MODELOS

NO LINEALES
ALGORITMOS DE OPTIMIZACIÓN
PRUEBAS DE HIPÓTESIS
 Expresiones analíticas
ˆ ˆ ˆ
Modelo de regresión linealizada Yt* = 1 +  2 X t 3
+  3  2 X ln X t +  t
3

ˆ ˆ ˆ
Variable transformada y t* = y t +  3  2 X t ln X t
3

Iteración 2
Expresiones de cálculo para la 2da iteración
 209 .8249 
  Y t* =  1 +  2 X 1.151 +  3 ( − 0.2371 X 1.151 ln x ) +  t
ˆ =  − 0.2371 
1

 1.1514  Y t* = Y t + ( − 0.2371(1.151) X 1.151 ln x )

 
 187 .7859 
 
Consumo 2 =  1 +  2 Re nta 2 +  3 Re nta 3 +  t ˆ =  0.2461 
2

 1.1461 
 

Mag. Beatriz Castañeda

2
 Expresiones analíticas
෡3
Modelo de regresión linealizada 𝑡
𝑌 ∗
= 𝛽1 + 𝛽
𝛽 መ 𝛽෡3
2 𝑡 + 𝛽3 𝛽2 𝑋 ln 𝑋𝑡 + 𝜀𝑡
𝑋

෡
𝛽
Variable 𝑦𝑡∗ = 𝑦𝑡 + 𝛽መ3 𝛽መ2 𝑋𝑡 3 ln 𝑋𝑡
transformada
Iteración 3
 187 .7859  Expresiones de cálculo para la 3ra iteración
 
ˆ =  0.2461 
2
𝑌𝑡∗ = 𝛽1 + 𝛽2 𝑋𝑡1.1461 + 𝛽3 (0.2461 𝑋 1.1461 ln 𝑋𝑡 + 𝜀𝑡
 1.1461 
  𝑦𝑡∗ = 𝑦𝑡 + 1.1461(0.2461) 𝑋𝑡1.1461 ln 𝑋𝑡

𝟏𝟖𝟕. 𝟕𝟎𝟑𝟒
𝐶𝑜𝑛𝑠𝑢𝑚𝑜3 = 𝛽1 + 𝛽2 Re 𝑛 𝑡𝑎4 + 𝛽3 Re 𝑛 𝑡𝑎5 + 𝜀𝑡 ෡ 𝟑 = 𝟎. 𝟐𝟒𝟓𝟓𝟖𝟒
𝜷
𝟏. 𝟏𝟓𝟕𝟏𝟏𝟕

Mag. Beatriz Castañeda

3
 Método de Mínimos cuadrados no lineales
3
Y = 1 +  2 X +t

CONSUMO=C(1)+C(2)*RENTA^C(3)

Mag. Beatriz Castañeda

4
 y t = f ( X t ,  ) +  t ; t :1, 2 , .... , T

 x  ˆ10 
yt = 1 +  2e 3 t
+ ut ;  
ˆ 0 =  ˆ 20  Valores iniciales
t :1, 2 , ..., T  ˆ30 
 

ˆ ˆ ˆ
F (  ) = S (  ) =  ( yt − f ( X t ,  )) =  et
2 2

Mag. Beatriz Castañeda

5
 Algoritmo de Newton - Raphson

ˆn +1 =  * = ˆn −  F (ˆn )  F (ˆn )

2 −1

modelo de regresión no lineal

y t = f ( X t ,  ) +  t ; t :1, 2 , .... , T

F ( ˆ ) = S ( ˆ ) =  ( yt − f ( X t , ˆ )) 2 =  et2


ˆ n = ˆ n − 1 −  S ( ˆ n − 1 )
2

−1
 S ( ˆ n − 1 )

Mag. Beatriz Castañeda

6
 Sea el modelo
 x
yt =  e t
+ t Entonces ˆ ˆ x 2
S (  ) =  ( y t − ˆ e ) =  ˆ t2 t

estimador de Newton Rhapson 

ˆ n = ˆ n − 1 −  2 S ( ˆ n − 1 ) −1
 S ( ˆ n − 1 )

Para Obtener el estimador de Newton Rhapson y calculamos

 2 ˆ x ˆ x ˆ x
ˆ x t
 − 2  e ( y t − ˆ e )  ˆ x t
ˆ   e t
 xt e t
(ˆ e − ˆ t ) 
t

 S ( ˆ ) =    S ( ) = 2
2
 − 2  ˆ x e  x ( y − ˆ e  x ) 
ˆ ˆ  ....  ˆ x t2
ˆ x
(ˆ e
ˆ x
− ˆ t ) 
   e
t t t t

t t

−1
 ˆ   ˆ    e
2 ˆ x t
 x t e (ˆ e − ˆ t ) 
ˆ x t ˆ x t   e ˆ x ˆ t  t

  =   +   
ˆ ˆ  x e ˆ x (e ˆ x − ˆ ) 2 ˆ x ˆ x   ˆ x e  x ˆ 
ˆ
  n   n −1   t t
t t
 ˆ t
 x e (ˆ et
− 
ˆt 
) t
 t t
t

Mag. Beatriz Castañeda

7
 Procedimiento Estimador de Newton Rhapson
alternativo

ˆ n = ˆ n − 1 −  S ( ˆ n − 1 )
2
−1
 S ( ˆ n − 1 )

 f ( X , ˆ)
y t = f ( X t ,  ) +  t ; t :1, 2 , .... , T  S ( ˆ ) = − 2  e t t
 ˆ
 ˆ) '  f ( X , ˆ )  
 S (ˆ n ) = 2   
ˆ) 
      
2
f ( X , f ( X ,
2 t
  t
 −  e  t

   
 ˆ  ˆ t  ˆ  ˆ
 
'

Reescribimos al estimador de Newton Rhapson en términos del modelo de regresión genérico

Estimador de Mínimos cuadrados no lineales

  f ( X , ˆ )   f ( X , ˆ )  '   2
f ( X , ˆ )   −1  f ( X t , ˆ ) 
ˆ n = ˆ n −1 +    t
  t
 −  et  t
    
 ˆ
  ˆ
  ˆ
  ˆ
   
'

 

Mag. Beatriz Castañeda

8
 Estimador de Newton Rhapson para el modelo de regresión no lineal
−1
  f ( X t , ˆ )  f ( X t , ˆ )   f ( X , ˆ ) 
'
 f ( X t , ˆ ) 
2
ˆ n = ˆ n − 1 +       − et t
   ˆ e t 
      
ˆ ˆ
ˆ ˆ '   
Aplicación al modelo anterior
ˆ x ˆ x
yt =  e xt
+ t f (Xt, ) =  e
x  f ( X t , ˆ )  e t 
  2 f ( X t , ˆ )  0 xt e t 

= =
t

ˆ  ˆ x e ˆ x  ˆ
  ´ ˆ  x e ˆ x ˆ x t2 e  x
ˆ 
   t 
t t t

(e )
ˆ x  e 2 ˆ x ˆ
 f ( X t , ˆ )  e 
 ˆ x ˆ x ˆ x t e 2  x 
=
t t t

=
 ˆ x e ˆ x 
t
ˆ x t e t

 ˆ x e 2 ˆ x
ˆ ˆ 2 x t2 e 2  x 
ˆ
  t
t

  t
t t

−1
 2 ˆ x t ˆ x ˆ x   e t e ˆ x
ˆ ˆ  e  x t e ( ˆ e t
− e t )  t


t 

 n =  n −1 + 
− e t )    e ˆ x e ˆ x 
ˆ x ˆ x 2 ˆ x ˆ x
 t
x e ( 
ˆ e − et )
t t

 ˆ t
x e (ˆ e t t

 t t
t


Mag. Beatriz Castañeda
9
 Variantes del algoritmo de Newton Rhapson

Estimador de Mínimos cuadrados no

Newton Rhapson lineales

  f ( X , ˆ )   f ( X , ˆ )  '   2
f ( X , ˆ )   −1  f ( X t , ˆ ) 
ˆ n = ˆ n −1 +      −  et   
  ˆ  ˆ '  
t t t
 
 ˆ
  
 ˆ
    

Gauss-Newton
' −1
  f ( X t , ˆ )   f ( X , ˆ n−1 )     f ( X t , ˆ ) 
ˆ n = ˆ n − 1 +       ˆ
n −1

 
n −1


t
 et 
  ˆ n −1
   ˆ n −1
   n −1
 
 ' −1 
   f ( X t , ˆ )   f ( X ,  n −1 )  
ˆ

Si converge ˆ n tiene dist . a sin tótica N  ,     
2
 
n −1
t
   
ˆ n −1
 ˆ n−1  
 

Mag. Beatriz Castañeda

10
 Contraste de hipótesis

Modelo no lineal Modelo lineal

y t = f ( X t ,  ) +  t ; t :1, 2 , .... , T Y = X +  ;
H 0 : R = r
H 0 : R(  ) = q
 1 
1 0 1    1 +  2  0

  2  =   = 1 

F=
 S ( ˆ R) − S ( ˆ n ) / j
→ F( j , T − k )

0 2 − 1
  3 
 2
2  −  3  

S ( ˆ n ) / T − k
 SCE ( MR ) − SCE ( MSR ) / j
F= → F( j , T − k )
SCE ( MSR ) / T − k

Mag. Beatriz Castañeda

11
 a ) H 0 :  3 = 1  R(  ) =  3

( ˆ i −  i* )
T= es t ( n − k ) si H 0 es cierta
S e a ii

Z2
T 2
= es F(1,v )
 2
(v )

 
 v 
W = F es  (21) si en Ho se formula solo una restric .

W = qF

Mag. Beatriz Castañeda

12
 X − T=
Z
Z= es N ( 0 ,1) es t ( v )
  (2v )
X es
v
Normal
Z es N ( 0 ,1)  Z 2 es  (21)
  (2v ) 
 
1

   v1 
 (r )
2 2
es r F= es F( v ,v
  (v ) 
i i 2 1 2
)
i
 
2

 v 2 
2
n  X i − i  Z2
   es  (2n ) T2 = es F(1,v )
i =1 i   2
(v )

 
 v 

Mag. Beatriz Castañeda

13
 V ( ˆ −  ) = V ( ˆ )

 187 .9181 
'  
ˆ  R (  )  ˆ  R (  )  ˆ n =  0 .24596 
V ( R (  ))    V (  −  )   1 .1564 
       

'
ˆ  R (  )  ˆ  R (  ) 
V ( R (  ))    V (  ) 
     

Mag. Beatriz Castañeda

14
 Y = 1 +  2 X
 3
+t H 0 : R(  ) = q Y
= PMC
X

 −1
a ) H 0 :  3 = 1  R(  ) =  3 b) H 0 :  2 3 X 3
= 1 ( la PMC 85 = 1)

 1 
 =   2  ; R(  ) =  3 = 1  1 
 
  3   =   2  R(  ) =  2  3 X  3
−1
 
  3 

´
 R (  ) 
  = (0 3X  3
−1
2X  3
−1
(1 +  3 ln X ))
   

Mag. Beatriz Castañeda

15
 L( ˆ R )
=
H 0 : R(  ) = q L( ˆ )
Estimador de MV
e
2
LR = − 2 ln  = T (ln ˆ R2 − ln ˆ 2 ) →  (2j ) ˆ =
2 t

T
LR = − 2 ln  = − 2[ln( L( ˆ R ) − ln( L( ˆ )]

LR = − 2[ − 155 .7478 + 149 .2705 ] = 12 .9546

Mag. Beatriz Castañeda

16
 Residuos obtenidos al estimar el MR Y ´Y − ˆ ´ X ´Y
Y = X +   R ² = 1 − 2
Y ´Y − T Y
e* = Y − f ( X , ˆ R )
ˆ ´ X ´Y
Matriz del gradiente de f con los estimadores del ˆ = ( X ´ X ) −1 X ´Y R² = si Y = 0
MR Y ´Y
e*´ X *0 ( X *0 ´ X *0 ) −1 X *0´ e*
' e* = X *0 +a R*2 =
 f ( X , ˆ R )  e*´ e*
X * = 
0

 ˆ R 
e*' X *0 ( X *0 ' X *0 ) −1 X *0 ' e*
LM = →  2

R*2 '
e* e* / T
( j)

Coef. de determinación en la
regresión lineal de Por consiguiente
e* en X *0
e* = X  + a
0
*
LM = T R*2

Mag. Beatriz Castañeda

17