Econ.

Paulo Roberto Chahuara Vargas Microeconometra

REGRESIN NO LINEAL

1. Introduccin

= 1 + 2 +

( ) = 2 = [ ]

2

=1 =1

( )
= 0 = [ 1 ]
2

Para = exp() + 2 ln + ?

Para = exp() 2 exp( )?

Y para = 1 + 2 3 + ?

Qu hace un modelo de regresin no lineal?

2. Modelo de Regresin No Lineal (MRNL)

= + en general tendramos = (, ) +

i. [|(, )] = 0
ii. (, 0 ) = (, )
iii. [ 2 |(, )] = 2
iv. [ |(, )] = 0

3. Mtodos de Estimacin de un MRNL

3.1. Linealizacin por Taylor

= ( , ) +

10
1ro) 0 = [20 ]
30
0 |
( , )
2do) ( , 0 ) + [ 0 ] ( 0 ) +

| |
( , 0 ) 0 ( , 0 )
0
= ( , ) + [ ] =[
] +
0 0

1
Econ. Paulo Roberto Chahuara Vargas Microeconometra

| 1 |
( , ) 0
( , ) 0 0)
( ,
3ro) 1 = [( 0 ) ( 0 )] ( 0 )

0) |
( ,
pero = 0 + [ 0 ] 0

| 1 |
( , 0 ) ( , 0 ) ( , 0 )
1 0
= + [( ) ( )] ( ) 0
0 0 0
| 1 |
( , 1 ) ( , 1 ) ( , 1 )

= 1
+ [( ) ( )] ( ) 1
1 1 1

Hasta alcanzar un criterio de convergencia ( ), Cul?

Ejemplo: = 1 + 2 3 +

10
1ro) 0 = [20 ]
30
1
30 0) 0

( , 3
2do) ( , 0 ) = 10 + 20 + y 0 =[ ]
0

20 3
0

3ro) = + 20 30 3 ()

0
0

4to) = 1 + 2 3 + 3 20 3 + = 1 + 2 2

+ 3 3 + ()

5to) = +
11
1

6to) 1 = ( ) 1 = [21 ]
31

7mo) 1 en () y en () en lugar de 0 , y obtenemos 2

8vo) 2 en () y en () en lugar de 1 , y obtenemos 3

9no) 3 en () y en () en lugar de 2 , y obtenemos 4

Hasta alcanzar un criterio de convergencia

3
Ejercicio N1: Aplicar el mtodo de regresin linealizado a = 1 + 2 +

2
Econ. Paulo Roberto Chahuara Vargas Microeconometra

3.2. Mnimos Cuadrados No Lineales (MCNL)

= ( , ) +

( ) = [ ( , )]2
=1

( ) ( , )
= 2 [ ( , )] =0


2 ( ) ( , ) ( , ) 2 ( , )
= 2 [ ] [ ] 2 [ ( , )] >0

3.2.1. Algoritmo de Newton-Raphson

1
() () = ( ) + [( )] ( ) + ( ) [2 ( )]( )
2

() 1
= ( ) + [2 ( )] ( ) = 0

1
= = 1 [2 ( 1 )] [( 1 )]

1
= = 1 [2 ( 1 )] [S( 1 )]

= = 1

( , 1 ) ( , 1 )
+ { [ ][ ]
1 1
1
2 ( , 1 ) ( , 1 )
}
1 1 1

Ejemplo: = 1 2 +

( ,) 2
1ro) =[ ]
1 2 1

2 ( ,) 0 2 1
2do) =[ ]
2 1 1 ( 1)2 2

( ,) ( ,) 2 2 1 2 21
3ro) [ ][ ] =[ ]
1 2 2 1 1 2 2 2 2 2

3
Econ. Paulo Roberto Chahuara Vargas Microeconometra

4to) Remplazamos los trminos anteriores en

Problemas de Newton-Raphson?

3.2.2. Otros Algoritmos

Algoritmo de Gauss-Newton

1
( , 1 ) ( , 1 ) ( , 1 )

= 1 + { [ ][ ]}
1 1 1

Algoritmo Quadratic Hill-Climbing

( , 1 ) ( , 1 ) 2 ( , 1 )
= 1 + { [ ] [ ]

1 1 1 1
1
( , 1 )
+ }
1

Algoritmo Marquardt

1
( , 1 ) ( , 1 ) ( , 1 )

= 1 + { [ ][ ] + }
1 1 1

Algoritmo Marquardt-Levenberg

( , 1 ) ( , 1 )

= 1 + { [ ][ ]
1 1
1

( , 1 ) ( , 1 ) ( , 1 )
+ { [ ][ ] }}
1 1 1

Y otros algoritmos: Berndt-Hall-Hall-Hausman, Davidon-Fletcher-Powell, entre otros.

Ejercicio N2: Aplicar el algoritmo de Newton-Raphson y Gauss-Newton a = +

3.3. Mxima Verosimilitud (lo veremos despus en ms detalle)

3.4. Mtodo Generalizado de Momentos (lo veremos en la segunda mitad del curso)

4
Econ. Paulo Roberto Chahuara Vargas Microeconometra

3.5. Efectos Parciales en los MRNL

Sea = 1 + 2 3 + donde ( | ) = 1 + 2 3

( | ) 1
= 2 3 3 efecto parcial asociado a la variable

( | ) 1

= 2
3 3 estimacin puntual del efecto

Qu peculiaridad hay?
Existen 3 posibilidades

3.6. Transformacin Box-Cox

= 1 + 2 () +

() = 1 + 2 () +

1 1
() = () =

Con = = 0 el modelo se vuelve semi-logartmico o log-lineal Por qu?

Con = = 1 el modelo se vuelve lineal.
Cmo estimar ?