Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 15 vistas

    Ejercicio de Modelos Multiecuacionales

    Cargado por

    Arianeth Llanos Rosas
    Este documento presenta un ejercicio de modelos multiecuacionales donde se identifica, reduce y estima un modelo con dos ecuaciones y tres variables. El modelo original no es identificable pero al reducirlo queda como dos ecuaciones single-ecuación que pueden estimarse por Mínimos Cuadrados Instrumentales.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Ejercicio de Modelos Multiecuacionales

    Cargado por

    Arianeth Llanos Rosas
    15 vistas4 páginas
    Este documento presenta un ejercicio de modelos multiecuacionales donde se identifica, reduce y estima un modelo con dos ecuaciones y tres variables. El modelo original no es identificable pero al reducirlo queda como dos ecuaciones single-ecuación que pueden estimarse por Mínimos Cuadrados Instrumentales.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta un ejercicio de modelos multiecuacionales donde se identifica, reduce y estima un modelo con dos ecuaciones y tres variables. El modelo original no es identificable pero al reducirlo queda como dos ecuaciones single-ecuación que pueden estimarse por Mínimos Cuadrados Instrumentales.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    15 vistas4 páginas

    Ejercicio de Modelos Multiecuacionales

    Cargado por

    Arianeth Llanos Rosas
    Este documento presenta un ejercicio de modelos multiecuacionales donde se identifica, reduce y estima un modelo con dos ecuaciones y tres variables. El modelo original no es identificable pero al reducirlo queda como dos ecuaciones single-ecuación que pueden estimarse por Mínimos Cuadrados Instrumentales.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 4

    Ejercicio de Modelos Multiecuacionales

    Eq1 𝑅𝑡 = 𝛽0 + 𝛽1 𝑀𝑡 + 𝛽2 𝑌𝑡 + 𝑈1𝑡
    Eq2 𝑌𝑡 = 𝛼0 + 𝛼1 𝑅𝑡 + 𝑈2𝑡
    Se desea: a) Identificar el modelo; b) Reducir el modelo; c) Estimar el modelo
    a) Identificación del Modelo
    Condición de Orden:
    Numero de variables exógenas excluidas de la ecuación es igual al número de variables
    endógenas incluidas en la ecuación menos 1
    Antes, especificar el modelo por tipo de variable:
    𝑅𝑡 : Endógena
    𝑌𝑡 : Endógena
    𝑀𝑡 : Exógena
    Luego:
    Eq1: 0<1 Sub identificable
    Eq2 1=1 Exactamente identificable
    Condición de Rango:
    Delgadillo: El rango de la matriz de rango variables predeterminadas ausentes en la
    ecuación por variables endógenas ausentes en la ecuación es igual al numero de ecuaciones
    en el modelo menos 1.
    Def de Rango: Numero de filas con elementos no nulos
    Camacho: El determinante de la matriz de los coeficientes de las variables excluidas de la
    ecuación debe ser diferente de 0. La matriz debe ser de rango número de variables endógenas
    del sistema menos 1.
    Eq1 −𝛽0 + 𝑅𝑡 − 𝛽2 𝑌𝑡 − 𝛽1 𝑀𝑡 = 𝑈1𝑡
    Eq2 −𝛼0 + 𝑌𝑡 − 𝛼1 𝑅𝑡 = 𝑈2𝑡
    𝑅𝑡 𝑌𝑡 𝑀𝑡 𝑈𝑡
    𝑅𝑡 −𝛽2 −𝛽1 𝑈1𝑡
    −𝛼1 𝑌𝑡 0 𝑈2𝑡

    Solución Delgadillo:
    Eq1
    𝑅(0) = 1
    𝑁𝑜 ℎ𝑎𝑦 = 1 ¿No identificada?
    Eq2
    −𝛽1
    𝑅( )=1
    0
    𝑅(−𝛽1 ) = 1
    1=1 Identificada
    Solución Camacho:
    Determinante Eq1
    No cumple con el rango de la matriz No identificada
    Determinante Eq2
    −𝛽1
    [ ]
    0
    [−𝛽1 ]
    −𝛽1 Identificada
    En conclusión, el modelo es no identificable.
    b) Reducción del Modelo
    Eq1
    𝑅𝑡 = 𝛽0 + 𝛽1 𝑀𝑡 + 𝛽2 (𝛼0 + 𝛼1 𝑅𝑡 + 𝑈2𝑡 ) + 𝑈1𝑡
    𝑅𝑡 = 𝛽0 + 𝛽1 𝑀𝑡 + 𝛽2 𝛼0 + 𝛽2 𝛼1 𝑅𝑡 + 𝛽2 𝑈2𝑡 + 𝑈1𝑡
    𝑅𝑡 − 𝛽2 𝛼1 𝑅𝑡 = 𝛽0 + 𝛽1 𝑀𝑡 + 𝛽2 𝛼0 + 𝛽2 𝑈2𝑡 + 𝑈1𝑡
    𝑅𝑡 (1 − 𝛽2 𝛼1 ) = 𝛽0 + 𝛽1 𝑀𝑡 + 𝛽2 𝛼0 + 𝛽2 𝑈2𝑡 + 𝑈1𝑡
    𝛽0 + 𝛽2 𝛼0 𝛽1 𝛽2 𝑈2𝑡 + 𝑈1𝑡
    𝑅𝑡 = + 𝑀𝑡 +
    (1 − 𝛽2 𝛼1 ) (1 − 𝛽2 𝛼1 ) (1 − 𝛽2 𝛼1 )
    𝑅𝑡 = 𝜋0 + 𝜋1 𝑀𝑡 + 𝑣𝑡

    Eq2
    𝑌𝑡 = 𝛼0 + 𝛼1 (𝛽0 + 𝛽1 𝑀𝑡 + 𝛽2 𝑌𝑡 + 𝑈1𝑡 ) + 𝑈2𝑡
    𝑌𝑡 = 𝛼0 + 𝛼1 𝛽0 + 𝛼1 𝛽1 𝑀𝑡 + 𝛼1 𝛽2 𝑌𝑡 + 𝛼1 𝑈1𝑡 + 𝑈2𝑡
    𝑌𝑡 − 𝛼1 𝛽2 𝑌𝑡 = 𝛼0 + 𝛼1 𝛽0 + 𝛼1 𝛽1 𝑀𝑡 + 𝛼1 𝑈1𝑡 + 𝑈2𝑡
    𝑌𝑡 (1 − 𝛼1 𝛽2 ) = 𝛼0 + 𝛼1 𝛽0 + 𝛼1 𝛽1 𝑀𝑡 + 𝛼1 𝑈1𝑡 + 𝑈2𝑡
    𝛼0 + 𝛼1 𝛽0 𝛼1 𝛽1 𝛼1 𝑈1𝑡 + 𝑈2𝑡
    𝑌𝑡 = + 𝑀𝑡 +
    (1 − 𝛼1 𝛽2 ) (1 − 𝛼1 𝛽2 ) (1 − 𝛼1 𝛽2 )
    𝑌𝑡 = 𝜋2 + 𝜋3 𝑀𝑡 + 𝑤𝑡

    c) Estimación del Modelo


    MCI:
    Formula de estimadores para MCI:
    𝜋3
    𝛼1 =
    𝜋1
    6.104147
    𝛼1 =
    0.027615
    𝛼1 = 221,0446134347275

    No se pueden estimar los demás parámetros


    • Usar STATA, Eviews o SPSS
    MC2E:
    La variable endógena en función de las variables explicativas
    Eq1
    No se puede
    Eq2
    𝑌𝑡 = 𝜋2 + 𝜋3 𝑀𝑡 + 𝑤𝑡
    El programa lo hace directo y saca los estimadores de la ecuación original. Se debe indicar como
    variables instrumentales a todas las variables explicativas del sistema.
    • Usar Eviews y SPSS. Debo aprender por STATA
    Dependent Variable: Y
    Method: Two-Stage Least Squares
    Date: 12/10/23 Time: 13:20
    Sample: 2001 2015
    Included observations: 15
    Instrument specification: M
    Constant added to instrument list

    Variable Coefficient Std. Error t-Statistic Prob.

    C -324.8250 163.5428 -1.986177 0.0685


    R 221.0456 30.03408 7.359826 0.0000

    R-squared 0.761333 Mean dependent var 847.4533


    Adjusted R-squared 0.742974 S.D. dependent var 283.3689
    S.E. of regression 143.6615 Sum squared resid 268302.1
    F-statistic 54.16704 Durbin-Watson stat 1.128420
    Prob(F-statistic) 0.000006 Second-Stage SSR 6237.480
    J-statistic 3.13E-42 Instrument rank 2

    También podría gustarte