Modelo de Ecuaciones Simultaneas

Carlos Ramos

1 / 18
Introducción

Hemos visto que podemos enfrentar problemas de endogeneidad

cuando tenemos variables omitidas. Una de las soluciones que
propusimos a este problema, fue el uso de variables instrumentales.
Otro factor que puede darnos problemas de endogeneidad, es el de
simultaneidad.
Esto suele ocurrir cuando estamos estudiando mecanismos de
equilibrio.
Veremos que el método de variables instrumentales puede resolver
este problema también.

2 / 18
Los Modelos de Ecuaciones Simultaneas

Section 1

Los Modelos de Ecuaciones Simultaneas

3 / 18
 Los Modelos de Ecuaciones Simultaneas

Modelos de Ecuaciones Simultaneas

Cada ecuación en un modelo simultaneo tiene que tener una

interpretación casual, ceteris paribus.
Cuando construimos modelos de ecuaciones simultaneas, debemos de
considerar tanto sus predicciones actuales como potenciales.
Por ejemplo, el modelo de demanda y oferta de trabajo es un modelo
de ecuaciones simultaneas.

4 / 18
 Los Modelos de Ecuaciones Simultaneas

Modelo de Demanda/Oferta Laboral

Consideremos el siguiente modelo:

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

Modelo de Demanda/Oferta Laboral

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

Si fueramos a utilizar MCO para estimar alguna de las ecuaciones,

enfrentaríamos problemas de sesgo traido por la simultaneidad.
Consideremos el modelo de 2 ecuaciones:

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

Consideremos el modelo siguiente:

y1 = β10 + α1 y2 + z1 β1 + u1

y2 = β20 + α2 y1 + z2 β2 + u2

Donde z1 y z2 son vectores de variables exogenas.

Asumimos que no todas las variables contenidas en z1 están
contenidas en z2 (aunque haya algunas en común).
Esto se llama la restricción de exclusión. Esto nos permite diferenciar
entre las dos ecuaciones.

10 / 18
 Identificación y Estimación

Identificación

Dado que α1 α2 6= 1 podemos estimar los parametros dado que se

cumpla la condición de rango, dada por:
En un modelo de 2 ecuaciones simultaneas, la identificación de la
primera ecuación es adquirida sí y sólo sí, la segunda ecuación contiene
por lo menos una variable exogena (con parametro diferente a cero) no
incluida en la primera ecuación.

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")

s.lm.1 <- lm(open ~lpcinc+lland, data = openness)

s.iv.1 <- ivreg(inf ~ open+lpcinc|
lpcinc+lland,
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

Identificación con 3 o más ecuaciones

Consideremos el siguiente modelo:

y1 = α12 y2 + α13 y3 + β11 z1 + u1

y2 = α21 y1 + β21 z1 + β22 z2 + β23 z3 + u2
y3 = α32 y2 + β31 z1 + β32 z2 + β33 z3 + β34 z4 + u3
Cuál de estas ecuaciones puede ser estimada?

17 / 18
 Más de 2 ecuaciones

Condición de orden para la identificación

Una ecuación en un sistema de ecuaciones simultáneas satisface la

condición de orden para identificación cuando el número de varias
exógenas no incluidas en la ecuación es igual o mayor en cantidad que
el número de variables endógenas independientes en dicha ecuación.
Por otro lado, para que se cumpla la condición de rango, debemos de
tener que β34 6= 0. De lo contrario, y2 no estaría identificado.
Desafortunadamente, es dificil determinar si esta última ecuación se
cumple, ya que y3 no está identificado, y por tanto no podemos
estimar β34

18 / 18