Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EC4301 - Macroeconometría
II Semestre 2021
Última actualización: 20 de junio de 2022
Tabla de contenidos
1. Motivación
2. El modelo SUR
Clásicos
no se ven afectados.
⇒⇐ Keynesianos
también aumentan.
*
Basado en Walsh (2010,
©Randall Romero Aguilar, PhD
ch.1) EC-4301 / 2021.I 1
Un econometrista al rescate
yt = ȳ + α0 mt + α1 mt−1 + c0 zt + c1 zt−1 + ut
Ahora suponga que el producto real depende solo de cambios sorpresivos en la oferta
de dinero νt :
yt = ȳ + d0 vt + d1 zt + d2 zt−1 + ut
Pero la regla de política implica vt = mt − π1 mt−1 − π2 zt−1 . Entonces:
yt = ȳ + α0 mt + α1 mt−1 + c0 zt + c1 zt−1 + ut
zt = ḡ − τ yt
Ct = α + βYt + ϵ
Yt = C t + It
▶ Dado que en modelos macro las variables son endógenas, es necesario considerar
un sistema de ecuaciones.
1 −α0 −c0 yt ȳ 0 α1 c1 yt−1 ut
0 1 0 mt = 0 + 0 π1 π2 mt−1 + νt
τ 0 1 zt ḡ 0 0 0 zt−1 0
†
El modelo original de
©Randall Romero Aguilar, PhD
Sims es de 6 ecuaciones; acá solo ilustramos la propuesta.
EC-4301 / 2021.I 10
El curso
▶ Como los errores ϵit de las distintas ecuaciones pueden estar correlacionados, es
preferible considerar los modelos de manera conjunta.
o bien
σ11 I σ12 I . . . σ1M I
[ ] σ21 I σ22 I . . . σ2M I
E ϵϵ′ | x = ..
Ω .
σM 1 I σ M 2 I . . . σ M M I
Σ⊗I
(A ⊗ B)′ = A′ ⊗ B ′
(A ⊗ B)−1 = A−1 ⊗ B −1
(A ⊗ B)(C ⊗ D) = (AC) ⊗ (BD)
El modelo SUR
Y = xβ + ϵ
supuestos del modelo generali-
E [ϵ| x] = 0
zado de regresión lineal!
V [ϵ| x] = Ω = Σ ⊗ I
puede ser estimado por FGLS:
[ ]−1 ′ −1
β̂ GLS = x′ Ω−1 x x Ω Y
[ ′ ]−1 ′
= x (Σ ⊗ I)−1 x x (Σ ⊗ I)−1 Y
▶ Si todas las regresiones tienen los mismos regresores, estimar el sistema SUR por
GLS es equivalente a estimar ecuación por ecuación con OLS.
▶ Este resultado justifica que un VAR sin restricciones se estima ecuación por
ecuación con OLS.
Si todas las regresiones tienen los mismos regresores, el sistema SUR puede estimarse
con OLS ecuación por ecuación.
En las matrices Γ y B, cada columna corresponde a una ecuación, y cada fila a una
variable.
Forma Estructural
donde hemos definido Π ≡ −BΓ−1 como los parámetros reducidos del sistema, y
vt′ ≡ ϵ′t Γ−1 .
Forma Reducida
Su forma estructural es
[ ] [ ]
[ ] 1 1 [ ] −α0 −β0 [ ]
q t pt + 1 xt = ϵdt ϵst
y′
−α1 −β1 x′
−α2 0 ϵ′
t t t
Γ B
∂qt∗ α2 β1 ∂p∗t −1
= π21 = β1 −α1 = β1 −α1
∂xt ∂ϵst
Nótese que a partir de la forma reducida, el efecto de una variable exógena es observable (es un
parámetro reducido), no así el efecto de un shock estructural (está combinado con los demás
shocks estructurales en el shock reducido).
Su forma estructural es
1 0 −α1 Ct −α0 0 0 1 ϵ1t
0 1 −β1 It + −β0 β1 0 Yt−1 = ϵ2t
−1 −1 1 Yt 0 0 −1 Gt 0
Γ′ yt B′ xt ϵt
∂Yt∗ 1
= π33 = 1−α1 −β1
∂Gt
De nuevo, observe que los shocks reducidos son combinaciones lineales de los shocks
estructurales.
Y Γ + XB = E (estructura verdadera)
Y Γ̃ + X B̃ = Ẽ (estructura falsa)
Π̃ = −B̃ Γ̃−1
= −BF F −1 Γ−1
= −BΓ−1
=Π
Dado que tenemos más parámetros estructurales que reducidos, es necesario tener
información no muestral:
▶ normalizaciones ▶ restricciones lineales
▶ identidades ▶ restricciones en varianza
▶ exclusiones
La exclusión se refiere a que alguna variable del modelo no aparece en cierta ecuación
(es decir, su coeficiente es cero en esa ecuación).
Ejemplos:
En este caso, una combinación lineal de parámetros es conocida. El caso más sencillo
es cuando dos parámetros son iguales.
Ejemplo:
Ct = α0 + α1 Yt + ϵ1t
It = β0 + β1 Yt + (−β1 )Yt−1 + ϵ2t
Y t = C t + I t + Gt
es decir, en la ecuación de inversión la suma de los parámetros de Yt y de Yt−1 debe ser igual a
cero.
Sea Ãj la matriz formada por aquellas columnas de A en las que la ecuación j tiene
restricciones.
Condición de rango
La ecuación j está idenficada si y solo si la matriz Ãj tiene rango fila completo; es
decir [ ]
rango Ãj = M
Note que para que se cumpla la condición de rango, es necesario que Ãj tenga al
menos M columnas.
Condición de orden
Para que la ecuación j esté identificada, es necesario que el número de restricciones
en tal ecuación sea mayor o igual al número de variables endógenas del sistema (= al
número de ecuaciones).
Entonces
1 1 −α2
Ã1 = Ã2 =
1 1 0
1 −α
Oferta Ã2 = 1 0 2 cumple condición de rango si y solo si α2 ̸= 0.
En conclusión, podemos estimar la oferta siempre y cuando la demanda efectivamente
dependa de xt . La demanda no puede ser estimada.
y1 = x ′ β 1 + ϵ 1
y2 = x′ β2 + γ12 y1 + ϵ2
..
.
yM = x′ βM + γ1M y1 + · · · + γM −1,M yM −1 + ϵM
⇓
1 0 ... 0 y1 −β1 ϵ1
−γ12 1 . . . 0 y2 −β2 ′ ϵ2
.. .. . . .. . + . x = .
. . . . .. .. xt ..
−γ1M −γ2M . . . 1 yM −βM ϵM
Γ′ es triangular yt B′ ϵt
©Randall Romero Aguilar, PhD EC-4301 / 2021.I 49
El modelo recursivo:
El término de error
E ϵj = 0
E ϵ2j = σj2
E ϵi ϵj = 0 (i ̸= j)
⇓
σ12 0 ... 0
0 σ22 ... 0
E[ϵt ϵ′t ] = . .. .. ..
.. . . .
2
0 0 ... σM
Σ es diagonal
▶ Hay 2 ecuaciones pero cada una tiene únicamente una restricción (la
normalización), por lo que la condición de orden no se cumple ⇒ ninguna
ecuación está identificada.
▶ Para poder estimar este modelo, sería necesario añadir nuevas restricciones.
Sean c una constante, g() una función continua, y Xn , Yn dos secuencias de variables
aleatorias. Entonces:
▶ plim c = c
▶ plim cXn = c plim Xn
▶ plim (Xn + Yn ) = plim Xn + plim Yn
▶ plim (Xn Yn ) = (plim Xn ) (plim Yn )
▶ plim g(Xn ) = g (plim Xn )
Si suponemos que
( )
plim T1 E ′ E = Σ
( )
plim T1 X ′ X = Q
( )
plim T1 X ′ E = 0
Tenemos que
Y′ [ ] Π ′ QΠ + Ω Π′ Q Ω
1
plim X ′ Y X V = QΠ Q 0′
T
V′ Ω 0 Ω
(1 ′
) (1 ′
) ( )′
plim TE E =Σ plim TV V = Γ−1 ΣΓ−1 = Ω
(1 ′
) (1 ′
)
plim T X X =Q plim T X X =Q
(1 ′
) (1 ′
)
plim TX E =0 plim TX V = 0Γ−1 = 0
Estimador OLS
OLS −1
δˆj = Zj′ Zj Zj′ yj
−1
= Zj′ Zj Zj′ (Zj δj + ϵj )
−1 ′
= δj + Zj′ Zj Zj ϵ j
′ −1 ′
Y Yj Yj′ Xj Yj ϵj
= δj + j′
Xj Yj Xj′ Xj Xj′ ϵj
[ ]
1 ′
OLS es inconsistente porque plim T Yj ϵ j ̸= 0 (sesgo de simultaneidad)
©Randall Romero Aguilar, PhD EC-4301 / 2021.I 65
Caso particular: Modelo recursivo
y1 = x ′ β 1 + ϵ 1
y2 = x′ β2 + γ12 y1 + ϵ2
..
.
yM = x′ βM + γ1M y1 + · · · + γM −1,M yM −1 + ϵM
y así sucesivamente.
Estimador IV
IV ( )−1 ′
δˆj = Wj′ Zj W j yj
( 1 ′ )−1 ( 1 ′ )
= δj + T Wj Z j T Wj ϵ j
[ ]
IV es consistente porque plim T1 Wj′ ϵj = 0
©Randall Romero Aguilar, PhD EC-4301 / 2021.I 67
Mínimos cuadrados en dos etapas (2SLS)
Consiste en usar como intrumentos para Yj los valores ajustados por la regresión de Yj
en todas las X’s del sistema.
Etapa 1 Ajustar Yj por OLS usando todas las X
OLS OLS ( )−1 ′
Yˆj = X Π̂j = X X ′X X Yj
[ ]
OLS
Etapa 2 Usar IV con W = Yˆj X :
Estimador 2SLS
[ ]−1 [ ]
2SLS ˆ′ OLS Yj
Y Yˆj′
OLS
Xj Yˆj′
OLS
yj
δˆj = j ′ ′ ′
Xj Y j Xj Xj X j yj
Si no hay autocorrelación ni heteroscedasticidad entonces 2SLS es el estimador IV
más eficiente usando sólo la información de X
©Randall Romero Aguilar, PhD EC-4301 / 2021.I 68
Ejemplo 6:
El Modelo Klein I
TableF10-3.txt
klein-model.do
En 1950 Klein estimó este modelo (conocido ahora como el modelo I de Klein) con
datos anuales de 1921 a 1941‡ :
Ct = α0 + α1 Pt + α2 Pt−1 + α3 (W pt + W gt ) + ϵ1t
consumo
It = β0 + β1 Pt + β2 Pt−1 + β3 Kt−1 + ϵ2t
inversión
W pt = γ0 + γ1 Xt + γ2 Xt−1 + γ3 At + ϵ3t
salarios
privados
Xt = C t + I t + Gt
producto
Pt = Xt − Tt − W p t
utilidades
Kt = Kt−1 + It−1
capital
‡
Basado en Greene (2012,
©Randall Romero Aguilar, PhD
pp332-333) EC-4301 / 2021.I 69
▶ Las variables exógenas son:
▶ Gt = gasto (no salarial) del gobierno
▶ Tt = impuestos indirectos a las empresas + exportaciones netas
▶ W gt = gastos salarial del gobierno
▶ At = tendecia, años desde 1931
▶ Hay tres variables predeterminadas: los rezagos del stock de capital, utilidades
privadas, y demanda total.
▶ El modelo contiene 3 ecuaciones de comportamiento, una condición de equilibrio,
y dos identidades contables.
telaraña.ipynb
En el modelo de la telaraña para los mercados de maíz y de trigo
s
qmt = 200 +0.5pm,t−1 −0.2pw,t−1 +ϵsmt (oferta de maíz)
s
qwt = 80 −0.2pm,t−1 +0.4pw,t−1 +ϵswt (oferta de trigo)
d
qmt = 100 −0.2pmt +1.2pwt +ϵdmt (demanda de maíz)
d
qwt = 50 +1.1pmt −0.4pwt +ϵdwt (demanda de trigo)
▶ Vemos que las ecuaciones de oferta no son simultáneas, pero las de demanda sí lo
son.
▶ Para ilustrar el sesgo de simultaneidad del estimador OLS, y que el estimador
2SLS sí es insesgado, realizamos experimentos de Monte Carlo.
▶ En particular estimamos 1000 veces este modelo a partir de series simuladas de 24
observaciones.
▶ En las figuras que siguen vemos la distribución obtenida para cada parámetro y lo
comparamos con el verdadero valor poblacional.