Econometría II - ECON 3301 - 2013-20

Profesor Complementario: Jorge Armando Rueda Gallardo;

ja.rueda929@uniandes.edu.co

Clase V y Clase VI

1. Ecuaciones Simultáneas

Suponiendo un modelo de ecuaciones simultáneas donde se considera un mercado en equilibrio que se

rige por
Ecuacindedemanda : qd,t = α1 pt + α2 xt + εd,t (1)
Ecuacindedemanda : qs,t = β1 pt + es,t (2)
Condicindeequilibrio; qd,t = qs,t = q (3)
LA forma estructural del modelo es derivado de la teoría económica y cada una pretende describir aspec-
tos particulares en economí.a Dad que el modelo se determina de manera conjunta se considera que las
variables son conjuntamente dependientes.

Dado que se requieren tres ecuaciones para determinar la cantidad y el precio de equilibrio se con-
sidera que el sistema es interdependiente.

Para que el sistema de ecuaciones esté completo se requiere que el número de ecuaciones sea igual al
de variables endógenas.

Por simplicidad se considera que los errores de los modelos se comportan bien, es decir
E[εd,t |X] = E[es,t |X] = 0 (4)
E[ε2d,t |X] = σd2 (5)
E[e2s,t |X] = σs2 (6)
E[ε2d,t , es,t |X] = 0 (7)
LA forma estructural es la descrita por las primeras ecuaciones, mientras que la forma reducida se
encuentra despejando las variable en términos de las variables exógenas, los parámetros y los errores.
Entonces
β1 pt + εs,t = α1 pt + α2 xt + εd,t
pt (β1 − α1 ) = α2 xt + εd,t − es,t
 
α2 xt εd,t − es,t
qs,t = β1 + + es,t
β1 − α1 β1 − α1
β1 α2 xt β1 εd,t − β1 es,t
qs,t = + + es,t
β1 − α1 β1 − α1
β1 α2 xt β1 εd,t − β1 es,t + β1 es,t − α1 es,t
qs,t = +
β1 − α1 β1 − α1
β1 α2 xt β1 εd,t − α1 es,t
qs,t = + (8)
β1 − α1 β1 − α1

1
Para que el sistema sea completo se requiere que α1 6= β1 .

Se muestra la existencia del problema de endogeneidad (violación del supuesto de exogeneidad) con:
     
α2 xt εd,t − es,t α2 xt εd,t − es,t
Cov[p, εd,t ] = Cov + , εd,t = Cov , εd,t + Cov , εd,t
β1 − α1 β1 − α1 β1 − α1 β1 − α1
σd2
Cov[p, εd,t ] = (9)
β1 − α1
     
α2 xt εd,t − es,t α2 xt εd,t − es,t
Cov[p, es,t ] = Cov + , es,t = Cov , es,t + Cov , es,t
β1 − α1 β1 − α1 β1 − α1 β1 − α1
−σs2
Cov[p, es,t ] = (10)
β1 − α1
Dado lo anterior se considera que el supuesto de independencia condicional es violado.

Considere el modelo dado por las siguientes ecuaciones

y1 = φ0 + φ1 y2 + φ2 x2 + φ3 x3 + u1 (11)
y2 = γ0 + γ1 y1 + γ2 x4 + u2 (12)
Condición de orden

Ecuación Var. Exo. Excluída Var. End. Excluída J G-1 Conclusión Estimación
1 1 0 1 1 Bien identicada MCI-MC2E-MC3E
2 2 0 2 1 Sobre identicada MC2e-MC3E
Condición de Rango Se construye la matriz de coecientes
1
 
−γ1

 −φ1 1 
 −φ0 −γ0 
∆=
0 

 −γ2
0 
 
 −γ3
0 −γ2

Se constrruyen las matrices Ri , la cual corresponde a la matriz de restricciones.

R1 = [0 0 0 0 0 1] Rank(R1 ) = 1

0 0 0 1 0 0
 
R2 = Rank(R2 ) = 2
0 0 0 0 1 0
Se construye las matrices Ri ∆
R1 ∆ = [0 − γ2 ] Rank(R1 ∆) = 1
−φ2 0
 
R2 ∆ = Rank(R2 ∆) = 1
−φ3 0

Ecuación Rango Ri ∆ Rango Ri G-1 Conclusión Estimación

1 1 1 1 Bien identicado MCI-MC2E-MC3E
2 1 2 1 Sobre identicada MC2E-MC3E

2
1.1. Ejemplo

Aumentamos el tamaño de las matrices aceptado por Stata

set matsize 5000
Convertimos las observaciones en matrices
mkmat y1 y2 x1 x2 x3 x4
Deniendo la matriz de las variables endógenas
mamat y1 y2, matrix(y)
Deniendo la matriz de las variables exógenas
mkmat x1 x2 x3 x4, matrix(x)
Estimación por Mínimos Cuadrados Ordinarios
Se realiza la estimación matricial para la primera ecuación
mkmat x1 y2 x2 x3, matriz(x1_mco)
matrix bmco_1=inv(x1_mco'*x1_mco)*x1_mco'*y1
matrix list bmco_1
La estimación por el comando directo de Stata
reg y1 x1 y2 x2 x3
Se realiza la estimacióm matricial para la segunda ecuación
mkmat x1 y1 x4, matrix(x2_mco)
matrix bmco_2=inv(x2_mco'*x2_mco)*x2_mco'*y2
matrix list bmco_2
La estimación por el comando directo de Stata
reg y2 y1 x4
Estimación por Mínimos Cuadrados Indirectos

matrix pi=inv(x'*x)*x'*y
matrix list pi
Vericando la información por el comando directo de Stata
reg y1 x2 x3 x4
reg y2 x2 x3 x4
El problema que se muestra con la estimación por MCI es que no se puede analizar la signicancia de los
resultados ni se puede realizar análisis estadístico.

1.1.1. Prueba de simultaneidad

1. Se estima por Mínimos Cuadrados Ordinarios las formas reducidas

2. Se obtienen los ŷ1 y v̂1
3. Se incluyen los ŷ1 y v̂1 a la forma estructural para la otra variable otra variable endógena
4. Prueba de hipótesis

3
 H0 : δ = 0 N o existe simultaneidad (13)
H1 : δ 6= 0 Existe simultaneidad (14)
Se obtienen los coecientes de Mínimos Cuadrados Indirectos
scalar b11=pi[1,1]
scalar b21=pi[2,1]
scalar b31=pi[3,1]
scalar b41=pi[4,1]
scalar b12=pi[1,2]
scalar b22=pi[2,2]
scalar b32=pi[3,2]
scalar b42=pi[4,2]
Para hacerlo de una amnera más eciente, se debe realizar en el Do-le
forvalues i=1(1)4{
forvalues j=1(1)2{
scalar b`i'`j'=pi[`i', `j']
}
}
Con la anterior programación se obtienen los mismos resultados que haciéndolos manualmente.

Se obtiene el ŷ1
gen y1_est=b11*x1+x21*x2+b31*x3+b41*x4
Se obtienen los residuales
gen v1=y1-y1_est
Se incluye el ŷ1 y el v̂1 en la forma estructural de la segunda ecuación
reg y2 y1_est v1 x4
Se observa que el p-value del residual es menor a 0.05 por lo que se rechaza la hipótesis nula que su
coeciente sea igual a cero.

Con esto se concluye que existe problemas de simultaneidad.

Como la segunda ecuación está sobre identicada, se requiere utilizar MC. El problema d MC2E es
E.

que como se estima las ecuaciones por separado, se puede presentar autocorrelación residual contem-
poránea, por lo que los estimadores son inecientes.

Si el modelo se encuentra bien identicado el estimador es

β̂M C2E = (X 0 H)−1 X 0 Y (15)
Si el modelo está sobre identicado el estimador es
β̂M C2E = (H 0 Px H)−1 H 0 Px Y (16)
Se encuentra los estimadores de la forma reducida
matrix pi1=inv(x'*x)*x'*y2
matrix list pi1
Se encuentra el ŷ2

4
matrix y2_est=x*pi1
Se genera la matriz H que no tiene problemas de endogeneidad
matrix h1h=x2, x2, x3 y2_est
Se encuentra el estimador
matrix bmc2e_1=inv(h1h'*h1h)*h1h'y1
matrix list bmc2e_1
Procedimiento con la matriz idempotente y ecuación bien identicada
matrix h1=x1, x2, x3, y2
matrix bpxe_1=inv(x'*h1)*x'*y1
matrix list bpxe_1
Estimación de la ecuación 2 que se encuentra sobre identicada
matrix pi2=inv(x'*x)*x'*y1
matrix list pi2
matrix y1_est=x*pi2
matrix h2h=x1, x4, y1_est
Se obtienen los estimadores por β̂ = (Ĥ 0 Ĥ)−1 Ĥ 0 Y
matrix bmc2e_3=inv(h2h'*h2h)*h2h'*y2
matrix list bmc2e_2
El procedimiento bajo matriz idempotente
matrix h2=x1, x4, y1
matrix px=x*inv(x'*x)*x'
matrix bpxe_2=inv(h2'*px*h2)*h2'*px*y2
matrix list bpxe_2
Estimación comando de Stata
reg3(y1= x2 x3 y2)(y2= y1 x4), 2sls
Prueba de autocorrelación residual contemporánea

predict e1, equation(y1) residuals

predict e2, equation(y2) residuals
pwcorr e1 e2, sig star(0.05)
Dado que no se muestra que la correlación es signicativa al 5 % no se verica que exista autocorrelación
residual contemporánea.

1.2. Mínimos Cuadrados 3 Etapas

clear all
use C:\Users\ja.rueda929\Downloads\mc3e.dta
set matsize 5000
mkmat x2 x3 x4 x5 y1 y2 y3 x1 cero
matrix x=x1, x2, x3, x4, x5
matrix px=x*(inv(x'*x)*x'

5
Para la estimación se propone las siguientes ecuaciones
y1i = γ11 + β12 y2i + β13 yei + e1i (17)
y2i = γ21 + β21 y1i + γ22 x2i + γ23 x3i + γ24 x4i + e2i (18)
y3i = γ31 + β32 y2i + γ32 x2i + γ35 x5i + e3i (19)
El método de MCeE parte de la estimación por MC2E, pero tiene en cuenta las correlaciones entre los
errores de las ecuaciones.

Pasos:

1. Calcular los estimadores por MC2E de las ecuaciones identicadas.

2. Utilizar los estimadores del paso uno para estimar los residuales de cada una de las ecuaciones
estructurales. Con esta información, se construye la matriz de varianza y covrianzas de los errores
contemporáneos de las ecuaciones estructurales
reg3(y1 y2 y3)(y2 y1 x2 x3 x4)(y3 y2 x2 x5), 2sls
Se estiman los residuales
predict error1, residuals equation(y1)
predict error2, residuals equation(y2)
predict error3, residuals equation(y3)
pwcorr error1 error2 error3, sig star(0.05)

1.2.1. Mínimos Cuadrados en 2 Etapas

Ecuación 1

matrix h1=x1, y2, y3

matrix bmc2_1=inv(h1'*px*h1)*h1'*px*y1
matrix list bmc2_1
matriz y1_est=h1*bmc2_1
matrix error1=y1-y1_est
Ecuación 2

matrix h2=x1, y1, x2, x3, x4

matrix bmc2_2=inv(h2'*px*h2)*h2'*px*y2
matrix list bmc2_2
matrix y2_est=h2*bmc2_2
matrix error2=y2-y2_est
Ecuación 3

matrix h3=x1, y2, x2, x5

matrix bmc2_3=inv(h3'*px*h3)*h3'*px*y3
matrix list bmc2_3
matrix y3_est=h3*bmc2_3
matrix error3=y3-y3_est
Para generar la matriz de varianza y covarianza de los residuales
scalar t=20
matrix varerror1=(error1'*error1)/t
matrix varerror2=(error2'*error2)/t
matrix varerror3=(error3'*error3)/t
matrix covare1e2=(error1'*error2)/t
matrix covare1e3=(error1'*error3)/t
matrix covare2e3=(error2'*error3)/t

6
La matrix de varianza y covarianza está dado por (en la siguiente especicación no se le debe incluir
ningun enter)
matrix sumatoria=(varerror1, covare1e2, covare1e3 \
covare1e2 , varerror2, covare2e3 \
covare1e3, covare2e3, varerror3)
matrix list sumatoria
Conformación del vector Y
matrix ytres=(y1\y2\y3)
matrix list ytres
Conformación de la matriz H (en la siguiente especicación no se debe incluir ningun enter)
matrix H=(y2, y3, x1, cero, cero, cero, cero, cero, cero, cero, cero, cero\
cero, cero, cero, y1, x1, x2, x3, x4, cero, cero, cero, cero\
cero, cero, cero, cero, cero, cero, cero, cero, y2, x1, x2, x5)
matrix list H
matrix k=inv(sumatoria)#px
Coeciente por tres etapas
matrix bmc3e=inv(H'*k*H)*H'*k*ytres
matrix list bmc3e
Comando para estimar directamente los coecientes de MC3E, para contrastar los resultados de los
estimadores matriciales
reg3(y1y2y3)(y2 y1 x2 x3 x4)(y3 y2 x2 x5), small

2. Regresiones Aparentemente No Relacionado SUR

Es un caso muy especíco de un sistema de ecuaciones simultáneas en el que la correlación entre

las ecuaciones se origina entre los errores están y no en la incorporación de variables endógenas como
variables predeterminadas en otras ecuaciones.

El modelo propuesto está dado por

y1i = γ11 + γ12 x2i + γ15 x5i + e1i (20)
y2i = γ21 + γ23 x3i + γ25 x5i + e1i (21)
y3i = γ31 + γ34 x4i + γ35 x5i + e1i (22)
Como las ecuaciones de este método no comparten variables entre sí, se asume exogeneidad en las regreso-
ras. Para obtener estimadores más ecientes, se enfoca en el método de Mínimos Cuadrados Generalizados,
y si las regresoras no están relacionadas en el sistema de ecuaciones, los estimadores son los mismos que
MCO.

2.0.2. Regresiones por Mínimos Cuadrados Ordinarios para cada ecuación

reg y1 x2 x5
predict errorsur1, residuals
reg y2 x3 x5
predict errorsur2, residuals
reg y3 x4 x5
predict errorsur3, residuals

Matriz de correlación entre los errors, para conocer si existe auto correlación residual contemporánea

7
pwcorr errorsur1 errorsur2 errorsur3, sig star(0.05)
Estimación matricial de la matriz de varianzas y covarianzas de los errores
mkmat x2 x3 x4 x5 y1 y2 y3 x1 cero
Ecuación 1
matrix X_1=x1,x2,x3
matrix B_1=inv(X_1'*X_1)*X_'*y1
matrix list B_1
matrix y1_est=X_1*B_1
matrix residualsur1=y1-y1_est
matrix list residualsur1
Ecuación 2
matrix X_2=x1,x3,x5
matrix B_2 = (inv(X_2'*X_2))*X_2'*y2
matrix list B_2
matrix y2_est=X_2*B_2
matrix residualsur2=y2-y2_est
matrix list residualsur2
Ecuación 3
matrix X_3=x1,x4,x5
matrix B_3 = (inv(X_3'*X_3))*X_3'*y3
matrix list B_3
matrix y3_est=X_3*B_3
matrix residualsur3=y3-y3_est
matrix list residualsur3
Varianza y covarianza de los errores para cada ecuación
scalar t=20
matrix vare1sur=(residualsur1'*residualsur1)/t
matrix vare2sur=(residualsur2'*residualsur2)/t
matrix vare3sur=(residualsur3'*residualsur3)/t
matrix covare1e2sur=(residualsur1'*residualsur2)/t
matrix covare1e3sur=(residualsur1'*residualsur3)/t
matrix covare2e3sur=(residualsur2'*residualsur3)/t
matrix list vare1sur
matrix list vare2sur
matrix list vare3sur
matrix list covare1e2sur
matrix list covare1e3sur
matrix list covare2e3sur
Matriz sumatoria para el modelo SUR (en la siguiente programación no se debe separar por enter)
matrix sumatoriasur=(vare1sur, covare1e2sur, covare1e3sur\
covare1e2sur, vare2sur, covare2e3sur\
covare1e3sur, covare2e3sur, vare3sur)
matrix list sumatoriasur
Matriz X-gorro (en la siguiente programación no se debe separar por enter)
matrix xsur=(x1,x2,x5,cero, cero, cero, cero, cero, cero, cero, cero, cero, x1,x3,x5,
cero, cero, cero\ cero, cero, cero, cero, cero, cero,x1,x4,x5)
matrix list xsur

8
Matriz identidad de tamaño nxn (20x20)
matrix sur_id=I(20)
Matriz inversa de X-gorro (60x9) por el product Kronecker de identidad (20x20)
matrix invsum_id=(inv(sumatoriasur))#sur_id
matrix list invsum_id
Vector de la variable dependiente de tamaño (nxG)x1 (60x1)
matrix ytres=(y1\y2\y3)
matrix matrix list ytres
Vector de los estimadores del modelo SUR
matrix deltasur = (inv(xsur'*invsum_id*xsur))*((xsur'*invsum_id)*ytres)
matrix list deltasur
Comando para estimar directamente el modelo SUR, para contrastar los resultados de los estimadores
matriciales
reg3 (y1=x2 x5) (y2=x3 x5) (y3=x4 x5), sure small
O también
sureg (y1=x2 x5) (y2=x3 x5) (y3=x4 x5), corr small