MODELO LINEAL MLTIPLE

Las relaciones entre las variables usadas para formular modelos

tericos de demanda, oferta, funciones de costo, funciones de
produccin, funciones de consumo, entre muchas otras, por lo
general involucran mas de dos variables.
Por lo tanto, se requiere ahora de un modelo ms general, es decir,
a partir del modelo simple:

Yi X i i
Debemos pasar a:

Yi 0 1 X i1 2 X i 2 3 X i 3 .......... k X ik i

EJEMPLO: Ingreso y Educacin

INGRESO 0 1 EDUCACION
Hiptesis: En promedio se espera que ms altos niveles de
educacin estn asociados con ms altos ingresos.
Pero el anterior modelo ignora el hecho de que la mayora de la
gente tiene ms altos ingresos cuando son mayores que cuando son
jvenes, independientemente de la educacin.

Por tanto 1 est sobrestimando el impacto marginal de la

educacin. Una mejor especificacin del mdelo sera:

INGRESO 0 1 EDUCACION 2 EDAD

Sin embargo, es prudente observar que el ingreso tiende crecer
menos rpido en los aos ms avanzados que en los primeros aos.
Entonces el modelo se podr extender a:

INGRESO 0 1 EDUCACION 2 EDAD 3 EDAD

2

Se espera que 2 sea positivo y 3 sea negativo.

Al igual que en el caso del modelo simple, es necesario sustentar el

modelo extendido con un conjunto de supuestos acerca de cmo un
conjunto de datos (muestra) ser producido por un proceso de
generacin de datos subyacente.
Los supuestos son:
1) Modelo lineal. Implica linealidad en parmetros

Yi 0 1 X i1 2 X i 2 3 X i 3 .......... k X ik i
Este supuesto no es tan restrictivo. Recurdese que hay modelos
aparentemente no lineales que s satisfacen el supuesto de linealidad
en parmetros, por ejemplo: el logartmico, el cuadrtico, el translog
y otros.

2) i se distribuye normal
3) E i 0

4) E i2 2

5) E i j 0
6) Las Xs son fijas. No estocsticas.
7) n (# de observaciones) > k (# de coeficientes, incluyendo el
intercepto)
8) Las Xs no estn linealmente relacionadas.

En notacin matricial :
Y X
Y1
Y
2
.
Y Vector de observaciones de la variable dependiente
.
.

Yn

 1

2
.
Vector de residuales
.
.

n

0

1
2
Vector de coeficientes
.
.

k
1 X 11
1 X
21

.
X
.
.

1 X n1

X 12
X 22

.
.

.
.

.
.

.
.

.
.

.
.

X n2

X 1k
X 2 k
Matriz de
.
observaciones
.
de las X ' s

X nk

 ~ N E 0, 2 I n
En donde :
1 0 0
0 1 0

.
In
.
.

0 0 0

.
.

.
.

.
.

0
0
.
Matriz identidad
.
.

 E 1 1
E
2 1

.
.

E n 1

E 1 2
E 2 2

.
.

.
.

.
.

E n 2

Por lo que :
E 1 0
E 0
2

. .
E
0
. .
. .

E n 0

E 1 n
E 2 n
.
Matriz Var - Cov
.
.

E n n

 1

2
.

1 2

E E

.
.

2 0

2
0

.
. . . n
.
.

0
0

0
0

.
.

.
.

.
.

0
0
.
.

2
In

2
.

(Homocedasticidad y No Autocorrelacin)
X es una matriz no estocstica de orden (n x k), es decir, cada uno
de sus valores es no aleatorio y fijo. Adems, la matriz (XX) es no
singular y sus elementos son fijos a medida que n . Es decir:

E X X E 0

ESTIMACIN
Para el modelo mltiple, el principio Mnimo Cuadrtico Ordinario
se puede expresar como

Min ei2 Yi 0 X 0 1 X 1 ...... k X k , lo cual en

2

trminos matriciales equivale a :

Min Y X Y X
Y Y Y X X Y X X
Y Y 2 X Y X X

Cuya solucin para (Estimador MCO) utilizando mtodo

de optimizacin clsica es :

2 X X 2 X X 0

por lo que, X Y X X
En donde,
X

i0 i

i1Yi

X Y

ik i

en virtud de que X i 0 es un vector columna

de 1' s, X i 0Yi Yi

i0

.
.
X ik X i 0

X X

X i0
i1 X i 0

i1

X
X

X
X
X

X i1
i1 X i1

i0

.
.

.
.

X ik

X
X

X ik

i1 X ik

i0

ik

i1
2
i1

X
X X
i1

ik

.
.

X ik X i1

X ik X ik

X i1

.
.

.
.

2
X
ik

0

1

ik

.
.
.

k

Si X X existe, entonces :
1

X X 1 X Y X X 1 X X X X 1 X Y

Estimador
MCO de

Estimacin de la Matriz Varianza-Covarianza:

0 0

1 1

.
E
0 0
.


.

k k

1 1 . . . k k

E 0 0
E 1 1 0 0
.
.
.
E k k 0 0

E 0 0 1 1
2

E 1 1

E k k 1 1

Var 0
Cov 0 , 1
Cov 1 , 0
Var 1
.
.
.
Cov k , 0 Cov k , 1

Cov 0 , k

Cov 1 , k

Var k

E 0 0 k k

E 1 1 k k

E k k

1
1
Dado que X X X X X X entonces :

E E

X X

X X X X
1

E X X X X X X
1

X X X E X X X
1

X X X 2 I n X X X
1

1
1
2 X X X X X X

Por tanto, Var - Cov X X

2

Se puede concluir que :

Estimador de la
Var - Cov de

1
2

~ N , X X

INFERENCIA ESTADSTICA
Para determinar la bondad de ajuste del modelo mltiple, se
requiere denotar la variacin en Y en Suma de Cuadrados Total
(SCT), Suma de Cuadrados Error (SCE) y Suma de Cuadrados de
la Regresin (SCR) mismas que se definen respectivamente como:

SCT Yi Y

SCR Y Y
SCE

Yi Yi

2
i

En trminos matriciales estas sumas se definen como sigue:

SCT Y Y
1

Y
I

X
X
X
XY
SCE
n
1
Y Y Y X X X Y
Y Y Y X

Y Y X Y
SCR SCT SCE
Y Y Y Y X Y
X Y

Una vez definidas las fuentes de variacin en Y, se puede definir el

coeficiente de determinacin ajustado.

Recurdese que : R 2

SCR
SCE
R2 1
SCT
SCT

A partir de lo anterior el coeficiente de determinacin ajustado se

define como:

n 1
R 1
1 R 2 ; k # de coeficientes sin incluir el intercepto
n k 1
Si k 1 entonces R 2 R 2
2

R 2 es una mejor media de la bondad de ajuste del modelo cuando

se comparan modelos que tienen diferente nmero de
observaciones y/o de variables independientes. Esto es as ya que
toma en cuenta n y k. La R2 no puede bajar a medida que k
aumenta, al menos permanecer igual.

Prueba de hiptesis acerca de coeficientes individuales:

H0 : j 0

vs.

t n k 1

HA : j 0

S j

S j desviacin estndar de j

Intervalo de confianza al 1001 % para j :

j S j t n k 1
Prueba de hiptesis acerca de toda la regresin :
H 0 : 1 2 3 ...... k 0
SCR k
F k , n k 1
SCE n k 1

Relacin entre R2 y la prueba de F:

H 0 : 1 2 3 ...... k 0
SCR k
R2 n k 1
F n k 1

; k no incluye el intercepto
2
SCE n k 1 1 R
k

Pruebas conjuntas sobre varios coeficientes de regresin:

Modelo sin restringir :

Y 0 1 X 1 2 X 2 ...... 8 X 8
Modelo restringido :
Y 0 1 X 1 2 X 2 ...... 5 X 5
H 0 : 6 7 8 0

SCE R SCE SR ; donde los subndices R y SR modelo restringido

y modelo sin restringir respectivamente

SCE R SCE SR
F q, n k 1

SCE SR n k 1

q q # de restricciones bajo H
;
0

Otro caso :
Modelo sin restringir :
Y 0 1 X 1 2 X 2
Modelo restringido :
Y 0 1 X 1 X 2
H 0 : 1 2 ; q 1

SCE R SCE SR
F 1, n k 1

SCE SR n k 1

Pruebas acerca de funciones lineales de los coeficientes de regresin:

H0 : j k 0

H A : j k 0

vs.
k

En forma general : H 0 : a j j 0

t n k 1
en donde :
S

j k

HA : aj j 0

vs.

j 1

k 0
S

j k

Var 2Cov ,

Var

j
k
j
k

en general :
Sk

a j j
j 1

2
a
j Var j 2 a j ai Cov i , j
j 1

Ejemplo:

H 0 : 1 2 2 3 3 0

2
t n k 1
1

33

S *

* 1 22 33

S * Var 1 4Var 2 9Var 3 4Cov 1 , 2 6Cov 1 , 3 12Cov 2 , 3

Prueba acerca de la igualdad de coeficientes de diferentes

regresiones (Cambio Estructural):

Prueba de Chow :
1 Yi 0 1 X i1 2 X i 2 ...... k X ik i ; i 1,2,..., N

Yi 0 1 X i1 2 X i 2 ...... k X ik i ; i N 1, N 2,..., M

H 0 : 0 0 , 1 1 , ..., k k
SCE SR SCE1 SCE 2
SCE R ser la suma de cuadrados del error que resulte de correr
la siguiente regresin :
Yl 0 1 X l1 2 X l 2 ...... k X lk l ; l 1,2,..., N M

SCE R SCE1 SCE 2

F k 1, N M 2k 2

k 1
SCE1 SCE 2 N M 2k 2

IMPLEMENTACIN EMPRICA: COSTOS, CURVAS DE

APRENDIZAJE Y ECONOMAS DE ESCALA.

Estimacin del efecto de las economas de escala y las curvas

de aprendizaje sobre los costos de produccin.
Implicaciones importantes en la estructura de mercado y en el
bienestar econmico ya que crean barreras que impiden la libre
entrada al mercado, protegiendo de una competencia efectiva
de mercado a los que entraron primero.
Son factores importantes de inters para los empresarios que
buscan reducir sus costos de produccin.

Las economas de escala reducen los costos unitarios o

promedio a medida que el nivel de producto aumenta por
perodo de tiempo.
En presencia de Economas de escala, ya sea desde el punto de
vista de la MAX de ganancias o de la MIN de costos, es
racional acelerar los planes de inversin, reducir los precios, y
alcanzar por lo tanto niveles mas altos de produccin.
Es claro que obtener valores estimados de las economas de
escala es un aspecto muy importante; esta tarea se puede llevar
a cabo utilizando mtodos economtricos.

Las curvas de aprendizaje tambin constituyen un determinante

importante de los costos de produccin. Los costos unitarios
tienden a caer a medida que pasa el tiempo y que se aumenta la
experiencia en el proceso productivo. Este fenmeno se observa
en numerosas operaciones de ensamble en lnea en donde las
tareas se llevan a cabo de una manera repetitiva.
Los trabajadores tienden a aprender de sus experiencias,
reduciendo as el tiempo y los costos de mano de obra que se
requieren en el desempeo de sus labores.
La nocin de que tanto los costos como los precios unitarios
tienden a declinar sistemticamente en trminos reales a medida
que la produccin acumulada se incrementa, es muy importante
tanto para el sector privado como el pblico.

Se puede pensar en una estrategia de precios y de mercado en la

que los productores asignan inicialmente un precio bajo que
permita una expansin en las ventas y una rpida penetracin en
el mercado, con las consecuencias de acumular rpidamente
experiencia y explotar as los efectos en la reduccin de costos
de tal aprendizaje.
En el Sector Pblico se podra argumentar que debido a la
existencia de curvas de aprendizaje, se puede justificar que los
gobiernos proporcionen proteccin por tiempo limitado a las
manufacturas domsticas que compiten con extranjeros.
Las curvas de aprendizaje son entonces muy importantes en la
formulacin de estrategias y polticas. Cmo se estiman y se
usan para pronosticar los costos de produccin? Cmo estn
relacionadas con las economas de escala?

La existencia de economas a escala as como las reducciones en los

costos promedio de produccin al incrementar la escala productiva
estn relacionadas con las denominadas Curvas de Aprendizaje.

La curva de aprendizaje ms comnmente empleada posee la

siguiente forma:

ct c1 * ntc * exp ut

(1)

donde
ct = Costo promedio real por unidad de produccin en el
perodo t (ajustado por inflacin utilizando un
deflactor como el implcito del PNB).
c1 = Costo promedio inicial por unidad inicial de produccin.
nt = Produccin acumulativa hasta (pero sin incluir) el
perodo t.
c = Elasticidad de los costos unitarios con respecto a la
produccin acumulativa (tpicamente negativo).
ut = Trmino de error estocstico que refleja la aleatoriedad
en los procesos de costos de produccin.

La ecuacin anterior se puede expresar de la siguiente manera:

ln ct ln c1 c ln nt ut

(1)

A fin de establecer la relacin con el proceso productivo se incorpora

una funcin de produccin que refleje las condiciones de
productividad de factores, en este caso se incorpora la funcin CobbDouglas, la cual puede expresarse de la siguiente forma:

y A * x1 1 * x2 2 * x3 3

(3)

Usando resultados de la teora microeconomica, la funcin de costo

dual de la funcin de produccin (3) es:

C k * y1 r * p1 1 r * p2 2 r * p3 3 r

(4)

donde

1
1

k r * A * *

2
2

3 1 r
3

(5)

r representa los rendimientos a escala .

Enseguida se efecta una transformacin logartmica a la funcin
anterior, quedando la funcin de la siguiente forma:

ln C ln k 1 r * ln y 1 r * ln p1 2 r * ln p2 3 r * ln p3 (6)
Imponiendo la restriccin de homogeneidad de grado uno en precios,
se llega a:
(7)
1 2 3 r

1 r 2 r 3 r 1 2 3 r 1

Despejando de la ecuacin anterior 3/r y sustituyendo dentro de la

funcin de costo (6) se obtiene el siguiente resultado:

ln C * 0 y * ln y 1 * ln p1* 2 * ln p2*
donde

ln C * ln C ln p3
ln p1* ln p1 ln p3
ln p2* ln p2 ln p3

0 ln k
y 1 r

1 1 r
2 2 r

(8)

La ecuacin (8) muestra la linealidad y simplicidad emprica de la

funcin de costo Cobb-Douglas. Un aspecto importante es que
manipulando los valores estimados a partir de esta ecuacin, se
puede regresar a los coeficientes originales de la funcin CobbDouglas, 1, 2 y 3 de (3).
Con la finalidad de incluir en la funcin Cobb-Douglas el concepto
de curvas de aprendizaje, se sustituye la ecuacin (2) dentro de la
variable A, la cual refleja el estado de conocimiento dentro de la
funcin de produccin. De esta forma la variable A queda expresada
de la siguiente manera:

At ntc

(9)

Donde el parmetro c representa la elasticidad de la curva de

aprendizaje descrito en las primeras ecuaciones.
La funcin de costo con los efectos del aprendizaje incluidos queda
como:
ln Ct ln k c r * ln nt 1 r * ln yt 1 r * ln p1t 2 r * ln p2t 3 r * ln p3t

(10)
donde la descripcin de variables es semejante a la ecuacin (6)
pero el valor de k debe interpretarse de la siguiente forma:

k r * *
1
1

2
2

3 1 r
3

(11)

Despus de algunos supuestos simplificadores, la funcin de costo a

estimar queda expresada como:

ln ct ln Ct ln yt ln k c r * ln nt 1 r r * ln yt ut (12)
Obsrvese que en caso de que se presenten rendimientos crecientes
a escala, el valor del parmetro r sera mayor que 1 y que por lo
tanto, (1 r)/r tomara un valor negativo.
La ecuacin (12) que muestra la estimacin de una funcin CobbDouglas con rendimientos a escala no constantes, se puede expresar
de forma compacta como:

ln ct 0 1 * ln nt 2 * ln yt ut

(13)

donde

0 ln k
1 c r
2 1 r r

Por otro lado, la ecuacin (2) de uso ms comn en la literatura para

estimar curvas de aprendizaje se puede expresar como:

ln ct 0 1 * ln nt t

(14)

Obsrvese que la ecuacin anterior es igual a suponer rendimientos

constantes a escala sobre la ecuacin (13), es decir r = 1.
Si se usa incorrectamente la ecuacin (14) para estimar una curva de
aprendizaje, se incurre en un sesgo por omitir variables.

Para analizar el posible sesgo en que se incurre, es necesario estimar

una tercer ecuacin denominada como auxiliar, siendo esta:

ln yt 0 1 * ln nt t

(15)

En donde la relacin entre coeficientes se puede sealar de la

siguiente manera:

1 1 1 * 2

(16)

La ecuacin anterior muestra el sesgo de estimacin, el cual

depende de los valores de 1 y 2. Ya que las variables yt y nt estn
positivamente relacionadas, 1 ser positivo. Por otra parte, el valor
de 2 depende de si existen rendimientos constantes, crecientes o
decrecientes. Entonces con una 1 positiva, esto implica que:

a) 1 1 mayor que 0

r menor a 1

Existen rendimientos
decrecientes a escala

b) 1 1 igual a 0

r igual a 1

Existen rendimientos
constantes a escala

c) 1 1 menor a 0

r mayor a 1

Existen rendimientos
crecientes a escala

La interpretacin de los resultados es la siguiente: al omitir

incorrectamente variables como las que definen los rendimientos a
escala, se atribuyen a la elasticidad de la curva de aprendizaje los
efectos que en parte son debidos a los rendimientos a escala. Por lo
tanto es importante reconocer la presencia de este tipo de error
inherente a las estimaciones de estos modelos.

Adems, puesto que 1 y 1 son tpicamente negativos, 1 1 < 0

corresponde a que 1 tiene un valor absoluto mas pequeo que

1. En tal caso, la estimacin de la ecuacin de la curva de
aprendizaje (14) rinde un valor estimado mas grande de la
elasticidad de la curva de aprendizaje (en valor absoluto) que
si se incluyeran la variable lnyt como en la ecuacin (13); por
tanto en este caso la elasticidad de la curva de aprendizaje se
sobreestima en valor absoluto.
La interpretacin de este resultado es como sigue: Al omitirse
incorrectamente la variable lnyt, se atribuye a la elasticidad de
la curva de aprendizaje lo que de hecho es debido en parte a
los efectos de los rendimientos a escala. En el contexto de la
curva de aprendizaje, el sesgo por omitir una variable podra

Los resultados de un listado computacional tpico de regresin

incluye pruebas estadsticas de t para cada uno de los
coeficientes estimados, al igual que una prueba estadstica de
F para toda la regresin.
Para probar la hiptesis nula de rendimientos constantes a
escala solo se requiere estimar la ecuacin (13) por MCO y
realizar una prueba de t sobre 2; la hiptesis nula es 2 = 0,
mientras que la hiptesis alternativa es 2 0.

De manera similar, se puede probar la hiptesis nula de que el

efecto de las curvas de aprendizaje es cero. Teniendo estimada la
ecuacin (13) por MCO, esta prueba de hiptesis podra hacerse
mediante una prueba de t; la hiptesis nula es 1 = 0, mientras que la
hiptesis alternativa es 1 0.
Supngase, que se quisiera probar las dos hiptesis anteriores
simultneamente. En este caso la prueba conjunta de hiptesis de
que ambas, la elasticidad de la curva de aprendizaje es cero y los
rendimientos a escala son constantes correspondera a la prueba
conjunta H0 : 1 = 2 = 0; la hiptesis alternativa por supuesto sera
1 0, 2 0. Ntese que bajo la hiptesis nula conjunta la ecuacin
(13) se reduce a una ecuacin en la que el costo unitario real es
simplemente una regresin con un trmino constante; no quedan
otros regresores.

Para realizar dicha prueba conjunta se debe emplear una prueba

estadstica de F en vez de pruebas estadsticas de t individuales.
Esto es debido a que las pruebas de t individuales generalmente no
son independientes; en contraste, el calculo llevado a cabo mediante
la prueba estadstica de F toma en cuenta apropiadamente la
dependencia entre las pruebas de hiptesis individuales. En este
caso particular la dependencia entre las pruebas de t individuales
depende primordialmente de la covarianza entre los valores
estimados MCO de 1 y 2 .

Debido a que la prueba de F apropiadamente toma en cuenta la

dependencia entre las dos pruebas de t individuales, la inferencia
basada en la prueba estadstica de F no necesariamente va a
concordar con aquella basada en dos pruebas de t. Especficamente,
cualquiera de los siguientes seis casos seria posible:
1) Se rechaza la nula conjunta de F, pero no se rechaza cada nula
por separado basada en las pruebas de t individuales;
2) Se rechaza la nula conjunta de F, se rechaza una de las hiptesis
individuales de t y no se rechaza la otra hiptesis individual de
t;
3) Se rechaza la nula conjunta de F, y se rechaza cada nula por
separado de t individual.

4) No se rechaza la nula conjunta de F, y no se rechaza cada nula

de t individual;
5) No se rechaza la nula conjunta de F, se rechaza una de las
hiptesis individuales de t y no se rechaza la otra individual de
t;
6) No se rechaza la nula conjunta de F, pero se rechaza cada nula
individual de t.

No obstante, en la prctica los casos 1 y 6 rara vez ocurren mientras

que los casos 2 y 3 son relativamente comunes.