Aplicaciones de filtro de KaLman en economa *

por JAIME TERCEIRO LOMBA

Departamento de Econometra. Universidad Autnoma. Madrid.

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.

Nosotros estudiaremos a continuacin dos aplicaciones concretas del FK. Una de

e llas ser la estimacin de los parmetros de la forma estructural de modelos economtricus, y la otra, la estimacin de 1a matriz inversa de Leontief, correspondiente a un
modelo input-output estoc^^ tico.
Perv previarnente es interesante hacer notar que el FK proporciona las estimacic^nes
ptimas, de acuerdc^ c^^n l^^s algoritmos expuestc^s en el Apndice I, slo cuandc^ el
mudelc^ es una exacta representacin del tiistema. Ahc^ra bien, cuando los parmetros
del

modelo no coinciden ccan los reales, las estimaciones as obtenidas ya no son

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.

ESTIMACIC^N DE LC^S PARAMFTRC)S DF MODELC^S FC'C^NOMFTRICC^S

EN SU F^^RMA ESTRUCTU RAL

Aunyue, cumc^ se indca en el Apndce I, el FK es un algoritmo que estima

ptimamente el estado de un sistema lineal en presencia de perturbaciones, en el caso
en el que no es posible ubservar todos los estados del mismo, veremos cmo una
reformulacin del problema permite uiilizarlo en la estimacin de los parmetros de
modelos economtricos en su forma estructural,
La dea de esta aplicacin del FK aparece en la literatura en ingeniera (vase
Graupe ' tpp. 2Q^-212)), pero no ha sido muy utilizada debido a que una vez reformuladc^ el problema, es necesario el poder observar exactamente todas las variabies de
estadu del sistema original, y esto raramente, en contra de lo que sucede en econometra, se da por supuesto en ingeniera.
Athans ^ fue el primero yue recientemente estudi una aplicacin del FK para
modelus economtricos. Sin embargo, ha estimado los parmetros constantes de la
forma reducida, pero normalmente se est interesando en la forma estructural, que es la
yue directamente refleja las hptesis econmcas hechas en la construccin del modelo.
Por lo tanto, nos ocuparemos aqu de la estimacin de los parmetros, en general no
constantes, de la forma estructural de modelos economtricos.

27

APL.ICAC[ONES DE F[LTRO DE KALI^+lAN EN ECC7t^iOMU

Utilizaremos la forrna:
^(^ ) _ )'R^^(^ ) + 1' ,^(^ - 1 ) + . .. + i^ m^(^

- ^tt )
( 1)

+ ... + C^,ti(^ ) + C' ^r^(^ - 1) + .. . + Cnr^(^, - i1) + ^(^ )

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^^^)

_ [^^! i^)T{ ! ia)T ... { ! u)T ... ('!)T

{C^i)T (C^)T

. ..

y la matriz de observacin de dimensin ^

(c'^)T ... (t')T^

x[(rr^ + 1^n2 +(n + 1)^y]

^'r(^ )

... t1 T(^i;

^'TC^ )

. ..

- ^t )

t^

^
!1T(!^

- i? )

. ..

^}

H -

^' Tr^ )

[I T (^

- ^^ ^J

Con arreglo a esta notacin padremos escribir ( 1) en la forma de un sisterna de

observacin
^'(k) = H(k) ^lk) + ^'^k)

{2 )

La variac in respecto al tiempo de los parmetros de las matrices de h; y C; la

expresaremos por
.^(k) _ .z-(ti =1) + ^ ^(^ -1}

(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

Aunque el probler^na est ya tericamente resuelto, es evidente que la solucin a la

que hemos Ilegado es de un orden excesivamente alto. Parece lgico el tratar de descc^mponerla en una serie de subproblernas elementale:^ correspondientes a cada una de
las ecuaciones estructurales de t 1).
Para que esta descomposicin sea posible, tal como supone Athans ^`, ser necesario
que los parmetrvs de cada una de las ecuaciones sean independientes de los parmeiros de las otras. Esto ser as si la matriz de covarianza de ^ ^{k ) es diaganal, lo que
indicaria que las perturbaciones de las distintas ecuaciones estarian inc+arreladas y,
adems, si la matriz de covarianza inicial de las estimacianes es tambin diagonal.
En este caso podriamos escribir (1) en la forma
n

^};(k } =

( ^'; ^^'(^ - ..i) +

(c;)Tr^(k

- 1) +

^ ^rt`l^ ), i

- z , 2,. .. , p

(^4}

; ^o
^.

Si ahora definimos
.X ^(^ )

= ^( ,^ u^T . .. ( ;^nf )T ( C^^)T ...

(Cn)T ^

y
Ir r(k j ^ (r^'r(k ) yT(^

--

1) .. . ^^ ^(k

-- m ) r^ r(k ) rrT (^ - 1) . . . rr T(k - n )1

Podremos escribir ( 4) en la farma:

ti';(k) - hT(k^^{^) + t';^k); i=

1, 2, .. ., P

y la variaci6n de los parmetros vendr dada por:

x;(k) - x;{k - l) +^^^(k -^ 1); i= 1, 2, ..., p

()

De este modo hemos reducido el problema original a p problemas de filtraje de

orden (m + ^ l^p + (n + ^ l^.

En el caso en el que los parmetros de las matrices r; y C; sean constantes, la

ecuacin (6) se reducira a:
x;t^ ) _ -x^ lk -- ^ I ) : i = 1, 2 ,
Los algoritmos correspondientes al FK, dados en el Apndice I, nos darn la
estimacin ptima de los parmetros, que en nuestra caso vendr dada por:
z;(k) = z;(k - 1) + K;(k) Ly^(^) - hT(^)X (^ - i)]

(^)

APLICACIONES DE FiLTR4 DE KALMAN EN ECUNOhQA

(R)

P;(^)h(^)

K,(^) =

r,^^ )
P;(^ ) = P,(^

-- 1) + Q; (k - t ) -

P;(^ - 1)h(^ )^r r(I^ )P;(^,

^tT(^^ )P;(^

- 1)

(^)

-- I }h(^ ) + r^(^)

Hasta ahora no hemos hecho referencia alguna al importante problema de iniciacin

del algoritmo. Est claro que para poder apticar (7) -(9) debemos conocer las varianzas r;{`k) y una estimacin inicial Pr^O} de la covarianza de los errores en los parmetros.
Esta informacin puede obienerse utilizando previamente un procedimiento simple para
la estimacin del modelo; por ejemplo, mnimos cuadrados ordinarios o bietpicos. Vemos, pues, que el FK se utilizar, propia^nente, como instrumento de perfeccionamiento de la estimacin hecha previamente por procedimientos ms sencilios.
Como ya hemos mencionado, los modelos economtricos se e stiman suponiendo que
todas ias variables son observables sin error alguno (existen en la literatura eco^ntrica
algunos intentos de relajar esta hiptesis tan restricti va). Veamos a continuacin cmo
los algoritmos dados en el Apndice II nos permiten evaluar la sensibilidad de las estimaciones ptimas de los parmetros frente a errores en las variables predeterminadas.
En efecto, en ei problema de filtraje anterior esto equivale a considerar que el valor
de hT(k} que aparece en (5) no coincide con el verdadero valor que representaremos por
h(^). Tendremos, por tanto, que en nuesiro caso, y poniendo ^ha(k} = hQ{k) - h^(^}, el
verdadero error en la estimacin de los parmetros del modelo economtrico vendr
dado por:

P;U(^ ) _ [I -' Kl(^ )hT(^ )] [P;a(^

- [I - K^(^ )jt r(^ )J [p^^(^

- ^ 1) + Q(^ - ^ ^ )1 [I - Ki(^ )hT(^ )1T

- ^ 1) + C^(k - 1))T bh(^ )KT(^ )]^.

- K,^(^) OhT(^)[P^^(^ -~ ^) + Qt^ - l)lT[I

+ K;(ti } ah7(^) [P;xQ(^ - i ) + Q(^ -

- 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)

P^zu (k ) = P^xu (^ - 1) + Q(k - 1 )

(1^ 2)

Las expresiones (1^0) -(1^2) permiten, entonces, calcular el verdadero error en la

estimacin de los parmetros de la forma estructural, teniendo en cuenta posibles
errores en las variables del modelo economtrico.

3(J
III.

ESTADISTICA ESPAfJLA

FSTIMAC'1nN Dl~^ LA MATRI? INVE:RSA DF MODFLC)S INPUT-C^UTPUT

F STOC'ASTICOS

Veamos como segundo ejemplo la aplicacin del FK en ia estimacin de los

coeficientes tcnicos de mc^delos input-output estocsticos. La primera aplicacin de
este tipo fue he^cha por Vishwakarma, de Boer y Palm 'O y ha sido recogida recientemente por Chow '(pp. 191-193). Nuestra exposicin y solucin diferir de las del
trabajo anterior, ya que simplificaremos el problema all resuelto, descamponindolo en
problemas elementales para evitar las dificuitades, ya de por s crticas, del manejo de
un alto nmero de variables.
FI modelo input-output esttico en su forma clsica es:
^^ (^k ) = A ^k k^ (`^^ ) + c^^k )

(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:

y(k) = [I - A(k)]-'^(k) = B(kkf(k)

( I^)

Nuestro problerna consiste en estimar los coeficientes de la matriz B(k) suponiendo la

existencia de una perturbacin aleatoria aditiva en (14), lo que da lugar a la versin
estocstica del modelo input-output dada por:
^(k) = B(kk.^(k ) + ^'(ti)

(1^5)

Supondremos que os niveles de produccin y demanda final son directamente observables.

Si definimos el vector de dimensin n 2 dado por:
.XT(k) ^ [fiT(%}, ^7T(k), ..., ^ ,^Ck)i
en donde h^ es el vectar de la fila i -sima de la matriz B(k ), y la matriz de dimensin r^ x n 2

H(k) _

0
d r(k) 0
dT(k) ... 0
0
0

... d^ It^ )

APLICACIONES DE FILTRO DE KALMAN EN EC^oNO MU

La ec uac i n{ 15

escribirse, entonces, en la forma:

^lC^) = H(^^Y{^) + ^ 't^)

( ^^)

Como quiera que los coeficientes tcnicos son constantes, tendremos que:
x{k ) _ .x{^ - t )

( 1 ^)

Hemos convertido, una vez ms, el problema de estimacin de los parmetros de un

sistema, en este caso esttico, en un sencillo problema de filtrado en el que la ecuacin
del mcxielo viene dada por ( 17) y la del sistema de observacin por ( t6). Podremos, por
tanto, aplicar directamente los al,goritmos dados en el Apndice I 4, para la obtencin
de la estirnacin ptima del vector.r(k), para lo cual necesitaremos una estimacin de la
matriz de covarianza, R{^ ), de la perturbacin en { 15 ) y la matriz de covarianza inicial
dada por:
P( 0 ) = F [-^ (^^ ^^ ^{^^ ) J
que podr calcularse a partir de los valores de los coe^ficientes tcnicos del ^modelo
input-output esttico deterministico.
Hemos visto de qu forma puede utilizarse el FK en la estimacin de los coeficientes tcnicos de un modelo input-output estocstico. No obstante, el orden del filtro que
resuelve el problema es excesivamente alto, por lo yue seria deseable su descomposicin en filtros elementales.
Si suponemos que las perturbaciones de las distintas ecuaciones de (1 ^) son independientes, podremos escbirla en la forma:
R

^f;(^) _ ^^h^if^k^.i(k) + ^^;(k); i -

^, 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)

y la variacin de los parmetros vendr dada por:

x^C^) _-^i(k - 1);

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 ) +

P;(k - 1)hCk)hrC^ )P;(k - ^^ 1)

1t r(k ) P; (^ - 1 ^ ( ^ ) + r; C^ )

(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

podremos tener en cuenta la variacin de los coeficientes tcnicas, relajando entonces

la hiptesis de estabilidad de los coeficientes tcnicos.
1V.

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[

vector de estado de dimensin ii .

matriz de tran sicin de dimen sitn ^^ x n.
matriz de distribucin del ruido de dimensin rt x p.
vector de ruido del modelo de dimensin p.

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 M k) es la estimacin actualizada de x(k

X(1

+ 1^k) = E[z(k

+^ 1) definida como
+^ 1)^ Zk)

z(k + l^k +^ l) es Ia estimacin actualizada de x(k +^ 1) definida como

z(k + 11k + I) = E[x(k +^ 1)^Zk+^]
P(k + 1(k ) es ia matriz de covarianza propagada de x(k +^ 1) def nida como
P(k + 1 ^k) = E [z(k + 1 jk}^cT(k + 1 jk)^ Zk]
en donde
.c(k + 1 ^k) - x(k + i} -- z(k + 1(k)
es el error pr^apagado en la estimacin
P^(k

+ f^k +^ 1) es la matri^ de covarianza actualizada de z(k

P(k + 1 ^k +^ 1) -= E [.z(k +

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 )

P(^ + l ^k ) _ ^P(^ ^k^^T + GQGT

( AI .4)

z(k + 1 ^k + ^ l) = _z(^ + 1 ^^) + K(^ + ^ 1)[^(ti + 1) -- H.^r(^ + I f^^ ))

(AI:S)

P(k + 1 ^k + l) _[I -- K(k + l)H] P(k + l j^)

(AI:6)

^iclo de actualizacin:

en donde la ganancia del filtro K viene determinada por la expresin

K(k + 1) = P(k + 1 fk )HT [H P(k + 1 ^k )HT + R) - ^

AI :7)

Las ecuaciones (AI:3)-(AI:7) constituyen el filtro de Kalman y proporcionan la

estimacin no sesgada de mnima varianza.

APENDICE II

CASU PARTICULAR DE ANALISIS DE ERRORES

Como ya hemos indicado, si los parmetros del modelo no coinciden con los del
sistema real, tas ecuaciones {AI:3}(AI:7) no darn la estimaci^n ptima dei estado del
mismo. Como quiera que este es un caso frecuente en la prctica, debido a los errores
i nh ere nte s a todo proceso de modeli za^c in , e s i nteresan te c alcu lar en este caso el
verdadero error en la estimacin.
Supondr^emos el caso particular de errores solamente en la matriz de observacin,
es decir, el sistema de observacin real vendr dado por
z,^k +^ 1) = Hp(k + l^{k + 1) + v{k +^ 1)
en lugar de (AI:2), y de tal forma que L!H = Ha - H ^ U.
Si definimos las siguientes matrices:
matriz de momentos de segundo orden del error verdadero en la estimacin:
P,^ (i ^,j ) - E [z^, (1 ^^ ^^ ^
matriz cruzada del estado y dei error verdadero en la estimacin:

^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

podemos despus de laboriosas operaciones algebraicas (ver, por ejemplo, Jazwinski

(pp 246-2b0} calcular el verdadero error en la estimacin, mediante
Pu(k + 1 fk ) _ ^Pu(k ^k^r + GQGr

(AII. l )

P^.(k + 1 (k) _ ^P^.(k^k^r + G(1GT

(AII.2)

Pxu(k + 1)

_ ^Pz^,Ck )^r + GQGr

(AII :3)

Pp(k + l ^k + 1) = K(k + 1)aHPxa (k + l)t^HTKr(k + 1)

+ [I -- K(k + 1) H]P^; (k + 1 ^k ) [I - K(k + ^ l )H ]r
- K(k + ^ 1)QHP^(,^ + i jk ) [I - K(k + 1)H ]T
[I - K(,k + 1) Hj P^ (k + 1/k) t^ jr (k + 1)

+ K(k + -1)RKr(k + 1)

(AII.4)

P^.(k + i ^k + 1) = P{.(k + 1 f k)[I - K(k + 1)H]r

x Px^(k + 1)1^HTKr(k + 1)

(AII.S)

Las ecuaciones (AII: i)-(AII.S) son fcilmente programables, en el orden ^ndicado, en

un ordenador digital.
AMS 19?4 Subject classification. Primary 64 g 35. Secondary b2 P 20 Key words.
Kalman filter, econometric model, input-output, error anafysis

RESUMEN

En este trabajo se estudian dos aplicaciones del filtro de Kalman en la estimacin de

parmetros de modelos econmicos. La primera de ellas consiste en la estimacin de
los parmetros, en general, dependientes del tiempo, de un modelo economtrico en su
forma estructural; y!a segunda, en la estimacin de la matriz inversa de un modelo
input-output estocsticc^. Este procedimiento de estimacin permite evaluar la sensibilidad de las estimaciones ptimas frente a errores en las variables en el primer caso, y a
posibles errores en los valores de los niveles de demanda final en el segundo.
Pulf^hrcrs ^^ln ^ ^^^: Filtro de Kalman. Modelo economtrico. Input-output. Anlisis de
errores.

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.