FORMAS FUNCIONALES DEL MODELO DE REGRESIN MLTIPLE

Formas logartmicas
Formas polinmicas
Hasta el momento se haba manejado el supuesto de que los datos se comportaban de una
manera tal que al anlisis de regresin daba como resultado el establecimiento de una forma
ecuacional del tipo lineal o en forma de recta. La relacin poda ser pues, directamente
proporcional o inversamente proporcional, dependiendo la naturaleza de los datos.
Sin embargo, la relacin entre variables puede ser no lineal ms que propiamente lineal. En este
caso, se debe ajustar una forma funcional diferente que resulte apropiada para poder predecir con
mayor exactitud a la variable dependiente.
A partir de los siguientes apartados, se podrn conocer otras formas funcionales para describir el
comportamiento de la relacin entre la variable dependiente y la(s) variable(s) independiente(s).
FORMAS LOGARTMICAS.
Estos modelos se denominan log-log, doble log o log-lineales (donde log hace alusin al
logaritmo). Se aplican para situaciones donde aparentemente no hay una proporcionalidad entre
el valor de la variable x y y.
Puede ocurrir que la variable dependiente aumente lentamente en comparacin con la variable
independiente. Para este caso, una posible forma funcional se conoce como forma funcional
semilogartmica, la cual es:

Para el caso contrario, en el cual la variable dependiente crece demasiado rpido, puede
adoptarse la forma funcional exponencial:

El siguiente modelo es conocido como el modelo de regresin exponencial, del cual parten las
formas funcionales descritas anteriormente:

Extrayendo el logaritmo natural para ambos lados de la expresin anterior, sta queda
alternativamente como:

Tambin se expresa como:

Donde

Ahora, suponiendo que los supuestos del modelo clsico de regresin lineal son cumplidos, los
parmetros pueden ser estimados mediante el mtodo de cuadrados ordinarios (MCO),
considerando que

, y que dems los valores estimados de y son

insesgados respecto a los verdaderos valores de y , nuestro modelo sigue expresando
linealidad entre variables:

Una caracterstica de este modelo es que el coeficiente de la pendiente mide la elasticidad de y
con respecto a x, es decir, el cambio porcentual en y dado un cambio unitario en x.
Asimismo, el modelo supone que el coeficiente de elasticidad permanece constante a travs del
tiempo, se le denomina tambin de manera alterna como modelo de elasticidad constante. Se le
denomina constante pues, el cambio en por unidad de cambio en permanece igual sin
importar el valor que adopte .
Otro aspecto que es importante mencionar como caracterstica de este modelo es que a pesar de
que los valores estimados de los estimadores y son insesgados, al ser estimado como:

()
Resulta en ser un estimador sesgado.
MODELOS SEMILOGARTMICOS.
Son empleados para conocer la tasa de crecimiento de ciertas variables y reciben el nombre de
modelos semilogartmicos porque solamente una variable aparece en forma logartmica (puede
ser la variable dependiente o la variable independiente: ntese la disyuncin). A este tipo de
modelos, en el cual la variable regresada (la variable dependiente) es logartmica se les denomina
log-lin. Por otra parte, hay modelos en los cuales la variable regresada es lineal mientras que los
regresores (las variables independientes) son logartmicos, que son nombrados como modelos lin-
log.
Para el modelo log-lin, el coeficiente de la pendiente mide el cambio proporcional constante o
relativo en y para un cambio absoluto dado en el regresor x, o en otras palabras, encontrar el
crecimiento (porcentual) en y ante un cambio unitario absoluto en x, es decir:

Si el modelo describe tanto una tasa de crecimiento como una tasa de decrecimiento, se le
denominan modelos de crecimiento constante.
Aunque estos modelos se utilizan frecuentemente para estimar el cambio relativo o absoluto de la
variable dependiente, su uso rutinario para este fin ha sido cuestionado por los analistas de series
de tiempo, argumentando que tales modelos son apropiados slo si la serie de tiempo es
estacionaria.
En el modelo lin-log, el inters es encontrar el cambio absoluto en y debido a un cambio
porcentual en x. El modelo que puede emplearse con este propsito es:

Llamamos a este modelo un modelo lin-log.
Interprtese el coeficiente de como:

Donde representa un cambio en la variable o valor correspondiente y entonces, x/x representa
un cambio relativo (un cambio en el log de un nmero es un cambio relativo). Lo anterior puede
ser representado de sta otra manera:

()
Cuando se utiliza MCO para estimar regresiones como

, se debe multiplicar
el valor del coeficiente de la pendiente estimado, por 0.01 o multiplicarlo por 100.











FORMAS POLINOMICAS
En estadstica, regresin polinmica es una forma de regresin lineal en el que la relacin entre la
variable independiente x y la variable dependiente Y se modela como un polinomio de orden n.
Regresin polinmica se ajusta a una relacin no lineal entre el valor de x y la media condicional
correspondiente de y, denotado E, Aunque regresin polinmica se ajusta a un modelo no lineal a
los datos, como un problema de estimacin estadstica es lineal, en el sentido de que la funcin de
regresin E es lineal en los parmetros desconocidos que se estiman a partir de los datos. Por esta
razn, regresin polinmica se considera que es un caso especial de regresin lineal mltiple.
Algunas veces cuando la relacin entre las variables dependientes e independientes es no lineal,
es til incluir trminos polinomiales para ayudar a explicar la variacin de nuestra variable
dependiente.
Las regresiones polinomiales se pueden ajustar la variable independiente con varios trminos



Que, derivando respecto a cada uno de los coeficientes nos da el planteamiento un sistema de
ecuaciones de la siguiente forma:




x y' xy x
2
y
2
x
2
y x
3
x
4

1 3 3 1 9 3 1 1
1.2 3.89 4.08 1.44 11.56 4.896 1.728 2.0736
1.5 5 7.5 2.25 25 11.25 3.375 5.0625
2 2 4 4 4 8 8 16
3 4.1 12.3 9 16.81 36.9 27 81
3.7 5 18.5 13.69 25 68.45 50.653 187.4161
4 7 28 16 49 112 64 256
4.5 6.5 29.25 20.25 42.25 131.625 91.125 410.0625
20.9 36 106.63 67.63 182.62 376.121 246.881 958.6147
Usando una Matriz para calcular valores de los coeficientes

Usando el mtodo de Eliminacin de Gauss-Jordan



La ecuacin final que modela el sistema es

Las inversas de las funciones exponenciales se llaman funciones logartmicas. Como la notacin f1
se utiliza para denotar una funcin inversa, entonces se utiliza otra notacin para este tipo de
inversas. Si f(x) = bx, en lugar de usar la notacin f-1(x), se escribe logb (x) para la inversa de
la funcin con base b. Leemos la notacin logb(x) como el logaritmo de x con base b,
y llamamos a la expresin logb(x) un logaritmo.
El objetivo de regresin polinmica es modelar una relacin no lineal entre las variables
independientes y dependientes. Esto es similar a la meta de la no paramtrica de regresin, que
tiene como objetivo captar las relaciones de regresin no lineal. Por lo tanto, la regresin no
paramtrica se acerca como alisado puede ser alternativas tiles a la regresin polinmica.
Algunos de estos mtodos hacen uso de una forma localizada de regresin polinmica clsica. Una
ventaja de regresin polinmica tradicional es que el marco inferencial de regresin mltiple se
puede utilizar.
Aunque regresin polinmica es tcnicamente un caso especial de regresin lineal mltiple, la
interpretacin de un modelo de regresin polinmica ajustada requiere una perspectiva algo
diferente, a veces resulta complejo es difcil interpretar los coeficientes individuales en un ajuste
de regresin polinmica, ya que los monomios subyacentes pueden ser altamente
correlacionados.
Bibliografa:

GUJARATI, D. N. (1997). Econometra (Tercera ed.). Bogot, Colombia: McGraw-Hill
Interamericana.
MADDALA, G. (1992). Introduction to Econometrics (Segunda ed.). Nueva York, Estados
Unidos de Amrica: Macmillan.
http://home.ubalt.edu/ntsbarsh/Business-stat/stat-
data/Forecasts.htmhttp://centrodeartigos.com/articulos-noticias-
consejos/article_135336.html