Universidad Nacional Autnoma de Nicaragua-Len

Facultad de Ciencias Econmicas y Empresariales

Departamento de Economa
Nombre: Ren Jos Prez Vzquez. Carn: 2013-02086-0. Carrera y ao:
Economa IV B.
Componente:
Docente:

Resumen captulo 6 Gujarati: Extensiones del modelo de regresin lineal con dos variables
Sumario:
a) Regresin a travs del origen (el intercepto,

1 est ausente del modelo o es cero).

b) Unidades de medicin.
c) Formas funcionales para el modelo de regresin lineal.
Regresin a travs del origen:
La Funcin de Regresin Poblacional (FRP) de dos variables se presenta as:

Y i= 2 X i+u i

6.1.1

el intercepto est ausente o es cero.

Aplicando el MCO al modelo 6.1.1 tenemos que:

Y i= ^ 2 X i+ u^ i

6.1.1

Y se obtienen las siguientes formulas (modelo sin intercepto):

XiYi
^
2=
2
Xi

6.1.6

2
var ( ^
2 ) =
Xi 2

6.1.7

u^ i2
n1

6.1.8

Si comparamos las formulas anteriores, que tienen presente la falta de intercepto con la de aquellos modelos que si
tienen intercepto, tenemos que1:

xiyi
^
2=
2
xi

3.1.6

2
var ( ^
2 ) =
2
xi

3.3.1

2
u^ i
2
^
=
n2

6.1.8

Estas diferencias se deben a que en el modelo sin trmino de intercepto, se utilizan suma de cuadrados simples y
productos cruzados, pero en el modelo con intercepto se utiliza la suma de cuadrados ajustados (de la media) y
productos cruzados. Segundo, los gl para calcular

^2 son (n1) en el primer caso y (n2) en el segundo.

Debemos tener en cuentas algunas cosas:

1)

u^ i , que en el modelo con intercepto es siempre cero, no necesita serlo cuando este trmino est

ausente.
2) El coeficiente de determinacin,

r 2 , que es siempre no negativo en el modelo convencional, en

ocasiones lo es en el modelo sin intercepto (o de regresin a travs del origen), esto debido a que el

r2

convencional contempla la presencia del intercepto. Para resolver este problema, se calcula el

r 2 simple el cual se define como:

1 xi y yi (en minsculas) se utilizan por convencin en Gujarati para representar las desviaciones respecto a los valores
medios:

) y yi=(YiY ) .
xi=( Xi X

( XiYi )
r simple=
Xi2 Yi 2
2

Nota: se trata de sumas de cuadrados simples (no corregidos por la media) y de productos cruzados.

Debido a que
no presentan al

r 2 simple
r

no es directamente comparable con el

r 2 convencional, algunos autores

en modelos de regresin sin intercepto.

Amenos de que haya una expectativa a priori muy slida, es aconsejable apegarse al modelo convencional
y en caso de que nuestro modelo si tenga un intercepto pero insistimos en ajustar una regresin a travs
del origen, cometeramos un error de especificacin. Ver ejemplo 6.1

Escalas y unidades de medicin:

Las unidades y la escala en que se expresan la regresada y la(s) regresora(s) son muy importantes, pues la
interpretacin de los coeficientes de regresin depende de ellas en gran medida.

Y i= ^ 2 X i+ u^ i . Defina:

Por ejemplo, tenemos el siguiente modelo:

Yi =w 1 Y i

Xi =w2 X i

6.2.2

6.2.3

Donde w1 y w2 son constantes, denominadas factores de escala. (Estos factores pueden ser iguales o diferentes
entre s).

Yi y

Yi son Yi y

Xi reescaladas. Por tanto si Yi y

millones y se desean expresar en millones de dlares, se tendr que:

Xi se expresan en miles de

Yi =1000 Y i y

Xi =1000 X i , en

este caso w1=w2=1000.

Recuerde las siguientes relaciones2

u^ i =w1 u^ i ;

Yi =w 1 Y i

(o

yi =w1 y i );

Xi =w 1 X i

(o

xi =w1 xi );

Y =w1 Y ; X =w 1 X . A partir de las definiciones anteriores, se puede verificar que:

De los resultados anteriores debe quedar claro que, con los resultados de regresin basados en una escala de
medicin, se pueden obtener los resultados basados en otra, una vez que se conozcan los factores de escala, w. Si
la escala X no se cambia (es decir, w2 = 1), pero la escala Y se cambia por el factor w1, el coeficiente de la
pendiente, al igual que el intercepto y sus errores estndar respectivos, se multiplican por el mismo factor w1. Por
ltimo, si la escala Y permanece inalterada (es decir, w1 = 1), pero la escala X se cambia por el factor w2, el
coeficiente de la pendiente y su error estndar se multiplican por el factor (1/w2), pero el coeficiente del intercepto y
su error estndar permanecen inalterados. Ver ejemplo 6.2.
**Advertencia sobre la interpretacin**
Como el coeficiente de la pendiente, 2, es tan slo la tasa de cambio, sta se mide en las unidades de la razn:

2=

Unidades de la variable dependiente

Unidades de la variable explicativa

Regresin sobre variables estandarizadas

Como se vio anteriormente, las unidades en las que se expresan las va. dependiente y la va independiente influyen
en la interpretacin de los coeficientes de regresin. Esto se evita si ambas variables (independiente y dependiente)
se expresan en variables estandarizadas. Se dice que una variable es estandarizada si se resta el valor de la media
de esta variable de sus valores individuales y se divide esa diferencia entre la desviacin estndar de la variable (Sy,
Sx).

Yi =

YiY i
Sy

6.3.1

2 Vase explicacin extendida en pgina 155.

Xi =

Xi X i
Sx

6.3.2

Yi* y Xi* se llaman variables estandarizadas. Una propiedad interesante de una variable estandarizada es que el

valor de su media siempre es cero y que su desviacin estndar siempre es 1.

En lugar de tener una regresin bivariada o estndar, tenemos una regresin sobre variables estandarizadas:
6.3.4
Y i = 1 + 2 X i +u i
Pero en el caso de una regresin de variables estandarizadas, el intercepto es siempre cero3, por lo que la regresin
ser una a travs del origen.
6.3.5
Y i = 2 X i + ui
Los coeficientes betas de la regresin con va. estandarizadas se llaman coeficientes beta.
Cmo se interpretan los coeficientes beta? La interpretacin es que si la regresora (estandarizada) se incrementa
una desviacin estndar, en promedio, la regresada (estandarizada) aumenta *2 unidades de desviacin estndar.
Por tanto, a diferencia del modelo tradicional (6.3.3), se mide el efecto no en trminos de las unidades originales en
las expresadas X y Y, sino en unidades de desviacin estndar. Vease ejemplo desarrollado pg 158
Recuerde: al igual que las regresiones a

Sx

^
2 = ^2
Sy

6.3.8

travs del origen, el

usual no se

aplica. Segundo, existe una relacin

interesante entre los coeficientes del modelo convencional y los coeficientes beta. Para el caso bivariado, la
elacin es como sigue:
Se pueden intercambiar los con los coeficientes beta si se conoce la desviacin estndar (muestral) de la
regresora y de la regresada.

Formas funcionales de los modelos de regresin

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. Algunas de estas formas
son:
a- Modelo Log-lineal (log-log, doble-log)
Se hace uso de este modelo en los casos que se presenten modelos conocidos como de regresin exponencial:
6.5.1
Yi= 1 X i eui
2

Y que mediante transformacin apropiada, sus parmetros se pueden linealizar y queda:

6.5.2
lnYi=ln 1+ 2 Xi+ui
6.5.3

lnYi=+ 2 Xi +ui

=ln 1

Siendo lineal en los parmetros

y 2

, se

puede estimar por MCO.

3 Recuerde, de la ecuacin (3.1.7), que el intercepto es igual al valor de la media de la variable dependiente menos
la pendiente multiplicada por el valor de la media de la regresora.

Una caracterstica sumamente importante del modelo log-log, es que el coeficiente de la pendiente

2 mide la

elasticidad de Y con respecto de X, es decir, el cambio porcentual en Y ante un pequeo cambio porcentual en X.
Pueden observarse dos caractersticas especiales del modelo log-lineal: el modelo supone que el coeficiente de la

2 , permanece constante a travs del tiempo, de aqu su otro nombre, modelo de

^
^
elasticidad constante4. Otro aspecto del modelo es que, a pesar de que y 2 son estimadores
^
1

elasticidad entre Y y X,

insesgados de y 2, 1 (el parmetro del modelo original) al estimarse como

.= 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

4 Un modelo de elasticidad constante permitir obtener un cambio constante en el ingreso total ante un cambio porcentual
dado en precios sin importar el nivel absoluto del precio.

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 lnYi frente a lnXi y ver si las observaciones caen ms o menos sobre una lnea recta,
como en la fi gura 6.3b.
Advertencia: El lector debe tener presente la distincin entre un cambio porcentual y uno en puntos porcentuales.

Ver ejemplo 6.3

b- Modelos semilogartmicos: log-lin y lin-log
Con frecuencia, generalmente se utilizan los modelos log-lin5 para medir tasas de crecimientos. Se procede a
partir de un modelo que no es lineal en sus parmetros y luego por ln se transforma en lineal por ejemplo:
t
6.6.1
Yi=Y 0(1+r )
Aplicando ln tenemos:

Los modelos como (6.6.6) se denominan modelos semilog porque slo una variable (en este caso, la regresada)
aparece en forma logartmica. 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:

2=

Cambiorelativo en regresada
Cambio absoluto en laregresora

6.6.7

Si multiplicamos el cambio relativo en Y por 100, (6.6.7) dar entonces el cambio porcentual, o la tasa de
crecimiento, en Y ocasionada por un cambio absoluto en X, la variable regresora. A 2 se conoce en la bibliografa
como la semielasticidad de Y respecto de X.
2, da la tasa de crecimiento instantnea (en un momento dado) y no la compuesta (durante un periodo). Pero esta
ltima se calcula fcilmente a partir de (6.6.4). Para ello, se obtiene el antilogaritmo de la 2 estimada, se resta 1 y
se multiplica la diferencia por 100. Vase ejemplo 6.4
Modelo de tendencia lineal
En lugar de estimar el modelo (6.6.6), los investigadores algunas veces estiman el siguiente modelo:
Yt = 1 + 2t + ut
(6.6.9)
5 Nos interesaba encontrar el crecimiento porcentual en Y ante un cambio unitario absoluto en X

Es decir, en lugar de regresar el log de Y sobre el tiempo, regresan Y sobre el tiempo, donde Y es la variable
regresada en consideracin. Un modelo de este tipo se denomina modelo de tendencia lineal, y la variable tiempo
t se conoce como variable de tendencia. Si el coeficiente de la pendiente en (6.6.9) es positivo, existe una
tendencia creciente en Y, mientras que si es negativa, existe una tendencia decreciente en Y. La eleccin entre el
modelo de crecimiento (6.6.5) y el modelo de tendencia lineal (6.6.9) depender de que el inters recaiga en el
cambio relativo o absoluto del gasto en servicios, aunque, para propsitos de comparacin, es el cambio relativo el
que tiene mayor importancia.

Los modelos lin-log: con este modelo lo que deseamos es encontrar el cambio absoluto en Y debido a un cambio
porcentual en X. Un modelo que cumple este propsito se escribe como:
Yi=1+2lnXi+ui

(6.6.11)

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

2=

Cambio en Y
Cambio en Y
=
Cambio en lnX Cambiorelativo en X

El segundo paso se deriva de que un cambio en el log de un nmero es un cambio relativo.

Simblicamente, tenemos:

2=

Y
X/X

6.6.12

La ecuacin 6.6.12 se reordena de la forma siguiente:

Y = 2( X / X )

6.6.13

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 (6.6.13) 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). Ejemplo de ello
es el modelo de gasto de Engel (ver ejemplo 6.5).
Algunas veces, se utiliza la transformacin logartmica para reducir la hetereoscedasticidad, as como la simetra.
c- Modelos recprocos**

Y i= 1+ 2

1
+u i
Xi

6.7.1

no lineal en la variable X porque entra inversamente o en forma recproca, el modelo es lineal en 1 y 2.

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 (6.7.1) 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 a (6.7.1) se muestran en la
figura 6.6:

Ver ejemplos 6.6 y 6.7

d- Modelos log hiprbola o recproco logartmico

Estos modelos adoptan la siguiente forma:
ln

Y i= 1+ 2

1
+u i
Xi

6.7.8

Su forma se ilustra en la figura 6.10. 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).

Eleccin de forma funcional

La eleccin de una forma funcional particular puede ser relativamente fcil para el caso de dos variables, pues se
pueden graficar las variables y tener as una ligera idea respecto del modelo adecuado. La eleccin se complica
mucho ms cuando se considera el modelo de regresin mltiple que implica ms de una regresora.
Algunas sugerencias:
Es una buena costumbre calcular la tasa de cambio (es decir, la pendiente) de la regresada respecto de la
regresora, as como conocer la elasticidad de la regresada respecto de la regresora. Para los diversos
modelos estudiados en este captulo, en la tabla 6.6 se ofrecen las frmulas necesarias para los
coeficientes de la pendiente y la elasticidad de los distintos modelos.
Los coeficientes del modelo escogido debern satisfacer determinadas expectativas a priori.
Se debe asegurar de que, al comparar dos valores de r 2, la variable dependiente (o regresada) de los dos
modelos sea la misma; la(s) regresora(s) pueden tomar cualquier forma.
No se debe sobrevaluar la medida de r 2 en el sentido de creer que mientras ms alta sea r 2 mejor ser el
modelo. Lo que reviste mayor importancia es la justificacin terica del modelo elegido, los signos de los
coeficientes estimados y su importancia estadstica.
En algunas situaciones tal vez no sea fcil ponerse de acuerdo sobre una forma funcional concreta, en
cuyo caso se pueden usar las llamadas transformaciones Box-Cox. En vista de que este tema es muy
tcnico, analizamos el procedimiento Box-Cox en el apndice 6A.5.