ECONOMETRA I

Gua Didctica

licenciatura
en ADMINISTRACIN
Y DIRECCIN DE EMPRESAS
GUA DIDCTICA
 Julin Santos Peas
Amalia Peinado Lpez
Alberto Muoz Cabanes
Francisco Parra Rodrguez

ECONOMETRA I

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

GUA DIDCTICA (42403GD01C01)
ECONOMETRA I

Quedan rigurosamente prohibidas, sin la autorizacin escrita

de los titulares del Copyright, bajo las sanciones establecidas en las leyes,
la reproduccin total o parcial de esta obra por cualquier medio o procedimiento,
comprendidos la reprografa y el tratamiento informtico, y la distribucin
de ejemplares de ella mediante alquiler o prstamo pblicos.

UNIVERSIDAD NACIONAL
DE EDUCACIN A DISTANCIA - Madrid, 2004

Librera UNED: Bravo Murillo, 38 - 28015 Madrid

Tels.: 91 398 75 60/73 73 E-mail: libreria@adm.uned.es

Julin Santos Peas, Amalia Peinado Lpez, Alberto Muoz Cabanes, Francisco
Parra Rodrguez

Depsito legal: M. 16.116-2005

Primera edicin: junio de 2004

Primera reimpresin: abril de 2005

Impreso en Espaa - Printed in Spain

Impreso por: Impresos y Revistas, S. A. (IMPRESA)

 NDICE

1. INTRODUCCIN ................................................................................................................ 9

2. OBJETIVOS.............................................................................................................................. 10

3. PERFIL DE ESTUDIANTE .......................................................................................... 10

4. METODOLOGA DE ESTUDIO ................................................................................ 10

5. PROGRAMA ............................................................................................................................ 11

6. EQUIPO DOCENTE Y TUTORAS.......................................................................... 13

7. BIBLIOGRAFA GENERAL ........................................................................................ 14

8. SISTEMA DE EVALUACIN ...................................................................................... 15

9. ESQUEMA DE CONTENIDOS PARA CADA TEMA .................................. 16

TEMA 1. MODELOS CON VARIABLES CUALITATIVAS .................... 16
TEMA 2. MODELOS CON VARIABLE DEPENDIENTE DICOT-
MICA. .................................................................................................................................. 18
TEMA 3. MODELOS ESTRUCTURALES MULTIECUACIONA-
LES ........................................................................................................................................ 20
TEMA 4. MTODOS DE ESTIMACIN DE MODELOS SIMULT-
NEOS (I) ............................................................................................................................ 22
TEMA 5. MTODOS DE ESTIMACIN DE MODELOS SIMULT-
NEOS (II): MNIMOS CUADRADOS BIETPICOS .......................... 27
TEMA 6. MODELOS RECURSIVOS .................................................................... 30
TEMA 7. MODELOS VAR ............................................................................................ 31
TEMA 8. MTODOS DE ESTIMACIN NO LINEALES. ...................... 33
TEMA 9. MODELOS CON ERRORES EN LAS VARIABLES .......... 33

10. EJEMPLOS PRCTICOS................................................................................................ 36

1. INTRODUCCIN

La Econometra tiene una amplia aplicacin y utilidad en el mbito de

la Economa y de la Empresa. Dicha disciplina proporciona los conocimien-
tos necesarios para cuantificar las relaciones entre variables econmicas y
predecir su evolucin futura. Dichas relaciones expresadas en forma fun-
cional estudian las caractersticas o propiedades de una variable econmica
utilizando como causas explicativas a otro conjunto de variables. De hecho,
diversas relaciones que establece la teora econmica (funcin de consumo,
curva de Phillips, funciones de oferta y demanda, etc.) pueden contrastarse
utilizando los mtodos que ensea la Econometra.

Por otro lado, los modelos econmicos son utilizados para analizar
cuestiones de poltica econmica, y en este campo sus posibilidades tambin
son muy amplias; a este respecto son utilizados como instrumento para sim-
ular los efectos de las polticas macroeconmicas en materia monetaria, lab-
oral, fiscal, etc. Por el lado de las polticas microeconmicas, tambin
pueden utilizarse para el seguimiento de cambios en la regulacin de sec-
tores productivos, liberalizacin de mercados, etc.

Son varios los puntos que engloban el anlisis economtrico; en lo que

al diseo de modelos econmicos respecta tienen inters los siguientes
aspectos:

La especificacin o diseo de la estructura que se utilizar para expli-

car el comportamiento y las relaciones entre las distintas variables. A
dicha estructura se le denomina Modelo Economtrico.

La estimacin o asignacin de valores numricos a los parmetros

que definen las relaciones entre las distintas variables que estn den-
tro del modelo.

La validacin de los resultados y anlisis de las propiedades estadsti-

cas.
10 ECONOMETRA I

La utilizacin del modelo para el fin para el que ha sido diseado

(prediccin, explicacin de un hecho en concreto, recomendaciones
justificadas de poltica econmica, etc.).

2. OBJETIVOS

La asignatura Econometra I tiene como objetivo principal el aprendiza-

je de los modelos multiecuacionales, cuyo estudio se aborda desde los difer-
entes desarrollos metodolgicos implementados para su resolucin. As se
diferencian tres metodologas diferentes: Modelos de Ecuaciones
Simultneas, Modelos Recursivos y Modelos VAR (Vectores Autorregre-
sivos). El programa se completa con el estudio de los Modelos con Variables
Cualitativas, Mtodos de Estimacin No Lineales y Modelos con Errores en
las Variables.

En definitiva, se trata de ofrecer al alumno una panormica general de

la metodologa economtrica, ampliando los conocimientos adquiridos en
Introduccin a la Econometra, proporcionndole as un bagaje de
conocimientos que le capaciten para abordar el trabajo emprico empleando
en cada momento la metodologa ms adecuada.

3. PERFIL DE ESTUDIANTE

Dadas sus caractersticas, la asignatura de Econometra I est

estrechamente ligada con los conocimientos contenidos en la asignatura de
3 Curso, Introduccin a la Econometra, impartida tambin en ambas licen-
ciaturas; tambin est muy relacionada con los contenidos de las siguientes
asignaturas: Introduccin a la Estadstica (1 de ADE y Economa), Estadsti-
ca Empresarial (2 de ADE), Estadstica Terica I (2 de Economa) y Estads-
tica Terica II (3 de Economa), y con los contenidos de Matemticas I (1
de ADE y Economa), fundamentalmente con los temas de lgebra Matri-
cial.

Por ello, se requiere que el alumno tenga un conocimiento avanzado del

mtodo de estimacin por Mnimos Cuadrados Ordinarios (MCO) as como
de clculo matricial e inferencia estadstica, sin los cuales el estudio de la
asignatura no puede ser concebido.

4. METODOLOGA DE ESTUDIO

Para superar la asignatura, el alumno habr de demostrar una mnima

preparacin de cada uno de los apartados del temario, estudiando la bibli-
 5. PROGRAMA 11

ografa recomendada y realizando un examen, el cual constar de una parte

terica y una parte prctica.

Para la correcta resolucin de la parte terica, el alumno deber conocer el

contenido de la asignatura de modo conceptual. Por su parte, para la resolu-
cin de la prueba prctica slo se exigir el conocimiento de los modelos
multiecuacionales simultneos y recursivos.

5. PROGRAMA

El temario se compone de los siguientes epgrafes y contenidos:

TEMA 1: MODELOS CON VARIABLES CUALITATIVAS

1.1. Introduccin
1.2. Modelo con Variables Cuantitativas y Cualitativas como Regresores
1.3. El Empleo de las Variables Cualitativas para tratar la Estacionali-
dad
1.4. Regresin con Datos Estacionalizados
1.5. Aplicaciones de Variables Cualitativas a la Regresin por tramos
1.6. El uso de Variables Cualitativas para estimar regresiones con datos
atemporales y temporales

TEMA 2: MODELOS CON VARIABLE DEPENDIENTE DICOTMICA

2.1. El Modelo Probabilstico Lineal
2.2. El Modelo Logit
2.3. El Modelo Probit

TEMA 3: MODELOS ESTRUCTURALES MULTIECUACIONALES

3.1. Introduccin
3.2. Causalidad y exogeneidad
3.3. La Simultaneidad en Econometra
3.4. El concepto de Modelo Completo
3.5. El modelo lineal completo sin errores de observacin
3.6. El problema de la Identificacin
3.7. La necesidad de modelos multiecuaciones en Economa
12 ECONOMETRA I

TEMA 4: MTODOS DE ESTIMACIN DE MODELOS SIMULTNEOS (I)

4.1. Introduccin
4.2. Mnimos Cuadrados Indirectos (MCI)
4.2.1. Ejemplo Prctico
4.3. Estimacin por Variables Instrumentales (VI)
4.3.1. Ejemplo Prctico

TEMA 5: MTODOS DE ESTIMACIN DE MODELOS SIMULTNEOS (II)

5.1. Introduccin
5.2. Estimacin por Mnimos Cuadrados en 2 Etapas (MC2E)
5.2.1. Consistencia del estimador MC2E
5.2.2. Ejemplo prctico de estimacin por MC2E
5.3. Contraste de Hausman

TEMA 6: MODELOS RECURSIVOS

6.1. Introduccin
6.2. Fundamentos metodolgicos
6.3. Especificacin y estimacin
6.4. Aplicaciones de los modelos recursivos

TEMA 7: MODELOS VAR

7.1. Introduccin
7.2. Especificacin de un modelo VAR
7.3. Estimacin de un modelo VAR
7.4. Aplicaciones de los modelos VAR

TEMA 8: MTODOS DE ESTIMACIN NO LINEALES

8.1. Introduccin
8.2. Mnimos Cuadrados No Lineales
8.3. Aproximacin Lineal de Taylor
8.4. El Mtodo de Mxima Verosimilitud

TEMA 9: MODELOS CON ERRORES EN LAS VARIABLES

9.1. Introduccin
9.2. Modelos con Errores en la variable endgena y exgena
 6. EQUIPO DOCENTE Y TUTORAS 13

9.3. Mtodos de Estimacin

9.3.1. Agrupacin de Observaciones
9.3.2. Variables Instrumentales
9.3.3. Regresin Ponderada

6. EQUIPO DOCENTE Y TUTORAS

El equipo docente de esta asignatura est formado por los siguientes

profesores:

Dr. D. Julin Santos Peas. Catedrtico

E-Mail: jsantos@cee.uned.es
Telfono: 91 398 87 06
Fax: 91 398 63 35
Despacho 1.28

Dra. D M Amalia Peinado Lpez. Profesora Titular

Telfono: 91 398 87 06
Fax: 91 398 63 35
Despacho 1.32

D. Alberto Muoz Cabanes. Profesor Asociado

E-Mail: amunoz@cee.uned.es
Telfono: 91 398 87 06
Fax: 91 398 63 35
Despacho 1.23

D. Francisco Parra Rodrguez. Profesor Asociado

E-Mail: fparra@cee.uned.es
Telfono: 91 398 87 06
Fax: 91 398 63 35
Despacho 1.28

El horario de consulta ser los Jueves lectivos de 16 a 20 h. El lugar de

consulta ser el siguiente:

Facultad de CC Econmicas y Empresariales - UNED

Despacho 1.23
Paseo Senda del Rey, 11
28040 - Madrid
Telfono: 91 398 87 06
Fax: 91 398 63 35
14 ECONOMETRA I

7. BIBLIOGRAFA GENERAL

Textos bsicos:

MUOZ CABANES, A. y PARRA RODRGUEZ, F. J. (2004), Econometra, Ediciones

Acadmicas 1 ed.

Asimismo, puede consultarse la siguiente bibliografa complementaria:

ALCAIDE INCHAUSTI, A. et al. (1990), Economa Aplicada Cuantitativa I,

Cuadernos de la UNED n 1 88, UNED.

LVAREZ VZQUEZ, N. (2000), Econometra I, Ed. CERA.

AMEMIYA, T. (1985), Advanced Econometrics, Ed. Basil Blackwell

AZNAR GRASA, A. et al. (1984), Ejercicios de Econometra II, Ed. Pirmide

GREENE, W. H. (2000), Anlisis Economtrico, Ed. Prentice Hall

GUJARATI, D. (2003), Econometra, Ed. McGraw-Hill 4 ed.

JOHNSTON, J. y DINARDO, J. (2001), Mtodos de Econometra, Ed. Vicens-Vives

3 ed.

JUDGE, G. G. et al. (1982), Introduction to the Theory and Practice of Econo-

metrics, Ed. John Wiley & Sons, 2 Ed.

MADDALA, G.S. (1977), Econometra, Ed. McGraw-Hill.

NOVALES, A. (1993), Econometra, Ed. McGraw-Hill.

PINDYCK, R.S y RUBINFIELD, D.L. (1980), Modelos Economtricos, Ed. Labor.

PULIDO SAN ROMN, A. (1987), Modelos Economtricos, Ed. Pirmide.

WALLIS, K.F. (1972), Introduccin a la Econometra, Alianza Universidad.

 8. SISTEMA DE EVALUACIN 15

8. SISTEMA DE EVALUACIN

La prueba de evaluacin constar de dos partes:

a) Terica, donde habr de contestar a tres cuestiones cortas y una ms

larga en la que se acredite la capacidad del alumno para desarrollar
cualquier aspecto terico de los contemplados en el programa.

b) Prctica, que consistir en una aplicacin sobre los temas referidos a

modelos estructurales multiecuacionales, estimacin de modelos de
ecuaciones simultneas y modelos recursivos.

La valoracin del examen ser de 1 punto para cada pregunta terica

corta, 3 puntos para la pregunta terica larga y 4 puntos para la aplicacin
prctica, siendo la nota final la suma de las obtenidas en cada una de ellas.
16 ECONOMETRA I

9. ESQUEMA DE CONTENIDOS PARA CADA TEMA

TEMA 1. MODELOS CON VARIABLES CUALITATIVAS.

En este captulo se analizan los modelos en los que se incluye como vari-
able exgena una variable cualitativa y las utilizaciones de la misma con el
objetivo de analizar hechos concretos o de constituirse como mtodo de
estudio en situaciones con deficiencia en la informacin cuantitativa.

En el captulo el alumno aprender a utilizar las variables cualitativas

como apoyo exgeno a una regresin cuantitativa o como variables explicati-
vas del modelo.

MODELOS CON VARIABLES CUANTITATIVAS Y CUALITATIVAS COMO

REGRESORES
En la practica economtrica existe una serie de problemas consustan-
ciales a los datos; dado que en los modelos que nos ocupan las series de
datos son principalmente extracciones de series histricas (recopiladas a lo
largo del tiempo, como el Consumo, la Renta, etc.), estas pueden verse clara-
mente afectadas por efectos externos (exgenos) difcilmente cuantificables
(guerras, desastres naturales...) situados en periodos de tiempo concretos.
Con el objeto de que la medicin no se vea alterada se proponen dos
soluciones, una es la estimacin por tramos o periodos de tiempo de forma
separada y la otra es la medicin conjunta del suceso temporal.

En esta segunda opcin no sera lgico que la influencia de un suceso

extraordinario afectase al valor de las estimaciones y para evitar que as
sea se incluye una variable cualitativa en el trmino independiente. Esta
variable generalmente de carcter dicotmico tomara valores 1 o 0 (no
siempre se utiliza un dicotoma binaria) segn el periodo de tiempo sea
extraordinario o normal.
Este ejercicio de inclusin de variables cualitativa dicotmicas permite
de forma sencilla estimaciones ajustadas de la hiptesis mantenida, la cual
debido a los sucesos extraordinarios se suele ver alterada. Segn el manual
consultado el alumno observar una diferente denominacin para esta
tipologa de variables como variables ficticias o dummy.

EL EMPLEO DE VARIABLES CUALITATIVAS PARA EL TRATAMIENTO

DE LA ESTACIONALIDAD

Pese a la coherencia del trabajo con datos anuales, en muchos casos y

derivado del carcter predictivo del modelo o bien de la objetiva utilizacin
 9. ESQUEMA DE CONTENIDOS PARA CADA TEMA 17

del mismo, se trabaja con series de datos diarias, mensuales o trimestrales.

Estas series en economa generalmente adolecen del carcter estacional de
las mismas (consumos bajos en los meses de verano, consumos tursticos
altos en este periodo, disminucin de las ventas en domingos y lunes, etc.).
En estos casos surge el problema de si llevar a cabo la estimacin bajo la
influencia de la estacionalidad o de si eliminarla. Si se escoge la segunda
opcin una de las tcnicas utilizadas es la de incluir variables cualitativas
que representarn a cada momento diferencial (este se designar segn la
estacionalidad detectada (semanal, mensual, etc.).
El mtodo nos permite detectar si la estacionalidad de los datos es signi-
ficativa o no. La secuencia a seguir sera la siguiente:

Primero, se incluirn tantas variables cualitativas menos una como

periodos estacionales se supongan (por ejemplo, con datos trimes-
trales seran 3 = 4-1). La razn de incluir una variable cualitativa
menos es para evitar la multicolinealidad que se derivara de su
inclusin si incluimos trmino constante. Otra opcin sera no incluir
el trmino constante pero esto nos afectara claramente a la regresin,
pues estaramos obligando al modelo a comenzar desde 0, con las
consecuentes implicaciones que de esto se derivan.
A continuacin se efecta la regresin normalmente (MCO si el mode-
lo lo permite).
Del resultado de la regresin se evala si realmente el componente
estacional de cada periodo es significativo o no. Si estuvisemos tra-
bajando con series trimestrales y obtenemos el tercer trimestre es sig-
nificativo se puede deducir que en el tercer trimestre existe un compo-
nente estacional que se repite ao a ao.

Del resultado anterior se realizara de nuevo la regresin, pero

incluyendo ya slo una variable cualitativa que sera la del trimestre
significativo.

OTROS EMPLEOS DE VARIABLES CUALITATIVAS

Otras utilidades de las variables cualitativas son:

Su utilizacin para las regresiones con tramos, en las cuales se uti-

lizaran estas variables para estimar las pendientes de los diferentes
tramos.

Su utilizacin para estimar regresiones con datos atemporales y tem-

porales, o lo que es lo mismo, datos de corte transversal junto con
informacin de series de tiempo.
18 ECONOMETRA I

TEMA 2. MODELOS CON VARIABLE DEPENDIENTE DICOTMICA.

EL MODELO PROBABILSTICO LINEAL

Este modelo parte de la peculiaridad de que la variable endgena es

dicotmica, estos modelos son gran utilizacin en anlisis de datos multi-
variantes, pero encuentran una difcil aplicacin en el anlisis Macro-
econmico debido a las dificultades de su interpretacin para este tipo de
investigaciones.

Este tipo de modelo que en su planteamiento es igual a los modelos de

regresin lineal lo que miden es la probabilidad de que se de una opcin
(determinada por la variable endgena) o no se de (valores Y = 1 Y = 0).

Una problemtica inherente a estos modelos es su estimacin por MCO,

debido a:

La perturbacin aleatoria (u o v segn el manual consultado) no sigue

una distribucin normal. Es sencillo observar este hecho ya que al ser
la variable endgena de carcter binario (1 o 0) afecta a la distribu-
cin de la perturbacin, siguiendo esta por lo tanto una distribucin
Binomial. En la prctica este problema se soluciona con tamaos de
muestra grandes donde la distribucin Binomial es susceptible de
aproximarse a un Normal.

La perturbacin aleatoria no tiene una varianza constante (es het-

eroscedstica), lo cual supone una falta de eficiencia. Para solu-
cionarlo habra que realizar transformaciones que nos diesen una per-
turbacin homocedstica, aunque de todas formas debido al carcter
de los estimadores MCO (consistentes e insesgados) el problema no es
insalvable.

El mayor problema que plantean estos modelos es que las predic-

ciones realizadas sobre la variable endgena no siempre se encuen-
tran en el intervalo [0,1], lo que se solucionara tomando como valor
el 0 cuando los valores predichos fueses negativos o el 1 cuando fue-
sen mayores que 1.

Un ltimo problema derivado del anterior es que al ser 0 1 los val-

ores observados y al no serlo las predicciones, el valor del coeficiente
de determinacin tienda a ser bajo.

Realmente todos estos inconvenientes o problemas hacen que el investi-

gador o analista tienda a utilizar los modelos Logit o Probit en detrimento de
los modelos probabilsticos lineales.
 9. ESQUEMA DE CONTENIDOS PARA CADA TEMA 19

EL MODELO LOGIT

El problema encontrado en los modelos probabilsticos lineales en cuan-

to a las predicciones establecidas fuera rango (negativas o mayores que uno),
es debido precisamente a la linealidad de los parmetros. El modelo Logit,
sin embargo, adopta la forma la denominada curva logstica.

Curva Logstica

Debido a esto, el modelo Logit se estima de forma diferente, as mien-

tras la regresin mltiple utiliza MCO que minimiza las sumas de las difer-
encias al cuadrado entre los valores observados y los predichos por el mode-
lo, el carcter no lineal de los modelos Logit requiere la utilizacin del
mtodo de Mxima Verosimilitud para su estimacin, maximizando la
verosimilitud de que un suceso tenga lugar, aunque se podra estimar por
MCO mediante una transformacin.

La interpretacin de los resultados tambin es una ventaja con respecto

a los modelos probabilsticos lineales, ya que los parmetros estimados reco-
gen el efecto de las variables exgenas sobre la probabilidad de que la vari-
able endgena tome el valor 1.

Para analizar la bondad del ajuste, no se puede utilizar el coeficiente de

determinacin, aunque entre los mtodos existentes para su evaluacin exis-
ten algunos con significados similares.

MODELO PROBIT

Este modelo se puede considerar como un paso intermedio entre los dos
anteriores, el modelo sigue siendo no lineal, pero a diferencia con el Logit
est basado en la distribucin Normal.
20 ECONOMETRA I

TEMA 3. MODELOS ESTRUCTURALES MULTIECUACIONALES.

El presente captulo constituye una introduccin de las premisas bsicas

que guiarn el estudio de la asignatura, analizndose desde el nacimiento
conceptual de los Modelos estudiados a la fundamentacin metodolgica de
los mismos.

Es necesario un conocimiento de estas premisas para la comprensin de

los captulos siguientes.

Un esquema conceptual de las mismas nos lleva a la comprensin, entre

otras, de:

Influencia del desfase temporal en la medicin de una relacin

econmica.
Aplicacin de la condicin de ceteris paribus.
La causalidad.
Exogeneidad y endogeneidad de las variables.
La simultaneidad.
Tipologa y clasificacin de las variables que componen el modelo.
Efecto y causa de la introduccin de perturbaciones aleatorias.
El concepto de modelo completo.
Los errores de observacin.
La identificacin.
Grados o condiciones de identificabilidad (Exactamente identifica-
ble, identificable, superidentificable y subidentificable).
Formas reducidas de los modelos.
Estructuras observacionalmente equivalentes.
El problema de la autonoma de las relaciones econmicas.

IDENTIFICACIN DE ECUACIONES SIMULTNEAS

Dado el siguiente modelo de ecuaciones simultaneas:

11Y1t+12Y2t ++1mYmt + 11X1t+ 12X2t++1kXkt =u1t

21Y1t+22Y2t ++2mYmt + 21X1t+ 22X2t++2kXkt =u2t
.
.
.
m1Y1t+m2Y2t ++mmYmt + m1X1t+ m2X2t++mkXkt =umt
 9. ESQUEMA DE CONTENIDOS PARA CADA TEMA 21

Expresado en trminos matriciales:

Y=Y
+X B+U
La forma reducida del modelo supone despejar las n variables endge-
nas en funcin de las m variables predeterminadas. Lo que da lugar a la sigu-
iente forma matricial:
Y=X  +V

El problema de la identificacin hace referencia a la posibilidad o no

de calcular los parmetros estructurales de un modelo de ecuaciones simul-
taneas (elementos de las matrices B y
) a partir de los parmetros de la
forma reducida asociada (elementos de la matriz ), los cuales si se pueden
estimar por MCO.

As:

Diremos que una ecuacin est no identificada cuando no tenemos

suficiente informacin para estimar los parmetros de la forma
estructural de la ecuacin.
Diremos que una ecuacin est sobreidentificada cuando haya
ms de una combinacin posible de valores estimados para los
parmetros de la forma estructural.
Finalmente, una ecuacin estar exactamente identificada cuando
slo sea posible obtener una nica estimacin de los parmetros
estructurales.
Dado un modelo multiecuacional en forma estructural, diremos que
es un sistema exactamente identificado cuando todas sus ecua-
ciones lo sean. En tal caso, ser posible obtener, de forma unvoca,
estimaciones para los elementos de las matrices B y
a partir de los
elementos de la matriz .

CONDICIONES DE ORDEN Y RANGO EN LA IDENTIFICACIN.

En primer lugar, la condicin de orden, nos dice que el nmero de vari-

ables exgenas excluidas en la ecuacin j debe ser, al menos, tan alto como el
nmero de variables endgenas incluidas en dicha ecuacin.

Es decir, K k = m 1, donde

K = nmero de variables predeterminadas en el modelo.

k = nmero de variables predeterminadas en cada ecuacin.
M = nmero de variables endgenas en el modelo.
m = nmero de variables endgenas en una ecuacin dada.
22 ECONOMETRA I

Si K k < m 1, la ecuacin est subidentificada

Si K k = m 1, la ecuacin est exactamente identificada.
Si K k > m 1, la ecuacin est sobreidentificada.
Esta condicin es necesaria, pero no suficiente, para la identificacin,
que requiere plantear la condicin de rango, que dice que en un modelo que
contiene M variables endgenas en M ecuaciones, una ecuacin est identifi-
cada, si y slo si, puede construirse por lo menos un determinante diferente
de cero, de orden (M-1)(M-1), a partir de los coeficientes de las variables
(endgenas y predeterminadas) excluidas de esa ecuacin particular, pero
incluidas en las otras ecuaciones del modelo.

TEMA 4. MTODOS DE ESTIMACIN DE MODELOS SIMULTNEOS (I).

En el presente captulo se trata que el alumno obtenga los conocimien-

tos necesarios para la estimacin de modelos simultneos a travs de la uti-
lizacin de mtodos de ecuacin nica, entre los que se incluyen mnimos
cuadrados indirectos (MCI) y variables instrumentales (VI). No obstante, y
dada la importancia que tiene el desarrollo matricial del modelo Mnimos
Cuadrados Ordinarios (MCO) a la hora de estimar estos modelos se incluye
un apartado recordatorio de este modelo

MODELO MINIMOS CUADRADOS ORDINARIOS (MCO)

Partimos ahora del siguiente modelo economtrico uniecuacional

en donde i toma valores desde el 1 hasta el n, y tenemos (k-1) regresores o

variables explicativas.

Este modelo se expresa de la siguiente forma matricial:

en donde Y es el vector de los valores de la variable endgena (y1,y2, ....yn) ,

X es la matriz n  k (n filas por k columnas) de las variables exgenas:
 9. ESQUEMA DE CONTENIDOS PARA CADA TEMA 23

y  la matriz de los k parmetros del modelo:

Una vez definidas la matriz XX de tamao kk:

y la matriz Xy de tamao 1k:

El estimador mnimo-cuadrado de la matriz de coeficientes estruc-

turales se obtiene operando el siguiente producto:

donde (XX)-1 es la matriz inversa de (XX).

24 ECONOMETRA I

A su vez, la matriz de varianzas y covarianzas de los coeficientes estima-

dos se calcula a partir de:

siendo un estimador de la varianza poblacional del error (2), el siguiente

escalar:

El coeficiente de determinacin R2 se obtiene en este caso a partir de:

siendo s2y la desviacin tpica de la variable dependiente (yi)

MNIMOS CUADRADOS INDIRECTOS (MCI)

Este mtodo es utilizado para la estimacin de modelos exactamente

identificados, surge de la estimacin de los coeficientes estructurales a partir
de las estimaciones por MCO de los coeficientes de la forma reducida.

La estimacin por MCI se puede esquematizar en tres pasos:

Primero, se obtienen las ecuaciones de la forma reducida, de forma

matricial:

Y=X  +V

Segundo, las ecuaciones en forma reducida se estiman individualmente

por MCO, siendo el estimador MCO del vector de parmetros de la forma
reducida:

 *=(XX)-1XY

Tercero, de las estimaciones obtenidas de los coeficientes de las ecua-

ciones en forma reducida se obtienen los parmetros estructurales.

 *=B-1
 9. ESQUEMA DE CONTENIDOS PARA CADA TEMA 25

El hecho de que la ecuacin inicial est identificada exactamente, per-

mite dar una nica solucin a las ecuaciones de donde obtenemos los val-
ores de los parmetros estructurales, obteniendo por lo tanto valores nicos
para estos.

Supongamos el siguiente modelo:

11Y1t+12Y2t +11X1t+ 13X3t =u1t

21Y1t+22Y2t + 22X2t+ 23X3t =u2t

En primer trmino debemos estimar por MCO las ecuaciones en forma

reducida:

En segundo lugar, para estimar los parmetros ij y ij escribimos el

modelo estructural y de la forma reducida con las ecuaciones matriciales.

Por tanto:

Igualando la primera y la ltima de estas tres ecuaciones se deduce la

expresin matricial
26 ECONOMETRA I

Que permite obtener las seis ecuaciones siguientes, a partir de las que se
pueden calcular los ij y ij.

VARIABLES INSTRUMENTALES (VI)

La utilizacin de variables instrumentales, surge de la necesidad de solu-

cionar el problema de inconsistencia surgido de la correlacin entre los
regresores y las perturbaciones (tambin se consideran los errores de medi-
da).

Las variables instrumentales son entonces variables altamente correla-

cionadas con la variable endgena utilizada como explicativa e independi-
ente a su vez de la perturbacin aleatoria.

A partir de Y=X+V, si elegimos un instrumento Z, premultiplicando por

Z se obtiene:

ZY=ZX + ZV

Dado que Z se supone independiente de V, lo que implica que:

plim(ZV/n)=0

El estimador VI se obtiene como:

B=(ZX)-1ZY

Demostrndose que el estimador VI en la regresin es consistente a:

B=b+(ZX)-1ZV

La matriz de varianzas y covarianzas viene dada por:

cov(B)=s2(ZX)-1ZZ(XZ)-1
 9. ESQUEMA DE CONTENIDOS PARA CADA TEMA 27

siendo

El alumno deber conocer las implicaciones derivadas de la utilizacin

de VI, junto con las caractersticas de los estimadores VI.

TEMA 5. MTODOS DE ESTIMACIN DE MODELOS SIMULTNEOS (II):

MNIMOS CUADRADOS BIETPICOS.

En las ecuaciones superidentificadas, no se pueden utilizar el mtodo

MCI ya que da lugar a diferentes estimaciones para un mismo parmetro,
por ello se utiliza un mtodo de estimacin que ofrece un nico valores para
cada parmetro, y que si se utiliza en ecuaciones exactamente identificadas
da lugar a las misma estimacin que los mtodos MCI y VI. Este mtodo es
el denominado Mnimos Cuadrados Bietpicos (MCB).

El mtodo MCB obtiene su nombre de la secuencia seguida para su apli-

cacin, as:

Primera Etapa: Se realiza la regresin de las variables explicativas

sobre todas las variables predeterminadas del modelo completo
(Forma Reducida).

Segunda Etapa: Las regresiones efectuadas en la primera etapa se uti-

lizan en la ecuacin inicial en vez de las variables explicativas,
estimndose la ecuacin resultante por MCO.

Se denomina MCB por la diferente utilizacin del MCO en las dos eta-
pas.

ESTIMACIN POR MNIMOS CUADRADOS BIETPICOS

Este mtodo nos asegura la consistencia de las estimaciones.

Supongamos que la relacin i-sima del modelo es:

yi =Yjj + Xjj+uj

los estimadores MCB se obtienen resolviendo:

28 ECONOMETRA I

siendo:
^
Yj = X(X X)-1 XYj

La estimacin mnimo-cuadrado-bietpica del modelo:

y1=11y2+11x1
y2=11y1+22x2+b23x3

Para estimar la primera relacin del modelo hay que tener presente que:

Para estimar la segunda ecuacin del modelo hay que tener presente
que:
 9. ESQUEMA DE CONTENIDOS PARA CADA TEMA 29

Otra forma de expresar las ecuaciones de las estimaciones por MCB son:

Los errores asociados a los coeficientes se calculan a travs de la formu-

lacin asinttica de la matriz de covarianzas para muestras finitas:

siendo:

es decir la suma residual calculada con los datos originales entre los grados
de libertad correspondientes.
Hay que destacar que cuando la ecuacin que implementa el modelo es
exactamente identificable, se da obviamente una coincidencia entre los esti-
madores MCB, MCI y VI.
Es un mtodo de resolucin de sistemas ampliamente utilizado en la
prctica economtrica, debido a la facilidad que supone el hecho de poder
estimar ecuacin a ecuacin de manera independiente.
30 ECONOMETRA I

TEMA 6. MODELOS RECURSIVOS.

En el Tema 3 se observa como los estimadores MCO producen esti-

madores sesgados e inconsistentes, debido a la interdependencia de la per-
turbacin aleatoria y las variables explicativas endgenas. En este captulo
se va a estudiar un caso en el que dentro de ecuaciones simultneas el MCO
si es aplicable, son los modelos recursivos.

Estos modelos deben satisfacer una serie de restricciones causales:

La triangularidad de la matriz de coeficientes de las variables endge-

nas.

As en un modelo,

se observa como la triangularidad existe:

La matriz de covarianzas de las perturbaciones aleatorias debe ser

diagonal.

Luego, debera ser:

 9. ESQUEMA DE CONTENIDOS PARA CADA TEMA 31

El desarrollo de esta metodologa pasara por una ordenacin previa de

las ecuaciones, de manera que la primera ecuacin tenga slo una variable
endgena, la segunda ecuacin deber tener dos variables endgenas, siendo
una de ellas la endgena de la ecuacin anterior, la tercera ecuacin tendr
slo tres variables endgenas, pero dos de ellas debern ser las de las ecua-
ciones anteriores, y as sucesivamente.
Esta particularidad, hace que la primera ecuacin est compuesta de
una sola variable endgena, una serie de variables exgenas y la pertur-
bacin aleatoria, y como las variables exgenas no estn correlacionadas con
el trmino de error se podra aplicar MCO de manera correcta.
La segunda ecuacin y posteriores se trataran de manera anloga ya que
las variables endgenas de las ecuaciones previas se tratan como variables
explicativas, no estando correlacionadas con la perturbacin (restriccin
segunda); luego se da una independencia entre los regresores y las perturba-
ciones generalizada lo que permite la adecuada estimacin de cada ecuacin
por MCO, sin los problemas de inconsistencia detectados en el captulo 3.
Por lo tanto en los sistemas recursivos no existe interdependencia entre
las variables endgenas, ya que si bien la variable endgena de la segunda
ecuacin (una vez ordenadas como se describi anteriormente) depende de
la variable endgena de la primera ecuacin, es cierto que la variable end-
gena de la primera ecuacin no depende de la variable endgena de la segun-
da ecuacin, y as para el resto de ecuaciones.

TEMA 7. MODELOS VAR

El alumno deber conocer tanto los fundamentos metodolgicos de este

tipo de modelos, como las caractersticas principales de los mismos.
La principal peculiaridad de este tipo de modelizacin est en la ruptura
del principio de la causalidad, debido a que en los modelos VAR no existe
distincin entre variables exgenas y endgenas. De esta ruptura con la
causalidad es de donde nace su principal atractivo ya que el econmetra no
deber clasificar las variables y lo que decide el modelo son las observa-
ciones de las mismas.
Los modelos VAR se pueden considerar como sistemas simultneos ya
que todas las variables reciben tratamiento de endgenas. Para su elabo-
racin se expresa el valor de una variable como una funcin lineal de los
retardos de esa variable y del resto de variables incluidas en el sistema de
ecuaciones que define el modelo, pero para que se pueda aplicar MCO, el
nmero de retardos deber ser igual para todas las ecuaciones del sistema.
El modelo se podra expresar de la siguiente forma matemtica:

yt = 1yt-1 +2yt-2 +...+pyt-p+xt + ut

32 ECONOMETRA I

donde yt es un vector de n variables endgenas, xt es un vector de m variables

exgenas, mientras que y son las formas matriciales de los coeficientes
objeto de estimacin. El trmino de error tiene en estas modelizaciones un
tratamiento especial, llamndose vector de innovaciones.

El problema surge de la inclusin de un nmero elevado de retardos,

pues para solucionar el modelo se debern necesitar una gran cantidad de
datos debido a la prdida con la inclusin de estos de grados de libertad.
Adems la inclusin de estos retardos dificultar la interpretacin de los coe-
ficientes (para evitar esto se recurre al examen de la funcin de impulso
respuesta IRF).

De esta manera, las principales ventajas de los modelos VAR, defendidas

por sus partidarios se convierten en las principales causas de su no
aceptacin por parte de sus detractores, as de manera simplificada se
podran analizar las divergencias de la siguiente manera:

Ventaja: no se requiere clasificar las variables entre exgenas y end-

genas.

+ Desventaja: estos modelos son a-tericos, ya que es el dato y no la

teora quien decide.

Ventaja: se puede estimar cada ecuacin por separado mediante MCO

evitando as las complicaciones de los modelos de ecuaciones
simultneas.

+ Desventaja: Problemas en la inclusin del nmero de retardos sobre

las variables endgenas.

Ventaja: proporciona mejores predicciones que los modelos simult-

neos.

+ Desventaja: el fuerte carcter predictivo de estos modelos hace que

sean poco apropiados para su uso en poltica econmica, ya que la
preponderancia de su objetivo hace que sea muy difcil la inter-
pretacin de los coeficientes obtenidos en los mismos.
 9. ESQUEMA DE CONTENIDOS PARA CADA TEMA 33

TEMA 8. MTODOS DE ESTIMACIN NO LINEALES.

En ocasiones el investigador encuentra dificultades al interpretar las

relaciones entre las variables propuestas por la Teora Econmica, que en
algunos casos pueden ser de carcter no lineal. Este captulo expone las solu-
ciones bsicas para la cuantificacin de dichas relaciones y los mtodos ms
comunes utilizados en las mismas.

El tratamiento de estos modelos est en funcin de su estructura, encon-

trndonos en la prctica con las siguientes soluciones:

Transformacin de los datos del modelo, aplicable cuando la no lin-

ealidad afecta a las variables explicativas pero no a los coeficientes,
problema que se solucionara con una transformacin de las mismas,
estimndose el modelo como si fuese el MLG. En algunos casos sera
posible el tratamiento de la no linealidad de la variable endgena,
siempre y cuando esta no afectase a su relacin con los regresores y
las variables explicativas.

Transformacin de los coeficientes del modelo, utilizado cuando la no

linealidad afecta a los coeficientes sin afectar a las variables, aunque
en algunos casos suponga una prdida de informacin sobre el valor
de los parmetros.

Mtodo General de Aproximacin Lineal, este mtodo utiliza los

desarrollos en serie de Taylor para obtener las mejores aproxima-
ciones lineales de las diferentes funciones no lineales a estimar. Una
vez obtenido un modelo lineal se procedera como en el MLG.

Mnimos Cuadrticos No Lineales (MCNL), consistente en la mini-

mizacin de la suma residual en el modelo no lineal adolece de una
implementacin bastante compleja.

Estimacin por Mxima Verosimilitud.

TEMA 9. MODELOS CON ERRORES EN LAS VARIABLES

En este captulo el alumno tomar contacto con una de las limitaciones

ms difciles de solventar en econometra, esta es la existencia de errores en
las variables.

Cuando hablamos de errores en las variables nos referimos a los errores

de medicin de las mismas. Como el alumno ya debera conocer, al medir las
relaciones existentes en economa recurrimos a variables originadas (la may-
ora de las veces) por medio de estimaciones muestrales, es decir obtenidas a
34 ECONOMETRA I

travs de un muestreo representativo de las unidades que las generan, (por

ejemplo, Consumo familiar, Produccin industrial, etc.) o derivadas de estas
(por ejemplo, Producto Interior Bruto, etc.). Estas estimaciones de las vari-
ables macroeconmicas van asociadas a un error de muestreo. Pero tambin a
veces se incluyen otros errores ajenos al muestreo, errores de documentacin,
de procesamiento de la informacin, etc. que alejan a la variable observada de
la variable que debera aparecer en el modelo. En este sentido, cabe destacar
que los errores de las variables observadas no slo se dan al trabajar con
macromagnitudes y variables econmica, sino que estos errores puede encon-
trrselos el investigador en todas las disciplinas (marketing, contabilidad, etc.)

Es importante, por tanto, que al efectuar cualquier tipo de investigacin

y anlisis, se conozca la fuente y origen de las datos, as como sus caracters-
ticas bsicas (error de muestreo, nivel de confianza, tipo de muestreo,
tamaos muestrales, universo de referencia, influencia o sesgo de la no
respuesta, etc.).

El hecho de que los errores en las variables a medir existan, ha produci-

do una controversia a lo largo del tiempo entre los econmetras, existiendo
partidarios de su tratamiento, as como partidarios de no tenerlos en cuenta.

A estos errores se les propuso como los causantes de las discrepancias

en los valores observados y la regresin, fundamentndose en la diferencia
existente entre las variables tericas y las variables empricas.

La aceptacin de la existencia de errores en la medicin de las variables,

produce un problema de aceptacin de inconsistencia en las estimaciones
mnimo cuadrticas, debido a que evidentemente si una variable esta medi-
da con error este se reflejar en la perturbacin aleatoria, producindose
una correlacin entre ambos componentes de la ecuacin.

En estos casos se utiliza la definicin de variable latente, como la variable

real, que no siempre coincidir con la variable emprica u observada. La vari-
able latente se describe como la variable observada ms el trmino de error.

Llevado el problema a un modelo concreto, se puede observar como

sustituyendo las variables a analizar (siempre se supone que se desea traba-
jar con variables reales latente) por las variables observadas ms el error
de medida, se llega al problema descrito.

Este problema difiere en su magnitud segn si el error se da en las vari-

ables explicativas o en las variables endgenas. As, si slo existen errores en
la variable endgena, los estimadores mnimo cuadrticos sern insesgados
y consistentes, pero presentarn un problema de eficiencia (se incrementa la
varianza del error). Si por el otro lado los errores de medicin se encuentran
en las variables explicativas del modelo, los estimadores mnimo cuadrticos
sern sesgados e inconsistentes.
 9. ESQUEMA DE CONTENIDOS PARA CADA TEMA 35

Otro hecho a tener en cuenta es que habitualmente no se conoce el valor

real de la variable, no conocindose por lo tanto el error cometido en su
medicin (estimacin), debiendo el investigador trabajar con la variable obser-
vada, lo que lleva a la necesidad de trabajar con estimadores consistentes.
Actualmente existe una lnea de investigacin en la cual se trabaja con
errores en las variables, conocida como el anlisis de ecuaciones estruc-
turales, los cuales partiendo del hecho de que no se miden perfectamente las
variables latentes mediante la informacin disponible, incorporan dentro de
su implementacin los errores de medida.

MTODOS DE ESTIMACIN DE MODELOS CON ERRORES EN LAS

VARIABLES.

Estos mtodos tienen como objetivo evitar el problema de la inconsis-

tencia, el alumno deber conocer al menos los tres mtodos expuestos a con-
tinuacin:
Mtodo de agrupacin de las observaciones, consiste en la divisin de
los valores muestrales en grupos o submuestras, una vez ordenada de
menor a mayor los valores de la variable explicativa, de las cuales se
calculan las medias aritmticas, obtenindose de esta manera tanto la
pendiente como el trmino independiente. Los estimadores as
obtenidos son consistentes, pero no eficientes.

Mtodo de Variables Instrumentales (VI), consiste en encontrar un

instrumento (variable instrumental) que este correlacionado con la
variable explicativa que tenga error de medida y que a su vez no est
correlacionado con la perturbacin o termino de error. El estimador
obtenido de esta manera ser un estimador consistente. El mtodo
plantea ciertas dificultades, ya que es difcil encontrar una variable
instrumental de una variable medida con error que no est correla-
cionada con el trmino de error o perturbacin.
Mtodo de la regresin ponderada, que utiliza la regresin ortogonal, lo
que supone dar una ponderacin igual a los errores en X y en Y. Poste-
36 ECONOMETRA I

riormente, y una vez fijada la relacin entre las varianzas de los errores,
se procede a estimar X en funcin de Y, e Y en funcin de X, debiendo
encontrarse la regresin verdadera entre ambas estimaciones.

10. EJEMPLOS PRCTICOS

A continuacin se presenta un ejemplo en el que se desarrolla la identifi-
cacin y la estimacin de un modelo de ecuaciones simultneas.

Sea el siguiente sistema de ecuaciones simultneas:

Las variables observadas son:

La matriz de sumas de productos cruzados en consecuencia sera la

siguiente:
 10. EJEMPLOS PRCTICOS 37

A su vez, las sumas de los valores observados de las variables son:

Identificacin

En primer lugar, debemos discutir la identificabilidad de las ecuaciones

del sistema a fin de determinar cul es el mtodo ms apropiado para esti-
mar los coeficientes de cada ecuacin.

Condicin de orden

1 ecuacin Variables excluidas = 0 = g1 Ec. No Identificada

2 ecuacin Variables excluidas = 1 =g1 Ec. Exactamente Identi-
ficada

Condicin de rango

En consecuencia la segunda ecuacin se puede estimar por cualquiera

de los tres mtodos (MCI, VI, MC2E). Pasamos a ver cmo se estimaran los
parmetros de la 2 ecuacin por cada uno de estos tres mtodos.

I. Mnimos Cuadrados Indirectos (MCI)

Pasando la forma estructural del modelo a lenguaje matricial ten-

dramos que:
38 ECONOMETRA I

Llamando a la matriz de los coeficientes de las variables endgenas
y a

la de las exgenas o predeterminadas, B, podemos escribir la expresin ante-
rior como:

Multiplicando por
-1 y llamando  =
-1B, tenemos que:

Y = X + V
O lo que es lo mismo:

Calculando  por MCO queda:

Siendo:

por lo que:
 10. EJEMPLOS PRCTICOS 39

La estimacin de  sera:

A partir de los parmetros de la forma reducida, podemos recuperar los

parmetros estructurales mediante la siguiente expresin:

Es decir:

A partir de ella se obtiene el siguiente sistema de ecuaciones:

En el sistema se puede obtener directamente sustituyendo

el valor de dicho parmetro en la segunda y la cuarta ecuacin, se alcanza la
solucin para los parmetros estimados de la 2 ecuacin de la forma estruc-
tural. Al no estar identificada la primera ecuacin, se comprueba que sta no
se puede resolver a partir de los coeficientes de la forma reducida.

La solucin, por tanto, sera:

40 ECONOMETRA I

Y la ecuacin estimada sera la siguiente:

II. Variables Instrumentales (VI)

Al aplicar VI hay que tener presente que la ecuacin que vamos a esti-
mar ahora es:

Y2t = 20 21Y1t 21X1t + u2t

Podemos utilizar X2t como instrumento, ya que dicha variable no pre-

senta correlacin alguna con el trmino de error de la 2 ecuacin y al
mismo tiempo presenta una fuerte correlacin con Y1t.

Definimos las siguientes matrices de las variables endgena (C), exge-

nas (Z) e instrumentos (Z*) de la siguiente forma:

Los estimadores de Variables Instrumentales se obtendrn mediante:

 10. EJEMPLOS PRCTICOS 41

La solucin sera:

La ecuacin estimada sera la siguiente:

Y2t = 1,145Y1t 198,89 0,326X1t = u2t

III. Mnimos Cuadrados en 2 Etapas (MC2E)

El mtodo de Mnimos Cuadrados en 2 Etapas tambin estima la fun-

cin:

Y2t = 21y1t 20 21x1t + u2t

Si llamamos:

y calculamos las siguientes matrices:

42 ECONOMETRA I

Podemos obtener los estimadores MC2E resolviendo:

siendo

^ ^
El producto Yj Yj se obtiene en la prctica a partir de la estimacin de
los parmetros del modelo en la forma reducida:

^
y el producto Y y se obtiene a partir de la estimacin de los parmetros del
j i
modelo en la forma reducida:

La solucin obtenida es:

La ecuacin estimada es, por tanto, la siguiente:

Y2t = 1,145Y1t 198,89 0,326X1t = u2t

Como se puede observar el resultado es el mismo en los tres mtodos.

45
46 ECONOMETRA I
47