idiosincrtico:
S
S
t = wt + u t, (11)
S

siendo , el coeficiente de proyeccin lineal de t sobre wt. Por tanto, u t est incorrelado
con Wt. Aunque el indicador de temperatura pueda influir directamente en la cosecha de
naranjas y, consecuentemente, en la cantidad ofertada de los ctricos, pero es natural

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Modelos Multiecuacionales
suponer que el tiempo afectar la demanda de naranjas a travs del precio de la mismas.
Cambios en el precio que pueden ser asociados a los cambios en tiempo, representan
desplazamientos de la curva de demanda y no de la curva de oferta. De esta manera,
adems de lograr identificar la demanda, el comportamiento de la misma puede
sistematizarse con una mayor precisin. La elasticidad de demanda ahora puede estimarse
por MCO consistentemente. Para ello, sustituimos (11) en (5) obtenindose
S

Pt = (u t + Wt - t)/( - ) (12)
Sea P*t la proyeccin lineal de Pt sobre Wt:
P*t = Wt/( - ) (13)
La expresin de Pt queda:
S

Pt = P*t + (u t - t)/( - ) (14)

Ahora bien, sustituyendo la ecuacin (14) en (1) y agrupando los trminos, tenemos:
S

Qt = [P*t + (u t - t)/( - )] + t = P*t + t,(15)

Siendo
S
D
t = u t/( - ) - t/( - ) (16)
S

Puesto que u t y t estn incorrelacionadas con Wt, tenemos que t est incorrelado con P*t.
En consecuencia, la estimacin de MCO de la ecuacin de regresin (15) nos proporcionar
un estimador consistente de :
2

a*T = (1/T)P*tQt/((1/T)P*t ) (17)

P

Es fcil ver que a*T [5].

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Modelos Multiecuacionales

CASOS PRCTICOS CON SOFTWARE___________________________________



Ecuaciones exactamente identificadas: estimacin por MCI:

El mtodo de mnimos cuadrados indirectos (MCI) permite estimar los parmetros
estructurales (elementos de las matrices B y ) en el caso de ecuaciones exactamente
identificadas. El mtodo MCI consiste en:

Aplicar MCO para estimar los parmetros del sistema en forma reducida (elementos
de la matriz ), y

Usar dichas estimaciones para calcular los parmetros estructurales.

Ejemplo 2: La tabla siguiente, referida a los datos obtenidos a partir de una simulacin.,
muestra los valores para Q, P y W en trminos logartmicos (W viene definida por el logaritmo
de una funcin lineal de las condiciones climatolgicas) durante el perodo 1981 2000.
Observacin
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Ao
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000

P
-1,04982
-0,65393
-0,79851
-0,69315
-0,43078
-0,59784
-0,43078
-0,10536
-0,28768
0,13976
0,30010
0,22314
0,37156
0,40547
0,43825
0,53063
0,55962
0,50078
0,66783
0,85442

Q6
-0,085181
-0,159996
-0,087284
0,005580
-0,097901
-0,004575
-0,035900
-0,068519
0,164610
0,078521
0,053681
0,241651
0,115055
0,143971
0,211917
0,153309
0,171513
0,294913
0,238418
0,241904

W
-1,20397
-0,10536
-0,69315
-1,20397
-0,10536
-0,91629
-0,35667
0,33647
-1,60944
-0,35667
0,09531
-1,20397
-0,10536
-0,35667
-0,69315
-0,10536
-0,35667
-1,20397
-0,51083
-0,22314

Primeramente, especificamos el sistema de ecuaciones simultneas en forma estructural:

Qt - Pt = u

Qt - Pt - Wt = u

S
t

(18)

Reescribiendo el sistema en forma matricial, tenemos BYt + Zt = Ut:

Qt

Pt

u
Wt =

S
t

(19)

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Modelos Multiecuacionales
Sabemos que la forma reducida del sistema viene dada dada por:
Yt = Zt + Vt
-1

-1

siendo = B y Vt = B Ut.
Finalmente, el sistema en forma reducida viene dado por las siguientes ecuaciones:
Qt = 1Wt + v1t

(20)

Pt = 2Wt + v2t
Adems, sabemos que la primera ecuacin esta exactamente identificada. Por tanto,
aplicaremos MCO sobre las ecuaciones de (21). Para ello, en el entorno del programa
Minitab, seleccionamos:
Stat > Regression > Regression:

El programa nos proporciona los siguientes resultados la estimacin MCO de la primera

ecuacin :

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

10

Modelos Multiecuacionales

A partir de los resultados de estimacin, el parmetro 1 = -0,109 resulta de nuestro inters..

A continuacin, volvemos a emplear el mismo procedimiento a fin de estimar la segunda
ecuacin. Los resultados de estimacin aparecen en el cuadro siguiente:

Regression Analysis

The regression equation is

P = 0,155 W
Predictor
Noconstant
W

Coef

StDev

0,1546

0,1664

0,93

0,365

S = 0,5562
Analysis of Variance
Source
Regression
Residual Error
Total

DF
1
19
20

SS
0,2671
5,8786
6,1457

MS
0,2671
0,3094

F
0,86

P
0,365

De la salida de estimacin, se deduce que 2 = 0,155.

Ahora bien, una vez conocidos los estimadores de 1 y 2, procedemos a calcular la
elasticidad de demanda estimada aT:
-1

Puesto que = B , tenemos que B = , o bien, en forma ms detallada,

1 aT

1 bT

(21)

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

11

Modelos Multiecuacionales

O bien,
1 aT 2 = 0

(22)

1 bT 2 = T
Consecuentemente, aT = 1/ 2 = -0,109/0,155 = -0,703. Concluimos, por tanto, que entre la
cantidad demandada de naranjas y el precio de equilibrio existe relacin inversa. El mtodo
de mnimos cuadrados indirectos nos permite estimar slo la elasticidad de demanda. Puesto
que la segunda ecuacin de (19) est no identificada, no podemos recuperar, a partir de la
forma reducida, el resto los parmetros estructurales bT y T. No obstante, veremos ms
adelante que, bajo unas condiciones especficas, dichos parmetros pueden estimarse por el
mtodo de variables instrumentales.

Ecuaciones identificadas: estimacin por MC2E:

El mtodo de mnimos cuadrados en dos etapas (MC2E) permite obtener estimadores
consistentes para los parmetros estructurales (elementos de las matrices B y ) en el caso
de ecuaciones sobreidentificadas o exactamente identificadas. El mtodo MC2E consiste en:

Para cada variable endgena explicativa de la ecuacin, hallar la ecuacin de

regresin de sta sobre todas las variables exgenas del sistema.

Con las ecuaciones de regresin obtenidas, hallar los valores estimados para cada
variable endgena, y realizar la regresin de la variable endgena dependiente sobre
las variables explicativas usando dichos valores estimados (en lugar de los valores
observados).

Ejemplo 3: Volvemos a considerar el sistema de ecuaciones simultneas, definida en (18).

Qt - Pt = u

t
S

Qt - Pt - Wt = u t.
Recordemos que la primera ecuacin est identificada, mientras que la segunda est no
identificada. Por tanto, podemos utilizar el mtodo de MC2E para estimar consistentemente
la elasticidad de demanda .
En el sistema, hay slo una variable endgena explicativa (Pt) y una variable exgena (Wt).
De modo que en una primera etapa regresamos el precio de naranjas sobre el indicador de
condiciones climatolgicas, en la siguiente ecuacin de regresin:
Primera etapa: Pt = Wt + t
Desplegamos Stat > Regression > Regression > Storage; una vez dentro
marcamos la casilla Fits que permite generar, en la hoja de clculo, los valores ajustados de
Pt:

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

12

Modelos Multiecuacionales

Obtenindose los siguientes resultados:

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

13

Modelos Multiecuacionales

En segunda etapa, partimos de la estimacin consistente especificada en (17):

2

a*T = (1/T)P*tQt/((1/T)P*t )
Esta expresin slo sirve los propsitos de teora, ya que en prctica desconocemos los
valores de los parmetros y necesarios para construir P*t. Sin embargo, este trmino lo
podemos sustituir por el estimador consistente de Pt determinado en la primera etapa. As
pues, con el programa Minitab, regresamos cantidad sobre el valor estimado de Pt
(llamndolo PHAT):
Segunda etapa:

Regression Analysis

The regression equation is

Q = - 0,706 PHAT
Predictor
Noconstant
PHAT

Coef

StDev

-0,7061

0,2632

-2,68

0,015

S = 0,1360
Analysis of Variance
Source
Regression
Residual Error
Total

DF
1
19
20

SS
0,13315
0,35161
0,48476

MS
0,13315
0,01851

F
7,20

P
0,015

As pues, el estimador de MC2E queda aMC2E = -0,706.

Ecuaciones identificadas: estimacin por VI

El mtodo de variables instrumentales (VI) permite obtener estimadores consistentes para
los parmetros estructurales (elementos de las matrices B y ) en el caso de ecuaciones
sobreidentificadas o exactamente identificadas. Es un caso particular del mtodo de MC2E y
se utiliza cuando el nmero de instrumentos es igual al nmero de variables endgenas
explicativas. Un instrumento resulta vlido cuando est correlacionado con una de las
variables endgenas y no con el trmino perturbacin. El mtodo VI consiste en:

Seleccionar tantas variables instrumentales cuantas hay variables endgenas

explicativas (correlacionadas con trmino de perturbacin) y variables
predeterminadas (incorrelacionadas con trmino de perturbacin) .

Estimar el modelo en el cual regresamos la variable dependiente sobre las variables

explicativas (endgenas y predeterminadas), utilizando las variables instrumentales
para corregir la endogeindad de los regresores.

En general, el estimador de variables instrumentales puede determinarse de la siguiente

manera:
-1

BVI = [XtZt] [XtYt] (23)

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

14

Modelos Multiecuacionales
Donde: Yt es la variable dependiente, Zt es el vector de las variables explicativas (endgenas
y predeterminadas) y Xt es el vector de las variables instrumentales. La condicin
imprescindible es que el nmero de instrumentos, r, sea igual al nmero de variables
explicativas, k.
Ejemplo 4: Volvemos a considerar el sistema de ecuaciones simultneas, definida en (18).
Qt - Pt = u

t
S

Qt - Pt - Wt = u t.
Puesto que la primera ecuacin est identificada, podemos utilizar el mtodo de VI para
estimar consistentemente la elasticidad de demanda . A fin de realizar dicha estimacin,
como instrumento utilizaremos Wt que puede estar correlacionado con Pt pero no con el
D
trmino de perturbacin u t.. As pues, hay una variable explicativa y un instrumento. El
estimador de la elasticidad viene dado por la siguiente expresin:
-1

aVI = [WtPt] [WtQt] (24)

La estimacin no puede realizarse por va del Minitab, por lo que emplearemos la hoja de
clculo Excel.

En definitiva, el estimador de VI de la elasticidad de demanda es aVI = -0,706.

Consideramos ahora estimacin de la elasticidad de oferta, y del efecto de las condiciones
climatolgicas, :
Qt = Pt + Wt + u

S
t

Ahora bien, suponiendo conocida la elasticidad de demanda, , podemos generar el trmino

de perturbacin de demanda:
D

u t = Q - Pt
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

15

Modelos Multiecuacionales

Dado que el error est correlacionado con Pt, la variable explicativa endgena, pero no
S
correlacionado con u t, entonces cumple los requisitos de una variable instrumental. Por otra
S
parte, Wt est obviamente correlacionada con Wt, pero no correlacionada con con u t. As
D
pues, habremos agregado un vector de variables instrumentales, Xt = (u t; Wt) para poder
estimar consistentemente los parmetros de la ecuacin de oferta:
bT

-1

U P U W

U Q

WP

WW

WQ

Aunque en prctica desconocemos el valor de la elasticidad de demanda, ya sabemos que

este parmetro puede estimarse por el mtodo de variables instrumentales, produciendo el
resultado inmediatamente anterior. Precisamente este valor puede utilizarse para generar el
residuo de demanda y utilizarlo posteriormente a fin de realizar la estimacin de VI de y :
bVI

VI

-1

P W

WP

WW

WQ

Puede demostrarse que la estimacin de dichos parmetros es consistente [5].

Operando en el entorno de Excel, calculamos los componentes de las matrices XZ y de XY:

A continuacin, calcularemos la matriz inversa de XZ (InvX_Z) y posteriormente la

multiplicamos por XY (X_Y), obteniendo el vector de los parmetros estimados bVI y VI. Es
importante recordar que para validar frmulas matriciales con Excel es necesario usar la
combinacin de teclas [Control]+[Shift]+[Enter] (ver math-block sobre operaciones con
matrices en Excel):

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

16

Modelos Multiecuacionales

La estimacin VI nos proporciona los siguientes resultados:

aVI = -0,706; bVI = 0,244 y VI = -0,147. Concluimos por tanto, que el mercado de naranjas
funciona bajo las de leyes de oferta y demanda, la elasticidad de demanda siendo negativa y
la elasticidad de oferta, positiva. Por otro lado, el las adversas condiciones meteorolgicas
producen efecto negativo sobre la oferta de naranjas.
En este math-block hemos analizado los modelos multicecuacionales, problemas de
identificacin y endogeneidad, y hemos conocido los principales mtodos de estimacin de
estos modelos que dan lugar a los estimadores consistentes, insesgados e eficientes.

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

17

Modelos Multiecuacionales

BIBLIOGRAFA

______________________________________________

[1]

Arts, M.; Suriach, J.; et al (2002): Econometra. Ed. Fundaci per a la Universitat Oberta de
Catalunya. Barcelona.

[2]

Carter, R.; Griffiths, W.; Judge, G. (2000): Using Excel for Undergraduate Econometrics.
ISBN: 0-471-41237-6

[3]

Doran, H. (1989): Applied Regression Analysis in Econometrics. Ed. Marcel Dekker, Inc.
ISBN: 0-8247-8049-3

[4]

Gujarati, D. (1997): Econometra bsica. McGraw-Hill. ISBN 958-600-585-2

[5]

Hamilton, J. D. (1994): Time Series Analysis. Princeton University Press. Princton, N. J.

08540. ISBN: 0-691-04289-6

[6]

Johnston, J. (2001): Mtodos de econometra. Ed. Vicens Vives. Barcelona.

ISBN 84-316-6116-X

[7]

Kennedy, P. (1998): A Guide to Econometrics. Ed. MIT Press. ISBN: 0262611406

[8]

Novales, A. (1993): Econometra. McGraw-Hill. ISBN 84-481-0128-6

[9]

Pulido, A. (2001): Modelos economtricos. Ed. Pirmide. Madrid. ISBN 84-368-1534-3

[10]

Uriel, E. (1990): Econometra: el modelo lineal. Ed. AC. Madrid. ISBN 84-7288-150-4

[11]

Wooldridge, J. (2001): Introduccin a la Econometra: un enfoque moderno. Ed. Thomson

Learning. ISBN: 970-686-054-1

ENLACES

___________________________________

http://www.feweb.vu.nl/econometriclinks/index.html
The Econometrics Journal On-Line

http://www.elsevier.com/hes/books/02/menu02.htm
Libro on-line: Handbook of Econometrics Vols. 1-5

http://elsa.berkeley.edu/users/mcfadden/discrete.html
Libro on-line: Structural Analysis of Discrete Data and Econometric Applications

http://www.oswego.edu/~kane/econometrics/stud_resources.htm
Online Resources for Econometric Students

http://www.econ.uiuc.edu/~morillo/links.html
Econometric Sources: a collection of links in econometrics and computing. University of Illinois

http://www.econometrics.net/
Econometrics, Statistics, Mathematics, and Forecasting

http://ideas.uqam.ca/EDIRC/ectrix.html
Economics Departments, Institutes and Research Centers in the World: Econometrics,
Mathematical Economics

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

18