Modelos de ecuaciones simultáneas

Los modelos de ecuaciones simultáneas en cada ecuación para cada sistema tienen una
interpretación causal, ceteris paribus.

El ejemplo clásico de un MES es una ecuación de oferta y demanda para algunas mercancías o
insumos de producción (como mano de obra). Concretamente, sea hs las horas anuales de mano
de obra proporcionada por campesinos, medida a nivel nacional, y w el salario por hora promedio
que se ofrece a tales trabajadores. Una función simple de oferta de mano de obra es:

ℎ𝑠 = 𝛼1 𝑤 + 𝛽1 𝑧1

Donde z1 es alguna variable observable que afecta la oferta de mano de obra, por ejemplo, el
salario manufacturero promedio en la demarcación. El termino de error, u1, contiene otros factores
que afectan a la mano de obra.

El coeficiente α1 mide como cambia la oferta de mano de obra cuando el salario también cambia;
si hs y w están en forma logarítmica, α1 es la elasticidad de la oferta de mano de obra. Por lo
general, se espera que α1 sea positiva (aunque la teoría económica no descarta 𝛼1 ≤ 0).

Si z1 es el salario manufacturero, se espera que 𝛽1 ≤ 0: todos los demás factores iguales, si el

salario de manufactura aumenta, más trabajadores se dedicaran a la manufactura que a la
agricultura.

Al decidir cómo analizar estos datos, se debe comprender que se describen mejor por la
interacción de la oferta y la demanda de mano de obra. De acuerdo con el supuesto de la igualación
de la oferta y la demanda en los mercados de mano de obra, los valores de los salarios y las horas
trabajadas están en equilibrio.
Para describir como se determinan los salarios y las horas en equilibrio, es necesario introducir la
demanda de mano de obra, la cual se supone esta dada por:
ℎ𝑑 = 𝛼2 𝑤 + 𝛽2 𝑧2 + 𝑢2

Donde hd son las horas demandadas. Como con la función de la oferta, se grafican las horas
demandadas en función del salario, w, y z2 y u2 se mantienen fijas.

Ejemplo
Gasto y ahorro en vivienda

Suponga que una familia aleatoria en la población tiene gastos y ahorros en vivienda anuales que
están determinados de manera conjunta por:

ℎ𝑜𝑢𝑠𝑖𝑛𝑔 = 𝛼1 𝑠𝑎𝑣𝑖𝑛𝑔 + 𝛽10 + 𝛽11 𝑖𝑛𝑐 + 𝛽12 𝑒𝑑𝑢𝑐 + 𝛽13 𝑎𝑔𝑒 + 𝑢1

𝑠𝑎𝑣𝑖𝑛𝑔 = 𝛼2 ℎ𝑜𝑢𝑠𝑖𝑛𝑔 + 𝛽20 + 𝛽21 𝑖𝑛𝑐 + 𝛽22 𝑒𝑑𝑢𝑐 + 𝛽23 𝑎𝑔𝑒 + 𝑢2

Donde inc es el ingreso anual y educ y age se miden en anos. En un principio puede parecer que
estas ecuaciones son una forma sensible de ver como se determinan los gastos y ahorros en
vivienda. Pero es necesario preguntar, ¿qué valor tendría una de estas ecuaciones sin el otro?
Ninguna tiene una interpretación ceteris paribus debido a que housing (vivienda) y saving (ahorro)
se eligieron para la misma familia.
Sesgo de simultaneidad en MCO
Es útil ver, en un modelo simple, que una variable explicativa que está determinada de forma
simultánea con la variable dependiente.
Considere el modelo estructural de dos ecuaciones:
𝑦1 = 𝛼1 𝑦2 + 𝛽1 𝑧1 + 𝑢1
𝑦2 = 𝛼2 𝑦2 + 𝛽2 𝑧2 + 𝑢2
Para mostrar que y2 generalmente se correlaciona con u1, se resuelven las dos ecuaciones para y2
en términos de las variables exógenas y el término de error.
𝑦2 = 𝛼2 (𝛼1 𝑦2 + 𝛽1 𝑧1 + 𝑢1 ) + 𝛽2 𝑧2 + 𝑢2 (1)
(1 − 𝛼2 𝛼1 )𝑦2 = 𝛼2 𝛽1 𝑧1 + 𝛽2 𝑧2 + 𝛼2 𝑢1 + 𝑢2 (2)
Ahora, se debe plantear un supuesto acerca de los parámetros con el fin de resolver para y2:
𝛼2 𝛼1 ≠ 1
Si la condición (2) se mantiene, se puede dividir (1) entre (1 − 𝛼2 𝛼1 ) y se escribe y2 como:

𝑦2 = 𝜋21 𝑧1 + 𝜋22 𝑧2 + 𝑣2
Donde 𝜋21 = 𝛼2 𝛽1 /(1 − 𝛼2 𝛼1 ), 𝜋22 = 𝛽2 /(1 − 𝛼2 𝛼1 ) y 𝑣2 = (𝛼2 𝑢1 + 𝑢2 )/(1 − 𝛼2 𝛼1 ). La
ecuación.
Los parámetros π21 y π22 reciben el nombre de parámetros de la forma reducida, El error de la
forma reducida, v2, es una función lineal de los términos de error estructurales, u1 y u2. Como ni
u1 ni u2 están correlacionados con z1 ni z2, v2 tampoco está correlacionada con z1 ni z2.
Cuando 𝛼2 = 0 y u1 y u2 no están correlacionados, y2 y u1 tampoco están correlacionados.

Estos son requisitos muy fuertes: si 𝛼2 = 0 , y2 no se determina simultáneamente con y1. Si se

agrega una correlación cero entre u1 y u2, esto descarta las variables omitidas o los errores de
medición en u1 que estén correlacionados con y2.
Por ejemplo, suponga que la ecuación 𝑦1 = 𝛼1 𝑦2 + 𝛽1 𝑧1 + 𝑢1 se simplifica al descartar z1 de
la ecuación, y se supone que u1 y u2 no están correlacionados. Entonces, la covarianza entre y2
y u1 es:
𝛼2
𝐶𝑜𝑣(𝑦2 , 𝑢1 ) = 𝐶𝑜𝑣(𝑣2 , 𝑢1 ) = [ ] 𝐸(𝑢12 ) = [𝛼2 /(1 − 𝛼2 𝛼1 )]𝛼12
1 − 𝛼2 𝛼1
Donde 𝛼12 = 𝑉𝑎𝑟(𝑢𝑡 ) > 0. Por tanto, el sesgo asintotico (o inconsistencia) en el estimador de
MCO de α1 tiene el mismo signo que el𝛼2 /(1 − 𝛼2 𝛼1 ) . Si α2 > 0 y α2α1 < 1, el sesgo asintótico
es positivo.
Identificar y estimar una ecuación estructural
MCO es sesgado e inconsistente cuando se aplica a una ecuación estructural en un sistema de
ecuaciones simultaneas. Cuando se estima un modelo mediante MCO, la condición clave de
identificación es que ninguna variable explicativa este correlacionada con el termino de error.
Antes de considerar un MES general de dos ecuaciones, es útil considerar un simple ejemplo de
la oferta y la demanda para obtener una mayor comprensión. Escriba el sistema en su forma de
equilibrio (que es, con qs = qd = q impuesta) como:
𝑞 = 𝛼1 𝑝 + 𝛽1 𝑧1 + 𝑢1
𝑞 = 𝛼2 𝑝 + 𝑢1
Concretamente, sea q el consumo per cápita de leche a nivel nacional, sea p el precio promedio
por galón de leche en la demarcación y sea z1 el precio del forraje para ganado, que se supone
exógeno a las ecuaciones de la oferta y la demanda para la leche.
Extensión a un modelo general de dos ecuaciones:
𝑦1 = 𝛽10 + 𝛼1 𝑦2 + 𝑧1 𝛽1 + 𝑢1
𝑦2 = 𝛽20 + 𝛼2 𝑦1 + 𝑧2 𝛽2 + 𝑢2
Donde y1 y y2 son variables endógenas, y u1 y u2 son términos de error estructurales. El intercepto
en la primera ecuación es β10, y en la segunda es β20. La variable z1 denota un conjunto de k1
variables exógenas que aparecen en la primera ecuación: z1 =(z11,z12,...,z1k1) así mismo, z2 es el
conjunto de k2 variables exógenas en la segunda ecuación: z2 =(z21,z22,...,z2k2) en muchos casos,
z1 y z2 se traslaparan. En forma abreviada, se empleara la notación:

𝑧1 𝛽1 = 𝛽11 𝑧11 + 𝛽12 𝑧12 + ⋯ + 𝛽1𝑘1 𝑧1𝑘1

𝑧2 𝛽2 = 𝛽21 𝑧21 + 𝛽22 𝑧22 + ⋯ + 𝛽2𝑘2 𝑧2𝑘2

Es decir, z1β1 representa todas las variables exógenas en la primera ecuación, con cada una
multiplicada por un coeficiente, y de manera similar para z2 β2. (Algunos autores usan, en cambio,
la notación Z’1β1 y Z’2β2.
Ejemplo
Inflación y apertura

Romer (1993) propone modelos teóricos sobre la inflación que sugieren que los países mas
“abiertos” deberían tener tasas de inflación más bajas. Su análisis empírico explica las tasas de
inflación anuales promedio (desde 1973) en términos de la participación promedio de las
importaciones en el producto interno bruto (o nacional) desde 1973, la cual es su medida de
apertura. Además de estimar la ecuación clave mediante MCO, utiliza variables instrumentales.
𝑖𝑛𝑓 = 𝛽10 + 𝛼1 𝑜𝑝𝑒𝑛 + 𝛽11 log(𝑝𝑐𝑖𝑛𝑐) + 𝑢1
𝑜𝑝𝑒𝑛 = 𝛽20 + 𝛼2 𝑖𝑛𝑓 + 𝛽21 log(𝑝𝑐𝑖𝑛𝑐) + 𝛽22 log(𝑙𝑎𝑛𝑑) + 𝑢1
donde pcinc es el ingreso per cápita (en dólares de 1980 y se supone exógena) y land es la
extensión territorial del país, en millas cuadradas (también supuestamente exógena).
La ecuación primera ecuación es de interés, por su hipótesis de que α1 < 0. (Las economías más
abiertas tienen tasas de inflación menores.) La segunda ecuación refleja el hecho de que el grado
de apertura puede depender de la tasa de inflación promedio, así como de otros factores.
La variable log(pcinc) aparece en ambas ecuaciones, pero se supone que log(land ) aparece solo
en la segunda ecuacion. La idea es que, ceteris paribus, un país más pequeño tiende a ser más
abierto (así que β22 <0).
Sistemas con más de dos ecuaciones
Los modelos de ecuaciones simultáneas están compuestos de más de dos ecuaciones. Estudiar la
identificación general de estos modelos es difícil y requiere cálculos de algebra matricial. Una
vez que se ha mostrado una ecuación en un sistema general para ser identificada, se puede estimar
mediante MC2E.

Identificación en sistemas con tres o más ecuaciones

Se empleara un sistema de tres ecuaciones para ilustrar las cuestiones que surgen de la
identificación de MES complicados. Suprimiendo los interceptos, se escribe el modelo de la
siguiente manera:

𝑦1 = 𝛼12 𝑦2 + 𝛼13 𝑦3 + 𝛽11 𝑧1 + 𝑢1

𝑦2 = 𝛼21 𝑦1 + 𝛽21 𝑧1 + 𝛽22 𝑧2 + 𝛽22 𝑧3 + 𝑢2
𝑦3 = 𝛼32 𝑦2 + 𝛽31 𝑧1 + 𝛽32 𝑧3 + 𝛽34 𝑧4 + 𝑢3
Donde yg son las variables endógenas y zj son exógenas. El primer subíndice en los parámetros
indica el número de la ecuación y el segundo, el número de la variable; se usa _ para los
parámetros de las variables endógenas y β para las variables exógenas.
Estimación
Sin importar el número de ecuaciones en un MES, cada ecuación identificada puede estimarse
mediante MC2E. Los instrumentos de una ecuación en particular consisten en variables
exógenas que aparecen en cualquier parte del sistema.

Modelos de ecuaciones simultaneas con series de tiempo

Entre las primeras aplicaciones de MES estan las ecuaciones simultaneas de grandes sistemas que
se utilizaron para describir la economia de un pais. Un modelo keynesiano simple de la demanda
agregada (que ignora las importaciones y exportaciones) es:
𝐶𝑡 = 𝛽0 + 𝛽1 (𝑌𝑡 − 𝑇𝑡 ) + 𝛽2 𝑟𝑡 + 𝑢𝑡1 (1)
𝐼𝑡 = 𝛾0 + 𝛾1 𝑟𝑡 + 𝑢𝑡2 (2)
𝑌𝑡 = 𝐶𝑡 + 𝐼𝑡 + 𝐺𝑡 (3)
Ct = consumo Rt = la tasa de interés
Yt = ingreso It = inversión
Tt = impuestos Gt = gasto gubernamental
La primera ecuación es una función del consumo agregado, donde el consumo depende del
ingreso disponible, la tasa de interés y el error estructural inobservable ut1. La secunda ecuación
es una función muy simple de la inversión.
Debido a que existen tres ecuaciones en el sistema, también debe haber tres variables endógenas.
Dadas las dos primeras ecuaciones, es claro que se intenta que Ct e It sean endógenas. Además,
debido a la identidad contable, Yt es endógena.
Un segundo problema con un modelo como el (1) a (2) es que es completamente estático. En
especial con datos mensuales o trimestrales, pero incluso con datos anuales, suelen esperarse
rezagos de ajuste.
Permitir este tipo de dinámicas no es difícil. Por ejemplo, se puede agregar un ingreso rezagado
a la ecuación (1):
𝐼𝑡 = 𝛾0 + 𝛾1 𝑟1 + 𝛾2 𝑌𝑡−1 + 𝑢𝑡2
En otras palabras, se agrega una variable endógena rezagada (pero no It-1) a la ecuación de
inversión.
Si se agrega un consumo rezagado a (1), se puede tratar a Ct-1 como exógena en esta ecuación con
base en los mismos supuestos sobre ut1 que se hicieron para ut2 en el párrafo anterior. El ingreso
disponible actual sigue siendo endógeno en:
𝐶𝑡 = 𝛽0 + 𝛽1 (𝑌𝑡 − 𝑇𝑡 ) + 𝛽2 𝑟𝑡 + 𝛽3 𝐶𝑡−1 + 𝑢𝑡1 (4)

El siguiente ejemplo muestra cómo se pueden utilizar los datos agregados para probar una
importante teoría económica, la teoría del ingreso permanente del consumo, que por lo regular se
conoce como hipótesis del ingreso permanente (HIP).

Prueba de hipótesis del ingreso permanente

Campbell y Mankiw (1990) emplearon métodos de variables instrumentales para probar varias
versiones de hipótesis de ingreso permanente. Se usaran los datos anuales de 1959 a 1995 en
CONSUMP.RAW para imitar uno de sus análisis. Campbell y Mankiw emplearon datos
trimestrales hasta 1985. Una ecuación que Campbell y Mankiw estimaron (escrita con nuestra
notación) es:
𝑔𝑐𝑡 = 𝛽0 + 𝛽1 𝑔𝑦𝑡 + 𝛽2 𝑟3𝑡 + 𝑢𝑡 (5)
Donde
gct= Δlog(ct) = crecimiento anual en consumo real per capita
gyt = crecimiento en el ingreso real disponible
r3t = la tasa de interés (ex post) medida por el rendimiento en las tasas trimestrales del tesoro:
r3t =i3t - inft , donde la tasa de inflacion esta basada en el idice de precios al consumidor.
Las tasas de crecimiento de consumo e ingreso disponible no poseen tendencia y son débilmente
dependientes; se supondrá que este también es el caso para r3t así que se puede aplicar la teoría
estándar asintótica.
Cuando se estima (5) mediante MC2E, usando los instrumentos gc_1, gy_1 y r3_1 como variables
endógenas gyt y r3t, se obtiene:
𝑔𝑐
̂ 𝑡 = .0081 + .586𝑔𝑦𝑡 − .000027𝑟3𝑡
(. 0032) (. 135) (.00076)

𝑛 = 35 , 𝑅 2 = .678

Por tanto, la forma pura de HIP se rechaza fuertemente debido a que el coeficiente en gy es
económicamente grande (un incremento de 1% en el ingreso disponible aumenta el consumo en
más de .5%) y es estadísticamente significativo (t _=4.34).
Modelos de ecuaciones simultáneas con datos de panel
Los modelos de ecuaciones simultáneas también surgen en contextos de datos de panel. Por
ejemplo, se puede imaginar que se estiman ecuaciones de oferta salarial y de mano de obra.
El método básico para estimar MES con datos de panel implica dos pasos: 1) eliminar los efectos
inobservables de las ecuaciones de interés mediante la transformación de efectos fijos o la
primera diferencia y 2) encontrar variables instrumentales para aquellas endógenas en la ecuación
transformada. Esto puede ser muy difícil, pues para un análisis convincente es necesario hallar
instrumentos que cambien con el tiempo. Para ver por qué, escriba un MES para datos de panel
como:
𝑦𝑖𝑡1 = 𝛼1 𝑦𝑖𝑡2 + 𝑧𝑖𝑡1 𝛽1 + 𝑎𝑖1 + 𝑢𝑖𝑡1 (1)
𝑦𝑖𝑡2 = 𝛼2 𝑦𝑖𝑡2 + 𝑧𝑖𝑡2 𝛽2 + 𝑎𝑖2 + 𝑢𝑖𝑡2 (2)
Donde i denota el corte transversal, t el periodo y zit1β1 o zit2β2 denotan funciones lineales de un
conjunto de variables explicativas exógenas en cada ecuación.
El análisis más general permite que los efectos inobservables, ai1 y ai2, estén correlacionados con
todas las variables explicativas, incluso los elementos en z.
Suponga que interesa la ecuación (1). No se puede estimar por MCO, pues el error compuesto ai1
+uit1 se correlaciona potencialmente con todas las variables explicativas. Suponga que se realiza
la diferencia en el tiempo para eliminar el efecto inobservable, ai1:
∆𝑦𝑖𝑡1 = 𝛼1 ∆𝑧𝑖𝑡1 𝛽1 + ∆𝑢𝑖𝑡1
(Como con las diferencias o las desviaciones respecto a la media temporal, solo se pueden estimar
los efectos de las variables que cambian con el tiempo en al menos algunas unidades de corte
transversal.) Ahora, el término de error de esta ecuación no está correlacionado con Δzit1 por el
supuesto. Pero Δyit 2 y Δuit1 están correlacionados positivamente. Por tanto, se necesita una VI
para Δyit 2.
Ejemplo

Efecto de la población carcelaria en los índices de delitos violentos

Con el fin de estimar el efecto causal del incremento de la población carcelaria en el índice
delictivo a nivel estatal, Levitt (1996) utilizo casos de pleitos en prisiones sobrepobladas como
instrumentos del crecimiento en la población de la prisión. La ecuación que Levitt estimo es en
primeras diferencias; se puede escribir un modelo subyacente de efectos fijos como:
log(𝑐𝑟𝑖𝑚𝑒𝑖𝑡 ) = 𝜃𝑡 + 𝛼1 log(𝑝𝑟𝑖𝑠𝑜𝑛𝑖𝑡 ) + 𝑧𝑖𝑡1 𝛽1 + 𝑎𝑖1 + 𝑢𝑖𝑡1
Donde 𝜃𝑡 denota diferentes intercepto de tiempo, y crimen (delitos) y prison (población
carcelaria) se miden por cada 100,000 personas. (La variable de la población de la prisión se mide
sobre el último día del año anterior.)
El vector zit1 contiene el logaritmo de policías per cápita, el logaritmo de ingreso per cápita, la
tasa de desempleo, las proporciones de negros y personas que viven en áreas metropolitanas y las
proporciones de distribución por edades.
log(𝑐𝑟𝑖𝑚𝑒𝑖𝑡 ) = 𝜖𝑡 + 𝛼1 log(𝑝𝑟𝑖𝑠𝑜𝑛𝑖𝑡 ) + 𝑧𝑖𝑡1 𝛽1 + ∆𝑢𝑖𝑡1

Mediante el índice de delitos violentos y un subconjunto de datos de Levitt (en PRISON.RAW,

para los anos de 1980 a 1993, para 51*14 = 714 observaciones totales), se obtiene la estimación
combinada de MCO de α1, que es -.181 (ee = .048).
La estimación combinada de MC2E de α1 es -1.032 (ee = .370). Por tanto, el efecto estimado de
MC2E es mucho mayor; no es de sorprender que sea mucho menos preciso también. Levitt
encontró resultados similares cuando uso un periodo de tiempo mayor (pero sin las primeras
observaciones para algunos estados) y más instrumentos.