Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Carlos Ramos
1 / 18
Introducción
2 / 18
Los Modelos de Ecuaciones Simultaneas
Section 1
3 / 18
Los Modelos de Ecuaciones Simultaneas
4 / 18
Los Modelos de Ecuaciones Simultaneas
hs = α1 w + β1 z1 + u1
donde:
hs son horas anuales ofrecidas de trabajo
w es el salario promedio por hora ofrecido al trabajador
z1 son variables observables que pueden afectar la oferta laboral
(Salario Mínimo, etc.)
hd = α2 w + β2 z2 + u2
Donde hd es las horas anuales demandas de trabajo.
5 / 18
Los Modelos de Ecuaciones Simultaneas
Es fácil ver que ambas ecuaciones dependen una de la otra, dado que
el salario w es determinado por el equilibrio de demanda y oferta
laboral.
his = hid
Por tanto,tenemos que en realidad, las variables independientes deben
de ser igual en ambas ecuaciones.
hi = α1 wi + β1 z1i + u1i
hi = α2 wi + β2 z2i + u2i
Esto nos lleva a tener que tanto hi como wi son variables endógenas
del modelo.
6 / 18
Los Modelos de Ecuaciones Simultaneas
Sesgo de Simultaneidad
y1 = α1 y2 + β1 z1 + u1
y2 = α2 y1 + β2 z2 + u2
Donde z1 y z2 son variables exogenas.
Sustituyendo y1 en la segunda ecuación y resolviendo por y2
obtenemos:
y2 = π21 z1 + π22 z2 + ν2
Dado que α2 α1 6= 1
7 / 18
Los Modelos de Ecuaciones Simultaneas
Sesgo de Simultaneidad
Donde:
α2 β1
π21 =
(1 − α2 α1 )
β2
π22 =
(1 − α2 α1 )
α2 u1 + u2
ν2 =
(1 − α1 α2 )
Es fácil ver, que si α2 6= 0, entonces y2 está correlacionada con u1 , y
por tanto no es una variable exógena.
Más aún, si u1 y u2 están correlacionadas, puede darse el caso que
α2 = 0 pero y2 no es exógena.
8 / 18
Identificación y Estimación
Section 2
Identificación y Estimación
9 / 18
Identificación y Estimación
Identificación
y1 = β10 + α1 y2 + z1 β1 + u1
y2 = β20 + α2 y1 + z2 β2 + u2
10 / 18
Identificación y Estimación
Identificación
11 / 18
Identificación y Estimación
Ejemplo 16.5
rm(list=ls())
library(wooldridge)
library(AER)
data("mroz")
s.iv.1<- ivreg(hours~lwage+educ+age+kidslt6+nwifeinc|
educ+age+kidslt6+nwifeinc+exper+expersq,
data=mroz)
lm.1<- lm(lwage~educ+age+kidslt6+nwifeinc+exper+expersq,
data=mroz[mroz$inlf==1,])
lm.2<-lm(hours~lwage+educ+age+kidslt6+nwifeinc+
lm.1$residuals,
data=mroz[mroz$inlf==1,])
12 / 18
Identificación y Estimación
Ejemplo 16.5
Dependent variable:
hours
lwage 1,639.556∗∗∗ (470.576)
educ −183.751∗∗∗ (59.100)
age −7.806 (9.378)
kidslt6 −198.154 (182.929)
nwifeinc −10.170 (6.615)
Constant 2,225.662∗∗∗ (574.564)
Observations 428
R2 −2.008
Adjusted R2 −2.043
Residual Std. Error 1,354.205 (df = 422)
∗
Note: p<0.1; ∗∗ p<0.05; ∗∗∗ p<0.01
13 / 18
Identificación y Estimación
Ejemplo 16.6
data("openness")
14 / 18
Identificación y Estimación
Ejemplo 16.6
Dependent variable:
inf
open −0.337∗∗ (0.144)
lpcinc 0.376 (2.015)
Constant 26.899∗ (15.401)
Observations 114
R2 0.031
Adjusted R2 0.013
Residual Std. Error 23.836 (df = 111)
∗
Note: p<0.1; ∗∗ p<0.05; ∗∗∗ p<0.01
15 / 18
Más de 2 ecuaciones
Section 3
Más de 2 ecuaciones
16 / 18
Más de 2 ecuaciones
17 / 18
Más de 2 ecuaciones
18 / 18