Professional Documents
Culture Documents
motivacin
motivacin
teoremas claves
df 0
(x )(xi x0i )
dxi
i=1
n
n
1 2f
+
(x0 )(xi x0i )(xj x0j )
2
xi xj
i=1 j=1
..
.
+
n
n
kf
1
(x0 )(xi1 x0i1 ) . . . (xik x0ik )
...
k!
xi1 . . . xik
i1 =1
ik =1
+ O( x x0 k+1 ).
significado de aproximacin
significado de aproximacin
xx0
f(x) g(x)
= 0.
x x0 n
(1)
Cunto es
26?
(2)
y = x2 (1 + ) = x 1 +
(3)
el mtodo lq
(4)
(5)
t=0
sujeto a (4).
8
g(xt , ut ) := xt , ut
S R
ut
(6)
g(xt , ut ) := xt , ut
S R
ut
(6)
solucin explcita
(7)
10
+ E [(Ax + Bu + ) P(Ax + Bu + ) + d]
Evaluando la expectativa condicional obtenemos:
x Px + d =
max x Qx + 2u Sx + u Ru + x A PAx
u
(8)
11
12
(S + B PA) x = Fx
P = Q + A PA (S + B PA) [R + B PB]
(S + B PA)
(9)
tr(P)
1
(10)
12
Ps+1 = Q + A Ps A (S + B Ps A) [R + B Ps B]
(S + B Ps A)
(11)
(12)
13
la aproximacin lq
14
Preferencias:
E
t U(ct )
(13)
t=0
(14)
15
(15)
(16)
16
{kt+1 }t=0
t U(f(kt , zt ) kt+1 )
(17)
t=0
(18)
sujeto a (16).
17
aproximacin lq
18
aproximacin lq
18
aproximacin lq (2)
19
aproximacin lq(3)
Sustituyendo en (18)
V(k, z) = max
log (ez k i) + E [V(k , z ) | z)]
(19)
k = (1 )k + i,
(20)
sujeto a:
z = z + .
(21)
20
qu hacer en la prctica?
21
(22)
(23)
Resolviendo para k:
k = [/(1 + )]1/(1
i = k
z = 0.
22
(24)
) (
)
1(
H
WW
.
WW
2
(25)
Hzz
H = Hsz
Hdz
Hzs
Hss
Hds
Hzd
Hsd
Hdd
(26)
23
Denimos la matriz Q:
r(z, s, d)
[
] Q
11
1 W
Q12
T
Q12
Q22
][
1
W
]
(27)
donde:
W
J + 1 W
H
W
Q11 = R
2
1 ( )
Q12 =
J HW
2
1
Q22 = H.
2
(28)
(29)
(30)
24
25
mtodo de perturbacin
perturbacin: introduccin
Este mtodo sigue la misma idea... busquemos un problema
que sepamos resolver y cambiemos de problema. (til como
losofa de vida).
Recordemos que estamos tratando de resolver una ecuacin
funcional (lo desconocido es la funcin).
H(d) = 0.
(31)
i (x x0 )i
(32)
i=0
28
t=1
t1
c1
1
t
1
sujeto a:
ct + kt+1 = k
t + (1 )kt
con k1 dado. La ecuacin de Euler est dada por:
[ 1
]
c
= c
t
t+1 kt+1 + 1
29
(k
=
t + (1 )kt kt+1 )
(
) [ 1
]
kt+1 + (1 )kt+1 kt+2
kt+1 + 1 ,
que es una ecuacin en diferencias en kt .
buscamos una solucin recursiva, de la forma:
kt+1 = h(kt )
30
especificacin general
De forma ms genera, buscamos una solucin a ecuaciones del
tipo:
f(x , x , x) = 0.
(33)
de la forma:
x = h(x)
que nos da la ley de movimiento.
Por simplicidad asumimos que x es un escalar. Denamos F(x)
como:
F(x) f(h(h(x)), h(x), x).
Dado que h(x) es la solucin a la ecuacin 33, sabemos que:
F(x) = 0, x
31
f(k , k , k) = (k + (1 )k k )
]
[
+ (k + (1 )k k )
k1 + 1 = 0,
para valores conocidos , y .
Reemplazando la solucin: k = h(k)
F(k) (k + (1 )k h(k))
[
]
h(k)1 + 1
32
la condicin clave
F(k) = 0 x
33
la condicin clave
F(k) = 0 x
...si lo que tenemos es h().
33
hallar h()
34
hallar h()
Con qu?
34
hallar h()
Con qu?
Con un polinomio...
De qu orden?
34
hallar h()
Con qu?
Con un polinomio...
De qu orden?
Depende de ti...
alrededor de qu punto?
34
hallar h()
Con qu?
Con un polinomio...
De qu orden?
Depende de ti...
alrededor de qu punto?
En principio de cualquier, pero nos conviene uno informativo.
34
aproximando h()
1, h
2 , etc...
el objetivo para caraterizar h() es hallar x, h
35
aproximando h()
Claramente x satisface:
f(x, x, x) = 0.
Hallar x puede ser no trivial si f es una funcin no-lineal
horrible - pero eso es para otra clase...
36
1
encontrando el coeficiente del trmino lineal, h
Dado que:
F(x) = 0 x
37
algunas definiciones
Denamos:
}
f(x , x , x)
x =x =x=x = f1 ,
x
{
}
f(x , x , x)
x =x =x=x = f2 ,
x
{
}
f(x , x , x)
x =x =x=x = f3 ,
x
{
Noten que:
(
)
h(x)
1 + h
2 (x x) + . . . |x=x = h
1
|x=x = h
x
38
ecuacin clave
f h(x ) h(x)
f h(x)
f
+
+
= 0.
x x
x
x x
x
39
F (x) = 0 x
implica:
F (x) = 0 x
40
ms definiciones
Denamos:
{
}
2 f(x , x , x)
= f13 ,
x =x =x=x
x x
y noten que:
(
)
2 h(x)
2
2 + h
3 (x x) + . . . |x=x = h
|x=x = h
2
x
41
ecuacin clave
F (x) = 0 x
o:
)(
)
2 f h(x)
2f
2 f h(x ) h(x)
h(x ) h(x)
F (x) =
+
+
x h
x
x x x
x x
x
x
(
)
2
2
2
f h(x ) h(x)
f h(x)
2f
h(x)
f 2 h(x)
+
+
+
+
x x x
x
x2 x
x x
x
x x2
( 2
)
2
2
f h(x ) h(x)
f h(x)
f
+
+
+ 2
xx x
x
xx x
x
42
43
introduciendo incertidumbre
max
t1
t=1
c1
1
t
1
sujeto a:
ct + kt+1 = exp(t )k
t + (1 )kt
t = t1 + t ,
45
la especificacin general
46
47
el enfoque de perturbacin
48
el enfoque de perturbacin
48
el enfoque de perturbacin
48
elemento clave # 1
49
volvemos al modelo...
[
=
k (k, , )
[
+
0
1
]
.
50
elemento clave # 2
Perturbamos alrededor de y, x y
g(x, ) = g(x, 0) + gx (x, 0)(x x) + g (x, 0) + . . .
y
h(x, ) = h(x, 0) + hx (x, 0)(x x) + h (x, 0) + . . .
51
objetivo
Denamos:
x = gx (x, 0), g
= g (x, 0), y
g
El objetivo es hallar:
x
la matriz
gx de dimensin (ny x ), el vector (ny 1),
g , la matriz h
52
ms sobre incertidumbre
k,
h(k, , ),
Et f
+ ,
g(k, , ),
g(h(k, , ), + , )
53
segundo orden
54
fk (s)h (k, , )+
f (s) +
f
(s)g
(k,
,
)+
F (x, 0) = Et
c
(
)
k (k , , )h (k, , )+
f (s)
c
g (k , , ) + (k , , )
(34)
fk (s)h (k, , )+
f (s) +
f
(s)g
(k,
,
)+
F (x, 0) = Et
c
(
)
k (k , , )h (k, , )+
f (s)
c
g (k , , ) + (k , , )
(34)
obtenemos:
F (x, 0) =
fbc + fbc g
bc
fbc
c + fc
c k
k
feu + feu g
eu eu
c k fc + fc
k
][
]
= 0.
+ (h
kk (k k) + 2h (k k)( ) + 2hk (k k) + . . .
2
( )
2 )
2 + 2h
+h
+ k ( )
y
+g
k (k k) + g
( )
+ . . .
g(k, , ) = c + g
1
+ 2g
kk (k k)2 + 2g
k (k k)( )
k (k k) + . . .
+ (g
2
( )
2 + 2h
+g
( )
2 )
+g
son cero.
y h
De aqu sabemos que g
57
k , g
, h
y los dems elementos de interaccin, g
Para gk y hk tenemos:
Fk (x, 0) = 0.
Derivamos de la expresin en 34.
(fk k + fk k hk + fk c gk + fk c gk hk )h
fk hk +
(f k + f k hk + f c gk + f c gk hk ) +
fc gk +
(
)
F k(x, 0) = Et
fc k + fc k hk + fc c gk + fc c gk hk )
(gk h + g + g )
fc (gkk hk h + gk hk )+
fc gk hk +
fc gk hk
59
comparando lq y perturbacin
60
orden mayor
orden mayor
62
prunning
63
prunning (2)
Kim, Kim, Schaumburg & Sims (2008) sugieren entonces no
considerar ciertos trminos al realizar la expansin de Taylor
del sistema.
En el caso de una aproximacin de segundo orden tenemos:
(
) 1
1
(2)
(2)
(2)
(2)
xt+1 = hx xt + Hxx xt xt
+ h 2 + t+1 ,
2
2
(35)
prunning (3)
Obtenemos una ley de movimiento para xft+1 preservando slo
los efectos de primer orden en (36).
xft+1 = hx xft + t+1 .
(37)
(38)
65
prunning (4)
66
prunning (5)
yt
(
) 1
1
(2)
(2)
(2)
= gx xt + Gxx xt xt
+ g 2 ,
2
2
(40)
(2)
67
prunning (6)
x
+ g 2 .
x
xx
t
t
t
t
t
2
2
(41)
Aqu dejamos de lado los trminos xft xst y xst xst porque
reejan trminos de tercer y cuarto orden.
Como vemos, representamos las funciones de poltica como
una funcin de los elementos de los estados que slo llegan
hasta el segundo orden...
Muy diferente a una aproximacin de segundo orden - que
contiene elementos de tercer y cuarto orden en su construccin.
68
el sistema pruneado
69
70
72
discusin
74
75
{ct ,at }
t=1
t=1
t1
c1
1
t
1
s.t.
at
= at1 + ezt ,
1+r
zt = z + t y t N(0, z2 ),
ct +
at 0.
)
(42)
(43)
(44)
(45)
(46)
1
t
max E1
t1
P(at )
(47)
1
{ct ,at }
t=1
t=1
s.t.
at
= at1 + ezt ,
1+r
zt = z + t y t N(0, z2 ),
ct +
(48)
(49)
(50)
1
exp(0 at ) + 2 at
0
(51)
78
(52)
(53)
80
81
conclusiones
conclusiones
Los mtodos de aproximacin estudiados en esta clase toman
un problema y lo aproximan a uno con solucin conocida.
El mtodo LQ toma un problema y le da forma cuadrtica a la
funcin de utilidad instatnea (o renta).
Los mtodos de perturbacin explotan la informacin de la
solucin no estocstica para aproximar los problemas usando
la distribucin estndar como parmetro de perturbacin.
Ambos mtodos utilizan aproximaciones polinomiales de las
funciones de poltica alrededor de un punto - son soluciones
locales (aunque pueden tener excelentes propiedades globales).
Son rpidos de implementar lo que los vuelven
extremadamente populares.
El mtodo de perturbacin usando la varianza como parmetro
presenta adems ventajas considerables sobre la perturbacin
del problema LQ.
Las aproximaciones de orden mayor son interesantes para
estudiar problemas econmicos pero nos olbigan a ser cautos.
84
Preguntas?
85