Econometria

Notas de Clases Practicas 6

Guillermo Bozzoli

Notas de Clases Practicas #6:

ESTIMACION DE MODELOS NO LINEALES:
UN EJEMPLO.
En estas notas intentamos motivar la estimacion y aplicacion de modelos no lineales en
la practica econometrica. La siguiente es una aproximacion incompleta a los efectos de
implementar e interpretar los resultados de una estimacion en Pc-Give. Aquellos
interesados en algunas extensiones pueden consultar parte del capitulo 2 de Johnston y
Di Nardo (1997) y para un analisis exhaustivo de las propiedades de los estimadores
pueden consultar el Capitulo 10 sobre modelos no lineales del libro de Greene:
Econometric Analysis (1997). Los metodos de optimizacion usados tradicionalmente
estan descriptos en el capitulo 5, Computation and Optimization del libro de
Greene(1997).

1.- MODELOS NO LINEALES. ESTIMACION POR MAXIMA VEROSIMILITUD

(MAXIMUM LIKELIHOOD) Y MINIMOS CUADRADOS NO
LINEALES(NONLINEAR LEAST SQUARES).
Supongamos que un investigador desea encontrar la relacion entre el coeficiente
de monetizacion de la economia (m=M/PBI) y la tasa de inflacion.
Asumamos que el modelo poblacional es
m t = 1 +

2t
+ ut
1 + 3 t

donde ut~IN(0,2u)
Esto involucra una relacion no lineal entre la monetizacion y la tasa de
inflacion (salvo que 3=0) . Dicho de otra manera, el modelo teorico postula que mt es
una funcion no lineal g(,Xt) , donde =[1,2,3] y Xt=[t]. De esta manera,
ut=mt-g(,Xt).
Es importante mencionar dos supuestos que nos simplificaran mucho la construccion de
la funcion de verosimilitud:

por un lado, asumamos que t es no aleatoria

por otro lado, asumamos que los errores tienen una distribucion normal
independiente.

Econometria

Notas de Clases Practicas 6

Guillermo Bozzoli

De esta manera, los mt estan normal e independientemente distribuidos con media

1+ [2t/(1+3t)] y varianza 2u. Dadas la variables explicativas t y los parametros
y , la funcion de densidad (condicional) de mt seria:

D t (m t | t , , 2 ) =

m t 1 2 t
1
1 + 3 t
1
exp
2
2u
2 u
2

Esta es una funcion de densidad para mt, condicional a los parametros y la tasa
de inflacion.
Fijense que precisamente, si consideran a mt, como lo que es, una variable
aleatoria con media 1+ [2t/(1+3t)] y varianza 2u, la formula de arriba sale de
reemplazar media y varianza en la densidad de una N(,2).
Dada la independencia de las Vt (porque los ut son independientes y las X son
fijas), la funcion de densidad conjunta de m resulta:

t =1

t =1

D(m1 , m 2 ,..., m n | , 2u ) = f t (m t | , 2u ) =

m t 1 2 t
1
1 + 3 t
1
exp
2u
2 2u
2

Como en nuestro caso, conocemos m1,m2,....,mn, y ,2u son las incognitas, la funcion
de densidad sobre la que vamos a derivar los estimadores de maxima verosimilitud es
una funcion de densidad llamada likelihood function o funcion de verosimilitud :

L(, 2u ) =
t =1

m t
1
1 + t
1
exp
2u
2 2u
2

( 2 )
2
u

m t 1 2 t
1
1 + 3 t
exp
2u
2

Si tomamos una transformacion monotona estrictamente creciente como el

logaritmo natural , entonces esta garantizado que los parametros que maximizan L
tambien maximizaran l=ln(L).

Econometria

Notas de Clases Practicas 6

Guillermo Bozzoli

En este caso, l() =lnL() resulta:

m t 1 2 t
n
1 + 3 t
1
n
n
l() = ln( 2u ) ln( 2)
2 t =1
2
2
2u

Si sacaramos las CPO de este problema de maximizacion del log de la funcion

de verosimilitud (llamada usalmente log likelihood) respecto a las incognitas, nos
quedaria un sistema de cuatro ecuaciones no lineales en 2u,1, 2 y3. Entonces,
estamos eligiendo los valores de los parametros (,) que maximizan la verosimilitud
de haber observado la la muestra. Este metodo para derivar estimadores se conoce como
de maxima verosimilitud.

Sin embargo, fijense que si llamamos RSS a la suma de los errores al cudarado,
es decir a:

RSS = Vt 1 2 t
1 + 3 t
t =1
n

notamos que
ln L
n RSS
RSS
=
= 0 2u MV =
2
2
2 2 u
n
u
Ademas, las derivadas contra 1,2 y 3 (chequear) al estar multiplicadas por 2u
nos garantizan que los que maximizan log L tambien resuelven el problema
n

Min RSS() = [m t g (, t )]

t =1

Estos estimadores de 1,2 y 3, se conocen como de minimos cuadrados no lineales

(nonlinear least squares), y son para este problema, analogos a los de maxima
verosimilitud. Al igual que en el caso del modelo lineal que vieron en clase teorica, hay
una igualdad entre los estimadores maximo verosimiles y los de minimos cuadrados
para los parametros de b. La unica diferencia es que en este caso, la funcion que
aproxima a mt es no lineal sino una funcion no lineal g(,t).

2.MODELANDO MONETIZACION Y TASA DE INFLACION EN ARGENTINA.

En nuestro caso, vamos a aproximar mt con los datos de inflacion y demanda de billetes
y monedas/PBI en valores trimestrales entre 1982 y 1989.
Fijense que si corremos una regresion lineal
mt=0+2 t+ut

Econometria

Notas de Clases Practicas 6

Guillermo Bozzoli

el ajuste es pobre, como puedeverse en la salida misma y especialmente en el cross

plot correspondiente. Noten la presencia de autocorrelacion (en el test LMAR(1-2) y el
DW) y el resultado del test Reset.
EQ(35) Modelling m by OLS (using monetizacion.in7)
The present sample is: 1982 (1) to 1989 (4)
Variable
Constant
pi

Coefficient
3.6080
-0.032707

Std.Error
0.11429
0.0062582

t-value
31.570
-5.226

t-prob
0.0000
0.0000

HCSE PartR^2
0.14131 0.9708
0.0091508 0.4766

R^2 = 0.476568 F(1,30) = 27.314 [0.0000] \sigma = 0.417154

RSS = 5.220515893 for 2 variables and 32 observations

AR 1- 2 F( 2, 28) =
ARCH 1 F( 1, 28) =
Normality Chi^2(2)=
Xi^2
F( 2, 27) =
Xi*Xj
F( 2, 27) =
RESET
F( 1, 29) =

4.4067
1.7924
3.4479
1.5
1.5
19.356

DW = 1.09

[0.0217] *
[0.1914]
[0.1784]
[0.2412]
[0.2412]
[0.0001] **

m x pi

2
0

10

15

20

25

30

35

40

45

50

55

60

65

Para obtener las estimaciones de los coeficientes del modelo no lineal, necesitamos
realizar los siguientes pasos:
Paso1: por supuesto tener la base de datos abierta en Give-Win.
Paso2: En Pc Give elegimos Model > Nonlinear Model.
Aparece un cuadro de dialogo que dice Formulate Non-linear Model
y completamos en nuestro caso:

Econometria

Notas de Clases Practicas 6

Guillermo Bozzoli

actual=m;
fitted=&0+(&1*pi)/(1+&2*pi);
&0=3.60;
&1=-0.03;
&2=0;
Actual le indica al programa cual es y, mientras que fitted le indica cual es yhat,
donde los parametros se escriben como &0,&1,&2 (que van a representar, como se ve el
fitted 1,2 y 3).
Luego, tenemos que elegir valores para los &s. Estos van a ser los valores a
partir de los cuales va a empezar el prceso de minimizacion. Una opcion en este caso es
notar que si &2=0, el modelo lineal que estimamos antes nos proporcionaria &0 y &1.
Por lo tanto, elegimos como valores iniciales &0=3.60 y &1=-0.0327, y para &2=0.
Luego presionamos OK
Paso 3: Aparece un cuadro de Estimate Model, noten que el metodo les dice Non-linear
Model y elegimos luego el estimation sample 1982.1-1989.4.
Paso 4: Estimacion. Aparece un cuadro Non-linear Estimation y presionamos el boton
Estimate. En este caso, va a encontrar los paramentros que hacen 0 las derivadas
parciales (en este caso, los Gradients). Noten que arriba a la izquierda les dice Strong
Convergence, esto es un indicio que hay un punto interior en el cual efectivamente se
cumplen la condiciones de primer orden.
Paso5: Presionar el boton de OK e ir a PC Give > Windows >Results, donde
encontramos:
EQ(27) Modelling actual by NLS (using monetizacion.in7)
The present sample is: 1982 (1) to 1989 (4)
Variable
&0
&1
&2

Coefficient
4.7457
-0.29811
0.095500

Std.Error
0.39608
0.15023
0.046871

t-value
11.982
-1.984
2.038

t-prob PartR^2
0.0000 0.8319
0.0568 0.1195
0.0508 0.1252

R^2 = 0.724624 F(2,29) = 38.155 [0.0000] \sigma = 0.307745

RSS = 2.746502551 for 3 variables and 32 observations

Code used for estimation:

actual = m;
fitted=&0+&1*pi/(1+&2*pi);
&0=3.61;&1=-0.0327;&2=0;
ARCH 3 F( 3, 23) =
0.58342
Normality Chi^2(2)=
3.4769
AR 1- 2 F( 2, 27) =
1.9908
Xi^2
F( 3, 25) =
0.50074
Xi*Xj
F( 4, 24) =
0.36062

DW = 1.33

[0.6319]
[0.1758]
[0.1561]
[0.6852]
[0.8341]

Noten que podemos testear Ho:&2=0 y en nuestro caso rechazamos, indicando que el
modelo no lineal es una representacion preferible al modelo lineal con &2=0.
Noten que no hay evidencia de autocorrelacion al 5%.

Econometria

Notas de Clases Practicas 6

Guillermo Bozzoli

Graficando en Excel el ajuste Lineal vs. el No Lineal, podemos ver que el ultimo es
mucho mas conveniente (especialmente en los valores muy altos o bajos de inflacion)
Monetizacion y Tasa de Inflacion:1982-89
6

Ajuste No Lineal

Ajuste Lineal
0
0

10

20

30

40

50
pi

60

70

80

90

100