“Año de la unidad, la paz y el desarrollo”

UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE ECONOMÍA

“TAREA DE IDENTICACIÓN, ESTIMACIÓN Y EVALUCIÓN DE MODELOS

MULTIECUACIONALES”

CÓDIGO DE ALUMNO:

0402019037

PROFESOR:

Dr. JUAN FRANCISCO SILVA JUÁREZ

CURSO:

ECONOMETRÍA III

PIURA – PERÚ

2023

1
 MODELO DE OFERTA Y DEMANDA

1. ESPECIFICACIÓN DEL MODELO

1.1 Forma Algebraica

d
Q t=α 0 +α 1 Pt +α 2 Y t + e1 t
d
Pt =β 0+ β1 Q t + β 2 W t +e 2t

Modelo económico

Ecuación de demanda:Qd t=α 0 +α 1 Pt +α 2 Y t

Ecuación de oferta: Pt =β 0+ β1 Qdt + β 2 W t

Modelo econométrico
d
Q t=α 0 +α 1 Pt +α 2 Y t + e1 t
d
Pt =β 0+ β1 Q t + β 2 W t +e 2t

1.2 Definición de variables

d
Q t: Cantidad demanda en el periodo “t”
Pt : Precio en el periodo “t”
W t : Clima en el periodo “t”
Y t : Ingreso en el periodo “t”
Donde:
d
 Variables endógenas :Q t , P t
 Variables exógenas :1 , Y t , W t

 Variables aleatorias :e1 t , e 2 t

 Parámetros de la ecuación1 :α 0 , α 1 , α 2

 Parámetros de la ecuación2 : β 0 , β 1 , β 2

1.3 Unidad de medida

Variabl Unidad de
e medida
d
Qt Unidades
Pt Soles

2
 Yt Soles
Wt

1.4 Especificación del valor de los coeficientes

Signo Tipo de
Explicación
esperado relación
α 1< 0 A medida que aumenta el precio, la cantidad demandada
Inversa
disminuye
α 2> 0 A medida que aumenta el ingreso, la cantidad demandada
Directa
aumenta
β 1> 0 A medida que aumenta la cantidad demandada, el precio
Directa
también aumenta
β 2> 0 Las condiciones climáticas influyen directamente en el
Directa
precio de ciertos productos o servicios.
1.5 Forma estructural algebraica

Pasa todos los valores al primer miembro y déjalos en función de cero. Hazlo para cada
ecuación, quedará expresada como:

d
Q t−α 0−α 1 Pt−α 2 Y t −e 1t =0
d
Pt −β 0−β 1 Q t− β2 W t −e 2 t=0

1.6 Forma estructural matricial

[ ]
−α 0 −β 0
[Q t
d
P t ]Tx 2
[ 1 −β 1
−α 1 1 ]2x 2
+ [ 1 Y t W t ]Tx 3 −α 2 0
0 −β 2 3x 2
+ [−e 1t −e 2 t ] TX 2=0

1.7 Forma matricial compacta

Y (T ∗2 ) Γ ( 2∗2) + X ( T∗3 ) Β(3∗2) + Ε(T∗2 )=0(T∗2)

Donde:

Y =[Q
d
t Pt ]Tx 2 ; Γ =
[ 1 −β 1
−α 1 1 ] 2x 2
; X=[ 1 Y t W t ]Tx 3

3
 [ ]
−α 0 −β 0
Β= −α 2 0 Ε=[−e1 t −e 2t ]TX 2
0 −β 2 3x 2

Donde:

 Y :vector T∗2 de variables endogenas

 Γ =matriz 2∗2 de coeficientes de variable endogenas
 X : vector T∗3 de variables endógenas
 Β=matriz 3∗2 de coeficientes de variable endogena
 Ε : vector T∗2 de terminos de perturbación

1.8 Forma matricial compacta reducida

La forma reducida se halla a partir de las ecuaciones matriciales compactas. De la

ecuación anterior, despejamos la variable endógena en función de las variables
exógenas y del término de error. Luego multiplicamos por la inversa de gamma “ Γ −1”:
Esto es expresado de la siguiente manera:

A partir de la forma estructural matricial compacta despejamos “Y”

Y (T ∗2 ) Γ ( 2∗2) + Χ ( T∗3 ) Β(3∗2) + Ε(T∗2 )=0(T∗2)

Y t Γ + ΧΒ+ Ε=0
−1 −1 −1
Y t Γ Γ + ΧΒ Γ + Ε Γ =0
−1 −1 −1
Y t Γ Γ =−ΧΒ Γ −Ε Γ
−1 −1
Y t =−ΧΒ Γ −Ε Γ
Y t =Χπ +V

Donde:
 π=−Β Γ
−1

−1
 V =−Ε Γ
Donde:

( )
π 01 π 02
Y =( Q d
t Pt ) ; Χ=( 1 Y t W t ); π= π 11 π 12 ; V = ( v 1 t v 2 t )
π 21 π 22

1.9 Forma reducida en su forma algebraica compacta

4
 d
Q t=π 01 + π 11 Y t + π 21 W t + v1 t

Pt =π 02+ π 12 Y t + π 22 W t +v 2 t

1.10 Forma reducida en su forma matricial

[ ]
π 01 π 02
[Q d
t P t ]Tx 2=[ 1 Y t W t ]Tx 3 π 11 π 12 + [ v 1t v 2 t ](Tx 2)
π 21 π 22 ( 3 x 2)

2. IDENTIFICACIÓN

Antes de estimar el modelo, se necesita establecer las condiciones de identificación,

para reconocer el método de estimación:

Condición de Rango: ( Ri xΔ) =M −1

( Ri∗Δ )=M −1
Ri=(J∗(M + K ))

Donde:
 J=número de restricciones

M + K=total de variables en el modelo , es decir las variables endógenas más las exógenas .

M + K=5

Restricciones

J 1=W t=1

J 2=Y t =1

 Para la primera ecuación: R1 x Δ

d
Q t=α 0 +α 1 Pt +α 2 Y t + e1 t

( Ri x Δ ) =M −1
d
Q t Pt 1 Y t W t

R1= [ 0 0 0 0 1 ]1 x 5

5
 [ ]
1 − β1
−α 1 1
Δ=
[ ]
Γ (2 x 2)
β (3 x2 )
= −α 0 −β 0
−α 2 0
0 − β2 5x2

Entonces: R1 x Δ

[ ]
1 −β 1
−α 1 1
R1 x Δ=[ 0 0 0 0 1 ] 1 x 5 x −α 0 −β 0
−α 2 0
0 −β 2 5 x2

R1 x Δ=[ 0 −β 2 ]( 1 x 2)

Conclusión:
( R1 x Δ )=M −1

1=2−1

1=1

∴ La primera ecuaci ó n del modelo está identificada

 Para la segunda ecuación: R2 x Δ

d
Pt =β 0+ β1 Q t + β 2 W t +e 2t

( Ri x Δ ) =M −1
d
Q t Pt 1 Y t W t

R2= [ 0 0 0 1 0 ]1 x 5

[ ]
1 − β1
−α 1 1
Δ=
[ ]
Γ (2 x 2)
β (3 x2 )
= −α 0 −β 0
−α 2 0
0 − β2 5x2

Entonces: R2 x Δ

6
 [ ]
1 −β 1
−α 1 1
R2 x Δ=[ 0 0 0 1 0 ] 1 x 5 x −α 0 −β 0
−α 2 0
0 −β 2 5 x2

R2 x Δ=[−α 2 0 ]( 1 x 2)

Conclusión:
( R2 x Δ ) =M −1

1=2−1

1=1

∴ La segunda ecuaci ó n del modelo esta identificada

Condición de Orden: J ≥ M −1

 Para la Primera Ecuación:

d
Q t=α 0 +α 1 Pt +α 2 Y t + e1 t

J 1=W t=1

Reemplazando

J ≥ M −1

1 ≥2−1

1=1 → exactamente identificada

1=1, por lo tanto, la primera ecuación esta exactamente identificada, significa que el
sistema de ecuaciones o la ecuación en cuestión tiene suficientes restricciones o
información para determinar de manera única todas las variables desconocidas en la
ecuación. En otras palabras, se tiene un número suficiente de ecuaciones para resolver el
sistema y encontrar una solución única.

 Para la Segunda Ecuación:

d
Pt =β 0+ β1 Q t + β 2 W t +e 2t

J 2=Y t =1

7
Reemplazando:

J ≥ M −1

1 ≥2−1

1=1 → exactamente identificada

1=1; por lo tanto, la segunda ecuación también esta exactamente identificada, es decir,
la información es la estrictamente necesaria para estimar los parámetros de la segunda
ecuación.

3. ESTIMACIÓN

Debido a que en la identificación del modelo se encontraron que las dos ecuaciones son
identificadas por el rango y exactamente identificadas por el orden, podemos utilizar
MCO, MC3E, MC2E, máxima verisimilitud, sin embargo, es importante tener en cuenta
que el MC3E nos permite estimar mejor el modelo, los parámetros tienen menor
varianza por tanto son más eficientes.

Además, si las ecuaciones resultan exactamente identificadas

MC 3 E=MC 2 E

ESTIMACIÓN MC2E

FORMA 1: (ETAPA POR ETAPA)

 Paso 1, estimamos la forma reducida de cada ecuación.

Estimo por MCO la primera ecuación de la forma reducida

LS Q C Y W

Estimo por MCO la segunda ecuación de la forma reducida

LS P C Y W
 Paso 2, una vez que se tiene las estimaciones en su forma reducida, se pronostica
cada ecuación con forecat, a fin de pronosticar las variables endógenas.

8
  Paso 3, ahora vamos a estimar el modelo estructural, pero trabajando con las
variables pronosticadas.

PRIMERA ECUACION
LS Q C PF Y

Dependent Variable: Q
Method: Least Squares
Date: 09/24/23 Time: 09:51
Sample: 1980 1994
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.

C 71.50420 73025.38 0.000979 0.9992

PF -19.85420 21.63384 -0.917738 0.3768
Y 46.88524 27.67960 1.693855 0.1161

R-squared 0.875205 Mean dependent var 41926.33

Adjusted R-squared 0.854406 S.D. dependent var 17964.16
S.E. of regression 6854.543 Akaike info criterion 20.68007
Sum squared resid 5.64E+08 Schwarz criterion 20.82168
Log likelihood -152.1005 Hannan-Quinn criter. 20.67856
F-statistic 42.07896 Durbin-Watson stat 0.895697
Prob(F-statistic) 0.000004

SEGUNDA ECUACION
LS P C QF W

Dependent Variable: P
Method: Least Squares
Date: 09/24/23 Time: 09:53
Sample: 1980 1994
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.

C 3324.577 1221.781 2.721091 0.0186

QF -0.019885 0.004372 -4.548626 0.0007
W -9.911192 10.73321 -0.923414 0.3740

R-squared 0.675774 Mean dependent var 1470.000

Adjusted R-squared 0.621736 S.D. dependent var 365.2396
S.E. of regression 224.6338 Akaike info criterion 13.84368
Sum squared resid 605524.3 Schwarz criterion 13.98529
Log likelihood -100.8276 Hannan-Quinn criter. 13.84217
F-statistic 12.50562 Durbin-Watson stat 0.979745
Prob(F-statistic) 0.001162

FORMA 2: FORMA DIRECTA

COMANDO: TSLS

9
MODELO NORMAL@ V. EXOGENAS

PRIMERA ECUACION

TSLS Q C P Y @ C Y W

Dependent Variable: Q
Method: Two-Stage Least Squares
Date: 09/24/23 Time: 08:07
Sample: 1980 1994
Included observations: 15
Instrument specification: C Y W

Variable Coefficient Std. Error t-Statistic Prob.

C 71.50420 86461.96 0.000827 0.9994

P -19.85420 25.61444 -0.775118 0.4533
Y 46.88524 32.77261 1.430623 0.1781

R-squared 0.825056 Mean dependent var 41926.33

Adjusted R-squared 0.795899 S.D. dependent var 17964.16
S.E. of regression 8115.769 Sum squared resid 7.90E+08
F-statistic 30.01667 Durbin-Watson stat 0.968338
Prob(F-statistic) 0.000021 Second-Stage SSR 5.64E+08
J-statistic 0.000000 Instrument rank 3

SEGUNDA ECUACION

TSLS P C Q W @ C Y W

Dependent Variable: P
Method: Two-Stage Least Squares
Date: 09/24/23 Time: 08:08
Sample: 1980 1994
Included observations: 15
Instrument specification: C Y W

Variable Coefficient Std. Error t-Statistic Prob.

C 3324.577 1418.607 2.343550 0.0371

Q -0.019885 0.005076 -3.917521 0.0020
W -9.911192 12.46230 -0.795294 0.4419

R-squared 0.562895 Mean dependent var 1470.000

Adjusted R-squared 0.490045 S.D. dependent var 365.2396
S.E. of regression 260.8219 Sum squared resid 816336.5
F-statistic 9.276144 Durbin-Watson stat 1.003869
Prob(F-statistic) 0.003671 Second-Stage SSR 605524.3
J-statistic 1.85E-39 Instrument rank 3

FORMA 3: POR SISTEMA (SYS)

10
Pasos
 Object
 New Object
 System
Q=C ( 1 )+ C ( 2 )∗P+C ( 3 )∗Y
P=C ( 4 ) +C ( 5 )∗Q+ C ( 6 )∗W
INST C Y W
Estimate
Two stage least squares

System: MC2E_SYS
Estimation Method: Two-Stage Least Squares
Date: 09/24/23 Time: 08:51
Sample: 1980 1994
Included observations: 15
Total system (balanced) observations 30

Coefficient Std. Error t-Statistic Prob.

C(1) 71.50420 86461.96 0.000827 0.9993

C(2) -19.85420 25.61444 -0.775118 0.4458
C(3) 46.88524 32.77261 1.430623 0.1654
C(4) 3324.577 1418.607 2.343550 0.0277
C(5) -0.019885 0.005076 -3.917521 0.0006
C(6) -9.911192 12.46230 -0.795294 0.4342

Determinant residual covariance 5.56E+11

Equation: Q=C(1)+C(2)*P+C(3)*Y
Instruments: C Y W
Observations: 15
R-squared 0.825056 Mean dependent var 41926.33
Adjusted R-squared 0.795899 S.D. dependent var 17964.16
S.E. of regression 8115.769 Sum squared resid 7.90E+08
Durbin-Watson stat 0.968338

Equation: P=C(4)+C(5)*Q+C(6)*W
Instruments: C Y W
Observations: 15
R-squared 0.562895 Mean dependent var 1470.000
Adjusted R-squared 0.490045 S.D. dependent var 365.2397
S.E. of regression 260.8218 Sum squared resid 816336.4
Durbin-Watson stat 1.003869

ESTIMACION MC3E
 Object
 New Object
 System

11
 Q=C ( 1 )+ C ( 2 )∗P+C ( 3 )∗Y
P=C ( 4 ) +C ( 5 )∗Q+ C ( 6 )∗W
INST C Y W
Estimate
Three stage least squares

System: MC3E_SYS
Estimation Method: Three-Stage Least Squares
Date: 09/24/23 Time: 08:54
Sample: 1980 1994
Included observations: 15
Total system (balanced) observations 30
Linear estimation after one-step weighting matrix

Coefficient Std. Error t-Statistic Prob.

C(1) 71.50420 77333.92 0.000925 0.9993

C(2) -19.85420 22.91025 -0.866608 0.3947
C(3) 46.88524 29.31271 1.599485 0.1228
C(4) 3324.577 1268.841 2.620169 0.0150
C(5) -0.019885 0.004540 -4.379922 0.0002
C(6) -9.911192 11.14662 -0.889165 0.3827

Determinant residual covariance 5.56E+11

Equation: Q=C(1)+C(2)*P+C(3)*Y
Instruments: C Y W
Observations: 15
R-squared 0.825056 Mean dependent var 41926.33
Adjusted R-squared 0.795899 S.D. dependent var 17964.16
S.E. of regression 8115.769 Sum squared resid 7.90E+08
Durbin-Watson stat 0.968338

Equation: P=C(4)+C(5)*Q+C(6)*W
Instruments: C Y W
Observations: 15
R-squared 0.562895 Mean dependent var 1470.000
Adjusted R-squared 0.490045 S.D. dependent var 365.2397
S.E. of regression 260.8218 Sum squared resid 816336.4
Durbin-Watson stat 1.003869

ESTIMACION POR SISTEMA POR MAXIMA VEROSIMILITUD

a) Con información limitada

 Object
 New Object
 System

Agregamos la primera ecuación

12
 Q=C ( 1 )+ C ( 2 )∗P+C ( 3 )∗Y
 Se estima por FIML el sistema

System: FIML_EQ1
Estimation Method: Full Information Maximum Likelihood (BFGS /
Marquardt steps)
Date: 09/24/23 Time: 09:00
Sample: 1980 1994
Included observations: 15
Total system (balanced) observations 15
Convergence achieved after 16 iterations
Coefficient covariance computed using outer product of gradients

Coefficient Std. Error z-Statistic Prob.

C(1) -55199.79 27372.05 -2.016649 0.0437

C(2) -3.255892 9.567686 -0.340301 0.7336
C(3) 67.25996 11.04751 6.088247 0.0000

Log likelihood -152.5157 Schwarz criterion 20.87703

Avg. log likelihood -10.16771 Hannan-Quinn criter. 20.73391
Akaike info criterion 20.73542
Determinant residual covariance 39727093

Equation: Q=C(1)+C(2)*P+C(3)*Y
Observations: 15
R-squared 0.868103 Mean dependent var 41926.33
Adjusted R-squared 0.846120 S.D. dependent var 17964.16
S.E. of regression 7046.905 Sum squared resid 5.96E+08
Durbin-Watson stat 1.078825

Agregamos la segunda ecuación

P=C ( 1 )+ C ( 2 )∗Q+C ( 3 )∗W

 Se estima por FIML el sistema

13
 System: FIML_EQ2
Estimation Method: Full Information Maximum Likelihood (BFGS /
Marquardt steps)
Date: 09/24/23 Time: 09:31
Sample: 1980 1994
Included observations: 15
Total system (balanced) observations 15
Convergence achieved after 0 iterations
Coefficient covariance computed using outer product of gradients

Coefficient Std. Error z-Statistic Prob.

C(1) 2685.655 1631.049 1.646582 0.0996

C(2) -0.016481 0.003483 -4.732553 0.0000
C(3) -5.093674 15.16020 -0.335990 0.7369

Log likelihood -102.7190 Schwarz criterion 14.23747

Avg. log likelihood -6.847932 Hannan-Quinn criter. 14.09435
Akaike info criterion 14.09586
Determinant residual covariance 51947.37

Equation: P=C(1)+C(2)*Q+C(3)*W
Observations: 15
R-squared 0.582774 Mean dependent var 1470.000
Adjusted R-squared 0.513237 S.D. dependent var 365.2397
S.E. of regression 254.8219 Sum squared resid 779210.5
Durbin-Watson stat 0.763164

b) Por sistema con información completa (todas las ecuaciones del modelo)

Q=C ( 1 )+ C ( 2 )∗P+C ( 3 )∗Y

P=C ( 4 ) +C ( 5 )∗Q+ C ( 6 )∗W
Se estima por FIML el sistema

14
 System: FIML_SYS
Estimation Method: Full Information Maximum Likelihood (BFGS /
Marquardt steps)
Date: 09/24/23 Time: 09:34
Sample: 1980 1994
Included observations: 15
Total system (balanced) observations 30
Convergence achieved after 0 iterations
Coefficient covariance computed using outer product of gradients

Coefficient Std. Error z-Statistic Prob.

C(1) 71.50226 126819.3 0.000564 0.9996

C(2) -19.85420 35.37695 -0.561219 0.5746
C(3) 46.88524 50.44560 0.929422 0.3527
C(4) 3324.577 2884.823 1.152437 0.2491
C(5) -0.019885 0.007547 -2.634785 0.0084
C(6) -9.911193 25.77224 -0.384569 0.7006

Log likelihood -252.9260 Schwarz criterion 34.80669

Avg. log likelihood -8.430868 Hannan-Quinn criter. 34.52045
Akaike info criterion 34.52347
Determinant residual covariance 5.56E+11

Equation: Q=C(1)+C(2)*P+C(3)*Y
Observations: 15
R-squared 0.825056 Mean dependent var 41926.33
Adjusted R-squared 0.795899 S.D. dependent var 17964.16
S.E. of regression 8115.769 Sum squared resid 7.90E+08
Durbin-Watson stat 0.968338

Equation: P=C(4)+C(5)*Q+C(6)*W
Observations: 15
R-squared 0.562895 Mean dependent var 1470.000
Adjusted R-squared 0.490045 S.D. dependent var 365.2397
S.E. of regression 260.8218 Sum squared resid 816336.4
Durbin-Watson stat 1.003869

ESTIMACION MOMENTOS GENERALES GMM

 Object
 New Object
 System
Q=C ( 1 )+ C ( 2 )∗P+C ( 3 )∗Y
P=C ( 4 ) +C ( 5 )∗Q+ C ( 6 )∗W
INST C Y W
 Estimate
 Generalized Method of Moments

15
System: UNTITLED
Estimation Method: Generalized Method of Moments
Date: 09/24/23 Time: 22:25
Sample: 1980 1994
Included observations: 15
Total system (balanced) observations 30
White Covariance
Linear estimation after one-step weighting matrix

Coefficient Std. Error t-Statistic Prob.

C(1) 71.50420 68493.79 0.001044 0.9992

C(2) -19.85420 21.51949 -0.922615 0.3654
C(3) 46.88524 24.31070 1.928584 0.0657
C(4) 3324.577 1020.071 3.259163 0.0033
C(5) -0.019885 0.004317 -4.606636 0.0001
C(6) -9.911192 8.681555 -1.141638 0.2649

Determinant residual covariance 5.56E+11

J-statistic 4.61E-36

Equation: Q=C(1)+C(2)*P+C(3)*Y
Instruments: C Y W
Observations: 15
R-squared 0.825056 Mean dependent var 41926.33
Adjusted R-squared 0.795899 S.D. dependent var 17964.16
S.E. of regression 8115.769 Sum squared resid 7.90E+08
Durbin-Watson stat 0.968338

Equation: P=C(4)+C(5)*Q+C(6)*W
Instruments: C Y W
Observations: 15
R-squared 0.562895 Mean dependent var 1470.000
Adjusted R-squared 0.490045 S.D. dependent var 365.2397
S.E. of regression 260.8218 Sum squared resid 816336.4
Durbin-Watson stat 1.003869

16
 MODELO DE 4 ECUACIONES DE PINDYCK

1. ESPECIFICACIÓN DEL MODELO

Modelo económico
C t=α 0 + α 1 Y t +α 2 C t−1

I t=b0 +b1 (Y t−1−Y t −2)+b 2 Y t + b3 R t−4

Rt =c 0 +c 1 Y t +c 2 (Y t −Y t −1 )+c 3 (M t−M t −1)+c 4 ( R t−1 + Rt −2 )

Y t =C t + I t +Gt

Modelo econométrico
1.1 Forma estructural Algebraica

C t=α 0 + α 1 Y t +α 2 C t−1 +ε 1t

I t=b0 +b1 (Y t−1−Y t −2)+b 2 Y t + b3 R t−4 + ε 2 t

Rt =c 0 +c 1 Y t +c 2 (Y t −Y t −1 )+c 3 (M t−M t −1)+c 4 ( R t−1 + Rt −2 ) + ε 3 t

Y t =C t + I t +Gt

1.2 Definición de variables

C t: Consumo personal agregado real en el periodo “t”

I t: Inversión nacional bruta real en el periodo “t”
Rt : Tasa de interés en bonos de tesorería en el periodo “t”
Y t : PIB real (neto de exportaciones e importaciones), en el periodo “t”
M t : Reserva monetaria real, definida en forma estrecha (MI), en el periodo “t”
Rt : Tasa de interés en bonos de tesorería a tres meses, en el periodo “t”
C t−1: Consumo en el periodo t-1
Rt −4: Tasa de interés en el periodo t-4

( M t −M t−1 ): Variación de la reserva monetaria real, definida en forma estrecha (MI)

Gt : Gasto gubernamental en el periodo “t”

Donde:
 Variables endógenas :C t , I t , Rt ,Y t


Variables exógenas :1 , Ct −1 , ( Y t −1−Y t −2 ) , Rt −4 , ( Y t−Y t−1 ) , ( M t −M t −1 ) , ( Rt −1+ R t−2 ) , Gt

17
  Variables aleatorias :ε 1 t , ε 2 t , ε 3 t

 Parámetros de la ecuación1 :α 0 ; α 1 , α 2

 Parámetros de la ecuación2 :b 0 ; b 1 ; b 2 ; b 3

 Parámetros de la ecuación3 :c 0 , c 1 , c 2 , c3 , c 4

1.3 Unidad de medida

Variabl Unidad de medida

e
Ct Miles de millones
de dólares de 1982
It Miles de millones
de dólares de 1982
Rt Porcentaje por año
Yt Miles de millones
de dólares de 1982
Mt Miles de millones
de dólares de 1982
Gt Miles de millones
de dólares de 1982

1.4 Especificación del valor de los coeficientes

18
 Signo Tipo de
Explicación
esperado relación
1.4 Esto debido a que según la teoría económica a mayor
0< α 1 <1 ingreso o PBI mayor será el consumo de las familias,
Directa
presentando una relación directa entre la consumo e
ingreso.
Se debe a que según la teoría económica el consumo del
periodo anterior va a seguir una tendencia respecto al
α 2> 0 consumo actual es por ello que si el consumo del periodo
Directa
actual aumenta el consumo del periodo anterior también
aumenta, presentando una relación directa entre la
consumo actual y consumo en el periodo anterior.
Esto debido a que según la teoría económica a mayor
cambio entre el ingreso del periodo anterior y el del
b 1> 0 Directa periodo dos veces anterior mayor será la inversión,
presentando una relación directa entre la diferencia del
ingreso en el periodo t menos 1 y el periodo t menos dos.
Se debe a que según la teoría económica a mayor ingreso
b 2> 0 del año anterior mayor será la inversión debido a la
Directa
tendencia que suele seguir, presentando una relación
directa entre el ingreso del año anterior y la inversión.
Esto debido a que según la teoría económica a mayor tasa
de interés con una demora de mucho tiempo menor será
b 3< 0 Inversa la inversión, presentando una relación indirecta entre la
tasa de interés con una demora de mucho tiempo y la
inversión.
Se debe a que según la teoría económica a mayor ingreso
c 1 >0 mayor será la tasa de interés, presentando una relación
Directa
directa entre el la diferencia de ingresos y la tasa de
interés.
Se debe a que según la teoría económica a mayor
c 2 >0 diferencia entre el ingreso actual y el ingreso del año
Directa
anterior mayor será la tasa de interés, presentando una
relación directa entre el ingreso y la tasa de interés.
Esto debido a que según la teoría económica a mayor
diferencia entre la base monetaria actual y la base
c 3 <0 Inversa monetaria del periodo anterior menor será la tasa de
interés, presentando una relación indirecta entre ambas
diferencias de base monetaria y la tasa de interés actual.
Se debe a que según la teoría económica a mayor
diferencia entre la tasa de interés actual y la tasa de
interés del periodo anterior mayor será la tasa de interés
c4> 0 Directa esto porque normalmente se sigue una tendencia entre
periodos rezagados, presentando una relación inversa
entre ambas diferencias de tasa de interés y la tasa de
interés actual.
Forma estructural algebraica

19
Pasa todos los valores al primer miembro y déjalos en función de cero. Hazlo para cada
ecuación, quedará expresada como:

C t−α 0 −α 1 Y t −α 2 C t−1−ε 1t =0

I t−b0−b1 (Y t −1−Y t−2 )−b2 Y t −b3 Rt −4−ε 2t =0

Rt −c 0−c1 Y t −c 2 (Y t −Y t−1 )−c 3 (M t −M t−1)−c 4 ( Rt −1 + Rt −2 )−ε 3 t=0

Y t −C t−I t −Gt=0

1.5 Forma estructural matricial

[ ]
1 0 0 −1
0 1 0 −1
[Ct It Rt Y t ]Tx 4 + [ 1 C t−1 ( Y t−1−Y t −2) Rt −4 (Y ¿ ¿ t−Y t −1)¿ ( M t−M t −1) (
0 0 1 0
−α 1 −b2 −c 1 1 4x 4

[ ]
−a 0 −b 0 −c 0 0
−a 2 0 0 0
0 −b 1 0 0
0 −b3 0 0
+ [ −e 1 t −e2 t −e 3 t 0 ] Tx 4=0Tx 4
0 0 −c 2 0
0 0 −c 3 0
0 0 −c 4 0
0 0 0 −1 8X4

1.6 Forma matricial compacta

Y (Tx 4) Γ ( 4 x 4 ) + X ( T∗8 ) Β(8∗4 )+ Ε (T∗4 )=0( T∗4 )

Donde:
- Y =matriz de las variables endógenas

- Γ =matriz de los coeficientes de las variables endógenas

- X =matriz de las variables exógenas

- Β=matriz de los coeficientes de las variables exógenas

- E=matriz de las variables aleatorias

Donde:

20
 [ ]
1 0 0 −1
0 1 0 −1
Y = [ Ct I t Rt Y t ]Tx 4 ; Γ= ;
0 0 1 0
−α 1 −b2 −c 1 1 4 x4

X =[ 1 C t −1 ( Y t−1−Y t−2 ) R t−4 (Y ¿ ¿ t−Y t−1 )¿ ( M t −M t−1 ) ( R t−1 + Rt −2) Gt ]Tx 8

[ ]
−a0 −b0 −c 0 0
−a2 0 0 0
0 −b1 0 0
0 −b3 0 0
Β= Ε=[ −e 1 t −e2 t −e 3 t 0 ] Tx 4
0 0 −c 2 0
0 0 −c 3 0
0 0 −c 4 0
0 0 0 −1 8X4

Donde:

 Y : Matriz T∗4 de variables endogenas

 Γ =Matriz 4∗4 de coeficientesde variable endogenas
 X : Matriz T∗8 de variables exogenas
 Β=Matriz 8∗4 de coeficientes de variable exógenas
 Ε : Matriz T∗4 de terminos de perturbación
1.7 Forma matricial compacta reducida

La forma reducida se halla a partir de las ecuaciones matriciales compactas. De la

ecuación anterior, despejamos la variable endógena en función de las variables
exógenas y del término de error. Luego multiplicamos por la inversa de gamma “ Γ −1”:
Esto es expresado de la siguiente manera:

A partir de la forma estructural matricial compacta despejamos “Y”

Y (T ∗4 ) Γ (4∗4 )+ Χ (T∗8 ) Β(8∗4 )+ Ε (T∗4 )=0(T∗4 )

Y t Γ + ΧΒ+ Ε=0
−1 −1 −1
Y t Γ Γ + ΧΒ Γ + Ε Γ =0
−1 −1 −1
Y t Γ Γ =−ΧΒ Γ −Ε Γ
−1 −1
Y t =−ΧΒ Γ −Ε Γ
Y t =Χπ +V

Donde:

21
 −1
 π=−Β Γ
−1
 V =−Ε Γ
Donde:

Y = ( Ct I t Rt Y t) ;

Χ =( 1 Ct −1 ( Y t −1−Y t−2 ) Rt− 4 (Y ¿ ¿ t−Y t−1 )¿ ( M t −M t−1 ) ( Rt −1 + Rt −2 ) Gt );

( )
π 01 π 02 π 03 π 04
π 11 π 12 π 13 π 14
π 21 π 22 π 23 π 24
π π 32 π 33 π 34
π= 31 ; V = ( V 1 t V 2t V 3 t V 4 t )
π 41 π 42 π 43 π 44
π 51 π 52 π 53 π 54
π 61 π 62 π 63 π 64
π 71 π 72 π 73 π 74

1.8 Forma reducida en su forma algebraica compacta

1.

C t=π 01 + π 11 Ct −1+ π 21 ( Y t −1−Y t−2 ) + π 31 Rt −4 + π 41 (Y ¿ ¿ t−Y t −1)+ π 51 ( M t −M t−1 ) + π 61 ( R t−1 + Rt −2) + π 71

2.

I t=π 02 + π 12 C t−1 + π 22 ( Y t −1−Y t −2 ) + π 32 R t−4 + π 42(Y ¿ ¿ t−Y t−1 )+ π 52 ( M t−M t −1) + π 62 ( Rt −1 + Rt −2 ) + π 72

3.

Rt =π 03+ π 13 C t−1 +π 23 ( Y t −1−Y t −2 ) + π 33 R t−4 + π 43(Y ¿ ¿ t−Y t−1 )+ π 53 ( M t−M t −1 ) +π 63 ( Rt −1+ R t−2 ) + π 7

4.

Y t =π 04 + π 14 C t −1 + π 24 ( Y t −1−Y t−2 ) + π 34 R t−4 + π 44 (Y ¿ ¿ t−Y t −1 )+π 54 ( M t −M t−1 ) + π 64 ( Rt −1+ R t−2 ) + π 7

1.9 Forma reducida en su forma matricial

[Ct It Rt Y t ]( Tx 4 )=[ 1 C t −1 ( Y t−1−Y t−2 ) R t−4 (Y ¿ ¿t−Y t−1) ¿ ( M t −M t−1 ) ( R t−1 + Rt −2) Gt

22
 [ ]
π 01 π 02 π 03 π 04
π 11 π 12 π 13 π 14
π 21 π 22 π 23 π 24
π 31 π 32 π 33 π 34
+[ v 1 t v 2 t v3 t v 4 t ]( Tx 4)
π 41 π 42 π 43 π 44
π 51 π 52 π 53 π 54
π 61 π 62 π 63 π 64
π 71 π 72 π 73 π 74 ( 8 x4 )

Y t =X t Π +V t

2. IDENTIFICACIÓN

Antes de estimar el modelo, se necesita establecer las condiciones de identificación,

para reconocer el método de estimación:

Condición de Rango: ( Ri xΔ) =M −1

( Ri∗Δ )=M −1
Ri=(J∗(M + K ))
Donde:
 J=número de restricciones

M + K=total de variables en el modelo , es decir las variables endógenas más las exógenas .

M + K=12

 Variables endógenas: M=4

 Variables exógenas: K=8

 Restricciones o variables omitidas en la ecuación

J 1=I t , Rt , ( Y t −1−Y t−2 ) , Rt −4 , ( Y t−Y t −1 ) , ( M t −M t −1 ) ,

( Rt −1+ R t−2 ) , Gt=8

J 2=¿ C t , R t , Ct −1 , ( Y t −Y t −1 ) , ( M t −M t−1 ) , ( R t−1 + Rt −2 ) ,Gt =7

J 3=C t , I t ,C t −1 , ( Y t −1−Y t−2 ) , R t−4 , Gt =6

23
  Para la primera ecuación: R1 x Δ

C t=α 0 + α 1 Y t +α 2 C t−1 +ε 1t

( Ri x Δ ) =M −1

Ct It Rt Y t 1 C t−1 ( Y t−1−Y t −2 ) Rt −4 (Y ¿ ¿ t−Y t −1)¿ ( M t−M t −1 ) ( R t−1 + Rt−2 ) Gt

[ ]
0 1 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 1 0 0 0 0
R 1=
0 0 0 0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 0 0 1 0 0
0 0 0 0 0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0 0 0 1 ( 8∗12 )

[ ]
1 0 0 −1
0 1 0 −1
0 0 1 0
−a1 −b2 −c 1 1
−a0 −b0 −c 0 0

[ ]
Γ (4 x 4) −a2 0 0 0
Δ= =
β9x 4 0 −b1 0 0
0 −b3 0 0
0 0 −c 2 0
0 0 −c 3 0
0 0 −c 4 0
0 0 0 −1 ( 12 x 4)

Entonces: R1 x Δ

24
 [ ]
1 0 0 −1
0 −1

[ ]
0 1
0 0 1 0
0 1 0 0 0 0 0 0 0 0 0 0
−a 1 −b2 −c 1 1
0 0 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 0 0 0 0 0 −a0 −b0 −c 0 0
−a2 0 0 0
R1 x Δ= 0 0 0 0 0 0 0 1 0 0 0 0 x
0 0 0 0 0 0 0 0 1 0 0 0 0 −b1 0 0
0 0 0 0 0 0 0 0 0 1 0 0 0 −b3 0 0
0 0 0 0 0 0 0 0 0 0 1 0 0 0 −c 2 0
0 0 0 0 0 0 0 0 0 0 0 1 ( 8∗12 ) 0 0 −c 3 0
0 0 −c 4 0
0 0 0 −1 ( 12 x 4)

[ ]
0 1 0 −1
0 0 1 0
0 −b1 0 0
0 −b3 0 0
R1 x Δ=
0 0 −c 2 0
0 0 −c 3 0
0 0 −c 4 0
0 0 0 −1 (8 x 4 )

Conclusión:
( R1 x Δ )=M −1

3=4−1

3=3

∴ La primera ecuaci ó n del modelo esta identificada .

 Para la segunda ecuación: R2 x Δ

I t=β 0 + β 1 (Y t −1−Y t−2 )+ β2 Y t + β 3 Rt −4 +ε 2 t

( Ri x Δ ) =M −1

Ct It Rt Y t 1 C t−1 ( Y t−1−Y t −2 ) Rt −4 (Y ¿ ¿ t−Y t −1)¿ ( M t−M t −1 ) ( R t−1 + Rt−2 ) Gt

25
 [ ]
1 0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 0
R 2= 0 0 0 0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 0 0 1 0 0
0 0 0 0 0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0 0 0 1

[ ]
( 7∗12)

1 0 0 −1
0 1 0 −1
0 0 1 0
−a1 −b2 −c 1 1
−a0 −b0 −c 0 0

[ ]
Γ (4 x 4) −a2 0 0 0
Δ= =
β9x 4 0 −b1 0 0
0 −b3 0 0
0 0 −c 2 0
0 0 −c 3 0
0 0 −c 4 0
0 0 0 −1 ( 12 x 4)

Entonces: R2 x Δ

][ ]
1 0 0 −1
0 1 0 −1

[
0 0 1 0
1 0 0 0 0 0 0 0 0 0 0 0 −a1 −b2 −c1 1
0 0 1 0 0 0 0 0 0 0 0 0 −a0 −b 0 −c 0 0
0 0 0 0 0 1 0 0 0 0 0 0 −a2 0 0 0
R2 x Δ= 0 0 0 0 0 0 0 0 1 0 0 0 x
0 −b1 0 0
0 0 0 0 0 0 0 0 0 1 0 0
0 −b 3 0 0
0 0 0 0 0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0 0 0 1 0 0 −c 2 0
( 7∗12)
0 0 −c 3 0
0 0 −c 4 0
0 0 0 −1 ( 12 x 4)

26
 [ ]
1 0 0 −1
0 0 1 0
−a2 0 0 1
R2 x Δ= 0 0 −c 2 0
0 0 −c 3 0
0 0 −c 4 0
0 0 0 −1 (7 x 4 )

Conclusión:
( R2 x Δ ) =M −1

3=4−1

3=3

∴ La segunda ecuaci ó n del modelo esta identificada .

 Para la tercera ecuación: R3 x Δ

Rt =c 0 +c 1 Y t +c 2 (Y t −Y t −1 )+c 3 (M t−M t −1)+c 4 ( R t−1 + Rt −2 ) + ε 3 t

( Ri x Δ ) =M −1

Ct It Rt Y t 1 C t−1 ( Y t−1−Y t −2 ) Rt −4 (Y ¿ ¿ t−Y t −1)¿ ( M t−M t −1 ) ( R t−1 + Rt−2 ) Gt

[ ]
1 0 0 0 0 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0 0 0 0 0
R 3= 0 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 1 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 1 ( 6∗12)

27
 [ ]
1 0 0 −1
0 1 0 −1
0 0 1 0
−a1 −b2 −c 1 1
−a0 −b0 −c 0 0

[ ]
Γ (4 x 4) −a2 0 0 0
Δ= =
β9x 4 0 −b1 0 0
0 −b3 0 0
0 0 −c 2 0
0 0 −c 3 0
0 0 −c 4 0
0 0 0 −1 ( 12 x 4)

Entonces: R3 x Δ

][ ]
1 0 0 −1
0 1 0 −1
0 0 1 0

[
−a1 −b2 −c 1 1
1 0 0 0 0 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0 0 0 0 0 −a0 −b0 −c 0 0
−a2 0 0 0
R3 x Δ= 0 0 0 0 0 1 0 0 0 0 0 0 x
0 0 0 0 0 0 1 0 0 0 0 0 0 −b1 0 0
0 0 0 0 0 0 0 1 0 0 0 0 0 −b3 0 0
0 0 0 0 0 0 0 0 0 0 0 1 ( 6∗12) 0 0 −c 2 0
0 0 −c 3 0
0 0 −c 4 0
0 0 0 −1 ( 12 x 4)

[ ]
1 0 0 −1
0 1 0 −1
−a2 0 0 0
R3 x Δ=
0 −b1 0 0
0 −b3 0 0
0 0 0 −1 (6 x 4 )

Conclusión:
( R3 x Δ ) =M −1

3=4−1

3=3

∴ Latercera ecuaci ó n delmodelo estaidentificada .

28
Condición de Orden: J ≥ M −1

 Para la Primera Ecuación:

C t=α 0 + α 1 Y t +α 2 C t−1 +ε 1t

J 1=I t , Rt , ( Y t −1−Y t−2 ) , Rt −4 , ( Y t−Y t −1 ) , ( M t −M t −1 ) ,

( Rt −1+ R t−2 ) , Gt=8

Reemplazando:

J ≥ M −1

8 ≥ 4−1

8 ≥ 3 → sobreidentificada

8 ≥ 3; por lo tanto, la primera ecuación esta sobre identificada, es decir, existe más
información de la estrictamente necesaria para estimar los parámetros de la primera
ecuación.

 Para la Segunda Ecuación:

I t=β 0 + β 1 (Y t −1−Y t−2 )+ β2 Y t −1 + β 3 R t−4 + ε 2 t

J 2=¿ C t , R t , Ct −1 , ( Y t −Y t −1 ) , ( M t −M t−1 ) , ( R t−1 + Rt −2 ) ,Gt =7

Reemplazando:

J ≥ M −1

7 ≥ 4−1

7 ≥ 3 → sobreidentificada

7 ≥ 3; por lo tanto, la primera ecuación esta sobre identificada, es decir, existe más
información de la estrictamente necesaria para estimar los parámetros de la primera
ecuación.

 Para la Tercera Ecuación:

Rt =c 0 +c 1 Y t +c 2 (Y t −Y t −1 )+c 3 (M t−M t −1)+c 4 ( R t−1 + Rt −2 ) + ε 3 t

29
 J 3=C t , I t ,C t −1 , ( Y t −1−Y t−2 ) , R t−4 , Gt =6

Reemplazando:

J ≥ M −1

6 ≥ 4−1

6 ≥ 3 → sobreidentificada

6 ≥ 3; por lo tanto, la primera ecuación esta sobre identificada, es decir, existe más
información de la estrictamente necesaria para estimar los parámetros de la primera
ecuación.

2. ESTIMACIÓN
Debido a que en la identificación del modelo se encontraron que las tres ecuaciones son
identificadas por el rango y sobre identificadas por el orden, podemos utilizar MC3E,
MC2E, máxima verisimilitud, sin embargo, es importante tener en cuenta que el MC3E
nos permite estimar mejor el modelo, los parámetros tienen menor varianza por tanto
son más eficientes.

Además, si las ecuaciones resultan sobre identificadas entonces

MC 3 E ≠ MC 2 E

Exactamente identificadas

MC 3 E=MC 2 E

ESTIMACIÓN MC2E

FORMA 1: (ETAPA POR ETAPA)

 Paso 1, estimamos la forma reducida de cada ecuación.

Estimo por MCO la primera ecuación de la forma reducida

LS CN C CN (−1)(GNP(−1)−GNP (−2)) GNP(−1)R (−4 )(GNP−GNP (−1))(M −M (−1))(R(−

Estimo por MCO la segunda ecuación de la forma reducida

LS I C CN (−1)(GNP (−1)−GNP(−2))GNP (−1)R(−4)(GNP−GNP (−1))(M −M (−1))(R (−1)

30
 Estimo por MCO la tercera ecuación de la forma reducida

LS R C CN (−1 ) ( GNP (−1 )−GNP (−2 ) ) GNP (−1 ) R (−4 ) ( GNP−GNP (−1 ) ) ( M −M (−1 ) ) ( R (−1 )+ R (−

Estimo por MCO la cuarta ecuación de la forma reducida

LS GNP C CN (−1)(GNP (−1)−GNP(−2))GNP(−1) R(−4)(GNP−GNP(−1))( M −M (−1))(R (−

 Paso 2, una vez que se tiene las estimaciones en su forma reducida, se pronostica
cada ecuación con forecat, a fin de pronosticar las variables endógenas.
 Paso 3, ahora vamos a estimar el modelo estructural, pero trabajando con las
variables pronosticadas.

PRIMERA ECUACION
LS CN C GNPF CNF (−1)

Dependent Variable: CN
Method: Least Squares
Date: 09/24/23 Time: 22:53
Sample: 1950Q1 1985Q4
Included observations: 144

Variable Coefficient Std. Error t-Statistic Prob.

C -30.51705 6.116390 -4.989390 0.0000

GNPF 0.092516 0.023145 3.997333 0.0001
CNF(-1) 0.878622 0.034997 25.10553 0.0000

R-squared 0.998986 Mean dependent var 1411.163

Adjusted R-squared 0.998971 S.D. dependent var 486.7321
S.E. of regression 15.61231 Akaike info criterion 8.354610
Sum squared resid 34367.93 Schwarz criterion 8.416481
Log likelihood -598.5319 Hannan-Quinn criter. 8.379751
F-statistic 69424.21 Durbin-Watson stat 0.514181
Prob(F-statistic) 0.000000

SEGUNDA ECUACION

LS I C (GNPF (−1)−gnpf (−2))GNPF (−1) RF(−4)

31
 Dependent Variable: I
Method: Least Squares
Date: 09/24/23 Time: 22:54
Sample: 1950Q1 1985Q4
Included observations: 144

Variable Coefficient Std. Error t-Statistic Prob.

C -43.39550 8.915510 -4.867416 0.0000

GNPF(-1)-GNPF(-2) 0.306600 0.093443 3.281158 0.0013
GNPF(-1) 0.204578 0.006874 29.75977 0.0000
RF(-4) -8.837613 1.686577 -5.239969 0.0000

R-squared 0.954443 Mean dependent var 383.8354

Adjusted R-squared 0.953467 S.D. dependent var 131.0940
S.E. of regression 28.27892 Akaike info criterion 9.549495
Sum squared resid 111957.6 Schwarz criterion 9.631990
Log likelihood -683.5636 Hannan-Quinn criter. 9.583016
F-statistic 977.6986 Durbin-Watson stat 0.620130
Prob(F-statistic) 0.000000

TERCERA ECUACION

LS R C GNPF (GNPF−GNPF (−1))(M −M (−1))(RF(−1)+ RF(−2))

Dependent Variable: R
Method: Least Squares
Date: 09/24/23 Time: 22:57
Sample: 1950Q1 1985Q4
Included observations: 144

Variable Coefficient Std. Error t-Statistic Prob.

C -2.474032 0.432706 -5.717579 0.0000

GNPF 0.002087 0.000368 5.673985 0.0000
GNPF-GNPF(-1) 0.002762 0.004917 0.561645 0.5753
M-M(-1) -0.088527 0.024013 -3.686655 0.0003
RF(-1)+RF(-2) 0.263265 0.047033 5.597425 0.0000

R-squared 0.836946 Mean dependent var 5.153431

Adjusted R-squared 0.832254 S.D. dependent var 3.268894
S.E. of regression 1.338836 Akaike info criterion 3.455583
Sum squared resid 249.1549 Schwarz criterion 3.558702
Log likelihood -243.8020 Hannan-Quinn criter. 3.497485
F-statistic 178.3695 Durbin-Watson stat 0.363681
Prob(F-statistic) 0.000000

32
FORMA 2: FORMA DIRECTA

COMANDO: TSLS
MODELO NORMAL@ V. EXOGENAS

PRIMERA ECUACION

TSLS CN C GNP CN (−1) @C CN (−1)(GNP (−1)−gnp(−2))GNP (−1) R(−4)(GNP−GNP(−1))

Dependent Variable: CN
Method: Two-Stage Least Squares
Date: 09/24/23 Time: 15:58
Sample: 1950Q1 1985Q4
Included observations: 144
Instrument specification: C CN(-1) (GNP(-1)-GNP(-2)) GNP(-1) R(-4)
(GNP-GNP(-1)) (M-M(-1)) (R(-1)+R(-2)) G

Variable Coefficient Std. Error t-Statistic Prob.

C -9.454364 4.703228 -2.010186 0.0463

GNP 0.054096 0.016865 3.207488 0.0017
CN(-1) 0.925964 0.025207 36.73473 0.0000

R-squared 0.999475 Mean dependent var 1411.163

Adjusted R-squared 0.999468 S.D. dependent var 486.7321
S.E. of regression 11.23099 Sum squared resid 17785.06
F-statistic 134221.4 Durbin-Watson stat 1.573354
Prob(F-statistic) 0.000000 Second-Stage SSR 17785.06
J-statistic 77.31609 Instrument rank 9
Prob(J-statistic) 0.000000

SEGUNDA ECUACION

TSLS I C (GNP(−1)−gnp (−2))GNP(−1)R (−4 )@ C CN (−1)(GNP(−1)−gnp(−2))GNP (−1)R

33
 Dependent Variable: I
Method: Two-Stage Least Squares
Date: 09/24/23 Time: 15:58
Sample: 1950Q1 1985Q4
Included observations: 144
Instrument specification: C CN(-1) (GNP(-1)-GNP(-2)) GNP(-1) R(-4)
(GNP-GNP(-1)) (M-M(-1)) (R(-1)+R(-2)) G

Variable Coefficient Std. Error t-Statistic Prob.

C -65.61654 8.393331 -7.817699 0.0000

GNP(-1)-GNP(-2) 0.253487 0.078390 3.233649 0.0015
GNP(-1) 0.219441 0.005875 37.35456 0.0000
R(-4) -11.48641 1.266905 -9.066514 0.0000

R-squared 0.965667 Mean dependent var 383.8354

Adjusted R-squared 0.964932 S.D. dependent var 131.0940
S.E. of regression 24.54942 Sum squared resid 84374.33
F-statistic 1312.580 Durbin-Watson stat 0.842294
Prob(F-statistic) 0.000000 Second-Stage SSR 84374.33
J-statistic 126.6714 Instrument rank 9
Prob(J-statistic) 0.000000

TERCERA ECUACION

TSLS R C GNP(GNP−GNP (−1))( M −M (−1))(R(−1)+ R(−2))@C CN (−1)(GNP (−1)−gnp(−2))GNP

Dependent Variable: R
Method: Two-Stage Least Squares
Date: 09/24/23 Time: 15:59
Sample: 1950Q1 1985Q4
Included observations: 144
Instrument specification: C CN(-1) (GNP(-1)-GNP(-2)) GNP(-1) R(-4)
(GNP-GNP(-1)) (M-M(-1)) (R(-1)+R(-2)) G

Variable Coefficient Std. Error t-Statistic Prob.

C -0.556056 0.303491 -1.832200 0.0691

GNP 0.000512 0.000229 2.239684 0.0267
GNP-GNP(-1) 0.013457 0.003118 4.316182 0.0000
M-M(-1) -0.085251 0.014816 -5.754137 0.0000
R(-1)+R(-2) 0.425958 0.025462 16.72927 0.0000

R-squared 0.933695 Mean dependent var 5.153431

Adjusted R-squared 0.931787 S.D. dependent var 3.268894
S.E. of regression 0.853759 Sum squared resid 101.3178
F-statistic 489.3410 Durbin-Watson stat 1.367832
Prob(F-statistic) 0.000000 Second-Stage SSR 101.3178
J-statistic 16.59140 Instrument rank 9
Prob(J-statistic) 0.002320

FORMA 3: POR SISTEMA (SYS)

Pasos

34
  Object
 New Object
 System
CN =C (1)+ C(2)∗GNP +C (3)∗CN (−1)
I =C (4 )+C (5)∗(GNP(−1)−GNP (−2))+C (6)∗GNP(−1)+C(7 )∗R(−4)
R=C(8)+C (9)∗GNP +C (10)∗(GNP−GNP (−1))+C (11)∗(M −M (−1))+C (12)∗(R (−1)+ R (−2))
 Instrumentos
INST C CN (−1)(GNP (−1)−gnp(−2))GNP(−1) R(−4)(GNP−GNP(−1))( M −M (−1))(R(−1)+ R(−2
Estimate
Two stage least squares

35
System: MC2E_SYS
Estimation Method: Two-Stage Least Squares
Date: 09/24/23 Time: 16:34
Sample: 1950Q1 1985Q4
Included observations: 144
Total system (balanced) observations 432

Coefficient Std. Error t-Statistic Prob.

C(1) -9.454364 4.703228 -2.010186 0.0451

C(2) 0.054096 0.016865 3.207488 0.0014
C(3) 0.925964 0.025207 36.73473 0.0000
C(4) -65.61654 8.393331 -7.817699 0.0000
C(5) 0.253487 0.078390 3.233649 0.0013
C(6) 0.219441 0.005875 37.35456 0.0000
C(7) -11.48641 1.266905 -9.066514 0.0000
C(8) -0.556056 0.303491 -1.832200 0.0676
C(9) 0.000512 0.000229 2.239684 0.0256
C(10) 0.013457 0.003118 4.316182 0.0000
C(11) -0.085251 0.014816 -5.754137 0.0000
C(12) 0.425958 0.025462 16.72927 0.0000

Determinant residual covariance 45937.58

Equation: CN=C(1)+C(2)*GNP+C(3)*CN(-1)
Instruments: C CN(-1) GNP(-1)-GNP(-2) GNP(-1) R(-4) GNP-GNP(-1) M
-M(-1) R(-1)+R(-2) G
Observations: 144
R-squared 0.999475 Mean dependent var 1411.162
Adjusted R-squared 0.999468 S.D. dependent var 486.7321
S.E. of regression 11.23099 Sum squared resid 17785.06
Durbin-Watson stat 1.573354

Equation: I=C(4)+C(5)*(GNP(-1)-GNP(-2))+C(6)*GNP(-1)+C(7)* R(-4)

Instruments: C CN(-1) GNP(-1)-GNP(-2) GNP(-1) R(-4) GNP-GNP(-1) M
-M(-1) R(-1)+R(-2) G
Observations: 144
R-squared 0.965667 Mean dependent var 383.8354
Adjusted R-squared 0.964932 S.D. dependent var 131.0940
S.E. of regression 24.54942 Sum squared resid 84374.33
Durbin-Watson stat 0.842294

Equation: R=C(8)+C(9)*GNP+C(10)*(GNP-GNP(-1))+C(11)*(M-M(-1))
+C(12)*(R(-1)+R(-2))
Instruments: C CN(-1) GNP(-1)-GNP(-2) GNP(-1) R(-4) GNP-GNP(-1) M
-M(-1) R(-1)+R(-2) G
Observations: 144
R-squared 0.933695 Mean dependent var 5.153430
Adjusted R-squared 0.931787 S.D. dependent var 3.268894
S.E. of regression 0.853759 Sum squared resid 101.3178
Durbin-Watson stat 1.367832

36
ESTIMACION MC3E
 Object
 New Object
 System
CN =C (1)+ C(2)∗gnp+ C(3)∗CN (−1)
I =C (4 )+C (5)∗(GNP(−1)−gnp (−2))+C (6)∗GNP (−1)+C (7)∗R(−4)
R=C(8)+C (9)∗GNP +C (10)∗(GNP−GNP (−1))+C (11)∗(M −M (−1))+C (12)∗(R (−1)+ R (−2
 Instrumentos
INST C CN (−1)(GNP (−1)−gnp(−2))GNP(−1) R(−4)(GNP−GNP(−1))( M −M (−1))(R(−1)
Estimate
Three stage least squares

37
System: MC3E_SYS
Estimation Method: Three-Stage Least Squares
Date: 09/24/23 Time: 16:31
Sample: 1950Q1 1985Q4
Included observations: 144
Total system (balanced) observations 432
Linear estimation after one-step weighting matrix

Coefficient Std. Error t-Statistic Prob.

C(1) -10.68356 4.613436 -2.315749 0.0211

C(2) 0.059537 0.016430 3.623655 0.0003
C(3) 0.917875 0.024554 37.38136 0.0000
C(4) -65.02566 8.191553 -7.938136 0.0000
C(5) 0.251522 0.073823 3.407088 0.0007
C(6) 0.219118 0.005646 38.81258 0.0000
C(7) -11.44943 1.209402 -9.467022 0.0000
C(8) -0.668628 0.296565 -2.254573 0.0247
C(9) 0.000665 0.000222 3.001995 0.0028
C(10) 0.009672 0.002983 3.241928 0.0013
C(11) -0.067940 0.014161 -4.797694 0.0000
C(12) 0.407977 0.024640 16.55733 0.0000

Determinant residual covariance 44760.08

Equation: CN=C(1)+C(2)*GNP+C(3)*CN(-1)
Instruments: C CN(-1) GNP(-1)-GNP(-2) GNP(-1) R(-4) GNP-GNP(-1) M
-M(-1) R(-1)+R(-2) G
Observations: 144
R-squared 0.999475 Mean dependent var 1411.162
Adjusted R-squared 0.999467 S.D. dependent var 486.7321
S.E. of regression 11.23514 Sum squared resid 17798.20
Durbin-Watson stat 1.555919

Equation: I=C(4)+C(5)*(GNP(-1)-GNP(-2))+C(6)*GNP(-1)+C(7)* R(-4)

Instruments: C CN(-1) GNP(-1)-GNP(-2) GNP(-1) R(-4) GNP-GNP(-1) M
-M(-1) R(-1)+R(-2) G
Observations: 144
R-squared 0.965666 Mean dependent var 383.8354
Adjusted R-squared 0.964930 S.D. dependent var 131.0940
S.E. of regression 24.55001 Sum squared resid 84378.45
Durbin-Watson stat 0.840022

Equation: R=C(8)+C(9)*GNP+C(10)*(GNP-GNP(-1))+C(11)*(M-M(-1))
+C(12)*(R(-1)+R(-2))
Instruments: C CN(-1) GNP(-1)-GNP(-2) GNP(-1) R(-4) GNP-GNP(-1) M
-M(-1) R(-1)+R(-2) G
Observations: 144
R-squared 0.932520 Mean dependent var 5.153430
Adjusted R-squared 0.930578 S.D. dependent var 3.268894
S.E. of regression 0.861290 Sum squared resid 103.1131
Durbin-Watson stat 1.266209

38
ESTIMACION POR SISTEMA POR MAXIMA VEROSIMILITUD

c) Con información limitada

 Object
 New Object
 System

Agregamos la primera ecuación

CN =C (1)+ C(2)∗GNP +C (3)∗CN (−1)
 Se estima por FIML el sistema

System: FIML_EQ1
Estimation Method: Full Information Maximum Likelihood (BFGS /
Marquardt steps)
Date: 09/24/23 Time: 16:37
Sample: 1950Q1 1985Q4
Included observations: 144
Total system (balanced) observations 144
Convergence achieved after 0 iterations
Coefficient covariance computed using outer product of gradients

Coefficient Std. Error z-Statistic Prob.

C(1) -9.454364 4.790573 -1.973535 0.0484

C(2) 0.054096 0.015543 3.480397 0.0005
C(3) 0.925964 0.023153 39.99393 0.0000

Log likelihood -551.1008 Schwarz criterion 7.757716

Avg. log likelihood -3.827089 Hannan-Quinn criter. 7.720985
Akaike info criterion 7.695844
Determinant residual covariance 123.5074

Equation: CN=C(1)+C(2)*GNP+C(3)*CN(-1)
Observations: 144
R-squared 0.999475 Mean dependent var 1411.162
Adjusted R-squared 0.999468 S.D. dependent var 486.7321
S.E. of regression 11.23099 Sum squared resid 17785.06
Durbin-Watson stat 1.573354

Agregamos la segunda ecuación

I =C (1)+C (2)∗(GNP(−1)−GNP (−2))+C (3)∗GNP (−1)+C (4)∗R(−4)

 Se estima por FIML el sistema

39
 System: FIML_EQ2
Estimation Method: Full Information Maximum Likelihood (BFGS /
Marquardt steps)
Date: 09/24/23 Time: 16:38
Sample: 1950Q1 1985Q4
Included observations: 144
Total system (balanced) observations 144
Convergence achieved after 40 iterations
Coefficient covariance computed using outer product of gradients

Coefficient Std. Error z-Statistic Prob.

C(1) -65.61654 8.438360 -7.775982 0.0000

C(2) 0.253487 0.057535 4.405816 0.0000
C(3) 0.219441 0.005011 43.79582 0.0000
C(4) -11.48641 0.955473 -12.02170 0.0000

Log likelihood -663.1979 Schwarz criterion 9.349133

Avg. log likelihood -4.605541 Hannan-Quinn criter. 9.300159
Akaike info criterion 9.266638
Determinant residual covariance 585.9328

Equation: I=C(1)+C(2)*(GNP(-1)-GNP(-2))+C(3)*GNP(-1)+C(4)* R(-4)

Observations: 144
R-squared 0.965667 Mean dependent var 383.8354
Adjusted R-squared 0.964932 S.D. dependent var 131.0940
S.E. of regression 24.54942 Sum squared resid 84374.33
Durbin-Watson stat 0.842294

Agregamos la tercera ecuación

R=C(1)+C (2)∗GNP+C (3)∗(GNP−GNP (−1))+C (4 )∗(M −M (−1))+C (5)∗(R (−1)+ R (−2))

 Se estima por FIML el sistema

40
 System: FIML_EQ3
Estimation Method: Full Information Maximum Likelihood (BFGS /
Marquardt steps)
Date: 09/24/23 Time: 16:39
Sample: 1950Q1 1985Q4
Included observations: 144
Total system (balanced) observations 144
Convergence achieved after 73 iterations
Coefficient covariance computed using outer product of gradients

Coefficient Std. Error z-Statistic Prob.

C(1) -0.556056 0.406551 -1.367741 0.1714

C(2) 0.000512 0.000228 2.245635 0.0247
C(3) 0.013457 0.002299 5.852256 0.0000
C(4) -0.085251 0.011602 -7.347991 0.0000
C(5) 0.425958 0.019773 21.54256 0.0000

Log likelihood -179.0155 Schwarz criterion 2.658889

Avg. log likelihood -1.243163 Hannan-Quinn criter. 2.597672
Akaike info criterion 2.555771
Determinant residual covariance 0.703596

Equation: R=C(1)+C(2)*GNP+C(3)*(GNP-GNP(-1))+C(4)*(M-M(-1))
+C(5)*(R(-1)+R(-2))
Observations: 144
R-squared 0.933695 Mean dependent var 5.153430
Adjusted R-squared 0.931787 S.D. dependent var 3.268894
S.E. of regression 0.853759 Sum squared resid 101.3178
Durbin-Watson stat 1.367832

d) Por sistema con información completa (todas las ecuaciones del modelo)

CN =C (1)+ C(2)∗GNP +C (3)∗CN (−1)

I =C (4 )+C (5)∗(GNP(−1)−GNP (−2))+C (6)∗GNP(−1)+C(7 )∗R(−4)
R=C(8)+C (9)∗GNP +C (10)∗(GNP−GNP (−1))+C (11)∗(M −M (−1))+C (12)∗(R (−1)+ R (−2
Se estima por FIML el sistema

41
 System: FIML_SYS
Estimation Method: Full Information Maximum Likelihood (BFGS /
Marquardt steps)
Date: 09/24/23 Time: 16:42
Sample: 1950Q1 1985Q4
Included observations: 144
Total system (balanced) observations 432
Convergence achieved after 42 iterations
Coefficient covariance computed using outer product of gradients

Coefficient Std. Error z-Statistic Prob.

C(1) -10.63443 5.726446 -1.857073 0.0633

C(2) 0.059291 0.018322 3.236029 0.0012
C(3) 0.918245 0.027403 33.50879 0.0000
C(4) -65.44981 10.19855 -6.417558 0.0000
C(5) 0.235753 0.064210 3.671602 0.0002
C(6) 0.219710 0.005543 39.63806 0.0000
C(7) -11.57840 1.077434 -10.74627 0.0000
C(8) -0.725752 0.452671 -1.603266 0.1089
C(9) 0.000747 0.000247 3.021620 0.0025
C(10) 0.007476 0.003585 2.085321 0.0370
C(11) -0.060297 0.017925 -3.363890 0.0008
C(12) 0.398621 0.021912 18.19176 0.0000

Log likelihood -1383.799 Schwarz criterion 19.63359

Avg. log likelihood -3.203239 Hannan-Quinn criter. 19.48667
Akaike info criterion 19.38610
Determinant residual covariance 44614.08

Equation: CN=C(1)+C(2)*GNP+C(3)*CN(-1)
Observations: 144
R-squared 0.999475 Mean dependent var 1411.162
Adjusted R-squared 0.999467 S.D. dependent var 486.7321
S.E. of regression 11.23478 Sum squared resid 17797.05
Durbin-Watson stat 1.556756

Equation: I=C(4)+C(5)*(GNP(-1)-GNP(-2))+C(6)*GNP(-1)+C(7)* R(-4)

Observations: 144
R-squared 0.965654 Mean dependent var 383.8354
Adjusted R-squared 0.964918 S.D. dependent var 131.0940
S.E. of regression 24.55432 Sum squared resid 84408.03
Durbin-Watson stat 0.830577

Equation: R=C(8)+C(9)*GNP+C(10)*(GNP-GNP(-1))+C(11)*(M-M(-1))
+C(12)*(R(-1)+R(-2))
Observations: 144
R-squared 0.931051 Mean dependent var 5.153430
Adjusted R-squared 0.929067 S.D. dependent var 3.268894
S.E. of regression 0.870614 Sum squared resid 105.3578
Durbin-Watson stat 1.223161

ESTIMACION MOMENTOS GENERALES GMM

 Object
 New Object
 System

CN =C (1)+ C(2)∗gnp+ C(3)∗CN (−1)

42
 I =C (4 )+C (5)∗(GNP(−1)−gnp (−2))+C (6)∗GNP (−1)+C (7)∗R(−4)
R=C(8)+C (9)∗GNP +C (10)∗(GNP−GNP (−1))+C (11)∗(M −M (−1))+C (12)∗(R (−1)+ R (−2))

INST C CN (−1)(GNP (−1)−gnp(−2))GNP(−1) R(−4)(GNP−GNP(−1))( M −M (−1))(R(−1)+ R(−2

 Estimate
 Generalized Method of Moments

43
System: UNTITLED
Estimation Method: Generalized Method of Moments
Date: 09/24/23 Time: 22:29
Sample: 1950Q1 1985Q4
Included observations: 144
Total system (balanced) observations 432
White Covariance
Linear estimation after one-step weighting matrix

Coefficient Std. Error t-Statistic Prob.

C(1) -12.58592 3.958504 -3.179463 0.0016

C(2) 0.054479 0.015214 3.580794 0.0004
C(3) 0.927620 0.022973 40.37918 0.0000
C(4) -77.03233 7.409681 -10.39617 0.0000
C(5) 0.178176 0.074646 2.386938 0.0174
C(6) 0.223279 0.005852 38.15246 0.0000
C(7) -10.83066 1.357536 -7.978171 0.0000
C(8) -0.452174 0.212706 -2.125813 0.0341
C(9) 0.000536 0.000199 2.690295 0.0074
C(10) 0.011561 0.003450 3.351319 0.0009
C(11) -0.093390 0.014321 -6.521074 0.0000
C(12) 0.424871 0.026614 15.96444 0.0000

Determinant residual covariance 50325.82

J-statistic 0.388203

Equation: CN=C(1)+C(2)*GNP+C(3)*CN(-1)
Instruments: C CN(-1) GNP(-1)-GNP(-2) GNP(-1) R(-4) GNP-GNP(-1) M
-M(-1) R(-1)+R(-2) G
Observations: 144
R-squared 0.999470 Mean dependent var 1411.162
Adjusted R-squared 0.999463 S.D. dependent var 486.7321
S.E. of regression 11.28342 Sum squared resid 17951.49
Durbin-Watson stat 1.561473

Equation: I=C(4)+C(5)*(GNP(-1)-GNP(-2))+C(6)*GNP(-1)+C(7)* R(-4)

Instruments: C CN(-1) GNP(-1)-GNP(-2) GNP(-1) R(-4) GNP-GNP(-1) M
-M(-1) R(-1)+R(-2) G
Observations: 144
R-squared 0.964109 Mean dependent var 383.8354
Adjusted R-squared 0.963340 S.D. dependent var 131.0940
S.E. of regression 25.10034 Sum squared resid 88203.82
Durbin-Watson stat 0.751658

Equation: R=C(8)+C(9)*GNP+C(10)*(GNP-GNP(-1))+C(11)*(M-M(-1))
+C(12)*(R(-1)+R(-2))
Instruments: C CN(-1) GNP(-1)-GNP(-2) GNP(-1) R(-4) GNP-GNP(-1) M
-M(-1) R(-1)+R(-2) G
Observations: 144
R-squared 0.931974 Mean dependent var 5.153430
Adjusted R-squared 0.930016 S.D. dependent var 3.268894
S.E. of regression 0.864767 Sum squared resid 103.9472
Durbin-Watson stat 1.365724

44
3. EVALUACION
Periodo de estimación: 1950q1-1985q4
Estimación por MC3E:

^ t=−5.65049+ 0.03599 8 Y t +0.953068 C t−1

C
^I t=−63.84897 +0.19762 ( Y t−1−Y t−2 ) +0.21643 Y t −11.0644 4 Rt −4

^
Rt =−0.6345 9+ 0.0006311Y t +0.01055 9 (Y t −Y t−1 )−0.0675 1(M t −M t−1)+0.410758 ( R t−1 + Rt −2 )

Para evaluar el modelo planteado anteriormente, usaremos tres criterios:

3.1. Evaluación Económica
3.1.1. Evaluación de los signos obtenidos de los parámetros en la estimación
De la estimación por MC3E evaluamos los signos esperados
Ecuación Signo esperado Signo esperado Conclusión
0< α 1 <1 0< 0.03599 8<1 α 1 : Cumple con lo especificado.
Pasa la evaluación económica
Consumo
α 2> 0 0.953068> 0 α 2 : Cumple con lo especificado.
Pasa la evaluación económica
b 1> 0 0.19762>0 b 1 : Cumple con lo especificado.
Pasa la evaluación económica
b 2> 0 0.21643> 0 b 2 : Cumple con lo especificado.
Inversión
Pasa la evaluación económica
b 3< 0 −11.0644 4< 0 b 3 : Cumple con lo especificado.
Pasa la evaluación económica
c 1 >0 0.0006311> 0 c 1 : Cumple con lo especificado.
Pasa la evaluación económica
c 2 >0 0.01055 9> 0 c 2: Cumple con lo especificado.
Tasa de Pasa la evaluación económica
interés c 3 <0 −0.0675 1<0 c 3: Cumple con lo especificado.
Pasa la evaluación económica
c4> 0 0.410758> 0 c 4 : Cumple con lo especificado.
Pasa la evaluación económica
Fuente: Elaboración Propia
3.1.2. Interpretación
^ t=−5.65049+ 0.03599 8 Y t +0.953068 C t−1
C
^I t=−63.84897+0.19762 ( Y t −1 −Y t−2 ) +0.21643 Y t −11.06444 R t−4

^
Rt =−0.63459+ 0.0006311Y t +0.010559(Y t−Y t−1)−0.06751(M t −M t−1)+0.410758 ( R t−1 + Rt −2 )

Los valores de los parámetros obtenidos, se pueden interpretar de la siguiente manera:

Valores obtenidos que acompañan a las variables explicativas:

45
α 1: Un incremento de 1 unidad monetaria en el ingreso nacional, provocará que el gasto
en consumo aumente en 0. 035998 unidades monetarias, suponiendo que todas las
demás variables se mantienen constantes.
α 2: Un incremento de 1 unidad monetaria en el gasto en consumo del periodo anterior,
provocará que el gasto en consumo presente aumente en 0.953068 unidades monetarias,
suponiendo que todas las demás variables se mantienen constantes.
b 1: Un incremento de 1 unidad monetaria en la diferencia entre el ingreso de los dos
periodos anteriores ( Y t −1−Y t −2 ) , provocará un aumento de 0.19762 unidades monetarias
en la Inversión nacional bruta real, suponiendo que todas las demás variables se
mantienen constantes.
b 2: Un incremento de 1 unidad monetaria en el ingreso nacional, provocará que la
Inversión nacional aumente en 0.21643 unidades monetarias, suponiendo que todas las
demás variables se mantienen constantes.
b 3: Un aumento del 1% en la tasa de interés en el periodo t−4 está asociado con una
disminución de −11.06444 unidades monetarias en la inversión, suponiendo que todas
las demás variables se mantienen constantes.
c 1: Un incremento de 1 unidad monetaria en el ingreso nacional en el periodo actual está
asociado con un aumento de 0.0006311 puntos porcentuales en la tasa de interés,
manteniendo constantes las otras variables.
c 2: Un aumento de 1 unidad monetaria en la diferencia entre el ingreso actual y el
ingreso del periodo anterior, está asociado con un aumento de 0.010559 puntos
porcentuales en la tasa de interés, manteniendo constantes las otras variables.
c 3: Un aumento de 1 unidad en la diferencia entre la reserva monetaria en el periodo
actual y el periodo anterior esta asociada con una disminución de 0.06751 puntos
porcentuales en la tasa de interés, manteniendo constantes las otras variables.
c 4 : Un aumento de 1 unidad en la suma de las tasas de interés de los dos periodos
anteriores está asociada con un aumento de 0.410758 puntos porcentuales en la tasa de
interés, manteniendo constantes las otras variables.
Valores obtenidos de los interceptos
α 0 : Establece que independientemente de lo que suceda en la economía, su gasto en
consumo será de 5 .65049 unidades monetarias.
b 0: Establece que independientemente de lo que suceda en la economía, se hará una
inversión de 63.84897 unidades monetarias.
c 0: Establece que independientemente de lo que suceda en la economía, la tasa de
interés será de 63.459 % .

46
3.2. Evaluación Estadística
3.2.1. Evaluación estadística individual
β^ i−β i
t c= comparado con t t =t α
S ^β
i
( 2 ,( n−k ) gl)

Si t c > t t se rechaza la hipótesis nula H 0 Si P<0.05 se rechaza la hipótesis nula H 0

Si t c < t t se acepta la hipótesis nula H 0 Si P>0.05 se acepta la hipótesis nula H 0

Primera ecuación

C t=α 0 + α 1 Y t +α 2 C t−1

α1

Comparamos el t calculado (t statistic) con el t de tabla, para la variable ingreso α 1 en la

ecuación 1, en MC3E SISTEMA

H 0 :α 1=0(no significativo)

H 1 : α 1 ≠ 0(significativo)

t C =2 .055809 t t=1.976931488634242
α =5 %=0.05
Coefficient Std. Error t-Statistic Prob.

C(1) -5.650495 4.812286 -1.174181 0.2410

gl=T −k =144−3=141
C(2) 0.035998 0.017510 2.055809 0.0404
C(3) 0.953068 0.026151 36.44479 0.0000
1-0.025 = 0.975
C(4) -63.84897 7.893085 -8.089228 0.0000 Scalar t= @qtdist (0.975,141)¿
C(5) 0.197624 0.069002 2.864037 0.0044 1.976931488634242
C(6) 0.216432 0.005304 40.80866 0.0000
C(7) -11.06444 1.129261 -9.797941 0.0000
C(8) -0.634589 0.296998 -2.136677 0.0332
C(9) 0.000631 0.000222 2.845050 0.0047
C(10) 0.010559 0.002974 3.550906 0.0004
C(11) -0.067510 0.014114 -4.783057 0.0000
C(12) 0.410758 0.024643 16.66810 0.0000

Determinant residual covariance 38741.69

t C > t t , se rechaza H 0 y se acepta H 1 , lo que quiere decir que el parámetro es

estadísticamente diferente de 0, es decir es significativo. La variable ingreso si explica
al consumo real.

47
α2

t C =36.44479 t t=1.976931488634242
α =5 %=0.05
Coefficient Std. Error t-Statistic Prob.

C(1) -5.650495 4.812286 -1.174181 0.2410

gl=T −k =144−3=141
C(2) 0.035998 0.017510 2.055809 0.0404
C(3) 0.953068 0.026151 36.44479 0.0000
1-0.025 = 0.975
C(4) -63.84897 7.893085 -8.089228 0.0000 Scalar t= @qtdist (0.975,141)
C(5) 0.197624 0.069002 2.864037 0.0044 ¿ 1.976931488634242
C(6) 0.216432 0.005304 40.80866 0.0000
C(7) -11.06444 1.129261 -9.797941 0.0000
C(8) -0.634589 0.296998 -2.136677 0.0332
C(9) 0.000631 0.000222 2.845050 0.0047
C(10) 0.010559 0.002974 3.550906 0.0004
C(11) -0.067510 0.014114 -4.783057 0.0000
C(12) 0.410758 0.024643 16.66810 0.0000

Determinant residual covariance 38741.69

t C > t t , se rechaza H 0 y se acepta H 1 , lo que quiere decir que el parámetro es

estadísticamente diferente de 0, es decir es significativo. La variable consumo rezagado
en un periodo si explica al consumo real.
Segunda ecuación

I t=b0 +b1 (Y t−1−Y t −2)+b 2 Y t + b3 R t−4

β1

t C =2.864037 t t=1.977053719657084
α =5 %=0.05
Coefficient Std. Error t-Statistic Prob.

C(1) -5.650495 4.812286 -1.174181 0.2410

gl=T −k =144−4=140
C(2) 0.035998 0.017510 2.055809 0.0404
C(3) 0.953068 0.026151 36.44479 0.0000
1-0.025 = 0.975
C(4) -63.84897 7.893085 -8.089228 0.0000 Scalar t= @qtdist (0.975,140)
C(5) 0.197624 0.069002 2.864037 0.0044 ¿ 1.977053719657084
C(6) 0.216432 0.005304 40.80866 0.0000
C(7) -11.06444 1.129261 -9.797941 0.0000
C(8) -0.634589 0.296998 -2.136677 0.0332
C(9) 0.000631 0.000222 2.845050 0.0047
C(10) 0.010559 0.002974 3.550906 0.0004
C(11) -0.067510 0.014114 -4.783057 0.0000
C(12) 0.410758 0.024643 16.66810 0.0000

Determinant residual covariance 38741.69

48
t C > t t , se rechaza H 0 y se acepta H 1 , lo que quiere decir que el parámetro es
estadísticamente diferente de 0, es decir es significativo. La variable variación del
ingreso ( Y t −1−Y t −2 ) si explica a la inversión real.
β2

t C =40.80866 t t=1.977053719657084
α =5 %=0.05
Coefficient Std. Error t-Statistic Prob.

C(1) -5.650495 4.812286 -1.174181 0.2410

gl=T −k =144−4=140
C(2) 0.035998 0.017510 2.055809 0.0404
C(3) 0.953068 0.026151 36.44479 0.0000
1-0.025 = 0.975
C(4) -63.84897 7.893085 -8.089228 0.0000 Scalar t= @qtdist (0.975,140)
C(5) 0.197624 0.069002 2.864037 0.0044 ¿ 1.977053719657084
C(6) 0.216432 0.005304 40.80866 0.0000
C(7) -11.06444 1.129261 -9.797941 0.0000
C(8) -0.634589 0.296998 -2.136677 0.0332
C(9) 0.000631 0.000222 2.845050 0.0047
C(10) 0.010559 0.002974 3.550906 0.0004
C(11) -0.067510 0.014114 -4.783057 0.0000
C(12) 0.410758 0.024643 16.66810 0.0000

Determinant residual covariance 38741.69

t C> tt

se rechaza H 0 y se acepta H 1 , lo que quiere decir que el parámetro es estadísticamente

diferente de 0, es decir es significativo. La variable ingreso si explica a la inversión.

β3

t C =−9.797941 t t=1.977053719657084
α =5 %=0.05
Coefficient Std. Error t-Statistic Prob.

C(1) -5.650495 4.812286 -1.174181 0.2410

gl=T −k =144−4=140
C(2) 0.035998 0.017510 2.055809 0.0404
C(3) 0.953068 0.026151 36.44479 0.0000
1-0.025 = 0.975
C(4) -63.84897 7.893085 -8.089228 0.0000 Scalar t= @qtdist (0.975,140)
C(5) 0.197624 0.069002 2.864037 0.0044 ¿ 1.977053719657084
C(6) 0.216432 0.005304 40.80866 0.0000
C(7) -11.06444 1.129261 -9.797941 0.0000
C(8) -0.634589 0.296998 -2.136677 0.0332
C(9) 0.000631 0.000222 2.845050 0.0047
C(10) 0.010559 0.002974 3.550906 0.0004
C(11) -0.067510 0.014114 -4.783057 0.0000
C(12) 0.410758 0.024643 16.66810 0.0000

Determinant residual covariance 38741.69

49
t C < t t , se acepta H 0 y se rechaza H 1 , lo que quiere decir que el parámetro no es
estadísticamente diferente de 0, es decir no es significativo. La variable tasa de interés
rezagada en cuatro periodos no explica a la inversión real.

Tercera ecuación

Rt =c 0 +c 1 Y t +c 2 (Y t −Y t −1 )+c 3 (M t−M t −1)+c 4 ( R t−1 + Rt −2 )

c1

t C =2.845050 t t=1.97717772449034
α =5 %=0.05
Coefficient Std. Error t-Statistic Prob.

C(1) -5.650495 4.812286 -1.174181 0.2410

gl=T −k =144−5=139
C(2) 0.035998 0.017510 2.055809 0.0404
C(3) 0.953068 0.026151 36.44479 0.0000
1-0.025 = 0.975
C(4) -63.84897 7.893085 -8.089228 0.0000 Scalar t= @qtdist (0.975,139)
C(5) 0.197624 0.069002 2.864037 0.0044 ¿ 1.97717772449034
C(6) 0.216432 0.005304 40.80866 0.0000
C(7) -11.06444 1.129261 -9.797941 0.0000
C(8) -0.634589 0.296998 -2.136677 0.0332
C(9) 0.000631 0.000222 2.845050 0.0047
C(10) 0.010559 0.002974 3.550906 0.0004
C(11) -0.067510 0.014114 -4.783057 0.0000
C(12) 0.410758 0.024643 16.66810 0.0000

Determinant residual covariance 38741.69

t C ¿ t t se rechaza H 0 y se acepta H 1 , lo que quiere decir que el parámetro es

estadísticamente diferente de 0, es decir es significativo. La variable ingreso explica a la
tasa de interés en bonos de tesorería a tres meses.

c2

t C =3.550906 t t=1.97717772449034
α =5 %=0.05
gl=T −k =144−5=139
1-0.025 = 0.975
Scalar t= @qtdist (0.975,139)
¿ 1.97717772449034

50
 Coefficient Std. Error t-Statistic Prob.

C(1) -5.650495 4.812286 -1.174181 0.2410

C(2) 0.035998 0.017510 2.055809 0.0404
C(3) 0.953068 0.026151 36.44479 0.0000
C(4) -63.84897 7.893085 -8.089228 0.0000
C(5) 0.197624 0.069002 2.864037 0.0044
C(6) 0.216432 0.005304 40.80866 0.0000
C(7) -11.06444 1.129261 -9.797941 0.0000
C(8) -0.634589 0.296998 -2.136677 0.0332
C(9) 0.000631 0.000222 2.845050 0.0047
C(10) 0.010559 0.002974 3.550906 0.0004
C(11) -0.067510 0.014114 -4.783057 0.0000
C(12) 0.410758 0.024643 16.66810 0.0000

Determinant residual covariance 38741.69

t C > t t , se rechaza H 0 y se acepta H 1 , lo que quiere decir que el parámetro es

estadísticamente diferente de 0, es decir es significativo. La variable variación del
ingreso ( Y t −Y t −1) si explica a la tasa de interés en bonos de tesorería a tres meses.

c3

t C =−4.783057 t t=1.97717772449034
α =5 %=0.05
Coefficient Std. Error t-Statistic Prob.

C(1) -5.650495 4.812286 -1.174181 0.2410

gl=T −k =144−5=139
C(2) 0.035998 0.017510 2.055809 0.0404
C(3) 0.953068 0.026151 36.44479 0.0000
1-0.025 = 0.975
C(4) -63.84897 7.893085 -8.089228 0.0000 Scalar t= @qtdist (0.975,139)
C(5) 0.197624 0.069002 2.864037 0.0044 ¿ 1.97717772449034
C(6) 0.216432 0.005304 40.80866 0.0000
C(7) -11.06444 1.129261 -9.797941 0.0000
C(8) -0.634589 0.296998 -2.136677 0.0332
C(9) 0.000631 0.000222 2.845050 0.0047
C(10) 0.010559 0.002974 3.550906 0.0004
C(11) -0.067510 0.014114 -4.783057 0.0000
C(12) 0.410758 0.024643 16.66810 0.0000

Determinant residual covariance 38741.69

t C < t t , se acepta H 0 y se rechaza H 1 , lo que quiere decir que el parámetro no es

estadísticamente diferente de 0, es decir la variable no es significativa. La variable
variación de reserva monetaria real ( M t −M t−1 ) no explica a la tasa de interés en bonos
de tesorería a tres meses.

c4

51
 t C =16.66810 t t=1.97717772449034
α =5 %=0.05
Coefficient Std. Error t-Statistic Prob.

C(1) -5.650495 4.812286 -1.174181 0.2410

gl=T −k =144−5=139
C(2) 0.035998 0.017510 2.055809 0.0404
C(3) 0.953068 0.026151 36.44479 0.0000
1-0.025 = 0.975
C(4) -63.84897 7.893085 -8.089228 0.0000 Scalar t= @qtdist (0.975,139)
C(5) 0.197624 0.069002 2.864037 0.0044 ¿ 1.97717772449034
C(6) 0.216432 0.005304 40.80866 0.0000
C(7) -11.06444 1.129261 -9.797941 0.0000
C(8) -0.634589 0.296998 -2.136677 0.0332
C(9) 0.000631 0.000222 2.845050 0.0047
C(10) 0.010559 0.002974 3.550906 0.0004
C(11) -0.067510 0.014114 -4.783057 0.0000
C(12) 0.410758 0.024643 16.66810 0.0000

Determinant residual covariance 38741.69

t C > t t , se rechaza H 0 y se acepta H 1 , lo que quiere decir que el parámetro es

estadísticamente diferente de 0, es decir es significativo. La variable variación tasa de
interés en bonos de tesorería a tres meses ( Rt −1+ R t−2 )si explica a la tasa de interés en
bonos de tesorería a tres meses.

3.2.2. Evaluación estadística conjunta

1 forma:
Se plantea la hipótesis:
H 0 : β 0=β 1=… β k =0 (No estadisticamente significativa en su conjunto)

H 1 : β0 ≠ β 1 ≠ … β k ≠ 0(Estadisticamente significativa en su conjunto)

Se define la regla:
F c > F t Se rechaza H 0

F c < F t Se acepta H 0
2
F c= R /(K −1) comparado con F T =F α(k−1)(n−k)
%
=t (α ,(k−1) ( n−k ) g . l)
¿¿

En MC3E

52
 System: MC3ESISTEMA
Estimation Method: Three-Stage Least Squares
Date: 09/27/23 Time: 15:36
Sample: 1950Q1 1985Q4
Included observations: 144
Total system (balanced) observations 432
Linear estimation after one-step weighting matrix

Coefficient Std. Error t-Statistic Prob.

C(1) -5.650495 4.812286 -1.174181 0.2410

C(2) 0.035998 0.017510 2.055809 0.0404
C(3) 0.953068 0.026151 36.44479 0.0000
C(4) -63.84897 7.893085 -8.089228 0.0000
C(5) 0.197624 0.069002 2.864037 0.0044
C(6) 0.216432 0.005304 40.80866 0.0000
C(7) -11.06444 1.129261 -9.797941 0.0000
C(8) -0.634589 0.296998 -2.136677 0.0332
C(9) 0.000631 0.000222 2.845050 0.0047
C(10) 0.010559 0.002974 3.550906 0.0004
C(11) -0.067510 0.014114 -4.783057 0.0000
C(12) 0.410758 0.024643 16.66810 0.0000

Determinant residual covariance 38741.69

Equation: CN=C(1)+C(2)*GNP+C(3)*CN(-1)
Instruments: C CN(-1) GNP(-1)-GNP(-2) R(-4) GNP-GNP(-1) M-M(-1) R(-1)
+R(-2) G
Observations: 144
R-squared 0.999471 Mean dependent var 1411.162
Adjusted R-squared 0.999463 S.D. dependent var 486.7321
S.E. of regression 11.27695 Sum squared resid 17930.92
Durbin-Watson stat 1.616823

Equation: I=C(4)+C(5)*(GNP(-1)-GNP(-2))+C(6)*GNP+C(7)*R(-4)
Instruments: C CN(-1) GNP(-1)-GNP(-2) R(-4) GNP-GNP(-1) M-M(-1) R(-1)
+R(-2) G
Observations: 144
R-squared 0.967507 Mean dependent var 383.8354
Adjusted R-squared 0.966811 S.D. dependent var 131.0940
S.E. of regression 23.88256 Sum squared resid 79852.72
Durbin-Watson stat 0.552998

Equation: R=C(8)+C(9)*GNP+C(10)*(GNP-GNP(-1))+C(11)*(M-M(-1))
+C(12)*(R(-1)+R(-2))
Instruments: C CN(-1) GNP(-1)-GNP(-2) R(-4) GNP-GNP(-1) M-M(-1) R(-1)
+R(-2) G
Observations: 144
R-squared 0.932664 Mean dependent var 5.153430
Adjusted R-squared 0.930726 S.D. dependent var 3.268894
S.E. of regression 0.860372 Sum squared resid 102.8934
Durbin-Watson stat 1.268857

Comparamos el F calculado con el F de tabla para la primera ecuación

C t=α 0 + α 1 Y t +α 2 C t−1

53
 2
R
k −1 F t=3.060291772241261
F c= =¿ 133199.8213610582
( 1−R 2 )
T −k

scalar fc=((0.999471/2)/ ((1-0.999471)/141)) scalar f = @qfdist (0.95,2,141)

α =5 %=0.05
gl=N =K−1=3−1=2
gl=D=T− K=144−3=141

F C> F t

se rechaza H 0 y se acepta H 1 , lo que quiere decir que el conjunto de variables de la

primera ecuación son significativas, es decir explican bien el modelo.

Comparamos el F calculado con el F de tabla para la segunda ecuación

I t=b0 +b1 (Y t−1−Y t −2)+b 2 Y t + b3 R t−4

2
R
k −1 F t=2.669256363531291
F c= =¿ 1389.540106074129
( 1−R 2 )
T −k

scalar fc=((0.967507/3)/ ((1-0.967507)/140)) scalar f = @qfdist (0.95,3,140)

α =5 %=0.05
gl=N =K−1=4−1=3
gl=D=T− K=144−4=140

F C> F t

se rechaza H 0 y se acepta H 1 , lo que quiere decir que el conjunto de variables de la

segunda ecuación son significativas, es decir explican bien el modelo.

54
Comparamos el F calculado con el F de tabla para la tercera ecuación
Rt =c 0 +c 1 Y t +c 2 (Y t −Y t −1 )+c 3 (M t−M t −1)+c 4 ( R t−1 + Rt −2 )

2
R
k −1 F t=¿ 2.436787666763778
F c= =¿ 481.3186705477015
( 1−R 2 )
T −k

scalar fc=(( 0.932664/4)/ ((1-0.932664)/139)) scalar f = @qfdist (0.95,4,139)

α =5 %=0.05
gl=N =K−1=5−1=4
gl=D=T− K=144−5=139

F C> F t

se rechaza H 0 y se acepta H 1 , lo que quiere decir que el conjunto de variables de la

tercera ecuación son significativas, es decir explican bien el modelo.

Segunda forma
Tomando en cuenta el R2 conjunto

( ) ( ) ( )
2 2 2
2 2 σ1 2 σ2 2 σ3
R =R
c 1 +R 2 +R 3 =¿ 0.9733255614748085
σ 21+ σ 22 +σ 23 σ 21 +σ 22 + σ 23 σ 21 ++ σ 22+ σ 23

Scalar r2conjunto=(0.999471*(17930.92/(17930.92+79852.72+102.8934)))+(
0.967507*(79852.72/(17930.92+79852.72+102.8934)))+(
0.932664*(102.8934/(17930.92+79852.72+102.8934)))

Lo que quiere decir que el conjunto de variables explica en un 97.33% el modelo.

3.3. Prueba de Normalidad

3.3.1. Test de Jarque Bera
Se realiza la evaluación de los errores
H 0 :e ¿ N (distribución normal)
H 1 : e¿ ≠ N (no distribución normal)
2
J B < X 2 Se acepta H 0 Es decir, los errores siguen una distribución normal.
2
J B > X 2 Se rechaza H 0, Es decir, los errores no toman una distribución normal.

55
El resultado de la prueba se compara siempre con un valor de tabla ( χ 2con 2 gl, que es
5.99).
En MC3E, view---residual diagnostic---normality test
System Residual Normality Tests
Orthogonalization: Cholesky (Lutkepohl)
Null Hypothesis: residuals are multivariate normal
Date: 09/29/23 Time: 14:14
Sample: 1950Q1 1985Q4
Included observations: 144

Component Skewness Chi-sq df Prob.

1 -0.904167 19.62044 1 0.0000

2 0.120484 0.348396 1 0.5550
3 0.199434 0.954571 1 0.3286

Joint 20.92341 3 0.0001

Component Kurtosis Chi-sq df Prob.

1 6.345475 67.15321 1 0.0000

2 3.242272 0.352174 1 0.5529
3 5.459281 36.28837 1 0.0000

Joint 103.7938 3 0.0000

Component Jarque-Bera df Prob.

1 86.77365 2 0.0000
2 0.700569 2 0.7045
3 37.24294 2 0.0000

Joint 124.7172 6 0.0000

En la primera ecuación
Comparamos el valor de jarque Bera con un chi cuadrado con dos grados de libertad.
86.77 5.99
scalar x2 = @qchisq
(0.95,2)

2
Valor JB> χ (0.05 ,2)

se rechaza H 0 y se acepta H 1 , lo que quiere decir que los errores de la primera

ecuación no siguen una distribución normal.

En la segunda ecuación
Comparamos el valor de jarque Bera con un chi cuadrado con dos grados de libertad.

56
 0.70 5.99
scalar x2 = @qchisq
(0.95,2)

2
Valor JB< χ (0.05 ,2)

se acepta H 0 y se rechaza H 1 , lo que quiere decir que los errores de la segunda

ecuación siguen una distribución normal.

En la tercera ecuación
Comparamos el valor de jarque Bera con un chi cuadrado con dos grados de libertad.
37.24 5.99
scalar x2 = @qchisq
(0.95,2)

2
Valor JB ¿ χ (0.05 ,2 )

se rechaza H 0 y se acepta H 1 , lo que quiere decir que los errores de la segunda

ecuación no siguen una distribución normal.

3.4. Prueba de simultaneidad

3.4.1. Test de Hausman
Según la metodología Gujarati:

H 0: La variable es exógena (no presenta simultaneidad)

H 1: La variable es endógena (presenta simultaneidad)

Pasos:

1. Efectúa la regresión de la forma reducida.

2. Luego se saca el forecast a cada variable en su ecuación reducida y el error de
las dos ecuaciones en MC3E.
3. Luego se estimará cada ecuación tomando en cuenta las variables forecast y los
residuos de estas.

57
 Dependent Variable: CN
Method: Least Squares
Date: 09/29/23 Time: 18:01
Sample: 1950Q1 1985Q4
Included observations: 144

Variable Coefficient Std. Error t-Statistic Prob.

C -9.517155 1.18E-11 -8.06E+11 0.0000

GNPF 0.054380 4.38E-14 1.24E+12 0.0000
CN(-1) 0.925540 6.54E-14 1.42E+13 0.0000
RESID01 1.000000 1.98E-13 5.05E+12 0.0000

R-squared 1.000000 Mean dependent var 1411.163

Adjusted R-squared 1.000000 S.D. dependent var 486.7321
S.E. of regression 2.65E-11 Akaike info criterion -45.83899
Sum squared resid 9.87E-20 Schwarz criterion -45.75649
Log likelihood 3304.407 Hannan-Quinn criter. -45.80547
F-statistic 1.60E+28 Durbin-Watson stat 0.230555
Prob(F-statistic) 0.000000

ρ=0.00<α =0.05
Dado que su probabilidad es menor que el 5%, entonces se rechaza H 0 y se acepta H 1,lo
que quiere decir que en la primera ecuación del modelo existe interdependencia
(endogeneidad).

3.4.2. Test de j-stadistic

Se compara un estadístico calculado (J-Stats) con un estadístico tabulado
H 0: La variable es exógena
H 1: La variable es endógena

Para la primera ecuación

En MC2E DIRECTA

58
 Endogeneity Test
Null hypothesis: GNP are exogenous
Equation: EQ01MC2EDIRECTA
Specification: CN C GNP CN(-1)
Instrument specification: C CN(-1) GNP(-1)-GNP(-2) R(-4) GNP-GNP(-1) M
-M(-1) R(-1)+R(-2) G
Endogenous variables to treat as exogenous: GNP

Value df Probability
Difference in J-stats 0.001381 1 0.9704

J-statistic summary:
Value
Restricted J-statistic 77.31609
Unrestricted J-statistic 77.31471

Estadístico calculado vs estadístico tabulado

J d =0.001381 2
x =3.84
α =0.05
gl=1
scalar x2 = @qchisq (0.95,1)

J d =0.001381 < x 2=3.84

Se acepta H 0, lo que quiere decir que la variable ingreso en la función consumo es

endógena.
*También podemos comparar la probabilidad, llevándonos a la misma conclusión. Se
acepta H 0
ρ=0.9704> α =0.05

59
60