UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE CIENCIAS ECONOMICAS

ESCUELA PROFESIONAL DE ECONOMIA

Econometra II - 2016-II
Ecuaciones Simultaneas:
Caso prctico ecuaciones simultneas: determinacin de condicin de rango
Dr.(c) Carlos Palomares Palomares

Diciembre 2016

1
ndice

1. Sistemas de Ecuaciones: ...................................................................................... 3

1.1. Cuestiones fundamentales en modelos de ecuaciones simultneas .................. 3
1.2. Endogeneidad y causalidad ................................................................................. 5
1.3. Una notacin general para modelos de ecuaciones simultaneas ....................... 7
1.4. El problema de la identificacin .......................................................................... 8
1.4.1. Condiciones de rango y de orden para la identificacin ................................... 10
2. Identificacin de Sistema de ecuaciones........................................................... 14
3. Condicin de orden ........................................................................................... 15
4. Condicin de rango............................................................................................ 16
4.1. Matrices del sistema de ecuaciones .................................................................. 16
4.2. Clculo de Ri....................................................................................................... 17
4.3. Clculo de Ri .................................................................................................... 18
4.4. Resultado de condicin de rango ...................................................................... 20

2
1. Sistemas de Ecuaciones:

Modelos de ecuaciones simultaneas Hasta ahora hemos estudiado el modelo lineal

general uniecuacional, que relaciona una variable dependiente con una combinacin
lineal de varias variables independientes ms una perturbacin estocstica. En esta
relacin estadstica se supone que las variables independientes son ortogonales al
trmino de error. Este supuesto implica una relacin causa-efecto: las variables
independientes causan a la variable dependiente, pero los cambios de la variable
dependiente (en respuesta a los factores recogidos en el trmino de error) no tiene
efectos sobre las variables explicativas. Sin embargo, este tipo de relaciones
unidireccionales son raras en economa, porque las variables econmicas estn
interrelacionadas. Por ejemplo, la microeconoma nos dice que los precios y las
cantidades se determinan simultneamente (conjuntamente) en los mercados.
Similarmente, la macroeconoma nos dice que la renta y el nivel de precios de una
economa se determinan simultneamente por la interaccin de la oferta y demandas
agregadas. En este captulo extendemos el modelo lineal general considerando varias
variables dependientes interrelaccionadas que a su vez dependen de un conjunto de
variables independientes. Cada variable dependiente tiene una ecuacin especifica que
expresa su relacin con el resto de variables dependientes y con el conjunto de variables
independientes. El sistema de ecuaciones se denomina modelo de ecuaciones
simultaneas.

Esta temtica considera cuestiones que surgen en la interpretacin y estimacin de los

modelos multiecuacionales. Aqu se describe el mbito de trabajo general utilizado para
analizar sistemas de ecuaciones simultneas y se exponen algunos ejemplos. La mayor
parte del anlisis de estos modelos se centra en los problemas de estimacin. Pero
incluso, antes que el problema de estimacin, se considera, la cuestin fundamental de
si los parmetros de inters son estimables y pueden resolverse con la identificacin de
las ecuaciones.

1.1. Cuestiones fundamentales en modelos de ecuaciones simultneas

En ese sentido, se presenta la terminologa bsica y las cuestiones estadsticas en el

anlisis de los modelos de ecuaciones simultneas. Para ello, se expresan algunos
ejemplos sencillos, que describen el marco del trabajo general, realizado en la
investigacin como parte de la Tesis.

Uno de los ejemplos clsicos de un sistema de ecuaciones simultneas es el modelo

del equilibrio de mercado, que se puede expresar de la siguiente forma generalizada
y universalmente conocida:

Ecuacin de demanda: = 1 + 2 + (01)

Ecuacin de oferta: = 1 + (02)

Condicin de equilibrio: = = (03)

En Green; W. (2003), con estas ecuaciones estructurales, que se derivan a partir de

la teora y que describen un aspecto particular de la economa. Pueden analizarse de
manera conjunta el precio y la cantidad, describiendo variables denominadas
dependientes o endgenas e independientes o exgenas. As por ejemplo, el ingreso
y se supone determinada fuera del modelo, lo que la hace exgena. Las

3
perturbaciones se aaden a la descripcin usual de los textos para la obtencin del
modelo economtrico. Las tres ecuaciones son necesarias para determinar el precio
y la cantidad en equilibrio, y por tanto el sistema es interdependiente para que pueda
tener solucin matemtica y econmica. Como la solucin del precio y la cantidad de
equilibrio en trminos del ingreso y las perturbaciones, efectivamente existe (a
menos que 1 sea igual a 1 ), el sistema se denomina sistema de ecuaciones
completo. Para que un sistema de ecuaciones sea completo, se requiere que el
nmero de ecuaciones iguale el nmero de variables endgenas. Como regla general,
no es posible estimar los parmetros de un sistema incompleto.

Dado que el inters se centra en la estimacin de la elasticidad de la demanda 1 .

Por simplicidad, se supondr que d y s tiene un comportamiento, como
perturbaciones respecto a:

[ ] = [ ] = 0
2
[ ] = 2 , [
2]
= 2 , [ ] = 0

[ ] = [ ] = 0 (04)

Todas las variables estn mutuamente no correlacionadas con observaciones en

diferentes periodos de tiempo. Precio, cantidad e ingreso estn medidos en
logaritmos y en desviaciones respecto a su media muestral.

Resolviendo las ecuaciones para p y q en trminos de y, y d , y s se determina la

forma reducida del modelo.
2
= + = 1 + 1 (05)
1 1 1 1

1 1
= 1
2
+ 1 1
= 2 + 2 (06)
1 1

De lo anterior, se deduce que Cov[p, d ] = 2d /(1 1 ), y por lo tanto la ecuacin

de demanda no satisface los supuestos del modelo clsico. La elasticidad-precio no
puede ser estimada consistentemente por la regresin de mnimos cuadrados
ordinarios. Este resultado es caracterstico de los modelos de ecuaciones
simultneas. Al estar las variables endgenas correlacionadas con las perturbaciones,
las estimaciones de mnimos cuadrados de los parmetros de las ecuaciones con
variables endgenas de la parte derecha son inconsistentes.

Si se supone que se tiene una muestra de T observaciones de p, q, e y tales que:

1
= 2 (07)

Al ser los mnimos cuadrados inconsistentes, se puede utilizar en cambio un

estimador de variables instrumentales. La nica variable del sistema que no est
correlacionada con las perturbaciones es y. Considerando entonces, el estimador
1 = q y/p y. Este estimador tiene, la siguiente forma:
/ 1 2 /(1 1 )
1 = /
= 2 /(1 1 )
= 1 (08)

4
 Es evidente, que el parmetro de la curva de oferta puede estimarse utilizando un
conjunto de variables instrumentales. Hay dos recomendaciones tiles de este
resultado. Primero, se observa que:

1 = 11 = (09)
12

Luego, el estimador es el cociente de las estimaciones MCO de 1 y 2 . Esta tcnica,

se denomina como mnimos cuadrados indirectos. Segundo, en la regresin mnimo
cuadrtica de p en y y, las predicciones son:

= ( ) (10)

Se deduce que en la regresin de variables instrumentales el instrumento es p. Es

decir:


1 = (11)

Luego, por ser p q = p p , 1 , es tambin la pendiente en la regresin de q en estos

valores de prediccin. Esta interpretacin define el estimador de mnimos cuadrados
bietpico.

1.2. Endogeneidad y causalidad

La diferencia entre variables exgenas y endgenas en un modelo es sutil y a veces

controvertida. Este es el objeto de una amplia literatura. Por ello, se plantea
brevemente, la distincin de una manera econmica til, en trminos de si una
variable del modelo, podra esperarse que variara razonablemente de forma
autnoma, independientemente de las otras variables del modelo. As, en un modelo
de oferta y demanda, la variable monxido de carbono, en una ecuacin de oferta
parece ser obviamente exgena en sentido puro, para la determinacin del precio y
cantidad, mientras que el precio corriente, es claramente endgeno en cualquier
construccin razonable de mercado. Sin embargo, esta clasificacin ntida, es de una
utilidad bastante limitada en macroeconoma, donde casi ninguna variable, puede
decirse que sea exgena, en la forma que la mayora de los observadores entendera
el trmino.

Esto ha conducido a la sociedad, para bien o para mal, a extraer la distincin buscada
bsicamente con criterios estadsticos.

En el contexto de un modelo nuevo, existe la tentacin de caracterizar la

Endogeneidad en trminos de la correlacin con perturbaciones en las ecuaciones.
Pero como se puede observar, esa es una distincin falsa. Considerando el modelo
sencillo:

1 = + 1 2 + 1 (12)

2 = + 2 1 + 2 (13)

Donde (y1 , y2 ), son endgenas por la descripcin que se di antes y (X, Z), son
exgenas. Suponga que (X, Z, 1 , 2 ) estn normalmente distribuidas, luego la forma
reducida puede expresarse:

5
 1 = 1 + 1 + 11 1 + 12 2
{ }o bien = [, , 1 , 2 ] (14)
2 = 2 + 2 + 21 1 + 22 2
Luego el vector [y, x, z, 1 , 2 ], tiene una distribucin conjunta normal. Adems, se
sabe que en una distribucin normal multivariante, las distribuciones condicionales
tambin son normales, con medias condicionales que son lineales en las variables
y
condicionales. Luego se puede escribir E[ 1x, y2 ] = x + y2 , donde y son
funciones de (, , 1 , 2), o bien:

1 = + 2 + 1 (15)

Donde y2 y 1 estn incorrelacionadas (en realidad, independientes) por

construccin. El resultado es que, desde este punto de vista, la endogeneidad es una
funcin de cmo se exprese el modelo. La forma de la regresin no es menos al
modelo que la estructura. Luego esto se evitara al ajustar la forma de regresin por
mnimos cuadrados y resolver para la estructura.

La metodologa en la literatura ha obtenido algn consenso en este tema. En el

anlisis final, se observan, las definiciones que formalizan la caracterizacin
econmica antes esbozada.

Engle et al. (1983), toman un conjunto de variables xt en un modelo paramtrico

como dbilmente exgenas. De all se desprende que si el modelo es completo,
puede expresarse en trminos de una distribucin de probabilidad marginal para xt
y una distribucin condicional para yt /xt , tal que la estimacin del conjunto de todos
los parmetros de la distribucin condicional, no sea menos eficiente que la
estimacin del conjunto de todos los parmetros de la distribucin conjunta. En este
contexto, se necesita este tipo de construccin, para obtener las formas reducidas
del modelo, en la forma ya evaluada.

En referencia a las aplicaciones para series temporales (aunque la nocin se extiende

tambin a datos de seccin cruzada), la variable se denomina predeterminada en
el modelo, si es independiente de todas las perturbaciones estructurales
posteriores + para > 0. Las variables que estn predeterminadas en un modelo
pueden ser tratadas, al menos asintticamente, como si fueran exgenas, en el
sentido de que pueden obtenerse estimadores consistentes cuando aparecen como
regresores.

Un concepto relacionado es la causalidad de Granger. La causalidad de Granger (un

tipo de retroalimentacin estadstica) desaparece cuando ( 1 , 1 ) es igual

a ( 1 ). Luego, la definicin manifiesta que en la distribucin condicional, los
valores retardados de no aaden informacin al explicar las variaciones de mas
all del que ofrecen los valores de por si mismos. Este concepto es til en la
construccin de modelos para predecir.

Finalmente, si es dbilmente exgena y si 1 no causa en el sentido de Granger

a entonces es fuertemente exgena.

6
1.3. Una notacin general para modelos de ecuaciones simultaneas

La forma estructural del modelo es:

11 1 + 21 2 + + 1 + 11 1 + + 1 = 1
12 1 + 22 2 + + 2 + 12 1 + + 2 = 2
..

1 1 + 2 2 + + + 1 1 + + = (16)

As, se desprende que hay M ecuaciones y M variables endgenas, designadas por

y1, y2, , yM , hay K variables exgenas x1, , xK ; las cuales pueden incluir valores
predeterminados de y1, y2, , yM tambin. El primer elemento de xt ser
frecuentemente la constante 1. Finalmente t1 , , tM son las perturbaciones
estructurales. El subndice t se utilizar para indicar las observaciones, t = 1, , T.
En trminos matriciales, el sistema puede expresarse:
11 12 1 11 12 1
21 22 2 2
[1 2 ] [ ] + [1 2 ] [ 21 22 ] = [1 2 ]

1 2 1 2
(17)

O bien

yt T + xt B = t (18)

Cada columna de las matrices de parmetros es el vector de coeficientes en una

ecuacin concreta, mientras que cada fila se aplica a una variable especifica. La teora
subyacente implicar un numero de restricciones sobre y . Una de las variables en
cada ecuacin se denomina la variable dependiente, y por tanto su coeficiente en el
modelo ser 1. As, habr al menos 1 en cada columna de . Esta normalizacin no
es una restriccin sustantiva. La relacin definida por una ecuacin dada no variar
si todos los coeficientes de la ecuacin son multiplicados por la misma constante.
Elegir una variable dependiente simplemente cambia esta indeterminacin. Si hay
identidades, las columnas correspondientes de y se conocern completamente,
y no habr perturbaciones en esta ecuacin. Al no aparecer todas las variables en
todas las ecuaciones, algunos de los parmetros sern cero. La teora puede tambin
imponer otros tipos de restricciones en las matrices de parmetros.

Un caso especial merece ser tenido en cuenta antes de seguir. Si es una matriz
triangular superior, el sistema se dice que es triangular. En este caso, el modelo es
de la forma:

yt1 = f1 (xt ) + t1
yt2 = f2 (yt1 , xt ) + t2
.

7
 .

ytM = fM (yt1 , yt2 , , yt,M1 , xt ) + tM (19)

Luego, la evaluacin conjunta de las variables en este modelo es recursiva. La primera

est completamente determinada por los factores exgenos. As, dada la primera, la
segunda se determina igualmente y as sucesivamente. Los aspectos temporales de
algunos procesos en la economa sugieren esta forma de modelo.

La solucin del sistema de ecuaciones que determina yt en trminos de xt y t es la

forma reducida del modelo.

= 1 + 1
= +
11 12 1
21 22 2
= [1 1 1 ] [ ] + [1 ] (20)
1 2

Donde:

= 1 (21)

= 1 (22)

Para que esta solucin exista, el modelo debe satisfacer la condicin del modelo
completo, luego es no singular.

1.4. El problema de la identificacin

Realizar el proceso de identificacin, precede a la estimacin. En este punto, salta la

pregunta si existe alguna forma de obtener estimaciones de los parmetros del
modelo. Se tiene disponible cierto volumen de informacin, en el cual se basa
cualquier inferencia sobre su estructura subyacente. Si una teora es consistente con
los mismos datos se dice que son equivalentes observables y no hay modo de
diferenciarlas.

La estructura se dice que est no identificada cuando se presenta como el primer

grfico, mientras que en el segundo y tercero si presentan estructuras definidas.

Grfico N 1: Equilibrio de Mercado

P P P
S2 S3
S1
S

3 D3
D3
2 D2
1 D1 D2
D1
Q Q Q

8
El problema de la identificacin no es por el tamao de la muestra. Para clarificar
conceptos, es til suponer que se dispone de una muestra infinita de observaciones
de las variables del modelo.

En la forma reducida,

= + , [ ] = , (23)

Las variables predeterminadas estn no correlacionadas con las perturbaciones. As,

se puede observar.
1

= (24)
1 1

=
( + ) = , (25)
1 1
= ( + )( + V) = + . (26)

Luego; , la matriz de coeficientes de la forma reducida, es observable:

1
= [ (
)] [ ( )] (27)

Esto es simplemente la regresin por mnimos cuadrados ecuacin por ecuacin de

en . Al ser observable, lo es tambin:
1
= [ ][ ] [ ] (28)

Esto es la matriz de varianzas y covarianzas residuales de los mnimos cuadrados. Por

consiguiente, y pueden estimarse consistentemente mediante la regresin por
mnimos cuadrados ordinarios de en .

La informacin disponible, sin embargo, consiste en , y cualquier otra informacin

extra que se tenga sobre la estructura, guarda correspondencia entre los parmetros
de la forma estructural y la forma reducida de las relaciones

= 1 y = [ ] = ( 1 ) 1 . (29)

Si fuera conocida, se podra deducir como y y . Podra parecer, no

obstante, que los problemas se reducen a obtener . Esto tiene sentido. Si fuera
conocida, se podra reescribir agrupando las variables endgenas con sus respectivos
coeficientes en la parte izquierda de la regresin, y estimar el resto de los coeficientes
desconocidos de las variables predeterminadas por mnimos cuadrados ordinarios.

Suponga que la verdadera estructura es [, , ], ahora considera una sustituta,

= ,
. + (30)

Luego, la forma reducida queda expresada del siguiente modo:

=
1 = 1 1 = , (31)

9
 Y, del mismo modo = . La estructura falsa parece ser exactamente como la
verdadera, al menos en trminos de la informacin que se tiene. Estadsticamente
no se tiene un modo de distinguirlas eficazmente.

Las estructuras son observables equivalentes, por ser elegida arbitrariamente, as

se concluye que cualquier transformacin no singular de la estructura original tiene
la misma forma reducida. Cualquier razn que se pudiera tener para el optimismo se
desvanece. Como muestra el modelo, no hay medios por los cuales puedan deducirse
los parmetros estructurales a partir de la forma reducida. La implicacin prctica es
que la nica informacin que se tiene son los parmetros de la forma reducida, as
que el modelo no es estimable.

El estudio precedente ha considerado dos mtodos equivalentes para establecer la

identificabilidad. Si es posible deducir los parmetros estructurales a partir de los
parmetros de la forma reducida conocida, el modelo est identificado.
Alternativamente, se puede demostrar que ninguna estructura falsa es admisible (es
decir, satisface las restricciones tericas) entonces el modelo est identificado.

1.4.1. Condiciones de rango y de orden para la identificacin

Es conveniente resumir lo que se ha establecido hasta el momento. Los parmetros

estructurales desconocidos son:

= Una matriz no singular ,

= Una matriz de parmetros ,

=Una matriz simtrica definida positiva .

Simplemente contando los parmetros de las formas estructural y reducida nos da

un exceso de:
1 1
= 2 + + 2 ( + 1) 2 ( 1) = 2 , (32)

Lo cual es, como podra esperarse tras los resultados anteriores, el nmero de
elementos desconocidos de . Sin mas informacin, la identificacin es claramente
imposible.

La informacin adicional proviene en varias formas.

Normalizacin: En cada ecuacin, una variable tiene un 1 como coeficiente. Esta

normalizacin es una escala necesaria de la ecuacin, que lgicamente es
equivalente a colocar una variable en la parte izquierda de la regresin. Para
propsitos de identificacin (y para algunos mtodos de optimizacin), la eleccin
entre las variables endgenas es arbitraria. Pero una vez formulado el modelo,
cada ecuacin tendr, a menudo, alguna variable dependiente natural. La
normalizacin no identifica la variable dependiente en ningn sentido formal o
causal. Por ejemplo, en un modelo de oferta y demanda de cualquier bien o
servicio, tanto la ecuacin de demanda = (, ) como la de demanda
inversa, = (, ), son especficamente adecuadas de las relaciones entre
precio y cantidad. Se puede apreciar, sin embargo, lo siguiente:

10
 Como en las normalizaciones, hay ( 1), no 2 , valores indeterminados en
, y el mismo nmero de indeterminaciones en el modelo, que deben resolverse
a travs de informacin extra-muestral.

Identidad: En algunos modelos, las definiciones de las variables, o las condiciones

de equilibrio, implican que todos los coeficientes de una ecuacin particular, son
conocidos y guardan un comportamiento de acuerdo al evento que reflejan. En el
ejemplo precedente del mercado, hay tres ecuaciones, pero la tercera es la
condicin de equilibrio = . El modelo de Klein I1 que contiene seis
ecuaciones, incluyendo dos identidades contables y la condicin de equilibrio. No
hay problema de identificacin con respecto a las identidades. Pueden tratarse
como ecuaciones adicionales en el modelo, como es tpico en los modelos de
oferta y demanda.

La considerable informacin muestral que se utilizar en la identificacin, consistir

en evaluaciones que abarca lo siguiente:

Exclusin: La omisin de variables de una ecuacin coloca ceros en y . En el

ejemplo anterior, la exclusin del ingreso de la ecuacin de oferta se utiliz para
estimar sus parmetros.

Restricciones no lineales: Las restricciones en los parmetros estructurales puede

utilizarse tambin para rechazar estructuras falsas. Por ejemplo, un problema que
ha perdurado largo tiempo en la estimacin de modelos de produccin, utilizando
datos de series temporales, es la incapacidad de separar los efectos de economas
de escala de los de cambios tecnolgicos. En algunos procedimientos, la solucin
es suponer que hay rendimientos constantes de escala, para de ese modo
identificar los efectos producidos por el cambio tecnolgico.

Restricciones en la matriz de covarianzas de las perturbaciones. En la

identificacin de un modelo, son semejantes a las restricciones en los parmetros
de las pendientes. Por ejemplo, si el modelo anterior de mercado, fuera aplicado
a un entorno microeconmico, sera razonable suponer que las perturbaciones
estructurales en estas ecuaciones de oferta y demanda estn no correlacionadas.

No linealidad: En muchos modelos, las variables y/o los parmetros aparecen de

modo no lineal. Por ejemplo, una variable puede aparecer tanto en niveles como
en logaritmos. O puede haber restricciones no lineales en los coeficientes. Aunque
esto frecuentemente complicar mucho el anlisis, las no linealidades pueden
ayudar a la identificacin.

Para formalizar los criterios de identificacin, se requiere de una notacin para una
sola ecuacin. Los coeficientes de la ecuacin j-sima estn contenidos en las j-
simas columnas de y .

1
Modelo de Macroeconoma, trabajada con una base de datos de 1921 a 1941.

11
La ecuacin j-sima es:

j + x j = j . (33)

Al eliminarse el subndice de la informacin en esta ecuacin, se propicia que (1) uno

de los elementos de es 1 y (2) algunas variables que aparecen en alguna parte del
modelo se han excluido de esta ecuacin. Luego, la ecuacin puede expresarse
como:

= + + + + . (34)

Las exclusiones implican que = 0 y = 0. As:

= [1 0] y = [ 0] (35)

Cuadro N 1: Componentes de la ecuacin j

Variables endgenas Variables exgenas

Incluidas = variables = variables

Excluidas = variables = variables

El nmero de ecuaciones es + + 1 = .

El nmero de variables exgenas es + = .

El coeficiente de en la ecuacin es uno.

Se asocia siempre con variables excluidas.

Para esta ecuacin, se particiona la matriz de coeficientes de la forma reducida del

mismo modo:
(1) ( ) ( )

[ ]

[ ] = [ ] [
]+[
] (36)

[ ]

La matriz de coeficientes de la forma reducida es:

= 1 (37)

Lo que implica que

= . (38)

La columna -sima de esta matriz se refiere a la ecuacin -sima,

j = j . (39)

Insertando los componentes a partir de la tabla queda:

12
 1

[ ] [ ] = [ ] (40)
0
0
Ahora se extrae las dos ecuaciones siguientes:

= ( ecuaciones) (41)

= 0 ( ecuaciones) (42)
(1) ( )

La solucin para en trminos de que se observa al principio de este estudio est

en la ecuacin que puede expresarse como:

= (43)

Estas son ecuaciones incgnitas. Si pueden resolverse para , (70) nos da la

solucin para y la ecuacin est identificada. Para que haya una solucin debe
haber al menos tantas ecuaciones como incgnitas, lo que nos conduce a la siguiente
condicin.

Condicin de orden para la identificacin de la ecuacin .

. (44)

El nmero de variables exgenas excluidas de la ecuacin debe ser al menos tan

alto como el nmero de variables endgenas incluidas en la ecuacin .

La condicin de orden es slo una regla de recuento. Es una coordinacin necesaria

pero no suficiente para la identificacin. Esto asegura que se tiene al menos una
solucin, pero no asegura que tenga slo una solucin. La condicin suficiente para
unicidad es la que sigue.

Condicin de rango para la identificacin

Rango [ , ] = rango [ ] = (45)

Esta condicin impone una restriccin en una submatriz de la matriz de coeficientes

de la forma reducida o compacta.

La condicin de rango define exactamente una solucin para los parmetros

estructurales, dados los parmetros de la forma reducida. El mtodo alternativo para
el problema de la identificacin es utilizar las restricciones previas en [, ]para
desestimar estructuras no coherentes o adecuadas. Una condicin equivalente
basada en este mtodo es ms sencilla de aplicar y ms atractiva, por ser ms
intuitiva.

Primero se reordena los coeficientes estructurales en la matriz, forma bsica para

evaluar la condicin de rango.

13
 1 1
2

= [ ] = 0 3 = [ ] (46)

4
[ 0 5 ]
La -sima columna en una estructura falsa , [, ] (es decir la sustituta para
nuestra ecuacin ) sera[ , ], donde es la -sima columna de . Esta nueva
-sima ecuacin se construye como una combinacin lineal de la antigua y de las
otras ecuaciones del modelo. As, particionando como antes,
1 1 1
2
0
= 0 3 [ 1 ] = 0 (47)
4
[ 0 5 ] [0]

Si este hibrido al tener las misma variables que la original, debe tener elementos
distintos de cero en los mismos lugares, lo cual puede asegurarse tomando 0 = 1,
y ceros en las mismas posiciones que el original . Extrayendo la tercera y quinta
filas, para que sea admisible, debe cumplir el requisito.
3 1
[ ] = 0 (48)
5

Esto no es posible si la matriz ( + )( 1) entre corchetes tiene rango de

columna completo, por tanto se tiene la condicin de rango equivalente.
3
Rango [ ]=1 (49)
5
La condicin de orden correspondiente es que la matriz entre corchetes debe tener
al menos tantas filas como columnas. As + 1. Pero como = +
+ 1, esto es lo mismo que la condicin de orden. El estudio de la equivalencia de
las dos condiciones de rango, se puede realizar en los diferentes ejercicios.

Lo anterior proporciona un mtodo sencillo para comprobar las condiciones de rango

y orden.

Se necesita ordenar los parmetros estructurales en un cuadro y examinar las

submatrices relevantes una por una: 3 y 5 son los coeficientes estructurales en las
otras ecuaciones de las variables que han sido excluidas de la ecuacin .

2. Identificacin de Sistema de ecuaciones

El sistema de ecuaciones con el que trabajaremos es:

1 = 2 21 + 3 31 + 1 11 + 1
2 = 1 12 + 1 12 + 2 22 + 3 32 + 4 42 + 2
3 = 2 23 + 1 13 + 2 23 + 5 53 + 3

14
Si intentamos identificamos en color rojo los trminos faltantes en cada ecuacin obtenemos:

1 = 2 21 + 3 31 + 1 11 + 2 21 + 3 31 + 4 41 + 5 51 + 1
2 = 1 12 + 3 32 + 1 12 + 2 22 + 3 32 + 4 42 + 5 52 + 2
3 = 1 13 + 2 23 + 1 13 + 2 23 + 3 33 + 4 43 + 5 53 + 3

3. Condicin de orden

La condicin de orden del sistema es:

Variables excluidas
Condicin Situacin o
m-1
de orden Endgenas (y) Exgenas (x) Total: Ji estado final

Ecuacin 1 Ninguna x2, x3, x4, x5 0+4 3-1

Ecuacin 2 y3 x5 1+1 3-1
Ecuacin 3 y1 x3, x4 1+2 3-1

Donde:

Ji: Nmero de variables endgenas predeterminadas excluidas en la ecuacin

m: Nmero de ecuaciones del sistema

Adems, segn los valores de Ji y m-1 la situacin o estado final ser:

Ji = m-1 Ecuacin est exactamente identificada

Ji > m-1 Ecuacin est sobre identificada
Ji < m-1 Ecuacin est sub identificada

En el sistema de ecuaciones que analizamos tenemos que:

Ji Signo m-1
Ecuacin 1 4 > 2
Ecuacin 2 2 = 2
Ecuacin 3 3 > 2

Por lo tanto:

Variables excluidas
Condicin Situacin o estado
Endgenas Exgenas m-1
de orden Total: Ji final
(y) (x)
Ecuacin sobre
Ecuacin 1 0 4 4 2
identificada
Ecuacin exactamente
Ecuacin 2 1 1 2 2
identificada
Ecuacin sobre
Ecuacin 3 1 2 3 2
identificada

15
Para determinar el mtodo de estimacin requerido analizamos las siguientes condiciones en el
orden en que se muestran:

1. Si alguna ecuacin est sub identificada se estima mediante Mnimos Cuadrados en

Tres Etapas (MC3E).
2. Si alguna ecuacin est sobre identificada (y ninguna sub identificada) se estima
mediante Mnimos Cuadrados en Dos Etapas (MC2E).
3. Si todas las ecuaciones estn exactamente identificadas (ninguna sub ni sobre
identificada) se estima mediante Mnimos Cuadrados Indirectos (MCI).

El anlisis de la condicin de orden indica que el mtodo de estimacin recomendado es el de

MC2E.

4. Condicin de rango
4.1. Matrices del sistema de ecuaciones

El sistema en trminos matriciales sera:

= +
Adems:

Nmero de ecuaciones: 3 (m=3)

Cantidad de Yi: 3 (=3)
Cantidad de Xi: 5 (k=5)

Luego, las matrices generadoras son:

y11 y12 y13

Y= y21 y22 0 = y1 y2 y3
0 y32 y33
*m = 3*3

x11 0 0 0 0
X= x21 x22 x23 x24 0 = x1 x2 x3 x4 x5
x31 x32 0 0 x35
*k = 3*5

e11 e12 e13

e= e21 e22 0
0 e32 e33
*m = 3*3

011 012 013

0= 021 022 023

16
 031 032 033
*m = 3*3

11 12 0
= 21 22 23 = 1 2 3
31 0 33
m*m = 3*3

11 12 13
0 22 23
= 0 32 0
0 42 0
0 0 53
k*m = 5*3

4.2. Clculo de Ri

El Ri se construye ecuacin por ecuacin, por lo que se presenta los principales resultados de
cada caso.

Ecuacin 1:

Nmero de filas: variables excluidas de la ecuacin: 4

Nmero de columnas: Nmero de variables del sistema: 8

0 0 0 0 1 0 0 0
R1= 0 0 0 0 0 1 0 0
0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 1
4*8

Anulamos las filas y columnas llenas de ceros, con lo que nos queda:

1 0 0 0
R1= 0 1 0 0
0 0 1 0
0 0 0 1
4*4

Queda una matriz de 4 filas * 4 columnas. El Ri lo determina el nmero de columnas de la matriz

resultante, en este caso 4.

R1= 4

17
Ecuacin 2:

Nmero de filas: variables excluidas de la ecuacin: 2

Nmero de columnas: Nmero de variables del sistema: 8

R2= 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 1
2*8

Anulamos las filas y columnas llenas de ceros, con lo que nos queda:

R2= 1 0
0 1
2*2

R2= 2

Ecuacin 3:

Nmero de filas: variables excluidas de la ecuacin: 3

Nmero de columnas: Nmero de variables del sistema: 8

1 0 0 0 0 0 0 0
R3= 0 0 0 0 0 1 0 0
0 0 0 0 0 0 1 0
3*8
Anulamos las filas y columnas llenas de ceros, con lo que nos queda:

1 0 0
R3= 0 1 0
0 0 1
3*3

R3= 3

4.3. Clculo de Ri

Se define la matriz :

=

(Se superponen las matrices, se suma el nmero de filas y el nmero de columnas permanece
constante).

18
 11 12 0
21 22 23
31 0 33
= 11 12 13
0 22 23
0 32 0
0 42 0
0 0 53
(5+3)*3 = 8*3

Para hallar los Ri realizo la multiplicacin de matrices correspondiente para cada caso. Uso las
matrices Ri originales, que cuentan con las filas/columnas de ceros.

R1 * = R1
4*8 8*3 4*3

0 22 23
R1 = 0 32 0
0 42 0
0 0 53
4*3

Anulamos las filas y columnas llenas de ceros, con lo que nos queda:
22 23
R1 = 32 0
42 0
0 53
4*2

Queda una matriz de 4 filas * 2 columnas. El Ri lo determina el nmero de columnas de la matriz

resultante, en este caso 2.

R1= 2

R2 * = R2
2*8 8*3 2*3

R2 = 31 0 33
0 0 53
2*3

19
Anulamos las filas y columnas llenas de ceros, con lo que nos queda:

R2 = 31 33
0 53
2*2

R2= 2

R3 * = R3
3*8 8*3 3*3

11 12 0
R3 = 0 32 0
0 42 0
3*3

Anulamos las filas y columnas llenas de ceros, con lo que nos queda:

11 12
R3 = 0 32
0 42
3*2

R3= 2

4.4. Resultado de condicin de rango

Hasta el momento tenemos los resultados de Ri y Ri:

Situacin o
Condicin
Rango (Ri) Rango (Ri) m-1 estado
de rango
final
Ecuacin 1 2 4 2
Ecuacin 2 2 2 2
Ecuacin 3 2 3 2

Adems, sabemos que para la condicin de rango el anlisis comparativo se realiza con las
siguientes expresiones:
< <
( ) 1 ( ) 1
> >
Si se dan los resultados:

20
 ( ) = 1 ( ) = 1

( ) = 1 ( ) > 1

( ) < 1

, = [ ]
((+))

En el presente caso tenemos

Rango Rango
Signo m-1 ^ Signo m-1
(Ri) (Ri)
Ecuacin 1 2 = 2 4 > 2
Ecuacin 2 2 = 2 2 = 2
Ecuacin 3 2 = 2 3 > 2

Por lo tanto:

Condicin Rango Rango

m-1 Situacin o estado final
de rango (Ri) (Ri)
Ecuacin 1 2 4 2 Ecuacin sobre identificada
Ecuacin exactamente
Ecuacin 2 2 2 2
identificada
Ecuacin 3 2 3 2 Ecuacin sobre identificada

El anlisis de la condicin de rango indica que el mtodo de estimacin recomendado es el de

MC2E. El resultado es el mismo que el de la condicin de orden.

21
5. Referencias Bibliogrficas

Damodar N. Gujarati.- Econometra.- Mc Graw-Hill - Tercera Edicin 1997.

Greene, William H.- Anlisis Economtrico. - Quinta Edicin. - Prentice Hall.- Madrid
2003
Jeffrey M. Wooldridge.- Introduccin a la Econometra Thomson Learning
Universidad Estatal de Michigan. 2001
Judge, George, et. al. An Information Theoretic an Approach to Econometrics.
Cambridge University Press. 2012.

22