Professional Documents
Culture Documents
Econmicas y Empresariales
Grado en Economa
Estimacin de modelos no
lineales
Presentado por:
Tutelado por:
6. CONCLUSIONES. ..................................................................... 32
1
2. FORMA FUNCIONAL. CONTRASTE RESET DE RAMSEY.
= 0 + + (2.1)
=1
1
Para una regresin con regresores y trmino constante. A partir de ahora, y durante el
desarrollo del trabajo, consideraremos, para las especificaciones genricas, un modelo con
variables explicativas e intercepto, salvo que se indique lo contrario.
2
hiptesis clsicas y si existen, o no, errores de especificacin en la regresin,
como los relacionados con la perturbacin aleatoria.
= , + (2.2)
3
2.3. CONTRASTE RESET DE RAMSEY.
0 :
1 :
= 0 +
=1
= 0 + + +1 +
=1 =1
4
Si no rechazamos la hiptesis nula, las potencias de la estimacin de la
variable explicada no son significativas y, por lo tanto, el modelo inicial es
lineal. Si, por el contrario, rechazamos la hiptesis nula, se concluye que la
regresin no es lineal y, en consecuencia, existe un error de especificacin en
la forma funcional.
3.1. TIPOLOGA.
2
Las formas funcionales que pueden adoptar los modelos economtricos, y que se analizan
una a una en esta seccin, pueden verse combinadas en una misma regresin, de tal forma
que podemos encontrarnos con modelos logartmicos y trminos cuadrticos, polinomios y
variables invertidas, etc.
5
= (3.1)
=1
= + +
=1
= + +
=1
donde = , = y = .
6
Rendimientos constantes a escala.
Incidencia positiva del factor tecnolgico.
= + +
=1
= + +
=1
siendo = .
7
En este caso, los coeficientes expresan la variacin relativa que experimenta
la variable endgena cuando, mantenindose todo lo dems constante, una de
las variables exgenas del modelo aumenta en una unidad:
1
=
En trminos porcentuales:
100 1
100 =
= + +
=1
= + +
=1
donde = y = .
8
Ejemplo: relacin salario-educacin.
= +
ln = +
= + +
= + +
=1
1
donde = .
1
= 2
9
1
Ante un incremento de en una unidad, la variable endgena vara 2
unidades.
1
=+
1
= + +
= + +
1
donde = .
= 0 + + (3.5)
=1
10
En nuestro ejemplo particular, el modelo transformado resultante es el
siguiente:
= 0 + +
=1
donde 1 = , 2 = 2 , , = .
= 1 + 22 + + 1
= + + 2 + 3
11
En cuanto a las restricciones de los parmetros , tendramos > 0, < 0,
> 0 y 3 > 2 .
= + + 2 + 3 +
= ( )1
12
Coincide con el estimador mximo verosmil: Comparte sus propiedades
asintticas: insesgadez asinttica, eficiencia asinttica, consistencia e
invarianza.
Sigue una distribucin de probabilidad normal: Es funcin lineal de la
variable endgena y, en consecuencia, de la perturbacin, la cual sigue
una distribucin normal. Todo lo que depende linealmente de una
variable aleatoria que sigue una distribucin normal, tambin se
distribuye normalmente.
El estimador de su matriz de varianzas y covarianzas,
= 1 ( )1 , es insesgado.
13
= 1 2 + (4.1)
= 0 + 1 2 +
0
=
1 + 1 +2 +
Su expresin es la siguiente:
= + 1
3
La funcin de produccin de elasticidad de sustitucin constante no tiene por qu ser
necesariamente homognea de grado uno, aunque en este trabajo se acepta ese supuesto por
simplicidad.
14
Elasticidad de sustitucin constante, positiva y menor que la unidad.
Teniendo en cuenta que la elasticidad de sustitucin del modelo viene
dada por la siguiente expresin4:
1
=
1+
4
Esta expresin se obtiene operando algebraicamente sobre la funcin de produccin a partir
de la definicin de elasticidad de sustitucin. La elasticidad de sustitucin se define, en este
caso, como la variacin porcentual que experimenta el ratio ptimo capital/trabajo al aumentar
un 1% el cociente del precio de los insumos trabajo y capital, es decir, el ratio salario/tipo de
inters.
15
Considerando el modelo no lineal (2.2), la suma de los cuadrados de los
residuos se expresa as:
() = 2 == ( ) =2
( ( , ))2 (4.2)
=1 =1 =1
Derivando la expresin (4.2) con respecto a cada uno de los parmetros que
componen la matriz e igualando a cero, obtenemos + 1 ecuaciones
normales:
() ,
= 2 , =0
0 =1 0
....
() ,
= 2 , =0
=1
= 1 2 +
() = ( 1 2 )2 (4.3)
=1
=2 1 2 2 = 0 2 = 1 22
1
=1 =1 =1
(4.4)
() 2 2 2 2 2 2 2
= 2 ( 1 1 )=0 = 1
2
=1 =1 =1
16
2. Las ecuaciones tienen incgnitas los estimadores- a ambos lados de la
igualdad y, por lo tanto, no podemos obtener soluciones explcitas de las
incgnitas en trminos de los valores conocidos.
17
toma el vector columna de parmetros y 0 y 2 0 el vector
gradiente y la matriz hessiana de la suma residual, respectivamente, evaluados
en 0 .
= 0 + 2 0 ( 0 ) = 0
Ahora, despejamos :
1
= 1 = 0 0 2 0 (4.5)
18
4.1.2. Propiedades del estimador de mnimos cuadrados no lineales.
19
estimado mediante MCNL -los cuales son asintticamente normales bajo las
suposiciones mencionadas anteriormente-, dichos estadsticos resultan vlidos
a medida que aumenta el tamao muestral.
5. ANLISIS DE RESULTADOS.
Para este caso prctico, hemos trabajado con dos bases de datos. En primer
lugar, las cifras relativas al PIB se han obtenido de la base de datos World
Economic Outlook de abril de 2015, correspondiente al FMI. Por su parte, los
datos del empleo y del capital han sido extrados de AMECO, la base de datos
de la Comisin Europea, actualizada, por ltima vez, el 5 de mayo de 2015.
= + + + (5.2)
5
Para ver las tablas y grficos, consultar Anexo.
20
= 2,6081 + 0,4982 + 0,5586
(4,4453) (9,4616) (5,6041)
0 : a
J B 22
1 :
21
Anlisis de cambio estructural.
El anlisis grfico nos lleva a pensar que, en efecto, hay cambio estructural y
en dos momentos diferentes: a principios de la dcada de los 90 en torno a
1991, 1992 y 1993- y a finales de la primera dcada del siglo XXI alrededor de
2008 y 2009-. La lgica econmica refuerza esta hiptesis, ya que los cambios
estructurales estn asociados a las dos ltimas crisis econmicas vividas en
nuestro pas.
1 = 1 + 1 + 1 + 1
6
Hemos escogido estos dos aos ya que, a pesar de que dudbamos entre varias fechas
cercanas a ellas, eran stas para las cuales se aceptaba, con mayor rotundidad la hiptesis de
cambio estructural o inestabilidad de los coeficientes
22
2 = 2 + 2 + 2 + 2
3 = 3 + 3 + 3 + 3
1 2 3
1 2
0 : = = 3
1 2 3 6
26
1 2 3
1 : 1 2 3
1 2 3
Construimos, entonces, dos variables ficticias que permitan distinguir los tres
periodos dentro de la serie temporal 1980-2014:
= + + + a1 1 + a2 1 + a3 1
(5.3)
+ a4 2 + a5 2 + a6 2 +
23
2 = 0,997802; = 5,5441; = 5,1452; = 0
Es probable que, aunque las variables ficticias sean necesarias para recoger el
cambio estructural, stas no afecten a todos los coeficientes del modelo, sino
slo a algunos. Es por ello que debemos hacer una seleccin de variables.
= + + + 1 1 + 2 1 + 4 2
(5.4)
+ 5 2 + 6 2 +
= + + + a1 1 + a2 1 + a4 2
(5.5)
+a6 2 +
24
El ajuste de la regresin (5.5) mejora con respecto al modelo (5.4). El
coeficiente de determinacin ajustado es mayor y los estadsticos Akaike y
Schwarz tambin se hacen ms pequeos mejoran-. A pesar de ello
probamos a prescindir de 2.
= + + + a1 1 + a2 1 + a4 2 + (5.6)
Optamos, por lo tanto, por quedarnos con el modelo (5.5), que adopta tres
especificaciones, una para cada periodo descrito anteriormente:
= + + +
= + a1 + + a2 + +
De 2008 a 2014 1 = 1; 2 = 1 :
= + a1 + a4 + + a2 + ( + a6 ) +
25
primero (1980-1990). Anlogamente, el coeficiente a6 hace referencia a la
diferencia, en puntos porcentuales, en la elasticidad del PIB frente al factor
trabajo entre el ltimo periodo (2008-2014) y los dos anteriores (1980-2007).
Anlisis de multicolinealidad.
2
,1,1 ,2,2 = 0,9277
2
1 1 , ,1 ,2,2 = 0,9994
2
1 1 , ,1,2,2 = 0,9999
2
2 2 , ,1,1 ,2 = 0,9999
2
2 2 , ,1,1 ,2 = 0,9999
Por ltimo, establecemos una medida relativa del tamao de la varianza de los
estimadores: el denominado factor de inflacin de la varianza. Se trata de un
indicador que refleja cunto aumenta la varianza de un estimador con respecto
al caso en el que no existiera ningn tipo de correlacin entre regresores. Su
expresin genrica es la siguiente:
1
=
1
26
Estimador Factor inflacin varianzas
82,6446
13,8312
a1 1666,7
a2 2000
a4 10000
a6 10000
Anlisis de heteroscedasticidad.
El test es el siguiente:
0 : a
2
= 2
1 :
Tal y como se recoge en la TABLA A.7, Eviews plantea esta regresin auxiliar:
2 = b0 + b1 + b2 2 + b3 + b4 1 + b5 1
+b6 2 + b7 (2 ) + b8 + b9 1
+b10 2 + b11 (2 ) + b12 1 +
2
Para un valor crtico 12 = 21, no rechazamos la hiptesis nula, puesto que el
2
estadstico de White obtenido, = , es 17,3058. Concluimos, por
27
tanto, que la regresin (5.5) no presenta heteroscedasticidad, es decir, la
varianza de su perturbacin es constante a lo largo del tiempo. Podemos
confirmar que, por el momento, nos encontraramos ante un modelo de
regresin lineal clsico en el que los estimadores MCO cumplen todas las
propiedades deseables, siempre que se cumplan las dems hiptesis clsicas.
Anlisis de autocorrelacin.
Para el estudio de autocorrelacin del modelo (5.5) nos ayudamos del mtodo
grfico correlogramas- y de los contrastes de Durbin-Watson y Breusch-
Godfrey.
= 1 +
0 : = 0 = 1,884
1 : > 0 < 0 = 1,097
= 1 1 + + + + a1 1 + a2 1 + a4 2
+a6 2 +
0 : 1 = 0 a
2
= 12
1 : 1 (1)
28
2
En la TABLA A.8, obtenemos = = 17,1075, una cantidad mucho
mayor que el valor crtico 12 . Es por ello que rechazamos la hiptesis nula, por
lo que la perturbacin de la regresin (5.5) puede seguir un esquema (1)
(1).
= 1 1 + 2 2 + + + + a1 1 + a2 1 + a4 2
+a6 2 +
0 : 2 = 0
1 : 2 0 26
1 = 1 + 1 + 1
+a1 1 11 + a2 1 11 1 + a4 2 21 (5.7)
+a6 2 21 1 + ( 1 )
29
= 0,8948 0,1546 + 0,7708 0,45811 + 0,06111 + 0,57432
0,7923 0,8236 9,65 0,4750 0,4747 0,4146
0,05742 = 0,9662
,
0,4140 (72,5047)
= 7,1728; = 6,8137; = 0
Los estadsticos Akaike y Schwarz indican una notable mejora del ajuste de la
regresin (5.7) con respecto al modelo (5.5). No obstante, encontramos graves
incoherencias entre la significacin de la regresin y las significaciones
individuales de las variables explicativas. Adems, debemos contrastar, a
travs de Breusch-Godfrey, si sigue existiendo autocorrelacin en el nuevo
modelo.
= 1 1 + + + + a1 1 + a2 1 + a4 2 + a6 2 +
0 : 1 = 0
= 12
1 : 1 (1)
= 1 1 + 2 2 + + + + a1 1 + a2 1 + a4 2 + a6 2 +
0 : 1 = 2 = 0
= 22
1 : 2 (2)
30
Conclusin.
De 2008 a 2014 1 = 1; 2 = 1 :
31
Tal y como observamos, los parmetros de las variables y son
positivos y cercanos a la unidad, lo que es perfectamente compatible con la
Teora Econmica. Tambin, los valores de son positivos y coherentes con
las propiedades tericas de la funcin de produccin Cobb-Douglas para todos
los periodos.
6. CONCLUSIONES.
Como hemos visto, entre los modelos de regresin no lineales, hay aquellos
que pueden ser linealizados de manera sencilla aplicando las siempre
recurrentes transformaciones logartmicas los denominados modelos
intrnsecamente lineales-, mientras que otros no pueden linealizarse mediante
simples transformaciones hablamos de los modelos intrnsecamente no
lineales-.
32
El criterio de estimacin propuesto que todos los modelos de regresin
descritos anteriormente siguen es el de minimizacin de su suma residual. No
obstante, mientras que las regresiones intrnsecamente lineales, bajo
cumplimiento de las hiptesis clsicas, pueden estimarse directamente
mediante mnimos cuadrados ordinarios, los modelos no lineales en sentido
estricto requieren tcnicas de estimacin ms sofisticadas y laboriosas que
utilizan algoritmos matemticos para su resolucin.
REFERENCIAS BIBLIOGRFICAS.
Corts Lpez, J. C.; Romero Bauset , J. V.; Rosell Ferragut, M. D. (s.f.). El rol
de las funciones polinmicas cbicas para representar adecuadamente los
costes totales en Economa. Recuperado el 7 de junio de 2015, de Facultad de
Administracin y Direccin de Empresas. Universidad Politcnica de Valencia:
https://riunet.upv.es/bitstream/handle/10251/12866/V1-
El%20rol%20de%20las%20funciones%20de%20coste%20cubicas%20en%20E
conomia.pdf?sequence=1.
33
Departamento de Economa: http://ocw.unican.es/ciencias-sociales-y-
juridicas/econometria/material-de-clase
34
Salmern, R. (s.f.). Modelos no lineales. Recuperado el 7 de julio de 2015, de
Universidad de Granada: http://www.ugr.es/~romansg/material/WebEco/Eco2-
Nolineales.pdf
35
ANEXO: TABLAS Y GRFICOS EVIEWS.
TABLAS.
TABLA A.1........................................................................................................ 37
TABLA A.2........................................................................................................ 37
TABLA A.3........................................................................................................ 37
TABLA A.4........................................................................................................ 38
TABLA A.5........................................................................................................ 38
TABLA A.6........................................................................................................ 39
TABLA A.7........................................................................................................ 39
TABLA A.8........................................................................................................ 39
TABLA A.9........................................................................................................ 40
TABLA A.10...................................................................................................... 40
TABLA A.11...................................................................................................... 40
TABLA A.12...................................................................................................... 40
TABLA A.13...................................................................................................... 41
GRFICOS.
GRFICO A.1................................................................................................... 42
GRFICO A.2................................................................................................... 42
GRFICO A.3................................................................................................... 43
GRFICO A.4................................................................................................... 43
36
TABLAS.
TABLA A.1
Dependent Variable: LNY
Method: Least Squares
Sample: 1980 2014
Included observations: 35
TABLA A.2
Chow Breakpoint Test: 1991 2008
Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1980 2014
TABLA A.3
Dependent Variable: LNY
Method: Least Squares
Sample: 1980 2014
Included observations: 35
37
TABLA A.4
Dependent Variable: LNY
Method: Least Squares
Sample: 1980 2014
Included observations: 35
TABLA A.5
Dependent Variable: LNY
Method: Least Squares
Sample: 1980 2014
Included observations: 35
38
TABLA A.6
Dependent Variable: LNY
Method: Least Squares
Sample: 1980 2014
Included observations: 35
TABLA A.7
Heteroskedasticity Test: White
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1980 2014
Included observations: 35
Collinear test regressors dropped from specification
TABLA A.8
Breusch-Godfrey Serial Correlation LM Test:
39
TABLA A.9
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Sample: 1980 2014
Included observations: 35
Presample missing value lagged residuals set to zero.
TABLA A.10
Dependent Variable: LNY
Method: Least Squares
Sample (adjusted): 1981 2014
Included observations: 34 after adjustments
Convergence achieved after 32 iterations
TABLA A.11
Breusch-Godfrey Serial Correlation LM Test:
TABLA A.12
Breusch-Godfrey Serial Correlation LM Test:
40
TABLA A.13
Dependent Variable: LNY
Method: Least Squares
Sample: 1980 2014
Included observations: 35
Newey-West HAC Standard Errors & Covariance (lag truncation=3)
41
GRFICOS.
GRFICO A.1
7
Series: Residuals
Sample 1980 2014
6
Observations 35
5
Mean -8.88e-16
Median 0.007988
4 Maximum 0.041478
Minimum -0.062087
3 Std. Dev. 0.033074
Skewness -0.370630
2 Kurtosis 1.816751
1
Jarque-Bera 2.843086
Probability 0.241341
0
-0.06 -0.04 -0.02 0.00 0.02 0.04
GRFICO A.2
-4
-8
-12
1990 1995 2000 2005 2010
1.0
0.8
0.6
0.4
0.2
1990 1995 2000 2005 2010
1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
1990 1995 2000 2005 2010
42
GRFICO A.3
.08
.06
.04
.02
.00
-.02
-.04
-.06
-.08
1985 1990 1995 2000 2005 2010
GRFICO A.4
43