El modelo de Koyck

El modelo de expectativas adaptativas

1)Supongamos que tenemos el modelo:
Yt = B0 + B1 Xt* +ut
donde:
Yt : demanda de dinero;
Xt*: tasa de inters esperada, normal, o de largo plazo
2) La variable de expectativa: Xt* no es directamente
observable
3) Por lo cual se propone la siguiente hiptesis que
describe como se forman las expectativas:
Xt* - X*t-1 = ( Xt X*t-1 ); donde 0 1
4) La hiptesis implica que los agentes econmicos
adaptaran sus expectativas a la luz de la experiencia
pasada, es decir aprendern de sus errores
Si =1 =>Xt* = Xt , las expectativas se cumplen
inmediatamente
Si =0 => Xt* = X*t-1 hay expectativas estticas, las
condiciones prevalecen a lo largo del tiempo
5) Xt* - X*t-1 : brecha entre el valor esperado actual
y el valor esperado en el periodo
anterior(expectativa a formarse)
( Xt X*t-1 ): brecha entre el valor actual y su valor
esperado anterior(error cometido
anteriormente)
6)Las expectativas son corregidas en cada periodo
por una fraccin de la brecha entre el valor
actual de la variable y su valor esperado anterior
Derivacin del modelo de expectativas
adaptativas
1) Yt = B0 + B1 Xt* +ut
2) Xt* - X*t-1 = ( Xt X*t-1)=>
Xt* = Xt +(1- ) X*t-1
3) Sustituyendo (2) en (1)
Yt = B0 + B1 [ Xt +(1- ) X*t-1] +ut
4) Yt = B0 + B1 Xt + B1 (1- ) X*t-1 +ut
5) Especificando(1) para el tiempo t-1 :
Yt-1 = B0 + B1 X*t-1 +ut-1
6) Multiplicando (5) por (1- ) tenemos:
(1- ) Yt-1=(1- )B0 + (1- )B1 X*t-1 + (1- )ut-
1
7) Restando (6) de (4) :
Yt- (1- )Yt-1=B0 -(1- )B0+B1Xt +ut - (1- ) ut-1

Yt= B0 + B1 Xt + (1- ) Yt-1 + ut - (1- ) ut-1

=>Yt= B0 + B1 Xt + (1- ) Yt-1 + vt ( el

modelo de expectativas adaptativas)
si =1 => Los valores actuales y de largo plazo
son iguales
El modelo de ajuste de existencia o de
ajuste parcial
1) Supongamos que tenemos el modelo:
Yt* = B0 + B1 Xt +ut;
donde:
Yt* : Nivel de existencias de capital deseado o de
largo plazo
Xt : Nivel de produccin
2) Como Yt* es una variable que no es
directamente observable Se postula la siguiente
hiptesis:
Yt Yt-1 = ( Yt* - Yt-1 ); tal que: 0< 1
4) Yt Yt-1 : cambio observado
( Yt* - Yt-1 ): cambio deseado o de largo plazo
5) Se postula que el cambio observado en las
existencia de capital (Inversin) en cualquier
momento del tiempo t es una fraccin del
cambio deseado o de largo plazo en ese periodo
Derivacin del modelo de ajuste de
existencias
1) Tenemos que: Yt* = B0 + B1 Xt +ut;
2) Hiptesis de ajuste parcial:
Yt Yt-1 = ( Yt* - Yt-1 )
Yt = Yt* + (1- ) Yt-1
3) Sustituyendo (1) en (2) tenemos:
Yt = (B0 + B1 Xt +ut) + (1- ) Yt-1

=>Yt = (B0 ) + B1 Xt + ut) + (1- ) Yt-1

=>Yt = B0 + B1 Xt + (1- ) Yt-1 + ut ( Modelo
de ajuste parcial)
Modelos de expectativas adaptativas y
de ajuste parcial
1) Considrese el modelo: Yt* = B0 + B1 Xt* +ut;
2) Donde Yt* = existencias de capital deseado
Xt* = nivel de produccin deseado o de
largo plazo
3) En este caso tenemos que utilizar las dos
hiptesis sobre las variables de expectativas.
4) Yt = Yt* + (1- ) Yt-1
5) Xt* = Xt +(1- ) X*t-1
6) Yt = (B0 ) + B1 Xt + ut) + (1- ) Yt-1
La combinacin del modelo de expectativas adaptativas y el
de ajuste parcial es:
Yt = B0 + B1 Xt +[(1- )+ (1- )] Yt-1
-( 1- ) (1- ) Yt-2 + [t (1- )] t-1
Estimacin de modelos autorregresivos
1) Los modelos de Koyck, de expectativas
adaptativas, y de ajuste parcial son modelos
autorregresivos:
2) los modelos autorregresivos son modelos que
tienen como variables explicativas a variables
rezagadas de la variable endgena, es decir
son de la forma siguiente:
3) Yt = 0 + 1 Xt + 2 Yt-1 + 3 Yt-2 + + ut
3) El modelo de Koyck, de expectativas
adaptativas y el de ajuste parcial son modelos
autorregresivos
Yt = 0 + B0 Xt + Yt-1 + ut - ut
Yt= B0 + B1 Xt + (1- ) Yt-1 + ut - (1- ) ut-
1
Yt = B0 + B1 Xt + (1- ) Yt-1 + ut

4) Yt = 0 + B0 Xt + Yt-1 + Vt
Yt= B0 + B1 Xt + (1- ) Yt-1 +Vt
Yt = B0 + B1 Xt + (1- ) Yt-1+ Vt
5)Los modelos autorregresivos tienen dos problemas
de estimacin que son:
a) Estos modelos estn autocorrelacionados, es decir:
E( vt vt-1) 0 Los parmetros estimados son
ineficientes
b) La covarianza de su variable aleatoria con la
variable explicativa Yt-1 es diferente de cero, es
decir la variable aleatoria esta correlacionada con la
variable explicativa Yt-1
cov(vt ,Yt-1 ) 0==> los estimadores sern
sesgados e inconsistentes

.
 Los El valor de la
estimadores interseccin
son sesgados seria muy
grande

Si Cov(Yt-1 Vt) 0
Aun si el tamao de la
muestra se aumenta
Los indefinidamente, los
estimadores estimadores no se
son aproximan a sus valores
inconsistentes poblacionales verdaderos
6) El modelo de Koyck y el modelo de expectativas
adaptativas no cumple con dos de los
supuestos del MCO.
Las violaciones de estos supuestos de MCO
dan lugar a estimadores sesgados e
inconsistentes
7)La implicacin de encontrar que en el modelo de
Koyck igual que en el modelo de expectativas
adaptativas, la variable explicativa estocstica:
Yt-1, este correlacionada con el termino de error vt
es que los estimadores MCO no solamente estn
sesgados sino que adems, no son consistentes
( aun si el tamao de la muestra se aumenta
indefinidamente los estimadores no se aproximan
a sus valores poblacionales)
8)Sin embargo el modelo de ajuste parcial es
diferente. En este modelo vt=ut, donde 0<1.
Por consiguiente, si ut satisface los supuestos del
modelo clsico de regresin lineal, igual lo har
ut, por tanto, la estimacin MCO del modelo de
ajuste parcial tendr estimaciones consistentes
aun cuando las estimaciones tiendan a estar
sesgadas ( en muestras finitas o pequeas)
Demostrar para el modelo de Koyck:
1) E( vt vt-1) = - 2
2) cov( vt yt-1)= -2
Para corregir estos problemas el modelo Koyck y
el modelo de expectativas adaptativas se estiman
utilizando el Mtodo de variables instrumentales
que dar estimaciones consistentes y sesgadas
en muestras pequeas, sin embargo, el mtodo
de variables instrumentales puede a su vez
generar el problema de multicolinealidad, por
ende el mtodo mas adecuado para estimar
estos modelos es el mtodo de la mxima
verosimilitud
La prueba h de Durbin para detectar la
autocorrelacion
1) La prueba de Durbin Watson no puede ser
utilizado para detectar la autocorrelacion en
los modelos autorregresivos ( como son el
modelo de Koyck, y el modelo de
expectativas adaptativas y el modelo de
ajuste de existencias), debido al siguiente
hecho:
2)Sabemos que en la prueba de Durbin
Watson, el estadstico d calculado debe
estar alrededor de 2 para que el modelo
sometido a prueba de autocorrelacion no este
autocorrelacionado.
3)En los modelos autorregresivos, el estadstico
d calculado tiende siempre a 2, por ende,
mediante la prueba de Durbin Watson no se
puede detectar la autocorrelacion en la
variable aleatoria t en estos modelos.
4) En vista de ello, se ha propuesto la
prueba h de Durbin para muestras
grandes para detectar la autocorrelacion
de primer orden en los modelos
autorregresivos( ut = p ut-1 +t )
5) En esta prueba se utiliza el estadstico h

donde:
n= tamao de la muestra
var(a2) = varianza del coeficiente del rezago Yt-1
P= estimacin de P (coeficiente de correlacin serial
de primer orden), donde P se puede calcular con:
p= 1-d/2; donde d: el estadstico de Durbin Watson
6) Para un tamao de muestra grande( asinttica)
Durbin demostr que, bajo la hiptesis nula de
que p=0, h sigue una distribucin normal
estndar, es decir h ~N(0,1)
7) A un nivel de significacin del 5% en la
distribucin normal se sabe que:
Pr( -1.96 h 1.96) = 0.95
Si h se encuentra entre -1.96 y 1.96, no hay
autocorrelacion
Si h > 1.96 hay autocorrelacion
Si h < -1.96 hay autocorrelacion
Ejemplo de aplicacin
B1 B2 u
1) M*= B0 R Y e
t
2) Donde:
M*t = Demanda de dinero deseada o de largo
plazo
Rt = tasa de inters a largo plazo
Yt = ingreso nacional real
3) Determinar el modelo de corto plazo
4) Determinar las elasticidades a corto plazo
5) Determinar las elasticidades a largo plazo
6) Probar si el modelo esta autocorrelacionado o no
1) Se estimo el modelo anterior para la
economa dela india para el periodo 1948-
1965:
Ln Mt=1.5484- 0.1041 Ln Rt +0.6859 Ln Yt + 0.5297Ln Mt-1
(0.8336) (0.3710) (0.3859) (0.2013)
(1.857) (-0.2807) (1.777) (2.631)

R = 0.94; d= DW= 1.88

2) El modelo a corto plazo fue:
Ln Mt = Ln B0 +B1 Ln Rt + B LnYt + (1-)ln Mt-1 +ut
3) El modelo a largo plazo fue:
Ln M*t = lnB0 + B1 ln Rt + B2 ln Yt + ut
4) El modelo original a largo plazo fue:
B1 B2 u
M*t = B0 R Y e