LaTeX - Template - For - Technical - Report 1.1
LaTeX - Template - For - Technical - Report 1.1
LaTeX - Template - For - Technical - Report 1.1
• PALABRAS CLAVE:
1) Estimador consistente
2) Ecuaciones Simultaneas
3) Procesos Estocasticos
4) Series de Tiempo
5) Caminata Aleatoria
• SECCION DE PRELIMINARES:
(A) Modelos de Ecuaciones Simultaneas: Analizaremos los modelos de ecuaciones simultaneas. En
particular, observaremos sus caracteristicas especiales, su estimacion y algunos problemas estadisticos
relacionados
lo que hacen las ecuaciones simultaneas para un conjunto de variables que se determinen simul-
taneamente mediante el conjunto restante de variables justo lo que se hace en los modelos de
ecuaciones simultaneas. En tales modelos hay mas de una ecuacion: una para cada una de las
variables mutuamente, o conjuntamente, dependientes o endogenas. Y, a diferencia de los modelos
uniecuacionales, en los modelos de ecuaciones simultaneas no es posible estimar los parametros de
una ecuacion aisladamente sin tener en cuenta la informacion proporcionada por las demas ecuaciones
en el sistema.
¿ Que sucede si los parametros de cada ecuacion se estiman, por ejemplo, mediante el metodo de
Minimos Cuadrados Ordinarios (MCO), sin considerar las demas ecuaciones del sistema ? Recordemos
que un supuesto crucial del metodo de MCO es que las variables explicativas X son no estocasticas,
o si lo son (aleatorias), estan distribuidas independientemente del termino de perturbacion estocastico.
Si ninguna de estas condiciones se cumple, entonces, como veremos mas adelante, los estimadores
de minimos cuadrados no solo son sesgados, sino tambien inconsistentes; es decir, a medida que el
tamaño de la muestra aumenta indefinidamente, los estimadores no convergen hacia sus verdaderos
valores ( poblacionales). Asi, en el siguiente sistema hipotetico de ecuaciones,
Y1i = β10 + β12 Y2i + γ11 X1i + u1i (18.1.1)
Y2i = β20 + β21 Y1i + γ21 X1i + u2i (18.2.2)
donde Y1 y Y2 son variables mutuamente dependientes, o endogenas, X1 una variable exogena, y
u1 y u2 , los termninos de perturbacion estocastica, ambas variables, Y1 y Y2 son estocasticas Por
consiguiente, a menos que se demuestre que la variable explicativa estocastica Y2 en (18.1.1) esta
distribuida independientemente de u1 y que la variable explicativa estocastica Y1 en (18.1.2) esta
distribuida independientemente de u2 , la aplicacion de MCO clasicos a estas ecuaciones generara
1
estimaciones inconsistentes.
Proporcionare los metodos a desarrollar de modelos de ecuaciones simultaneas y mostrare el sesgo
en la aplicacion directa del metodo de minimos cuadrados a tales modelos.
Por otro lado los Conceptos previos de los (M.E.S)
Un Modelo de Ecuaciones Simultaneas (M.E.S) es un conjunto de ecuaciones de regresion donde
existe influencia simultanea entre variables y ecuaciones.
Tipos de Variables:
◦ Endogenas: Influyen en el modelo y se ven influenciadas por el. El total de variables endogenas
coincide con el total de ecuaciones.
◦ Exogenas: influyen en el modelo, pero no se ven influenciadas por el.
◦ Ruido blanco: variables de error.
A1 : Notacion y Definiciones de las Ecuaciones Simultaneas
El modelado general de M ecuaciones con M variables endogenas o conjuntamente dependientes
puede escribirse como la ecuacion siguiente:
Y1t = β12 ∗ Y2t + β13 ∗ Y3t + . . . + β1M ∗ YMt + γ11 ∗ X1t + γ12 ∗ X2t + . . . + γ1k ∗ Xkt + u1t (1)
Y2t = β21 ∗ Y1t + β23 Y23 + . . . + β2m ∗ YMt + γ21 X1t + γ22 ∗ X2t + . . . + γ2k + Xkt + u2t (2)
YMT = βM1 ∗ Y1t + βM2 ∗ Y2t + . . . + βMM −1 ∗ YM −1,t + γM1 ∗ X1t + γM2 ∗ X2t + . . . + γMK + uMt
(3)
donde:
Y1 , Y2 , . . . , YM = M
variables endogenas o conjuntamente dependientes
X1 , X2 , . . . , Xk = K
variables predeterminadas (una de estas variables X puede tomar un valor unitario para dar cabida
al termino del intercepto en cada ecuacion)
u1 , u2 , . . . , uM = M
Perturbaciones Estocasticas
t=1, 2,. . . ,T=numero total de observaciones
β =coeficientes de las variables endogenas
γ =coeficientes de las variables predeterminadas
(B) : En la introduccion de este trabajo de investigacion mencionaremos que uno de los dos
tipos importantes de informacion para el analisis empirico lo conforman las series de tiempo.
Ahora estudiaremos en detalle tal informacion, pues plantea diversos desafios a econometristas y
profesionales.
1) En primer lugar, el trabajo empirico basado en series de tiempo supone que la serie de
tiempo en cuestion es estacionaria. Aunque previamente hemos presentado una idea intuitiva
de estacionariedad, en este capitulo analizaremos este concepto con mas profundidad. Mas
especificamente, trataremos de averiguar el significado de estacionariedad y la razon por la
cual se debe tener en cuenta.
2
2.1 Proceso Estocastico Estacionario. Un proceso estocastico se dice que es estacionario si su media
y su varianza son constantes en el tiempo y si el valor de la covarianza entre dos periodos depende
solamente de la distancia o rezago entre estos dos periodos de tiempo y no del tiempo en el cual se
ha calculado la covarianza,
sea Xt una serie de tiempo entonces con estas propiedades:
Media E(Xt ) = E(Xt+k ) = µ
Varianza V (Xt ) = V (Xt+k ) = σ 2
Ruido Blanco:
Un ruido blanco es un caso simple de los procesos estocasticos, donde los valores son independietes
e identicamente distribuidos a lo largo del tiempo con media cero e igual varianza, se denota por t
t ∼ N (0, σ 2 ) cov(ti , tj ) = 0 ∀ti 6= tj
3
P oblacion desempleada Pd
◦ Tasa de paro (Tp )Tp = ∗ 100 = ∗ 100
P oblacion activa Pa
P oblacion Ocupada Po
◦ Tasa de ocupacion (to )To = ∗ 100 = ∗ 100
P oblacion Activa Pa
R EFERENCES
[1] Econometria-damodar-n-gujarati-5ta-edicion
[2] gujarati porter-Econometria de tiempo 5ta edicion
[3] Modelos de Ecuaciones Simultaneas CarlosBalsalobre
[4] Introduccion a series de tiempo.pdf
[5] Base de Datos sobre tasa de empleo y desempelo en Honduras 2001y2013 Censo poblacional del INE
4
imagenes/ImagenPoblacionactivadesactiva.png