LaTeX - Template - For - Technical - Report 1.1

MODELO DE ECUACIONES SIMULTANEAS Y
ECONOMETRIA DE SERIES DE TIEMPO

APLICADAS A LA TASA DE EMPLEO Y
DESEMPLEO EN HONDURAS EN LOS AÑOS
2001 Y 2013
JOSE ALFONZO INESTROZA RODRIGUEZ 2009-1012-025
• 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) En segundo lugar, en el capitulo sobre teoria de la econometria, sobre la autocorrelacion,

analizamos varias de sus causas. A veces la autocorrelacion se origina porque las series de
tiempo subyacentes no son estacionarias.
3) En tercer lugar, los modelos de regresion que consideran series de tiempo son muy comunes
para los pronosticos. En vista de lo expuesto,deseamos saber si tal pronostico es valido cuando
las series de tiempo sobre las cuales se basan no son estacionarias.
Una Serie de Tiempo es una secuencia de observaciones, medidos en determinados momentos
del tiempo, ordenados cronologicamente y, espaciados entre si de manera uniforme, asi los datos
usualmente son dependientes entre si. El principal objetivo de una serie de tiempo Xt , donde
t = 1, 2, . . . , n es su analisis para hacer pronostico.
1. Clasificacion Descriptiva de las Series Temporales:

◦ Estacionarias: Una Serie es estacionaria cuando es estable a lo largo del tiempo, es decir, cuando
la media y varianza son constantes en el tiempo. Esto se refleja graficamente en que los valores
de la serie tienden a oscilar alrededor de una media constante y la variabilidad con respecto a
esa media tambien permanece constante en el tiempo.
◦ No estacionarias: son series en las cuales la tendencia y/o variabilidad cambian en el tiempo. Los
cambios en la medida determinan una tendencia a crecer o decrecer a largo plazo, por lo que la
serie no oscila alrededor de un valor constante.
2. Procesos Estocasticos: Desde un punto de vista intuitivo, un proceso estocastico se describe como
una secuencia de datos que evolucionan en el tiempo. Las series temporales se definen como un caso
particular de los procesos estocasticos.
o definido de otra forma: Un Proceso Estocastico o aleatorio es una coleccion de variables aleatorias
ordenadas en el tiempo.
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
Covarianza yk = E[(Xt − µ)(Xt+k − µ)]
donde yk , la covarianza (o autocovarianza) al rezago k, es la covarianza entre los valores de Xt y

Xt+k , estan separados k periodos.
En resumen si una serie de tiempo es estacionaria, su media, su varianza y su autocovarianza
(en diferentes rezagos) permanecen iguales sin importar el momento en el cual se midan; es decir,
son invariantes respecto al tiempo.
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
Caminata Aleatoria sin deriva

Suponga que ut es un termino de error de ruido blanco, con media 0 y varianza σ 2 . Entonces decimos
que la serie Yt es una caminata aleatoria si
(4) Yt = Yt−1 + ut
Caminata Aleatoria con deriva

si modificamos (4) de la siguiente manera
(9) Yt = δ + Yt−1 + ut
donde a δ se lo conoce como el parametro de deriva. El termino deriva proviene del hecho de que, si
escribimos la ecuacion anterior como
(10) Yt − Yt−1 = ∆Yt = δ + ut
• PLANTEAMIENTO DEL PROBLEMA

1) Series de Tiempo: con las series de tiempo analizare las variables a considerar sobre la tasa de
empleo y desempleo en el pais
◦ PET=Poblacion en Edad de Trabajar
◦ PA=Poblacion Activa
◦ PI=Poblacion Inactiva
◦ PET=PA+PI
◦ PO=Poblacion Ocupada
◦ PD=Poblacion Desempleada
◦ PA=PO + PD
dos variables o factores que tenemos que tener en cuenta a la hora de realizar el problema
Luego considero los indicadores economicos los cuales nos ayudara a tener un mayor conocimiento
en el mercado de trabajo:
P oblacion activa Pa
◦ Tasa de actividad (Ta )Ta = ∗ 100 = ∗ 100
P oblacion en edad de trabajar Pet
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
Fig. 1. imagen centrada

LaTeX - Template - For - Technical - Report 1.1

Cargado por

Copyright:

Formatos disponibles

LaTeX - Template - For - Technical - Report 1.1

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

LaTeX - Template - For - Technical - Report 1.1

Cargado por

Copyright:

Formatos disponibles

MODELO DE ECUACIONES SIMULTANEAS Y

ECONOMETRIA DE SERIES DE TIEMPO

2) En segundo lugar, en el capitulo sobre teoria de la econometria, sobre la autocorrelacion,

1. Clasificacion Descriptiva de las Series Temporales:

Covarianza yk = E[(Xt − µ)(Xt+k − µ)]

donde yk , la covarianza (o autocovarianza) al rezago k, es la covarianza entre los valores de Xt y

Caminata Aleatoria sin deriva

Caminata Aleatoria con deriva

(10) Yt − Yt−1 = ∆Yt = δ + ut

• PLANTEAMIENTO DEL PROBLEMA

Fig. 1. imagen centrada

También podría gustarte