Professional Documents
Culture Documents
Guillermo Bozzoli
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:
Econometria
Guillermo Bozzoli
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
Econometria
Guillermo Bozzoli
m t 1 2 t
n
1 + 3 t
1
n
n
l() = ln( 2u ) ln( 2)
2 t =1
2
2
2u
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
Econometria
Guillermo Bozzoli
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
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
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
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
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