Lecture 08 Introduccion A Sistemas de Ecuaciones

Sistemas de ecuaciones simultáneas
Randall Romero Aguilar, PhD

randall.romero@ucr.ac.cr
EC4301 - Macroeconometría
II Semestre 2021
Última actualización: 20 de junio de 2022
Tabla de contenidos
1. Motivación
2. El modelo SUR
3. Modelos de ecuaciones simultáneas

1. Motivación
¿Cómo afecta el dinero al producto? Keynesianos vs Clásicos*
Cuando la oferta de dinero aumenta, el empleo y el producto real...
Clásicos
no se ven afectados.
⇒⇐ Keynesianos
también aumentan.
En palabras de Lucas (1996):

Esta tensión entre dos ideas incompatibles —que cambios en dinero son
cambios neutrales de unidades, y que inducen movimientos en empleo y pro-
ducción de la misma direción—ha estado en el centro de la teoría monetaria
al menos desde Hume (1752).
*
Basado en Walsh (2010,
©Randall Romero Aguilar, PhD
ch.1) EC-4301 / 2021.I 1
Un econometrista al rescate
▶ Para resolver este problema, un econometrista estima el modelo
yt = ȳ + α0 mt + α1 mt−1 + c0 zt + c1 zt−1 + ut
donde m es dinero, y es producto, z una variable de control.

▶ Si α0 = α1 = 0, los keynesianos estarían en problemas.
▶ Si α0 > 0, los clásicos estarían en problemas.
©Randall Romero Aguilar, PhD EC-4301 / 2021.I 2

Una regla de política monetaria
▶ Suponga que el banco central desea estabilizar el producto alrededor de ȳ.

▶ Para ello fija la oferta de dinero así:
m∗t = argmin E (yt − ȳ)2

mt
= argmin E (α0 mt + α1 mt−1 + c0 zt + c1 zt−1 + ut )2

mt
α1 c1
= − mt−1 − zt−1
α0 α0
donde se supone que el banco central espera E zt = 0.
▶ La regla de política sería
m∗t = π1 mt−1 + π2 zt−1 + νt

Otra versión de los hechos
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 + d0 [mt − π1 mt−1 − π2 zt−1 ] + d1 zt + d2 zt−1 + ut

= ȳ + d0 mt − d0 π1 mt−1 + d1 zt + (d2 − d0 π2 )zt−1 + ut

Un econometrista en problemas
El econometrista compara los dos modelos:

keynes yt = ȳ + α0 mt + α1 mt−1 + c0 zt + c1 zt−1 + ut
clásico yt = ȳ + d0 mt − d0 π1 mt−1 + d1 zt + (d2 − d0 π2 )zt−1 + ut
▶ La estimación de la regresión no puede distinguir entre las dos hipótesis
propuestas: los modelos resultan en regresiones observacionalmente equivalentes.
▶ Los parámetros estimados pueden depender de la regla de política.
▶ Así, el ejercicio estaría sujeto a la crítica de Lucas (1976): no podemos predecir
qué pasaría si cambia la política, porque el modelo podría no ser invariante a la
política misma.

Un econometrista con más problemas
▶ Suponga que el econometrista se conforma con estimar el modelo
yt = ȳ + α0 mt + α1 mt−1 + c0 zt + c1 zt−1 + ut
y que zt es el déficit fiscal.

▶ Si τ es la tasa impositiva media y el gasto público ḡ es constante, entonces:
zt = ḡ − τ yt
▶ En este caso, estimar el modelo por OLS resulta en estimadores sesgados e

inconsistentes!

Nota:
Sesgo de simultaneidad
▶ Considere el modelo
Ct = α + βYt + ϵ
Yt = C t + It
▶ Esto implica que Yt = α+I ϵt

1−β + 1−β .
t
▶ Si se estima la primera ecuación por OLS, la estimación será inconsistente porque

( )
ϵt 1
Cov (Yt , ϵt ) = Cov , ϵt = V (ϵt ) ̸= 0
1−β 1−β

Un modelo de ecuaciones simultáneas (VAR estructural)
▶ 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
▶ Su estimación exige imponer (muchas) restricciones. Por ejemplo, acá imponemos

la restricción de que zt no afecta a mt en el mismo período.

Resolviendo el sesgo de simulateidad
Según Sims (1980, pp.14-15)

Debido a que los grandes modelos existentes contienen demasiadas restricciones
increíbles, la investigación empírica dedicada a probar teorías macroeconómicas alter-
nativas con demasiada frecuencia procede en un marco de una o pocas ecuaciones.
Esta razón es suficiente para que valga la pena investigar la posibilidad de crear gran-
des modelos en un estilo que no tienda a acumular restricciones tan caprichosamente…
Debe ser factible estimar modelos macro de gran escala como formas reducidas sin
restricciones, tratando todas las variable como endógenas.

Un vector autor-regresivo (VAR)
Así, lo que Sims (1980) propone† es estimar
yt = ȳ + α11 yt−1 + α12 mt−1 + α13 zt−1 + uyt

mt = m̄ + α21 yt−1 + α22 mt−1 + α23 zt−1 + um
t
zt = z̄ + α31 yt−1 + α32 mt−1 + α33 zt−1 + uzt
▶ Este es un modelo reducido: Las variables yt , mt , zt no interactuan
contemporáneamente.
▶ También es un modelo SUR: todas las ecuaciones tienen los mismos regresores;
los errores están correlacionados.
▶ Al ser un modelo SUR con regresores idénticos, puede estimarse con OLS
ecuación por ecuación.
†
El modelo original de
Sims es de 6 ecuaciones; acá solo ilustramos la propuesta.
EC-4301 / 2021.I 10
El curso
En la segunda parte de este curso aprenderemos:

▶ la teoría básica de estimación de sistemas de ecuaciones.
▶ la distinción entre modelos estructural, recursivo, y reducido.
▶ la estimación y uso de los modelos VAR y VECM.
▶ el concepto de integración.
▶ el uso de herramientas analíticas:
▶ la causalidad de Granger,
▶ las funciones de impulso respuesta,
▶ la descomposición de varianza,
▶ los pronósticos.

2. El modelo SUR
Introducción
▶ Hay modelos uniecuacionales que aplican a un grupo de variables relacionadas.

▶ Ejemplos:
▶ Modelo CAPM
rit − rf t = αi + βi (rM t − rf t ) + ϵit
▶ Modelos de inversión
Iit = β1i + β2i Fit + β3i Cit + ϵit
▶ Como los errores ϵit de las distintas ecuaciones pueden estar correlacionados, es
preferible considerar los modelos de manera conjunta.

Modelo de regresiones aparentemente no relacionadas (SUR)
▶ En este modelo se presentan un grupo de variables dependientes, pero NO

simultáneas.
▶ Cada ecuación puede tener sus propias variables explicativas o éstas pueden ser las
mismas para todas las ecuaciones.

El modelo SUR: ecuaciones no simultáneas
Las ecuaciones del sistema son

 y1 = x1 β1 + ϵ1



 y2 = x2 β2 + ϵ2
 ..

 .


yM = xM βM + ϵM
que se pueden expresar como

      
y1 x1 0 . . . 0 β1 ϵ1
 y   0 x2 . . . 0  β2   ϵ2 
 2     
 ..  =  ..  ..  +  .. 
 .   .  .   . 
yM 0 0 . . . xM βM ϵM
Y x β ϵ

El modelo SUR: errores correlacionados
Se asume que perturbaciones de distintas observaciones no están correlacionadas,

aunque las perturbaciones de distintas ecuaciones sí pueden estar correlacionados:
[ ]
E ϵi ϵ′j | x = σij I
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

Nota:
El producto Kronecker
] [
a b
▶ Si A = y B son matrices, el producto Kronecker se define por
c d
[ ]
aB bB
A⊗B =
cB dB
▶ Algunas propiedades importantes:
(A ⊗ B)′ = A′ ⊗ B ′
(A ⊗ B)−1 = A−1 ⊗ B −1
(A ⊗ B)(C ⊗ D) = (AC) ⊗ (BD)

Estimación de un modelo SUR
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

Caso especial del modelo SUR
▶ 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.

SUR: las regresiones tienen los mismos regresores
En el caso especial x1 = · · · = xM = X tenemos
   
x1 0 . . . 0 X 0 ... 0
 0 x2 . . . 0   0 X ... 0
   
x= .. = .. =I ⊗X
 .   . 
0 0 . . . xM 0 0 ... X
y el estimador GLS es
[ ]−1 ′
β̂ GLS = x′ (Σ ⊗ I)−1 x x (Σ ⊗ I)−1 Y
[ ]−1
= (I ⊗ X)′ (Σ ⊗ I)−1 (I ⊗ X) (I ⊗ X)′ (Σ ⊗ I)−1 Y
[ ] −1
= (I ⊗ X′ )(Σ−1 ⊗ I)(I ⊗ X) (I ⊗ X′ )(Σ−1 ⊗ I)Y
[ ]−1 [ −1 ]
= Σ−1 ⊗ (X′ X) Σ ⊗ X′ Y
[ ][ ]
= Σ ⊗ (X′ X)−1 Σ−1 ⊗ X′ Y
[ ]
= I ⊗ (X′ X)−1 X′ Y
[ ]
β̂ GLS = I ⊗ (X′ X)−1 X′ Y
 ′ −1 ′  
(X X) X 0 ... 0 y1
 0 (X ′ X)−1 X′ . . . 0  y 
  2 
= ..   .. 
 .  . 
0 0 ′ −1
. . . (X X) X ′ yM
 ′ −1 ′   OLS 
(X X) X y1 β̂1
 (X′ X)−1 X′ y  β̂ OLS 
 2  2 
= ..  =  .. 
 .   . 
(X′ X)−1 X′ yM OLS
β̂M
Si todas las regresiones tienen los mismos regresores, el sistema SUR puede estimarse
con OLS ecuación por ecuación.

3. Modelos de ecuaciones simultáneas
Introducción a ecuaciones simultáneas
▶ En Economía, muchas de las teorías se construyen como modelos de ecuaciones

simultáneas
▶ Ejemplos:
Un modelo de oferta y demanda Un modelo de demanda agregada
qtd = α0 + α1 pt + α2 xt + ϵdt Ct = α0 + α1 Yt + ϵ1t

qts = β0 + β1 pt + ϵst It = β0 + β1 (Yt − Yt−1 ) + ϵ2t
qtd = qts =q Y t = C t + I t + Gt

Modelo de ecuaciones simultáneas
▶ En este modelo se presentan un grupo de variables dependientes que se

determinan simultáneamente en un sistema de ecuaciones.
▶ Se asume que existen tantas ecuaciones como variables dependientes en el sistema.

Representación de un modelo en forma estructural
▶ Hay K variables exógenas, M endógenas, y M ecuaciones.

▶ Se cuenta con T observaciones de cada variable.

 γ11 yt1 + · · · + γM 1 ytM + β11 xt1 + · · · + βK1 xtK = ϵt1



 γ12 yt1 + · · · + γM 2 ytM + β12 xt1 + · · · + βK2 xtK = ϵt2
 ..

 .


γ1M yt1 + · · · + γM M ytM + β1M xt1 + · · · + βKM xtK = ϵtM

Ecuaciones en forma estructural: una observación en matrices
Escribimos las ecuaciones como yt′ Γ + x′t B = ϵ′t :

 
γ11 . . . γ1M
[ ] .. 
y1 . . . y M t  .  + ...
yt′ γM 1 . . . γM M
Γ
 
β11 . . . β1M
[ ] ..  [ ]
x1 . . . x K t  .  = ϵ1 . . . ϵ M t
x′t βK1 . . . βKM ϵ′t
B
En las matrices Γ y B, cada columna corresponde a una ecuación, y cada fila a una
variable.

Modelo en forma estructural: todas las observaciones en matrices
Juntando todas las observaciones yt′ Γ + x′t B = ϵ′t obtenemos
y1′ Γ + x′1 B = ϵ′1 

  ′   ′  ′  ′  ′
y1′ Γ x1 B ϵ1 y1 x1 ϵ1
y2′ Γ+ x′2 B= ϵ′2
 y2′ Γ   x′2 B   ϵ′2   y2′   x′2   ϵ′2 
           
.. ⇒  .  +  .  =  .  ⇒  . Γ +  . B =  . 
 ..   ..   ..   ..   ..   .. 
.
′ ′ ′ ′ ′
yT′ Γ + x′T B = ϵ′T yT Γ xT B ϵT yT xT ϵ′T
Forma Estructural
yt′ Γ + x′t B = ϵ′t Y Γ + XB = E

Representación de un modelo en forma reducida
Postmultiplicando la forma estructural por Γ−1 tenemos

yt′ Γ + x′t B = ϵ′t Y Γ + XB = E
yt′ ΓΓ−1 + x′t BΓ−1 = ϵ′t Γ−1 Y ΓΓ −1
+ XBΓ−1 = EΓ−1
o bien
yt′ − x′t Π = νt′ Y − XΠ = V
yt′ = x′t Π + νt′ Y = XΠ + V
donde hemos definido Π ≡ −BΓ−1 como los parámetros reducidos del sistema, y
vt′ ≡ ϵ′t Γ−1 .
Forma Reducida
yt′ = x′t Π + νt′ Y = XΠ + V

Ejemplo 1:
Forma estructural y reducida del modelo de
oferta y demanda
Un modelo de oferta y demanda
 d d

 q t = α 0 + α 1 pt + α 2 x t + ϵ t
qts = β0 + β1 pt + ϵst

 d
qt = qts = q
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
Note que cada columna de Γ y de B corresponden a una ecuación del modelo.

[ ] [ ]
1 1 β1 1
Así, Γ = −α −β1
⇒ Γ−1 = β −α
1
1
1 −α1 −1
1
Los parámetros reducidos son:
[ ][ ] [ ]
α0 β0 β1 1 α 0 β1 − α 1 β0 α 0 − β0
Π = −BΓ−1 = 1
= 1
β1 −α1 α2 0 −α1 −1 β1 −α1 α 2 β1 α2
y los shocks reducidos son:

[ ]
[ ] β1 1 [ ]
νt′ = ϵ′t Γ−1 = 1
ϵdt ϵst = 1
β1 ϵdt − α1 ϵst ϵdt − ϵst
β1 −α1 −α1 −1 β1 −α1
por lo que la forma reducida es:

α 
0 β1 −α1 β0 α0 −β0
[ ] [ ] β1 −α1 β1 −α1 [ ]
β1 ϵd s
ϵd s
qt pt = 1 xt  + t −α1 ϵt t −ϵt
α 2 β1 α2 β1 −α1 β1 −α1
yt′ x′t β1 −α1 β1 −α1 νt′
Π

La forma reducida corresponde a la cantidad y precio de equilibrio:

t −α1 ϵt
β 1 ϵd s
∗ α0 β1 −α1 β0

 qt = + α2 β 1
β1 −α1 xt +
 β1 −α1
π11 π21
β1 −α1
ν1

 ∗ α0 −β0 α2 t −ϵt
ϵd s
 pt = β1 −α1 + β1 −α1 xt + β1 −α1
π12 π22 ν2
A partir de la forma reducida, es fácil calcular el efecto de shocks o de cambios en variables

exógenas sobre las endógenas. Por ejemplo:
∂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).

Ejemplo 2:
Forma estructural y reducida del modelo de
demanda agregada
Un modelo de demanda agregada


Ct = α0 + α1 Yt + ϵ1t
It = β0 + β1 (Yt − Yt−1 ) + ϵ2t


Y t = C t + I t + Gt
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
Como tomamos la transpuesta, note que cada fila de Γ′ y de B ′ corresponden a una

ecuación del modelo.

   
1 0 −α1 1 − β1 α1 α1
Así, Γ′ =  0 1 −β1  ⇒ Γ′ −1 = 1−α 1 −β  β1
1 1
1 − α1 β1 
−1 −1 1 1 1 1
Los parámetros reducidos son:
  
1 − β1 α1 α1 α0 0 0
′ ′ −1 ′
Π = −Γ B = 1−α 1 −β  β1 1 − α1 β1   β0 −β1 0
1 1
1 1 1 0 0 1
 
α0 − α0 β1 + α1 β0 −α1 β1 α1
= 1−α 1 −β  α0 β1 + β0 − α1β0 α1 β1 − β1 β1 
1 1
α0 + β0 −β1 1
y los shocks reducidos son:

  
1 − β1 α1 α1 ϵ1t
′ −1
νt = Γ ϵt = 1−α 1 −β  β1 1 − α1 β1  ϵ2t 
1 1
1 1 1 0
 
(1 − β1 )ϵ1t + α1 ϵ2t
= 1−α 1 −β β1 ϵ1t + (1 − α1 )ϵ2t 
1 1
ϵ1t + ϵ2t
por lo que la forma reducida es:

      
Ct α0 − α0 β1 + α1 β0 −α1 β1 α1 1 (1 − β1 )ϵ1t + α1 ϵ2t
 It  = 1  α0 β1 + β0 − α1β0 α1 β1 − β1 β1 Yt−1  + 1−α 1 −β β1 ϵ1t + (1 − α1 )ϵ2t 
1−α1 −β1 1 1
Yt α 0 + β0 −β1 1 Gt ϵ1t + ϵ2t
yt Π′ xt νt

La forma reducida corresponde al consumo, inversión, e ingreso de equilibrio:
 ∗ α0 −α0 β1 +α1 β0 α1 β1 α1 (1−β1 )ϵ1t +α1 ϵ2t

 Ct = − Y
1−α1 −β1 t−1
+ G
1−α1 −β1 t
+


1−α1 −β1 1−α1 −β1
α0 β1 +β0 −α1β0 α1 β1 −β1
It∗ = β1 β1 ϵ1t +(1−α1 )ϵ2t
+ Y
1−α1 −β1 t−1
+ G
1−α1 −β1 t
+


1−α1 −β1 1−α1 −β1


Yt∗ = α0 +β0
1−α1 −β1
− β1
Y
1−α1 −β1 t−1
+ 1
G
1−α1 −β1 t
+ ϵ1t +ϵ2t
1−α1 −β1
Así, el multiplicador del gasto público es:
∂Yt∗ 1
= π33 = 1−α1 −β1
∂Gt
De nuevo, observe que los shocks reducidos son combinaciones lineales de los shocks
estructurales.

Identificación
▶ El problema de identificación en ecuaciones simultáneas se refiere a cómo obtener

los parámetros estructurales B, Γ, Σ a partir de los parámetros reducidos Π, Ω.
 
Π = −BΓ−1 
 
B =?
⇒ Γ =?
( −1 )′  
−1  
Σ =?
Ω= Γ ΣΓ
▶ No es un problema de estimación, sino de resolución de un sistema de ecuaciones

no lineales.

Identificación (cont’n)
▶ Considere la matriz F ̸= I, y defina Γ̃ = ΓF y B̃ = BF . Entonces
Y Γ + XB = E (estructura verdadera)
Y Γ̃ + X B̃ = Ẽ (estructura falsa)
▶ Pero ambas tienen la misma forma reducida!:
Π̃ = −B̃ Γ̃−1
= −BF F −1 Γ−1
= −BΓ−1
=Π
▶ Decimos que las estructuras son observacionalmente equivalentes.

Identificación: contando parámetros
parámetros estructurales parámetros reducidos

Γ M2
B KM Π KM
M (M +1) M (M +1)
Σ 2 Ω 2
M M
Total: 2 (1 + 2K + 3M ) Total: 2 (1 + 2K + M )
Para identificar los parámetros B, Γ, Σ a partir de Π, Ω tenemos:

M
2 (1 + 2K + 3M ) − M
2 (1 + 2K + M ) = M2
# de incógnitas # de ecuaciones exceso de parámetros

Identificación de la ecuación j
Dado que tenemos más parámetros estructurales que reducidos, es necesario tener
información no muestral:
▶ normalizaciones ▶ restricciones lineales
▶ identidades ▶ restricciones en varianza
▶ exclusiones

Identificación via restricciones lineales por ecuación
La forma estructural puede escribirse como Azt = ϵt :

 
yt1
    
γ11 ... γM 1 β11 . . . βK1  ...  ϵt1
 γ12   
 ... γM 2 β12 . . . βK2   ytM   ϵt2 

 ..   = . 
 .  xt1   .. 
 
γ1M ... γM M β1M . . . βKM  ...  ϵtM
xtK
[ ]
Algunos de los parámetros de la fila j: γ1j . . . γM j β1j . . . βKj están
restringidos porque:
▶ una variable endógena está normalizada, ej: γjj = 1
▶ alguna variable está excluida, ej: γ3j = 0 o bien β2j = 0
▶ dos variables tienen el mismo coeficiente, ej: β2j = β3j
Restricción de normalización
La más sencilla de las restricciones es la normalización: en cada ecuación, el parámetro

de una variable (usualmente endógena) es uno.
Ejemplos:
1qtd = α0 + α1 pt + α2 xt + ϵdt 1Ct = α0 + α1 Yt + ϵ1t

1qts = β 0 + β 1 pt + ϵst 1It = β0 + β1 (Yt − Yt−1 ) + ϵ2t
qtd = qts Y t = C t + I t + Gt

Restricción de exclusión
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:
qtd = α0 + α1 pt + α2 xt + ϵdt Ct = α0 + α1 Yt + 0Yt−1 + 0Gt + 0It + ϵ1t

qts = β0 + β1 pt + 0xt + ϵst It = β0 + β1 (Yt − Yt−1 ) + 0Gt + 0Ct + ϵ2t
qtd = qts Y t = C t + It + G t

Restricción de combinación lineal de parámetros
En este caso, una combinación lineal de parámetros es conocida. El caso más sencillo
es cuando dos parámetros son iguales.
Ejemplo:
Un modelo de demanda agregada
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.

Nota:
El rango de una matriz
▶ El rango de una matriz A de tamaño M × N se denota por rango[A] y se define
como el número de filas (o columnas) que son linealmente independientes.
▶ Necesariamente, se cumple que
rango[A] ≤ min {M, N }
▶ Si rango[A] = M , decimos que A tiene rango fila completo.

▶ Si rango[A] = N , decimos que A tiene rango columna completo.

La condición de rango
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
Esta condición es necesaria y suficiente.

La condición de orden
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).
Esta condición es necesaria pero no suficiente.

Clasificación de ecuaciones
Condición de orden Condición de rango

Sobre-identificada Se cumple con desigualdad Se cumple
Exactamente identificada Se cumple con igualdad Se cumple
Sub-identificada alguna condición no se cumple
▶ Se dice que está identificada sólo si está “sobre-identificada” o

“exactamente-identificada”
▶ Solo las ecuaciones identificadas pueden ser estimadas

Ejemplo 3:
Identificación en el modelo de oferta y la
demanda
En el ejemplo 1 encontramos esta forma estructural para el modelo de oferta y
demanda
1 1 −α0 −β0 d s

qt pt + 1 xt = ϵt ϵt
−α1 −β1 −α2 0
yt′ x′t ϵ′t
Γ B
que puede escribirse también como

 
  qt

1 −α1 −α0 −α2  pt  ϵdt
Azt = 1   = s
−β1 −β0 0 1 ϵt
Γ′ B′ ϵt
xt
zt
Entonces
1 1 −α2
Ã1 = Ã2 =
1 1 0

1
Demanda Ã1 =
1
no cumple condición de orden, por lo tanto es no-identificada.

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.

Ejemplo 4:
Identificación de un modelo de demanda
agregada
En el ejemplo 1 encontramos esta forma estructural para el modelo de oferta y
demanda
 
Ct
  I   
1 0 −α1 −α0 0 0  t 
ϵ1t
 −β1 −β0 0  Yt 
Azt =  0   = ϵ2t 
1 β1
 
−1 −1 1 0 0 −1  1  0
Γ′ B′ Yt−1 
ϵt
Gt
zt
En este caso las matrices de restricciones de las ecuaciones 1 y 2 son idénticas:

 
1 0 0 0
Ã1 = Ã2 =  0 1 β1 0 
−1 −1 0 −1

[ ]
Ec. consumo ▶ Tenemos rango Ã1 = 3 ⇒ identificada.
▶ Ã1 tiene 4 columnas pero 3 filas ⇒ sobre-identificada.
Ec. inversión ▶ Dado que Ã2 = Ã1 , sabemos que esta ecuación también está
sobre-identificada.
Ec. ingreso ▶ Es una identidad ⇒ no hay nada que estimar.

El modelo recursivo:
Un sistema de ecuaciones no simultáneas
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
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

Contando parámetros del modelo recursivo
parámetros estructurales parámetros reducidos

M (M −1)
Γ 2
B KM Π KM
M (M +1)
Σ M Ω 2
M M
Total: 2 (1 + 2K + M ) Total: 2 (1 + 2K + M )
Asi, para identificar B, Γ, Σ a partir de Π, Ω tenemos:

M
2 (1 + 2K + M ) − M
2 (1 + 2K + M ) = 0
# de incógnitas # de ecuaciones exceso de parámetros
es decir, el sistema está exactamente identificado

Ejemplo 5:
Identificación de un SVAR(1)
▶ Considere el modelo
xt = ϕyt + β11 xt−1 + β21 yt−1 + ϵ1t

yt = γxt + β12 xt−1 + β22 yt−1 + ϵ2t
▶ o bien, en forma matricial

[ ][ ] [ ][ ] [ ]
1 −ϕ xt β11 β21 xt−1 ϵ
= + 1t
−γ 1 yt β12 β22 yt−1 ϵ2t
Γ′ −B ′
▶ 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.

▶ Suponga que estamos dispuestos a asumir que xt no responde a yt
contemporáneamente, es decir ϕ = 0. Entonces, la forma reducida del modelo
sería  
[ ] β11 β21 [ ] [ ]
xt  xt−1 + ϵ1t
= π11 π21
yt β12 + γβ11 β22 + γβ21 yt−1 ϵ2t + γϵ1t
π12 π22
▶ Entonces, si lográramos identificar γ los demás parámetros estructurales serían:
β11 = π11 β21 = π21

β12 = π12 − γπ11 β22 = π22 − γπ21

▶ Suponga además que estamos dispuestos a asumir que los errores no están
correlacionados: [ 2 ]
σ 0
V[ϵt ] = 1
0 σ22
Σ
▶ Entonces, la varianza de los errores reducidos Ω es:
[ 2 ] [ ][ ][ ]
σx σxy 1 0 σ12 0 1 γ
Ω≡ =
σxy σy2 γ 1 0 σ22 0 1
Γ′ −1 Σ Γ−1
[ ]
σ12 γσ12
=
γσ12 γ σ12 + σ22
2
▶ Así, conociendo Ω (estimado a partir de la forma reducida), los parámetros

estructurales estarían identificados!
σxy
σ12 = σx2 γ= σ22 = σy2 − γ 2 σx2
σx2

▶ Antes de continuar, observe que
[ 2 ] [ ][ ][ ]
σx σxy 1 0 σ12 0 1 γ
Ω≡ =
σxy σy2 γ 1 0 σ22 0 1
Γ′ −1 Σ Γ−1
[ ][ ]
σ1 0 σ1 γσ1
=
γσ1 σ2 0 σ2
L L′
▶ Es decir, hemos descompuesto Ω como el producto de una matriz triangular

inferior y su transpuesta:
Ω = LL′
▶ Esta es la descomposición de Choleski. Toda matriz simétrica semi-definida
positiva puede ser descompuesta así.
▶ La diagonal de L identifica las desviaciones estándar de los errores estructurales.

Supuestos acerca del término de error: esperanza
Forma estructural Forma reducida

( )′
E [ϵt |xt ] = 0 E [νt |xt ] = Γ−1 0 = 0
( )′
E [ϵt ϵ′t |xt ] = Σ E [νt νt′ |xt ] = Γ−1 ΣΓ−1 = Ω
( )′
E [ϵt ϵ′s |xt , xs ] = 0 E [νt νs′ |xt , xs ] = Γ−1 0Γ−1 = 0

Nota:
plim
Convergencia en probabilidad
▶ Una secuencia {Xn } de variables aleatorias converge en probabilidad hacia la

variable aleatoria X si para todo ϵ > 0
lim Pr (|Xn − X| > ϵ) = 0

n→∞
▶ Para denotar que {Xn } converge en probabilidad hacia X escribimos

p
Xn −
→X o bien plim Xn = X

Propiedades de la convergencia en probabilidad
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 )

Supuestos acerca del término de error:
limíte de probabilidad
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

Supuestos acerca del término de error:
limíte de probabilidad
Forma estructural Forma reducida
(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

Métodos de estimación
▶ Se clasifican en métodos indirectos y métodos directos.

▶ Los directos se clasifican en dos grupos:
Métodos de información limitada Métodos de información completa

▶ OLS ▶ 3SLS
▶ IV ▶ FIML
▶ 2SLS ▶ GMM
▶ GMM
▶ LIML

Consistencia de OLS de la forma reducida
El estimador OLS de las pendientes Π es consistente

[( )−1 ′ ]
plim Π̂ = plim X ′ X XY
[( )−1 1 ′ ]
= plim T1 X ′ X TX Y
( )−1 ( )
= plim T1 X ′ X plim T1 X ′ Y
= Q−1 (QΠ)
=Π

Consistencia de OLS de la forma reducida (cont’n)
El estimador MCO de la varianza Ω también es consistente

[ ]
plim Ω̂ = plim T1 V̂ ′ V̂
[ ( )′ ( )]
= plim T1 Y − X Π̂ Y − X Π̂
( ) ( ) ( )
= plim T1 Y ′ Y − plim T1 Y ′ X Π̂ − plim Π̂′ T1 X ′ Y + . . .
( )
. . . plim Π̂′ T1 X ′ X Π̂
( )
= Π′ QΠ + Ω − Π′ Q Π − Π′ (QΠ) + Π′ (Q) Π
=Ω

Mínimos cuadrados indirectos (ILS)
▶ Es posible estimar Π y Ω consistentemente con OLS, pero estos parámetros no

son de interés (excepto para proyectar Y |X).
▶ No obstante, si el sistema está identificado, se puede usar Mínimos Cuadrados
Indirectos (ILS), que consiste en estimar Γ̂ILS , B̂ ILS y Σ̂ILS en función de Π̂OLS y
Ω̂OLS .
▶ Propiedades:
▶ factible pero ineficiente
▶ puede haber más de una solución (si está sobre- identificado).

Mínimos cuadrados ordinarios (OLS)
Escribimos la ecuación j como

[ ]
[ ] γj
yj = Y j γ j + X j β j + ϵ j = Y j Xj + ϵ j = Z j δj + ϵ j
Zj
βj
δj
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)
Caso particular: Modelo recursivo
En el modelo recursivo donde Γ es triangular y Σ es diagonal,
y1 = x ′ β 1 + ϵ 1
y2 = x′ β2 + γ12 y1 + ϵ2
..
.
yM = x′ βM + γ1M y1 + · · · + γM −1,M yM −1 + ϵM
OLS es consistente y eficiente, porque no hay sesgo de simultaneidad:

Cov [y1 , ϵ2 ] = Cov x′ β1 + ϵ1 , ϵ2 = 0

Cov [y1 , ϵ3 ] = Cov x′ β1 + ϵ1 , ϵ3 = 0
′
Cov [y2 , ϵ3 ] = Cov x β2 + γ12 y1 + ϵ2 , ϵ3 = 0
y así sucesivamente.

Variables instrumentales (IV)
▶ Para la ecuación yj = Yj γj + Xj βj + ϵj = Zj δj + ϵj suponemos que existe matriz
Wj tal que:
T × (Mj + Kj )
( )
plim T1 Wj′ Zj = ΣW Z (instrumento correlacionado con regresores)
( )
plim T1 Wj′ Wj = ΣW W (instrumento tiene varianza finita)
( )
plim T1 Wj′ ϵj = 0 (instrumento NO correlacionado con errores)
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
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
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,
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.

El estimador 2SLS del sistema es (estadístico p en paréntesis):
Ct = 16.55 + 0.02 Pt + 0.22 Pt−1 + 0.81 (W pt + W gt ) + ϵ1t

(0.00) (0.88) (0.04) (0.00)
It = 20.28 + 0.15 Pt + 0.62 Pt−1 − 0.16 Kt−1 + ϵ2t

(0.01) (0.39) (0.00) (0.00)
W pt = 1.50 + 0.44 Xt + 0.15 Xt−1 + 0.13 At + ϵ3t

(0.19) (0.00) (0.00) (0.00)

Ejemplo 7:
El modelo de la telaraña
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)
▶ Los agricultores pueden sembrar maíz o trigo, pero tardan un período en

producirlo.
▶ Los consumidores están dispuestos a sustituir el consumo de maíz y trigo en
respuesta a los precios que encuentran.

Este modelo puede escribirse
      s 
1 0 0 0 qmt 200 0.5 −0.2   ϵmt
0 1
 1 0 0   qwt   80
 = −0.2 0.4 
p
 ϵswt 
+ d 
1 0 0.2 −1.2pmt  100 0 0  m,t−1 ϵmt 
pw,t−1
0 1 −1.1 0.4 pwt 50 0 0 Yt−1
ϵdwt
Γ Yt B ϵt
▶ 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.

Las ecuaciones de oferta no son simultáneas, por lo que pueden ser estimadas por OLS.
2IHUWDGHPDt]

,QWHUFHSW /3BPDL] /3BWULJR
2IHUWDGHWULJR

,QWHUFHSW /3BPDL] /3BWULJR

Las ecuaciones de demanda sí son simultáneas, por lo que la estimación OLS estaría
sesgada.
'HPDQGDGHPDt]

,QWHUFHSW 3BPDL] 3BWULJR
'HPDQGDGHWULJR

,QWHUFHSW 3BPDL] 3BWULJR
Por ello, estimamos el sistema por 2SLS.
'HPDQGDGHPDt]

,QWHUFHSW 3BPDL]B2/6 3BWULJRB2/6
'HPDQGDGHWULJR

,QWHUFHSW 3BPDL]B2/6 3BWULJRB2/6
Referencias I
Greene, William H. (2012). Econometric Analysis. 7a ed. Prentice Hall. isbn:

978-0-13-139538-1.
Lucas, Robert E. (1996). “Nobel Lecture: Monetary Neutrality”. En: Journal of Political
Economy 104.4, págs. 661-682.
Lucas, Robert Jr (ene. de 1976). “Econometric policy evaluation: A critique”. En:
Carnegie-Rochester Conference Series on Public Policy 1.1, págs. 19-46.
Sims, Christopher A. (ene. de 1980). “Macroeconomics and Reality”. En: Econometrica
48.1.
Walsh, Carl E. (2010). Monetary Theory and Policy. 3a ed. MIT Press. isbn:
978-0262-013772.

Lecture 08 Introduccion A Sistemas de Ecuaciones

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Lecture 08 Introduccion A Sistemas de Ecuaciones

Cargado por

Copyright:

Formatos disponibles

Sistemas de ecuaciones simultáneas

Randall Romero Aguilar, PhD

3. Modelos de ecuaciones simultáneas

Cuando la oferta de dinero aumenta, el empleo y el producto real...

En palabras de Lucas (1996):

▶ Para resolver este problema, un econometrista estima el modelo

donde m es dinero, y es producto, z una variable de control.

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 2

▶ Suponga que el banco central desea estabilizar el producto alrededor de ȳ.

m∗t = argmin E (yt − ȳ)2

= argmin E (α0 mt + α1 mt−1 + c0 zt + c1 zt−1 + ut )2

m∗t = π1 mt−1 + π2 zt−1 + νt

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 3

yt = ȳ + d0 [mt − π1 mt−1 − π2 zt−1 ] + d1 zt + d2 zt−1 + ut

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 4

El econometrista compara los dos modelos:

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 5

▶ Suponga que el econometrista se conforma con estimar el modelo

y que zt es el déficit fiscal.

▶ En este caso, estimar el modelo por OLS resulta en estimadores sesgados e

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 6

▶ Esto implica que Yt = α+I ϵt

▶ Si se estima la primera ecuación por OLS, la estimación será inconsistente porque

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 7

▶ Su estimación exige imponer (muchas) restricciones. Por ejemplo, acá imponemos

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 8

Según Sims (1980, pp.14-15)

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 9

Así, lo que Sims (1980) propone† es estimar

yt = ȳ + α11 yt−1 + α12 mt−1 + α13 zt−1 + uyt

En la segunda parte de este curso aprenderemos:

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 11

▶ Hay modelos uniecuacionales que aplican a un grupo de variables relacionadas.

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 12

▶ En este modelo se presentan un grupo de variables dependientes, pero NO

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 13

que se pueden expresar como

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 14

Se asume que perturbaciones de distintas observaciones no están correlacionadas,

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 15

▶ Algunas propiedades importantes:

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 16

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 17

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 18

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 20

▶ En Economía, muchas de las teorías se construyen como modelos de ecuaciones

Un modelo de oferta y demanda Un modelo de demanda agregada

qtd = α0 + α1 pt + α2 xt + ϵdt Ct = α0 + α1 Yt + ϵ1t

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 21

▶ En este modelo se presentan un grupo de variables dependientes que se

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 22

▶ Hay K variables exógenas, M endógenas, y M ecuaciones.

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 23

Escribimos las ecuaciones como yt′ Γ + x′t B = ϵ′t :

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 24

Juntando todas las observaciones yt′ Γ + x′t B = ϵ′t obtenemos

y1′ Γ + x′1 B = ϵ′1 

yt′ Γ + x′t B = ϵ′t Y Γ + XB = E

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 25

Postmultiplicando la forma estructural por Γ−1 tenemos

yt′ = x′t Π + νt′ Y = XΠ + V

©Randall Romero Aguilar, PhD EC-4301 / 2021.I 26

Note que cada columna de Γ y de B corresponden a una ecuación del modelo.