UNIVERSIDAD NACIONAL DE TUMBES

FACULTAD DE CIENCIAS ECONÓMICAS

ESCUELA ACADÉMICA - PROFESIONAL DE ECONOMÍA

“FORMAS FUNCIONALES DE LOS MODELOS

DE REGRESION”

TUMBES-PERU
2018
 FORMAS FUNCIONALES DE LOS MODELOS DE
REGRESIÓN

Modelos de regresión muy comunes, que pueden ser no lineales en

las variables pero sí lineales en los parámetros, o que pueden serlo
mediante transformaciones apropiadas de las variables.

En particular, analizaremos los siguientes modelos de regresión:

1. El modelo log-lineal.
2. Modelos semilogarítmicos.
3. Modelos recíprocos.
4. El modelo logarítmico recíproco
En muchos casos las relaciones lineales no son
adecuadas en las aplicaciones económicas. Sin
embargo, en el modelo de regresión simple
podemos incorporar no linealidades (en las
variables) redefiniendo de forma apropiada la
variable dependiente y la variable
independiente
 CÓMO MEDIR LA ELASTICIDAD: MODELO LOG-LINEAL

En el modelo log-lineal, la regresada y la(s) regresora(s) se expresan en forma logarítmica.

El coeficiente de regresión asociado al log de una regresora se interpreta como la
elasticidad de la regresada respecto de la regresora.
En el modelo de dos variables, la forma más simple de
decidir si el modelo log-lineal se ajusta a los datos es
graficar el diagrama de dispersión de ln Yi frente a ln Xi
y ver si las observaciones caen más o menos sobre
una línea recta, como en la figura 6.3b.

CAMBIO PORCENTUAL

PUNTOS PORCENTUALES
MODELOS SEMILOGARÍTMICOS: LOG-LIN Y LIN-LOG

Encontrar la tasa de crecimiento de ciertas

variables económicas, como población, PNB,
oferta monetaria, empleo, productividad y déficit
comercial
 MODELOS SEMILOGARÍTMICOS: LOG-LIN Y LIN-LOG
 En el modelo semilog, la regresada o la(s) regresora(s) están en la
forma de log.

 En el modelo semilogarítmico, en el cual la regresada es logarítmica y

la regresora X es tiempo, el coeficiente de la pendiente estimado
(multiplicado por 100) mide la tasa de crecimiento (instantánea) de la
regresada.

 Tales modelos son comunes para medir la tasa de crecimiento de

muchos fenómenos económicos.

 En el modelo semilogarítmico, si la regresora es logarítmica, su

coeficiente mide la tasa de cambio absoluta en la regresada por un
cambio porcentual dado en el valor de la regresora.
Suponga que deseamos conocer la tasa de crecimiento del gasto de consumo
personal en servicios . Donde: Yt el gasto real en servicios en el tiempo t y Y0
el valor inicial del gasto en servicios.

La única 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,
 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, dará 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 β2 da como resultado la tasa de crecimiento en Y; 100 por β2 se conoce
en la bibliografía como la semielasticidad de Y respecto de X.
 Modelo de tendencia lineal

Algunas veces estiman el siguiente modelo:

 En lugar de regresar el log de Y sobre el tiempo, regresan Y sobre el tiempo, donde Y es la

variable regresada en consideración.

 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 es positivo, existe una tendencia creciente en Y, mientras

que si es negativa, existe una tendencia decreciente en Y.

 Para los datos sobre el gasto en servicios que analizamos antes, los resultados de
ajustar el modelo de tendencia lineal son los siguientes:

En contraste con la ecuación anterior, la interpretación de esta ecuación es la siguiente: durante los
periodos trimestrales de 2003-I a 2006-III, en promedio, el gasto en servicios se incrementó con una
tasa absoluta de alrededor de 30 000 millones de dólares por trimestre. Es decir, hubo una
tendencia creciente en el gasto en servicios.
 EL MODELO LIN-LOG

A diferencia del modelo Log-Lin, 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 propósito se escribe como:

Interpretemos el coeficiente de la pendiente β2:

 Donde, como es usual, ∆ denota un cambio pequeño. Entonces se escribe, en forma
equivalente, así

El cambio absoluto en Y (= ∆Y) es igual a la pendiente multiplicada por el cambio relativo en X

LA PREGUNTA PRÁCTICA ES:

¿CUÁNDO RESULTA ÚTIL UN MODELOS DE
MODELO LIN-LOG? GASTO ENGEL
 MODELOS RECÍPROCOS

Los modelos del siguiente tipo se conocen como modelos recíprocos.

Este modelo tiene las siguientes características: a medida que X aumenta

indefinidamente, el término β2 (1/X) se acerca a cero (nota: β2 es una constante) y Y se
aproxima al valor límite

En los modelos recíprocos, la regresada o la regresora se expresa en forma recíproca o

inversa para denotar relaciones no lineales entre variables económicas, como en la
conocida curva de Phillips.
 MODELO LOG HIPÉRBOLA O RECÍPROCO
LOGARÍTMICO

Concluimos este análisis de los modelos recíprocos con el modelo recíproco

logarítmico, que adopta la siguiente forma:

 Como se muestra ahí, 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 cóncava)

 Por consiguiente, este modelo sería apropiado para representar una función
de producción de corto plazo.
 EL TERMINO DE PERTURBACION
 Al seleccionar las diversas formas funcionales, debe prestarse gran atención al
término de perturbación estocástica ui.

 Se debe verificar si cumple los supuestos del termino de perturbación, es decir: que el
valor de la media del término de perturbación es cero y su varianza es constante
(homoscedástica), y que no está correlacionado con la(s) regresora(s).

 Además los estimadores de MCO deben estar también normalmente distribuidos. Por
consiguiente, se debe verificar si estos supuestos se mantienen en la forma funcional
escogida para el análisis empírico.

 Después de realizar la regresión, el investigador debe aplicar pruebas de diagnóstico,

como la de normalidad.

 Debido a que las pruebas de hipótesis clásicas, como la t, F y χ2, dependen del
supuesto de que las perturbaciones están normalmente distribuidas. Esto es en
especial importante si la muestra es pequeña.