Marco teórico

Ecuaciones simultaneas

Los modelos multiecuacionales se caracterizan por presentar un sistema interconectado de

variables y ecuaciones, es decir, un sistema en el que la simultaneidad entre endógenas

aparece en mayor o menor medida.

Precisamente esa mayor o menor simultaneidad en las relaciones entre endógenas es un

factor decisivo para determinar las propiedades de los distintos métodos de estimación. Esto

no significa que sea la única variable a considerar, pero sí resulta el primero de los factores

analíticamente claves para una primera aproximación al método de estimación correcto.

Si se considera el modelo general de M ecuaciones con M variables endógenas dado en la

ecuación pueden adoptarse dos enfoques para estimar las ecuaciones estructurales:

 Métodos uniecuacionales, también conocidos como métodos de

información limitada:

Cada ecuación en el sistema se estima individualmente, considerando las

restricciones impuestas sobre ella sin preocuparse de las restricciones sobre las otras

ecuaciones en el sistema de ahí el nombre de métodos de información limitada.

 Métodos de sistemas, conocidos como métodos de información

completa:

Se estiman todas las ecuaciones en el modelo de manera simultánea, teniendo en

cuenta las restricciones ocasionadas por la omisión o ausencia de algunas

variables sobre dichas ecuaciones, de aquí el nombre métodos de información

completa.
Como ejemplo, considere el siguiente modelo de cuatro ecuaciones:

En donde: las Y son las variables endógenas y

las X son las variables exógenas

Modelos recursivos y mínimos cuadrados ordinarios (MCO)

Debido a la interdependencia entre el término de perturbación estocástico y la(s) variable(s)

explicativa(s) endógena(s), el método de MCO es inapropiado para la estimación de una

ecuación en un sistema de ecuaciones simultáneas. Si se aplica erróneamente, los

estimadores no sólo resultan sesgados sino también inconsistentes; es decir, sin importar qué

tan grande sea el tamaño de la muestra, el sesgo no desaparece. Sin embargo, hay una

situación en la cual el método de MCO puede ser aplicado apropiadamente, aun en el

contexto de las ecuaciones simultáneas. Es el caso de los modelos recursivos, triangulares o

causales.

Para ver la naturaleza de estos modelos, considere el siguiente sistema de tres ecuaciones:

Dónde: Y = variables endógenas

X = variables exógenas
Las perturbaciones son tales que

Es decir, las perturbaciones de diferentes ecuaciones en el mismo periodo no están

correlacionadas (técnicamente, éste es el supuesto de cero correlaciones contemporáneas).

La primera ecuación de (20.2.1). Contiene variables exógenas al lado derecho y como, por

los supuestos, no están correlacionadas con el término de perturbación u1t, esta ecuación

satisface el supuesto crítico del método de MCO clásico, a saber: la no correlación entre las

variables explicativas y las perturbaciones estocásticas. Por tanto, MCO puede aplicarse

directamente a esta ecuación.

La segunda ecuación de (20.2.1), la cual contiene la variable endógena Y1 como una variable

explicativa junto con las X no estocásticas.

MCO también puede ser aplicado a esta ecuación, siempre y cuando Y1t y u2t no estén

correlacionadas.

¿Es esto así? La respuesta es sí porque u1, el cual afecta a Y1, por los supuestos y no está

correlacionada con u2. Por consiguiente, para todos los efectos prácticos, Y1 es una variable

predeterminada en lo que respecta a Y2. Así, se puede proceder con la estimación de esta

ecuación por MCO.

También se puede aplicar MCO a la tercera ecuación en (20.2.1) porque Y1 y Y2 no están

correlacionados con u3.

Así, en el sistema recursivo, puede aplicarse MCO a cada ecuación en forma separada; de

hecho, no se tiene el problema de las ecuaciones simultáneas en esta situación. Por la

estructura de tales sistemas, es claro que no hay interdependencia entre las variables

endógenas. Así, Y1 afecta a Y2, pero Y2 no afecta a Y1. En forma similar, Y1 y Y2 influyen

en Y3 sin que esta última las influya. En otras palabras, cada ecuación presenta una

dependencia causal unilateral, de ahí el nombre de modelos causales.

Estimación de una ecuación exactamente identificada: el método de mínimos

cuadrados indirectos (MCI)

Para una ecuación estructural precisa o exactamente identificada, el método para obtener las

estimaciones de los coeficientes estructurales a partir de las estimaciones por MCO de los

coeficientes en forma reducida se conoce como método de mínimos cuadrados indirectos

(MCI), y las estimaciones así obtenidas se conocen como estimaciones de mínimos

cuadrados indirectos.

MCI comprende los tres pasos siguientes:

Paso 1. Se obtienen primero las ecuaciones en forma reducida. Éstas se

obtienen de las ecuaciones estructurales en forma tal que la variable

dependiente en cada ecuación es la única variable endógena y está en función

únicamente de las variables predeterminadas (exógenas o endógenas rezagadas) y

del (los) término(s) de error(es) estocástico(s).

Paso 2. Se aplica MCO individualmente a las ecuaciones en la forma reducida. Esta

operación es permisible puesto que las variables explicativas en estas ecuaciones

están predeterminadas y, por tanto, no están correlacionadas con las perturbaciones

estocásticas.

Paso 3. Se obtienen estimaciones de los coeficientes estructurales originales a partir

de los coeficientes en forma reducida estimados, obtenidos en el paso 2. Como se

mencionó en el capítulo 19, si una ecuación está exactamente identificada, hay una

correspondencia uno a uno entre los coeficientes estructurales y los coeficientes en

la forma reducida; es decir, pueden derivarse estimaciones únicas de los primeros a

partir de los últimos.

Como lo indica este procedimiento de tres etapas, el nombre de MCI se deriva del hecho de

que los coeficientes estructurales (objeto principal de investigación en la mayoría de los

casos) se obtienen indirectamente a partir de las estimaciones por MCO de los coeficientes

en forma reducida.

Estimación de una ecuación sobreidentificada: método de mínimos cuadrados en dos

etapas (MC2E)

En presencia de simultaneidad, una segunda estrategia para resolver los indeseables efectos

derivados de la aplicación directa de MCO (sesgo e inconsistencia) es la utilización de la

estrategia de estimación conocida como MC2E.

El procedimiento consiste en utilizar MCO sobre la forma estructural, pero, antes de ello,

reemplazar los valores reales originales de las variables explicativas de cada ecuación (es

decir, las endógenas que aparecen en el lado derecho de cada ecuación) por sus valores MCO

estimados en la forma reducida (de otro modo, no podríamos plantear la estimación de la

forma reducida).

Para ilustrar el procedimiento operativo de MC2E, supongamos el siguiente modelo

simultáneo con 2 ecuaciones:

Y1i  11 X1i  12 X 2i   12Y2i  U1i

Y2i  21 X1i  23 X 3i   21Y1i  U 2i

Para la primera ecuación, antes de proceder a la estimación directa con MCO,

reemplazamos los valores originales de la variable Y2i (un regresor estocástico

Potencialmente relacionado con U1i) por una estimación obtenida aplicando MCO sobre

su forma reducida, es decir:

Y2i   21 X 1i   22 X 2i   23 X 3i  V2i 

 Yˆ2i  ˆ 21 X 1i  ˆ 22 X 2i  ˆ 23 X 3i 

 Y2i  ˆ 21 X 1i  ˆ 22 X 2i  ˆ 23 X 3i  V2i
Así, pues, la ecuación a estimar sería ahora:

 
Y1i  11 X 1i  12 X 2i   12 Ŷ2i Vˆ2 i U1i

Como puede observarse, estamos nuevamente ante una estimación con información

limitada ya que, nuevamente, no necesitamos conocer la especificación concreta de cada

ecuación, pero sí la lista de regresores (X) y endógenas (Y) del modelo.