Ejercicios resueltos sobre el modelo de Koyck(2011-I)
1) Supuestos o postulados sobre la
variable aleatoria del modelo de mínimos cuadrados ordinarios (MCO): el modelo
Yt = B0 + B0
Xt + ut
a)
Ut sigue una
distribución normal
b)
E( ut )= 0, Para
todo t
c)
Var(ut ) = E ( u2
) =σ2
d)
E( ut ut-1) = 0; para todo t
e)
Cov(ut Xt-1 ) = 0, para todo t
2) El no cumplimiento de los
supuestos anteriores da origen a los siguientes hechos:
·
El no cumplimiento del
supuesto c) origina el problema de heteroscedstiicidad
·
El no cumplimiento del
supuesto d) origina el problema de autocorrelacion
·
El no cumplimiento del
supuesto d), da estimadores inconsistentes
En primer
lugar, contar con un estimador insesgado nos asegura que el valor esperado de
nuestro cálculo coincide con el valor real del parámetro. Éste requisito es
fundamental a la hora de realizar una estimación, siendo la condición
sinequanon para seguir realizando algunas comprobaciones estadísticas
E( B ) = B
CONSISTENCIA:
Los
parámetros MCO son consistentes, es decir, que ampliando la muestra al total de
la población, el valor estimado coincide con el real o dicho de otra forma, que
cuando contamos con todos los datos, no una muestra, el cálculo de MCO da como
resultado los parámetros reales, un cálculo exacto, luego con varianza igual a
cero
Es decir:
Plim(B) = B = P lim((Var(B)) = 0
n --------> n---->
4) En el modelo de Koyck y el modelo
de expectativas adaptativas los estimadores serán insesgados e inconsistentes:
·
Para el modelo de Koyck:
El modelo de Koyck es : Yt = α + B0 Xt + λ Yt-1 + Vt; donde vt = ut
– λ ut-1
En el modelo de Koyck demostrar que
E( vt vt-1 ) = -λσ2
E( vt vt-1 )= E[(ut – λ ut-1)(
ut-1 – λ ut-2)]= E[ut
ut-1 - λut
ut-2 -λ u2t-1
+ λ ut-1 ut-2 ]
E[ut ut-1) - E(ut ut-2
) -λ E(u2t-1 )+ λ E( ut-1 ut-2 )= 0-0- λσ2+0
=- λσ2
·
Para el modelo de Koyck:
demostrar que Cov(vt Yt-1 ) = - λσ2
Cov( vt Yt-1 )= E(vt Yt-1 ) – Yt-1 Vt ( por definición de covarianza
= E(vt Yt-1 ) – Yt-1 E(Vt)
= E(vt Yt-1 )= E( vt (α + B0 Xt-1 + λ Yt-2 + Vt-1
) )= αE( Vt ) + B0Xt-1 E ( vt
)+ λ E( vt Yt-2) + E( Vt Vt-1 )=0+0+0
- λσ2
ð Cov( vt
Yt-1 )= - λσ2
5) Poner el siguiente modelo en
función de variables observables:
1)
Y*t = B0
+ B1 X*t + ut
2)
Es un modelo de ajuste de
existencias y es un modelo de expectativas
adaptativas, por lo cual se usara las hipótesis respectivas que son:
3)
X*t – X*t-1
= θ ( Xt – X*t-1 )=> X*t= θ Xt + (1-θ)X*t-1
4)
Yt - Yt-1 = δ ( Y*t – Yt-1) => Yt = δ Y*t + (1-δ ) Yt-1
5)
Reemplazando (1) en (4):
6)
Yt
= δ (B0
+ B1 X*t + ut) + (1-δ ) Yt-1 =>
Yt = δ (B0) + δ B1 X*t + δut + (1-δ ) Yt-1
7)
Reemplazando
(3) en (6)
8)
Yt
= δ (B0)
+ δ B1 (θ Xt + (1-θ)X*t-1
) + δut + (1-δ ) Yt-1
Yt = δ (B0) + δ θ B1
Xt + δ
B1 (1-θ)X*t-1
) + δut + (1-δ ) Yt-1
9)
Escribiendo (6) para el period0 (
t-1):
Yt-1 = δ (B0) + δ B1 X*t-1
+ δut-1
+ (1-δ )
Yt-2
10) Multiplicando
(9) por (1-θ)
(1-θ) Yt-1 = δ (B0)(1-θ) + (1-θ) δ B1 X*t-1 +(1-θ) δut-1 + (1-θ)(1-δ ) Yt-2
11) Restando
(10) de (8):
Yt - (1-θ)Yt-1
= δ (B0)- δ (B0)(1-θ)
+ δ θ B1 Xt + [(1-δ)Yt-1
-(1-θ)(1-δ ) Yt-2+ δut-(1-θ) δut-1
Yt = δ (B0)(θ) + δ θ B1 Xt
+ [(1-θ)+(1-δ)]Yt-1
- (1-θ)(1-δ ) Yt-2+
δut-(1-θ) δut-1
No hay comentarios:
Publicar un comentario