Extensiones del

modelo de regresin
lineal con dos
variables

Regresin
origen

travs

del

Hay ocasiones en las cuales la funcin de regresin poblacional

(FRP) de dos variables adquiere la siguiente forma:

En este modelo, el trmino del intercepto est ausente o es cero, lo

cual explica el nombre: regresin a travs del origen.
A manera de ilustracin consideremos el modelo de asignacin de
precios de activos de capital (CAPM, del ingls capital asset pricing
model) de la teora moderna de portafolios, la cual, en su versin
de prima por riesgo, se expresa como:

Donde:
ERi = tasa esperada de rendimiento del ttulo i.
ERm = tasa esperada de rendimiento del portafolios del mercado
como la representa, por ejemplo, el ndice compuesto de
acciones S&P 500.
rf = tasa de rendimiento libre de riesgo, por ejemplo, el
rendimiento de los bonos del Tesoro estadounidense a 90 das.
i = el coeficiente Beta, una medida de riesgo sistemtico, es
decir, el riesgo que no se ha eliminado con la diversificacin.
Asimismo, es una medida del grado en el cual la i-sima tasa de
rendimiento del ttulo se mueve con el mercado. Un i > 1 implica
un ttulo voltil o riesgoso, mientras que i < 1 es un ttulo seguro.
(Nota: No confunda esta i con el coeficiente de la pendiente de
la regresin con dos variables, 2.)

Si los mercados de capitales funcionan de manera eficiente, el

CAPM postula que la prima esperada por el riesgo del ttulo (=
ERi rf) es igual a ese coeficiente del ttulo multiplicado por la
prima esperada del riesgo del mercado (= ERm rf). Si el CAPM se
mantiene se da la situacin que se indica a continuacin:

La lnea que aparece en la figura se conoce como lnea del

mercado de valores (LMV).

Para fines empricos, el CAPM suele expresarse as:

Este ltimo modelo se conoce como el Modelo del Mercado. Si el

CAPM es vlido, se espera que i sea cero, como se muestra a
continuacin:

Observen que la ltima ecuacin, la variable dependiente, Y, es

(Ri rf), y la variable explicativa, X, es i, el coeficiente de
volatilidad, y no (Rm rf). Por consiguiente, para realizar la
regresin, se debe estimar primero i, el cual se obtiene por lo
general de la lnea caracterstica.

Como muestra este ejemplo, algunas veces la teora que sirve

de base requiere que el trmino del intercepto est ausente del
modelo. La hiptesis del ingreso permanente de Milton
Friedman, que afirma que el consumo permanente es
proporcional al ingreso permanente, es otro caso en el que el
modelo de intercepto cero puede ser apropiado, como tambin
en la teora del anlisis de costos, que postula que la variable
costo de produccin es proporcional a la produccin; y algunas
versiones de la teora monetarista que afirman que la tasa de
cambio de los precios (es decir, la tasa de inflacin) es
proporcional a la tasa de cambio de la oferta monetaria.

Cmo se estiman modelos stos modelos y qu problemas

presentan?
Para responder, primero escribimos la FRM, a saber:

Ahora aplicamos el mtodo MCO a (6.1.5) y se obtienen las

siguientes frmulas para 2 y su varianza :

Es interesante comparar estas frmulas con las obtenidas

cuando se incluye el trmino del intercepto en el modelo:

Deben ser obvias las diferencias entre estos dos conjuntos de

frmulas: en el modelo sin trmino de intercepto se utilizan
sumas de cuadrados simples y productos cruzados, pero en el
modelo con intercepto, se utilizan sumas de cuadrados ajustadas
(de la media) y productos cruzados.
Segundo, los gl para calcular 2 son (n 1) en el primer caso y
(n 2) en el segundo

Aunque el modelo sin intercepto o con intercepto cero puede ser

apropiado en algunas ocasiones, deben observarse algunas
caractersticas de este modelo. Primero, , que es siempre
cero en el modelo con intercepto (el modelo convencional), no
necesita serlo cuando ese trmino est ausente. En resumen,
no necesita ser cero en la regresin a travs del origen.
Segundo, 2 , el coeficiente de determinacin, que siempre es no
negativo en el modelo convencional, en ocasiones puede volverse
negativo en el modelo sin intercepto. Este resultado anmalo
surge porque el 2 que presentamos, supone explcitamente que
el intercepto est incluido en el modelo. Por consiguiente, el 2
calculado convencionalmente puede no ser apropiado en los
modelos de regresin a travs del origen.

para el modelo de
regresin a travs del origen
El 2 convencional no es apropiado en regresiones que no
incluyan o no consideren el intercepto. Pero se puede calcular
para tales modelos, lo que se conoce como el simple, el cual
se define como:

Nota: Se trata de sumas de cuadrados simples (es decir, no

corregidas por la media) y de productos cruzados.

A pesar de que este 2 simple satisface la relacin 0 < 2 < 1, no

es directamente comparable con el valor 2 convencional. Por
esta razn, algunos autores no presentan el valor 2 en los
modelos de regresin con intercepto cero.
Debido a las caractersticas especiales de este modelo, se debe
tener mucho cuidado al utilizar el modelo de regresin con
intercepto cero. A menos que haya una expectativa a priori muy
slida, es aconsejable apegarse al modelo convencional con
presencia de intercepto. Esto tiene una doble ventaja. Primero, si
se incluye en el modelo el trmino del intercepto pero es
estadsticamente no significativo (es decir, estadsticamente igual
a cero), para todos los fines prcticos se tiene una regresin a
travs del origen. Segundo y ms importante, si el modelo s
tiene un intercepto pero insistimos en ajustar una regresin a
travs del origen, cometeramos un error de especificacin.

Formas funcionales de
modelos de regresin

los

Como se menciono anteriormente, la Ctedra trata sobre todo con

modelos lineales en los parmetros, que pueden ser o no lineales
en las variables. En las secciones que siguen consideraremos
algunos modelos de regresin muy comunes, que pueden ser no
lineales en las variables pero s lineales en los parmetros, o que
pueden serlo mediante transformaciones apropiadas de las
variables. En particular, analizaremos los siguientes modelos de
regresin:
1.
2.
3.
4.

El modelo log-lineal.
Modelos semilogartmicos.
Modelos recprocos.
El modelo logartmico recproco.

A continuacin, analizaremos las caractersticas especiales de

cada modelo, los casos en los cuales su uso es apropiado y la
forma de estimarlos.

Cmo medir la elasticidad:

modelo log-lineal
Considere el siguiente modelo, conocido como modelo de
regresin exponencial:

que puede expresarse tambin como:

donde ln = logaritmo natural (es decir, logaritmo en base e y donde

e = 2,718).

Si escribimos la ecuacin anterior como:

donde = ln 1, este modelo es lineal en los parmetros y 2,

lineal en los logaritmos de las variables Y y X, y se estima por
regresin MCO. Debido a esta linealidad, tales modelos se
denominan modelos log-log, doble-log o log-lineales.
Si se cumplen los supuestos del modelo clsico de regresin
lineal, los parmetros de la ltima ecuacin se estiman por el
mtodo MCO, considerando que

donde = y = . Los estimadores de MCO

obtenidos, 2 , sern los mejores estimadores lineales
insesgados de y 2, respectivamente.

Una caracterstica atractiva del modelo log-log, que lo ha hecho

muy popular en el trabajo emprico, es que el coeficiente de la
pendiente 2 mide la elasticidad de Y respecto de X, es decir, el
cambio porcentual en Y ante un pequeo cambio porcentual en
X. As, si Y representa la cantidad demandada de un bien y X su
precio unitario, 2 mide la elasticidad-precio de la demanda,
parmetro de gran inters en economa. Si la relacin entre la
cantidad demandada y el precio es como se muestra en la figura
a), la transformacin doble-log de la figura b) dar entonces la
estimacin de la elasticidad-precio (2).

Pueden observarse dos caractersticas especiales del modelo

log-lineal: el modelo supone que el coeficiente de la elasticidad
entre Y y X, 2, permanece constante a travs del tiempo (por
qu?), de aqu su otro nombre, modelo de elasticidad
constante. En otras palabras, como lo indica la figura b), el
cambio en ln(Y) por unidad de cambio en ln(X) (es decir, la
elasticidad, 2) permanece igual sin importar en cul ln(X) se mida
la elasticidad. Otro aspecto del modelo es que, a pesar de que
2 son estimadores insesgados de y 2, 1 (el parmetro del
modelooriginal) al estimarse como 1 = antilog ( ) es, en s, un
estimador sesgado. En la mayor parte de los problemas prcticos,
sin embargo, el trmino del intercepto es de importancia
secundaria y no es necesario preocuparse por obtener este
estimador insesgado.
En el modelo de dos variables, la forma ms simple de decidir si
el modelo log-lineal se ajusta a los datos es graficar el diagrama
de dispersin de ln( ) frente a ln( ) y ver si las observaciones
caen ms o menos sobre una lnea recta, como en la figura b).

Modelos
semilogartmicos:
log-lin y lin-log
Cmo medir la tasa de crecimiento: modelo log-lin
A los economistas, comerciantes y gobiernos con frecuencia les
interesa encontrar la tasa de crecimiento de ciertas variables
econmicas, como poblacin, PNB, oferta monetaria, empleo,
productividad y dficit comercial.
Supongan que deseamos conocer la tasa de crecimiento del gasto
de consumo personal en servicios para los datos de la tabla que se
indica a continaucin. Sea Yt el gasto real en servicios en el tiempo
t y Y0 el valor inicial del gasto en servicios (es decir, el valor al final
del cuarto trimestre de 2002).

Gasto personal total y categoras (miles de millones de

dlares de 2000 ajustados por la inflacin; datos
trimestrales con tasas anuales ajustadas por
estacionalidad)

Recordaran la muy conocida frmula del inters compuesto,

vista en los cursos bsicos de economa.

donde r es la tasa de crecimiento compuesta de Y (es decir, a

travs del tiempo). Con el logaritmo natural anterior, nos
queda:

Escribimos entonces,

Al agregar el trmino de perturbacin, obtenemos:

Este modelo es como cualquier otro modelo de regresin lineal

en el sentido de que los parmetros 1 y 2 son lineales. La nica
diferencia es que la variable dependiente o regresada es el
logaritmo de Y y la regresora o variable explicativa es el
tiempo, que adquiere valores de 1, 2, 3, etctera.
Los modelos recin vistos, se denominan modelos semilog
porque slo una variable (en este caso, la regresada) aparece
en forma logartmica. Para fines descriptivos, un modelo en el
cual la variable regresada es logartmica se denomina modelo
log-lin. Ms adelante, consideraremos un modelo en el cual la
variable regresada es lineal pero la(s) regresora(s) es (son)
logartmica(s): un modelo lin-log.

Antes de presentar los resultados de la regresin, examinemos

las propiedades del modelo anterior. En este modelo, el
coeficiente de la pendiente mide el cambio proporcional
constante o relativo en Y para un cambio absoluto dado en el
valor de la regresora (en este caso, la variable t), es decir,

Si multiplicamos el cambio relativo en Y por 100, el ratio

anterior dar entonces el cambio porcentual, o la tasa de
crecimiento, en Y ocasionada por un cambio absoluto en X, la
variable regresora.
Es decir, 100 por 2 da como resultado la tasa de crecimiento
en Y; 100 por 2 se conoce, en la bibliografa, como la
semielasticidad de Y respecto de X.

El modelo lin-log
A diferencia del modelo de crecimiento recin estudiado, en el cual
nos interesaba encontrar el crecimiento porcentual en Y ante un
cambio unitario absoluto en X, ahora deseamos encontrar el
cambio absoluto en Y debido a un cambio porcentual en X. Un
modelo que cumple este propsito, se escribe como:

Con fines descriptivos se le llama modelo lin-log.

Interpretemos el coeficiente de la pendiente 2. Como de
costumbre,

El segundo paso se deriva de que un cambio en el log de un

nmero es un cambio relativo.
Simblicamente, tenemos:

donde, como es usual, denota un cambio pequeo. La

ecuacin anterior se escribe, en forma equivalente, as:

Esta ecuacin plantea que el cambio absoluto en Y (= Y) es

igual a la pendiente multiplicada por el cambio relativo en X. Si
este ltimo se multiplica por 100, entonces la ltima ecuacin
da el cambio absoluto en Y ocasionado por un cambio
porcentual en X. As, si X/X cambia en 0,01 unidades (o 1%),
el cambio absoluto en Y es 0,01(2). Por tanto, si en una
aplicacin se encuentra que 2 =500, el cambio absoluto en Y
es (0,01)(500) = 5,0. Por consiguiente, cuando se utiliza MCO
para estimar regresiones como en modelo lin-log, se debe
multiplicar el valor del coeficiente estimado de la pendiente por
0,01, o, lo que es lo mismo, dividirlo entre 100. Si no tiene
presente lo anterior, la interpretacin en una aplicacin ser
muy equivocada.
La pregunta prctica es: cundo resulta til un modelo lin-log?
Se ha encontrado una interesante aplicacin en los as
llamados modelos de gasto Engel.
Engel postul que: el gasto total que se dedica a los alimentos
tiende a incrementarse en progresin aritmtica, mientras que
el gasto total aumenta en progresin geomtrica.

Debe sealarse que, algunas veces, la transformacin

logartmica se emplea para reducir la heteroscedasticidad, as
como la asimetra.
Una caracterstica comn de muchas variables econmicas es
que tienen asimetra positiva (por ejemplo, distribucin del
tamao de las empresas, o distribucin del ingreso o riqueza) y
son heteroscedsticas.
Una transformacin logartmica de dichas variables reduce tanto
la asimetra como la heteroscedasticidad.

Por eso, los economistas laborales acostumbran usar logaritmos

de los salarios en la regresin de stos sobre, por poner un
ejemplo, el nivel de escolaridad, medido ste por los aos de
educacin recibida.

Modelos recprocos
Los modelos del siguiente tipo se conocen como modelos
recprocos:

A pesar de que este modelo es no lineal en la variable X

porque entra inversamente o en forma recproca, el modelo
es lineal en 1 y 2, y, por consiguiente, es un modelo de
regresin lineal.
Este modelo tiene las siguientes caractersticas: a medida que
X aumenta indefinidamente, el trmino 2 (1/X) se acerca a
cero (nota: 2 es una constante) y Y se aproxima al valor lmite
o asinttico 1. Por consiguiente, modelos como recprocos
contienen un valor asinttico o lmite que tomar la variable
dependiente cuando el valor de la variable X aumente
indefinidamente.

Algunas formas probables de la curva correspondiente al

modelo se muestran en las siguientes grficas:

Ejemplo: La curva de Phillips

Una aplicacin importante es la conocida curva de Phillips de
macroeconoma.
Con base en los datos de tasa de variacin porcentual de los
salarios nominales (Y ) y la tasa porcentual de desempleo (X) en
el Reino Unido durante el periodo 1861 a 1957, Phillips obtuvo
una curva cuya forma general se parece a la figura b) (de la
grfica anterior).

Existe asimetra en la respuesta de los cambios salariales en el

nivel de la tasa de desempleo: los salarios aumentan con mayor
rapidez por cada unidad de cambio en el desempleo si la tasa de
desempleo est por debajo de , denominada por los
economistas tasa natural de desempleo (que se define como la
tasa de desempleo requerida para mantener constante la
inflacin [salarial]), y luego disminuyen despacio por un cambio
equivalente cuando la tasa de desempleo est por encima del
nivel natural, , lo que indica el piso asinttico, o 1, para el
cambio salarial.
Esta caracterstica particular de la curva de Phillips puede
deberse a factores institucionales, como el poder de negociacin
de los sindicatos, los salarios mnimos, compensaciones por
desempleo, etctera.

Desde la publicacin del artculo de Phillips se efectu una muy

extensa investigacin sobre la curva de Phillips tanto en el nivel
terico como en el emprico. El espacio de este libro no permite
estudiar los detalles de la controversia en torno a la curva de
Phillips. La curva misma ha pasado por diversas
representaciones. Una formulacin comparativamente reciente la
proporciona Olivier Blanchard. Si denota la tasa de inflacin en
el tiempo t, que se define como el cambio porcentual en el nivel
de precios medido por un ndice de precios representativo, como
el ndice de precios al consumidor (IPC), y si UNt denota la tasa
de desempleo en el tiempo t, entonces la versin moderna de la
curva de Phillips se expresa segn el siguiente formato:

Como no se puede observar de manera directa, en primer lugar

se simplifica con la suposicin de que = 1; es decir, la
inflacin esperada este ao es la tasa de inflacin que prevaleci el
ao anterior; por supuesto, se pueden formular suposiciones ms
complicadas respecto de la formacin de expectativas.
Al sustituir esta suposicin en la ecuacin anterior y escribir el
modelo de regresin en la forma estndar, obtenemos la siguiente
ecuacin de estimacin:

donde 1 = 2 .
La ltima ecuacin establece que el cambio en la tasa de inflacin entre los dos
periodos est linealmente relacionado con la tasa de desempleo real. A priori, se
espera que 2 sea negativa y 1 positiva (porque 2 es negativa y es positiva).
A propsito, la relacin de Phillips, se conoce en la bibliografa como la curva de
Phillips modificada, curva de Phillips de expectativas aumentadas (para
indicar que 1 representa la inflacin esperada) o curva aceleradora de Phillips
(para indicar que una tasa de desempleo baja propicia un incremento en la tasa de
inflacin y, por consiguiente, una aceleracin del nivel de precios).

Modelo
log
hiprbola
recproco logartmico

Concluimos este anlisis de los modelos recprocos con el modelo

recproco logartmico, que adopta la siguiente forma:

Su forma se ilustra en la grfica. Como se muestra ah,

al principio Y se incrementa con una tasa creciente (es
decir, la curva es convexa al inicio) y luego aumenta con
una tasa decreciente (la curva se convierte en cncava).
Por consiguiente, este modelo sera apropiado para
representar una funcin de produccin de corto plazo.
Recuerden que la microeconoma establece que si el
trabajo y el capital son insumos en una funcin de
produccin, y si se mantiene constante el insumo capital
pero se incrementa el insumo mano de obra, la relacin
entre producto y mano de obra de corto plazo se
parecer a la grfica.