Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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.
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:
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
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).
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.
PIO
1 0 0 .. 0 fill 1,111
(14)
qkl 0 0 ... 0 1 0 fik0 Uk1
Yk
N /
donde
0 .. . u2u2luk
Cr Ui U2 " j2 er U 2 U k
2 0 (15)
CY UkU k " CY U 2 U k
ITyr = EIna-
NCY UkUk k
U2U k
Estimacin de un sistema de ecuaciones no lineales... 375
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.