9.4.c. El estimador de variables instrumentales El procedimiento para obtener estimaciones consistentes de un modelo de este tipo se conece como estimader de variables instrumentales. Una variable instrumental es una variable z, que satisface tres condiciones: a) no esta incluida en el modelo como variable explicativa, b) esta incorrelacionada con el término de error E(z,u,) = 0, y ¢) esta correlacionada con la variable para la cual hace de instrumento, en este caso y,_, Por ejemplo, en el modelo [9.16], el primer retardo de la variable exégena X,—4 Satisface estas tres condiciones, pues aparte de que, por ser determinista: E(x,_,u,-;) =0, también se tiene que x,-, influye sobre y,_, a través del propio modelo [9.16] escrito para el periodo ¢ — 1. En general, en el vector x, tan solo habra unas variables que no satisfa- gan la condicién E(x,u,)=0, y son estas variables las que necesitan de variables instrumentales, Es decir, los vectores x, y 2, tendran en comin aquellas variables que estan incorrelacionadas con el término de error. Asi. en el ejemplo anterior x, = (I, y,-1, ,), mientras que z, podria ser el vector 2, = (1, %-. x,). Finalmente, el estimador de variables instrumentales viene dado por la expresion matricial: Bu =@Xy'Zy [9.17] donde Z denota la matriz T x k de observaciones muestrales de las variables que componen el vector z,, y suponemos que Z'X es invertible. Volviendo al ejemplo anterior, el estimador de variables instrumeniales se obtendria me- diante. B, T-1 a zTy, EEy, B.] =| 2ix-. Bx-am-1 EEx, Ex -iMe (9.18) Bs Jw ETx; EX Sina xix? EIN donde, como puede verse, la matriz ZX dista de ser simétrica. En cuanto a la correlacion que debe existir entre una variable instrumental y la variable explicativa para la que se utiliza como instrumento, cabe observar lo siguiente: a) cs importante que dicha correlacién exista, puesto que como muestra la expresion [9.18], la variable instrumental x,_; sustituye parcialmente a la variable y,, en la estimacién del modelo econométrico. pero, sin embargo, 5) dicha correlacién no puede ser muy importante, puesto que entonces también existiria una correlacion apreciable entre la variable instrumental z, y el término de error w,, que es lo que motivé la necesidad de la variable instrumental.En el modelo [9.16] también podria utilizarse otro retardo, por ejemplo X;-2, como variable instrumental. La diferencia es que la relacion entre esta variable e y,_, se hace mas indirecta; asi, x,_, esta directamente correlaciona- , quien a su vez esta correlacionada con y,, a través del J]. y ésta con y,. El estimador de variables instrumentales del modelo [9.16] es, en general, sesgado, pues Ia variable y,, aparece en la matriz Z’X. Para su insesgo deberia ocurrir que E{(Z’X)"!Z'u] = 0,, pero ello envuelve en general fun- ciones muy complejas cuya esperanza desconocemos. Afortunadamente, po- dremos afirmar que el estimador es consistente bajo las condiciones de la siguiente proposicion: Proposicion 9.1. Sea Z una matriz T x k de observaciones de las variables Z1y 7a «+H QuizA aleatorias, Sea z; la fila t de Z y supongamos que se tiene: 1. E(ziu,) = 0, para todo 1. T Entonces, el estimador de variables instrumentales es consistente pli (Bx) = B + pli (A) ‘ ()| = [nin 2%)] vim 28) = 0-320 =8 a . a donde se ha utilizado que los instrumentos satisfacen: plim —~ = 0,, ZX LZ 2. plim (3 )- Zaz, plim G ) =£,,, ambas no singulares y finitas. Demostracion: Asi pues, la consistencia de By, proviene de la ausencia de correlacion entre instrumentos y termino de error, con independencia de que éste tenga 0 no autocorrelacion. En ausencia de autocorrelacian, podemos caracterizar la distribucion asintética de By: mn 9.2. Dado el modelo y, =xiB +, donde x, es el vector de variables explicativas, que puede uir algunos retardos de la variable endogena, y u,, el termine de error es un ruido blanco, sea Z la matriz T x k de observaciones de las variables z,, 2. .... Ze Y SUPORBAMOS que: 1. E(ziu,) = 0, para todo r. UZ 2. plim (3 ) = £,,, simétrica, definida positiva. . (EX s in(23) no singular,(ZX)"'Z’y es consistente y se tiene: Entonces el estimador By, VT Gx — BY N(0, 028.) 1B.) Demostracion. La consistencia del estimador ha sido el objeto de la proposi- cién anterior, En segundo lugar, el teorema de Mann-Wald asegura que bajo los supuestos 1, 2, 3 se tiene: . (Zu pilin (2) “* y Zu NO O20 Jt (0. oF Les) yy -t fp! y como /T @y — B) = (2) (23). esta funcion converge en distribu- V cién a (E,,)'N(O,, o22,,), que es una distribucién N(0,, o25;,'5,,(2;.'))- E] resultado anterior justifica que en muestras grandes se atilice como matriz de covarianzas del estimador de variables instrumentales: a : F Fe Ene) . a ZX ZZ y Si se utilizan las matrices de momentos muestrales FF sus limites respectivos D,,, L,,, emtonees se tiene como matriz de covarianzas’ vari) = (%) (2) * 22)| (BS) “| ~eteaxy te ey Por iiltimo, el parametro 62 se estimaria dividiendo la suma residual po: el mimero de grados de libertad, T— k. Sin embargo, es importante tener er cuenta que, una vez mas, los residuos deben calcularse utilizando las variables originales del modelo, es decir: go = Nw Wy - Xd - T para aproximar EJ resultado anterior no puede generalizarse facilmente al caso en que ¢ término de error tiene autocorrelacion, por lo que suele utilizarse la matr.. de covarianzas anterior incluso en tal caso, aun a sabiendas que no es sino ur.aproximacion. Un modelo de este tipo debe estimarse, a ser posible, por el método de maxima verosimilitud, que describimos en la Seccién 9.7. 9.4.d. Contraste de exogeneidad de Hausman y Wu La aparicion de retardos de la variable endogena como variables explicativas en presencia de autocorrelacién es un caso muy habitual en que se necesita utilizar un procedimiento de variables instrumentales si se pretende obtener estimaciones consistentes. Pero es aconsejable cuestionarse acerca de las propicdades de exogencidad del resto de las variables explicativas, pues, de no satisfacerse, obtendriamos igualmente estimadores inconsistentes Hausman (1978) y Wu (1973) sugieren escribir cl modelo a estimar, distin- guiendo entre las r variables explicativas Y, que pueden estar correlacionadas con el término de error de aquellas k —r variables Z, cuya ortogonalidad a uy, no se cuestiona: y= XB + Yat Z,5+ y supongamos que se dispone de una lista de instrumentos para Y,, en caso de que se necesitasen. El contraste consiste en estimar inicialmente el modelo por MCO y obtener la suma residual SR,. A continuacidn se estiman regresiones auxiliares de Jas variables en Y, sobre los instrumentos, y se sustituye Y, por la matriz de valores previstos ¥, en el modelo inicial, que se estima por MCO, obteniendo la suma residual SR,. El estadistico: SR, —SR, Buco = Bu) =~ Buco — B)'tVar Gv) — Var Beco)! bajo la hipdtesis nula de que tedas las variables explicativas del modelo original son exdgenas. Un valor elevado del estadistico rebatiria tal supuesto y mostraria la necesidad de utilizar un procedimiento de estimacion de variables instrumentales. La légica de este constraste puede utilizarse en situaciones distintas de la aqui analizada, constituyendo la filosofia general de «un test tipo Hausmann. Supongamos que se dispone de dos estimadores: uno, fl, que bajo Hy es consistente y eficiente, pero que es inconsistente bajo la hipotesis alternativa y, un segundo estimador, fb, que es consistente tanto bajo H, como bajo Hy, aunque sea, posiblemente, ineficiente, Bajo la hipotesis nula, la diferencia ab, —f, converge en probabilidad a cero, pero no bajo la_hipdtesis alternativa. Hausman probé que si la distribucién asintotica de ./T(B, — B) esta bien definida bajo Hy, entonces la covarianza asintatica de ./T(B, — B) y \/T@ es igual a cero, Como consecuencia, la matriz de covarianzas del vector q es igual a la diferencia de matrices: Var(q) = Var(B,) — Var(p,).cconomema Aun reemplazando estas matrices por sus estimaciones, se tiene que el estadistico JT4— N(O, Var(q)) y, por tanto, Tq’ Var(q)q, se distribuye como una variable 7}, siendo p el numero de restricciones que se contrastan, En el contraste de exogeneidad, el estimador MCO es el fi, en la notacién del test de Hausman, mientras que el estimador de VI es el Bs, Ejemple 9.1. A continuacion analizamos diversas especificaciones dinamicas entre Consumo y PIB, con la misma muestra con que hemos trabajado en capitulos previos. En ocasiones, la presencia de autocorrelacién denota una mala especifica- cion dinamica. La inicial funcin de consumo estatica de la Seccion 7.6 puede reformularse de diversas maneras: (a) C,= 113.0 + 043 K+ 044 Gor (48,6) (0,04) (0,05) = 0,999; &, = 101,4; DW = 1,35 R con matriz de covarianzas: 2.366,3 var(B,, Bs, fs) = | 0.4454 0,1592 107# 0,3520 = —0,2079 107? 0,2742 107? o también: 173,0 + 0,38 ¥ + 039 ¥_, (74,3) 0,09) (0,09) (b) 45,8; DW = 90.72 4, la primera de las cuales presenta una situacién de autocorrelaci6n mucho mis favorable que Ia del modelo estitico del Capitulo 7. De hecho, en (a) no rechazariamos Ia hipdtesis nula de ausencia de autocorrelacion, por lo que la estimacién que presentamos puede aceptarse como consistente. De acuerdo con este modelo, un incremento de 1,000 millones de pesetas de PIB genera un incremento de 430 millones de consumo en el mismo aiio, pero también un aumento de 1,000(0,43)(0,44) = 189,2 millones de con- sumo cl afio siguiente, mas otros 1,000(0,43) (0,447) = 83,2 millones, luegootros 1.000(0,43) (0,44) = 36,6 millones, y asi sucesivamente. El efecto a largo plazo es de: por lo que podria hablarse de una propensién marginal a largo plazo de 0,768. El modelo (b) tiene todavia importante autocorrelacién, como ilustra su estadistico Durbin-Watson, por lo que la especificacion (a) es preferible. Sin embargo, en tanto en cuanto se esté dispuesto a aceptar la exogencidad de ¥,, Ja estimacion de (b) es también consistente. La estimacién de este modelo sugiere una propension al consumo a largo plazo de 0,77, como la del modelo (a), pero con un efecto distribuido a partes iguales entre este afio y el siguiente; es decir, una respuesta mas corta en duracién, aunque igual en magnitud, que la del modelo (a) El investigador puede estar interesado en contrastar el grado en que la propensién marginal a consumir a largo plazo, PMLP = oa se aparta — Bs de I. Es decir, queremos contrastar Ho: f, = 1 — fs, donde fy. B y By son los coeficientes del modelo (a) frente a [a alternativa B, < 1 — fy. La discre- pancia de tal restriccién es d= 8, — (1 = fy) = 0,43 — (1 = 0,44) = 0,13 y su varianza: Var[B, — (1 — B5)] = Var B, + Var P, + 2-Cov(f,, Bs) = = 0,1592 107? + 0,2742 107? — 0,4158 107? = 0,0176 107? 2 por lo que ee = 96,02 debe compararse con el valor critico para el contraste de una cola de una variable y2, al que excede a cualquier nivel de significacion, por lo que rechazamos la hipdtesis nula de que la propensién marginal a consumir a largo plazo es igual a uno. Incorporemes ahora como variable explicativa adicional el deflactor del consumo, obtenido a partir de los deflactores del consumo publice y privado, ponderados de acuerdo con los niveles de las variables de consumo asociadas. La fuente es, de nuevo, Molinas, Sebastian, Zabalza (1991). Ademas del estadistico Durbin-Watson, presentamos también el estadistico h de Durbin en aquellos modelos en que resulta relevante, A diferencia de las regresiones anteriores, transformamos todas las variables en logaritmos. Cabria esperar un efecto negativo sobre el consumo de los precios de consumo, medidos por el deflactor, pero éste no aparece en las estimaciones de la Tabla 9.1, Por el contrario, aparecen indicios evidentes acerca de las caracteristicas dindmicas de la relacion entre Consumo y PIB. Los estadisticos DW y Q éste con 15 grados de libertad) sugieren la existencia de autocorrela-316 Econometria cién en los modelos que no incluyen el valor retardado del consumo, pero sugieren que la columna (3) esta estimada consistentemente. En el contraste de una cola del estadistico h, se rechaza la hipotesis nula de ausencia de autocorrelacién al 5 por 100 de significacién cuando h > 1.645, si la alternativa es de autocorrelacién positiva, y cuando h < —1.645 si la alternativa es de autocorrelacion negativa, De nuevo, el modelo de la colum- na (3) parece correcto TABLA 9.1, Variable dependiente: Consumo agregado (privado + publica) Periodo muestral: 1954-1988 Variables en logaritmos (ly Q) @) () Constante 0,757 0,161 0,102 —0,006 (0,898) (0,074) (0,050) ) (0,060) PIB 0,963 0,419 0,531 0.846 (0.010) (0,125) (0,052) (0.143) Inflacion 0,165 0,015 0,017 0,079 (0,097) (0,084) (0,057) (0,063) PIB_y _ 0,539 — —0,630 (0,123) (0,276) Consumo_, - 0,445 0,779 (0,054) (0,161) Elasticidad @ largo plazo 0,963 0,958 0,957 0,977 SRe 10? 1,62 0,99 0,49 0,42 2,29 1,82 1,28 1,24 0,997 0,998 0,999 . 0,999 0,41 0,74 1,68 Durbin h - 0,98 T 34 34 4 (15) 123,7 57,5 47 (0.0) 0) (0.99) Dadas las dificultades del modelo (4), estimamos nuevamente este modelo por variables instrumentales, utilizando como instrumentos: una constante, el PIB contemporaneo, asi como dos retardos suyos; valores similares de la inflacion, asi como el consumo retardado dos periodos, obteniendo los resultados de la columna (5) de la tabla, que presenta variaciones algoModelos dindmicos 317 importantes en los coeficientes, como la presencia de autocorrelacién residual habria hecho esperar. Actuando asi, hemos supuesto exogeneidad del PIB. Es importante observar la considerable estabilidad con que se estima la elasticidad a largo plazo entre el Consumo y la Renta, en torno a 0,960, siendo algo mas elevada para la estimacion de variables instrumentales. Ejemplo 9.2. En la funcién de inversion de la Seccién 7.6 tenemos otra situacién en que la existencia de autocorrelacién puede estar denotando una incorrecta especificacion dindmica. En particular, la inversion puede responder al PIB con cierta inercia. Sin entrar a discutir en detalle las razones, la segunda columna de cada panel de la Tabla 9.2 recoge las estimaciones del modelo: Bo + Bi ¥% + Ba Yi + Bar + donde J,, ¥, y r, denotan la inversidn, el PIB y los tipos de interés reales del periodo f Para poder establecer comparaciones, la primera columna de la Tabla 9.2 contiene las estimaciones MCO que ya se presentaron en la Tabla 7.2, Como puede verse, el retardo del PIB aparece significativo en ambas regresiones. El efecto a largo plazo del PIB se mantiene similar al de las regresiones estat En el modelo con tipo a corto, dicho efecto era de 15.900.000 pesetas de 1980 de aumento de la inversién por cada 100.000.000 de pesetas de 1980 de aumento del PIB. En el modelo dinamico, ese efecto se estima en 16.600,000 pesetas. Algo similar ocurre en el modelo con tipos a largo plazo. TABLA 9.2. Variable endégena: Inversién pesotas constantes de 1980 Constante 8,344 4,750 10,546 7,887 (2,755) (2,702) (2,726) | (2,720) PIB 0,159 0,652 0,155 0,593 (0,019) (0,174) (0,020) (0,187) PIB_, — —0,486 —0,433 (171), (0,184) Tipo de interés | —0,311 | —0,396 @ carto (0,114) | (0,103) Tipo de interés - - @ largo R 0,76 0,82 DW 0,61 0,86 é 2,69 2,33 Q(12) 35,3 27,0 (0,0) (0,0)318 Economerria En ambas regresiones, los estadisticos DW y Q (Ljung-Box) reflejaban claros indicios de autocorrelacin, por lo que se procedié a estimar por MCG, utilizando el procedimiento de Cochrane-Orcutt tras ajustar un modelo autorregresivo de segunda orden a los residuos iniciales, con los resultados que aparecen en la tercera columna Como puede apreciarse al comparar con la Tabla 7.2, la incorrecta espe- cificacion dinamica suponia una subvaloracién del efecto de los tipos de interés reales al estimar por MCG. Si se transforman las variables inversion, PIB y deflactor en logaritmos y se estiman modelos andlogos a los anteriores, s¢ tienen las resultados de la Tabla 9.3, con una interpretacin similar, Ahora puede hablarse de una elasticidad total de la Inversi6n respecto del PIB en torno a 0,80. Esta estimacion es independiente de que se consideren los tipos reales a corto o largo plazo en el madelo, y de que se examine el madelo estitico o su version dinamica, si bien s6lo esta iltima es aceptable. TABLA 9.3. Variables en logaritmos Constante PIB PIB_, Tipo de interés a corto (0,004) | (0,003) | (0,003) Tipo de interés - a largo R 0,82 pw 0,62 0,96 1,96 é 0,080 | 0,069 | 0,049 (12) 35,1 24,4 4,7 (0.0) (0.0r) | (0.94) 9.5. EFICIENCIA RELATIVA DE LOS ESTIMADORES DE VARIABLES INSTRUMENTALES Hasta aqui hemos desarrollado nuestra presentacion del estimador de varia- bles instrumentales como si se dispusiese de un nimero de instrumentos igual al de variables explicativas. En tal c: no existe diferencia entre instrumentos tle Mite aanaralmanta ca dienandr& da nim mtimarn wt naviahlac inetes