Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1.
INTR^DUCCION
El ^ltro de Kalman ( FK} es una de las contribuciones ms significativas hechas a la
teoria de control estocstico durante los ltim^s aos. Sus aplicaciones en ingeniera,
especialmente en el campo aeroespacial, han sido numerosas.
El FK calcula Ia estimacin ptima de las variables de estado de un sistema lineal
estocstico, cuando no todas las variables del mismo son directamente observables, y
adems, estas observaciones estn contaminadas por ruido. En el Apndice I damos,
brevemente, su formulacin discreta.
Las posibles aplicaciones del FK en economia son numerosas. De hecho, ya ha sido
utilizado numerosas veces, tanto en macro como en microeconomia. En el reciente libro
de Chow ' se enumeran una serie de ejemplos y referencias al respecto.
Importantes son las aplicacianes referentes a predicciones de series econmicas temporales, tal como las expuestas por Vishwakarma 2, Caines y Wall ^ y Bensoussan 4,
* Este trabajo se ha presentado a!a IX Reunin Nacional de Investigacin Operativa, 1^376.
ESTAQISTIC,A ESPAOLA
siendo de inters el comparar este tipc^ de solucin con la metodologa de Box y Jenkins `. E n E.conometra son prometedoras sus posibilidades en la estimacin de parmetrc^^, dependienteti del iiempu lver f^, pginas StJI-533). Fn un prximo trabajo veremos
cmc^ tc^dos lc^s prc^cedimiento:^ de etitimac in de parmetros dependientes del tiempu son formulaciones particulare^ ^ del FK.
ptimas, y es de gran inters, por las razones que ms adelante veremos, calcular el
error verdaclero de estas estimaciones subptimas. Erc el Apndice II se trata este
prublema solamente en el casc^ particular que ms tarde aplicaremc^s.
II.
27
Utilizaremos la forrna:
^(^ ) _ )'R^^(^ ) + 1' ,^(^ - 1 ) + . .. + i^ m^(^
- ^tt )
( 1)
y pretendemos calcular una estimacin de los parrnetros de las matrices l^ ^ de dimensin p X p y C ^ de dimensin p X q, suponiendo que las variables son todas directamente
observables.
Si representamos par (;^ )T y(c;)T tos vectores de las j-simas filas de las matrices
^'; y C^, respectivamente, defniremos ei siguiente vector de estado de dimensin (m + 1),^ 2+
+ ( rr + t ^i y
r^^^)
{C^i)T (C^)T
. ..
^'r(^ )
... t1 T(^i;
^'TC^ )
. ..
- ^t )
t^
^
!1T(!^
- i? )
. ..
^}
H -
^' Tr^ )
[I T (^
- ^^ ^J
{2 )
(3)
en dcande ^ ^(^ -1) es una serie de perturbaciones incorreladas gaussianas de media nula
y covarianza (,^(^ - 1).
Hemos reducido, por tanto, el problema inicial a un sencillo problema de filtraje,
como el formulado en el Apndice I, para el que la dinmica de sistema viene dada por
{3) y las ecuaciones de observacin son las ( 2}, pudiendo de forma inmediata aplicar el
algoritmo del FK para obtener las estimaciones ptimas de x(^k ) o lo que es lo mismo,
de todos los parmetros de las matrices I^; y C'; .
zs
ESTADiSTICA ESPAt3LA
^};(k } =
(c;)Tr^(k
- 1) +
^ ^rt`l^ ), i
- z , 2,. .. , p
(^4}
; ^o
^.
Si ahora definimos
.X ^(^ )
(Cn)T ^
y
Ir r(k j ^ (r^'r(k ) yT(^
--
1) .. . ^^ ^(k
1, 2, .. ., P
()
(^)
(R)
P;(^)h(^)
K,(^) =
r,^^ )
P;(^ ) = P,(^
-- 1) + Q; (k - t ) -
- 1)
(^)
-- I }h(^ ) + r^(^)
- K;(^)hT(^)^T
1) e^^(^ )KTtk )
+ K;(h)RKT(k)
P;c^}(n )
_ [ P;^^ (K
- 1 ) +
Q(^ - ^ ) ^[ I
-- K; (k )h T(k ) ] T
- P,XQ (k ) dh (k } K T (l^ )
( l^ 1)
(1^ 2)
3(J
III.
ESTADISTICA ESPAfJLA
(13 )
en donde:
c,r(k) es el vecior, de dimensin ri, de los niveles de produccin en el perodo k.
A(^k ) es la matriz, de dimensin n x n, de coeficientes tcnicos en el periodo k.
c1(^ ) es el vector, de dimensin ^, de demanda final.
La ecuacin (l^3} puede resolverse inmediatamente de tal forma que:
( I^)
(1^5)
H(k) _
0
d r(k) 0
dT(k) ... 0
0
0
... d^ It^ )
La ec uac i n{ 15
( ^^)
Como quiera que los coeficientes tcnicos son constantes, tendremos que:
x{k ) _ .x{^ - t )
( 1 ^)
^, 2,
( ^^8)
^^
y poniendo
xT{k) - [h;^(k), h;^{^k), ...,. h,n^^)l
h 7^(^ } _ [ d ^ (^ } , d ,(^ti ) , . . . , c.^n (^ ) ^
escribiremos ( 1-8} en la forma:
c^^(k) = h;(k}x;Ck} +^^;fk);
i-- I, 2,
( I9)
r= l, 2, . .., n
{20)
3Z
ESTAD[STICA ESPAOU
Podremc^s, entonces, resolver cada uno de los rr problemas de filtraje dados por (20}
y( 19) por separado, reduciendo de esta manera los requerimientos numricos del
prablema al que llega Chow ' i pp. 191-193 ), que can el nivel de desagregacin normal
de las tablas input-output supone un fenomenal obstculo numrico.
Los algoritmos del FK nos darn la estimacin ptima de los elementos de la matriz
invers,a mediante:
x,(k ) = z;{k - 1) + K,{k) w;{k } -- hT(k }z;(k)]
(21)
1
K.rtk ) =
^', C^ )
(22)
P^C^ )^C^ )
Plk) = P^(k - l ) +
(23)
De fonma anloga a como hemos visto en II, podremos estudiar con los algoritmos
del Apndice II la sensibilidad de las estimaciones de los coeficientes tcnicos a errores
en los valores numricos de los niveles de demanda final. El error verdadero en la
estimacin de estos parmetros vendr, en este caso, dado por (1^0), (1 1) y(1^2),
hacienda de ellas (^^(k - 1) = 0.
Si la ecuacin (20) la escribimos en la forma:
x^Ck) _ _rr(l^
--
1) + ^^ '^k -
1);
= 1, 2, . .. , n
CONCLUSIONES
En este trabajo hemos estudiado dos aplicaciones del filtro de Kalman en la estimacin de parmetros de modelos econmicos, para lo cual ha sido necesario reformular
los problemas originales como problemas estndar de filtraje estadistico.
Hemos visto cmo este procedimiento permite, en la primera de las aplicaciones, el
estimar los parmetros dependientes del tiempo de un modelo economtricv en su
forma estructural; pudiendo fcilmente estudiarse el efecto que sobre estas estimaciones
tienen posibles errores en las variables del modelo.
La segunda aplicacin ha consistido en la estimacin de la matriz inversa de
Leontief de un modelo input-output esttico estocstico, teniendo en cuenta el efecto de
posibles errores en los valores de los niveles de demanda final en el proceso de
estimacin, asi como la posibiiidad de variacin de 1os coeficientes tcnicos del modelo.
Mad rid , Marzo de 19^6
APENDICI: 1
FORMULACION DISCRETA DEL FILTRO DE K.ALMAN
Plantearemos el problema en los siguientes trminos. Dado el sistema dinmico
_x^(^- + l ) _ ^(^ + 1, ^k^x^#^) + G(k +
1, k)^^ ^(^)
(AI :1)
en donde
.x (k + 1}
^(^ + l,^)
Ci(^ + 1, ^)
^ t^(k + i)
es
es
es
es
el
la
la
e[
Supondremos que las abservaciones del sistema (AI.I) son una funcicin linea! del
estado del mismo, que vienen dadas por:
.;.(^ + 1) = H(^ + 1)x(^ + ^ l ) + ^^ (k +
1)
( AI. 2)
siendo:
<(^ + 1) el vector de las observaciones del sistema de dimensin m.
H(ti + l) la matriz de observacin de dimensin m x n.
^ ^{^ + I} el vector de ruido en las observaciones de dimensin m.
Adems, las perturbaciones aleatorias ^^(^ ) y^^{k ) son incorreladas y gaussianas, con
medias y covarianza dadas por:
F r ^ t^(k)]
= 0;
E i ^^^ ) ^ = ^;
E[ ^^ ^(1^)t ^ ^^1)^
= QC^)bki
F[ ^ '(^)^'t^ )l = R(^?^^i
ESTAD[ST1GA ESPAI^ULA
En lo sucesivo, y para simplificar !a notacin, las matrices tanto dei modelo como
def sistema rea! se escribirn sin sus argumentos temporales [c^{k + 1, k) se escr^^iir ^.
etc. i, aunque toda ta forrrtulacin que sigue es vlida para sistemas dependientes del
ternpo.
El filtro de Kalman calcula, para el probfema as planteado, la estimacin ptima del
estado del sistetna x(k} con respecto a un criterio definido en sentido estadistico. De
hecho, la naturaleza lineal ;gawssiana del model permite la eleccin de una serie de
criteiios de optim^zacin tales ccxno mrtimos cuadrados, mnima varianza y mxima
verosimiiitud, que conducen todos al mismo resultado.
En el proceso de estimacn distinguiremos dos cicfos, el ciclo de prpagacin entre
observaciones y el ciclo de actualizacin en e1 momento de hacer una observacin. Pero
antes haremos alguna precisin acerca de la notacin a utilizar.
Al cnjunto de todas las observaciones disponibles en el instante k lo representaremos porZk, es decir
{^(f), ^{2) , ..., z{k)}
}^ en base a esto definimos las siguientes variables:
x(k
+ 1^k) = E[z(k
+^ 1) definida como
+^ 1)^ Zk)
1^k
+^ 1 }zT(k +
+^ f) definida como
1 ^ k -^- ^ 1) ^ Zk + i]
wPErrvieE ^
35
en donde
.z(^ + I ^^ + I ) = .^(^i + 1) - _x(^^ + 1 k + 1)
es el error actualizado en la estimacin.
Con la notacin anterior, las ecuaciones detalladas del filtro de Kalman1O son las
siguientes:
Ciclo de propagacin:
X(k + 1(^ ) = cAX(k ^k )
(A I : 3 )
( AI .4)
(AI:S)
(AI:6)
^iclo de actualizacin:
AI :7)
APENDICE II
^xA ^l ^ } - E [X(t ^ it )^
y matriz de momentos de segundo orden del estado del sisiema:
Pxa`(l ^ j ) =
E [-^(^ )x^ }^
3?
APENDICE II
(AII. l )
(AII.2)
Pxu(k + 1)
(AII :3)
+ K(k + -1)RKr(k + 1)
(AII.4)
(AII.S)
RESUMEN
ESTADISTiCA ESPATVC^LA
SUMMARY
In this paper twu applicdtions c^f the Kalman ^Iter ^^re studiec^ dealing with the estimation of parameters of econc^mic mudels. The hrst c^f these applications consists in the
estirnation of the parameters, in general time-varying, f an econometric model in its
structural form; and the second, in the estimation of the inverse matrix of an stochastic
input-output modei.This estimation procedure allows one to evaluate the sensitivity of
the optimal estimations against errors in the variables in the first case, and possib^e
errors in th^ values of the levels of final demand in the second.
REFERENCIAS
' Chow, G. CK. .<Analysis and Control of Dynamic Fconomic Systems . Nueva York. J^hn
Wiley. 1975.
2 Vishwakarma, K. P. <.Prediction of economic time series by means of the Kalman hlter.
International Journal of Systems Science. Vol. 1, no. 1, pp. 25-32. 1970.
3 Caines, P. E., Wa11, K. D. Theoretical foundations for methods of estimation and control in
economic policy optirnization, en MModelting the E,conomy , editado por Renton, G. A. Londres.
Heinemann Educational Books. 1975.
' Bensoussan, A. Utilisation du filtre de Kalman pour la prdiction des sries economiques.
Economie Applique. Tome XXVII, no. 2-3, pp. 339-352. 1974.
S Box, G. E. P.; Jenkins, G. M. Time Series Analysis, Forecasting and Contrd. San Francisco. Holden Day. l9?0.
b NBER. KSpecial issue on time-varying parameters. Annals of Economic and Social Measurement. Vol. 3, no. l. O^ctubre 1973.
' Graupe, D. Identification of Systems^. Nueva York. Van Nostrand. 1972.
^ A^ thans, M. The importance of Kalman filiering methvds for economic systems. Annals of
Econocnic and Social Measurement. Vol. 3. no. 1, pp. 49-64. Enero 1974.
`' Vishwakarma, K. P., de Etoer, P. M. C., Palm, F. A. Optimal prediction of inter-industry
demand. Econometric Institute Report 1022 Netherlands School of Economics. Rotterdam. 1970.
10 Kalman, R. E. A new approach to linear fltering and prediction theory . ASME Transactions, Journal of Basic Engineering. Vol. 82, pp. 35-45. Marzo 190.
" Jazwinski, A. H. Stochastic Processes and Filtering Theory . Nueva York. Academic
Press. 1970.