Modelo de equações simultâneas - Simultaneous equations model
Modelos de equações simultâneas são um tipo de modelo estatístico no qual as variáveis dependentes são funções de outras variáveis dependentes, em vez de apenas variáveis independentes. Isso significa que algumas das variáveis explicativas são determinadas em conjunto com a variável dependente, o que em economia geralmente é a consequência de algum mecanismo de equilíbrio subjacente . Pegue o modelo típico de oferta e demanda : embora normalmente se determine a quantidade fornecida e demandada como uma função do preço estabelecido pelo mercado, também é possível que o inverso seja verdadeiro, onde os produtores observam a quantidade que os consumidores demandam e em seguida, defina o preço.
A simultaneidade apresenta desafios para a estimativa dos parâmetros estatísticos de interesse, porque a suposição de Gauss-Markov de exogeneidade estrita dos regressores é violada. E embora seja natural estimar todas as equações simultâneas de uma vez, isso geralmente leva a um problema de otimização não linear de custo computacional, mesmo para o sistema mais simples de equações lineares . Essa situação levou ao desenvolvimento, liderado pela Comissão Cowles nas décadas de 1940 e 1950, de várias técnicas que estimam cada equação no modelo seriatim, mais notavelmente a verossimilhança limitada de máxima verossimilhança e os mínimos quadrados de dois estágios .
Forma estrutural e reduzida
Suponha que haja m equações de regressão da forma
onde i é o número da equação e t = 1, ..., T é o índice de observação. Nestas equações x que é o k i × um vector de variáveis exógenas, y que é a variável dependente, y -i, t é o n i × um vector de todas as outras variáveis endógenas que introduzir o i th equação na direita lado, e u -lo são os termos de erro. A notação “- i ” indica que o vetor y −i, t pode conter qualquer um dos y , exceto y it (uma vez que já está presente no lado esquerdo). Os coeficientes de regressão β i e γ i são de dimensões k i × 1 e n i × 1 correspondentemente. Empilhando verticalmente as observações T correspondentes à i ésima equação, podemos escrever cada equação em forma de vetor como
onde y i e u i são vetores T × 1, X i é uma matriz T × k i de regressores exógenos, e Y −i é uma matriz T × n i de regressores endógenos no lado direito da i ésima equação . Finalmente, podemos mover todas as variáveis endógenas para o lado esquerdo e escrever as m equações conjuntamente na forma de vetor como
Essa representação é conhecida como forma estrutural . Nesta equação, Y = [ y 1 y 2 ... y m ] é a matriz T × m das variáveis dependentes. Cada uma das matrizes Y -i é, de facto, um n i -columned submatriz deste Y . A matriz m × m Γ, que descreve a relação entre as variáveis dependentes, tem uma estrutura complicada. Ele tem uns na diagonal, e todos os outros elementos de cada coluna i são os componentes do vetor −γ i ou zeros, dependendo de quais colunas de Y foram incluídas na matriz Y −i . A matriz T × k X contém todos os regressores exógenos de todas as equações, mas sem repetições (ou seja, a matriz X deve ser de classificação completa). Assim, cada X i é um K i -columned submatriz de X . A matriz Β tem tamanho k × m , e cada uma de suas colunas consiste nos componentes dos vetores β i e zeros, dependendo de quais dos regressores de X foram incluídos ou excluídos de X i . Finalmente, U = [ u 1 u 2 ... u m ] é uma matriz T × m dos termos de erro.
Após multiplicar a equação estrutural por Γ −1 , o sistema pode ser escrito na forma reduzida como
Este já é um modelo linear geral simples e pode ser estimado, por exemplo, por mínimos quadrados ordinários . Infelizmente, a tarefa de decompor a matriz estimada nos fatores individuais Β e Γ −1 é bastante complicada e, portanto, a forma reduzida é mais adequada para predição, mas não para inferência.
Suposições
Em primeiro lugar, a classificação da matriz X de regressores exógenos deve ser igual a k , tanto em amostras finitas quanto no limite como T → ∞ (este último requisito significa que no limite a expressão deve convergir para uma matriz k × k não degenerada ) . A matriz Γ também é considerada não degenerada.
Em segundo lugar, os termos de erro são considerados independentes em série e distribuídos de forma idêntica . Ou seja, se a t- ésima linha da matriz U é denotada por u ( t ) , então a sequência de vetores { u ( t ) } deve ser iid, com média zero e alguma matriz de covariância Σ (que é desconhecida). Em particular, isso implica que E [ U ] = 0 e E [ U′U ] = T Σ .
Por último, as suposições são necessárias para a identificação.
Identificação
As condições de identificação requerem que o sistema de equações lineares seja solucionável para os parâmetros desconhecidos.
Mais especificamente, a condição de ordem , uma condição necessária para a identificação, é que para cada equação k i + n i ≤ k , que pode ser formulada como "o número de variáveis exógenas excluídas é maior ou igual ao número de variáveis endógenas incluídas" .
A condição de classificação , uma condição mais forte que é necessária e suficiente, é que a classificação de Π i 0 é igual a n i , onde Π i 0 é uma matriz ( k - k i ) × n i que é obtida de Π riscando aquelas colunas que correspondem às variáveis endógenas excluídas e as linhas que correspondem às variáveis exógenas incluídas.
Usando restrições de equação cruzada para alcançar a identificação
Em modelos de equações simultâneas, o método mais comum para obter identificação é impondo restrições de parâmetros dentro da equação. No entanto, a identificação também é possível usando restrições de equação cruzada.
Para ilustrar como as restrições de equação cruzada podem ser usadas para identificação, considere o seguinte exemplo de Wooldridge
onde z's não estão correlacionados com u's e y's são variáveis endógenas . Sem outras restrições, a primeira equação não é identificada porque não há variável exógena excluída. A segunda equação é apenas identificada se δ 13 ≠ 0 , o que é considerado verdadeiro para o resto da discussão.
Agora impomos a restrição da equação cruzada de δ 12 = δ 22 . Uma vez que a segunda equação é identificada, podemos tratar δ 12 como conhecido para o propósito de identificação. Então, a primeira equação se torna:
Então, podemos usar ( z 1 , z 2 , z 3 ) como instrumentos para estimar os coeficientes na equação acima, uma vez que há uma variável endógena ( y 2 ) e uma variável exógena excluída ( z 2 ) no lado direito. Portanto, as restrições de equação cruzada em vez de restrições dentro da equação podem alcançar a identificação.
Estimativa
Mínimos quadrados de dois estágios (2SLS)
O método de estimação mais simples e mais comum para o modelo de equações simultâneas é o chamado método dos mínimos quadrados em dois estágios , desenvolvido independentemente por Theil (1953) e Basmann (1957) . É uma técnica de equação por equação, em que os regressores endógenos no lado direito de cada equação estão sendo instrumentados com os regressores X de todas as outras equações. O método é chamado de "dois estágios" porque realiza a estimativa em duas etapas:
- Passo 1 : Regressar Y −i em X e obter os valores previstos ;
- Passo 2 : Estime γ i , β i pela regressão de mínimos quadrados ordinários de y i on e X i .
Se a i ésima equação no modelo é escrita como
onde Z i é uma matriz T × ( n i + k i ) de ambos os regressores endógenos e exógenos na i ésima equação, e δ i é um vetor de coeficientes de regressão ( n i + k i ) dimensional, então o estimador 2SLS de δ i será dado por
onde P = X ( X ' X ) -1 X ' é a matriz de projecção no espaço linear gerado pelo exógeno regressores X .
Mínimos quadrados indiretos
Mínimos quadrados indiretos é uma abordagem em econometria onde os coeficientes em um modelo de equações simultâneas são estimados a partir do modelo de forma reduzida usando mínimos quadrados ordinários . Para isso, o sistema estrutural de equações é transformado primeiro na forma reduzida. Uma vez que os coeficientes são estimados, o modelo é colocado de volta na forma estrutural.
Máxima probabilidade de informação limitada (LIML)
O método de máxima verossimilhança de "informação limitada" foi sugerido por MA Girshick em 1947 e formalizado por TW Anderson e H. Rubin em 1949. É usado quando se está interessado em estimar uma única equação estrutural por vez (daí seu nome de informação limitada ), diga para observação i:
As equações estruturais para as variáveis endógenas restantes Y −i não são especificadas e são dadas em sua forma reduzida:
A notação neste contexto é diferente do que para o caso IV simples . Um tem:
- : As variáveis endógenas.
- : As variáveis exógenas
- : O (s) instrumento (s) (freqüentemente denotados )
A fórmula explícita para o LIML é:
onde M = I - X ( X ′ X ) −1 X ′ , e λ é a menor raiz característica da matriz:
onde, de forma semelhante, M i = I - X i ( X i ′ X i ) −1 X i ′ .
Em outras palavras, λ é a menor solução do problema de autovalor generalizado , consulte Theil (1971 , p. 503):
Estimadores de classe K
O LIML é um caso especial dos estimadores da classe K:
com:
Vários estimadores pertencem a esta classe:
- κ = 0: OLS
- κ = 1: 2SLS. Observe de fato que, neste caso, a matriz de projeção usual do 2SLS
- κ = λ: LIML
- κ = λ - α (nK): estimador Fuller (1977) . Aqui, K representa o número de instrumentos, n o tamanho da amostra e α uma constante positiva a ser especificada. Um valor de α = 1 produzirá um estimador que é aproximadamente imparcial.
Mínimos quadrados de três estágios (3SLS)
O estimador de mínimos quadrados de três estágios foi introduzido por Zellner & Theil (1962) . Pode ser visto como um caso especial de GMM de múltiplas equações, onde o conjunto de variáveis instrumentais é comum a todas as equações. Se todos os regressores são de fato predeterminados, então o 3SLS se reduz a regressões aparentemente não relacionadas (SUR). Portanto, também pode ser visto como uma combinação de mínimos quadrados de dois estágios (2SLS) com SUR.
Aplicações em ciências sociais
Em todos os campos e disciplinas, modelos de equações simultâneas são aplicados a vários fenômenos observacionais. Essas equações são aplicadas quando os fenômenos são assumidos como reciprocamente causais. O exemplo clássico é a oferta e a demanda na economia . Em outras disciplinas, há exemplos como avaliações de candidatos e identificação partidária ou opinião pública e política social em ciências políticas ; investimento em estradas e demanda de viagens na geografia; e realização educacional e entrada da paternidade na sociologia ou demografia . O modelo de equação simultânea requer uma teoria de causalidade recíproca que inclui características especiais se os efeitos causais devem ser estimados como feedback simultâneo em oposição a 'blocos' unilaterais de uma equação onde um pesquisador está interessado no efeito causal de X em Y enquanto mantém o efeito causal de Y em X constante, ou quando o pesquisador sabe a quantidade exata de tempo que leva para cada efeito causal ocorrer, ou seja, a duração dos atrasos causais. Em vez de efeitos retardados, feedback simultâneo significa estimar o impacto simultâneo e perpétuo de X e Y um no outro. Isso requer uma teoria de que os efeitos causais são simultâneos no tempo, ou tão complexos que parecem se comportar simultaneamente; um exemplo comum são os humores dos colegas de quarto. Para estimar modelos de feedback simultâneo, uma teoria de equilíbrio também é necessária - que X e Y estão em estados relativamente estáveis ou são parte de um sistema (sociedade, mercado, sala de aula) que está em um estado relativamente estável.
Veja também
- Modelo linear geral
- Regressões aparentemente não relacionadas
- Forma reduzida
- Problema de identificação de parâmetro
Referências
Leitura adicional
- Asteriou, Dimitrios; Hall, Stephen G. (2011). Econometria aplicada (segunda edição). Basingstoke: Palgrave Macmillan. p. 395. ISBN 978-0-230-27182-1 .
- Chow, Gregory C. (1983). Econometria . Nova York: McGraw-Hill. pp. 117-121 . ISBN 0-07-010847-1 .
- Fomby, Thomas B .; Hill, R. Carter; Johnson, Stanley R. (1984). "Modelos de Equações Simultâneas". Métodos Econométricos Avançados . Nova York: Springer. pp. 437–552. ISBN 0-387-90908-7 .
- Maddala, GS ; Lahiri, Kajal (2009). "Modelos de Equações Simultâneas". Introdução à Econometria (Quarta ed.). Nova York: Wiley. pp. 355–400. ISBN 978-0-470-01512-4 .
- Ruud, Paul A. (2000). "Equações simultâneas". Uma introdução à teoria econométrica clássica . Imprensa da Universidade de Oxford. pp. 697–746. ISBN 0-19-511164-8 .
- Sargan, Denis (1988). Aulas de Teoria Econométrica Avançada . Oxford: Basil Blackwell. pp. 68–89. ISBN 0-631-14956-2 .
- Wooldridge, Jeffrey M. (2013). "Modelos de Equações Simultâneas". Econometria introdutória (quinta edição). Sudoeste. pp. 554–582. ISBN 978-1-111-53104-1 .