Está en la página 1de 3

SESGO DE LAS ECUACIONES SIMULTÁNEAS

Considerar el modelo keynesiano simple de determinación del ingreso:

Función consumo: Ct = β0 + β1Yt + µt 0 < β1 < 1 ………(18.2.3)

Identidad de ingreso: Yt = Ct + It(=St) …………………………………(18.2.4)

Donde:

C= gasto de consume
Y= ingreso
I= inversión (se pone exógena)
S= ahorro
T= tiempo
µ=termino de perturbación estocástico
β0 y β1= parámetros

Efectúe el siguiente estudio de Monte Carlo. Suponga que los valores de la inversión I son como se
muestran en la columna (3) de la tabla 18.1, y además que

E(µt) = 0
E(µt µ(t+j)) = 0 ( j≠ 0)
Var(µt) = σ^2 =0.04
Cov (µt, It) =0

Los µt así generados se muestran en la columna (4). Para la función consumo (18.2.3) suponga que
se conocen los valores de los verdaderos parámetros y son β0 = 2 y β1 = 0.8.

De los valores supuestos de β0 y β1 y de los valores generados de ut podemos generar los valores
del ingreso Yt
𝜷𝟎 𝟏 𝟏
𝒀𝒕 = + 𝑰𝒕 + 𝝁𝒕 … … … … … . . (𝟏𝟖. 𝟑. 𝟏)
𝟏 − 𝜷𝟏 𝟏 − 𝜷𝟏 𝟏 − 𝜷𝟏
los cuales se muestran en la columna (1) de la tabla 18.1. Una vez conocidos los Yt y al conocer β0,
β1 y µt, podemos generar fácilmente los valores de consumo Ct de (18.2.3). Los C así generados
están en la columna 2.

Como se conocen los verdaderos β0 y β1 y los errores muéstrales son exactamente los mismos
que los “verdaderos” (debido a la forma en que se diseñó el estudio Monte Carlo), si utilizamos la
información de la tabla 18.1 para hacer la regresión de Ct sobre Yt, debemos obtener β0 = 2 y β1 =
0.8, si los MCO fueran insesgados. Pero, de (18.3.7).

∑(𝜷𝟎 + 𝜷𝟏𝒀𝒕 + 𝝁𝒕)𝒚𝒕 ∑ 𝒚𝒕𝝁𝒕


̂𝟏 =
𝜷 = 𝜷𝟏 + … … … … … . . (𝟏𝟖. 𝟑. 𝟕)
∑ 𝒚𝒕^𝟐 ∑ 𝒚𝒕^𝟐
sabemos que éste no será el caso si la regresora Yt y la perturbación ut están correlacionadas.
Ahora no es muy difícil verificar, de la información disponible, que la covarianza (muestral) entre
Yt y µt es;
∑ 𝒀𝒕 ∗ µ𝒕 = 3.8

∑ 𝒀𝒕^𝟐 = 184

̂ 𝟏 = 0.82065 …………………….(18.4.1)
𝜷

Es decir 𝛽̂ 1 está sesgado hacia arriba por 0.02065

TABLA 18.1

Ahora efectuemos la regresión de Ct sobre Yt con la información de la tabla 18.1; los resultados de
la regresión son

Variable Coefficient Std. Error t-Statistic Prob.

C 1.494021 0.354131 4.218841 0.0005


YT 0.820652 0.014345 57.20901 0.0000

R-squared 0.994530 Mean dependent var 21.60000


Adjusted R-squared 0.994226 S.D. dependent var 2.560839
S.E. of regression 0.194582 Akaike info criterion -0.341282
Sum squared resid 0.681522 Schwarz criterion -0.241709
Log likelihood 5.412823 Hannan-Quinn criter. -0.321845
F-statistic 3272.871 Durbin-Watson stat 1.413681
Prob(F-statistic) 0.000000
̂ = 𝟏. 𝟒𝟗𝟒𝟎 + 𝟎. 𝟖𝟐𝟎𝟔𝟓𝒀𝒕
𝑪
Como se esperaba, la β1 estimada es precisamente la predicha por (18.4.1). A propósito, observe
que la β0 estimada también está sesgada.

En general, el valor del sesgo en𝛽̂ 1 depende de β1, σ2 y var(Y), y, en particular, del grado de la
covarianza entre Y y µ Como afirman Kenneth White “en esto consiste el sesgo de las ecuaciones
simultáneas. En contraste con los modelos uniecuacionales, ya no podemos seguir suponiendo
que las variables del lado derecho de la ecuación no están correlacionadas con el término de
error”. Tenga en cuenta que este sesgo permanece a un en muestras grandes.