AULA:

Modelos Log - Linear e Polinomial

Victor Hugo Lachos Davila

Campinas
2008
Função de produção de COBB-DOUGLAS

As transformações examinadas no contexto de regressão simples

pode ser facilmente estendida para aos modelos de regressão múltipla
O exemplo especifico a ser examinado é a função de produção Cobb-
Douglas da teoria da produção. Esta função de produção em sua forma
estocastica pode ser expressa como:
β2 β3 εi
Yi = β1 X 2i X 3i e
Onde Y: produção; X2:Insumo de mão de obra; X3:insumo de capital;
є: error estocástico
A equação acima mostra claramente que a relação entre a produçõa e
os insumos é não linear. Aplicando logaritmo obteremos:

LnYi = β 0 + β 2 LnX 2i + β 3 LnX 3i + ε i , β 0 = Lnβ1

Este modelo agora é linear nos parâmetros e portanto um modelo de
regressão linear. Observe que é não linear nas variaveis X e Y.
2
Propiedades de função Cobb-Douglas

1. β2 é a elasticidade (parcial) do produto em relação ao insumo de

mão de obra
2. β3 é a elasticidade (parcial) do produto em relação ao insumo de mão de
capital
3. A soma β2+ β3 nos informa a respeito dos retornos de escala, isto é, a
resposta do produto a uma variação proporciaonal nos insumos. Se a soma
fosse 1 (retornos constantes de escala), então se dobrarmos o uso de
insumos, a produção dobrará, se a suma fosse <1 (retornos decrescentes
de escala) se a soma fosse >1 (retornos crescentes de escala).

O modelos acima pode ser generalizado para um modelo log-log e k variáveis

dependentes

LnYi = β 0 + β 2 LnX 1i + ... + β k LnX ki + ε i ,

Onde cada um dos coeficientes de regressão (parciais), são
interpretados em termos de elasticidades.

3
Modelos de Regressão Polinomial

1. Estes modelos tem sido muito usados em pesquisa econométricas

relativas a funções de custo e produção
2. Este estrutura amplia o leque de modelos nos que as estrategias
inferencias do MRL multipla pode ser facilmente aplicadas.

1. A figura relaciona o custo

C
marginal (CMg) de produção a
u curto prazo (Y) com o nível de
s
t produção (X).
o
2. A relação entre Y e X pode ser
M
a representado pela seguinte
r
g equação estocastica:
i
n
a
Y = β 0 + β1 X 1 + β 2 X 2 + ε i ,
l

Chamado de regressão polinomial

de segundo grau.
4
Modelos de Regressão Polinomial

O modelo de regressào polinomial de k-ésimo grau pode ser escrito como:

Yi = β 0 + β1 X i + ... + β k X i + ε i ,
k

Onde existe somente uma variável explicatica.

-Note que o polinomio de grau k é linear nos parâmetros e os β’s
podem ser estimados pelo método de MQO ou Maxima
verossimilhança habitual.
- Note que as variaveis X estão altamente correlacionadas com
X2,X3…mas essa correlação é não linear e portanto não desreipeitam a
premisa de ausencia de multicolinearidade
- Em resumo os modelos polinomiais podem ser estimados de maneira
usual e não apresentam problemas de estimação

5
Exemplo

Os dados da tabela abaixo referem-se aos setor agricola de taiwan no

periodo de 1958-1972.
Dias Insumo de Capital
Produto bruto real trabalhados Real (Milhões $)
Ano (Milhões $) (Y) (X1) (X2)
LnYi = β 0 + β1 LnX 1i + β 2 X 2i + ε i ,
1958 16067.7 275.5 17803.7

1959 17511.3 274.4 18096.8

LnYˆi = −3,44 + 1,49 LnX 1i + 0,489 X 2i ,

1960 20171.2 269.7 18271.8

1961 20972.9 267 19167.3

1962 20406 267.8 19647.6

1963 20831.6 275 20803.5

1964 24806.3 283 22076.6

1965 26465.8 300.7 23445.2

β1+ β2=1.9887, ou seja, durante o
periodo estudado, a agricultura
1966 27403 307.5 24939

1967 28628.7 303.7 26713.7

1968 29904.5 304.7 29957.8

de taiwan se caraterizava por ter
1969 27508.2 298.6 31585.9 retornos crescentes de escala.
1970 29035.5 295.5 33474.5

1971 29281.5 299 34821.8

1972 31535.8 288.1 41794.3