Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumen captulo 6 Gujarati: Extensiones del modelo de regresin lineal con dos variables
Sumario:
a) Regresin a travs del origen (el intercepto,
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
Y i= ^ 2 X i+ u^ i
6.1.1
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
u^ i , que en el modelo con intercepto es siempre cero, no necesita serlo cuando este trmino est
ausente.
2) El coeficiente de determinacin,
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
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
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
Y i= ^ 2 X i+ u^ i . Defina:
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 se expresan en miles de
Yi =1000 Y i y
Xi =1000 X i , en
u^ i =w1 u^ i ;
Yi =w 1 Y i
(o
yi =w1 y i );
Xi =w 1 X i
(o
xi =w1 xi );
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=
Yi =
YiY i
Sy
6.3.1
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
Sx
^
2 = ^2
Sy
6.3.8
usual no se
lnYi=+ 2 Xi +ui
=ln 1
y 2
, se
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
elasticidad entre Y y X,
.= 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.
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)
2=
Cambio en Y
Cambio en Y
=
Cambio en lnX Cambiorelativo en X
2=
Y
X/X
6.6.12
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
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).