Econometra II

ESTIMACIN MODELOS MULTIECUACIONALES

BREVE RESUMEN DE MTODOS ALTERNATIVOS
Mayo 2007
Existen tres conceptos que definen categoras de mtodos de estimacin distintas:

Enfoque directo (ingenuo) Cada ecuacin se aborda por separado, sin que
afecten a su estimacin cambios en el resto de ecuaciones.

MCO

Informacin limitada Se estima cada ecuacin por separado pero utilizando

cierta informacin del resto de ecuaciones (por ejemplo, la especificacin de la
ecuacin a estimar + la lista de variables contenidas en el modelo en su
conjunto, aunque no la especificacin concreta de cada ecuacin). Los
cambios en la especificacin del resto de ecuaciones no afectan a la
estimacin de la ecuacin analizada siempre que no se incluyan o excluyan
nuevas variables.

MCI, MC2E, MVIL

Informacin completa Estimacin conjunta de B, y . Todas las

ecuaciones se estiman conjuntamente por lo que, para cada ecuacin, se
requiere la informacin completa del resto de ecuaciones.

MC3E, MVIC

MCO
DESCRIPCIN
- Estimar directamente los parmetros por MCO en cada una de las ecuaciones por
separado
VENTAJAS
INCONVENIENTES
- Sencillez de clculo
- Sesgo e inconsistencia en la estimacin
de parmetros
- No se requiere ningn requisito sobre el - No se considera la eventual
nmero de ecuaciones < tamao de la simultaneidad presente en el modelo
muestra o (I.Completa) Nmero de
Exgenas < tamao de la muestra
(MC2E)
- No es necesario tener completo el
modelo multiecuacional para iniciar la
estimacin
- Ms flexible a los cambios en una
ecuacin (no afectan a la estimacin del
resto)
Se
evitan
los
contagios
de
incumplimientos
entre
ecuaciones
(especificacin incorrecta, no linealidad,
multicolinealidad,), especialmente con
muestras pequeas
- Permite, de forma preliminar, evaluar la
bondad aislada de cada ecuacin,
aunque despus se utilice otro mtodo
para la estimacin final
- Ninguno de los mtodos de informacin
completa o limitada resuelven el
problema del sesgo, aunque si el de la
inconsistencia

MCI
-

DESCRIPCIN
Aplicar MCO en la forma estructural y calcular despus los parmetros de la
forma estructural con: * B
Es de informacin limitada porque, para conocer la identificabilidad de cada
ecuacin y para estimar las ecuaciones en la forma reducida, debe conocerse
la lista completa de variables exgenas del resto de ecuaciones.

VENTAJAS
INCONVENIENTES
- Si se cumplen las hiptesis bsicas, los - Slo puede aplicarse en ecuaciones
estimadores

son
insesgados, exactamente identificables
consistentes y eficientes
- Dado que hay que estimar la forma
reducida, slo puede aplicarse en
modelos en los que el nmero de
exgenas sea mayor que el de datos (no
en modelos grandes).
- No siempre se garantiza que los
parmetros B y derivados del clculo
previo de hereden las buenas
propiedades (inconsistencia SI, pero no
necesariamente
INSESGADEZ
ni
EFICIENCIA)
- Aadir o eliminar variables impacta en la
estimacin del resto de ecuaciones
- No se est considerando en realidad de
forma relevante la presencia de
simultaneidad del modelo en su conjunto.

MC2E
DESCRIPCIN
-

Aplicar MCO en la forma reducida y estimar por MCO la forma estructural

sustituyendo los valores originales de las endgenas que aparezcan como
explicativas por sus valores estimados en la forma reducida.
Es de informacin limitada porque, para estimar las ecuaciones en la forma
reducida, debe conocerse la lista completa de variables exgenas del resto de
ecuaciones.

VENTAJAS
- Al reemplazarse los valores reales de
las
endgenas
explicativas
por
estimaciones de estas endgenas que
son funcin exclusiva de exgenas, evito
el problema del sesgo e inconsistencia
asociado con la presencia de regresores
estocsticos en la forma estructural.

- Sencillez relativa respecto a mtodos de

informacin completa

- Robustez relativa respecto a otros

mtodos
en
presencia
de
otros
problemas
en
la
especificacin
(multicolinealidad,
errores
de
especificacin en general)
- Mejores propiedades de correccin de
sesgo en presencia de muestras
pequeas

INCONVENIENTES
- Slo puede aplicarse en ecuaciones
exactamente identificables (en ese caso
MC2E
coincide
con
MCI)
o
superidentificables. La razn estriba, no
en el hecho de tener que pasar de la
forma reducida a la estructural; se trata
de un requisito matemtico que exige la
invertibilidad de la matriz de varianzas y
covarianzas de las variables explicativas
que slo puede realizarse si g+k-1<=k, lo
cual no ocurre en el caso de ecuaciones
no identificables.
- Dado que hay que estimar la forma
reducida, slo puede aplicarse en
modelos en los que el nmero de
exgenas sea mayor que el de datos (no
en modelos grandes).
- Si las endgenas muestran una falta
evidente de relacin con las exgenas, no
es estadsticamente razonable usar estas
estimaciones de la forma reducida (que
en
realidad
son
errores)
como
explicativas de la forma estructural.
- En realidad, nada garantiza la ausencia
de relacin entre la perturbacin aleatoria
de las ecuaciones estructurales y los
valores estimados de las endgenas
explicativas por lo que el mtodo puede
no resolver el problema de sesgo, aunque
s el de inconsistencia en muestras
grandes.
- Problemas en la definicin de las
matrices de varianzas y covarianzas de
los parmetros para muestras pequeas.

MC3E
DESCRIPCIN
-

Se estiman los parmetros de todas las ecuaciones de forma conjunta

Es de informacin completa porque, para no se aborda la estimacin
individualizada, sino conjunta, por lo que es necesario conocer la
especificacin exacta de todas las ecuaciones.
Se denomina de 3 etapas porque se inicia con la estimacin por MC2E para, a
continuacin, estimar la matriz de varianzas y covarianzas , y finalmente
aplicar MCG.

VENTAJAS
INCONVENIENTES
- Se considera la posible relacin entre - Mayor complejidad de clculo.
las endgenas explicativas de una
ecuacin y las perturbaciones, no slo de
la ecuacin analizada, sino del resto de
ecuaciones (simultaneidad).
- Cuanto mayor sea la simultaneidad (los - El modelo debe estar especificado en su
elementos hj de la matriz son NO totalidad
nulos), mejores son las propiedades
relativas del estimador respecto a MC2E
(eficiencia asinttica, en especial)
- Cuando no hay simultaneidad (los
elementos hj de la matriz son nulos) no
se mejora las propiedades asintticas de
MC2E
- El nmero de datos ha de ser mayor
que el nmero de ecuaciones para que la
matriz de covarianzas de los errores
muestrales tenga inversa (inviable en los
modelos grandes)
- Incluso en muestras grandes y modelos
pequeos y medianos, la experiencia
revela que la existencia de errores en la
especificacin o en los datos generan
estimaciones MC3E con sesgos y errores
cuadrticos elevados.