Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Eco2 EjemplosCompletosEcuSim PDF
Eco2 EjemplosCompletosEcuSim PDF
y1 y2 x1 x2 x3
y1 200 60 4 10 20
y2 60 40 0 0 10
x1 4 0 10 0 0
x2 10 0 0 20 0
x3 20 10 0 0 5
Vamos a:
a) Estimar por el método de Mı́nimos Cuadrados Ordinarios las ecuaciones del modelo.
b) Estudiar la identificabilidad del modelo.
c) Estimar cada ecuación del modelo por el método más idóneo en cada caso.
d) Estimar, si es posible, el modelo en su conjunto por el método de Mı́nimos Cuadrados Tres Etapas.
con Zh = (Yh Xh ), siendo Yh el número de variables endógenas presentes en el segundo miembro de la ecuación h-
ésima, yh es la variable endógena del primer miembro de dicha ecuación y Xh contiene las variables predeterminadas
de tal ecuación.
En el caso de la primera ecuación, se tiene que la expresión correspondiente al estimador vendrı́a dada por
−1
δb1,M CO = ZT1 ZT1 ZT1 y1 , (1)
y2t
donde ZT1 = e y1 = y1t . Luego
x1t
1
yb1t = 10 5y2t + 00 4x1t .
Siguiendo las mismas pautas utilizadas para la estimación de la primera ecuación, se tiene que el estimador de
la segunda expresión que compone el modelo es:
−1
δb2,M CO = ZT2 Z2 ZT2 y2 , (2)
y1t
siendo ZT2 = x2t e y2 = y2t , luego
x3t
es decir, βb1 = 00 1739, βb2 = −00 087 y βb3 = 10 3043. Ası́ pues, la estimación que se tiene para la segunda ecuación es:
Por tanto, se tiene que el modelo estimado por MCO, utilizando la información muestral proporcionada, quedarı́a
expresado por:
Identificación
El modelo contiene dos variables endógenas y tres predeterminadas:
2
de tal manera que para la forma reducida se tiene que
α2 0 −1
−1 β1
Π = −B · Γ−1 = − 0 β2 ·
α1 −1
0 β3
α2 0
1 −1 −β1
= − 0 β2 · ·
1 − α1 β1 −α1 −1
0 β3
α2 α2 β1
1
= · β2 α1 β2 ,
1 − α1 β1
β3 α1 β3
y
−1
−1 β1
V = −U · Γ−1 = −(u1 u2 ) ·
α1 −1
1 1 β1 u1 + α1 u2 u1 β1 + u2
= · (u1 u2 ) · = .
1 − α1 β1 α1 1 1 − α1 β1 1 − α1 β1
Una vez que disponemos de las expresiones de la forma estructural y reducida del modelo, vamos a identificar
el modelo mediante tres vı́as distintas, como son:
a) Identificación bajo restricciones de nulidad usando el método del orden del rango para la forma estructural.
b) Identificación bajo restricciones de nulidad usando el método del orden y del rango para la forma reducida.
c) Identificación mediante restricciones lineales usando el método del rango y del orden.
En los tres casos obtendremos que la primera ecuación es sobreidentificada y la segunda exactamente identificada.
Por tanto, el modelo en su conjunto es sobreidentificado ya que ambas ecuaciones son identificables siendo una de
ellas sobreidentificable.
Además, debido a estos resultados el método idóneo para la estimación de la primera ecuación será el de Mı́nimos
Cuadrados en Dos Etapas, mientras que para la segunda el de Mı́nimos Cuadrados Indirectos.
Entonces, para la primera ecuación, a partir del método del orden se tiene que la ecuación puede ser sobreiden-
tificada ya que
k1 = 1 ⇒ k − k1 = 2, N1 = 2 ⇒ N1 − 1 = 1,
y por tanto, k − k1 > N1 − 1.
Para decidir si realmente la ecuación es sobreidentificada, recurriremos al método del rango. Para construir la
submatriz A1 tendremos que fijarnos en los ceros de la primera columna y quedarnos con los restantes elementos
de las filas donde se encuentran dichos ceros, ası́:
β2
A1 = .
β3
3
Como el rango de A1 es 1, que coincide con N − 1, entonces la ecuación está sobreidentificada.
Para la segunda ecuación, según el método del orden
k2 = 2 ⇒ k − k2 = 1
⇒ k − k2 = N2 − 1,
N2 = 2 ⇒ N2 − 1 = 1
En este caso habrı́a que volver a estudiar cada ecuación por el método del orden, cuestión ya realizada, y que
recordemos concluı́a que la primera ecuación podı́a ser sobreidentificada y la segunda exactamente identificada.
Para el método del rango de la forma reducida es necesario conocer la expresión de Π, que recordemos que
corresponde a:
α2 α2 β1
1
Π= · β2 α 1 β2 .
1 − α1 β1
β3 α 1 β3
Para aplicar dicho método a la primera ecuación hay que obtener la submatriz de Π tal que al multiplicarla por
la primera columna de la matriz Γ se iguale a la parte nula de la primera columna de B:
α2
−1
Π· = − 0 .
α1
0
Llamando
1 1 β2 α1 β2
Π1 = · (α2 α2 β1 ), Π2 = · ,
1 − α1 β1 1 − α1 β1 β3 α1 β3
se tiene que
α2
Π1 −1
· = − 0 ,
Π2 α1
0
y entonces, claramente se obtiene que la submatriz de Π que multiplicada por la primera columna de Γ se iguala a
la parte nula de primera columna de B es Π2 .
Entonces, puesto que ρ(Π2 ) = 1 (la primera columna se obtiene multiplicando la segunda por α1 ), se tiene que
ρ(Π2 ) = N1 − 1, y por tanto, la ecuación está sobreidentificada.
Para la segunda ecuación hay que obtener la submatriz de Π tal que al multiplicarla por la segunda columna de
la matriz Γ se iguale a la parte nula de la segunda columna de B:
0
β1
Π· = − β2 .
−1
β3
Observando la ecuación anterior vemos que sigue siendo válida la partición anterior, de forma que la submatriz
buscada en este caso es Π1 . Entonces, puesto que ρ(Π1 ) = 1 claramente, se verifica pues que ρ(Π1 ) = N2 − 1, con
lo que la ecuación es exactamente identificada.
4
Identificación bajo restricciones lineales
Ya que las restricciones de nulidad pueden tratarse como restricciones lineales, vamos a continuación a identificar
cada una de las ecuaciones mediante el método del orden y del rango bajo restricciones lineales.
Para la primera ecuación, el método del orden nos indica que puede ser sobreidentificada ya que
r1 = 2 > 1 = N − 1,
donde se ha tenido en cuenta que a la primera ecuación le afectan dos restricciones (α3 = 0 = α4 ) correspondientes
a las variables exógenas x2t y x3t que no aparecen en dicha ecuación.
Para aplicar el método del rango tendremos en cuenta que los coeficientes de la primera ecuación, a1 , y de la
segunda, a2 , son:
a1 = (−1 α1 α2 α3 α4 )T5×1 , a2 = (β1 − 1 β4 β2 β3 )T5×1 .
Por tanto, Φ2 · A = (α2 0), y entonces la ecuación está exactamente identificada ya que ρ(Φ2 · A) = 1 = N − 1.
5
Usando esta información estimamos a continuación cada una de las ecuaciones. Para la primera ecuación se tiene
que la expresión del estimador vendrı́a dada por
T −1 T
δb1,M C2E = Z
b Z
1 1
b Z
b y1 ,
1 (5)
bT = yb2t
donde Z 1 , con yb2t = 2x3t , e y1 = y1t . Entonces, teniendo en cuenta la información muestral
x1t
es decir, α b2 = 00 4.
b1 = 2 y α
Por tanto, la estimación por MC2E que se tiene para dicha ecuación es:
Para obtener la estimación de la segunda ecuación realizaremos el mismo procedimiento usando la expresión
T −1 T
b Z
δb2,M C2E = Z2 2
b b y2 ,
Z2 (7)
y
b1t
b T = x2t , donde yb1t = 00 4x1t + 00 5x2t + 4x3t , e y2 = y2t . Luego
siendo Z 2
x3t
y
b1t x2t x3t y2t
bT Z yb1t a b c b T y2 yb1t d
Z2 2
b = y Z 2 = .
x2t b 20 0 x2t 0
x3t c 0 5 x3t 10
T
b T
= yb1t x2t = (00 4x1t + 00 5x2t + 4x3t ) x2t
= 00 4xT1t x2t + 00 5xT2t x2t + 4xT3t x2t = 00 5 · 20 = 10,
6
T
T
c = yb1t x3t = (00 4x1t + 00 5x2t + 4x3t ) x3t
= 00 4xT1t x3t + 00 5xT2t x3t + 4xT3t x3t = 4 · 5 = 20,
T
T
d = yb1t y2t = (00 4x1t + 00 5x2t + 4x3t ) y2t
= 00 4xT1t y2t + 00 5xT2t y2t + 4xT3t y2t = 4 · 10 = 40.
es decir, βb1 = 0 = βb2 y βb3 = 2. Por tanto la estimación de la segunda ecuación corresponde a:
yb2t = 2x3t ,
7
Mı́nimos Cuadrados en Tres etapas
El método de Mı́nimos Cuadrados en Tres Etapas permite estimar de manera simultánea todos los parámetros
del modelo estructural. Puesto que recordemos que el modelo es sobreidentificado, podrá ser estimado mediante
este método.
En este caso, teniendo en cuenta la notación del modelo dada en (??), el estimador responde a la expresión
−1
bM C3E = ZT · W
δ c ·Z · ZT · W
c · y, (9)
−1
donde W b −1 ⊗ X XT X
c =Σ XT .
Veamos como reescribimos esta última expresión en el caso de dos ecuaciones.
Por un lado, usando las propiedades del producto de Kronecker, se tiene que
b −1 ⊗ X XT X −1 XT = (I ⊗ X) · Σ b −1 ⊗ XT X −1 · (I ⊗ X)T
Σ
T
X 0 −1 T
−1 X 0
= · Σ ⊗ X X
b · ,
0 X 0 XT
donde I y 0 son, respectivamente, la matriz identidad y una matriz de ceros (de dimensiones adecuadas).
Y a partir de esta expresión
T
h
b −1 ⊗ X XT X −1 XT Z =
i Z1 0 X 0
ZT Σ
· ·
0 Z2T 0 X
b −1 ⊗ XT X −1 ·
· Σ
T
X 0 Z1 0
· ·
0 XT 0 Z2
T
Z1 X 0 b −1 ⊗ XT X −1 ·
= T · Σ
0 Z2 X
T
X Z1 0
· .
0 X T Z2
Z1T X
−1 0 b −1 ⊗ XT X −1 ·
h i
Z T b −1 ⊗ X XT X
Σ X T
y = · Σ
0 Z2T X
X T y1
0
· .
0 X T y2
En primer lugar usaremos las estimaciones obtenidas por MC2E de cada ecuación
0
2
δb1,M C2E = 0 , δb2,M C2E = 0 ,
04
2
eTh ej
σ
bhj = , h, j = 1, 2,
n
8
donde eh = yh − Zh δbh,M C2E , siendo n = 305 el número total de observaciones.
En efecto:
T
y1t − Z1 δb1,M C2E y1t − Z1 δb1,M C2E
σ
b11 =
n
1 T bT T
= y1t − δ1,M C2E Z1 y1t − Z1 δb1,M C2E
n
1 T T T T bT T
= y1t y1t − y1t Z1 δb1,M C2E − δb1,M C2E Z1 y1t + δ1,M C2E Z1 Z1 δ1,M C2E
b
n
1 1180 4
= (200 − 1210 6 − 1210 6 + 1610 6) = = 00 39,
305 305
donde hemos tenido en cuenta que
T
y1t y1t = 200.
y2t x1t
2
Z1 = (y2t x1t ) ⇒ T
y1t Z1 = y1t 60 4 ⇒ T
y1t Z1 δb1,M C2E = (60 4) · = 1210 6.
00 4
40 0 0 40 0 2 80 0 2
Z1T Z1 = T
⇒ δb1,M T
C2E Z1 Z1 δ1,M C2E = (2 0 4) ·
b · = · =
0 10 0 10 00 4 0 4 00 4
1610 6.
T
y2t − Z2 δb2,M C2E y2t − Z2 δb2,M C2E
σ
b22 =
n
1 T bT T
= y2t − δ2,M C2E Z2 y2t − Z2 δb2,M C2E
n
1 T T T T bT T
= y2t y2t − y2t Z2 δb2,M C2E − δb2,M C2E Z2 y2t + δ2,M C2E Z2 Z2 δ2,M C2E
b
n
1 20
= (40 − 20 − 20 + 20) = = 00 07,
305 305
donde hemos tenido en cuenta que
T
y2t y2t = 40.
y1t x2t x3t 0
T T
Z2 = (y1t x2t x3t ) ⇒ y2t Z2 = y2t 60 0 10 ⇒ y2t Z2 δb2,M C2E = (60 0 10) · 0 = 20.
2
200 10 20
Z2T Z2 = 10 T
20 0 ⇒ δb2,M T
C2E Z2 Z2 δ2,M C2E = (0 0 2)·
b
20 0 5
200 10 20 0 0
· 10 20 0 · 0 = (40 0 10) · 0 = 20.
20 0 5 2 2
T
y1t − Z1 δb1,M C2E y2t − Z2 δb2,M C2E
σ
b12 =
n
1 T bT T
= y1t − δ1,M C2E Z1 y2t − Z2 δb2,M C2E
n
1 T T T T bT T
= y1t y2t − y1t Z2 δb2,M C2E − δb1,M C2E Z1 y2t + δ1,M C2E Z1 Z2 δ2,M C2E
b
n
1 −20
= (60 − 40 − 80 + 40) = = −00 07,
305 305
9
donde hemos tenido en cuenta que
T
y1t y2t = 60.
y1t x2t x3t 0
T T
Z2 = (y1t x2t x3t ) ⇒ y1t Z2 = y1t 200 10 20 ⇒ y2t Z2 δb2,M C2E = (200 10 20) · 0 = 40.
2
y2t
0 40
Z1 = (y2t x1t ) ⇒ Z1T y2t = y2t 40 b T T
⇒ δ1,M C2E Z1 y2t = (2 0 4) · = 80.
0
x1t 0
y1t x2t x3t 0
b2,M C2E = (2 00 4)· 60 0 10
Z1T Z2 = y2t 60 0 10 T
⇒ δb1,M C2E Z1
T
Z 2 δ · 0 = (1210 6 0 20)·
4 0 0
x1t 4 0 0 2
0
0 = 40.
2
Por tanto, se tiene que la estimación de la matriz de varianzas-covarianzas quedarı́a determinada por:
0
0 39 −00 07
Σ= ,
−00 07 00 07
b
10
y entonces
0 0 10 0 0 0
T 10 0 0 0 0 0
Z1 X 0
0 ZT2 X 0 0
= 0 4 10 20, (12)
0 0 0 0 20 0
0 0 0 0 0 5
0 10 0 0 0
0 0 0 0 0
T
X Z1 0 10 0 0 0 0
= . (13)
0 X T Z2 0 0
4 0 0
0 0 10 20 0
0 0 20 0 5
y1t y2t
T x1t 4 T x1t 0
X y1 = y X y2 = .
x2t 10 x2t 0
x3t 20 x3t 10
Por tanto,
4
10
T
X y1 20
0 .
= (14)
X T y2
0
10
A partir de los resultados obtenidos, multiplicando las matrices (12), (11) y (13) se obtiene que
0
1250 2 310 3
62 6 0 0
0 310 3 120 52 0 0
T c −1
Z W Z = 125 2 12 52 1507 76 174 2 3480 2
0 0 0 0
,
0 0 1740 2 3480 4 0
310 3 0 3480 2 0 870 05
y multiplicando (12), (11) y (14) se tiene
1870 8
120 52
T c −1
0
Z W y= 967 0408 .
31 2
2360 7
es decir, α b2 = 00 4, βb1 = 0, βb2 = 00 09 y βb3 = 2. Por tanto, la estimación conjunta del modelo por MC3E es:
b1 = 2, α
yb1t = 2y2t + 00 4x1t , (15)
0
yb2t = 0 09x2t + 2x3t . (16)
Adviértase que en el caso de la ecuación exactamente identificada, coincide la estimación obtenida por MC2E
y MC3E.
11
q p y z
120 1.830 4.120 1.21
89 1.573 4.802 1.22
98 1.902 4.505 1.31
112 1.715 4.803 1.27
114 1.806 4.721 1.28
117 1.776 5.203 1.30
98 1.938 4.601 1.32
130 1.432 5.370 1.33
102 1.803 4.870 1.37
107 1.804 4.903 1.40
140 1.380 5.128 1.20
128 1.475 5.031 1.17
133 1.402 5.215 1.37
109 1.670 5.133 1.42
112 1.720 5.304 1.28
Ejercicio 2
Para estimar el comportamiento del mercado de automóviles propulsados por motor de gasolina se dispone del
siguiente modelo:
qd = a0 + a1 p + a2 y + 1 , (17)
qs = b0 + b1 p + b2 z + 2 , (18)
d s
q = q ,
donde
A partir de los datos muestrales del cuadro 1 se va a estimar las ecuaciones anteriores mediante los métodos
más adecuados.
Identificación
El primer paso que hay que dar es el de identificar cada una de las ecuaciones, ya que dependiendo de la
naturaleza de cada una de ellas se usará un método u otro para obtener la estimación de los parámetros.
Observando el modelo determinado por las ecuaciones (17) y (18) se tienen dos variables endógenas, p y q, y
tres predeterminadas, una constante, y y z. Además, como ya sabemos, la forma estructural de dicho sistema es:
a0 b0
−1 −1
(q p) · + (1 y z) · a2 0 + (1 2 ) = (0 0),
a1 b1
0 b2
12
de donde se obtienen las matrices
a0 b0
−1 −1
Γ= , B= a2 0 .
a1 b1
0 b2
Recordemos que una regla general para la identificación de una ecuación con restricciones de nulidad es la
siguiente:
ρ(Ah ) < N − 1
=⇒ Ecuación subidentificable
k − kh < Nh − 1
ρ(Ah ) = N − 1
=⇒ Ecuación exactamente identificable
k − k h = Nh − 1
ρ(Ah ) = N − 1
=⇒ Ecuación sobreidentificada
k − kh > Nh − 1
donde N y k son el número de variables endógenas y predeterminadas, respectivamente, presentes en el modelo, Nh
y kh son el número de variables endógenas y predeterminadas, respectivamente, presentes en la ecuación h-ésima y
la matriz
Γ0
Ah = ,
B0
Γ
se obtiene a partir de la matriz A = teniendo en cuenta que Γ0 y B0 son submatrices que contienen los
B
coeficientes de las variables endógenas y exógenas, respectivamente, de las restantes ecuaciones que acompañan a
los coeficientes nulos de las variables endógenas y exógenas de la ecuación en estudio.
Por tanto, teniendo en cuenta que N = 2 y k = 3, para la ecuación (17) se tiene que
k1 = 2 −→ k − k1 = 1
−→ k − k1 = N1 − 1,
N1 = 2 −→ N1 − 1 = 1
y
A1 = b2 −→ ρ(A1 ) = 1 = N − 1,
por lo que la primera ecuación es exactamente identificada.
Para la ecuación (18) se tiene que
k2 = 2 −→ k − k2 = 1
−→ k − k2 = N2 − 1,
N2 = 2 −→ N2 − 1 = 1
y
A2 = a2 −→ ρ(A2 ) = 1 = N − 1,
por lo que la segunda ecuación es exactamente identificada.
Al ser las dos ecuaciones exactamente identificadas, el modelo de ecuaciones simultáneas también será exac-
tamente identificado. Además, el método idóneo para estimar dichas ecuaciones será el de Mı́nimos Cuadrados
Indirectos.
13
q p 1 y z
q 197609 2847’903 1709 8427’536 2212’330
p 2847’903 42’9025 25’226 123’402 32’757
1 1709 25’226 15 73’709 19’450
y 8427’536 123’402 73’709 363’802 95’665
z 2212’330 32’757 19’450 95’665 25’299
Luego
−1 T
Π
b = XT X X Y
−1
730 709 190 450 250 226
15 1709
= 730 709 3630 802 950 665 · 84270 536 1230 402
190 450 950 665 250 299 22120 330 320 757
0
20 295
97 132
= 22 561 −00 408 ,
0
Para la primera ecuación el sistema de ecuaciones que hay que resolver viene determinado por
es decir,
Para la segunda ecuación el sistema de ecuaciones que hay que resolver viene determinado por
0
20 295
97 132 bb0
220 561 −00 408 · −1 = − 0 ,
bb1
−720 542 10 074 bb2
es decir,
Por tanto, la estimación del sistema de ecuaciones simultáneas determinado por (17) y (18) es
14
Mı́nimos Cuadrados Ordinarios
Aunque, como se ha comentado, el método más adecuado para la estimación de las ecuaciones (17) y (18) es
el de Mı́nimos Cuadrados Indirectos, existen otras alternativas para realizar dicha estimación, como por ejemplo el
método de Mı́nimos Cuadrados Ordinarios, ya que se puede aplicar de forma independiente a la identificación de
las ecuaciones, es decir, no se exige que las ecuaciones estén identificadas.
Para estimar los parámetros de la ecuación h−ésima del modelo
γh
yh = Yh Xh + uh = Zh δh + uh ,
βh
En el caso de la primera ecuación, se tiene que la expresión correspondiente al estimador vendrı́a dada por
−1
δb1,M CO = ZT1 Z1 ZT1 y1 ,
donde Z1 = (p | 1 y) e y1 = q, luego
p 1 y q
p 420 902 250 226 1230 402 p 28470 903
ZT1 Z1 = y ZT1 y1 =
1 250 226 15 730 709 1 1709 .
y 1230 402 730 709 3630 802 y 84270 536
−1
420 902 250 226 1230 402 28470 903 −550 631
Por tanto, la estimación que se tiene para la primera ecuación utilizando MCO viene dada por:
Siguiendo las mismas pautas utilizadas para la estimación de la primera ecuación, se tiene que el estimador de
la segunda expresión que compone el modelo es:
−1
δb2,M CO = ZT2 Z2 ZT2 y2 ,
siendo Z2 = (p | 1 z) e y2 = q, luego
p 1 z q
p 420 902 250 226 320 757 p 28470 903
ZT2 Z2 = y ZT2 y2 =
1 250 226 15 190 450 1 1709 .
z 320 757 190 450 250 299 z 22120 330
Entonces
0 −1
42 902 250 226 320 757 28470 903 −530 191
15
qb = 2220 507 − 530 191p − 140 746z.
Por tanto, se tiene que el modelo estimado por MCO, utilizando la información muestral proporcionada, quedarı́a
expresado por:
pb 1 y q
bT Z pb a b c b T y1 pb d
Z 1 1 = y Z = (27)
730 709
b
1 b 15 1 1 1709 .
y c 730 709 3630 802 y 84270 836
Para obtener la expresión de la estimación de la ecuación (17) calculamos los valores de a, b, c y d usando la
ecuación (20) de la estimación de la forma reducida:
a = pbT · pb
= (20 295 · 1 − 00 408 · y + 10 074 · z)T · (20 295 · 1 − 00 408 · y + 10 074 · z)
= 20 2952 · 1T 1 + 00 4082 · y T y + 10 0742 · z T z − 2 · 00 408 · 20 295 · y T 1
+2 · 10 074 · 20 295 · z T 1 − 2 · 10 074 · 00 408 · z T y
= 20 2952 · 15 + 00 40822 · 3630 802 + 10 0742 · 250 299
−2 · 00 408 · 20 295 · 730 709
+2 · 10 074 · 20 295 · 190 450 − 2 · 10 074 · 00 408 · 950 665 = 420 691,
16
d = pbT · q = (20 295 · 1 − 00 408 · y + 10 074 · z)T · q
= 20 295 · 1T q − 00 408 · y T q + 10 074 · z T q
= 20 295 · 1709 − 00 408 · 84270 536 + 10 074 · 22120 330 = 28570 635.
Sustituyendo los valores obtenidos de a, b, y c en las expresiones de (27), se tiene que el estimador mı́nimo
cuadrático en dos etapas para la primera ecuación vendrı́a dado por
−1
420 691 250 222 1230 383 28570 635 −670 330
Para obtener la estimación de la segunda ecuación realizaremos el mismo procedimiento y para ello haremos los
cálculos necesarios para sustituirlos en la expresión
T −1 T
b Z
δb2,M C2E = Z 2 2
b b y2 ,
Z2 (28)
siendo Z p | 1 z) e y2 = q. Luego
b 2 = (b
pb 1 z q
bT Z pb a b c b T y2 pb d
Z 2 2 = y Z = (29)
190 450
b
1 b 15 2 1 1709 .
z c 19 450 250 299
0
z 22120 330
En este caso, los valores de a, b y d coinciden con los de antes, por lo que solo hay que calcular c:
Por tanto, se tiene que el estimador mı́nimo cuadrático en dos etapas para la segunda ecuación vendrı́a dado
por
0 −1
42 691 250 222 320 753 28570 635 −550 179
Finalmente, la estimación del sistema de ecuaciones simultáneas determinado por las ecuaciones (17) y (18) es
la siguiente:
Adviértase que la estimación calculada deberı́a de coincidir con la obtenida por MCI, ecuaciones (21) y (22).
Las pequeñas diferencias que hay en este caso pueden deberse a cuestiones de redondeo y/o cálculo.
17