ESTIMACION DE UN SISTEMA DE ECUACIONES NO

LINEALES APARENTEMENTE INCORRELACIONADAS

Ursicino Carrascal Arranz

RESUMEN.En este artculo se estudia el tratamiento economtrico de

modelos no lineales aparentemente incorrelacionados, planteados frecuentemen-
te por la Teora Econmica.
El propsito es proporcionar la base terica economtrica y la experiencia
prctica en este tipo de trabajos.

1. INTRODUCCION
La econometra tiene como uno de sus objetivos analizar los modelos
de relacin entre variables econmicas (propuestas por la teora econmi-
ca) a la luz de las observaciones disponibles de dichas variables. En ese
sentido, la econometra debe esforzarse en proporcionar mtodos de esti-
macin para dichos modelos, y buena parte de los avances de econometra
pueden que hayan surgido al resolver las cuestiones que plantean los
modelos econmicos.
En este sentido nos planteamos el tema objeto de este artculo. Es bas-
tante com n plantear modelos de demanda no lineales, y una posibilidad
es tratar de linealizarlos para facilitar su estimacin. Pero esto no siempre
es posible, y es este momento nos encontramos con un doble problema:
a) las ecuaciones de demanda son no lineales.
b) hay alg n tipo de relacin entre las ecuaciones.
En el apartado primero vamos a presentar los modelos no lineales y los
mtodos de optimizacin. En el segundo se analizan los sistemas de ecua-
ciones aparentemente incorrelacionados (SUR), y en el ltimo se combinan
ambos plantearr entos para analizar un sistema de ecuaciones no lineales
aparentemente incorrelacionadas. El objetivo es analizar estos mtodos te-
ricamente y tambin su instrumentacin prctica.


370 Ursicino Carrascal Arranz

1. MODELOS NO LINEALES
La teora nos proporciona m ltiples tipos de relaciones entre las varia-
bles. Las relaciones ms simples son las de tipo lineal tanto en las varia-
bles como en los parmetros y t = fio Pl xit fikxkt u r-
En el caso de ser no lineal en las variables, pero lineal en los parmetros,
el modelo se convierte fcilmente en un modelo lineal. Por ejemplo, en el
caso de estimar polinomios de grado k y t = 130 + [3i x1 + + 13k.x itc + u t , si
designamos x tl = x it, el modelo transformado resultara
En el caso de modelos no lineales en los parmetros (o en parme-
tros y variables simultneamente) a n puede que consigamos lineali-
zarlos. En funciones tan conocidas como la funcin de produccin
Cobb-Douglas q t = f30 vi3t` v33t2 u t 2 aplicando logaritmos resulta lineal:
lnq t = 1430 + t31 lnv it + 132 lnv 2 , + lnut.
Pero agotadas las vas anteriores sin poder linealizar el modelo yt = f(x, )6)
las posibilidades ms viables que se nos ofrecen son3:
1. Desarrollos en serie de Taylor.
2. Mtodos iterativos.

1.1. DESARROLLOS EN SERIE DE TAYLOR

Se trata de obtener la mejor aproximacin lineal mediante un desarrollo

en serie de Taylor de la funcinf(xt, )3) alrededor de un estimador
y estimar el modelo lineal resultante.
Dicha aproximacin es:

Yr =f(xp tC3') + af(xt' i6) + ut (1)

dfi =

y despejando tenemos el modelo lineal:

y, ftxp ps[ df(x43) 1 [ af(xt, 16)

,p+ut (2)
dig Jfi=i3 c9,6 P=

que podemos escribir como:

Y7 = ut (3)

1 El nico problema que en principio podra surgir en este tipo de modelos es el de la

existencia de multicolinealidad imperfecta, por la correlacin entre xi y sus potencias.
2 Tomado de Russel, R. R. y Wilkinson, M. (1983, p. 232).
3 Vase Novales (1993, p. 374). La estimacin por mnimos cuadrados no lineales o
estimacin mximo verosmil suele ser complicada.
Estimacin de un sistema de ecuaciones no lineales... 371

Sin embargo, los resultados de este mtodo dependen fuertemente de la

proximidad de la solucin inicial respecto al verdadero valor de los par-
metros, lo que en principio es difcil de conocer, y en la prctica es un
grave problema.

1.2. MTODOS ITERATIVOS

Basado en la aproximacin anterior se plantean distintos mtodos de
optimizacin numrica, que se utilizan de manera iterativa. En todos estos
mtodos el problema bsico es partir de una buena solucin inicial, pues
sino podemos quedarnos con ptimos locales en lugar de alcanzar el pti-
mo global.

1.2.1. Algoritmo de Newton-Raphson aplicado a la estimacin por minimos

cuadrados de modelos no lineales

Sea SCR( )3) =1(y, f(x t, )3))2 . Supongamos que disponemos de una
t=1
estimacin del vector paramtrico . Si consideramos un entorno
pequerio del punto el valor numrico de la suma del cuadrado de los
residuos (SCR) en ese punto puede aproximarse por un desarrollo en serie
de Taylor de orden 2:

SCR (fi) = S(13) = SCR vscR(n_,),(,6_

(4)
1r (V 2 SCR () fi n)
2 -

donde VSCR( P) y V2 SCR( Pn_ i ) son el gradiente (vector k x I) y la

matriz hessiana (matriz simtrica k x k) de la funcin SCR evaluado en el
punto =
Podemos mejorar nuestra actual estimacin, calculando el vector
que minimice la expresin anterior:

aS( )3)
= VSCR ( + (V2 SCR( (i3 r3 1 ) = 0
df3 (5)
= (V2SCR( Pn-1))-1(VSCR

donde

dSCR(13)
VSCR (3) + = 2E (y, f(xp nn-1)) df(xP i6) (6)
df3 1.1 dfi


372 Ursicino Carrascal Arranz

d 2 SCR( [3) T { af(x13)1 [ df

txt, 13)
F2 SCR (3) + =
dfidfi' ty=1 dig di6
(7)
, d 2f(x t, )3)
2 1(Yr ft
xr fi
-1))
t. I dfi df3'
de modo que
T (9f:
fin Pri -1 +[E[ aft
dfi ][ di6
f(Xt, Po_1))
(8)

t= I (yt pn_,)) a1
dfi
siendo ft = f(x, ,6)4.
El resultado obtenido en una etapa puede utilizarse como solucin ini-
cial de la siguiente, hasta que se alcancen ciertos criterios de convergencia,
como que la diferencia SCR( i) SCR(s_,) ' sea suficientemente pegue-
ria, que haya escasa diferencia entre los estimadores Ai_ir ("S-
o que el vector gradiente est prximo a cero VSCR (Pn) VSCR (b)5.
Una vez que se haya logrado la convergencia del algoritmo, la matriz
de varianzas-covarianzas correspondiente ser igual al estimador de la
varianza por la inversa de la matriz hessiana (la que se usa en cada itera-
cin)., El estimador obtenido asintticamente sigue una distribucin nor-
mal fin N(, o-1(V2SCR( ,6))-1).

1.2.2. Algoritmo de Gauss-Newton aplicado a la estimacin de minimos

cuadrados
Esta es una aproximacin del algoritmo de Newton-Raphson aunque
ms sencilla, y ms fcil de aplicar para estimar modelos no lineales. Con-
siste en sustituir el hessiano por la matriz simtrica definida positiva:

fin = n-1 + [i( aft ) ( dft ) 1 -1 [(yi-ftxt, ( )1 (9)

t.1 dfi dP

valoradas las derivadas en b_1.

4 Las derivadas estn valoradas en 13 =131.

5 Con ese producto representamos que la suma de los cuadrados de los componentes
del vector gradiente sea cero, lo que nos indica que realmente estamos alcanzando un mini-
mo de SCR.
Estimacin de 1417 sistema de ecuaciones no lineales... 373

De alcanzarse la convergencia el estimador obtenido sigue una distribu-

cin asinttica normal
T df, df;
N (3
t.1 dig
1,[E
d3 )
(10)

SCR( f3)
siendo (3-2 = , donde k es el nmero de coeficientes estimados.
TK
La ventaja es que slo tiene que utilizar primeras derivadas con lo que
se facilitan los clculos.
Una variante de este mtodo es el algoritmo de Marquardt que es:
T aff
fin = [E()()' + 2,11 1 [rYt-fixp bn-i))( )1 (11)
,=, df3 df3 .1 dfi
o el de Marquardt-Levenberg:

3n= S'n-1 [
i=1 ( d )( afj+
dfi diag af
t=i(df3
[ )( afd[3111 -1
(12)

*[ E
1.1
(Yt f(Xt, af
df3
introducindose en ambas pequeas variaciones en la diagonal principal
del hessiano. Se dan valores pequeos al parmetro . y se va aumentando
si no se alcanza la convergencia.

2. SISTEMAS DE ECUACIONES APARENTEMENTE

INCORRELACIONADAS
En la estimacin de modelos de demanda, suele presentarse un modelo
en el que la demanda de cada uno de los bienes depende del precio de
todos los bienes y de la renta familiar.
El modelo sera del tipo:

{ q lt = PIO + 1311Pit + + finPki + YlYt + ui,

(13)
q kt Pk0 + PkIP It + + fikkPkt +YkYt + kt

Se trata de un sistema de ecuaciones simultneas en el que adrr timos que

todos los regresores son exgenos y las perturbaciones tienen un tipo de
relacin muy concreta:
1. la varianza de cada una de las perturbaciones es constante, Eug =


374 Ursicino Carrascal Arranz

2. la covarianza entre perturbaciones de distintas ecuaciones para un

mismo individuo son no nulas y constantes, Euiruu=
3. las covarianzas entre perturbaciones correspondientes a distintos
individuos son nulas (las pautas de consumo de un individuo son indepen-
dientes de las de otro).
Por tanto el modelo a estimar sera:

PIO

1 0 0 .. 0 fill 1,111

q 1T 1 PlT YT 0 0 ... 0 YI UlT

(14)
qkl 0 0 ... 0 1 0 fik0 Uk1

qkT 0 0 ... 0 1 PlT 0 fikI UkT

Yk
N /
donde

... 0 12 0 ... Cr UkUk

0 .. . u2u2luk

Cr Ui U2 " j2 er U 2 U k

0 ,, u2 0 ... ... 0 .. . u2uk

=

2 0 (15)
CY UkU k " CY U 2 U k

0 ... ,,,k 0 ... 2k 0 o- Uk2

2
c7 ul
n1u2 umk
CY li142 1.2 Cr U2Uk

ITyr = EIna-

NCY UkUk k
U2U k
Estimacin de un sistema de ecuaciones no lineales... 375

Evidentemente, si todas las varianzas fueran iguales, 0 2, y todas las

covarianzas nulas, cru,u = 0, podramos estimar el modelo por mnimos
cuadrados ordinarios, MCO, teniendo en cuenta que la matriz de regreso-
res est formada por bloques ortogonales entre s, de modo que el estima-
dor obtenido para todo el sistema coincidira con el estimador obtenido
para cada ecuacin por separado:
(Xi 0 ... 0)(Xi 0 ... 0 )1-1(Xj 0 ... 0)(Yi)
i
/3, = 0 )1 :.. 0 0 X2 : 0 0 ... 0 Y2.

0 0 ... Xl, 0 0 ... Xk 0 0 ... Xic Yk

(16)
XIX] 0 ... 0 )- 1 (XIYI ) ((XjX1)-1 (Xj111)) (il ,)
o xpc2 ... o xp72 (X?(2)_1(xy2) p2

( 0 0 ... XOCk Xi: Yk (X/2(k)-] (Xi; Yk) irik

Como sin embargo la matriz de varianzas-covarianzas es 2 = I e ITyr,
para estimar el modelo conjunto lo haremos por mnimos cuadrados gene-
ralizados (MCG):
bmcG = (X 12- 1 X)- 1 X' .12- 1 Y = (X'(10 I)-1 X)- 1 X' (10 I)- 1 Y =
(17)
= (X'(/--/ /)X)-] X' (1-1 10 I) Y
y la matriz de varianzds-covarianzas
Entl.= IX'(1- 1 01.7)X1- 1 (18)
En caso de no conocer los valores de 1, una aproximacin se obtiene
estimando el sistema por MCO, y a partir de sus resultados estimar los ele-
mentos de X mediante
"tit:
(19)
(T ki ) 112 (T ki)112
Esta primera aproximacin puede utilizarse para estimar el modelo por
MCG, obtener una nueva estimacin de 1 con la que se estimara de
nuevo el modelo, lo que nos llevara a un procedimiento iterativo hasta
alcanzar cierta convergencia.

3. SISTEMAS DE ECUACIONES NO LINEALES APARENTEMENTE

INCORRELACIONADAS
En este apartado vamos a combinar los dos problemas anteriores, esto
es, vamos a analizar un sistema de ecuaciones como el anterior pero en el
que las funciones son no lineales.
376 Ursicino Carrascal Arranz

Al tratarse de ecuaciones aparentemente incorrelacionadas tiene la ven-

taja de no requerir de mtodos de variables instrumentales utilizados en
ecuaciones simultaneas 6 ; simplemente, como en el primer apartado, busca-
remos de modo iterativo los valores de los parmetros que hacen mnima
la suma cuadrado de los residuos, ponderados por la matriz 2,

SCR(6) = (y -f(x, ffi) (101)-1 (y-f(x, 16)) (20)

Sin embargo, la solucin de este mtodo depende de nuevo de lo apro-

ximado que estuviesen los valores iniciales fijados para los parmetros de
sus verdaderos valores. Y la cuestin es cmo encontrar un buen punto de
partida, lo cual es imposible de tener la certeza absoluta.
Suele decirse que el modelo, proveniente de la teora econmica dis-
pondr de ciertos valores razonables, o al menos, de ciertos intervalos
entre los que se pueden mover tales valores. Tambin se puede acudir a
estimaciones de modelos lineales lo ms aproximados al sistema que que-
remos analizar. Ambas vas pueden proporcionar una buena primera solu-
cin7.
Otra posibilidad razonable es partir de varias soluciones iniciales y ver
que todas llevan a un mismo valor final. En caso de dar distintas solucio-
nes, escogeramos aquel estimador que proporcione un menor valor de la
suma cuadrado de los residuos; pero hay que tener en cuenta que se trata
de una estimacin por mnimos cuadrados generalizados, de modo que las
matrices de varianzas-covarianzas utilizadas en cada estimacin pueden
ser distintas y que esto provoque las diferencias entre los valores de la
SCR.
Otro problema de orden prctico es el manejo de los criterios de con-
vergencia. Con datos reales, aunque el modelo sea correcto y la solucin
inicial adecuada, podemos encontrarnos con que el modelo no converge
porque los criterios de convergencia sean demasiados pequerios. En este
sentido suele ser til manejar criterios de convergencia altos (del 25% o
incluso superiores) y en posteriores pruebas ir aumentando o disminuyen-
do el criterio de convergencia hasta conseguir un valor que permita la con-
vergencia, pero que si se le reduce muy poco ya no hay convergencias.
Por lo que se refiere a la realizacin de contrastes de hiptesis, hay que
tener de nuevo en cuenta el hecho de que se trata de una estimacin no
lineal MCG, de manera que los contrastes sern vlidos asintticamente

6 Amemiya (1994) muestra mtodos de estimacin de sistemas de ecuaciones no

lineales para cualquier forma de la matriz S2 que denomina minimos cuadrados no lineales
en tres etapas, y que son mtodos de variables instrumentales.
7 En mi tesis doctoral, Carrascal (1995), se estima un modelo de este tipo, y la solu-
cin inicial se obtuvo de la estimacin de un modelo lineal aproximado.
8 Esto nos lleva a un nuevo proceso iterativo hasta que alcanzamos el menor valor
del criterio que permite alcanzar la convergencia.
Estimacin de un sistema de ecuaciones no lineales... 377

siempre que se utilice los mismos valores de la matriz de varianzas-cova-

rianzas9. De no ser as, podra utilizarse slo de manera aproximada si no
existen grandes diferencias entre las matrices de varianzas-covarianzas uti-
lizadas.

4. CONCLUSION
Este artculo trata de arrojar algo de luz en el duro trabajo de los inves-
tigadores, exponiendo tanto los desarrollos economtricos como su aplica-
cin prctica, y en concreto los problemas de las soluciones iniciales y de
la convergencia, que aparecen en los manuales como una cuestin obvia y
que luego son tan difciles de manejar.

BIBLIOGRAFIA

Amemiya, T. (1994): Studies in econometric theozy: the collected essays of Takeshi Ame-
miya, Edward Elgar Publ. Hampshire.
Carrascal, U. (1995): Escalas de equivalencia de consumo: aplicacin al caso espaol. Tesis
doctoral. Facultad de CC. Econmicas y Empresariales. Universidad de Valladolid.
Greene, W. H. (1993): Econometric analysis. Macmillan Publishing Company, Nueva
York.
Johnston, J. (1987): Mtodos de econometra. Ed. Vicens-Vives. Barcelona.
Novales, A. (1993): Econometrt'a, 2 edicin, McGraw-Hill, Madrid.
Russel, R. R. y Wilkinson, M. (1983): Microeconoma: sintesis de las teoras neoclsicas y
modernas, Traducido por Trigo Portela, J. y Tugores Ques, J. Ed. Hispano Europea,
Barcelona.

9 En este caso, para realizar un contraste de restricciones se comparan las SCR del
modelo restringido y sin restringir.