25 14 43 Modelos2

DOCUMENTOS DE TRABAJO
PRODUCCION ANIMAL Y GESTION

ISSN: 1698-4226 DT 13, Vol. 1/2010
DPTO PRODUCCION ANIMAL

UNIVERSIDAD DE CORDOBA
MODELOS ECONOMTRICOS PARA EL DESARROLLO DE FUNCIONES

DE PRODUCCIN
Toro, P., Garca, A., Aguilar, C., Acero, R., Perea, J., Vera, R.
NDICE
Resumen...........................................................................................................................3
1.
Introduccin..............................................................................................................3
2.
Modeloseconomtricos............................................................................................4
2.1.
3.
Fasesenlaconstruccindefuncionesdeproduccin.........................................................6
Tcnicaseconomtricasparaladeterminacindeparmetrosfuncionalesen
modelosuniecuacionales................................................................................................13
3.1.
Mnimoscuadradosordinarios(MCO)...............................................................................13
3.2.
Mnimoscuadradosgeneralizados(MCG)..........................................................................13
3.3.
Mximaverosimilitud.........................................................................................................14
4.
Modelosderegresinlinealmltiple......................................................................15
4.1.
Funcinlineal......................................................................................................................16
4.2.
Funcincuadrtica.............................................................................................................19
4.3.
Funcincbica....................................................................................................................21
4.4.
Funcinhiperblica............................................................................................................23
5.
Modelosnolineales................................................................................................25
5.1.
ModelodeCobbDouglas...................................................................................................26
6.
Ejemplosdemodeloseconomtricosdeproduccinencarneyleche.....................32
7.
Consideracionessobrelosmodelos.........................................................................34
8.
Fasedevalidacin...................................................................................................35
8.1.
9.
Contrastesdevalidacin.....................................................................................................35
Seleccindelmodelo..............................................................................................52
10.
Conclusin..........................................................................................................52
11.
Anexos................................................................................................................54
ISSN: 1698-4226 DT 13, Vol. 1/2010

ISSN: 1698-4226 DT 13, Vol. 1/2010

Resumen
El anlisis de la produccin de la empresa ganadera est ligado a la determinacin de su
eficiencia. Los modelos economtricos son una herramienta para determinacin de la
funcin de produccin de los sistemas productivos y consecuentemente de su eficiencia.
Distintos modelos han sido aplicados en el sector agropecuario, incluyendo modelos
lineales y no lineales. La construccin de un modelo particular, consta de una serie de
etapas y est sujeta al cumplimiento de propiedades estadsticas bsicas.
El objetivo de este trabajo, junto con el examen de las diferentes tcnicas aplicadas en
la estimacin de funciones de produccin ganaderas, es orientar al investigador en
produccin animal en las diversas etapas del anlisis de sistemas y su modelacin.
1.
Introduccin
Un aspecto de gran importancia en la empresa ganadera es el anlisis de la produccin

en trminos de eficiencia; tanto tcnica como econmica, y de sustentabilidad. El
desarrollo de metodologas paramtricas se fundamentan en la estimacin de funciones
de produccin mediante las que se establecen las relaciones entre factores y productos, y
se procede a la mejora en la toma de decisiones.
La actividad pecuaria se sustenta en un entorno ecolgico cambiante, con procesos
interrelacionados, dinmicos e inestables, lo que hace que su estudio sea de gran
complejidad. La planificacin
y toma de decisiones, en consecuencia, no debe
efectuarse sin considerar la variabilidad que muestran los elementos que intervienen en
su funcionamiento (Acero et al., 2004). Con el propsito de comprender el
funcionamiento de los sistemas de produccin pecuaria, y a fin de expresar las
relaciones causa-efecto, se desarrollan los modelos. A pesar de la similitud de un
modelo con otro, no existen resultados iguales entre ellos; esto se debe a que la empresa
agropecuaria es un sistema especial como seala la Teora General de Sistemas (Dent y
Anderson, 1974). Al analizar el comportamiento de un sistema productivo se estudian
las variables relevantes, as como su variabilidad y la abstraccin realizada permite la
proyeccin de los resultados con mayor facilidad (Harrison y Longworth, 1977).
3
ISSN: 1698-4226 DT 13, Vol. 1/2010

El objetivo del trabajo es explorar las diferentes tcnicas aplicadas en la estimacin de

funciones ganaderas a fin de seleccionar aquella metodologa que se adecue en mayor
medida a los objetivos propuestos. Adems de orientar al investigador en produccin
animal en las diversas etapas del anlisis de sistemas y su modelizacin.
2.
Modelos economtricos
Un modelo economtrico est formado por una o varias ecuaciones en las que la
variable explicada o endgena depende de una o varias variables explicativas (Caridad,
1998), pudiendo ser expresado en forma genrica como:
La produccin de carne de cordero (PC) en Aragn, sirve como ejemplo para mostrar
una forma particular de la funcin de produccin, donde la variable dependiente PC
puede ser expresada en funcin de los costos de alimentacin (CA), la depreciacin de
capital (DC) y los costos de mano de obra (MO) por medio de la siguiente ecuacin
(Perez et al., 2007):
Modelos economtricos, como el anterior, planteados con el objetivo de determinar la

relacin que existe entre el producto obtenido y la combinacin de factores que se
utilizan en su obtencin, son conocidos como funciones de produccin.
La funcin de produccin se encuentra enmarcada en el entorno de la empresa y/o
explotacin y las condiciones tcnicas reinantes, por lo que, cualquier modificacin en
el proceso productivo va a modificar esta funcin.
En general, los modelos economtricos y especficamente la funcin de produccin son
utilizados como una herramienta de anlisis que ayuda en la toma de decisiones tanto a
nivel econmico general (macro) como en el mbito de la direccin de empresas
(micro).
Existen variadas revisiones acerca de modelos economtricos utilizados en la
determinacin de funciones de produccin (Burnside, 1996; del Oro et al., 2000;
Pariani, 2004), por lo tanto el objetivo de este trabajo ms que enfocarse en dicho
propsito, es ser una gua para la elaboracin y seleccin del modelo que represente de
4
ISSN: 1698-4226 DT 13, Vol. 1/2010

la mejor manera posible la funcin de produccin de un sistema bajo estudio, para

subsecuentemente ser utilizado en la determinacin de la frontera de produccin y a
continuacin de la eficiencia tcnica de explotaciones. Para llevar a cabo tal objetivo se
han utilizado distintos software estadsticos y economtricos (SAS, SPSS, Statgraphics
y Eviews) presentando los resultados obtenidos tanto en Statgraphics como en Eview,
debido a la facilidad de uso de ambos programas, as como por las herramientas
estadsticas que ellos poseen.
Un modelo economtrico se define a partir de un modelo econmico (descripcin y
explicacin de un sistema econmico, social y poltico con inters prctico),
complementado con los aspectos particulares del sistema en estudio. A diferencia de los
modelos econmicos los modelos economtricos poseen mayor generalidad en las
conclusiones a las que se puede llegar, estando su validez limitada tanto por sistema de
referencia como por el perodo temporal en que el modelo en s tiene vigencia, como
consecuencia de su evolucin (Pulido, 1987).
Los modelos economtricos son utilizados generalmente para alguna de las siguientes
actividades:
Anlisis estructural: Cuantificacin de las relaciones que en el periodo analizado
ha existido entre las variables implicadas, a travs del conocimiento del signo y
valor de los parmetros estimados. Es decir, como inciden en la variable
endgena las variaciones de las variables explicativas.
Prediccin: Predecir los valores que tomar a futuro la variable objeto de
estudio.
Simulacin: Efectos que tienen sobre la variable endgena diferentes estrategias

que se planteen en las variables explicativas.
En lo referente a la clasificacin de los modelos economtricos, existen diversas

categoras dependiendo del tipo de datos de las variables, el momento del tiempo al que
hacen referencia y el nmero de variables endgenas que se desee explicar, entre otras.
En lo referente a los tipos de datos de las variables, encontramos dos divisiones:
Series temporales: Los datos pueden corresponder a los valores de una variable
en el tiempo. Estos pueden tener frecuencia, diaria, semanal, mensual o anual.
As podemos analizar las cotizaciones en bolsa diarias, los ndices de predio al
consumo mensuales, los datos anuales del PIB de un pas, etc.
5
ISSN: 1698-4226 DT 13, Vol. 1/2010

Series de corte transversal: Los valores corresponden a distintos sujetos para un

mismo momento del tiempo. En este caso se tratara de series del tipo de
consumo de diferentes familias, inversin de distintas empresas, paro en
diferentes provincias, etc.
Finalmente, es preciso sealar que la modelacin debe ser entendida como el proceso
mediante el cual un investigador disea y construye un modelo que representa un objeto
o sistema real, es decir, es una metodologa para la resolucin de problemas y no una
teora en s (Aguilar et al., 2003).
2.1.
Fases en la construccin de funciones de produccin
Cuando se plantea la estimacin un modelo economtrico es necesario disponer de

informacin estadstica de las variables que se utilizarn en la construccin de ste,
adems de tener claros los objetivos perseguidos en dicha funcin.
En la elaboracin de un modelo es posible distinguir al menos cuatro fases:
i. Recogida de informacin y contraste de hiptesis de los datos
ii. Especificacin
iii. Estimacin de los parmetros
iv. Contraste diagnostico o de validacin.
v. Seleccin del modelo
Siendo posible repetir algunas de las fases cuando ninguno de los modelos
especificados inicialmente se adaptan a los datos analizados, tal como se muestra en la
Error! No se encuentra el origen de la referencia..
ISSN: 1698-4226 DT 13, Vol. 1/2010
DESARROLLO DE MODELOS ECONOMTRICOS
ETAPAS PREVIAS

Diseo de
encuesta
Poblacin
Tamao muestral
Recoleccin de
informacin
Bsqueda de datos
Depuracin de datos
Seleccin de variables
Bondad de ajuste de datos
Seleccin modelo
(lineal, no lineal)
Rediseo
Testeo de la
informacin
Especificacin
Seleccin mtodo de estimacin

(MCO, MCC, MV)
Estimacin de parmetros
Capacidad de prediccin
Estimacin
Validacin
NO
Bondad del modelo
Test estadsticos
SI
Anlisis estructural
Prediccin
Simulacin
Utilizacin
Figura 1: Etapas en el desarrollo de un modelo economtrico
A continuacin, se especificar brevemente en qu consiste cada una de dichas etapas,

utilizando como ejemplo la determinacin de la funcin de produccin de explotaciones
ovino lecheras ecolgicas de Castilla La Mancha (base de datos del Anexo 1-1).
Posteriormente se determinaran seis formas funcionales determinando la bondad de
ajuste de cada modelo para finalmente seleccionar aquella que presente los mejores
resultados.
ISSN: 1698-4226 DT 13, Vol. 1/2010

2.1.1. Recogida de informacin y contraste de hiptesis de los datos

El proceso de recogida de la informacin, etapa inicial de cualquier investigacin, es
considerada el cimiento sobre el que se sustenta el proceso de modelizacin. De esta
manera, para realizar de forma correcta esta etapa es necesario tener presente ciertas
consideraciones en la bsqueda de la representatividad de la muestra y con respecto a
los criterios previamente establecidos para la seleccin (dimensin, nmero de cabezas,
superficie, raza, etc.). Para tal efecto Bolaos (1999) seala que es recomendable
realizar una investigacin de tipo descriptivo-analtico, que permita hacer la
descripcin, el registro, el anlisis y la interpretacin de la naturaleza actual y la
composicin de los fenmenos que intervienen en el proceso, adems, de permitir la
elaboracin de un marco de estudio a partir del que se deduce una problemtica, o bien
formular un diagnostico con el fin de conocer carencias esenciales y sugerir una accin
posterior.
La representatividad de una muestra, est dada tanto por el tamao muestral como por el
tipo de muestreo utilizado. El tamao muestral depende principalmente del tamao de la
poblacin y del objetivo que se persigue en la investigacin, estando los elementos de
juicio que influyen en la seleccin de la muestra basados en gran medida en las
estimaciones y decisiones personales del investigador. El tipo de muestreo depender
bsicamente de la posibilidad de acceso a las observaciones (o unidades de encuesta).
Generalmente, a nivel de explotaciones agropecuarias la recoleccin de informacin se
realiza mediante encuestas directas a los productores, ya sean en el tiempo o en un corte
transversal.
Una vez superada la etapa de recogida de datos, con el propsito de comprobar si las
propiedades supuestas para la poblacin, son compatibles con lo observado en la
muestra, es necesaria la realizacin de contraste de hiptesis. Bsicamente son tres las
propiedades que deben cumplir las observaciones de una muestra para representar de
manera fiel a la poblacin: normalidad, homocedasticidad e independencia (Martn et
al., 1997).
ISSN: 1698-4226 DT 13, Vol. 1/2010

2.1.2. Fase de especificacin

Comienza con la formulacin del
modelo estructural, para lo que es necesario,
inicialmente, definir que variable productiva se quiere determinar y seleccionar las

variables endgenas que sern utilizadas para dicha estimacin. Generalmente en
ganadera, las variables de produccin a estimar corresponden a kilos o litros totales de
producto generados en una unidad de tiempo arbitraria. Posteriormente, se realiza un
anlisis descriptivo multidimensional que determine la correlacin entre las variables,
con el propsito de evitar la dependencia entre las mismas. Para llevar a cabo esta tarea,
se hace indispensable la utilizacin de algn software estadstico, algunos ejemplos de
los comnmente utilizados son StatGraphics, SAS y SPSS. La seleccin de uno u otro
depende netamente de la facilidad de uso para el usuario y la disponibilidad del mismo.
Una vez realizado el anlisis, aquellas variables de entrada que presenten un alto grado
de correlacin entre s, debern ser estudiadas, con el propsito de descartar de cada par
de variables una de ellas, disminuyendo el nmero de posibles variables que ingresaran
al modelo.
En los datos del ejemplo presentado en la Figura 2, la variable de produccin a estimar
corresponde a litros de leche producidos en una explotacin ovina al ao. Tomando
como referencia la base de datos mencionada, que consta de 31 explotaciones, y
utilizando como variables de entrada las mostradas en la Tabla 1, por medio del uso del
software estadstico StatGraphics, usando la opcin Descripcin Datos numricos
Anlisis Multidimensional de la barra del men de herramientas se obtuvo su matriz de
correlacin (Figura 3).
ISSN: 1698-4226 DT 13, Vol. 1/2010

Tabla 1: Clasificacin de las variables de entrada

Fsicas y de dimensin
Grado de intensificacin
Tcnicas y productiva
Nmero de animales (NO)
Carga animal (CA)
Tasa de reposicin (R)
Superficie de la explotacin (SE)
UTA por 100 ovejas (UTACO)
Mortalidad de corderos (MC)
Consumo de concentrado anual
Ovejas por UTA (OUTA)
Productividad de corderos (PC)
(C)
Nmero de parideras al ao (NP)

Consumo de
concentrado por
oveja al ao (CO)
Consumo de concentrado por
litro de leche (CLT)
Figura 2: Proceso de obtencin de la matriz de correlacin
10
ISSN: 1698-4226 DT 13, Vol. 1/2010

Figura 3: Matriz de correlacin

Una vez estimadas las correlaciones, es posible eliminar las variables altamente
correlacionadas, para posteriormente seleccionar las variables explicativas de la
ecuacin del modelo.
Es recomendable el planteamiento de varios modelos alternativos, incorporando todas o
parte de las variables explicativas, con distintas formas funcionales, hasta lograr el
modelo definitivo.
2.1.3. Fase de estimacin de parmetros

Una vez especificado el modelo, se prosigue con la fase de estimacin de los parmetros
estructurales. Los mtodos de estimacin dependen tanto de la relacin de dependencia
de las variables como del tipo de modelo. En la determinacin de funciones de
produccin, el tipo de dependencia ms habitual corresponde a aquellas en que se
presenta una relacin con una variable dependiente mtrica y un conjunto de variables
independientes que pueden ser o no ser mtricas, es decir:
11
ISSN: 1698-4226 DT 13, Vol. 1/2010

(mtricas) (mtricas, no mtricas)

Tal clasificacin se muestra destacada en la Figura 4, donde se presentan todas las
tcnicas de anlisis de dependencia.
Tcnicas de
dependencia
Varias relaciones
Una relacin
1 variable
dependiente
> 1 variable
dependiente
DEP mtrica
DEP mtrica
IND no mtrica
Ecuaciones
estructurales
Regresin
lineal
DEP no mtrica
DEP no mtrica
Anlisis
discriminante
Regresin
mltiple
Regresin
VDL
IND mtrica
MANOVA
Correlacin
cannica
Regresin no
lineal
Fuente: Adaptado de Uriel y Alds, (2005)
Figura 4: Tcnicas de anlisis de dependencia

En decir, la tcnica de anlisis de dependencia ms utilizada para la generacin de
funciones de produccin corresponde a la regresin mltiple, estando est representada
tanto por relaciones lineales como no lineales.
Dentro de los modelos con una relacin de dependencia, es posible sealar, como
mtodos ms usuales de estimacin de parmetros, los siguientes:
Mtodo de mnimos cuadrados ordinarios
Mtodo de mnimos cuadrados generalizados o de Aitken
Mtodo de mxima verosimilitud
En el caso de los modelos multiecuacionales, cada una de las ecuaciones puede ser
estimada (si cumplen condiciones de estimabilidad o identificabilidad) mediante
variantes de los mtodos anteriores:
12
ISSN: 1698-4226 DT 13, Vol. 1/2010

Mtodo de mnimos cuadrados bietpicos

Mtodo de mxima verosimilitud con informacin limitada
Y si todo el modelo es estimable o identificable, mediante
Mtodo de mnimos cuadrados trietpicos
Mtodo de mxima verosimilitud con informacin completa
A continuacin se describen las tcnicas economtricas para la determinacin de los
parmetros en modelos uniecuacionales.
3.
Tcnicas economtricas para la determinacin de parmetros funcionales

en modelos uniecuacionales
3.1.
Mnimos cuadrados ordinarios (MCO)
El criterio de mnimos cuadrados trata de minimizar la suma de cuadrados de los

residuos (
, los cuales son definidos como la diferencia entre el valor observado de la
variable que tratamos de explicar y el valor estimado por la recta ajustada (Martn et al.,
1997):
Donde:
3.2.
Mnimos cuadrados generalizados (MCG)
En modelos que presentan heterocedasticidad y autocorrelacin, no es posible aplicar

directamente el mtodo de MCO para estimar los coeficientes estructurales (Caridad,
1998). Para ello, el mtodo de MCG propone un procedimiento de transformacin de las
variables, de tal modo, que posterior a esta transformacin, satisfagan los supuestos del
modelo clsico y sea posible aplicar luego MCO. En otras palabras, MCG es MCO
sobre las variables transformadas que satisfacen los supuestos estndar de mnimos
cuadrados. Los estimadores obtenidos se conocen como estimadores MCG y estos
estimadores poseen la propiedad de ser MELI (mejor estimador lineal insesgado).
13
ISSN: 1698-4226 DT 13, Vol. 1/2010

La diferencia entre MCO y MCG, se encuentra en la minimizacin realizada; como se

seal anteriormente en MCO se minimiza la expresin:
En tanto, que en MCG, la expresin a minimizar corresponde a:
Donde
Por lo tanto, en MCG se minimiza una suma ponderada de residuos al cuadrado,
actuando
como ponderador, y en MCO se minimiza la suma de los residuales al
cuadrado (SRC) sin ponderar. De este modo, en MCG, el peso asignado a cada
observacin es inversamente proporcional a su
provienen de una poblacin con una
, es decir, las observaciones que
ms grande tendrn una ponderacin
relativamente menor y aquellas provenientes de una poblacin con un
menor tendrn
una ponderacin proporcionalmente mayor al minimizar la SRC (Gujarati, 2003)
3.3.
Mxima verosimilitud
Corresponde a un mtodo de estimacin puntual, con algunas propiedades tericamente

ms fuertes que las del mtodo de MCO. Sin embargo, si se han supuesto
normalmente distribuidas, los estimadores de MV y MCO
regresin
de los coeficientes de
son idnticos. La principal diferencia es la forma de estimacin de
dado que en MCO es estimada por el estimador insesgado

el estimador sesgado
, y en MV por
(Gujarati, 2003).
El mtodo de MV, se basa como su nombre lo indica, en la funcin de verosimilitud de

la muestra. Dicha funcin es definida como la probabilidad de que se den las
observaciones muestrales y depende, lgicamente, de los parmetros poblaciones. Es
decir, intuitivamente viene a proporcionar la probabilidad de que para unos
14

ISSN: 1698-4226 DT 13, Vol. 1/2010
determinados parmetros
, obtengamos una muestra concreta. La funcin de
verosimilitud puede ser expresada como:
Maximizar dicha funcin dada una muestra, consiste en obtener los valores
que
con mayor probabilidad generen la muestra considerada (Martn et al., 1997)

Al igual que para la realizacin del anlisis de multicolinealidad, la estimacin de los
parmetros por medio de tcnicas economtricas, se realiza con la ayuda de softwares
estadsticos.
4.
Modelos de regresin lineal mltiple
El modelo de regresin mltiple puede ser aplicado tanto a datos de corte transversal
como a datos provenientes desde series temporales. Generalmente se considera que el
regresando es una funcin lineal de k-1 regresores y de una perturbacin aleatoria,
existiendo adems un regresor ficticio correspondiente al trmino independiente. Si
designamos por
al regresando, por
a los regresores, por
a la
perturbacin aleatoria y T el tamao de la muestra, el modelo terico de regresin lineal

viene dado, para la observacin genrica t-sima, por la siguiente expresin (Uriel y
Alds, 2005):
La relacin entre regresando, los regresores y la perturbacin aleatoria es lineal. De este

modo, el regresando y los regresores pueden ser cualquier funcin de la variable
endgena o de las variables predeterminadas, respectivamente, siempre que entre
regresando y regresores se mantenga una relacin lineal (es decir, el modelo sea lineal
en los parmetros). Por otro lado, el carcter aditivo de la perturbacin aleatoria
garantiza su relacin lineal con el resto de los elementos.
Entre las relaciones funcionales de regresin lineal mltiple utilizadas comnmente para
la determinacin de funciones de produccin destacan las que se mencionan en los
apartados a continuacin.
15
ISSN: 1698-4226 DT 13, Vol. 1/2010

4.1.
Funcin lineal
Corresponde a un funcin que asocia dos o ms variables de forma que la dependiente

se calcula a partir de las independientes xs, del valor del trmino independiente , del
coeficiente , y del error , siendo y independientes de X e Y, y no pudiendo estar X
elevada a ninguna potencia.
Ejemplos del uso de esta funcin en sistemas agropecuarios se puede encontrar en

Caas et al.,(1994), quin utiliza a travs de modelos economtricos, funciones lineales
para determinar la funcin de produccin para diferentes variedades de maz en
Andaluca; en Zornoza et al., (2007) quienes determinan la relacin entre la calidad del
suelo de molisoles y entisoles en la provincia de Alicante a travs de una regresin
lineal mltiple con las variables Nitrgeno, carbono orgnico y carbono en la biomasa
microbial; en Kirton et al., (1984) donde se concluy que el espesor de la canal tomado
entre la 11 y 12 costilla, es la variable que presenta la mejor relacin con la
composicin qumica de materia grasa en canales de corderos y en Daz et al., (2004)
donde estudiando corderos lechales se considero al peso de la carcasa fra como un buen
predictor de la cantidad de msculo, no as de otros tejidos como la grasa. Un ltimo
ejemplo, relacionado con la produccin de leche es presentado por Peralta-Lailson et
al., (2005) quienes mediante regresiones lineales buscaron determinar el efecto de
distintos factores ambientales en la curva de produccin lctea.
Si tomamos como ejemplo los datos de produccin de leche, nmero de ovejas y
suministro de concentrado por animal de la muestra de explotaciones de ovino de leche,
que se presentan en el Anexo 1-1 y los introducimos en el programa Statgraphics para la
obtencin de un modelo de regresin lineal, a travs de la opcin Dependencia
Regresin Mltiple, tal como se observa en la Figura 5, se llega a la siguiente funcin
de produccin:
PL = -11263,0 + 54,3119 x CO + 94,2096 x NO
16
ISSN: 1698-4226 DT 13, Vol. 1/2010

Figura 5: Salida del modelo regresin lineal

Como se aprecia en la Figura 5, por medio de programa estadstico Statgraphics es
posible obtener informacin de la significancia de cada uno de los parmetros en forma
independiente (indicado con un crculo), as como de los parmetros en su conjunto
(modelo) (encerrado en un recuadro). El contraste de cada parmetro se realiza
mediante la prueba de t, donde la hiptesis nula es que la variable xj incluida en el
modelo no tiene influencia significativa alguna, es decir:
Siendo esta hiptesis aceptada si bj/S(bj) queda comprendido entre los valores de t
(Pulido, 1987):
17
ISSN: 1698-4226 DT 13, Vol. 1/2010

Es decir, si el valor de p es menor a 0,05, la hiptesis nula, de no significancia de la

variable es rechazada, o en otras palabras, se acepta la hiptesis alternativa de la
existencia de un efecto de la variable xj en el valor que toma la variable dependiente.
En el caso del modelo, para decidir sobre la significancia conjunta de todos los
parmetros que lo forman, el programa StatGraphics utiliza una distribucin F de
Snedecor. Distribucin que se define por el cociente de dos
divididas por sus
respectivos grados de libertad e independientes entre s:
Al igual que en el caso del anlisis de cada variable en forma independiente, la

hiptesis nula corresponde a la no significancia del modelo y por lo tanto un valor
p<0,05 estara indicando que el modelo puede ser utilizado para estimar los valores que
toma la variable dependiente.
Un tercer contraste de significacin, es aquel que se realiza a partir del coeficiente de
determinacin. Tal coeficiente puede interpretarse como la proporcin de la variacin
de la variable endgena que queda explicada por la regresin, es decir, que son capaces
de recoger las variables exgenas incluidas en el modelo. El coeficiente de
determinacin queda expresado como:
Siendo la hiptesis nula del modelo la no existencia de correlacin real entre variables
(H0 (=0)). Para una correcta interpretacin del valor alcanzado por R2, es necesario
realizar algunas matizaciones, siendo una de ellas la correccin por los grados de
libertad de las varianzas, debido a que un buen ajuste resulta ms difcil en la medida
que aumenta el nmero de datos y disminuye el nmero de variables utilizadas. El
coeficiente de determinacin corregido, es obtenido a travs de la siguiente expresin:
18
ISSN: 1698-4226 DT 13, Vol. 1/2010

Como se observa el modelo presenta significancia estadstica, adems presenta

coeficientes de determinacin tanto ordinario como corregido altos, y significancia en
sus dos variables explicativas. Por otro lado, si observamos la matriz de correlaciones
del modelo (Figura 6), se aprecia que no hay correlaciones superiores al 50% (salvo con
el trmino constante), por lo que no se est en presencia de relaciones de
multicolinealidad entre las variables del modelo.
Figura 6: Matriz de correlaciones del modelo lineal

4.2.
Funcin cuadrtica
El modelo que representa este tipo de frontera, queda expresado por:
Donde
corresponde al intercepto o trmino independiente,
de primer grado,
es el coeficiente lineal o
es el coeficiente cuadrtico o de segundo grado (siendo siempre
distinto de cero) y corresponde al error.

Esta funcin ha sido utilizada en sistemas agropecuarios, por ejemplo en la estimacin
de la cantidad de leche y carne producida en la ganadera de doble propsito en la zona
oriente de Yucatn (Pech et al., 2002), en la determinacin de la produccin de leche en
la cuenca central de Santa Fe, Argentina (Garca et al., 1997), en la determinacin de la
relacin existente entre algunas caractersticas de calidad de la carne (como dressing out
(%) y pH) y peso al sacrificio de corderos (Okeudo y Moss, 2008); en la estimacin del
rendimiento en judas blancas en base a la utilizacin de distintos niveles de semilla y
19
ISSN: 1698-4226 DT 13, Vol. 1/2010

superfosfato (Pazos, 1977) y en la determinacin de la produccin de uva vinfera en

funcin de la superficie plantada (Troncoso, 2001).
Si utilizamos los datos del Anexo 1-1 para la determinacin de una funcin de
produccin de este tipo, obtenemos el modelo presentado en la Figura 7, que puede ser
representado por la siguiente ecuacin:
PL = -20453,2 - 0,215781 x CO2 + 165,585 x CO + 88,5515 x NO + 0,004404*NO2
Figura 7: Salida del modelo de regresin lineal cuadrtico
El modelo obtenido, a pesar presentar un ajuste estadsticamente significativo (p<0.05,

mostrado en una elipse), presenta tres de sus parmetros sin significancia estadstica
(mostrados en recuadros) y tal como se observa en la Figura 8, altas correlaciones entre
los estimadores de los coeficientes, es decir, presenta multicolinealidad, por lo que
20
ISSN: 1698-4226 DT 13, Vol. 1/2010

puede ser descartado como modelo para la representacin de la produccin lctea en

esta muestra.
Figura 8: Matriz de correlaciones del modelo cuadrtico

4.3.
Funcin cbica
Una funcin de produccin de un factor suele tener un rango de rendimientos crecientes,

seguido por una etapa de rendimientos decrecientes y posteriormente por resultados
negativos. La forma ms sencilla de representar tal situacin es la ecuacin cbica o
tambin llamada polinomio de tercer grado, que puede ser representada por (Yunker,
2008):
Donde
corresponde al output,
intercepto y
es el factor de produccin,
corresponde al
son parmetros positivos.
Yunker (2008) seala que aunque la funcin de produccin cbica suele estar presente
en los libros tericos, presenta escasa aplicacin en la investigacin econmica
profesional, mencionado la dificultad de trabajar matemticamente con polinomios.
Un antiguo ejemplo de la utilizacin de este tipo de funcin en produccin animal puede
ser encontrado en Francisco (1969), quien estudio la produccin de carne de ovinos en
21
ISSN: 1698-4226 DT 13, Vol. 1/2010

la Patagonia Argentina, utilizando como variables explicativas, los mtodos de pastoreo,

las estaciones de pastoreo y las cargas utilizadas. Un ejemplo ms reciente es el que
reporta Kunene et al.,(2009) donde se busca predecir el peso vivo de ovejas Zulu a
travs de la relacin con la medida de permetro torcico y la altura a la cruz.
Siguiendo con la utilizacin de los datos del Anexo 1-1, en este tipo de modelo, la
funcin de produccin obtenida corresponde a:
PL = -33388,3 + 223,153 x NO - 0,265251 x NO2 + 0,000141079 x NO3 +120,453 x
CO - 0,0603641 x CO2 - 0,000148179 x CO3
Figura 9: Salida del modelo de regresin lineal cbica

De manera similar a lo que ocurre con el modelo cuadrtico, en el modelo cbico, a
pesar de obtenerse un modelo con un buen ajuste (elipse en Figura 9), existen
parmetros sin significancia estadstica (recuadros en Figura 9), adems de
multicolinealidad (Figura 10).
22
ISSN: 1698-4226 DT 13, Vol. 1/2010

Figura 10: Matriz de correlaciones del modelo cbico

4.4.
Funcin hiperblica
Las funciones hiperblicas poseen propiedades similares a las cuadrticas, con la

diferencia de presentar una mayor dificultad en la realizacin de su ajuste. La
productividad marginal es creciente y luego decreciente para un solo inputs variable.
Aspilcueta et al., (2008) estudia una funcin hiperblica lineal para predecir la
produccin diaria de leche en vacas con alto grado de sangre Brown Swiss,
determinando que dicha funcin subestima la produccin de leche en la 1 semana y
entre la 8 y 24 semana y sobreestima la produccin de leche desde la 2 hasta la 7
semana y desde la 25 hasta la 43 semana. El modelo de funcin hiperblica lineal
utilizado por dichos autores puede ser representado como:
Donde, y es la produccin de leche diaria, x es la semana de la lactacin y b0, b1, b2 son

los parmetros de cada funcin.
Relaciones hiperblicas conocidas como Michaelis-Menton han sido utilizadas por
Surkey et al., (2005) para ajustar la produccin bruta primaria de maz y soja a la
23
ISSN: 1698-4226 DT 13, Vol. 1/2010

radiacin fotosintticamente activa y por Nijland et al., (2008) para relacionar dicha
produccin con la fertilizacin nitrogenada y fosftica.
Tal como se aprecia en la Figura 11, el modelo resulta significativo (elipse en Figura
11), as como tambin las variables independientes (recuadro en Figura 11). En la
matriz de correlaciones no se observan valores elevados, salvo en las correlaciones que
involucran el trmino constante (Figura 12). La funcin obtenida para este modelo es
representada por:
PL= -1093,0 + 103,264 x NO - 1/CO x 89882,2
Figura 11: Salida del modelo de regresin lineal hiperblico
24
ISSN: 1698-4226 DT 13, Vol. 1/2010

Figura 12: Matriz de correlaciones del modelo hiperblico

5.
Modelos no lineales
Cuando en los parmetros de un modelo aparecen productos, cocientes u otras

operaciones sobre los parmetros distintos de la suma o la resta, se est frente a un
modelo no lineal en los parmetros (Uriel y Alds, 2005).
En un modelo economtrico lineal, debe aparecer un solo parmetro por cada regresor
que figure en el modelo, sin embargo, el hecho de que los regresores sean las variables
explicativas originales o una transformacin de stas no afecta la linealidad del modelo
desde el punto de vista economtrico.
La linealizacin de los modelos presenta la ventaja de permitir que su estimacin sea
realizada por medio de la aplicacin de operaciones de lgebra matricial, y no mediante
procesos de estimacin iterativos, en los que no siempre se garantiza conseguir una
estimacin final adecuada.
A los modelos no lineales, que pueden convertirse mediante transformaciones
matemticas adecuadas en modelos lineales se les conoce como modelos no lineales
linealizables.
Un tipo de funcin que utiliza la metodologa de linealizacin corresponde a la de
Cobb-Douglas, que ser detallada a continuacin.
25
ISSN: 1698-4226 DT 13, Vol. 1/2010

5.1.
Modelo de Cobb-Douglas
El modelo de Cobb-Douglas, para la determinacin de la funcin de produccin, fue

defino por Cobb y Douglas en 1928, correspondiendo a uno de los modelos para la
determinacin de las funciones de produccin ms comnmente utilizados. Su forma
general puede ser expresada como:
Donde, Y es la cantidad de output obtenida,

de eficiencia,
es el denominado parmetro constante
los parmetros de elasticidad y
las cantidades de los factores
productivos empleados.
Las diferencias entre empresas se podran explicar por la existencia de un distinto valor
del parmetro
(dependiente de la tecnologa), por el acierto del empresario de
producir de manera correcta y por factores de naturaleza aleatoria.

La transformacin de esta funcin se realiza por medio de la obtencin de los
logaritmos neperianos de la funcin original. De manera que, la funcin original:
Se tranforma a:
Existen numerosas aplicaciones de la funcin Cobb-Douglas en agrosistemas, por

ejemplo, en ganadera Bravo-Ureta y Rieger (1990) utilizaron cuatro versiones de esta
funcin para estimar la produccin de leche de vacas en Nueva Inglaterra y Nueva
York; Murua y Albisu (1993) determinan la produccin porcina de Aragn utilizando la
funcin Cobb-Douglas en su forma logartmica, aplicando como variables exgenas el
pienso suministrado, el capital y la gestin tcnica; en fitotcnia Colom et al., (1995)
realizaron un estudio econmico financiero de competitividad y eficiencia productiva de
26
ISSN: 1698-4226 DT 13, Vol. 1/2010

un grupo de sociedades agrarias cerealistas en la provincia de Huesca, utilizando la

funcin Cobb-Douglas para calcular el valor del producto vendido por campaa.
La funcin de Cobb-Douglas puede ser obtenida a travs de dos formas: directa e
indirecta a travs de distintos tipos de regresiones. A continuacin se detalla cada una
de ellas.
i.
Estimacin por regresin multiplicativa. Permite la obtencin de una funcin

de Cobb-Douglas de manera directa. Para este objetivo a travs de un software
estadstico (a modo de ejemplo Statgraphics), se define la formula general del
modelo y las variables explicativas (recuadro de la Figura 13), obtenindose las
parmetros de la ecuacin que se observan en la elipse de la Figura 13. A
diferencia de los resultados de los anlisis de regresin ejemplificado
anteriormente, que reportaban el valor de probabilidad, en este se presenta el
intervalo de confianza para cada uno de los parmetros estimados (recuadro de
borde punteado en la Figura 13), presentando significancia estadstica aquellos
parmetros que en su intervalo de confianza no presenten el valor 0, es decir, en el
ejemplo los parmetros a y b.
27
ISSN: 1698-4226 DT 13, Vol. 1/2010

Figura 13: Funcin Cobb-Douglas obtenida de forma directa
Figura 14: Matriz de correlaciones del modelo no lineal
28
ISSN: 1698-4226 DT 13, Vol. 1/2010

ii.
Estimacin por regresin lineal de datos transformados. A diferencia del

mtodo anterior, este mtodo indirecto necesita la obtencin del logaritmo
neperiano de los datos originales, tanto para las variables independientes como
para la dependiente. Para ejemplificar este modelo obtendremos los logaritmos
neperianos de los valores originales de la base de datos (Anexo 1-1).
Posteriormente, por medio de una regresin lineal (de la misma forma que se
seal en el apartado de funcin lineal) se llega al siguiente modelo de funcin de
produccin de Cobb Douglas (Figura 15):
LnPL = 3,41304 + 1,08893 x LnNO + 0,108139 x LnCO
Y luego de su transformacin, mediante la aplicacin del antilogaritmo a:
Figura 15: Salida del modelo de regresin linealizado
29
ISSN: 1698-4226 DT 13, Vol. 1/2010

Figura 16: Matriz de correlaciones del modelo linealizado

El modelo aqu obtenido presenta el mayor coeficiente de determinacin entre todos los
modelos planteados (elipse en la Figura 15), adems de presentar valores de
probabilidad significativos (p<0,05) para la constante, los parmetros y el modelo como
un todo (recuadros en Figura 15). En cuanto a la matriz de correlaciones (Figura 16), se
observa que no hay correlacin entre los parmetros utilizados para la regresin. En la
Figura 17 se presentan los grficos de superficie de cuatro de los modelos evaluados.
30

ISSN: 1698-4226 DT 13, Vol. 1/2010
A)M odelo Lineal
B)M odelocuadrtico
140000
120000
120000
s)t
l(
ic
c
u
d
ro
P
100000
80000
60000
40000
100000
80000
60000
40000
20000
20000
0
0
2
0
5
3
0
0
5
0
5
6
00
05
8
0
0
1
0
5
2
0
0
2
0
5
1
0
0
3
0
5
3
0
0
5
0
5
4
0
0
4
0
5
5
0
0
6
0
5
7
0
0
7
0
5
6
0
0
8
0
5
8
0
5
9
0
0
9
0
0
0
1
0
2
1
0
5
9
1
0
7
2
5
4
3
0
2
4
0
5
0
0
1
0
5
1
0
0
2
0
5
2
0
0
6
0
5
5
0
0
5
0
5
4
0
0
4
0
5
3
0
0
3
0
0
9
0
5
8
0
0
8
0
5
7
0
0
7
0
5
6
0
5
9
0
0
0
1
D)M odelo N oLineal
C) M odelo Linealizado
1 2 0 00 0
120000
1 0 0 00 0
100000
8 0 00 0
8 0 00 0
6 0 00 0
40000
)s
tl
(
n
cic
u
d
o
r
P
60000
40000
2 0 0 00
2 0 0 00
0
0
2
0
5
3
0
0
5
0
5
6
0
00
85
)s
t
(l
n
i
cc
u
d
ro
P
0
0
1
0
5
1
0
0
2
0
5
2
0
0
3
0
5
3
0
0
4
0
5
4
0
0
5
0
5
5
0
0
6
0
5
6
0
0
7
0
5
7
0
0
8
0
5
8
0
0
9
0
5
9
0
0
0
1
0
5
0
0
2
0
5
3
0
0
5
0
50
65
Figura 17: Grficos de superficie de respuesta de cuatro de los modelos analizados

31
0
0
1
0
5
1
0
0
2
0
5
2
0
0
3
0
5
3
0
0
4
0
5
4
0
0
5
0
5
5
0
0
6
0
5
6
0
0
7
0
5
7
0
0
8
0
5
8
0
0
9
0
5
9
0
0
0
1
)s
tl
(
n
cic
u
d
o
r
P
ISSN: 1698-4226 DT 13, Vol. 1/2010

6.
Ejemplos de modelos economtricos de produccin en carne y leche
El crecimiento animal y la produccin de leche, son los aspectos ms importantes al

momento de evaluar la productividad de las explotaciones pecuarias. En ambos casos,
se han propuesto y utilizado diversos modelos matemticos, tanto lineales como no
lineales, seleccionndolos por facilidad de ajuste y de interpretacin biolgica (Agudelo
et al., 2008). Las funciones de produccin, adems, de permitir la determinacin de la
eficiencia biolgica, permiten indagar en aspectos relacionados con la eficiencia
econmica, informacin que puede ser utilizada para propsitos de alimentacin y
seleccin (Grossman y Koops, 1988).
En la Tabla 2 se aprecia la variedad de modelos economtricos que han sido propuestos
por distintos autores, para la determinacin de funciones de produccin de leche en
razas caprinas espaolas, en tanto que en la Tabla 3 se observa modelos matemticos no
lineales para curvas de crecimiento de cuatro especies ganaderas.
32
ISSN: 1698-4226 DT 13, Vol. 1/2010

Tabla 2: Funciones de produccin de leche utilizadas en razas caprinas espaolas

Raza
CANARIA
Tipo de Funcin
Funcin matemtica
Lineal
Y=2.78-0.0062x
Polinomial 2 grado
Y=2.71-0.004x-0.000009x2
Potencial
Y= 4.23x-0.16
Exponencial 1
Exponencial 2
Y=2.81(1-e
-0.38x
Autor
Fresno et al., (1992)
) - 0.006x
Y= 2.31x0.07e-0.004x *
1 Parto: Y= 1.37x0.133e-0.01702
Hernndez, (1991)
2 Parto: Y= 1.906x0.051e-0.01209
MALAGUEA
Exponencial
3 Parto: Y= 2.351x-0.049 e-0.00571

4 Parto: Y= 2.391x-0.069 e-0.00429
>4 Parto: Y = 1.700x0.098 e-0.01629
MURCIANO
GRANADINA
15 das : Y= 153,06+117,55x
Lineal
Pedauye, (1989)
45 das : Y= 180,29+100,06x
75 das : Y= 159,05+112, 19x
105 das :Y= 153,96+ 77,02x
135 das :Y= 156, 17+ 79,08x
165 das :Y= 142,35+107,57x
1 Parto: Y= 0.979x0.108 e-0.0121
MURCIANO
Hernndez, (1991)
0.254 -0.0326
GRANADINA
2 Parto: Y= 1.269x
Exponencial
0.319 -0.0381
3 Parto: Y= 1.214x
4 Parto: Y= 1.211x0.262e-0.0285
>4 Parto: Y= 1.042x0.215e-0.0270
1 Parto: Y= 0.976x 0.214e-0.030
2 Parto: Y=1.66x -0.148e-0.0101
PAYOYA
Exponencial
3 Parto: Y=1.919x0.090e-0.02045
0.052
4 Parto: Y=2.130x
-0.164
>4 Parto: Y=3.249x
e-0.00863
Lineal-fase
1 Parto: Y= 1.825-0.002980x
descendente
2 Parto: Y=2.750-0.006557x
VERATA
Hernndez, (1991)
-0.01324
3 Parto: Y=2.619-0.005726x
4 Parto: Y=2.910-0.006625x
Exponencial
1 Parto: Y=0.916x0.165 e-0.003X

2 Parto: Y=1.836x 0.129e-0.005X
3 Parto: Y=1.501x 0.206e-0.005X
4 Parto: Y=1.081x 0.296e-0.007X
33
Rota et al., (1993)
ISSN: 1698-4226 DT 13, Vol. 1/2010

Tabla 3: Parmetros estimados de modelos no lineales en cuatro especies: Brody (1),

Gompertz (2a, 2b), logstico (3a, 3b) y Von Bertalanfly (4). Los datos ennegrecidos
indican que el modelo no es adecuado (Ribeiro, 2005).
Modelo
1.A(1-bC1)
2a. yo, exp((L/K)(1C1))
2b. Aexp(-bC1)
3a.A/(1+C1)m
A (kg)
Caprino
56,9968
Ovino
39,8745
b (kg/kg)
0,8923
0,9260
0,9734
0,0508
0,0040
0,0103
0,9391
0,9372
0,9244
yo(kg)
0,0265
K (t )
72,7672
0,1669
0,0600
0,1343
K (t )
0,0132
0,0566
R2
0,9440
0,9500
0,9232
A (kg)
5,0148
164,1111
780,5950
-1
b (kg/kg)
-1
K (t )
4,8905
0,0600
2,3728
0,0341
0,0132
0,0566
R2
0,9444
0,9500
0,9232
A (kg)
49,6414
31,7670
149,3101
731,0000
K (t-1)
0,1164
0,0114
0,0169
0,0713
M (kg/kg)
2,4913
2,8403
6,4020
3,2265
0,9390
0,9320
0,9320
0,9357
A (kg)
29,5021
b (kg/kg)
4,8424
-1
0,0160
0,9341
K (t )
R
A (kg)
51,9850
34,0172
329,0520
872,9000
b (kg/kg)
0,4733
0,5183
0,8387
0,5777
-1
0,0823
0,0076
0,0056
0,0413
0,9393
0,9244
0,9238
K (t )
R
7.
1,7421
0,0341
L, (g/g)
4.A(1-bC1)3
Bovino
1751,9000
-1
3b. A/(1+bC1)
Porcino
Consideraciones sobre los modelos
La determinacin de la funcin de produccin es la primera etapa de una serie de

estudios, enfocados a la evaluacin de productividad (Rahman y Hasan, 2008),
eficiencia (Alvarez y Arias, 2004; Perez et al., 2007; Cuesta et al., 2009),
sustentabilidad (Van Passel et al., 2009), entre otros. El resultado de dichos estudios,
son netamente del modelo economtrico seleccionado; es as, como por ejemplo Garca
et al., (2007) indican la sensibilidad de la eficiencia ante el modelo utilizado, reportando
una diferencia media en los ndices de eficiencia entregados por dos modelos
34
ISSN: 1698-4226 DT 13, Vol. 1/2010

(multiplicativo versus linealizado) de un 43%. Los modelos lineales tienden a

incrementar los valores de la eficiencia tcnica (IET), tal como se observa en BravoUreta y Pinherio (1993) (revisan 30 fronteras agrarias), Shilder y Bravo-Ureta (1993)
(revisan 11 fronteras de produccin en vacas lecheras) y Thiam et al., (2001) (revisan
32 fronteras agrarias), donde los valores de eficiencia se ubican en torno al 90%. Por el
contrario, cuando se utilizan modelos no lineales o transformados la eficiencia se sitan
en valores cercanos al 60% (Pariani, 2004; Garca et al., 2007).
8.
Fase de validacin
En esta fase se trata de comprobar estadsticamente si la especificacin del modelo ha

sido adecuada. Para esto se formulan una serie de contrastes de hiptesis, tanto de los
coeficientes del modelo, como de los residuos o errores, adems de calcular las medidas
de ajuste que presenta el modelo. Algunos de los test estadsticos posibles de aplicar
son los siguientes:
Test sobre normalidad de los residuos
Test de heterocedasticidad
Test de estabilidad de coeficientes
o Test de Chow
o Estimaciones recursivas
Tanto los mtodos de estimacin de los parmetros estructurales, como los test de
validacin de los modelos sern abordados en los siguientes apartados.
8.1.
Contrastes de validacin
8.1.1. Test sobre normalidad de los residuos

La regresin lineal normal clsica parte del supuesto que cada ui, est normalmente
distribuida con:
Media:
Varianza:
35
ISSN: 1698-4226 DT 13, Vol. 1/2010

Cov(ui,uj):
Generalmente, no se realizan contrastes de normalidad, dado que la mayora de las
veces no se dispone de muestras significativamente grandes (mayor de 50 muestras) que
son necesarias para realizar este tipo de contrastes (Uriel y Alds, 2005).
Para conocer si estos supuestos se cumplen, es posible utilizar alguna de las siguientes
pruebas o test.
i.
Test de Jarque Bera
La prueba de Jarque Bera se basa en los residuos obtenidos por medio de MCO. A
travs de esta prueba de normalidad, se determinan dos propiedades de la distribucin
de los residuos: la asimetra y la curtosis (o apuntalamiento). Dichas propiedades se
obtienen por medio de dos coeficientes:
Coeficiente de Asimetra:
Coeficiente de Curtosis:
La utilizacin de estos coeficientes permite, a su vez calcular el ndice de Jarque Bera,

por medio de la siguiente ecuacin (Gujarati, 2003):
A medida que los coeficientes S y K, se aproximan a 0 y 3 respectivamente, la

probabilidad de normalidad de los residuos por la obtencin de un bajo valor del ndice
de Jarque Bera aumenta. De esta forma, para aceptar la hiptesis nula de normalidad de
residuos, el valor de probabilidad debe ser mayor a 0,05.
Si aplicamos este test a cuatro de los modelos ejemplificados, obtenemos los resultados
que se presentan en la Figura 18.
36

ISSN: 1698-4226 DT 13, Vol. 1/2010
A) Modelo Lineal
B) Modelo cuadrtico
6
Series: Residuals
Sample 1 31
Observations 31
5
4
3
2
1
0
-40000
-20000
20000
6
Series: Residuals
Sample 1 31
Observations 31
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
3.29e-12
-1335.006
37162.93
-36392.91
15637.70
-0.073308
3.703827
Jarque-Bera
Probability
0.667622
0.716189
3
2
0
-40000
40000
-20000
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
6.57e-12
-880.8583
33134.05
-38234.19
14880.85
-0.088641
3.423436
Jarque-Bera
Probability
0.272189
0.872760
20000
D) Modelo no lineal
C) Modelo linealizado
8
Series: Residuals
Sample 1 31
Observations 31
7
6
5
4
3
2
1
0
-0.6
-0.4
-0.2
-0.0
0.2
0.4
0.6
Series: Residuals
Sample 1 31
Observations 31
8
7
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
3.17e-16
-0.014162
0.547865
-0.671141
0.301868
-0.136902
2.747628
Jarque-Bera
Probability
0.179102
0.914342
5
4
3
2
0
-40000
-20000
Figura 18: Test de normalidad de Jarque y Bera aplicado a tres de los modelos ejemplos
37
20000
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-10.42039
-558.3519
28749.17
-42579.71
12841.85
-0.605448
5.802589
Jarque-Bera
Probability
12.03933
0.002430
ISSN: 1698-4226 DT 13, Vol. 1/2010

Como se observa en la Figura 18, para tres de los modelos analizados el valor de
probabilidad es mayor a 0,05 (recuadros en la Figura 18) y por lo tanto no existe
evidencia estadsticamente significativa para rechazar la hiptesis nula de normalidad de
los residuos en ellos.
ii.
Test de Kolmogorov-Smirnov
Corresponde a una prueba no paramtrica aplicable a distribuciones de frecuencias

continuas divididas en clases y que en muchos casos posee mayor potencia que la
prueba de
Esta prueba se basa en las diferencia absolutas de las distribuciones de frecuencias

acumuladas observadas con respecto a las esperadas, expresado en frecuencias relativas.
La diferencia mxima relativa (
se contrasta con el valor crtico (Muoz,
2002):
Esta prueba para ser realizada requiere de muestras grandes, por tal motivo no es
posible la aplicacin a nuestro ejemplo.
8.1.2. Test de heterocedasticidad

El modelo bsico de regresin lineal exige, como hiptesis primaria, que la varianza de
las perturbaciones aleatorias, condicional a los valores de los regresores X, sea
constante. En otras palabras, la varianza condicional de Yi (la cual es igual a la de ui),
condicional a las X, permanece igual sin importar los valores que tome la variable X.
Algebraicamente esto es expresado como:
Para clarificar el fenmeno de heterocedasticidad, en las Figura 19 y Figura 20 se

aprecian grficamente perturbaciones homocesdsticas y heterocedsticas. Ellas
representan un modelo con dos variables Yi = 1+2Xi + ui, donde Y representa el ahorro
38
ISSN: 1698-4226 DT 13, Vol. 1/2010

y X representa el ingreso. En ambas figuras a medida que aumenta el ingreso, el ahorro

en promedio tambin aumenta, sin embargo, en la Figura 20, la varianza se incrementa
con aumentos del ingreso, es decir, presenta heterocesdaticidad.
Figura 19: Perturbaciones homoscedsticas
Figura 20: Perturbaciones heteroscedsticas

Existen bsicamente dos metodologas para detectar la presencia de heterocedasticidad,
mtodos grficos y contrastes numricos. Dentro de los contrastes numricos se
encuentran entre otros los test de Park, Goldfeld-Quant y White. El contraste de White,
a pesar de ser similar a las otras pruebas dentro de su categora, parece ser algo ms
robusto, al no requerir supuestos previos como, por ejemplo, la normalidad de los
residuos (Gujarati, 2003). A continuacin se detallan algunos de los mtodos formales
de deteccin de heterocedasticidad.
39
ISSN: 1698-4226 DT 13, Vol. 1/2010

i.
Test de Park
Una formalizacin de los mtodo grficos es propuesta por Park, quin sugiere que
es algn tipo de funcin de la variable explicativa
. Siendo la forma funcional
sugerida:
Donde
es el trmino de perturbacin estocstico.
Dado que
generalmente es desconocido, Park sugiere utilizar
como aproximacin
y correr la siguiente expresin:
Si
resulta ser estadsticamente significativo, estara sugiriendo la presencia de
heterocedasticidad en los datos. En caso contrario, se puede aceptar el supuesto de

homocedasticidad. De este modo, la prueba de Park, es un procedimiento de dos etapas:
i.
Se efecta la regresin de MCO, ignorando

heterocedasticidad, y se obtiene de la regresin.
ii.
Se efecta la nueva regresin.
el
interrogante
de
Si bien es cierto, el test de Park es atractivo, presenta algunos problemas, por lo que es
aconsejable utilizarla como un mtodo estrictamente exploratorio (Gujarati, 2003).
ii.
Test de Goldfeld-Quant
La prueba de Goldfeld-Quant opera comparando la magnitud de la suma cuadrada de

los errores de regresiones (SCE) ajustadas con subconjuntos de la muestra original de
40
ISSN: 1698-4226 DT 13, Vol. 1/2010

datos. La hiptesis nula es que existe homocedasticidad; si es correcta entonces el

conjunto de modelos ajustados tendrn los mismos residuos cuadrados.
La lgica es que la heterocedasticidad introducida por un regresor genera una varianza
condicional que sigue la siguiente funcin:
Es decir, el investigador propone la hiptesis de que la varianza condicional es

proporcional al cuadrado de la variable.
Se debe considerar dos supuestos:
a.
que existe una variable mtrica (interval o de razn)
incluida en el modelo
que genera varianzas heterocedsticas

b. que los residuos del modelo se distribuyen normalmente.
Para realizar una prueba explcita de esto Golfeld y Quant sugieren los siguientes pasos:
a. ordenar la matriz de datos de acuerdo a los valores de X, de menor a mayor
b. determinar un nmero de observaciones centrales de la matriz de datos, en
adelante C, que ser filtrado de los anlisis subsiguientes. Quedarn dos
sub-poblaciones de datos, denominadas n y n ". Idealmente, conviene que:
1
n = n . Por lo que se deber manipular C para cumplir con este requisito.

1
c. ajustar para cada sub-poblacin una regresin MCO con el mismo p nmero de
parmetros que los utilizados para la regresin original. Se obtendr para cada
una la SCE y los grados de libertad (GdL), siendo estos ltimos:
Calcular la siguiente razn:
Si se ha supuesto que los errores
, estn distribuidos normalmente y si el supuesto de
homocedasticidad es vlido, entonces puede mostrarse que
sigue la distribucin F con
un nmero de grados de libertad en el numerador y en el denominador iguales a:
41
ISSN: 1698-4226 DT 13, Vol. 1/2010

Si en una prueba el valor observado de F es superior al valor crtico de F, entonces se

puede tomar la decisin de rechazar la hiptesis nula en virtud de que hay indicios de
heterocedasticidad (Gujarati, 2003).
iii.
Test de White
Constituye una forma general de identificar la presencia de heterocedasticidad, sin hacer

supuestos sobre la incidencia de una variable en particular o sobre la distribucin de los
residuos. Para su realizacin se requiere una serie de pasos:
En primer lugar, supngase que se ajusta el siguiente modelo con tres variables
regresoras relevantes (es decir, se supone correctamente especificado)
En segundo lugar, se obtienen para este modelo los residuos y elevan al

cuadrado para evitar los signos.
En tercer lugar se ajusta un modelo de regresin auxiliar para la prueba de
White.
En este modelo auxiliar se incluyen los mismos regresores presentes en el

modelo original, cada regresor elevado al cuadrado, las interacciones tomadas de
a dos entre los regresores y un trmino residual.
En cuarto lugar, regstrese el nmero de casos con que se realiza este anlisis y
el coeficiente de determinacin obtenido.
En quinto lugar obtngase el estadstico siguiente:
Bajo la hiptesis nula de que el modelo es homocedstico, puede demostrarse

que el tamao de la muestra multiplicado por el coeficiente de determinacin del
modelo auxiliar sigue asintticamente (asi) la distribucin ji-cuadrada con
grados de libertad (GdL) igual a p-nmero de regresores (parmetros menos la
constante) del modelo auxiliar.
42
ISSN: 1698-4226 DT 13, Vol. 1/2010

En sexto lugar, se compara el valor obtenido para el estadstico con el valor

crtico de la definida segn el nivel de significacin deseado y los grados de
libertad. De este modo, si el valor observado supera al valor crtico, se puede
tomar la decisin de rechazar la hiptesis nula y sostener que existen indicios de
heterocedasticidad en el modelo original (Gujarati, 2003).
Esta prueba para descartar la presencia de heterocedasticidad, puede ser realizada a

travs de software economtrico EViews, mediante la opcin View Residual test
While Heteroskedasticidad. En este software es posible encontrar dos opciones:
- No Cross Terms: Realiza la regresin de los errores al cuadrado de la regresin
inicial del modelo escribiendo como explicativas todas las exgenas de la inicial y
sus valores al cuadrado.
- Cross Terms: Incluye adems, de lo sealado anteriormente, como explicativas del
error al cuadrado, los productos no repetidos de todas las variables explicativas del
modelo inicial entre s.
Si bien el contraste expresado por White corresponde a la segunda opcin, en modelos
con escasas observaciones, no es posible realizar la estimacin con tantos regresores,
siendo ms recomendable la primera opcin (para as no eliminar completamente los
grados de libertad). De este modo, y debido a que la muestra que hemos utilizado para
la realizacin de los ejemplos cuenta slo con 31 explotaciones, el primer mtodo ser
el utilizado.
Los resultados obtenidos para los modelos lineal, cuadrtico y linealizado, que son
desplegados al elegir la opcin View Residual Test White heterokedadticity (no
cross terms), son mostrados en la Tabla 4.
Tabla 4: Prueba de White aplicada a los modelos lineal, cuadrtico y linealizado
Modelo
Estadstico F
Probabilidad
Obs*R-cuadrado
Probabilidad
Lineal
5.223437
0.003178
13.81221
0.007919
Cuadrtico
4.229747
0.009063
12.22043
0.015785
Linealizado
1.527885
0.223312
5.899989
0.206743
Como se aprecia en la Tabla 4, la ausencia de heterocedasticidad se confirma, para el

modelo linealizado, a travs de los estadsticos F y Obs*R-cuadrado, dado que para
ambos estadsticos la hiptesis nula de existencia de homocedasticidad presentan un
valor p>0.05. En los modelos lineal y cuadrtico los valores de probabilidad no superan
43
ISSN: 1698-4226 DT 13, Vol. 1/2010

un nivel de significacin del 5% por lo tanto se debe asumir la presencia de

heterocedasticidad en estos modelos.
8.1.3. Test de estabilidad de coeficientes

La estabilidad de los coeficientes de regresin puede verse alterada por la presencia de
cambios estructurales en la relacin entre la variable regresada (Y) y las regresoras (Xs).
Un cambio estructural hace referencia a que los valores de los parmetros del modelo no
permanecen constantes a lo largo de todo el perodo (Gujarati, 2003). Si bien esta
inestabilidad suele darse en regresiones que involucran series de tiempo, se plantea la
posibilidad de observarlas al cambiar la escala de produccin.
44
ISSN: 1698-4226 DT 13, Vol. 1/2010

i.
Test de Chow
El test de Chow permite descubrir la presencia de estos cambios estructurales, en este

contraste la hiptesis nula plantea que dos submuestras han sido generadas por una
misma estructura econmica. El modelo restringido (MR) es:
En tanto que el modelo sin restringir (MSR) es:
El MSR consta de dos regresiones, una por cada submuestra. La hiptesis nula consiste
en la igualdad de cada uno de los coeficientes i en las dos submuestras, lo que
constituye un conjunto de k hiptesis lineales (Novales, 1993).
Para determinar la estabilidad de los coeficientes, el programa Eviews, permite la
realizacin del test de estabilidad de Chow, pudiendo ser realizado a travs de dos
opciones (Chow breakpoint test y Chow Forescast test). La opcin Chow Farescast test
se utiliza cuando es posible la creacin de dos submuestras relativamente grandes, y la
opcin Chow Breakpoint test, en el caso contrario.
En nuestro ejemplo, dado el bajo nmero de muestras, la opcin elegida corresponde a
Chow Breakpoint test, eligindose la mitad de la poblacin ( 16 muestras) como punto
de quiebre. Los resultados obtenidos para los tres modelos ejemplo son mostrados en la
Tabla 5.
Tabla 5: Test de Chow aplicado a los modelos lineal, cuadrtico y linealizado
Estadstico F
Probabilidad
Lineal
2.334804
0.098155
Log
likelihood
ratio
7.656938
Cuadrtico
1.627728
0.196316
10.15383
0.053660
0.070992
Linealizado
2.806876
0.060273
8.999224
0.029301
Modelo
45
Probabilidad
ISSN: 1698-4226 DT 13, Vol. 1/2010

Como se aprecia en la Tabla 5 la probabilidad asociada al estadstico F es mayor a 0,01

en los tres modelos propuestos, por lo tanto la hiptesis nula de igualdad de coeficientes
i, debe ser aceptada en ellos.
ii.
Estimaciones recursivas
Consiste en la estimacin secuencial del modelo especificado para distintos tamaos

muestrales. En cada estimacin se obtiene un vector de parmetros estimados, que
permite a su vez calcular la prediccin de la variable endgena para el periodo siguiente
y el error de prediccin correspondiente. De este modo, con las sucesivas estimaciones,
se generan las series de coeficientes recursivos y residuos recursivos. Cuando no
existe un cambio estructural, se espera que las estimaciones de los parmetros se
mantengan esencialmente constantes al ir aumentando la muestra en forma secuencial y
los residuos no se desven ampliamente de cero.
Este tipo de estimacin, a travs del programa Eviews (opcin View -> Stability Test->
Recursive Estimates) nos permite obtener diversos tipos de resultados. Aplicaremos dos
tipos de resultados a los modelos lineal, cuadrtico y lineaizado.
La primera estimacin recursiva utilizada corresponde a los errores recursivos (Figura
21), esta corresponde a un grfico de los errores recursivos a lo largo de la muestra.
Cuando los valores de los errores superan los valores definidos por 2 veces la
desviacin estndar (bandas de confianza), se est frente a posibles cambios de
estructura. En la Figura 21, que corresponde al modelo lineal, se aprecia que los valores
del error sobrepasan las bandas de confianza, por lo que este modelo presentara falta de
estabilidad en sus coeficientes.
46
ISSN: 1698-4226 DT 13, Vol. 1/2010

50000
40000
30000
20000
10000
0
-10000
-20000
-30000
-40000
4
8 10 12 14 16 18 20 22 24 26 28 30
Recursive Residuals
2 S.E.
Figura 21: Errores recursivos modelo lineal

En la Figura 22, se observa la misma estimacin recursiva para el modelo cuadrtico. Se
aprecia que la forma de los errores es muy similar a la entregada por el modelo lineal, y
al igual que en ste, los errores sobrepasan las bandas de confianza.
40000
30000
20000
10000
0
-10000
-20000
-30000
-40000
6
10 12 14 16 18 20 22 24 26 28 30
Recursive Residuals
2 S.E.
Figura 22: Errores recursivos modelo cuadrtico
47
ISSN: 1698-4226 DT 13, Vol. 1/2010

En el modelo linealizado (Figura 23), no se aprecia la misma situacin, dado que todos
los errores estimados, se encuentran dentro de las bandas de confianza, lo que indicara
la inexistencia de cambios estructurales.
.8
.4
.0
-.4
-.8
4
8 10 12 14 16 18 20 22 24 26 28 30
Recursive Residuals
2 S.E.
Figura 23: Errores recursivos modelo linealizado

La segunda estimacin recursiva corresponde a los Coeficientes recursivos, en ella se
obtiene un grfico mltiple, en el que se observa una representacin de cada uno de los
coeficientes del modelo seleccionados, adems de sus respectivas bandas de confianza
Figura 24,Figura 25 y Figura 26.
48
ISSN: 1698-4226 DT 13, Vol. 1/2010

30000
20000
10000
0
-10000
-20000
-30000
8
10 12 14
16
18 20
22 24 26
Recursive C(1) Estimates
28 30
2 S.E.
160
120
80
40
-40
8
10 12 14
16
18 20
22 24 26
28 30
2 S.E.
100
80
60
40
20
0
-20
-40
-60
8
10 12 14
16
18 20
22 24 26
28 30
2 S.E.
Figura 24: Coeficientes recursivos modelo lineal

Como se aprecia en la Figura 24, para el coeficiente C(1) las desviaciones estndar de la
estimacin se mantienen relativamente constante a medida que aumenta el tamao
muestral, situacin que no sucede para los coeficientes C(2) y C(3), donde para C(2) se
49
ISSN: 1698-4226 DT 13, Vol. 1/2010

aprecia una mayor estabilidad del coeficiente con el aumento del tamao muestral y en
C(3) donde sucede un fenmeno inverso, es decir, el coeficiente se hace ms inestable
con el ingreso de nuevas muestras.
80000
600
60000
400
40000
200
20000
0
0
-200
-20000
-400
-40000
-60000
-600
10
12
14
16
18
20
22
24
26
28
30
10
12
2 S.E.
14
16
18
20
22
24
2.0
400
1.5
300
1.0
200
0.5
100
0.0
-0.5
-100
-1.0
26
28
30
2 S.E.
-200
10
12
14
16
18
20
22
24
26
28
30
10
2 S.E.
12
14
16
18
20
22
.4
.3
.2
.1
.0
-.1
-.2
-.3
-.4
-.5
10
12
14
16
18
20
22
24
26
28
24
30
2 S.E.
Figura 25: Coeficientes recursivos modelo cuadrtico
50
26
28
2 S.E.
30
ISSN: 1698-4226 DT 13, Vol. 1/2010

En el caso del modelo cuadrtico (Figura 25) se observa una situacin an ms extrema,
ya que para los coeficientes 2 y 3, se obtienen valores muy estables por sobre las 20
muestras, situacin que no ocurre para el resto de los coeficientes donde hay una
tendencia a aumentar la dispersin a medida que se incorporan ms muestras.
16
12
0
8
10 12 14 16
18 20 22 24 26 28 30
2 S.E.
2.0
1.6
1.2
0.8
0.4
0.0
-0.4
-0.8
8
10 12 14 16
18 20 22 24 26 28 30
2 S.E.
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
8
10 12 14 16
18 20 22 24 26 28 30
2 S.E.
Figura 26: Coeficientes recursivos modelo linealizado
51
ISSN: 1698-4226 DT 13, Vol. 1/2010

En el modelo linealizado se observa una estabilizacin de los coeficientes alrededor de

26 muestras, disminuyendo considerablemente la desviacin estndar de cada uno de
ellos a partir de dicho tamao muestral.
A pesar de la diferencia en la estabilidad de los coeficientes de los modelos, en ninguno
de ellos se observan puntos fuera de las bandas de confianza. Por otra parte, se aprecia
que la desviacin estndar de los coeficientes en el modelo linealizado, tiende a
disminuir en la medida que se incorporan ms muestras al modelo (Figura 26).
9.
Seleccin del modelo
Una vez estimados los parmetros de los modelos y realizados los contrastes de
diagnstico y validacin de los modelo, es posible y necesario realizar la seleccin de
uno de ellos para su posterior utilizacin, ya sea en la estimacin del nivel de
produccin de explotaciones fuera de la muestra o en la determinacin de la eficiencia
de las explotaciones muestrales.
Para el caso del ejemplo desarrollado, el modelo seleccionado corresponde al
linealizado, dado su mayor grado de ajuste, la normalidad de los residuos, la ausencia de
heterocedasticidad en su varianza y la estabilidad de sus coeficientes, adems del
conocimiento de la utilizacin de este tipo de modelo en la determinacin de la funcin
de produccin de leche.
10.
Conclusin
Para la determinacin de un modelo economtrico que represente una funcin de

produccin de manera adecuada, es necesario centrarse en ciertos aspectos relevantes.
El primero de estos aspectos, que puede ser considerado como una etapa previa a la
determinacin propiamente tal de modelo, es la recogida de informacin. En esta etapa
la seleccin e implementacin de un tipo y tamao de muestreo resulta crucial, ya que
junto con los contraste de hiptesis determinaran la representatividad que la muestra
hace de la poblacin.
En segundo lugar, el conocimiento por parte del investigador de los modelos existentes
y su aplicabilidad en la funcin a estimar, permitir la propuesta a priori de tipos de
modelo, utilizando de este modo, la estadstica como una prueba confirmatoria del
52
ISSN: 1698-4226 DT 13, Vol. 1/2010

modelo propuesto y no como la base del proceso de seleccin.
En forma
complementaria, la eleccin de modelos simples, con una interpretacin tcnica y

biolgica adecuada, surge como garanta para su posterior utilizacin en la prediccin
de resultados, sea en forma directa o por medio de modelos de simulacin.
La seleccin de un modelo en detrimento de otro, implica la aceptacin de sus
resultados; sin embargo, no se puede ignorar la sensibilidad de resultados ante el
modelo seleccionado.
Los sistemas de produccin presentan diferencias en cuanto a su grado de ajuste, es as
como sistemas intensivos normalmente entregan ajustes con un elevado nivel de
significacin y escaso nmero de variables; en tanto que en los sistemas extensivos el
nmero de variables suele incrementarse, disminuyendo el aporte de cada una, junto con
el grado de significacin del modelo.
En sistemas ganaderos se aprecia frecuentemente un buen ajuste a funciones CobbDouglas, las que constituyen eficaces herramientas de gestin y toma de decisiones, ya
que explican el comportamiento de cada variable respecto a la funcin de produccin
(leyes de rendimientos decrecientes, variables y de escala).
Esta revisin se ha centrado en la construccin de modelos a partir de variables
cuantitativas, sin embargo, hoy en da se han abierto nuevas lneas de investigacin que
buscan relacionar la gestin con los resultados, como por ejemplo la regresin logstica,
el anlisis discriminantes, la correlacin cannica, entre otros.
53
11.

ISSN: 1698-4226 DT 13, Vol. 1/2010
Anexos
Anexo 1: Base de datos del sistema ovino lechero ecolgico en Castilla La Mancha
NE
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
CO
0,11
0,12
0,20
0,08
0,07
0,05
0,15
0,22
0,77
0,04
0,19
0,15
2,22
0,13
0,08
0,42
0,12
0,15
0,13
0,10
2,23
0,83
0,20
0,70
0,40
0,17
0,31
0,31
0,37
0,45
0,59
CNO
142,1
128,3
169,0
191,7
135,7
138,4
229,5
139,0
211,2
191,6
200,0
128,2
87,7
135,0
132,7
136,3
204,4
133,8
143,9
132,8
156,0
79,6
131,5
184,8
121,7
130,7
174,4
126,4
114,2
116,7
96,7
C
25915
29748
27375
40150
15768
10950
20104
40515
14060
51392
4437
108770
171733
78840
27813
75266
27950
150015
160965
67488
122880
1713
83840
126750
292730
374007
114350
449388
249858
439200
376680
COV
185,1
187,1
188,8
371,8
112,6
110,6
100,5
185,9
112,5
205,6
15,4
373,8
572,4
186,4
113,5
278,8
50,8
375,0
371,7
110,6
245,8
1,6
165,0
275,5
373,4
325,2
97,7
444,1
192,2
366,0
313,9
CLT
4,07
4,36
3,22
4,46
1,58
0,91
1,44
2,89
1,00
2,57
0,16
3,99
5,72
2,46
0,79
1,88
0,62
3,30
3,41
1,35
2,46
0,03
1,44
1,81
4,18
4,68
1,31
3,86
1,92
2,93
2,41
LP
50,0
47,2
65,7
93,3
71,4
121,2
77,7
64,2
124,8
88,8
84,1
103,1
120,0
75,7
142,9
124,4
90,0
125,0
120,1
82,0
84,1
55,0
115,0
182,6
89,3
58,4
78,9
126,5
112,0
112,5
132,7
MC
5,03
4,90
20,00
9,66
15,79
13,14
14,81
13,20
10,23
10,02
10,03
5,36
49,43
8,76
9,23
27,17
14,32
9,35
16,05
5,56
0,26
7,59
4,49
7,06
2,10
19,96
22,06
0,86
35,76
21,43
5,17
NO
140,0
159,0
145,0
108,0
140,0
99,0
200,0
218,0
125,0
250,0
289,0
291,0
300,0
423,0
245,0
270,0
550,0
400,0
433,0
610,0
500,0
1076,0
508,0
460,0
784,0
1150,0
1170,0
1012,0
1300,0
1200,0
1200,0
54
NP
1
1
1
1
1
1
1
1
1
2
4
1
1
1
1
5
6
1
1
1
1
4
1
1
1
4
1
1
3
3
6
OUTA
140,0
159,0
72,5
108,0
140,0
99,0
100,0
218,0
41,7
125,0
289,0
291,0
300,0
423,0
245,0
270,0
137,5
400,0
433,0
305,0
500,0
269,0
508,0
460,0
784,0
383,3
351,4
253,0
433,3
300,0
300,0
PC
1,00
0,88
1,19
1,62
1,00
1,00
1,74
1,00
1,68
1,56
1,63
1,00
0,37
1,00
1,00
1,35
1,55
1,00
1,00
1,15
1,40
0,53
1,00
1,30
1,00
0,87
1,17
1,00
1,25
0,83
0,75
R
21,13
21,47
16,00
10,91
27,78
40,00
21,08
20,27
20,93
15,63
16,50
20,81
7,52
22,69
19,69
10,83
20,21
20,68
20,41
10,42
15,23
19,41
49,62
40,86
18,70
17,16
18,84
24,95
38,12
8,20
16,33
SE
200,0
200,0
112,0
200,0
300,0
300,0
200,0
150,0
25,0
860,0
230,0
300,0
20,7
500,0
500,0
99,0
718,0
400,0
500,0
900,0
34,4
200,0
400,0
100,0
300,0
1050,0
583,0
500,0
532,0
410,0
310,0
UTACO
0,71
0,63
0,69
0,93
0,71
1,01
0,50
0,46
2,40
0,80
0,35
0,34
0,33
0,24
0,41
0,37
0,18
0,25
0,23
0,33
0,20
0,37
0,20
0,22
0,13
0,26
0,28
0,40
0,23
0,33
0,33
ISSN: 1698-4226 DT 13, Vol. 1/2010

55

25 14 43 Modelos2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

25 14 43 Modelos2

Cargado por

Copyright:

Formatos disponibles

DOCUMENTOS DE TRABAJO

PRODUCCION ANIMAL Y GESTION

DPTO PRODUCCION ANIMAL

MODELOS ECONOMTRICOS PARA EL DESARROLLO DE FUNCIONES

DPTO PRODUCCION ANIMAL

DPTO PRODUCCION ANIMAL

Un aspecto de gran importancia en la empresa ganadera es el anlisis de la produccin

y toma de decisiones, en consecuencia, no debe

DPTO PRODUCCION ANIMAL

El objetivo del trabajo es explorar las diferentes tcnicas aplicadas en la estimacin de

Modelos economtricos, como el anterior, planteados con el objetivo de determinar la

DPTO PRODUCCION ANIMAL

la mejor manera posible la funcin de produccin de un sistema bajo estudio, para

Simulacin: Efectos que tienen sobre la variable endgena diferentes estrategias

En lo referente a la clasificacin de los modelos economtricos, existen diversas

DPTO PRODUCCION ANIMAL

Series de corte transversal: Los valores corresponden a distintos sujetos para un

Fases en la construccin de funciones de produccin

Cuando se plantea la estimacin un modelo economtrico es necesario disponer de

DESARROLLO DE MODELOS ECONOMTRICOS

DPTO PRODUCCION ANIMAL

Seleccin mtodo de estimacin

Figura 1: Etapas en el desarrollo de un modelo economtrico

A continuacin, se especificar brevemente en qu consiste cada una de dichas etapas,

DPTO PRODUCCION ANIMAL

2.1.1. Recogida de informacin y contraste de hiptesis de los datos

DPTO PRODUCCION ANIMAL

2.1.2. Fase de especificacin

modelo estructural, para lo que es necesario,

inicialmente, definir que variable productiva se quiere determinar y seleccionar las

DPTO PRODUCCION ANIMAL

Tabla 1: Clasificacin de las variables de entrada

Nmero de animales (NO)

Carga animal (CA)

Tasa de reposicin (R)

Superficie de la explotacin (SE)

UTA por 100 ovejas (UTACO)

Mortalidad de corderos (MC)

Consumo de concentrado anual

Ovejas por UTA (OUTA)

Productividad de corderos (PC)

Nmero de parideras al ao (NP)

Figura 2: Proceso de obtencin de la matriz de correlacin

DPTO PRODUCCION ANIMAL

Figura 3: Matriz de correlacin

2.1.3. Fase de estimacin de parmetros

DPTO PRODUCCION ANIMAL

(mtricas) (mtricas, no mtricas)

Fuente: Adaptado de Uriel y Alds, (2005)

Figura 4: Tcnicas de anlisis de dependencia

DPTO PRODUCCION ANIMAL

Mtodo de mnimos cuadrados bietpicos

Tcnicas economtricas para la determinacin de parmetros funcionales

Mnimos cuadrados ordinarios (MCO)

El criterio de mnimos cuadrados trata de minimizar la suma de cuadrados de los

, los cuales son definidos como la diferencia entre el valor observado de la

Mnimos cuadrados generalizados (MCG)

En modelos que presentan heterocedasticidad y autocorrelacin, no es posible aplicar

DPTO PRODUCCION ANIMAL

La diferencia entre MCO y MCG, se encuentra en la minimizacin realizada; como se

En tanto, que en MCG, la expresin a minimizar corresponde a:

como ponderador, y en MCO se minimiza la suma de los residuales al

, es decir, las observaciones que