Documentos de Académico
Documentos de Profesional
Documentos de Cultura
19 Eco 19 2012 PDF
19 Eco 19 2012 PDF
Yt = β 1 + β 2 X 2t + L + β k X kt + ε t
Yt = β 1 + β 2 X 2t + L + β k X kt + α 2Yˆ 2 + α 3Yˆ 3 + ε t
825
Obviamente no hay interés en los valores estimados de esta última
ecuación, solo se quiere determinar la existencia de linealidad en el
modelo estimado originalmente. Se debe recordar, al respecto, que
Yˆ 2 , Yˆ 3 son funciones no lineales de las variables exógenas.
H 0 : ε ≈ N(0, σ 2 I ); H 1 : ε ≈ N(ε, σ 2 I ) ∀ε ≠ 0
− ⁄
=
1− ⁄ −
donde:
Wt
pt , es el salario real
Yt = lnU t
Wt
X t = ln
pt
Yt = α + βX t + µ
Quedando,
= , + (19.1)
827
El modelo lineal general es un caso especial de (19.1), pero esta
especificación incluye también a, por ejemplo,
= !
" #$ + (19.2)
Yt = β 1 + (0,75 − β 1 )e − β 2 ( X t − 2 ) + µ t
Yt = β 1 + β 23 X i + µ t
= !
" #$ %&$
-parámetros Y = α 1 + α 2 X + α 3 X 2 + µ
Yt = e β1 + β 2 X t + µt
1
Yt = β1 + β 2 X t + µt
1+ e
Ejemplo 19.2.
[ ]
1
Yt = A δK t− β + (1 − δ )L−i β
−
β µt
829
= , +
T 2
Si se tiene el modelo:
= , +
3 =∑ = ∑[ − , ] (19.5)
= −2 ∑[ − , ] =;
78 7: $ ,
7 7
(19.6)
= 2 =∑ − ∑[ − , ] ?=;
7" 8 7: $ , 7: $ , 7" : $ ,
7 7 < 7 7 > 7 7 <
(19.7)
(
cuadrático es S(β ) = ∑ y t − β1e β 2 Xt )
2
831
Para minimizar esta suma
∂S ( β )
∂β1
(
= 2∑ yt − β1e β2 X t e β2 xt (− 1) )
∂S ( β )
∂β 2
(
= 2∑ yt − β1e β2 X t β1e β2 xt xt )( )
∑ y eβ
t
2 xt
= β1e 2 β2 xt
∑ y x eβ
t t
2 xt
= β1 ∑ xt e 2 β 2 xt
Además, @A = BA − CD
E FA
GH A ,
GH A, K G C N D E FA
=J M= A = C, … , P
G GH A , C FA D
E FA
I G E L
∂f
(β − β i , 0 ) + ...
k
Y = f ( X ,..., X , β ,..., β ) + ∑
2 k 1,0 k ,0 i=1 ∂β i i
0
∂ f
(β i − β i ,0 )(β j − β j , 0 ) + ... + ε
k k 2
1
... + ∑∑
2 i=1 j =1 ∂β i ∂β j
0
833
Aquí, el subíndice 0 en las derivadas parciales denota que estas
derivadas son evaluadas en β! = β!,T , … , βU = βU,T.
∂f ∂f
Y − f ( X 2 ,..., X k , β1, 0 ,...β k , 0 ) + ∑ β i , 0
k k
= ∑ β i + ε (19.8)
i =1 ∂β
i 0 i =1 ∂β
i 0
∂f ∂f
Y − f ( X 2 ,..., X k , β1,0 ,...β k , 0 ) + ∑ β i ,1
k k
= ∑ β i + ε
i =1 ∂β i 1 i=1 ∂β i 1
V V < δ i = 1,2, … . , k
WX,YZ[ \WX,Y
WX,Y
(19.9)
Una razón para esto es que se obtiene una estimación sesgada de e& .
Aún si ε está distribuido en forma normal con media 0, los residuos
que vienen dados por:
+ E nE − n = ;
l; = m C
C− E =C
E
+ E nE − ;
i =o C n
py k=q r
C− E
E C
838
Test de Wald
El estadístico del Test de Wald, para contrastar restricciones no
lineales, se define como
= si Q − kt uvwxsi Q − kty si Q − kt =
> \!
= si Q − kt [z{
Q z> ]\! si Q − kt → ~j
> |
(19.11)
Donde:
7i Q
,ƒ = . ,
7 < j#1
es una matriz de rango completo y f, el número de
1 6 −1 0 … 0
z =
#1
2 ! −1 0 0 … 0
839
Q el estimador de mínimos cuadrados no lineales no restringido y
Sea ‚
Q † el estimador obtenido cuando se imponen las restricciones.
sea ‚
Todos los contrastes estadísticos que se van a considerar en esta
sección son iguales asintóticamente y la elección de uno o de otro
dependerá del costo de los cálculos.
•
‰ @> @
ln ' = − ln 2Še + ‹Œ J ,• −
2 2e
Ž!
Donde J , • = ‘7’$ ‘ =
7& 7“ ’$ ,•
7’$
es el jacobiano de la transformación.
$
|
−2 ln '∗ − ln ' → ~j (19.12)
|
‰ ln e–† − ln e–˜† = ‰ Œ ,™š"› . → ~j
š"
™
(19.13)
œ›
ž >∗ •
ž ∗ = ∑•Ž! 7:s $,‚› t 7:s $ ,‚
Q Q
Entonces, • 7‚ 7‚ <
›t
ž ∗ s• ž ∗ t¡[ •
ž <∗ • ž <∗ – ∗ |
'Ÿ = → ~j
– ∗< •
– ∗< – ∗
(19.14)
Test (aproximado)
El análogo no lineal del estadístico F basado en el ajuste de la
regresión, es decir la suma de los errores al cuadrado, es
Q › t\8 ‚
Q y/j
=
u8s‚
j,•\1 8 ‚Q /•\1 (19.15)
Donde, 3 ‚ = ∑[ − ,‚ ]
zA = £ + ¤A + @A @A ~§ ;, ¨E A = C, E, . . . , P
¥
©
0.89 0.0058 0.252 0.081
̂> ̂
1.00 1.1535 0.039
12068 8421.95
0.9956 0.99899
š̈ Ei ° E
Ps¬-sš̈ Ei t − ¬-sš̈ E§i tt = P ®¯ • — → ±²
š̈ E§i
Reemplazando en el estadístico
36 [Ln(335.22)-Ln(233.94)]
2. Test de Wald
= si Q − kt uvwxsi Q − kty si Q − kt
> \!
= si Q − kt [z{
Q z> ]\! si Q − kt
>
Donde:
2 – x = ©– − 1 = 1.1535 − 1
Á 2 Á©–
ƒ= = =1
Á ′ Á©
và = 0.039
C, C¼n¼ − C E
Ä = 1.1535 − 1 [1 0.039 1] 1.1535 − 1 =
\C
= C¼, EÅ
;, ;nÅnE
3. Multiplicador de Lagrange
En este caso
Ñ !> 1 (!
È
(! ln (!
È
ƒ d– 2 (È
Ö Ù Ö ! ! Ù
ž Ñ> Õ1 (
È
( ln (
È
Ø, – Õƒ d– 2 (È Ø
Por lo tanto, • Ð Ó Õ⋮ Ø Õ Ø
⋮ ⋮ ⋮ ⋮
Õ Ø Õ Ø
Ñ >• Ô1 (•
È
(• ln (•
È
× Ôƒ• d– 2 (È ×
•
š
£ C¾¿. ÅÚ , Q ;. E¼E °Û°Ü ¥ C .
3547.3
'Ÿ 10.586
12068/36
Donde:
ž ∗ s•
ž∗>•
ž∗t •
ž∗> – ∗
\!
–∗>• 3547.3
–∗> –∗ 12068
335.22
‰ 36
4. Test F
12068 8421.95 /1
14.286
8421.95/ 36 3
845
El valor crítico T.¸¹;!,** = 4.18 por lo que, al igual que en los tres
casos anteriores, se rechaza la hipótesis nula.
(
YˆT +1 = f X 2,T +1 ,..., X k ,T +1 , βˆ1 ,..., βˆk ) (19.16)
Yt = β 0 + β1 X 1β 2 + ε t
Yt = ( β 0 + η 0 ) + ( β1 + η1 ) X tβ 2 +η2 + ε t
ˆ
pronóstico YT +1 .
dC
MPC =
dYD
C = α 0 + α1YD + α 2YD 2 + ε
C = α 0 + α1YDα 2 + ε
ˆ = 256.33 + 0.195YD1.180
C
ˆ = − 14 .925 + 0. 918 YD
C
( 7.031 ) ( 0.0030 )
R 2 = 0.998 s = 39.23
849
Nótese que la àáz para la ecuación lineal es una constante,
0.918; sin embargo, la àáz es para la ecuación no lineal
dC
MPC = = α1α 2YDα 2 −1
dYD
Problema 19.1:
Trabajar con la tabla 19.1 y estimar Y = β1 exp β 2 X + µ
Y = c(1) * e^ (c (2) * X)
850
Yˆ = 0,50e-0,006X
(
dY d β1 exp β 2 X
=
)
= β1 β 2 exp β 2 X = 0,5089(− 0,005965)exp −0, 005965X
dX dX
Problema 19.2:
La tabla 19.2 que contiene datos de población de los Estados Unidos
(en millones de personas) entre 1970 y 1999.
Yt = β1 + β 2 t + µ t
ln Yt = β1 + β 2 t + µ t
β1
Yt = + µ t Crecimiento logístico
1 + β 2 e −β t 2
− β 3t
Yt = β1e − β2e + µt Crecimiento Gompetz
Table 19.2
USPOP TIME
205.052 1
207.661 2
209.896 3
211.909 4
213.854 5
215.973 6
218.035 7
220.239 8
222.585 9
225.055 10
227.726 11
229.966 12
232.188 13
234.307 14
236.348 15
238.466 16
240.651 17
242.804 18
245.021 19
247.342 20
249.948 21
252.639 22
255.374 23
258.083 24
260.599 25
263.044 26
265.463 27
268.008 28
270.561 29
273.131 30
Fuente: Gujarati (C. Perez Lopez)
El resultado de la estimación es
853
Y = e β1 + β2t + µ
ln Y = (β1 + β 2 t + µ )ln e
Siendo el resultado:
238766 ,4
USpop =
1 − 217224 ,1 ⋅ e7 ,877 time
Problema 19.3
La tabla 19.3 tiene información para la economía mexicana entre los
años 1955 y 1974.
a. Yt = β1 X 2β 2 X 3β 3 e ui
855
b. Yt = β1 X 2β 2 X 3β3 + µ
Tabla 19.3
YEAR GDP LABOR CAPITAL
1955 114043 8310 182113
1956 120410 8529 193749
1957 129187 8738 205192
1958 134705 8952 215130
1959 139960 9171 225021
1960 150511 9569 237026
1961 157897 9527 248897
1962 165286 9662 260661
1963 178491 10334 275466
1964 199457 10981 295378
1965 212323 11746 315715
1966 226977 11521 337642
1967 241194 11540 363599
1968 260881 12066 391847
1969 277498 12297 422382
1970 296530 12955 455049
1971 306712 13338 484677
1972 329030 13738 520553
1973 354057 15924 561531
1974 374977 14154 609825
Fuente: Gujarati
ln Y = ln β1 + β2 ln X 2 + β3 ln X 3 + ui ln e
ln = @ log ( )
X 2 = capital
856
X3 = labor
ln β1 = −1,65
e ln β1 = e −1,65 = β1
El resultado de la estimación es
EJERCICIOS
1 Expanda la función de consumo
C = a1 + a 2 YD a 3
C = a 0 + a1YD a 2
Bibliografía
° Amemiya, T. "Nonlinear Regresión Models," Handbook of Econometrics De Z.
Griliches Y M. Intiligator. Ámsterdam