17:19:57

Modelos no lineales

Econometrı́a II

Grado en Economı́a
Universidad de Granada

Econometrı́a II Modelos no lineales – 1 / 47

17:19:57

Contenidos

❖ Contenidos Especificaciones no lineales. Aproximación lineal al modelo no lineal

Especificaciones no
lineales. Aproximación Estimación de modelos no lineales: Aproximación lineal de Taylor
lineal al modelo no lineal

Estimación de modelos Estimación de modelos no lineales: MCNL y MV

no lineales:
Aproximación lineal de Algoritmos de búsqueda: Newton–Raphson y Gauss–Newton
Taylor

Estimación de modelos
Contraste de restricciones sobre los parámetros
no lineales: MCNL y MV
Apéndice
Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 2 / 47

 17:19:57

❖ Contenidos
Especificaciones no
lineales. Aproximación
lineal al modelo no lineal
❖ Especificaciones
❖ El modelo Box-Cox
❖ Ejemplo

Estimación de modelos
no lineales:
Aproximación lineal de
Taylor Especificaciones no lineales. Aproximación lineal al
Estimación de modelos
no lineales: MCNL y MV modelo no lineal
Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 3 / 47

17:19:57

Especificaciones

❖ Contenidos Hasta ahora, el efecto sobre Y de un cambio unitario en X no dependı́a del valor
Especificaciones no de X. ¿Qué ocurre si el efecto sobre Y de un cambio en X depende del valor de
lineales. Aproximación
lineal al modelo no lineal una (o más) de las variables independientes?. En este caso, la función de regresión
❖ Especificaciones es no lineal. Una función no lineal es una función con una pendiente que no es
❖ El modelo Box-Cox constante. Hay distintos tipos de especificaciones no lineales:
❖ Ejemplo
1. Modelos intrı́nsecamente lineales (se pueden estimar por los métodos conocidos
Estimación de modelos
no lineales: hasta ahora haciendo un simple cambio de variable y/o transformación):
Aproximación lineal de
Taylor yi = β1 + β2 x2i + ǫi ,
Estimación de modelos 1
no lineales: MCNL y MV yi = β1 + β2 + ǫi ,
xi
Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
yi = β1 xβ 2 ǫi
i e .
Contraste de
restricciones sobre los
parámetros
2. Modelos intrı́nsecamente no lineales (no se pueden estimar por los métodos
conocidos hasta ahora debido a la no linealidad existente en los parámetros):
Apéndice

yi = β1 + xβ 2
i + ǫi ,

yi = β1 xβ 2
i + ǫi ,
β1
yi = + ǫi .
1+ e 2 +β3 xi
β

Econometrı́a II Modelos no lineales – 4 / 47

 17:19:57

Ejemplo

❖ Contenidos Supongamos la siguiente información acerca de precios, P , y cantidades, Q,

Especificaciones no demandadas:
lineales. Aproximación
lineal al modelo no lineal
❖ Especificaciones
Q P ln Q ln P
❖ El modelo Box-Cox 5 10 1.609 2.302
❖ Ejemplo 6 8 1.791 2.079
Estimación de modelos
7 6 1.945 1.791
no lineales: 9 4 2.197 1.386
Aproximación lineal de
Taylor
12 3 2.484 1.098
15 2 2.708 0.693
Estimación de modelos
no lineales: MCNL y MV 18 1.5 2.890 0.405
Algoritmos de búsqueda:
22 1.2 3.091 0.182
Newton–Raphson y
Gauss–Newton A continuación se puede obervar que la relación entre P y Q no es lineal (Figura 1),
Contraste de sin embargo, haciendo una transformación sencilla (aplicando logaritmos) se puede
restricciones sobre los
parámetros obtener dicho tipo de relación (Figura 2).
Apéndice

Econometrı́a II Modelos no lineales – 5 / 47

17:19:57

Ejemplo
10

❖ Contenidos
9
Especificaciones no
lineales. Aproximación
lineal al modelo no lineal
8
❖ Especificaciones
❖ El modelo Box-Cox
❖ Ejemplo 7

Estimación de modelos
no lineales: 6
Aproximación lineal de
P

Taylor
5
Estimación de modelos
no lineales: MCNL y MV

Algoritmos de búsqueda: 4
Newton–Raphson y
Gauss–Newton
3
Contraste de
restricciones sobre los
parámetros
2
Apéndice

1
6 8 10 12 14 16 18 20 22
Q

Figura 1: Relación no lineal

Econometrı́a II Modelos no lineales – 6 / 47

 17:19:57

Ejemplo
2.5

❖ Contenidos
Especificaciones no
lineales. Aproximación
lineal al modelo no lineal 2
❖ Especificaciones
❖ El modelo Box-Cox
❖ Ejemplo

Estimación de modelos 1.5

no lineales:
ln P

Aproximación lineal de
Taylor

Estimación de modelos
no lineales: MCNL y MV 1
Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de 0.5
restricciones sobre los
parámetros

Apéndice

0
1.6 1.8 2 2.2 2.4 2.6 2.8 3
ln Q

Figura 2: Relación lineal

Econometrı́a II Modelos no lineales – 7 / 47

17:19:57

El modelo Box-Cox

❖ Contenidos La transformación de Box-Cox permiten corregir la no linealidad en la relación entre

Especificaciones no variables (también pueden ser usadas para solucionar problemas de normalidad y
lineales. Aproximación
lineal al modelo no lineal heterocedasticidad). A partir de la transformación de Box-Cox:
❖ Especificaciones (
❖ El modelo Box-Cox y λ1 − 1
y (λ1 )
= λ1 6= 0
❖ Ejemplo λ1
Estimación de modelos
ln y λ1 = 0
no lineales:
Aproximación lineal de (
Taylor xλ2 − 1
x (λ2 )
= λ2 6= 0
Estimación de modelos λ2
no lineales: MCNL y MV
ln x λ2 = 0
Algoritmos de búsqueda:
Newton–Raphson y modelos en principios no lineales podrán expresarse linealmente como sigue:
Gauss–Newton
Contraste de y (λ1 ) = α + βx(λ2 ) + ǫ.
restricciones sobre los
parámetros
A continuación se analizan los casos particulares siguientes:
Apéndice
λ1 = λ2 = 1.
λ1 = λ2 = 0.
λ1 = 0 y λ2 = 1.
λ1 = 1 y λ2 = 0.
λ1 = 1 y λ2 = −1.

Econometrı́a II Modelos no lineales – 8 / 47

 17:19:57

El modelo Box-Cox: casos particulares

❖ Contenidos Modelo lineal: λ1 = λ2 = 1.

Especificaciones no En este modelo, β representa el efecto marginal, es decir, una variación unitaria
lineales. Aproximación
lineal al modelo no lineal en la variable x provoca un cambio en la variable y igual a β:
❖ Especificaciones
∂y
❖ El modelo Box-Cox β= → △y = β △ x.
❖ Ejemplo ∂x
Estimación de modelos
no lineales: Modelo multiplicativo o doblemente logarı́tmico: λ1 = λ2 = 0.
Aproximación lineal de En este caso, Box–Cox coincide con el modelo no lineal: y = Axβ eǫ . Aquı́, β
Taylor
representa la elasticidad de y respecto de x (es decir, qué incremento porcentual
Estimación de modelos
no lineales: MCNL y MV
de y se tendrá si se produce un incremento porcentual de x):
Algoritmos de búsqueda: ∂y y ∂y x
Newton–Raphson y = Aβxβ−1 = Aβxβ x−1 = βyx−1 = β → β = .
Gauss–Newton ∂x x ∂x y
Contraste de
restricciones sobre los Modelo semilogarı́tmico o log–lineal: λ1 = 0; λ2 = 1.
parámetros
En este caso, Box–Cox coincide con el modelo no lineal: y = eα+βx+ǫ . Aquı́,
Apéndice β representa la tasa proporcional constante de crecimiento (β > 0) o de
decrecimiento (β < 0) debido a un cambio unitario en x:
∂y ∂y 1 ∂y 1
= βeα+βx = βy → β = = .
∂x ∂x y y ∂x

Econometrı́a II Modelos no lineales – 9 / 47

17:19:57

El modelo Box-Cox: casos particulares

❖ Contenidos Modelo semilogarı́tmico en: λ1 = 1; λ2 = 0.

Especificaciones no En este caso, Box–Cox coincide con el modelo no lineal: y = α + β ln x + ǫ.
lineales. Aproximación
lineal al modelo no lineal Aquı́, la variación que se produce en y provocada por una variación en x es
❖ Especificaciones inversamente proporcional al valor de x:
❖ El modelo Box-Cox
∂y 1
❖ Ejemplo =β .
Estimación de modelos
∂x x
no lineales:
Aproximación lineal de Modelo recı́proco o hipérbola: λ1 = 1, λ2 = −1.
Taylor
En este caso, Box–Cox coincide con el modelo no lineal: y = α + β x1 + ǫ. Aquı́, la
Estimación de modelos
no lineales: MCNL y MV variación que se produce en y provocada por una variación en x es inversamente
proporcional al cuadrado de x:
Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
∂y −1
=β 2.
Contraste de ∂x x
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 10 / 47

 17:19:57

El modelo Box-Cox: ejemplos gráficos

❖ Contenidos 7
1.4
Especificaciones no 6
1.2
lineales. Aproximación 5
lineal al modelo no lineal 1
4 0.8
❖ Especificaciones
❖ El modelo Box-Cox 3 0.6
❖ Ejemplo 2 0.4
1 0.2
Estimación de modelos
no lineales:
Aproximación lineal de
a) 0.5 1 1.5 2 b) 0.5 1 1.5 2

Taylor 2 4

Estimación de modelos
1.5 3
no lineales: MCNL y MV

Algoritmos de búsqueda: 1 2
Newton–Raphson y
Gauss–Newton
0.5 1
Contraste de
restricciones sobre los
parámetros
c) 0.5 1 1.5 2 d) 0.5 1 1.5 2

Apéndice

Figura 3: Modelo doblemente logarı́tmico con a) β = −0.6, b) β = 0.6, c)

β = 1 y c) β = 2.

Econometrı́a II Modelos no lineales – 11 / 47

17:19:57

El modelo Box-Cox: ejemplos gráficos

❖ Contenidos 9
2.75
Especificaciones no 2.5 8
lineales. Aproximación
2.25 7
lineal al modelo no lineal
2
❖ Especificaciones 6
1.75
❖ El modelo Box-Cox
1.5 5
❖ Ejemplo
1.25 4
Estimación de modelos
no lineales: 0.5 1 1.5 2
Aproximación lineal de
a) b) 0.5 1 1.5 2

Taylor

Estimación de modelos Figura 4: Modelo semilogarı́tmico en y con a) β = −0.6 y b) β = 0.6.

no lineales: MCNL y MV

Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton 2.25 0.5 1 1.5 2
Contraste de 2 -1
restricciones sobre los
1.75 -2
parámetros
1.5 -3
Apéndice
1.25
-4
0.5 1 1.5 2 -5
0.75
-6
c) d)

Figura 5: Modelo semilogarı́tmico en x con c) β = −0.6 y d) β = 0.6.

Econometrı́a II Modelos no lineales – 12 / 47

 17:19:57

El modelo Box-Cox: ejemplos gráficos

❖ Contenidos 70
Especificaciones no 0.5 1 1.5 2 60
lineales. Aproximación 50
lineal al modelo no lineal -1
40
❖ Especificaciones -2
❖ El modelo Box-Cox 30
-3 20
❖ Ejemplo
-4 10
Estimación de modelos
no lineales:
Aproximación lineal de
a) -5 b) 0.5 1 1.5 2

Taylor

Estimación de modelos Figura 6: Modelo recı́proco o hiperbólico con a) β = −0.6 y b) β = 0.6.

no lineales: MCNL y MV

Algoritmos de búsqueda:
Newton–Raphson y 0.8
Gauss–Newton 500

Contraste de 400 0.6

restricciones sobre los
parámetros 300
0.4
Apéndice 200
0.2
100

c) 0.5 1 1.5 2 d) 0.5 1 1.5 2

Figura 7: Modelo recı́proco-logarı́tmico con c) β = −0.6 y d) β = 0.6.

Econometrı́a II Modelos no lineales – 13 / 47

17:19:57

El modelo Box-Cox: ejemplo

❖ Contenidos Dados los siguientes datos ajustar un modelo doblemente logarı́tmico:

Especificaciones no
lineales. Aproximación x 1 2 3 4 5
lineal al modelo no lineal
❖ Especificaciones
y 4 50 200 740 3000
❖ El modelo Box-Cox
❖ Ejemplo
El modelo doblemente logarı́tmico responde a la expresión y = Axβ eǫ , el cual se
puede linealizar sin más que considerar logaritmos:
Estimación de modelos
no lineales:
Aproximación lineal de
ln y = ln A + β ln x + ǫ ln e ⇒ y ∗ = A∗ + βx∗ + ǫ,
Taylor
donde y ∗ = ln y y x∗ = ln x.
Estimación de modelos
no lineales: MCNL y MV
Por tanto, se ha llegado a un modelo lineal que se puede estimar por el método
de Mı́nimos Cuadrados Ordinarios:
Algoritmos de búsqueda:
Newton–Raphson y
x∗ y∗
Gauss–Newton
′
b∗ = 1′ 2257 ⇒ Ab = e1 2257 = 3′ 4066
A 0 1’386
Contraste de 0’693 3’912
restricciones sobre los b = 3′ 9856
β 1’099 5’298
parámetros
R2 = 0′ 865 1’386 6’607
Apéndice
1’609 8’006

Por tanto, el modelo estimado quedarı́a b

y = 3.4066 · x3.9856 .
Adviértase que las propiedades verificadas por A b∗ al ser obtenido por MCO no tienen
por que extenderse a A.b
Ajustar un modelo del tipo y = Aβ x eǫ y decidir cuál es el mejor.

Econometrı́a II Modelos no lineales – 14 / 47

 17:19:57

El modelo Box-Cox: ejemplo

❖ Contenidos
Especificaciones no y con respecto a x (con ajuste mínimo−cuadrático)
lineales. Aproximación 3000
lineal al modelo no lineal Y = −1.21e+003 + 668.X
❖ Especificaciones
❖ El modelo Box-Cox 2500
❖ Ejemplo

Estimación de modelos 2000

no lineales:
Aproximación lineal de
Taylor 1500
Estimación de modelos
no lineales: MCNL y MV
1000
y

Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton 500
Contraste de
restricciones sobre los
parámetros 0
Apéndice
−500

−1000
1 1.5 2 2.5 3 3.5 4 4.5 5
x

Figura 8: Representación gráfica de los datos originales.

Econometrı́a II Modelos no lineales – 15 / 47

17:19:57

El modelo Box-Cox: ejemplo

❖ Contenidos
Especificaciones no
ly con respecto a lx (con ajuste mínimo−cuadrático)
lineales. Aproximación 9
lineal al modelo no lineal Y = 1.23 + 3.99X
❖ Especificaciones
❖ El modelo Box-Cox 8
❖ Ejemplo

Estimación de modelos 7
no lineales:
Aproximación lineal de
Taylor 6
Estimación de modelos
no lineales: MCNL y MV 5
ly

Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton 4
Contraste de
restricciones sobre los 3
parámetros

Apéndice
2

1
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
lx

Figura 9: Representación gráfica de los datos transformados.

Econometrı́a II Modelos no lineales – 16 / 47
 17:19:57

❖ Contenidos
Especificaciones no
lineales. Aproximación
lineal al modelo no lineal

Estimación de modelos
no lineales:
Aproximación lineal de
Taylor
❖ Aproximación lineal de
Taylor
❖ Ejemplo
Estimación de modelos no lineales: Aproximación lineal
Estimación de modelos
no lineales: MCNL y MV de Taylor
Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 17 / 47

17:19:57

Aproximación lineal de Taylor

❖ Contenidos Supongamos que pretendemos estimar una relación de carácter económico entre
Especificaciones no una magnitud y y un conjunto de variables explicativas recogidas en el vector de
lineales. Aproximación
lineal al modelo no lineal variables independientes Xt . Representaremos tal relación mediante el modelo
Estimación de modelos
econométrico:
no lineales:
Aproximación lineal de yt = f (Xt , β) + ǫt , t = 1, 2, ..., T,
Taylor
❖ Aproximación lineal de donde f representa una función no lineal cualquiera. Podemos tomar una
Taylor aproximación lineal de la función en un entorno de un punto cualquiera, pudiendo
❖ Ejemplo
elegir inicialmente el valor β̂0 . El modelo quedarı́a:
Estimación de modelos
 ′
no lineales: MCNL y MV ∂f (Xt , β)
Algoritmos de búsqueda:
yt = f (Xt , β̂0 ) + (β − β̂0 ) + ǫt , t = 1, 2, ..., T.
Newton–Raphson y
∂β β=β̂0
Gauss–Newton
Operando:
Contraste de
restricciones sobre los  ∂f (X ′  ∂f (X ′
parámetros t , β) t , β)
yt − f (Xt , β̂0 ) + β̂0 = β + ǫt ,
Apéndice ∂β β=β̂0 ∂β β=β̂0
 
∂f (Xt , β)
con t = 1, 2, ..., T y siendo el término el gradiente de la función
∂β β=β̂0
f (Xt , β) evaluado en el vector de parámetros considerado β = β̂0 .

Econometrı́a II Modelos no lineales – 18 / 47

 17:19:57

Aproximación lineal de Taylor

❖ Contenidos Si denotamos
Especificaciones no  ∂f (X ′
lineales. Aproximación t , β)
lineal al modelo no lineal yt∗ = yt − f (Xt , β̂0 ) + β̂0 ,
∂β β=β̂0
Estimación de modelos
no lineales:
Aproximación lineal de el modelo puede reescribirse como
Taylor  ′
❖ Aproximación lineal de ∂f (Xt , β)
Taylor yt∗ = β + ǫt , t = 1, 2, ..., T.
∂β β=β̂0
❖ Ejemplo

Estimación de modelos El modelo ası́ transformado es un modelo lineal general, donde la nueva variable
no lineales: MCNL y MV  
∂f (Xt , β) ′
Algoritmos de búsqueda: dependiente es y ∗ , y el vector de variables explicativas, , son las
Newton–Raphson y ∂β β=β̂0
Gauss–Newton componentes del vector gradiente de la función evaluadas en la estimación inicial de
Contraste de los parámetros.
restricciones sobre los
parámetros Aplicando Mı́nimos Cuadrados Ordinarios:
Apéndice    ′ −1  
∂f (Xt , β) ∂f (Xt , β) ∂f (Xt , β)
β̂ = y∗ .
∂β β=β̂0 ∂β β=β̂0 ∂β β=β̂0

Adviértase que esta estimación dará buenos resultados si los valores iniciales β̂0 son
próximos a los verdaderos valores de los parámetros a estimar, lo cual normalmente
no es conocido.

Econometrı́a II Modelos no lineales – 19 / 47

17:19:57

Aproximación lineal de Taylor

❖ Contenidos La expresión anterior puede expresarse equivalentemente,

Especificaciones no
lineales. Aproximación
   ′ −1  
lineal al modelo no lineal ∂f (Xt , β) ∂f (Xt , β) ∂f (Xt , β)
β̂ = β + ǫ̂,
Estimación de modelos ∂β β=β̂0 ∂β β=β̂0 ∂β β=β̂0
no lineales:
Aproximación lineal de
Taylor donde ǫ̂ = yt − f (Xt , β̂0 ) es el residuo obtenido en la estimación realizada.
❖ Aproximación lineal de Si suponemos que E(ǫ̂) = 0 y var(ǫ̂) = σ 2 I, entonces β̂ será insesgado y:
Taylor
❖ Ejemplo
   ′ −1
2 ∂f (Xt , β) ∂f (Xt , β)
Estimación de modelos var(β̂) = σ .
no lineales: MCNL y MV ∂β β=β̂0 ∂β β=β̂0
Algoritmos de búsqueda:
Newton–Raphson y Una estimación insesgada de la varianza del término de perturbación se obtiene:
Gauss–Newton
(y − f (X, β))′ (y − f (X, β)))
Contraste de
restricciones sobre los
σ̂ 2 = .
parámetros
T −k
Apéndice Si además las perturbaciones se distribuyen normalmente, el estimador de
mı́nimos cuadrados ordinarios, obtenido con esta aproximación lineal, también
será normalmente distribuido:
   ∂f (X  −1 !
∂f (Xt , β) t , β) ′
β̂ ∼ N β, σ 2 ,
∂β β=β̂0 ∂β β=β̂0

siempre y cuando la última matriz inversa exista.

Econometrı́a II Modelos no lineales – 20 / 47

 17:19:57

Aproximación lineal de Taylor: ejemplo

❖ Contenidos
Dado el modelo yt = β1 eβ2 xt + ǫt vamos a obtener una aproximación lineal del
Especificaciones no mismo.
lineales. Aproximación
lineal al modelo no lineal Puesto que f (Xt , β) = β1 eβ2 xt depende de β1 y β2 en este caso se verifica
Estimación de modelos que:  
no lineales:
∂f (Xt , β) ∂β1 eβ2 xt ∂β1 eβ2 xt #

Aproximación lineal de
Taylor
= = eβ2 xt β1 xt eβ2 xt .
∂β ∂β1 ∂β2
❖ Aproximación lineal de
Taylor
❖ Ejemplo
Por tanto, dado un valor inicial β̂, se tiene:
 ′
Estimación de modelos ∂f (Xt , β)
no lineales: MCNL y MV yt = f (Xt , β̂) + (β − β̂) + ǫt
∂β β=β̂
  
Algoritmos de búsqueda:
Newton–Raphson y  b1
Gauss–Newton
= b1 eb
β β2 xt
+ eb
β2 xt b1 xt eb
β β2 xt
·
β1 − β
+ ǫt
Contraste de b2
β2 − β
restricciones sobre los

b1 eβb2 xt + eβb2 xt · (β1 − βb1 ) + βb1 xt eβb2 xt · (β2 − βb2 ) + ǫt .

parámetros
= β
Apéndice
Operando de forma conveniente:

b1 eβb2 xt + eβb2 xt · βb1 + βb1 xt eβb2 xt · βb2 = eβb2 xt · β1 + βb1 xt eβb2 xt · β2 + ǫt .

yt − β
Como se puede observar esta expresión es intrı́nsecamente lineal, es decir, haciendo
un cambio de variable puede estimarse por MCO.

Econometrı́a II Modelos no lineales – 21 / 47

17:19:57

Aproximación lineal de Taylor: ejemplo

❖ Contenidos En efecto, llamando

Especificaciones no
lineales. Aproximación
lineal al modelo no lineal yt∗ = b1 eβb2 xt + eβb2 xt · βb1 + βb1 xt eβb2 xt · βb2 ,
yt − β
Estimación de modelos
no lineales: x∗1t = b2 xt ,
eβ
Aproximación lineal de
Taylor
x∗2t = b1 xt eβb2 xt ,
β
❖ Aproximación lineal de
Taylor
se obtendrı́a la aproximación lineal yt∗ = x∗1t β1 + x∗2t β2 + ǫt .
❖ Ejemplo
Por ejemplo, para el valor inicial β b1 = y y βb2 = 0 se obtendrı́a el modelo
Estimación de modelos
no lineales: MCNL y MV linealizado:
Algoritmos de búsqueda:
yt∗ = β1 + x∗t β2 + ǫt ,
Newton–Raphson y
Gauss–Newton
donde yt∗ = yt y x∗t = y · xt .
Contraste de
Ası́ por ejemplo:
restricciones sobre los y x x∗ = y · x
parámetros
b∗ ′ ′
y = −49 78 + 0 0504xt ∗ 3 22 814
Apéndice 11 38 1406
R2 = 0′ 932 34 50 1850
100 76 2812

Econometrı́a II Modelos no lineales – 22 / 47

 17:19:57

❖ Contenidos
Especificaciones no
lineales. Aproximación
lineal al modelo no lineal

Estimación de modelos
no lineales:
Aproximación lineal de
Taylor

Estimación de modelos
no lineales: MCNL y MV
❖ Mı́nimos cuadrados no
lineales
Estimación de modelos no lineales: Mı́nimos Cuadrados
❖ Ejemplo no lineales y estimación por Máxima Verosimilitud
❖ Estimación por
máxima verosimilitud
Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 23 / 47

17:19:57

Mı́nimos cuadrados no lineales

❖ Contenidos Dentro de este apartado, estudiaremos explı́citamente las situaciones en las cuales
Especificaciones no no es posible transformar el modelo de manera que pueda estimarse con las técnicas
lineales. Aproximación
lineal al modelo no lineal de estimación correspondientes al modelo lineal general.
Estimación de modelos
El primer método que pasamos a abordar para estimar relaciones de tipo no
no lineales: lineal es el de mı́nimos cuadrados no lineales, que no es más que una generalización
Aproximación lineal de
Taylor
del procedimiento del método de mı́nimos cuadrados ordinarios. Recordemos, que
la idea de partida del método de mı́nimo-cuadrático no exige en ningún momento la
Estimación de modelos
no lineales: MCNL y MV linealidad del modelo, si bien, la resolución analı́tica del mismo se complica bastante
❖ Mı́nimos cuadrados no cuando el modelo no es lineal.
lineales Supongamos que pretendemos estimar un modelo cuya especificación genérica
❖ Ejemplo
es:
❖ Estimación por
máxima verosimilitud
yt = f (Xt , β) + ǫt , t = 1, 2, ..., T,
Algoritmos de búsqueda:
Newton–Raphson y donde Xt es el vector de variables independientes, β es el vector de parámetros del
Gauss–Newton
modelo a estimar y f es una función no lineal de las componentes de los vectores
Contraste de
restricciones sobre los
Xt y β, y cuya primera derivada vamos a suponer que es no lineal en β.
parámetros El método de mı́nimos cuadrados no lineales, al igual que su homólogo lineal,
Apéndice trata de minimizar la suma de los residuos al cuadrado, es decir, minimizar la
siguiente expresión:
T T
X X
SRC(β) = e2t = (yt − f (Xt , β))2 .
t=1 t=1

Econometrı́a II Modelos no lineales – 24 / 47

 17:19:57

Mı́nimos cuadrados no lineales

❖ Contenidos Derivando la expresión anterior obtenemos las condiciones de primer y segundo

Especificaciones no orden necesarias y suficientes para la obtención del mı́nimo.
lineales. Aproximación
lineal al modelo no lineal Ası́, derivando una primera vez se obtiene:
Estimación de modelos T
no lineales: ∂SRC(β) X ∂f (Xt , β)
Aproximación lineal de = −2 (yt − f (Xt , β)) · , ∀t
Taylor ∂β ∂β
t=1
Estimación de modelos
no lineales: MCNL y MV
e igualando a cero dicha derivada parcial se obtienen las ecuaciones normales del
❖ Mı́nimos cuadrados no
lineales modelo:
T
❖ Ejemplo X ∂f (Xt , β)
❖ Estimación por (yt − f (Xt , β)) · = 0, ∀t.
máxima verosimilitud ∂β
t=1
Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 25 / 47

17:19:57

Mı́nimos cuadrados no lineales: ejemplo

Obtener el sistema de ecuaciones normales del modelo yt = β1 + xβ

❖ Contenidos 2
t + ǫt .
Especificaciones no
lineales. Aproximación
El objetivo es minimizar la suma de cuadrados de los residuos, esto es,
lineal al modelo no lineal T #
P
2
yt − β1 − xβ
′
2
Estimación de modelos SRC(β) = t , donde β = (β1 β2 ).
no lineales: t=1
Aproximación lineal de
Taylor
Por tanto, habrá que derivar la expresión anterior (usando que si f (x) = ax
entonces f ′ (x) = ax ln a) con respecto a cada uno de los elementos de β:
Estimación de modelos
no lineales: MCNL y MV T
❖ Mı́nimos cuadrados no ∂SRC(β) X #

lineales = −2 · yt − β1 − xβ
t
2
,
❖ Ejemplo ∂β1
t=1
❖ Estimación por
T
máxima verosimilitud
∂SRC(β) X #

Algoritmos de búsqueda:
Newton–Raphson y
= −2 · yt − β1 − xβ
t
2
· xβ 2
t · ln xt .
Gauss–Newton
∂β2
t=1
Contraste de
restricciones sobre los E igualando a cero dichas derivadas se obtendrá el sistema de ecuaciones normales
parámetros
buscado:
Apéndice
T
X #

yt − β1 − xβ
t
2
= 0,
t=1
T
X #

yt − β1 − xβ
t
2
· xβ 2
t · ln xt = 0.
t=1

Econometrı́a II Modelos no lineales – 26 / 47

 17:19:57

Mı́nimos cuadrados no lineales: ejemplo

❖ Contenidos Un ejemplo de este tipo de especificaciones, en Economı́a, es la función de consumo

Especificaciones no
lineales. Aproximación
agregado: Ct = β1 + β2 Ytβ3 + ǫt .
lineal al modelo no lineal Los estimadores mı́nimo cuadráticos de β1 , β2 y β3 deben de cumplir las
Estimación de modelos condiciones necesarias:
no lineales:
Aproximación lineal de P
T
Taylor ∂ ê2t T
t=1
X
Estimación de modelos
no lineales: MCNL y MV =0 ⇔ (Ct − β1 − β2 Ytβ3 ) = 0,
∂β1
❖ Mı́nimos cuadrados no t=1
lineales
❖ Ejemplo P
T
∂ ê2t T
❖ Estimación por
máxima verosimilitud t=1
X
=0 ⇔ (Ct − β1 − β2 Ytβ3 )Ytβ3 = 0,
Algoritmos de búsqueda:
Newton–Raphson y
∂β2
t=1
Gauss–Newton
Contraste de P
T
restricciones sobre los ∂ ê2t T
parámetros t=1
X
=0 ⇔ (Ct − β1 − β2 Ytβ3 )β2 Ytβ3 ln Yt = 0.
Apéndice ∂β3
t=1

Esta ecuaciones son no lineales, por lo que no pueden ser resueltas de manera
directa con procedimientos algebraicos sino con métodos numéricos. Es decir, para
resolver las ecuaciones normales es necesario un método iterativo para obtener los
valores de los parámetros.

Econometrı́a II Modelos no lineales – 27 / 47

17:19:57

Estimación por máxima verosimilitud

❖ Contenidos Sabemos que la función de verosimilitud del modelo

Especificaciones no
lineales. Aproximación yt = f (Xt , β) + ǫt , ǫt ∼ N (0, σ 2 IT ),
lineal al modelo no lineal

Estimación de modelos viene dada por la expresión:

no lineales: n o
Aproximación lineal de 2 1 1
Taylor L(β, σ |y, X) = exp − 2
(y − f (Xt , β))′ (y − f (Xt , β)) ,
(2πσ 2 )T /2 (2σ )
Estimación de modelos
no lineales: MCNL y MV y aplicando logaritmos neperianos:
❖ Mı́nimos cuadrados no
lineales T T 1
❖ Ejemplo ln L(β, σ 2 |y, X) = − ln (2π) − ln σ 2 − SCR(β).
❖ Estimación por
2 2 2σ 2
máxima verosimilitud
Los posibles estimadores máximo verosı́miles serán obtenidos tras derivar la
Algoritmos de búsqueda: expresión anterior con respecto a β y σ 2 e igualando el resultado a cero.
Newton–Raphson y
Gauss–Newton En el primer caso, se obtiene la derivada:
Contraste de T
restricciones sobre los ∂ ln L(β, σ 2 |y, X) ∂ −1 1 X ∂f (Xt , β)
parámetros = 2
SCR(β) = 2 (yt − f (Xt , β)) · ,
Apéndice
∂β ∂β 2σ σ ∂β
t=1

que igualada a cero queda:

T
X ∂f (Xt , β)
(yt − f (Xt , β)) · = 0, ∀t.
∂β
t=1

Econometrı́a II Modelos no lineales – 28 / 47

 17:19:57

Estimación por máxima verosimilitud

❖ Contenidos Adviértase que los resultados obtenidos coinciden con el estimador por mı́nimos
Especificaciones no cuadrados no lineales, por tanto, no es posible dar una solución analı́tica para las
lineales. Aproximación
lineal al modelo no lineal soluciones de este sistema de ecuaciones (y una vez más se hace necesario un
Estimación de modelos
método iterativo para obtener los valores de los parámetros).
no lineales: Sin embargo, sı́ que es posible dar una expresión para la varianza de las
Aproximación lineal de
Taylor
perturbaciones. Derivando parcialmente con respecto a σ 2 e igualando a 0,
obtenemos:
Estimación de modelos
no lineales: MCNL y MV T 1 1
❖ Mı́nimos cuadrados no − 2
+ SCR(β) = 0.
lineales 2 σ̂ 2(σ̂ 2 )2
❖ Ejemplo
SCR(β)
❖ Estimación por Despejando: σ̂ 2 = .
máxima verosimilitud T
Algoritmos de búsqueda: Sustituyendo este valor en la función de verosimilitud ln L(β, σ 2 |y, X),
Newton–Raphson y
Gauss–Newton
obtenemos la función de verosimilitud concentrada:
 
Contraste de 2 T T SCR(β) T
restricciones sobre los ln Lc (β, σ̂ |y, X) = − ln (2π) − ln − .
parámetros 2 2 T 2
Apéndice El estimador máximo verosimil correspondiente a esta última función de
verosimilitud concentrada serı́a el mismo que el estimador de mı́nimos cuadrados
no lineales correspondiente a la minimización de SCR(β). Esta equivalencia entre
los estimadores MV y MCNL solo es válida en el caso en que ǫ ∼ N (0, σ 2 IT ).

Econometrı́a II Modelos no lineales – 29 / 47

17:19:57

❖ Contenidos
Especificaciones no
lineales. Aproximación
lineal al modelo no lineal

Estimación de modelos
no lineales:
Aproximación lineal de
Taylor

Estimación de modelos
no lineales: MCNL y MV

Algoritmos de búsqueda: Algoritmos de búsqueda: Newton–Raphson y

Newton–Raphson y
Gauss–Newton Gauss–Newton
❖ Algoritmos de
búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 30 / 47

 17:19:57

Algoritmos de búsqueda

❖ Contenidos En la presente sección veremos los procedimientos numéricos que serán utilizados
Especificaciones no para resolver las ecuaciones normales obtenidas que no pueden ser resueltas de
lineales. Aproximación
lineal al modelo no lineal forma directa mediante procedimientos algebraicos.
Estimación de modelos
Dado el modelo
no lineales: yt = f (Xt , β) + ǫt ,
Aproximación lineal de
Taylor la suma de cuadrados de los residuos vendrá dada por la expresión:
Estimación de modelos T
no lineales: MCNL y MV X
Algoritmos de búsqueda:
SCR(β) = (yt − f (Xt , β))2 ,
Newton–Raphson y
Gauss–Newton
t=1
❖ Algoritmos de
búsqueda:
siendo la condición necesaria de mı́nimo para esta función la dada por la ecuación
Newton–Raphson y normal
T
Gauss–Newton
X ∂f (Xt , β)
Contraste de (yt − f (Xt , β)) · = 0.
restricciones sobre los
parámetros
∂β
t=1
Apéndice Veremos a continuación dos métodos para resolver este tipo de ecuaciones.

Econometrı́a II Modelos no lineales – 31 / 47

17:19:57

Algoritmo de Newton-Raphson

❖ Contenidos Este algoritmo se basa en minimizar la suma de cuadrados de los residuos.

Especificaciones no En primer lugar se toma como aproximación a dicha suma el desarrollo del
lineales. Aproximación
lineal al modelo no lineal b0 :
polinomio de Taylor de segundo orden en un entorno del valor inicial β
Estimación de modelos  
∂SCR(β)
no lineales:
Aproximación lineal de SCR(β) ≃ b0 ) +
SCR(β b0 )
(β − β
Taylor ∂β β=β0b
 
Estimación de modelos 1 ∂ 2 SCR(β)
no lineales: MCNL y MV b0 )′
+ (β − β b0 ),
(β − β
2 ∂β∂β ′
Algoritmos de búsqueda:
Newton–Raphson y
b
β=β0
Gauss–Newton Derivando respecto β:
❖ Algoritmos de
búsqueda:    
Newton–Raphson y ∂SCR(β) ∂SCR(β) ∂ 2 SCR(β)
Gauss–Newton ≃ + b0 ).
(β − β
∂β ∂β b ∂β∂β ′
Contraste de
β=β0 b
β=β0
restricciones sobre los
parámetros Igualando a cero la primera derivada:
Apéndice    
∂SCR(β) ∂ 2 SCR(β)
+ b0 ) = 0,
(β − β
∂β b ∂β∂β ′
β=β0 b
β=β0

y despejando β:
 −1  
∂ 2 SCR(β) ∂SCR(β)
b0 −
β=β .
∂β∂β ′ ∂β b
β=β0 b β=β0

Econometrı́a II Modelos no lineales – 32 / 47

 17:19:57

Algoritmo de Newton-Raphson

❖ Contenidos Siempre que exista dicha inversa, a partir de la expresión anterior se puede plantear
Especificaciones no el siguiente procedimiento iterativo:
lineales. Aproximación
lineal al modelo no lineal  −1  ∂SCR(β) 
∂ 2 SCR(β)
Estimación de modelos
no lineales:
bn+1 = βbn −
β .
∂β∂β ′ ∂β b
Aproximación lineal de β=βn b β=βn
Taylor

Estimación de modelos
Este procedimiento se repite hasta que converja, es decir, has ta que exista h
no lineales: MCNL y MV bh+1 = βbh . En tal caso se tendrı́a entonces que
tal que β
Algoritmos de búsqueda:  
Newton–Raphson y ∂SCR(β)
Gauss–Newton = 0,
❖ Algoritmos de ∂β β=βh b
búsqueda:
Newton–Raphson y
Gauss–Newton
bh minimiza a SCR(β).
de donde se deduce que β
Contraste de
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 33 / 47

17:19:57

Algoritmo de Newton-Raphson: Ejemplo

Dado el modelo yt = xβ
❖ Contenidos
t + ǫt , t = 1, . . . , T , obtener la estimación iterativa
Especificaciones no
lineales. Aproximación
proporcionada por el algoritmo de Newton–Raphson.
lineal al modelo no lineal T #
P
2
Estimación de modelos En este caso SCR(β) = yt − xβ
t , por lo que:
no lineales: t=1
Aproximación lineal de
Taylor T
∂SCR(β) X #

Estimación de modelos = −2 yt − xβ β
t xt ln xt ,
no lineales: MCNL y MV ∂β
t=1
Algoritmos de búsqueda:
Newton–Raphson y T
!
Gauss–Newton ∂ 2 SCR(β) ∂ X #

β
❖ Algoritmos de = −2 yt − xt xβ
t ln xt
búsqueda: ∂β 2 ∂β
Newton–Raphson y t=1
Gauss–Newton
T T
!
Contraste de ∂ X X
restricciones sobre los = −2 yt xβ
t ln xt + 2 x2β
t ln xt
parámetros ∂β
t=1 t=1
Apéndice
T
X T
X
= −2 yt xβ
t (ln xt )
2
+4 x2β 2
t (ln xt ) .
t=1 t=1

∂ β
Donde se ha usado que x = xβ
t ln xt .
∂β t

Econometrı́a II Modelos no lineales – 34 / 47

 17:19:57

Algoritmo de Newton-Raphson: Ejemplo

❖ Contenidos Por tanto:

Especificaciones no P
T P
T
lineales. Aproximación yt xβ n
t ln xt − x2β
t
n
ln xt
lineal al modelo no lineal
t=1 t=1
Estimación de modelos βn+1 = βn + .
no lineales: P
T PT
Aproximación lineal de yt xβ n 2
t (ln xt ) − 2 xt2βn (ln xt )2
Taylor
t=1 t=1
Estimación de modelos
no lineales: MCNL y MV
Para el valor inicial β0 = 0, la primera iteración corresponde a:
Algoritmos de búsqueda: P
T P
T
Newton–Raphson y yt ln xt − ln xt
Gauss–Newton
❖ Algoritmos de t=1 t=1
β1 =
búsqueda:
Newton–Raphson y
P
T TP
Gauss–Newton yt (ln xt )2 − 2 (ln xt )2
Contraste de
t=1 t=1
restricciones sobre los
parámetros
P T
(yt − 1) ln xt
Apéndice t=1
= .
P T
(yt − 2)(ln xt )2
t=1

Econometrı́a II Modelos no lineales – 35 / 47

17:19:57

Algoritmo de Newton-Raphson: Ejemplo

❖ Contenidos
Dado el modelo yt = β1 eβ2 xt + ǫt , t = 1, . . . , T , obtener la primera iteración
Especificaciones no
lineales. Aproximación
proporcionada por el algoritmo de Newton–Raphson para los valores iniciales β1 = y
lineal al modelo no lineal y β2 = 0.
Estimación de modelos
T #
P
2
no lineales: Puesto que SCR(β) = yt − β1 eβ2 xt donde β ′ = (β1 β2 ) se tiene que:
Aproximación lineal de
Taylor
t=1
 T #

Estimación de modelos P

no lineales: MCNL y MV   −2 yt − β1 eβ2 xt eβ2 xt
∂SCR(β)
∂SCR(β)  
Algoritmos de búsqueda: = ∂β1
= t=1 ,
Newton–Raphson y ∂β ∂SCR(β)  P#
T

Gauss–Newton ∂β2 −2 yt − β1 eβ2 xt xt eβ2 xt β1
❖ Algoritmos de
búsqueda: t=1
Newton–Raphson y
Gauss–Newton
2
∂ SCR(β) ∂ 2 SCR(β)
!
∂ 2 SCR(β) ∂β12 ∂β1 ∂β2
Contraste de = 2
∂ SCR(β) ∂ 2 SCR(β)
restricciones sobre los ∂β∂β ′ 2
parámetros ∂β2 ∂β1 ∂β2
Apéndice  
P
T
2β2 xt
P
T
β2 xt
P
T
2β2 xt
2 e −2 yt xt e + 4β1 xt e
 
= t=1 t=1 t=1 .
 P T P T PT TP 
−2 yt xt eβ2 xt + 4β1 xt e2β2 xt −2β1 yt x2
te
β2 xt
+ 2
4β1 x2
te
2β2 xt

t=1 t=1 t=1 t=1

Econometrı́a II Modelos no lineales – 36 / 47

 17:19:57

Algoritmo de Newton-Raphson: Ejemplo

❖ Contenidos Por tanto, la primera iteración quedarı́a:

Especificaciones no  −1  
lineales. Aproximación
lineal al modelo no lineal
P
T P
T
   2T (yt − 2y)
  t=1 (yt − y) 
y
− T   .
Estimación de modelos t=1
no lineales: β=
Aproximación lineal de 0  P P
T   P
T 
Taylor (yt − 2y) y (yt − 2y) x2t (yt − y) xt
Estimación de modelos t=1 t=1 t=1
no lineales: MCNL y MV

Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
❖ Algoritmos de
búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 37 / 47

17:19:57

Algoritmo de Gauss-Newton

❖ Contenidos Partiendo de la aproximación lineal del desarrollo en serie de Taylor para la función
Especificaciones no
lineales. Aproximación
no lineal f en un entorno del punto β̂0 se obtiene:
lineal al modelo no lineal  
∂f (Xt , β)
Estimación de modelos f (Xt , β) = f (Xt , β̂0 ) + (β − β̂0 ).
no lineales: ∂β β=β̂0
Aproximación lineal de
Taylor
La expresión iterativa correspondiente al algoritmo de Gauss-Newton es:
Estimación de modelos
T 
!−1
no lineales: MCNL y MV
X   T 
X 
∂f (Xt , β) ∂f (Xt , β) ′ ∂f (Xt , β)
Algoritmos de búsqueda: β̂n+1 = β̂n + ǫ̂t ,
Newton–Raphson y ∂β ∂β ∂β β=β̂n
Gauss–Newton t=1 β=β̂n t=1
❖ Algoritmos de
búsqueda:
Newton–Raphson y donde ǫ̂t = yt − f (Xt , β̂n ) es el residuo obtenido en la estimación realizada.
Gauss–Newton Esta expresión es similar al de algoritmo de Newton-Raphson, con la ventaja
Contraste de añadida que la matriz a invertir es simétrica y definida positiva.
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 38 / 47

 17:19:57

Algoritmo de Gauss-Newton: Ejemplo

Dado el modelo no lineal yt = xβ

❖ Contenidos
t + ǫt se tiene que:
Especificaciones no
lineales. Aproximación
∂f (Xt , β)
lineal al modelo no lineal
f (Xt , β) = xβ
t ⇒ = xβ
t ln xt .
Estimación de modelos ∂β
no lineales:
Aproximación lineal de En tal caso es claro que:
Taylor
P
T
xβ βn
Estimación de modelos n
no lineales: MCNL y MV t ln xt (yt − xt )
t=1
Algoritmos de búsqueda: β̂n+1 = β̂n + .
Newton–Raphson y P
T
Gauss–Newton x2β
t
n
(ln xt )2
❖ Algoritmos de
búsqueda: t=1
Newton–Raphson y
Gauss–Newton Para el valor inicial β̂0 = 0, la primera iteración del algoritmo de Gauss–Newton
Contraste de corresponde a:
restricciones sobre los
parámetros P
T
(yt − 1) ln xt
Apéndice
t=1
β̂1 = .
P
T
(ln xt )2
t=1

Econometrı́a II Modelos no lineales – 39 / 47

17:19:57

Algoritmo de Gauss-Newton: Ejemplo

❖ Contenidos
Dado el modelo no lineal yt = β1 eβ2 xt + ǫt vamos a obtener la expresión iterativa
Especificaciones no correpondiente al algoritmo de Gauss-Newton.
lineales. Aproximación
lineal al modelo no lineal Puesto que f (Xt , β) = β1 eβ2 xt se tiene que:
Estimación de modelos
∂f (Xt , β) #
′
no lineales:
Aproximación lineal de
= eβ2 xt β1 xt eβ2 xt ,
Taylor
∂β
Estimación de modelos de donde:
no lineales: MCNL y MV
  ′  #

∂f (Xt , β) ∂f (Xt , β) eβ2 xt
Algoritmos de búsqueda:
= eβ2 xt β1 xt eβ2 xt ,
Newton–Raphson y
∂β ∂β β1 xt eβ2 xt
Gauss–Newton
 
❖ Algoritmos de
e2β2 xt β1 xt e2β2 xt
búsqueda: = .
Newton–Raphson y β1 xt e2β2 xt β12 x2t e2β2 xt
Gauss–Newton
Contraste de Y en tal caso:
restricciones sobre los  −1  
parámetros P
T
2β2 xt
P
T
2β2 xt
P
T
β2 xt
Apéndice  t=1 e β1 xt e
  t=1 e ǫ̂t

β̂n+1 = β̂n + T t=1   T  ,
 P 2β2 xt
PT
2 2 2β2 xt
  P β2 xt

β1 xt e β1 xt e β1 xt e ǫ̂t
t=1 t=1 β=β̂n t=1 β=β̂n

donde ǫ̂t = yt − f (Xt , β̂n ).

Econometrı́a II Modelos no lineales – 40 / 47

 17:19:57

Algoritmo de Gauss-Newton: Ejemplo

❖ Contenidos Considerando los valores iniciales β1 = y y β2 = 0, la primera iteración serı́a:

Especificaciones no  −1  
lineales. Aproximación
lineal al modelo no lineal
P
T P
T
   T y xt   (yt − y) 
y
+   .
Estimación de modelos t=1 t=1
no lineales: β̂ =
Aproximación lineal de 0  P
T PT   PT 
Taylor y xt y2 x2t y xt (yt − y)
Estimación de modelos t=1 t=1 t=1
no lineales: MCNL y MV

Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
❖ Algoritmos de
búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 41 / 47

17:19:57

Criterios de finalización del algoritmo

❖ Contenidos Estos métodos iterativos no siempre son estacionarios, es decir, no son

Especificaciones no convergentes. Por ello, se requiere establecer a priori unos criterios que permitan
lineales. Aproximación
lineal al modelo no lineal finalizar el proceso iterativo cuando no se alcanza dicha convergencia. Estos criterios
Estimación de modelos
son:
no lineales:
Aproximación lineal de 1. Los valores de los parámetros se estabilizan.
Taylor 2. El valor de la función objetivo se estabiliza.
Estimación de modelos 3. El vector gradiente está próximo a cero.
no lineales: MCNL y MV
4. Se alcanzó el número máximo de iteraciones.
Algoritmos de búsqueda: 5. Se alcanzó el lı́mite máximo de tiempo de cálculo.
Newton–Raphson y
Gauss–Newton
❖ Algoritmos de
búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 42 / 47

 17:19:57

❖ Contenidos
Especificaciones no
lineales. Aproximación
lineal al modelo no lineal

Estimación de modelos
no lineales:
Aproximación lineal de
Taylor

Estimación de modelos
no lineales: MCNL y MV

Algoritmos de búsqueda:
Newton–Raphson y Contraste de restricciones sobre los parámetros
Gauss–Newton
Contraste de
restricciones sobre los
parámetros
❖ Contraste de
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 43 / 47

17:19:57

Contraste de restricciones sobre los parámetros

❖ Contenidos Supongamos que queremos plantear cualquier hipótesis que implique una
Especificaciones no combinación de los párámetros del modelo de regresión. El sistema de restricciones
lineales. Aproximación
lineal al modelo no lineal se puede expresar como:
Estimación de modelos
no lineales:
Rq×k β = rq×1 , q ≤ k.
Aproximación lineal de
Taylor El modelo sobre el que se imponen las restricciones se denomina “modelo
Estimación de modelos
restringido” y el modelo sobre el que no se imponen las restricciones se llama
no lineales: MCNL y MV “modelo sin restricciones”.
Algoritmos de búsqueda: Contraste F:
Newton–Raphson y
Gauss–Newton
(e′r er − e′ e)/q
Contraste de F = ∼ Fq,n−k ,
restricciones sobre los e′ e/(n − k)
parámetros
❖ Contraste de donde e′r er es la SCR del modelo restringido; e′ e es la SCR del modelo sin
restricciones sobre los restringir y q es el número de restricciones.
parámetros
Contraste de razón de verosimilitudes:
Apéndice  
σ̂ 2
−2(ln LR − ln L) = n ln 2
∼ χ2q ,
σ̂R
donde LR y L son la funciones de verosimilitud evaluadas para el estimador
2 y σ̂ 2 son las varianzas
restringido y no restringido, respectivamente, y σ̂R
estimadas de las perturbaciones para ambos modelos.

Econometrı́a II Modelos no lineales – 44 / 47

 17:19:57

Contraste de restricciones sobre los parámetros

❖ Contenidos Contraste de Wald:

Especificaciones no
lineales. Aproximación
   ′ −1
∂R(β̂) ∂R(β̂)
lineal al modelo no lineal
W = (Rβ − r)′ σ̂ 2 (X ′ X)−1 (Rβ − r) ∼ χ2q .
Estimación de modelos ∂ β̂ ∂ β̂
no lineales:
Aproximación lineal de
Taylor
Esta expresión no requiere estimar el modelo con y sin restricciones.
Estimación de modelos
no lineales: MCNL y MV

Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de
restricciones sobre los
parámetros
❖ Contraste de
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 45 / 47

17:19:57

❖ Contenidos
Especificaciones no
lineales. Aproximación
lineal al modelo no lineal

Estimación de modelos
no lineales:
Aproximación lineal de
Taylor

Estimación de modelos
no lineales: MCNL y MV

Algoritmos de búsqueda:
Newton–Raphson y Apéndice
Gauss–Newton
Contraste de
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 46 / 47

 17:19:57

Apéndice

❖ Contenidos Dada una función f (x), su aproximación lineal mediante el desarrollo de Taylor en
Especificaciones no un punto a responde a la expresión:
lineales. Aproximación
lineal al modelo no lineal
f ′′ (a) f ′′′ (a)
Estimación de modelos f (x) ≃ f (a) + f ′ (a)(x − a) + (x − a)2 + (x − a)3 + . . .
no lineales: 2! 3!
Aproximación lineal de +∞
Taylor X ′ (x − a)i
Estimación de modelos
= f (a) + f i (a) .
no lineales: MCNL y MV
i!
i=1
Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de
restricciones sobre los
parámetros

Apéndice

Econometrı́a II Modelos no lineales – 47 / 47