Beruflich Dokumente
Kultur Dokumente
Modelos no lineales
Econometrı́a II
Grado en Economı́a
Universidad de Granada
17:19:57
Contenidos
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
❖ 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
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
Ejemplo
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
Ejemplo
2.5
❖ Contenidos
Especificaciones no
lineales. Aproximación
lineal al modelo no lineal 2
❖ Especificaciones
❖ El modelo Box-Cox
❖ Ejemplo
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
17:19:57
El modelo Box-Cox
17:19:57
Apéndice
❖ 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
17:19:57
❖ 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
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)
❖ 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
Algoritmos de búsqueda:
Newton–Raphson y 0.8
Gauss–Newton 500
17:19:57
❖ 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
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
17:19:57
❖ 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
❖ 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
17:19:57
❖ 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 .
❖ 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.
17:19:57
❖ 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
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
17:19:57
❖ 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
Apéndice
17:19:57
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.
17:19:57
❖ 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 ).
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
Apéndice
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.
17:19:57
Algoritmo de Newton-Raphson
y despejando β:
−1
∂ 2 SCR(β) ∂SCR(β)
b0 −
β=β .
∂β∂β ′ ∂β b
β=β0 b β=β0
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
17:19:57
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
17:19:57
❖ 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
Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
❖ Algoritmos de
búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de
restricciones sobre los
parámetros
Apéndice
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
17:19:57
❖ 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
Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
❖ Algoritmos de
búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de
restricciones sobre los
parámetros
Apéndice
17:19:57
Apéndice
❖ 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
17:19:57
❖ 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.
Algoritmos de búsqueda:
Newton–Raphson y
Gauss–Newton
Contraste de
restricciones sobre los
parámetros
❖ Contraste de
restricciones sobre los
parámetros
Apéndice
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
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