Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESQUEMA DE CONTENIDOS
________________________
Estimacin MCO
Estimacin MCO
INTRODUCCIN
___________________
Las formulaciones realistas de los modelos econmicos requieren la insercin de variables explicativas retardadas. As la inversin en bienes de equipo que se realiza en el perodo actual influir en la produccin de ste y en la de aos posteriores, tambin se da el caso contrario en que la produccin de un perodo est afectada por el gasto en bienes de equipo realizado con anterioridad. Este mismo fenmeno se puede observar a nivel microeconmico, al analizar la influencia que sobre las ventas de una empresa tienen los gastos en publicidad realizados en un perodo, stos en general suelen influir en las ventas de perodos posteriores.
OBJETIVOS
________________________
Entender en qu consisten los Modelos de Regresin Dinmica (MRD) y su importancia en la economa aplicada. Conocer las causas econmicas por las que se presentan los MRD en economa. Analizar el problema de los MRD, y comprender los conceptos de estabilidad, multiplicadores y retardo medio. Estudiar el problema de estimacin de los MRD en las diferentes clases de estos modelos Aprender a estimar, con ayuda de Minitab, MRD con especial atencin al mtodo de Mnimos Cuadrados en dos Etapas (MC2E).
CONOCIMIENTOS PREVIOS
___________________________________
Aparte de estar iniciado en el uso de Excel y del paquete estadstico Minitab, resulta muy conveniente haber ledo con profundidad los siguientes math-blocks: Regresin Lineal Mltiple Autocorrelacin Multicolinealidad
CONCEPTOS FUNDAMENTALES_______________________________________
Representacin de los modelos dinmicos
En esta presentacin diferenciaremos entre los casos en que: (1) en las variables explicativas no hay valores retardados de la endgena, (2) existen retardos de la endgena como variables explicativas. 1.- Variables explicativas con retardos de la variable exgena La forma de este modelo ser:
Yt = + 0 X t + 1 X t 1 + .... + s X t s + u t
Siendo
Este tipo de modelos se les denomina modelos de retardos distribuidos de orden s RD(s)Para facilitar el manejo de estos modelos se define el operador de retardo, L, por:
LX t = X t 1 Lk X t = L...... . ....LX t = X t k
Aplicando el operador de retardo al modelo anterior se tendr :
k
Yt = + 0 X t + 1 LX t + .... + s Ls X t + u t = + ( 0 + 1 L + .... + s Ls ) X t + u t Yt = + D( L) X t + u t
siendo D (L) el polinomio de orden s, D ( L) = 0 + 1 L + .... + s L
s
(1)
Modelos de Regresin Dinmica 2.- Variables explicativas con retardados de la variable endgena Este modelo quedara en la forma:
Yt = + 0 X t + 1Yt 1 + .... + p Yt p + t
se les denomina modelos autorregresivos de orden p AR(p)3.- Variables explicativas con retardados de la variable exgena y endgena Tambin puede ocurrir que los valores previos de la variable endgena influyan en su nivel actual. Este hecho da lugar a un modelo dinmico ms general, representado por:
A( L)(Yt ) = B( L) X t + t
donde A( L) = 1 + 1 L + .... + p L ; B ( L) =
p
(2)
0 + 1 L + .... + q Lq
Si en el modelo (2) dividimos por A(L) se obtiene un modelo similar a la expresin (1)
Yt = +
con
B ( L) X t + ut A( L)
(3)
= A(L) ; t = A( L)u t
B( L) A( L)
Este tipo de modelos se les denomina modelos autorregresivos y retardos distribuidos de orden (p,q) AD(p,q)4.-hiptesis de Koyck La hiptesis de Koyck nos permite pasar de un modelo RD(), en el cual tendramos que estimar un nmero infinito de parmetros, a otro AR(1), mucho ms manejable. Vemos cmo: Partimos de un modelo RD():
Yt = + 0 X t + 1 X t 1 + 2 X t 2 + ... + u t
La hiptesis de Koyck consiste en suponer que existe un valor real , con 0<<1, tal que:
j = 0
para j = 0, 1, 2, ...
Observar que esta hiptesis supone que, a menudo que n aumenta, menor es la influencia de Xtn sobre Yt. Sustituyendo la expresin anterior de los j en el modelo RD() se llega al modelo AR(1) siguiente:
Yt = (1 ) + 0 X t + Yt 1 + vt donde vt = u t ut 1
tanto el impacto sobre la variable endgena es finito, pasado un tiempo se retorna al equilibrio o bien, se tiende hacia un nuevo equilibrio.
f. Modelo RD estable Yt
Xt
t0
Multiplicadores y retardos
Estos conceptos son importantes al analizar el efecto que, sobre la variable explicada, tiene una variacin unitaria de la variable explicativa. Multiplicador de Impacto o Contemporneo m0 representa el cambio que se produce en la variable endgena (Yt) ante una variacin unitaria de la exgena en el perodo actual (Xt).
m0 =
Yt = 0 X t B(0) = 0 = m0 A(0)
Modelos de Regresin Dinmica Multiplicador de Retardo j m j cuantifica el efecto que sobre la variable endgena (Yt) tiene una variacin unitaria de la exgena en el perodo t-j (Xt-j).
mj =
Yt j X t j
Multiplicador Total mT es la suma de todos los multiplicadores mT = m j Si en el polinomio D (L) se hace L=1, D (1) = j =
j =1
B(1) = mT A(1)
Observacin: para que un modelo tenga sentido econmico el multiplicador total debe ser finito. Esto ocurrir siempre que el proceso sea estable y viceversa. Retardo Medio se define como la media ponderada, por el retardo, de todos los coeficientes del polinomio D (L) es decir, Retardo Medio =
j j
j =1
j
j =1 ' 2
Derivando el polinomio D (L) se tiene D ( L) = 1 + 2 2 L + 3 3 L + .... ; y el retardo medio queda : Retardo Medio =
j j
j =1
j
j =1
La idea del retardo medio es informarnos si el impacto, sobre la variable endgena de una variacin de la exgena, est muy concentrado o diluido en el tiempo. Retardo Mediano se define como el instante en que se alcanza el 50% del impacto total que se produce en Yt debido a una variacin en X t
Caso prctico
Dado el modelo dinmico: y t =
3L xt + u t 1 0,9 L + 0,2 L2
Se pide: (a) Multiplicador total (b) Retardo medio (c) Los coeficientes de xt j para j = 0,1, 2, 3
B ( L) = 3L A( L) = 1 0,9 L + 0,2 L2
Las races del polinomio A(L) (2,5 y 2) son mayores de uno y en consecuencia el modelo es estable. Para el tercer apartado vamos a necesitar los coeficientes del polinomio D (L) que debemos calcular partiendo de los otros polinomios.
D( L) = 0 + 1 L + 2 L2 + 3 L3 + 4 L4 .... =
de donde:
B ( L) 3L = A( L) 1 0,9 L + 0,2 L2
3L = 0 + ( 1 0,9 0 ) L + ( 2 0,9 1 + 0,2 0 ) L2 + ( 3 0,9 2 + 0,2 1 ) L3 + + ( 4 0,9 3 + 0,2 2 ) L4 + ..... + ( i 0,9 i 1 + 0,2 i 2 ) Li + ....
Igualando coeficientes se tendr:
mT = D(1) =
B (1) 3 = = 10 = i i A(1) 1 0,9 + 0,2 B' (1) A' (1) 3 0,9 + 2 * 0,2 = = 1 + 1,66 = 2,66 B(1) A(1) 3 1 0,9 + 0,2
Re tardo _ Medio =
Modelos de Regresin Dinmica Como se observa en el apartado anterior el multiplicador total es 10 en consecuencia el 50% del impacto se habr alcanzado para un valor de 5. Por tanto el Retardo Mediano estar ser inferior a 2. Ms exactamente teniendo en cuenta que para el retardo de orden 2 el impacto es 5,5 se tendr, va una proporcionalidad:
Re tardo _ Mediano =
(c) Los coeficientes de xt j para j = 0,1, 2, 3 Teniendo en cuenta el polinomio D (L) el modelo dinmico que nos ocupa puede ponerse en la forma:
y t =(3L + 2,7 L2 + 1,8L3 + 1,1L4 + 0,6 L5 + ........) xt + u t y t = 3 xt 1 + 2,7 xt 2 + 1,8 xt 3 + 1,1xt 4 + 0,6 xt 5 + ... + u t
Y =XB + U
Siendo B = ( , 0 , 1 ,..., q , 1 ,..., p )' , y X la matriz de observaciones de las variables explicativas (entre ellos los de la variable endgena). Aplicando el mtodo de MCO al modelo se obtienen los estimadores
Modelos de Regresin Dinmica Se demuestra que no son insesgados pero si consistentes, es decir, cuando la muestra es grande el estimador es insesgado. De otra parte, cuando la muestra es grande la varianza de los estimadores se aproxima por V( B MCO ) ( X ' X ) .
2 1
Como colofn a este apartado podemos afirmar, sobre la base de las propiedades anteriores, que en este caso de no correlacin entre la variable explicada y la perturbacin puede utilizarse el mtodo de MCO para la estimacin del modelo. 3. Los retardos son de la variable endgena que est correlacionada con la perturbacin
Si aplicamos los MCO se demuestra que el estimador no es insesgado ni tampoco es consistente. El procedimiento de estimacin que se utiliza para obviar este problema es el conocido como Variables Instrumentales. La idea de este mtodo es sustituir los retardos de la variable exgena ( Yt ) por otras p (instrumentos) o p combinaciones de h instrumentos (h>p), y as obviar el problema de la correlacin con la perturbacin. Definicin.- Una variable instrumental es aquella que verifica las tres condiciones siguientes: (1) no est en el modelo, (2) est muy correlacionada con la variable que va a sustituir, (3) no est correlacionada con la perturbacin. Sea W la matriz que contiene en sus columnas las observaciones de las variables explicativas del modelo que no han sido sustituidas (no instrumentadas) y las observaciones de las variables instrumentales. El estimador por el mtodo de las Variables Instrumentales (VI) ser:
B VI = (W ' X ) 1W ' Y
Se demuestra que este estimador de Variables Instrumentales es consistente, y para grandes muestras su varianza aproximada es: V( B VI ) (W ' X ) (W 'W )[(W ' X ) ]' .
2 1 1
e' e (Y X B VI )' (Y X B VI ) = = nk nk
2
siendo n el nmero de observaciones y k el de coeficientes estimados (n de filas de B VI ). Mnimos Cuadrados en dos Etapas (MC2E) Una versin interesante del mtodo de VI, en el sentido que incorpora toda la informacin disponible, es el de los Mnimos Cuadrados en dos Etapas (MC2E). Para exponerlo consideremos el modelo
Yt = 0 + 1Yt 1 + 2 X 1t + 3 X 2t + 4 X 3t + u t
(4)
en este modelo las variables X it se suponen deterministas y al no estar correlacionadas con la perturbacin podran utilizarse como instrumentos si no fuese por que ya estn como explicativas en el modelo, y se generara el problema de multicolinealidad. Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD) 9
Modelos de Regresin Dinmica Una posible solucin ser utilizar como variable instrumental de Yt 1 una combinacin lineal ( Z t 1 ) de los retardos de un perodo del resto de explicativas X it 1 . La matriz W asociada al
mtodo de VI ser:
Yt = 0 + 1 X 1t + 3 X 2t + 4 X 3t + t
El mtodo de MC2E se basa en esta propiedad y se implementa en las siguientes etapas: Etapa 1
(5)
Se genera la variable Y t utilizando la estimacin MCO del modelo (5). Esta estimacin verifica: (1) no est como explicativa en el modelo (4), (2) es combinacin lineal de Yt y por ello correlacionada con ella, (3) es combinacin lineal de las variables deterministas ( X it ) y en consecuencia no correlacionada con la perturbacin. Por tanto verifica las condiciones de ser una buena variable instrumental de Yt 1 . Etapa 2 Utilizando Y t 1 como instrumento de Yt 1 se calcula el estimador de VI tomando, como matriz
W , la matriz X dada por: X = [1, X 1t , X 2t , X 3t , Y t 1 ] t=1, 2......n el estimador MC2E ser: B MC 2 E = ( X ' X ) 1 X ' Y
y su varianza aproximada, para muestras grandes, vendr dada por:
10
CASOS PRCTICOS__________________________________________________
El profesor Luis ngel Rojo en su libro Renta, precios y balanza de pagos hace depender el consumo de los hogares (ct ) de: (a) la renta disponible de los hogares ( y t ) , (b) la riqueza al comienzo del perodo ( wt 1 ) , y (c) tipo de inters de los bonos ( rt ). Formalmente se expresa por:
d
ct = 0 + 1 y td + 2 wt 1 + 3 rt + u t
(6)
En la realidad no todo el incremento de la renta disponible se incorpora de manera inmediata al consumo, ni de otra parte tampoco ocurre que ante una variacin en la renta el consumo responda de una forma inmediata sino que mas bien se va adaptando paulatinamente al nuevo nivel de renta. En los modelos econmicos para contemplar las situaciones anteriores se formulan diferentes hiptesis acerca de cmo se incorpora la renta al consumo (entre ellas el modelo de expectativas adaptativas), o bien de cmo se ajusta el consumo a la nueva renta (entre ellas el modelo de ajuste parcial). En lo que sigue exponemos la formulacin en que deriva el modelo (6) bajo cada uno de estos supuestos.
y tp y tp 1 = [ y td - y tp 1 ]; 0 < < 1
siendo
y tp = y td + (1 ) y tp 1 ; 0 < < 1
Es decir, slo una parte de la variacin de la renta corriente queda incorporada a la renta permanente del perodo t. Se demuestra que bajo esta hiptesis se verifica:
y tp =
y td 1 (1 ) L
ct = 0 + (1 )ct 1 + 1y td + 2 wt 1 + 2 ( 1) wt 2 + + 3 rt + 3 ( 1)rt 1 + t
(7)
t = u t (1 )u t 1
11
c t = 0 + 1 c t 1 + 2 y td + 3 wt 1 + 4 wt 2 + 5 rt + 6 rt 1 + t
En resumen aplicando la Hiptesis de las Expectativas Racionales al modelo (6) hemos llegado a un modelo dinmico en el que: (1) figura como variable explicativa del consumo de los hogares l msmo retardado un perodo, (2) la perturbacin del modelo presenta autocorrelacin de 1er orden. Como consecuencia de (2) tambin estar correlacionada ct 1 con el trmino de error y por tanto para la estimacin de este modelo deberemos aplicar el mtodo de Variables Instrumentales. Con ello obviaremos el problema de los MCO al estar una variable explicativa correlacionada con la perturbacin.
ct* = 0 + 1 y td + 2 wt 1 + 3 rt + u t
La hiptesis de Ajuste Parcial propone que esta adaptacin se realizar segn la formula:
(8)
ct =
ct* 1 (1 ) L
de donde
ct* =
[1 (1 ) L]
obtendr
[1 (1 ) L]ct = 0 + 1 y td + wt 1 + 3 rt + u t
por tanto la formulacin final del modelo (8) bajo la HAP ser
ct = 0 + (1 )ct 1 + 1 y td + wt 1 + 3 rt + t
t = u t
que reparametrizndole se tendr
(9)
ct = 0 + 1ct 1 + 2 y td + 3 wt 1 + 4 rt + t
En este caso el modelo que se ha obtenido se caracteriza por: (1) el retardo de primer orden del consumo figura como variable explicativa, (2) la perturbacin asociada al modelo ( t ) es un
12
Modelos de Regresin Dinmica proceso ruido blanco, por serlo u t , es decir, no presenta autocorrelacin de orden uno como en el caso de la HEA. Por tanto como la perturbacin no presenta autocorrelacin tampoco estar correlada la variable explicativa ct 1 con la perturbacin aleatoria ( t ) . En consecuencia, segn lo expuesto en la estimacin de modelos dinmicos podemos aplicar los MCO que nos garantizan la consistencia de los estimadores.
Estimacin del modelo de Hiptesis de Expectativas Adaptativas para el consumo de los hogares espaoles
Las variables utilizadas, con datos del periodo 1964-2000, son: LCH95: el logaritmo neperiano del consumo de los hogares a precios de 1995 LCH951: el logaritmo neperiano del consumo de los hogares a precios de 1995 retardado un periodo LYD95: el logaritmo neperiano de la renta disponible de los hogares a precios de 1995 LWH951: el logaritmo neperiano de la riqueza de los hogares a precios de 1995 LWH951: el logaritmo neperiano de la riqueza de los hogares a precios de 1995 retardada un periodo LWH952: el logaritmo neperiano de la riqueza de los hogares a precios de 1995 retardada un periodo RL: tipo de inters a largo plazo RL1: tipo de inters a largo plazo retardado un periodo Como se expuso anteriormente en este caso se presenta correlacin entre el consumo de los hogares y la perturbacin asociada al modelo, y en consecuencia debemos aplicar el mtodo de VI, ms concretamente la versin de MC2E. 1 Etapa Estimamos por MCO el consumo de los hogares retardado un periodo en funcin de las otras variables explicativas y guardamos el valor estimado en FITS1.
13
R-Sq = 99.7%
R-Sq(adj) = 99.6%
Estimamos por MCO el consumo de los hogares en funcin de la estimacin de su retardo, y del resto de variables explicativas. La ecuacin que se obtiene es la siguiente:
14
Regression Analysis: LCH95 versus FITS1; LYDH95; LWH951; LWH952; RL; RL1
* RL1 is highly correlated with other X variables * RL1 has been removed from the equation The regression equation is LCH95 = - 0.392 + 1.06 FITS1 + 0.127 LYDH95 + 0.061 LWH951 - 0.199 LWH952 - 0.460 RL Predictor Constant FITS1 LYDH95 LWH951 LWH952 RL S = 0.01925 Coef -0.3922 1.0603 0.1270 0.0613 -0.1992 -0.4599 SE Coef 0.5010 0.7337 0.5461 0.1996 0.2484 0.3273 T -0.78 1.45 0.23 0.31 -0.80 -1.41 P 0.440 0.159 0.818 0.761 0.429 0.171
R-Sq = 99.6%
R-Sq(adj) = 99.5%
Observar que el tipo de inters retardado lo elimina el programa como variable explicativa por estar correlacionado con otras variables, de esta manera se elimina el problema de la multicolinealidad. Por tanto el modelo final nos queda: LCH95 = - 0,392 + 1,06 LCH951 + 0,127 LYDH95 + 0,061 LWH951 0,199 LWH952- 0,460 RL Para el anlisis de este modelo calculamos el polinomio
A(L)LCH95 = (1 - 1,06L)LCH95
Dado el polinomio A(L) = 1 - 1,06L , este se anular para L=0,94 <1 y por tanto este modelo ser inestable y no procede seguir con su estudio.
15
Estimacin del modelo de Hiptesis de Ajuste Parcial para el consumo de los hogares espaoles
En este caso en el modelo obtenido la variable dependiente consumo de los hogares, si bien tiene como explicativa su propio retardo, no est correlacionada con la perturbacin aleatoria y en consecuencia el estimador MCO ser consistente. Aplicando MCO se obtendr la estimacin adjunta:
R-Sq = 99.8%
R-Sq(adj) = 99.7%
En consecuencia el modelo a analizar ser (1-0.65L)LCH95 = -0,420 + 0.457 LYDH95 - 0.0661 LWH951 - 0.304 RL Este modelo es estable pues L = 1,54 > 0 El multiplicador contemporneo ser: el coeficiente asociado a cada variable Los multiplicadores de diferentes retardos sern: para LYDH95
D( L) = 0 + 1 L + 2 L2 + 3 L3 + .... =
de donde
B ( L) 0,457 = A( L) 1 0,65 L
16
Modelos de Regresin Dinmica inferior a 1. Ms exactamente teniendo en cuenta que para el retardo de 1er orden el impacto es 0,754 se tendr que
Re tardo _ Mediano =
mT =
Por cada cada punto porcentual que aumenta la renta disponible de los hogares se da un incremento total 1,31 puntos porcentuales en el consumo de stos. para LWH951
mT =
Un incremento en un punto porcentual de la riqueza del periodo anterior de los hogares provoca una cada total de 0.19 puntos porcentuales en el consumo de stos. para RL
mT =
Un incremento en un punto porcentual en el tipo de inters de los hogares provoca una cada total de 0.89 puntos porcentuales en el consumo de stos. Clculo del Retardo Medio Como todas las exgenas estn sin retardos ser el mismo para todas
Re tardo _ Medio =
B' (1) A' (1) 0 0,65 = = 1,86 B (1) A(1) 0,457 1 0,65
17
BIBLIOGRAFA
[1] [2] [3] [4] [5] [6] [7] [8] [9] [10]
______________________________________________
Arts, M.; Suriach, J.; et al (2002): Econometra. Ed. Fundaci per a la Universitat Oberta de Catalunya. Barcelona. Carter, R.; Griffiths, W.; Judge, G. (2000): Using Excel for Undergraduate Econometrics. ISBN: 0-471-41237-6 Doran, H. (1989): Applied Regression Analysis in Econometrics. Ed. Marcel Dekker, Inc. ISBN: 0-8247-8049-3 Gujarati, D. (1997): Econometra bsica. McGraw-Hill. ISBN 958-600-585-2 Johnston, J. (2001): Mtodos de econometra. Ed. Vicens Vives. Barcelona. ISBN 84-316-6116-X Kennedy, P. (1998): A Guide to Econometrics. Ed. MIT Press. ISBN: 0262611406 Novales, A. (1993): Econometra. McGraw-Hill. ISBN 84-481-0128-6 Pulido, A. (2001): Modelos economtricos. Ed. Pirmide. Madrid. ISBN 84-368-1534-3 Uriel, E. (1990): Econometra: el modelo lineal. Ed. AC. Madrid. ISBN 84-7288-150-4 Wooldridge, J. (2001): Introduccin a la Econometra: un enfoque moderno. Ed. Thomson Learning. ISBN: 970-686-054-1
ENLACES
___________________________________
http://cv.uoc.es/moduls/UW01_71075_00231/index.html Tablas de distribuciones estadsticas (incluye la del estadstico Durbin-Watson) http://www.metu.edu.tr/~eruygur/econ302/probset/tables.pdf Tablas de distribuciones estadsticas (incluye la del estadstico Durbin-Watson) 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.
18