Eco2 Nolineales

17:19:57
Modelos no lineales
Econometra II
Grado en Economa
Universidad de Granada
Econometra II
Modelos no lineales 1 / 47
17:19:57
Contenidos
Contenidos
lineal al modelo no lineal

Especificaciones no lineales. Aproximacion
Especicaciones no
lineales. Aproximacion
de modelos no lineales: Aproximacion

lineal de Taylor
Estimacion
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
no lineales: MCNL y MV
de modelos no lineales: MCNL y MV

Estimacion
Algoritmos de busqueda:
NewtonRaphson y GaussNewton
Contraste de restricciones sobre los parametros
Apendice
NewtonRaphson y
GaussNewton
Contraste de
restricciones sobre los
parametros
Apendice
Econometra II
17:19:57
Contenidos
Especicaciones no
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
lineal al
Especificaciones no lineales. Aproximacion
modelo no lineal
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
Econometra II
17:19:57
Especificaciones
Contenidos
Especicaciones no
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
Hasta ahora, el efecto sobre Y de un cambio unitario en X no dependa del valor

de X. Que ocurre si el efecto sobre Y de un cambio en X depende del valor de
de las variables independientes?. En este caso, la funcion
de regresion
una (o mas)
no lineal es una funcion
con una pendiente que no es
es no lineal. Una funcion
constante. Hay distintos tipos de especicaciones no lineales:
1.
Modelos intrnsecamente lineales (se pueden estimar por los metodos

conocidos
hasta ahora haciendo un simple cambio de variable y/o transformacion):

yi
de modelos
Estimacion
yi
NewtonRaphson y
GaussNewton
yi
Contraste de
parametros
Apendice
Econometra II
2.
1 + 2 x2i + i ,
1
1 + 2
+ i ,
xi
2 i
1 x
i e .
Modelos intrnsecamente no lineales (no se pueden estimar por los metodos
conocidos hasta ahora debido a la no linealidad existente en los parametros):

yi
2
1 + x
i + i ,
yi
2
1 x
i + i ,
yi
1+
e 2 +3 xi
+ i .
17:19:57
Ejemplo
Contenidos
Especicaciones no
acerca de precios, P , y cantidades, Q,

Supongamos la siguiente informacion
demandadas:
Q
5
6
7
9
12
15
18
22
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
P
10
8
6
4
3
2
1.5
1.2
ln Q
1.609
1.791
1.945
2.197
2.484
2.708
2.890
3.091
ln P
2.302
2.079
1.791
1.386
1.098
0.693
0.405
0.182
se puede obervar que la relacion

entre P y Q no es lineal (Figura 1),
A continuacion
sencilla (aplicando logaritmos) se puede
sin embargo, haciendo una transformacion
(Figura 2).
obtener dicho tipo de relacion
Apendice
Econometra II
17:19:57
Ejemplo
10
Contenidos
Especicaciones no
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
6
P
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
5
4
3
2
Apendice
1
6
10
12
14
16
18
20
22
no lineal
Figura 1: Relacion
Econometra II
17:19:57
Ejemplo
2.5
Contenidos
Especicaciones no
Especicaciones
El modelo Box-Cox
Ejemplo
1.5
ln P
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
NewtonRaphson y
GaussNewton
0.5
Contraste de
parametros
Apendice
0
1.6
1.8
2.2
2.4
ln Q
2.6
2.8
lineal
Figura 2: Relacion
Econometra II
17:19:57
El modelo Box-Cox
Contenidos
Especicaciones no
de Box-Cox permiten corregir la no linealidad en la relacion

entre
La transformacion
pueden ser usadas para solucionar problemas de normalidad y
variables (tambien
de Box-Cox:
heterocedasticidad). A partir de la transformacion
Especicaciones
El modelo Box-Cox
Ejemplo
(1 )
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
(2 )
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
Econometra II
y 1 1
1
ln y
1 6= 0
x2 1
2
ln x
2 6= 0
1 = 0
2 = 0
expresarse linealmente como sigue:

modelos en principios no lineales podran
y (1 ) = + x(2 ) + .
se analizan los casos particulares siguientes:
A continuacion
1
1
1
1
1
= 2 = 1.
= 2 = 0.
= 0 y 2 = 1.
= 1 y 2 = 0.
= 1 y 2 = 1.
17:19:57
El modelo Box-Cox: casos particulares

Contenidos
Especicaciones no
Modelo lineal: 1 = 2 = 1.
unitaria
En este modelo, representa el efecto marginal, es decir, una variacion
en la variable x provoca un cambio en la variable y igual a :
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
y
y = x.
x
Modelo multiplicativo o doblemente logartmico: 1 = 2 = 0.

En este caso, BoxCox coincide con el modelo no lineal: y = Ax e . Aqu,
representa la elasticidad de y respecto de x (es decir, que incremento porcentual
de y se tendra si se produce un incremento porcentual de x):
y
y
y x
= Ax1 = Ax x1 = yx1 = =
.
x
x
x y
Modelo semilogartmico o loglineal: 1 = 0; 2 = 1.
En este caso, BoxCox coincide con el modelo no lineal: y = e+x+ . Aqu,
representa la tasa proporcional constante de crecimiento ( > 0) o de
decrecimiento ( < 0) debido a un cambio unitario en x:
y 1
y 1
y
= e+x = y =
=
.
x
x y
y x
Econometra II
17:19:57
El modelo Box-Cox: casos particulares

Contenidos
Especicaciones no
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
Modelo semilogartmico en: 1 = 1; 2 = 0.

En este caso, BoxCox coincide con el modelo no lineal: y = + ln x + .
que se produce en y provocada por una variacion
en x es
Aqu, la variacion
inversamente proporcional al valor de x:
y
1
= .
x
x
Modelo recproco o hiperbola:

1 = 1, 2 = 1.
En este caso, BoxCox coincide con el modelo no lineal: y = + x1 + . Aqu, la
que se produce en y provocada por una variacion
en x es inversamente
variacion
proporcional al cuadrado de x:
1
y
= 2.
x
x
Apendice
Econometra II
17:19:57
El modelo Box-Cox: ejemplos graficos

Contenidos
Especicaciones no
1.4
1.2
5
0.8
El modelo Box-Cox
0.6
Ejemplo
0.4
0.2
Especicaciones
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
a)
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
0.5
1.5
b)
1.5
0.5
c)
0.5
1.5
0.5
d)
0.5
1.5
1.5
Apendice
Figura 3: Modelo doblemente logartmico con a) = 0.6, b) = 0.6, c)

= 1 y c) = 2.
Econometra II
17:19:57

Contenidos
Especicaciones no
2.25
7
6
1.75
El modelo Box-Cox
1.5
Ejemplo
de modelos
Estimacion
2.5
Especicaciones
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
2.75
1.25
4
0.5
a)
1.5
b)
0.5
1.5
Figura 4: Modelo semilogartmico en y con a) = 0.6 y b) = 0.6.
NewtonRaphson y
GaussNewton
2.25
Contraste de
parametros
Apendice
0.5
-1
1.75
-2
1.5
-3
1.25
1.5
-4
0.5
1.5
-5
0.75
c)
d)
-6
Figura 5: Modelo semilogartmico en x con c) = 0.6 y d) = 0.6.
Econometra II
17:19:57

Contenidos
70
Especicaciones no
0.5
1.5
60
50
-1
40
Especicaciones
-2
30
El modelo Box-Cox
-3
20
-4
10
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
a)
b)
-5
0.5
1.5
Figura 6: Modelo recproco o hiperbolico

con a) = 0.6 y b) = 0.6.
NewtonRaphson y
GaussNewton
500
0.8
Contraste de
parametros
400
0.6
Apendice
200
300
0.4
0.2
100
c)
0.5
1.5
d)
0.5
1.5
Figura 7: Modelo recproco-logartmico con c) = 0.6 y d) = 0.6.
Econometra II
17:19:57
El modelo Box-Cox: ejemplo

Contenidos
Especicaciones no
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
Dados los siguientes datos ajustar un modelo doblemente logartmico:

x
y
1
4
2
50
3
200
4
740
5
3000
y = Ax e , el cual se
El modelo doblemente logartmico responde a la expresion
que considerar logaritmos:
puede linealizar sin mas
ln y = ln A + ln x + ln e y = A + x + ,
donde y = ln y y x = ln x.
Por tanto, se ha llegado a un modelo lineal que se puede estimar por el metodo
de Mnimos Cuadrados Ordinarios:
x
y
0
1386
b = 1 2257 Ab = e1 2257 = 3 4066
A
0693
3912
b = 3 9856
5298
1099
1386
6607
R2 = 0 865
8006
1609
y = 3.4066 x3.9856 .
Por tanto, el modelo estimado quedara b
b al ser obtenido por MCO no tienen
Adviertase
que las propiedades vericadas por A
b
por que extenderse a A.
es el mejor.
Ajustar un modelo del tipo y = A x e y decidir cual
Econometra II
17:19:57

Contenidos
y con respecto a x (con ajuste mnimocuadrtico)
Especicaciones no
3000
Y = 1.21e+003 + 668.X
Especicaciones
2500
El modelo Box-Cox
Ejemplo
2000
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
1500
y
de modelos
Estimacion
1000
NewtonRaphson y
GaussNewton
500
Contraste de
parametros
Apendice
500
1000
1
1.5
2.5
3
x
3.5
4.5
graca
Figura 8: Representacion
de los datos originales.
Econometra II
17:19:57

Contenidos
ly con respecto a lx (con ajuste mnimocuadrtico)
Especicaciones no
Y = 1.23 + 3.99X
Especicaciones
El modelo Box-Cox
Ejemplo
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
6
ly
de modelos
Estimacion
5
4
3
2
1
0
0.2
0.4
0.6
0.8
lx
1.2
1.4
1.6
graca
Figura 9: Representacion
de los datos transformados.
Econometra II
17:19:57
Contenidos
Especicaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
lineal de
Aproximacion
Taylor
Ejemplo
de modelos
Estimacion
de modelos no lineales: Aproximacion

lineal
Estimacion
de Taylor
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
Econometra II
17:19:57
lineal de Taylor
Aproximacion
Contenidos
Especicaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
lineal de
Aproximacion
Taylor
Ejemplo
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
de caracter
Supongamos que pretendemos estimar una relacion

economico
entre
una magnitud y y un conjunto de variables explicativas recogidas en el vector de
mediante el modelo
variables independientes Xt . Representaremos tal relacion
econometrico:
yt = f (Xt , ) + t ,
t = 1, 2, ..., T,
no lineal cualquiera. Podemos tomar una

donde f representa una funcion
lineal de la funcion
en un entorno de un punto cualquiera, pudiendo
aproximacion
elegir inicialmente el valor 0 . El modelo quedara:
yt = f (Xt , 0 ) +
Operando:
yt f (Xt , 0 ) +
f (Xt , )
f (X
t , )
0
=
0
=
( 0 ) + t ,
0 =
f (X
t , )
t = 1, 2, ..., T.
0
=
+ t ,
f (Xt , )
el gradiente de la funcion
0
=
f (Xt , ) evaluado en el vector de parametros

considerado = 0 .
con t = 1, 2, ..., T y siendo el termino
Econometra II
17:19:57
lineal de Taylor
Aproximacion
Contenidos
Si denotamos
Especicaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
yt
el modelo puede reescribirse como
lineal de
Aproximacion
Taylor
yt
Ejemplo
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
= yt f (Xt , 0 ) +
f (Xt , )
f (X
0
=
t , )
0
=
+ t ,
0 ,
t = 1, 2, ..., T.
El modelo as transformado es un modelo lineal general, donde la nueva variable

f (Xt , )
dependiente es y , y el vector de variables explicativas,
, son las
0
=
evaluadas en la estimacion
inicial de
componentes del vector gradiente de la funcion
los parametros.
Aplicando Mnimos Cuadrados Ordinarios:
Apendice

f (Xt , )
0
=
f (Xt , )
0
=
1
f (Xt , )
0
=
y .
dara buenos resultados si los valores iniciales 0 son

Adviertase
que esta estimacion
proximos
a los verdaderos valores de los parametros
a estimar, lo cual normalmente
no es conocido.
Econometra II
17:19:57
lineal de Taylor
Aproximacion
Contenidos
Especicaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
lineal de
Aproximacion
Taylor
anterior puede expresarse equivalentemente,

La expresion
= +

f (Xt , )
NewtonRaphson y
GaussNewton
=
var()
f (Xt , )
0
=

2 =
f (Xt , )
0
=
f (Xt , )
0
=
f (Xt , )
0
=
1
(y f (X, )) (y f (X, )))

.
T k
las perturbaciones se distribuyen normalmente, el estimador de

Si ademas
lineal, tambien
mnimos cuadrados ordinarios, obtenido con esta aproximacion

sera normalmente distribuido:
N
, 2

f (Xt

, )
0
=
f (X
siempre y cuando la ultima
matriz inversa exista.

Econometra II
1
insesgada de la varianza del termino
se obtiene:
Una estimacion
de perturbacion
Contraste de
parametros
Apendice
0
=
realizada.
donde
= yt f (Xt , 0 ) es el residuo obtenido en la estimacion
Si suponemos que E(
) = 0 y var(
) = 2 I, entonces sera insesgado y:
Ejemplo
de modelos
Estimacion

, )
0
=
1 !
17:19:57
lineal de Taylor: ejemplo

Aproximacion
Contenidos
Especicaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
lineal de
Aproximacion
Taylor
Ejemplo
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
lineal del
Dado el modelo yt = 1 e2 xt + t vamos a obtener una aproximacion
mismo.
Puesto que f (Xt , ) = 1 e2 xt depende de 1 y 2 en este caso se verica
que:

#
1 e2 xt 1 e2 xt
f (Xt , )
= e2 xt 1 xt e2 xt .
=
1
2
se tiene:
Por tanto, dado un valor inicial ,
yt
+
f (Xt , )
b1 eb
2 xt
f (Xt , )
eb
2 xt
b1 xt eb
2 xt
+ t
( )

b1
1
b2
2
+ t
b1 eb2 xt + eb2 xt (1 b1 ) + b1 xt eb2 xt (2 b2 ) + t .
Operando de forma conveniente:
b1 eb2 xt + eb2 xt b1 + b1 xt eb2 xt b2 = eb2 xt 1 + b1 xt eb2 xt 2 + t .

yt
es intrnsecamente lineal, es decir, haciendo

Como se puede observar esta expresion
un cambio de variable puede estimarse por MCO.
Econometra II
17:19:57
lineal de Taylor: ejemplo

Aproximacion
Contenidos
Especicaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
lineal de
Aproximacion
Taylor
Ejemplo
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
Econometra II
En efecto, llamando
yt
x1t
x2t
b1 eb2 xt + eb2 xt b1 + b1 xt eb2 xt b2 ,

yt
b2 xt ,
e
b1 xt eb2 xt ,
lineal yt = x1t 1 + x2t 2 + t .

se obtendra la aproximacion
b1 = y y b2 = 0 se
Por ejemplo, para el valor inicial
linealizado:
yt = 1 + xt 2 + t ,
donde yt = yt y xt = y xt .
As por ejemplo:
y
3
b
y = 49 78 + 0 0504xt
11
R2 = 0 932
34
100
obtendra el modelo
x
22
38
50
76
x = y x
814
1406
1850
2812
17:19:57
Contenidos
Especicaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
Mnimos cuadrados no
lineales
Ejemplo
de modelos no lineales: Mnimos Cuadrados

Estimacion
por Maxima
no lineales y estimacion
Verosimilitud
por
Estimacion
maxima
verosimilitud
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
Econometra II
17:19:57
Mnimos cuadrados no lineales

Contenidos
Especicaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
Mnimos cuadrados no
lineales
Ejemplo
por
Estimacion
maxima
verosimilitud
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
Dentro de este apartado, estudiaremos explcitamente las situaciones en las cuales
no es posible transformar el modelo de manera que pueda estimarse con las tecnicas
correspondientes al modelo lineal general.
de estimacion
El primer metodo
que pasamos a abordar para estimar relaciones de tipo no
que una generalizacion
lineal es el de mnimos cuadrados no lineales, que no es mas
del procedimiento del metodo

de mnimos cuadrados ordinarios. Recordemos, que
la idea de partida del metodo

de mnimo-cuadratico
no exige en ningun
momento la
analtica del mismo se complica bastante
linealidad del modelo, si bien, la resolucion
cuando el modelo no es lineal.
generica
Supongamos que pretendemos estimar un modelo cuya especicacion

es:
yt = f (Xt , ) + t ,
donde Xt es el vector de variables independientes, es el vector de parametros

del
no lineal de las componentes de los vectores
modelo a estimar y f es una funcion
Xt y , y cuya primera derivada vamos a suponer que es no lineal en .
El metodo
de mnimos cuadrados no lineales, al igual que su homologo
lineal,
trata de minimizar la suma de los residuos al cuadrado, es decir, minimizar la
siguiente expresion:
SRC() =
T
X
t=1
Econometra II
t = 1, 2, ..., T,
e2t
T
X
(yt f (Xt , ))2 .
t=1
17:19:57
Mnimos cuadrados no lineales

Contenidos
Especificaciones no
anterior obtenemos las condiciones de primer y segundo

Derivando la expresion
del mnimo.
orden necesarias y suficientes para la obtencion
As, derivando una primera vez se obtiene:
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
Mnimos cuadrados no
lineales
X
f (Xt , )
SRC()
(yt f (Xt , ))
= 2
,
t=1
e igualando a cero dicha derivada parcial se obtienen las ecuaciones normales del
modelo:
T
X
Ejemplo
por
Estimacion
maxima
verosimilitud
(yt f (Xt , ))
t=1
NewtonRaphson y
GaussNewton
f (Xt , )
= 0,
t.
Contraste de
parametros
Apendice
Econometra II
17:19:57
Mnimos cuadrados no lineales: ejemplo

Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
Mnimos cuadrados no
lineales
Ejemplo
por
Estimacion
maxima
verosimilitud
NewtonRaphson y
GaussNewton
Contraste de
parametros
2
Obtener el sistema de ecuaciones normales del modelo yt = 1 + x
t + t .
El objetivo es minimizar la suma de cuadrados de los residuos, esto es,
SRC() =
T #
P
2
yt 1 x
t
t=1
2
, donde = (1 2 ).
anterior (usando que si f (x) = ax

Por tanto, habra que derivar la expresion
x
entonces f (x) = a ln a) con respecto a cada uno de los elementos de :
SRC()
1
T
X
#
2
yt 1 x
,
t
t=1
SRC()
2
T
X
#
2
2
yt 1 x
x
t
t ln xt .
t=1
E igualando a cero dichas derivadas se obtendra el sistema de ecuaciones normales

buscado:
Apendice
T
X
#
2
yt 1 x
t
t=1
T
X
#
2
2
yt 1 x
x
t
t ln xt
t=1
Econometra II
0,
0.
17:19:57
Mnimos cuadrados no lineales: ejemplo

Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de consumo
Un ejemplo de este tipo de especificaciones, en Economa, es la funcion
3
agregado: Ct = 1 + 2 Yt + t .
Los estimadores mnimo cuadraticos

de 1 , 2 y 3 deben de cumplir las
condiciones necesarias:
T
P
e2t
t=1
de modelos
Estimacion
=0
Mnimos cuadrados no
lineales
por
Estimacion
maxima
verosimilitud
e2t
t=1
=0
NewtonRaphson y
GaussNewton
Contraste de
parametros
T
P
Apendice
T
X
(Ct 1 2 Yt3 )Yt3 = 0,
t=1
e2t
t=1
(Ct 1 2 Yt3 ) = 0,
t=1
Ejemplo
T
X
=0
T
X
(Ct 1 2 Yt3 )2 Yt3 ln Yt = 0.
t=1
Esta ecuaciones son no lineales, por lo que no pueden ser resueltas de manera
directa con procedimientos algebraicos sino con metodos

numericos.
Es decir, para
resolver las ecuaciones normales es necesario un metodo

iterativo para obtener los
valores de los parametros.
Econometra II
17:19:57
por maxima
Estimacion
verosimilitud
Contenidos
de verosimilitud del modelo

Sabemos que la funcion
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
Mnimos cuadrados no
lineales
Ejemplo
por
Estimacion
maxima
verosimilitud
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
yt = f (Xt , ) + t ,
viene dada por la expresion:

1
exp
L(, |y, X) =
(2 2 )T /2
2
1
(y f (Xt , )) (y f (Xt , ))
2
(2 )
y aplicando logaritmos neperianos:
T
1
T
SCR().
ln (2) ln 2
2
2
2 2
obtenidos tras derivar la

Los posibles estimadores maximo
verosmiles seran
anterior con respecto a y 2 e igualando el resultado a cero.
expresion
En el primer caso, se obtiene la derivada:
ln L(, 2 |y, X) =
1
ln L(, 2 |y, X)
1
=
SCR() = 2
2
que igualada a cero queda:

T
X
t=1
Econometra II
t N (0, 2 IT ),
(yt f (Xt , ))
T
X
(yt f (Xt , ))
t=1
f (Xt , )
= 0,
f (Xt , )
,
t.
17:19:57
por maxima
Estimacion
verosimilitud
Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
Mnimos cuadrados no
lineales
Ejemplo
por
Estimacion
maxima
verosimilitud
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
Econometra II
Adviertase
que los resultados obtenidos coinciden con el estimador por mnimos
analtica para las
cuadrados no lineales, por tanto, no es posible dar una solucion
se hace necesario un
soluciones de este sistema de ecuaciones (y una vez mas
metodo
iterativo para obtener los valores de los parametros).
para la varianza de las
Sin embargo, s que es posible dar una expresion
perturbaciones. Derivando parcialmente con respecto a 2 e igualando a 0,
obtenemos:
T 1
1
+
SCR() = 0.
2
2
2(
2 )2
SCR()
.
T
de verosimilitud ln L(, 2 |y, X),
Sustituyendo este valor en la funcion
de verosimilitud concentrada:
obtenemos la funcion
Despejando:
2 =
T
T
|y, X) = ln (2) ln
ln Lc (,
2
2
2
SCR()
T
T
.
2
de
El estimador maximo
verosimil correspondiente a esta ultima
funcion
verosimilitud concentrada sera el mismo que el estimador de mnimos cuadrados
de SCR(). Esta equivalencia entre
no lineales correspondiente a la minimizacion
los estimadores MV y MCNL solo es valida

en el caso en que N (0, 2 IT ).
17:19:57
Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
Econometra II
17:19:57
Algoritmos de busqueda
Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
veremos los procedimientos numericos
utilizados
En la presente seccion
que seran
para resolver las ecuaciones normales obtenidas que no pueden ser resueltas de
forma directa mediante procedimientos algebraicos.
Dado el modelo
yt = f (Xt , ) + t ,
la suma de cuadrados de los residuos vendra dada por la expresion:
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
SCR() =
(yt f (Xt , ))2 ,
t=1
necesaria de mnimo para esta funcion

la dada por la ecuacion
siendo la condicion
normal
T
X
Contraste de
parametros
Apendice
T
X
f (Xt , )
= 0.
(yt f (Xt , ))
t=1
dos metodos
Veremos a continuacion
para resolver este tipo de ecuaciones.
Econometra II
17:19:57
Algoritmo de Newton-Raphson
Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
Este algoritmo se basa en minimizar la suma de cuadrados de los residuos.

a dicha suma el desarrollo del
En primer lugar se toma como aproximacion
b0 :
polinomio de Taylor de segundo orden en un entorno del valor inicial
SCR()
b0 ) +
SCR(
1
b0 )
+ (
2
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
Derivando respecto :
SCR()
SCR()
SCR()
b0
=
=0
=0
Igualando a cero la primera derivada:
y despejando :
Econometra II
SCR()
1
b

=0
2 SCR()

=0
=0
b0 )
(
b
=0
2 SCR()

2 SCR()

2 SCR()

b0 ),
(
b
=0
b0 ).
(
b0 ) = 0,
(
SCR()
=0
17:19:57
Algoritmo de Newton-Raphson
Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Contraste de
parametros
anterior se puede plantear

Siempre que exista dicha inversa, a partir de la expresion
el siguiente procedimiento iterativo:
bn+1 = bn
2 SCR()

1
=n
SCR()
=n
Este procedimiento se repite hasta que converja, es decir, has ta que exista h
bh+1 = bh . En tal caso se tendra entonces que
tal que
SCR()
= 0,
=h
bh minimiza a SCR().
de donde se deduce que
Apendice
Econometra II
17:19:57
Algoritmo de Newton-Raphson: Ejemplo

Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
iterativa
Dado el modelo yt = x
t + t , t = 1, . . . , T , obtener la estimacion
proporcionada por el algoritmo de NewtonRaphson.
En este caso SCR() =
T #
P
yt x
t
t=1
SCR()
2 SCR()
2
Contraste de
parametros
T
X
#
T
X
#
yt xt
T
X
T
X
2
yt x
t (ln xt )

x = x
t ln xt .
t
x
t ln xt
yt x
t ln xt + 2
t=1
t=1
Econometra II
t=1
Apendice
, por lo que:
yt x
t xt ln xt ,
t=1
Donde se ha usado que
2
T
X
!
x2
t ln xt
t=1
+4
T
X
2
x2
t (ln xt ) .
t=1
17:19:57

Contenidos
Por tanto:
Especificaciones no
de modelos
Estimacion
T
P
n
yt x
t ln xt
t=1
n+1 = n +
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
T
P
T
P
n
x2
ln xt
t
t=1
T
n
2
yt x
t (ln xt ) 2
t=1
.
xt2n (ln xt )2
t=1
corresponde a:
Para el valor inicial 0 = 0, la primera iteracion
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
T
P
t=1
T
P
T
P
yt ln xt
yt (ln xt )2 2
t=1
Contraste de
parametros
(yt 1) ln xt
t=1
T
(ln xt )2
t=1
Apendice
ln xt
t=1
T
(yt 2)(ln xt )2
t=1
Econometra II
17:19:57

Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
Dado el modelo yt = 1 e2 xt + t , t = 1, . . . , T , obtener la primera iteracion

proporcionada por el algoritmo de NewtonRaphson para los valores iniciales 1 = y
y 2 = 0.
SCR()
=
2 SCR()
=

Econometra II
SCR()
1
SCR()
2
Contraste de
parametros
Apendice
yt 1 e2 xt
t=1
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
T #
P
Puesto que SCR() =
P
T
t=1
T
P
yt xt e2 xt + 41
yt 1
e2 xt
P#
T
xt e22 xt
e2 xt
yt 1 e2 xt xt e2 xt 1
t=1
2 SCR()
1 2
2 SCR()
2
2
T
P
yt xt e
2 xt
!
+ 41
t=1
T
t=1
T #
P
t=1
donde = (1 2 ) se tiene que:
SCR()
2
1
2
SCR()
2 1
22 xt
t=1
2
21
t=1
2 xt
yt x2
+
te
T
P
xt e
22 xt
t=1
T
2
22 xt
41
x2
te
t=1
17:19:57

Contenidos
quedara:
Por tanto, la primera iteracion
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
y
0
T
P
2T
T
P
(yt 2y)
t=1
(yt 2y)
t=1
T
P
(yt 2y) x2t
t=1
T
P
t=1 (yt y)
.
T
P
(yt y) xt
t=1
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
Econometra II
17:19:57
Algoritmo de Gauss-Newton
Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
lineal del desarrollo en serie de Taylor para la funcion
Partiendo de la aproximacion
no lineal f en un entorno del punto 0 se obtiene:
f (Xt , ) = f (Xt , 0 ) +
Contraste de
parametros
f (Xt , )
( 0 ).
0
=
iterativa correspondiente al algoritmo de Gauss-Newton es:

La expresion
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
n+1 = n +
T

X
f (Xt , )
f (Xt , )
t=1
!1
T

X
f (Xt , )
n t=1
=
t ,
n
=
realizada.
donde
t = yt f (Xt , n ) es el residuo obtenido en la estimacion
es similar al de algoritmo de Newton-Raphson, con la ventaja
Esta expresion
anadida
que la matriz a invertir es simetrica
y definida positiva.
Apendice
Econometra II
17:19:57
Algoritmo de Gauss-Newton: Ejemplo

Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
Dado el modelo no lineal yt = x

t + t se tiene que:
En tal caso es claro que:

T
P
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Contraste de
parametros
f (Xt , )
= x
t ln xt .
f (Xt , ) = x
t
n
n
x
t ln xt (yt xt )
t=1
n+1 = n +
T
P
n
x2
(ln xt )2
t
t=1
del algoritmo de GaussNewton

Para el valor inicial 0 = 0, la primera iteracion
corresponde a:
Apendice
1 =
T
P
(yt 1) ln xt
t=1
T
P
.
(ln xt )2
t=1
Econometra II
17:19:57

Contenidos
Especificaciones no
iterativa
Dado el modelo no lineal yt = 1 e2 xt + t vamos a obtener la expresion
correpondiente al algoritmo de Gauss-Newton.
Puesto que f (Xt , ) = 1 e2 xt se tiene que:
#
f (Xt , )
= e2 xt
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
de donde:
f (Xt , )

f (Xt , )
Y en tal caso:
T
P
t=1 e
n+1 =
n +
T
P
22 xt
1 xt e
T
P
=
=

1 xt e
e2 xt
1 xt e2 xt
e22 xt
1 xt e22 xt
22 xt
t=1
T
22 xt
t=1
donde
t = yt f (Xt , n ).
Econometra II
1 xt e2 xt
t=1
2 2 22 xt
1
xt e
#
n
=
e2 xt
1 xt e22 xt
12 x2t e22 xt
T
P
t=1 e
T
P
2 xt
1 xt e
t=1
1 xt e2 xt ,
.
2 xt
n
=
17:19:57

Contenidos
sera:
Considerando los valores iniciales 1 = y y 2 = 0, la primera iteracion
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
y
0
T
y
T
P
t=1
T
P
xt
t=1
T
xt
y2
t=1
x2t
T
P
(yt y)
t=1
T
t=1
xt (yt y)
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Contraste de
parametros
Apendice
Econometra II
17:19:57
del algoritmo
Criterios de finalizacion
Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Algoritmos de
busqueda:
NewtonRaphson y
GaussNewton
Estos metodos
iterativos no siempre son estacionarios, es decir, no son
convergentes. Por ello, se requiere establecer a priori unos criterios que permitan
finalizar el proceso iterativo cuando no se alcanza dicha convergencia. Estos criterios
son:
1.
2.
3.
4.
5.
Los valores de los parametros

se estabilizan.
objetivo se estabiliza.
El valor de la funcion
El vector gradiente esta proximo

a cero.
Se alcanzo el numero
maximo
de iteraciones.
Se alcanzo el lmite maximo

de tiempo de calculo.
Contraste de
parametros
Apendice
Econometra II
17:19:57
Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
Contraste de
parametros
Apendice
Econometra II
17:19:57

Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
Contraste de
parametros
Supongamos que queremos plantear cualquier hipotesis

que implique una
de los par
ametros
El sistema de restricciones
combinacion
del modelo de regresion.
se puede expresar como:
Rqk = rq1 ,
q k.
El modelo sobre el que se imponen las restricciones se denomina modelo

restringido y el modelo sobre el que no se imponen las restricciones se llama
modelo sin restricciones.
Contraste F:
F =
(er er e e)/q
Fq,nk ,
e e/(n k)
donde er er es la SCR del modelo restringido; e e es la SCR del modelo sin

restringir y q es el numero
de restricciones.
de verosimilitudes:
Contraste de razon
Apendice
2(ln LR ln L) = n ln
2
2
2q ,
donde LR y L son la funciones de verosimilitud evaluadas para el estimador

2 y
restringido y no restringido, respectivamente, y
R
2 son las varianzas
estimadas de las perturbaciones para ambos modelos.
Econometra II
17:19:57

Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
Contraste de Wald:
W = (R r)

R()

2 (X X)1
R()

1
(R r) 2q .
no requiere estimar el modelo con y sin restricciones.

Esta expresion
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Contraste de
parametros
Contraste de
parametros
Apendice
Econometra II
17:19:57
Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
NewtonRaphson y
GaussNewton
Apendice
Contraste de
parametros
Apendice
Econometra II
17:19:57
Apendice
Contenidos
Especificaciones no
de modelos
Estimacion
no lineales:
lineal de
Aproximacion
Taylor
de modelos
Estimacion
NewtonRaphson y
GaussNewton
f (x), su aproximacion
lineal mediante el desarrollo de Taylor en
Dada una funcion
un punto a responde a la expresion:

f (x)
f (a) + f (a)(x a) +
f (a) +
+
X
i=1
f i (a)
f (a)
f (a)
(x a)2 +
(x a)3 + . . .
2!
3!
(x a)i
.
i!
Contraste de
parametros
Apendice
Econometra II

Eco2 Nolineales

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Eco2 Nolineales

Hochgeladen von

Copyright:

Verfügbare Formate

17:19:57

lineal al modelo no lineal

de modelos no lineales: Aproximacion

de modelos no lineales: MCNL y MV

Contraste de restricciones sobre los parametros

Hasta ahora, el efecto sobre Y de un cambio unitario en X no dependa del valor

Modelos intrnsecamente lineales (se pueden estimar por los metodos

hasta ahora haciendo un simple cambio de variable y/o transformacion):

Modelos intrnsecamente no lineales (no se pueden estimar por los metodos

conocidos hasta ahora debido a la no linealidad existente en los parametros):

acerca de precios, P , y cantidades, Q,

se puede obervar que la relacion

de Box-Cox permiten corregir la no linealidad en la relacion

expresarse linealmente como sigue:

El modelo Box-Cox: casos particulares

Modelo multiplicativo o doblemente logartmico: 1 = 2 = 0.

El modelo Box-Cox: casos particulares

Modelo semilogartmico en: 1 = 1; 2 = 0.

Modelo recproco o hiperbola:

El modelo Box-Cox: ejemplos graficos

Figura 3: Modelo doblemente logartmico con a) = 0.6, b) = 0.6, c)

El modelo Box-Cox: ejemplos graficos

Figura 4: Modelo semilogartmico en y con a) = 0.6 y b) = 0.6.

Figura 5: Modelo semilogartmico en x con c) = 0.6 y d) = 0.6.

El modelo Box-Cox: ejemplos graficos

Figura 6: Modelo recproco o hiperbolico

Figura 7: Modelo recproco-logartmico con c) = 0.6 y d) = 0.6.

El modelo Box-Cox: ejemplo

Dados los siguientes datos ajustar un modelo doblemente logartmico:

El modelo Box-Cox: ejemplo

y con respecto a x (con ajuste mnimocuadrtico)

El modelo Box-Cox: ejemplo

ly con respecto a lx (con ajuste mnimocuadrtico)

de modelos no lineales: Aproximacion

Supongamos que pretendemos estimar una relacion

no lineal cualquiera. Podemos tomar una

f (Xt , ) evaluado en el vector de parametros

con t = 1, 2, ..., T y siendo el termino

el modelo puede reescribirse como

El modelo as transformado es un modelo lineal general, donde la nueva variable

dara buenos resultados si los valores iniciales 0 son

anterior puede expresarse equivalentemente,

(y f (X, )) (y f (X, )))

las perturbaciones se distribuyen normalmente, el estimador de

mnimos cuadrados ordinarios, obtenido con esta aproximacion

siempre y cuando la ultima

matriz inversa exista.

insesgada de la varianza del termino

lineal de Taylor: ejemplo

b1 eb2 xt + eb2 xt (1 b1 ) + b1 xt eb2 xt (2 b2 ) + t .

Operando de forma conveniente:

b1 eb2 xt + eb2 xt b1 + b1 xt eb2 xt b2 = eb2 xt 1 + b1 xt eb2 xt 2 + t .

es intrnsecamente lineal, es decir, haciendo

lineal de Taylor: ejemplo

b1 eb2 xt + eb2 xt b1 + b1 xt eb2 xt b2 ,

lineal yt = x1t 1 + x2t 2 + t .

de modelos no lineales: Mnimos Cuadrados

Mnimos cuadrados no lineales

Dentro de este apartado, estudiaremos explcitamente las situaciones en las cuales

lineal es el de mnimos cuadrados no lineales, que no es mas

del procedimiento del metodo

la idea de partida del metodo

Supongamos que pretendemos estimar un modelo cuya especicacion