Formas funcionales del

modelo de regresión lineal

Correa F., Juan Byron

Programa de Economı́a
Econometrı́a I
September 26, 2023

Correa F., Juan Byron Formas funcionales del MCRL September 26, 2023 1/1
Formas funcionales de los modelos de regresión

Formas funcionales de los modelos de regresión

Mencionamos que trataremos sobre todo con modelos lineales en los parámetros,
que pueden ser o no lineales en las variables. En particular, analizaremos los
siguientes modelos de regresión:

Modelo de variables estandarizadas

Modelo de tendencia lineal
Modelos semilogarı́tmicos.
Modelo log-lin
Modelo lin-log
El modelo log-lineal o Modelo log-log.
Modelos recı́procos.
El modelo logarı́tmico recı́proco.

Correa F., Juan Byron Formas funcionales del MCRL September 26, 2023 2/1
Regresión sobre variables estandarizadas
Regresión sobre variables estandarizadas
En el modelo de regresión las unidades en que se expresan la variable dependiente e
independiente influyen en la interpretación de los coeficientes, esto se puede evitar si se
utilizan variables estandarizadas
Yi − Ȳ Xi − X̄
Yi∗ = y Xi∗ = (1)
sYi sXi

donde Ȳ es la media de Yi , sYi la desviación estándar Y , X̄ la media de X y sXi la

desviación estándar de Xi ; las variables Yi∗ y Xi∗ se llaman variables estandarizadas.
Una propiedad de una variable estandarizada es que el valor de su media siempre es cero
y su desviación estándar siempre es 1.
Por tanto la regresión a estimar es:

Yi∗ = β1∗ + β2∗ Xi∗ + εi (2)

Donde β1∗ y β2∗ , son llamados coeficientes beta y (??) es una regresión es a través del
origen. (tarea)
¿Cómo se interpretan los coeficientes beta?: Cuando la variable regresora Xi∗ se
incrementa una desviación estándar, en promedio, la regresada Yi∗ aumenta β2∗ unidades
de desviación estándar.
Correa F., Juan Byron Formas funcionales del MCRL September 26, 2023 3/1
 Modelo de tendencia lineal
Modelo de tendencia lineal
Una practica muy usual en el análisis de información
es construir un gráfico de la serie vs el tiempo o vs
el numero de observaciones (scatter plot).
Una relación de tendencia lineal, es modelada
como:
Yt = α + βt + εt (3)
Donde t es una variable de tiempo llamada variable
de tendencia, de aquı́ el nombre modelo de
tendencia lineal.
La variable puede ser especificada de diferentes modos, pero en cada caso es necesario
definir el origen desde el cual el tiempo es medido y la unidad de medida utilizada.
Ejemplo: Si los datos son anuales (trimestrales) y están definidos entre 1984 y 2020
t = 1984, 1985, 1986, . . . , 2020 ≡ 1, 2, 3, 4, . . . , 37
t = 1984 − I, 1984 − II, 1984 − III, 1984 − IV, 1985 − I . . . , 2020 − I, 2020 −
II, 2020 − III, 2020 − IV ≡ 1, 2, 3, 4, . . . , 147, 148

Si el coeficiente de la pendiente en (??) es positivo, existe una tendencia creciente en

Yt , mientras que si es negativo, la tendencia es decreciente.
Correa F., Juan Byron Formas funcionales del MCRL September 26, 2023 4/1
Modelos de crecimiento constantes
Tomando primeras diferencias en (??), se obtiene

∆Yt = Yt − Yt−1
= α + βt + εt − α − β(t − 1) − εt−1
= β + (εt − εt−1 )

con ∆ llamado el operador diferencia.

Sin tener en cuenta el termino de error, la serien en (??) se incrementa (decrece)
en una cantidad constante cada periodo.
Un incremento en la serie (β > 0) implica una tasa de crecimiento creciente y
para un decrecimiento en la serie (β < 0) la especificación proporciona una tasa
decreciente
Para series con tasas de crecimiento constantes, positiva o negativa, la ecuación
(??) esta mal especificada.
Modelo de tendencia cuadratica

Yt = α + β1 t + β2 t2 + εt (4)

Correa F., Juan Byron Formas funcionales del MCRL September 26, 2023 5/1
 Modelos de crecimiento constantes
Modelo semilogarı́tmico o modelo log-lin
Una correcta especificación, cuando las series presentan tasas de crecimiento constantes,
debe expresar el logaritmo de la serie como una función lineal del tiempo
Sin incluir termino de error, una serie de crecimiento
constante puede ser expresada como:

Yt = Y0 (1 + g)t (5)

donde g = Yt − Yt−1 /Yt−1 es la tasa proporcional

constante de crecimiento por periodo. Tomando
logaritmo natural a ambos lados de (??)

ln Yt = ln Y0 + t ln(1 + g) = α + βt (6)

α = ln Y0 y β = ln(1 + g)
Si existe la sospecha de crecimiento constante en la serie, un gráfico del logaritmo de los
datos contra el tiempo proporciona una evaluación de esta.
Si el scatter define de forma aproximada una relación lineal, la ecuación (??) puede ser
ajustada por MCO. Luego, el estimador de la pendiente b = β̂ proporciona un estimador
de la tasa de crecimiento g,
b = ln(1 + ĝ) ⇒ ĝ = eb − 1

Correa F., Juan Byron Formas funcionales del MCRL September 26, 2023 6/1
Modelo log-lin
Por tanto
∂ ln Yt
=β
∂t
Es decir, el coeficiente β representa la tasa de crecimiento continua, mientras ĝ la tasa
de crecimiento discreta.
Una formulación de una serie de crecimiento constante en tiempo continuo es

Yt = Y0 eβt

tomando logaritmo natural en (??), se obtiene

ln Yt = ln Y0 + βt

Una forma de mostrar que la serie es de crecimiento constante es tomando primeras

diferencias

∆ ln Yt = ln Y0 + βt − ln Y0 − β(t − 1) = β = ln(1 + g) ≈ g (7)

Luego, las primeras diferencias del log se obtiene la tasa de crecimiento la cual es una
aprox de la tasa de crecimiento discreta.
El modelo es lineal en el sentido que, los parámetros α y β son lineales. La variable
dependiente es el logaritmo de Yt y la variable explicativa es el “tiempo”, llamada
variable de tendencia lineal, que toma valores de 1, 2, 3, . . . , n.
Correa F., Juan Byron Formas funcionales del MCRL September 26, 2023 7/1
Modelo log-lin

El modelo en (??) se denomina modelo semilogarı́tmico o modelo log-lin, sólo una

variable aparece en forma logarı́tmica.
En este, 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,
cambio relativo en la variable regresada
β2 =
cambio absoluto en la regresora
Si multiplicamos el cambio relativo en Y por 100, se tendrá un cambio porcentual, o la
tasa de crecimiento, en Y ocasionada por un cambio absoluto en X, la variable
regresora.

Correa F., Juan Byron Formas funcionales del MCRL September 26, 2023 8/1
Tasas de crecimiento instantánea y compuesta

Tasas de crecimiento instantánea y compuesta

El coeficiente de la variable de tendencia, β, del modelo de crecimiento (??), da
la tasa de crecimiento instantánea (en un momento dado).
La tasa compuesta (durante un periodo) se calcula como: al antilogaritmo de b,
se resta 1 y se multiplica la diferencia por 100.

ĝ = [eb − 1] ∗ 100

Se interpreta como: por aumento de una unidad en la variable de tendencia, en

promedio la variable dependiente Yt aumenta en una proporción igual a ĝ
Ejemplo: Función de ingresos
Sea wi los ingresos laborales y Xi la escolaridad (años de educación aprobados)

Yi = ln wi = β1 + β2 Xi + εi

El coeficiente β2 , mide la tasa de crecimiento promedio en wi si los años de

escolaridad se incrementan en una unidad.

Correa F., Juan Byron Formas funcionales del MCRL September 26, 2023 9/1
 El modelo lin-log
El modelo lin-log

Se desea encontrar el cambio absoluto en Yt debido a un

cambio porcentual en Xt . Sea el modelo lin-log.

Yi = α + β2 ln(Xi ) + εi (8)

En (??) el coeficiente de la pendiente β2 se interpreta

como,
cambio enY cambio absoluto enY
β2 = =
cambio en ln X cambio relativo enX

Simbólicamente, tenemos
∆Y cambio absoluto enY
β2 = =
∆X/X cambio relativo enX
Despejando ∆Y , se obtiene
∆X
∆Y = β2
X
Esta ecuación plantea que el cambio absoluto en Y (= ∆Y ) es igual a la pendiente
multiplicada por el cambio relativo en X. Si este último se multiplica por 100.
Por tanto, si ∆X/X cambia en 0.01 unidades (1%), el cambio absoluto en Y es
0.01(β2 ).
Correa F., Juan Byron Formas funcionales del MCRL September 26, 2023 10 / 1
El modelo lin-log
Por consiguiente, cuando se utiliza MCO para estimar regresiones como en (??), 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 interpretación en una
aplicación será muy equivocada.
La pregunta práctica es: ¿cuándo resulta útil un modelo lin-log como el (??)? Se ha
encontrado una interesante aplicación en los ası́ llamados modelos de gasto Engel [en
honor del estadı́stico alemán Ernst Engel (1821-1896)]. Engel postuló que “el gasto
total que se dedica a los alimentos tiende a incrementarse en progresión aritmética,
mientras que el gasto total aumenta en progresión geométrica”.
Algunas veces, la transformación logarı́tmica se emplea para reducir la
heteroscedasticidad, ası́ como la asimetrı́a. Una caracterı́stica común de muchas
variables económicas es que tienen asimetrı́a positiva (por ejemplo, distribución del
tamaño de las empresas, o distribución del ingreso o riqueza) y son heteroscedásticas.
Una transformación logarı́tmica de dichas variables reduce tanto la asimetrı́a como la
heteroscedasticidad.
Por eso, los economistas laborales acostumbran a usar logaritmos de los salarios en la
regresión de éstos sobre, por poner un ejemplo, el nivel de escolaridad, medido éste por
los años de educación recibida.

Correa F., Juan Byron Formas funcionales del MCRL September 26, 2023 11 / 1
Cómo medir la elasticidad: modelo log-lineal
Cómo medir la elasticidad: modelo log-lineal
Supongamos la función exponencial o modelo no lineal:
Yi = AXiβ eεi (9)
Por tanto, aplicando logaritmo natural a ambos lados
ln(Yi ) = ln(A) + βln(Xi ) + εi (10)
haciendo β1 = ln(A) y β2 = β se obtiene
ln(Yi ) = β1 + β2 ln(Xi ) + εi (11)
con Yi y Xi lineales en los logaritmos y β1 y β2 parámetros lineales, y (??) llamado
modelo log-log o log-lineal.

Correa F., Juan Byron Formas funcionales del MCRL September 26, 2023 12 / 1
Modelo log-lineal
Dada la linealidad, el modelo se estima por MCO, luego la elasticidad de Yt respecto a
Xt es
∆Yt
cambio relativo en Yt Yt ∆Yt Xt lnYt − lnYt−1
β2 = = ∆Xt
= =
cambio relativo en Xt Xt
∆Xt Yt lnXt − lnXt−1

∂lnYi 1 ∂Yi 1
= = β2
∂lnXi Yi ∂Xi Xi
Caracterı́stica del modelo log-log:

El coeficiente de la pendiente β2 mide la elasticidad de Y respecto de X, es decir,

el cambio porcentual en Y ante un pequeño cambio porcentual en X.

Ası́, si Y representa la cantidad demandada de un bien y X su precio unitario, β2

mide la elasticidad-precio de la demanda. Si la relación entre la cantidad
demandada y el precio es como se muestra en la figura superior, la transformación
doble-log dará entonces la estimación de la elasticidad-precio (-β2 ).

El modelo supone que el coeficiente de la elasticidad, β2 , permanece constante a

través del tiempo (otro nombre, modelo de elasticidad constante).
A pesar de que α̂ y b2 son estimadores insesgados de α y β2 , b1 = antilog(α̂) es,
en sı́, un estimador sesgado.
Correa F., Juan Byron Formas funcionales del MCRL September 26, 2023 13 / 1
Modelo recı́proco
Modelo recı́proco
Los modelos del siguiente tipo se conocen como modelos recı́procos.
1
Yi = β1 + β2 + εi (12)
Xi
A pesar de que este modelo es no lineal en la variable Xi porque entra inversamente o
en forma recı́proca, el modelo es lineal en β1 y β2 , y, por consiguiente, es un modelo de
regresión lineal.
Caracterı́sticas: a medida que Xi aumenta indefinidamente, el término β2 X1i se acerca
a cero (β2 es una constante) y Yi se aproxima al valor lı́mite o asintótico β1 . Por
consiguiente, modelos como (??) contienen un valor asintótico o lı́mite que tomará la
variable dependiente cuando el valor de la variable X aumente indefinidamente.

Correa F., Juan Byron Formas funcionales del MCRL September 26, 2023 14 / 1