2.

Funciones logartmicas de Y y/ X ln(X) = el logaritmo natural de X Las transformaciones logartmicas permiten modelizar relaciones en trminos de porcentajes (como elasticidades), en vez de linealmente.
x x ln(x+x) ln(x) = ln 1 + x x d ln( x ) 1 = ) (clculo: dx x

Porqu?:

Numricamente: ln(1.01) = .00995 .01; ln(1.10) = .0953 .10 (redondeo)

6-19

Tres casos: Caso I. lineal-log Funcin de regresin poblacional Yi = 0 + 1ln(Xi) + ui ln(Yi) = 0 + 1Xi + ui ln(Yi) = 0 + 1ln(Xi) + ui

II. log-lineal III. log-log

La interpretacin del coeficiente de pendiente difiere en cada caso. La interpretacin se encuentra aplicando la regla general antes y despus: calcular el cambio en Y para un cambio dado en X.
6-20

I. Funcin de regresin poblacional lineal-log Yi = 0 + 1ln(Xi) + ui Ahora cambia X: Restar (a) (b): ahora as Y + Y = 0 + 1ln(X + X) Y = 1[ln(X + X) ln(X)] (b) (a)

X ln(X + X) ln(X) , X X Y 1 X Y ( X pequeo) 1 X / X

6-21

Caso lineal-log, continuacin Yi = 0 + 1ln(Xi) + ui Para X pequeo,

Y 1 X / X X = cambio porcentual en X, asi un Ahora 100 X

incremento del 1% en X (multiplicando X por 1.01) se asocia con un cambio de .011 en Y.

6-22

Ejemplo: Notas vs. ln(Renta) Primero se define el nuevo regresor, ln(Renta) Ahora el modelo es lineal en ln(Renta), de manera que el modelo lineal-log puede estimarse por MCO:
TestScore = 557.8 + 36.42ln(Rentai)

(3.8) (1.40) as un incremento del 1% en Renta se asocia con un incremento en Notas de 0.36 puntos en el test. Los errores estndar, los intervalos de confianza, R2 todos los instrumentos habituales de regresin se pueden aplicar aqu. Cmo se compara este modelo con el modelo cbico?
6-23

TestScore = 557.8 + 36.42ln(Rentai)

6-24

II. Funcin de regresin poblacional log-lineal ln(Yi) = 0 + 1Xi + ui Ahora cambia X: ln(Y + Y) = 0 + 1(X + X) Restamos (a) (b): as ln(Y + Y) ln(Y) = 1X (b) (a)

Y 1X Y Y / Y (X pequeo) 1 X

6-25

caso log-lineal , continuacin ln(Yi) = 0 + 1Xi + ui para X pequeo,

Y / Y 1 X

Y = cambio porcentual en Y, as un Ahora 100 Y

cambio en X en una unidad (X = 1) se asocia con un cambio en Y de 1001% (Y se incrementa en un factor de 1+1). Ntese: Cules son las unidades de ui y la SER? o Desviaciones fraccionales (proporcionales) o por ejemplo, SER = .2 significa
6-26

III. Funcin de regresin poblacional log-log ln(Yi) = 0 + 1ln(Xi) + ui Ahora cambia X: ln(Y + Y) = 0 + 1ln(X + X) Restamos: as (b) (a)

ln(Y + Y) ln(Y) = 1[ln(X + X) ln(X)]

Y X 1 Y X Y / Y (X pequeo) 1 X / X

6-27

Caso log-log, continuacin ln(Yi) = 0 + 1ln(Xi) + ui para X pequeo,

Y / Y 1 X / X Y X = cambio porcentual en Y, y 100 = Ahora 100 Y X

cambio porcentual en X, as un cambio del 1% en X se asocia con un cambio de 1% en Y. En la especificacin log-log, 1 tiene la interpretacin de elasticidad.
6-28

Ejemplo: ln( Notas) vs. ln(Renta) Primero definimos una nueva variable dependiente, ln(Notas), y el nuevo regresor, ln(Renta) El modelo es ahora una regression lineal de ln(Notas) frente a ln(Renta), que puede estimarse por MCO:
ln(TestScore) = 6.336 + 0.0554ln(Rentai)

(0.006) (0.0021) Un incremento del 1% en Renta se asocia con un incremento de .0554% en Notas (factor de 1.0554) Como compara este caso con el modelo log-lineal?
6-29

Ninguna especificacin parece que se ajusta tan bien como el cbico o lineal-log
6-30

Resumen: Transformaciones logartmicas Tres casos, dependiendo de si es Y y/ X es la variable transformada tomando logartmos. Despus de crear la(s) nueva(s) variable(s) ln(Y) y/ ln(X), la regresin es lineal en las nuevas variables y los coeficientes pueden estimarse por MCO. Los contrastes de hiptesis y los intervalos de confianza son ahora estndar. La interpretacin de 1 difiere de un caso a otro. La eleccin de la especificacin debera llevarse a cabo utilizando el juicio (qu interpretacin tiene ms sentido en la aplicacin?), contrastes, y graficando los valores predichos
6-31