7.

1 NATURALEZA DE LOS MODELOS DE

ECUACIONES SIMULTÁNEAS
Hasta ahora hemos estado trabajando con modelos en
los cuales una variable dependiente se expresa como
una función lineal de una o más variables explicatorias
 Relación unidireccional
Existen situaciones en las que la variable dependiente
en una ecuación, es también variable explicatoria en
alguna otra ecuación,  Relación bidireccional, en cuyo
caso tenemos un:
SISTEMA O MODELO DE ECUACIONES
SIMULTÁNEAS.
Ejemplo: Mt = o + 1yt + u1t
Yt = o + 1 Mt + 2 It + u2t
Miriam Camacho V. Donde: Mt : Oferta de dinero en el período t
Yt : Ingreso en t
It : Inversión privada en t

7.1 NATURALEZA DE LOS MODELOS DE 7.1 NATURALEZA DE LOS MODELOS DE

ECUACIONES SIMULTÁNEAS ECUACIONES SIMULTÁNEAS
Mt = o + 1yt + u1t Mt = o + 1yt + u1t
Yt = o + 1 Mt + 2 It + u2t Yt = o + 1 Mt + 2 It + u2t
Donde: Diferencias:
Mt : Oferta de dinero en t Variable endógena
Yt : Ingreso en t Variable endógena •V. endógenas. Su comportamiento es determinado
It : Inversión privada en t  Variable exógena en el funcionamiento del modelo
V. exógenas son determinadas por factores
ECUACIONES DE COMPORTAMIENTO O externos al modelo
ECUACIONES EN SU FORMA ESTRUCTURAL
•V. endógenas son estocásticas (tienen
o, 1, o, 1 y 2 comportamiento aleatorio)
V. exógenas son no estocásticas
Coeficientes o parámetros estructurales
•En un modelo de ecuaciones simultáneas, hay una
Modelos uniecuacionales: ecuación de comportamiento o estructural por cada
V. Dependiente  V. endógena
V. Independiente  V. exógena o predeterminada variable endógena en el modelo.

4.1 NATURALEZA DE LOS MODELOS DE

7.1.1 Sesgo de las ecuaciones
ECUACIONES SIMULTÁNEAS
simultáneas
Otros ejemplos:
1. Modelo Keynesiano: Uno del los supuestos de MCO es que las variables
Yt = Ct + It explicativas (X) son no estocásticas o, si lo son
Ct = o + 1Yt + u1t
(aleatorias), son independientes del término de
Donde: Yt: Ingreso; Ct: Consumo; It: Inversión perturbación.
2. Qdt = o + 1 Pt + 2 yt + U1t
Qot =  o +  1 Pt + U2t Consideremos el modelo Keynesiano de
determinación del ingreso:
Donde: Qdt: Cantidad demandada
Qot: Cantidad ofertada (1) Yt = Ct + It
Pt: Precio (2) Ct = o + 1Yt + ut

3. Modelo Salario-Precio (Phillips) Ct y Yt, dependen de ut  Son estocásticas

Wt = o + 1 Pt + 2 Qt + U1t
Pt = ßo + ß1 Wt + ß2 Yt + U2t
 No se puede aplicar MCO, porque darán
Donde: Wt: Salario promedio estimaciones sesgadas e inconsistentes
Pt: Indice de precios
Qt: Indice de productividad SESGO DE LAS ECUACIONES SIMULTANEAS
Yt: Ingreso per cápita

1
 7.1.1 Sesgo de las ecuaciones
simultáneas 7.1.1 Sesgo de las ecuaciones simultáneas
Para demostrar, consideremos los siguientes Por definición: Cov(Yt, Ut)=E[(Yt–E(Yt))(Ut–E(Ut)]
supuestos:
E[Ut] = 0 Sacando el valor esperado de Yt:
E[Ut2] = 2 0
E[Ut Ut+s] = 0 Yt  
It

Ut 0 It
1  1 1  1 1  1 E[Yt ]  
E[It Ut] = 0 1  1 1  1
Puesto que E[ut]=0
Supuestos del modelo lineal clásico  U  1
E t   E[U t ]  0
(1) Yt = Ct + It 1  1  1  1
(2) Ct = o + 1Yt + ut Si se obtiene el sesgo de Yt:
Sustituyendo (2) en (1): 0 It U  It
Sesgo  Yt  E[ yt ]    t  0 
1  1 1  1 1  1 1  1 1  1
Yt = (o + 1yt + ut) + It
Yt - 1yt = o + It + ut 0 It U Ut
Yt    t Sesgo  Yt  E[ yt ] 
Yt (1 - 1) = o + It + ut 1  1 1  1 1  1 1  1

7.1.1 Sesgo de las ecuaciones 7.1.2 El modelo en su forma general

simultáneas
Supongamos un modelo de 4 ecuaciones como el siguiente, que
El sesgo de Ut: tiene 4 variables endógenas y 3 exógenas:
Sesgo = Ut – E[Ut] = Ut

Se puede entonces obtener: Y1t = 10 +  12 Y2t+  13 Y3t +  14 Y4t + 11 X1t + 12 X2t + 13 X3t + u1t
Y2t = 20 +  21 Y1t +  23Y3t +  24 Y4t + 21 X1t + 22 X2t + 23 X3t + u2t
Cov(Yt, Ut) = E[(Yt – E(Yt)) (Ut – E(Ut)] Y3t = 30 +  31 Y1t +  32 Y2t +  34 Y4t + 31 X1t +32 X2t + 33 X3t + u3t
 Ut   Y4t = 40 +  41 Y1t +  42 Y2t+  43Y3t + 41 X1t + 42 X2t + 43 X3t + u4t
1 2
Cov( yt , Ut)  E  Ut   E[U t2 ] 
 1   1   1   1 1  1 La forma general sería la siguiente:
Dado que 2 > 0, entonces la Cov(Yt,Ut)  0 por lo tanto
Yt tiene comportamiento aleatorio. -  10 + Y1t -  12 Y2t -  13 Y3t -  14 Y4t - 11 X1t - 12 X2t - 13 X3t = u1t
 Los estimadores de MCO son inconsistentes y -  20 -  21 Y1t + Y2t -  23 Y3t -  24 Y4t - 21 X1t - 22 X2t - 23 X3t = u2t
sesgados. -  30 -  31 Y1t -  32 Y2t + Y3t -  34 Y4t - 31 X1t - 32 X2t - 33 X3t = u3t
De la misma manera se puede demostrar para la función -  40 -  41 Y1t -  42 Y2t -  43 Y3t + Y4t - 41 X1t - 42 X2t - 43 X3t = u4t
del consumo.

7.1.3 El modelo en su forma reducida

7.1.2 El modelo en su forma general
Ecuación de Forma Reducida es aquella que expresa una variable
endógena en función de variables predeterminadas y de
perturbaciones estocásticas. En el ejemplo:
En el ejemplo: (1) Mt = o + 1Yt + u1t
(2) Yt = o + 1 Mt + 2 It + u2t
(1) Mt = o + 1yt + u1t
Sustituyendo Mt (1ª ecuación) en la 2ª ecuación y reordenando,
(2) Yt =  o +  1 Mt +  2 It + u2t es decir:
Yt = o + 1 (o + 1Yt + u1t )+ 2 It + u2t
En su forma general:
Yt = o + o 1 + 11 Yt + 1 u1t + 2 It + u2t
Yt - 11 Yt = (o + o 1) + 2 It + 1 u1t + u2t
(1) - o + Mt - 1yt = u1t
(2) -  o -  1 Mt + Yt -  2 It = u2t Yt (1 - 11 ) = (o + o 1) + 2 It + 1 u1t + u2t
 0   0 1 2  u  u 2t
Yt 
1   1 1

1  1  1
It  1 1t
1   1 1
Yt  0  1 It  v1t

2

7.1.3 El modelo en su forma reducida
Para obtener la primera ecuación en forma reducida:
Mt = o + 1Yt + u1t
Mt = o + 1(o + 1 Mt + 2 It + u2t) + u1t
Mt = o + 1o + 11 Mt + 12 It + 1u2t + u1t
Mt - 11 Mt = o + 1o + 12 It + 1u2t + u1t
Mt (1 - 11) = o + 1o + 12 It + 1u2t + u1t
 0  1  0  u   1u 2t
Mt   1 2 It  1t
1   1 1 1  1  1 1   1 1
Mt   2  3 It  v2t
0, 1, 2 y 3 son los Coeficientes de la forma reducida o
Coeficientes Reducidos.
7.2 El problema de identificación
El sistema como un todo está exactamente
identificado si todas las ecuaciones están
exactamente identificadas, en cuyo caso se podrán
obtener valores para todos los coeficientes
estructurales a partir de los reducidos.
Para determinar si una ecuación del sistema está
identificada se tiene que obtener previamente la
forma reducida y resolver el sistema
Sin embargo, este es un proceso bastante
laborioso, por lo que se puede acudir a dos
reglas:
• Condición de Orden
• Condición de Rango.
7.2.1 Condición de orden
Una ecuación de un sistema de ecuaciones
simultáneas está sobre identificada , si el
número de variables exógenas excluidas de la
ecuación es mayor al número de variables
endógenas en la ecuación menos 1. Es decir,
K – k > m – 1
Una ecuación de un sistema de ecuaciones
simultáneas está subidentificada, si el número
de variables exógenas excluidas de la ecuación
es menor al número de variables endógenas en la
ecuación menos 1. Es decir,
K – k < m – 1
7.2 El problema de identificación
Identificación: Se refiere a la posibilidad de calcular los
parámetros estructurales de un modelo de ecuaciones
simultáneas partiendo de los parámetros de las formas
reducidas.
Ecuación identificada: Si es posible encontrar estimaciones
numéricas para los parámetros estructurales,
Ecuación no identificada: Si no es posible encontrar
estimaciones numéricas
A su vez,
Ecuación está exactamente identificada cuando se puede
obtener un valor único de los parámetros estructurales a
partir de los reducidos.
Ecuación sobreidentificada, cuando se puede obtener más
de un valor numérico para algunos de los parámetros de
las ecuaciones estructurales.
7.2 El problema de identificación
7.2.1 Condición de Orden
Se basa en el número de variables endógenas y exógenas
incluidas o excluidas de la ecuación, puesto que no todas
las ecuaciones tienen todas las variables
Las condiciones de orden para la identificación de las ecuaciones
son las siguientes:
• Una ecuación de un sistema de ecuaciones simultáneas está
exactamente identificada, si el número de variables
exógenas excluidas de la ecuación es igual al número de
variables endógenas menos 1. Es decir,
K – k = m – 1
Donde: K: número de variables predet. en el modelo
k: número de variables predet. en la ecuación
M: Número de variables endógenas en el modelo
m: Número de variables endógenas en la ecuación
7.2.1 Condición de orden
Verificar en el modelo:
(1) Mt = o + 1yt + u1t
(2) Yt =  o +  1 Mt +  2 It + u2t
K – k m – 1
(1) 1 -0 = 2 – 1  Exact. Identificada
K – k < m – 1
(2) 1 -1 < 2 - 1  Subidentificada
3
 7.2.2 Condición de rango
7.2.2 Condición de rango
En un sistema de ecuaciones, cualquier ecuación particular está -  10+ Y1t -  13Y3t - 11X1t - 13X3t = u1t
identificada si y solamente si es posible obtener un -  20 -  21Y1t + Y2t- - 21X1t - 22X2t = u2t
determinante no nulo de orden (M-1)(M-1) de los coeficientes -  30 -  31Y1t - 32Y2t+ Y3t ¨ - 32X2t - 33X3t = u3t
de las variables excluidas de la ecuación (endógenas y
exógenas), pero incluidas en las otras ecuaciones del modelo. Resulta más fácil disponer en la siguiente matriz:

Ejemplo:
Y1t = 10 +  13 Y3t + 11 X1t + 13 X3t + u1t NoEc. 1 Y1t Y2t Y3t X1t X2t X3t
Y2t = 20 +  21 Y1t + 21 X1t + 22 X2t + u2t
Y3t = 30 +  31 Y1t +  32 Y2t +32 X2t + 33 X3t + u3t 1 - 10 1 0 - 13 - 11 0 -13

En su forma general es: 2 -  20 - 21 1 0 -21 -22 0

-  10+ Y1t -  13Y3t - 11X1t -13X3t = u1t 3 -  30 - 31 - 32 1 0 -32 - 33t

-  20 -  21Y1t + Y2t- - 21X1t - 22X2t = u2t

-  30 -  31Y1t - 32Y2t+ Y3t - 32X2t - 33X3t = u3t

7.3 ESTIMACION DE MODELOS DE

7.2.2 Condición de rango ECUACIONES SIMULTÁNEAS
Dos tipos de métodos:
1 -22
-32 -23 = -23 -  3222 >< 0 • Métodos de información limitada

Estiman el modelo ecuación por ecuación. Sin tomar en

-13 -13 cuenta las restricciones contenidas en las restantes
1 -33 = 13 33 + 13 >< 0 ecuaciones, de ahí que reciben el nombre de
métodos uniecuacionales o de información limitada

NoEc. 1 Y1t Y2t Y3t X1t X2t X3t

• Métodos con información completa
1 - 10 1 0 - 13 - 11 0 -13 O métodos de sistemas, permiten la estimación de todas
las ecuaciones del modelo simultáneamente, lo que
2 -  20 - 21 1 0 -21 -22 0 implica considerar toda la información y
restricciones contenidas en todas las ecuaciones en
3 -  30 - 31 - 32 1 0 -32 - 33t lo que se refiere a la omisión de ciertas variables
en las ecuaciones.

7.3 ESTIMACION DE MODELOS DE 7.3 ESTIMACION DE MODELOS DE

ECUACIONES SIMULTÁNEAS ECUACIONES SIMULTÁNEAS
7.3.1 Estimación de modelos recursivos
Algunos métodos uniecuacionales que producen
Se puede aplicar MCO a los modelos recursivos o triangulares,
estimaciones insesgadas son los siguientes:
causales, es decir modelos que tienen la siguiente forma:
• Estimación de modelos recursivos Y1t = ß10 + 11 X1t + U1t
Y2t = ß20 + ß21 Y1t + 21 X1t + U2t
• Método de Mínimos Cuadrados Indirectos Y3t = ß30 + ß31 Y1t + ß32 Y2t + 21 X1t + U3t
(MCI)
Donde: cov (U1t, U2t)= 0
Cov (U2t, U3t)= 0
• Método de Mínimos Cuadrados en dos Cov (U1t, U3t)= 0 Para un mismo período
etapas (MC2E) En este modelo puede aplicarse MCO ecuación por ecuación:
 Dado que 1ª ec. sólo depende de una variable exógena (que
no está correlacionada con U1t)
 En la 2ª ec. Y2t depende de Y1t que figura como
explicativa junto con X1t, no está correlacionada con U2t.
 De la misma manera la tercera ecuación.

4
7.3.2 El Método de Mínimos Cuadrados indirectos 7.3.3 El Método de Mínimos Cuadrados en dos Etapas

Permite obtener estimaciones de los parámetros estructurales
para ecuaciones exactamente identificadas
Procedimiento:
1º Se obtienen las ecuaciones en su forma reducida
2º Se estiman los coeficientes reducidos por MCO
3º Se obtienen estimaciones de los coeficientes
estructurales a partir de los coeficientes reducidos.
Presentan algunas dificultades:
i) Se presenta la dificultad de encontrar las relaciones entre
parámetros estructurales y reducidos.
ii) No es fácil calcular los errores estándar de los parámetros
estructurales, por tanto,
iii) No pueden realizarse las pruebas de significación estadística
iv) No se pueden encontrar estimaciones de intervalo
v) No es posible estimar ecuaciones sobreidentificadas
MC2E: Para estimar parámetros estructurales de ecuaciones
sobreidentificadas (si se aplica a ecuaciones exactamente
identificadas da los mismos resultados que MCI).
Supone relacionar cada variable endógena con todas las variables
exógenas y usar los valores pronosticados de las variables
endógenas para estimar las ecuaciones estructurales del modelo.
Las dos etapas son las siguientes:
1ª Estimar por MCO ecuaciones que relacionen las variables
endógenas con todas las variables exógenas del modelo para
obtener los valores estimados de cada una de ellas.
2ª Se corre la segunda regresión utilizando los valores
pronosticados de las variables endógenas que sean explicativas
en las otras ecuaciones.
Ventajas:
• Se puede aplicar MCO  obtener estimaciones consistentes.
• Permite obtener los errores estándar  se pueden efectuar las
pruebas de hipótesis y obtener estimaciones de intérvalo.

Estimación: Ejercicio
Ejercicio: Condición de orden
Verificar en el modelo:
En el ejemplo:
1) Wt = o + 1Pt + 1 Qt u1t
(1) Wt = o + 1Pt + 1 Qt u1t
(2) Pt =  o +  1 Wt +  2 Yt + u2t
(2) Pt =  o +  1 Wt +  2 Yt + u2t
K – k m – 1
El modelo en su forma reducida:
(1) 2 - 1 = 2 – 1  Exact. Identificada
(1) Wt = o + 1Qt + 2 Yt + v1t
K – k m – 1
(2) Pt = 3+ 4 Qt + 5 Yt + v2t
(2) 2 -1 = 2 - 1  Exact. Identificada