INSTITUTO TECNOLOGICO SUPERIOR DE IRAPUATO

INVESTIGACION VARIABLES INSTRUMENTALES

Materia: Control de procesos

Alumno: Samuel Vargas Vallejo

Docente: Miguel Ángel Sosa Torres
Carrera: Ing. Electrónica

Irapuato, Gto
I. CONCEPTO

El método de variables instrumentales es un procedimiento de estimación de modelos

econométricos en los que los regresores están correlacionados con las perturbaciones del
modelo (a este tipo de regresores se les denomina endógenos). En un modelo con regresores
endógenos los métodos habituales de estimación basados en mínimos cuadrados, como MCO
y MCG, son inconsistentes y, por lo tanto, se necesita utilizar un procedimiento alternativo
basado en la utilización de variables con información similar a la contenida en los regresores
endógenos pero no correlacionadas con el término de perturbación. A este tipo de variables
se les denomina variables instrumentales o instrumentos.

II. MÉTODO DE ESTIMACIÓN POR VARIABLES INSTRUMENTALES

Para estudiar en qué contextos puede aparecer el problema de regresores endógenos,

supongamos que un analista del mercado de trabajo quiere estudiar la relación entre el salario
(wi) y los años de educación recibida, para lo cual especifica el siguiente sencillo modelo
econométrico:

ln(wi) = β0+β1 Educi + ui

En este modelo simplificado el parámetro β1 es una semielasticidad: indica en qué porcentaje

cambiaría el salario por cada año adicional de educación (previsiblemente su signo sería
positivo). La perturbación ui recoge aquellos efectos que influyen sobre el salario y que no
están contenidos en la variable educación; si entre estos efectos estuviera, por ejemplo, la
destreza individual y esta variable estuviera correlacionada con la educación, entonces la
variable Educi sería un regresor endógeno y la estimación mínimo-cuadrática del parámetro
β1 estará sesgada al alza indicando el efecto conjunto de la educación y la destreza individual
sobre el salario.

Para estimar el parámetro β1, evitando el sesgo de endogeneidad, una posibilidad es buscar
una variable instrumento para la educación que cumpla las siguientes condiciones:

 1. Que esté incorrelacionada con la perturbación ui del modelo. En nuestro caso, ello
exigiría que la variable instrumento estuviera incorrelacionada con la destreza
individual. Si no se cumple esta condición el estimador por variables instrumentales
no sería consistente (habría un sesgo de endogeneidad que no disminuiría al aumentar
el tamaño muestral).
 2. Que tenga una correlación alta con el regresor endógeno, en nuestro caso, con la
variable educación. La eficiencia del estimador por variables instrumentales está
directamente relacionada con la correlación entre ambas variables.

Para el modelo de nuestro ejemplo, una opción a veces utilizada en la literatura del mercado
de trabajo consiste en utilizar la variable educación de la madre (mothereduc) como variable
instrumento. Previsiblemente la educación de la madre estará correlacionada con la variable
educación aunque es más discutible que la variable mothereduc esté incorrelacionada con la
destreza individual y, por lo tanto, con la perturbación ui del modelo. El problema, por otra
parte, habitual en el contexto de variables instrumentales, es que, al ser la variable ui no
observable, no es posible contrastar empíricamente la condición de incorrelación entre el
instrumento y la perturbación y dicha condición es crítica para que el estimador por variables
instrumentales sea consistente. Esta condición, habitualmente, ha de establecerse basada en
razonamientos económicos o intuitivos.

Para expresar las ecuaciones del estimador por variables instrumentales vamos a denotar
como yia la variable dependiente (logaritmo del salario), xial regresor endógeno y como zi al
instrumento escogido. En este caso, las ecuaciones del estimador por mínimos cuadrados
ordinarios (MCO) vienen dadas por :

o, en forma matricial:

Por otro lado, las ecuaciones por variables instrumentales vienen dadas por:

En nuestro ejemplo, las ecuaciones del estimador VI desarrolladas serían:

Adicionalmente, la matriz de varianzas asintótica del estimador por variables instrumentales

se puede obtener a partir de la expresión matricial:
El parámetro representa, como es habitual, la varianza de las perturbaciones del
modelo. Una vez calculada una estimación de esta matriz de varianzas, se pueden realizar
contrastes de hipótesis y construir intervalos de confianza en la forma habitual para los
parámetros β del modelo.

Afortunadamente, la práctica totalidad del software econométrico actual incluye la

posibilidad de estimar por variables instrumentales por lo que el analista únicamente debe
preocuparse por escoger instrumentos adecuados que cumplan las dos condiciones exigidas
anteriormente.

III. MÍNIMOS CUADRADOS EN DOS ETAPAS (MC2E)

En algunas ocasiones, puede existir más de un instrumento válido, en el sentido de que

cumpla las dos condiciones, para un mismo regresor endógeno. En este caso, siempre que
todos los instrumentos cumplan la condición de incorrelación con las perturbaciones,
cualquier combinación lineal de instrumentos sería válida para estimar por variables
instrumentales. En este sentido se dice que el estimador por variables instrumentales no es
único sino que existen tantos estimadores por variables instrumentales como posibles
instrumentos o combinaciones lineales de ellos.

Una opción, utilizada habitualmente para mejorar la eficiencia del estimador (en el sentido
de minimizar la varianza), es calcular el estimador por variables instrumentales a través de
dos conjuntos de regresiones:

 1. Una regresión inicial por cada regresor endógeno del modelo, como variable
dependiente, sobre el conjunto de todos los instrumentos disponibles como variables
independientes. Lógicamente, el conjunto de instrumentos debe ser mayor o igual que
el número de regresores endógenos.
 2. Una regresión final posterior donde se sustituyen directamente los regresores
endógenos por las estimaciones de cada uno obtenidas en las regresiones anteriores.
Como consecuencia, se sustituye como variable independiente a cada regresor
endógeno por la combinación lineal óptima obtenida a partir del conjunto de
instrumentos.

Al estimador obtenido se le denomina estimador por mínimos cuadrados en dos etapas y

puede demostrarse que es el estimador de menor varianza de todos los posibles estimadores
por variables instrumentales (obtenidos con ese conjunto de instrumentos). Por supuesto, la
validez de esta estimación está condicionada por el cumplimiento de la condición de
incorrelación entre cada instrumento y las perturbaciones del modelo.

A modo de ejemplo, imaginemos que un analista económico quiere estimar la función de

consumo y especifica la siguiente ecuación dinámica en la que existe autocorrelación,
generada por un AR(1), en las perturbaciones:

Ct = β0 + β1Yt + β2Ct - 1 + u t
ut = put-1 + εt

La variable Yt es la renta mientras que la verdadera innovación (ruido blanco) del modelo es
εt, por lo que la perturbación utde la ecuación de consumo presenta autocorrelación y, como
consecuencia, ut está correlacionada con el regresor Ct-1 (es un regresor endógeno). Los
posibles instrumentos de Ct-1 pueden ser retardos de la variable renta ya que cumplen las dos
condiciones exigidas:

 a) Si la renta no está correlacionada con uttampoco deberían estarlo sus retardos.

 b) Los retardos de la renta deben estar correlacionados con la variable

Ct-1.

Si escogemos Yt-1 e Yt-2 como instrumentos del regresor endógeno Ct-1, el estimador MC2E
consistiría en realizar los siguientes pasos:

 1. Estimar por MCO la siguiente regresión:

Ct-1 = γ0 + γ1 Yt-1 + γ2 Yt - 2 + vt

Hallar los valores estimados del regresor endógeno:

 2. Aplicar MCO al modelo inicial, donde se sustituye el regresor endógeno por su

estimación en la regresión previa:

Si las hipótesis sobre el comportamiento de la renta son correctas, la estimación del parámetro
β2 en la última regresión será consistente aunque haya autocorrelación en las perturbaciones.
Además, dentro de todos los posibles estimadores por variables instrumentales obtenidos
combinando los instrumentos Yt-1 e Yt-2, el estimador MC2E será el más eficiente.

Para terminar, es importante señalar que este método de estimación (MC2E) resulta
especialmente útil cuando se estiman modelos multiecuacionales con varias ecuaciones y
variables dependientes a la vez. En estos casos, resulta habitual la disponibilidad de varios
instrumentos y, por lo tanto, es fácil la obtención del estimador MC2E.