Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FUNCIONES DE PRODUCCIN
Toro, P., Garca, A., Aguilar, C., Acero, R., Perea, J., Vera, R.
NDICE
RESUMEN ....................................................................................................................... 2
ABSTRACT ..................................................................................................................... 2
1.
Introduccin .............................................................................................................. 4
2.
3.
3.2.
3.3.
3.3.1.2.
3.3.1.3.
3.3.2.
3.3.2.1.
3.3.2.2.
3.3.2.3.
3.3.2.4.
Funcin hiperblica........................................................................... 23
3.3.3.
3.3.5.
3.4.
3.4.1.
3.4.1.1.
a)
b)
3.4.1.2.
a)
b)
Test de Goldfeld-Quant......................................................................... 39
c)
3.4.1.3.
3.5.
a)
b)
4.
Conclusiones ........................................................................................................... 50
5.
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 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.
ABSTRACT
Analysis of production of livestock enterprise is linked to establish of its efficiency.
Econometric models are a tool to establish the function of production of systems and
consequently these efficiency. Various models have been applied in the agricultural
sector, including linear and nonlinear models. The construction of a particular model
has a series of stages and is subject to compliance of basic properties statistical.
The aim of this work, together with the examination of different techniques applied in
the estimation of livestock production functions, is orienting the researcher in animal
production at various stages of systems analysiss and their modelation.
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
efectuarse sin considerar la variabilidad que muestran los elementos que intervienen en
su funcionamiento (Acero et al., 2004). Con el objeto de comprender el funcionamiento
de los sistemas de produccin, y a fin de expresar las relaciones causa-efecto, se
desarrollan los modelos productivos. A pesar de la similitud de un modelo con otro, no
existen resultados iguales de stos; ello se debe a que la empresa agropecuaria es un
sistema especial, segn la Teora General de Sistemas (Dent and Anderson, 1974). Al
analizar el comportamiento de un sistema productivo se estudian las variables relevantes
as como su variabilidad y su abstraccin permite realizar una proyeccin de los
resultados con gran facilidad (Harrison and Longworth, 1977).
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. Orientando 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
(Prez et al., 2007):
. . .
facilidad de uso de ambos programas, as como por las herramientas estadsticas que
ellos poseen.
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.
ETAPAS PREVIAS
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).
ii.
Especificacin
iii.
iv.
v.
Siendo posible, sin embargo, la necesidad de repetir algunas de las fases cuando
ninguno de los modelos especificados inicialmente, se adaptan a los datos analizados,
DESARROLLO DE MODELOS ECONOMTRICOS
Depuracin d e d atos
Seleccin de variables
Bond ad de ajuste de d
atos
Seleccin modelo
(lineal, no lineal)
Seleccin mtod o d e
estimacin
Diseo d
e encuesta
Recoleccin de
informacin
Red iseo
Testeo de la
informacin
Especificacin
(MCO, MCC,
MV)
Estimacin d e
parmetros
Estimacin
Capacidad d e pred
iccin
Valid acin
NO
Test estadsticos
Anlisis estructural
Pred iccin
Simulacin
Utilizacin
ajuste de cada modelo para finalmente seleccionar aquella que presente los mejores
resultados.
3.1.
3.2.
Fase de especificacin.
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).
Grado de intensificacin
Tcnicas y productiva
3.3.
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:
, , , ,
(mtricas) (mtricas, no mtricas)
Una relacin
> 1 variable
dependiente
1 variable
dependiente
DEP mtrica
DEP mtrica
mtrica
IND no mtrica
Ecuaciones
estructurales
Regresin
lineal
DEP no mtrica
DEP no
Anlisis
discriminante
Regresin
mltiple
Regresin
VDL
IND mtrica
MANOVA
Correlacin
cannica
Regresin no
lineal
En el caso de los modelos multiecuacionales, cada una de las ecuaciones puede ser
estimada (si cumple unas condiciones de estimabilidad o identificabilidad) mediante
variantes de los mtodos anteriores:
3.3.1.
3.3.1.1.
Donde:
3.3.1.2.
En tanto, que en MCG, la expresin a minimizar corresponde a:
Donde 1
de
una
poblacin
con
una
ms
grande
tendrn
una
3.3.1.3.
Mxima verosimilitud
2 , y en MV
por
el estimador sesgado
(Gujarati,
2003).
determinados parmetros
, obtengamos
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)
Hay igual que para la realizacin del anlisis de multicolinealidad, para la estimacin de
los parmetros por medio de tcnicas economtricas se realiza con la ayuda de software
estadsticos.
3.3.2.
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 and
Alds, 2005):
1,2, ,
3.3.2.1.
Funcin lineal
Figura 5: Salida del modelo regresin lineal (Output of linear regression model)
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):
/
/ 1
Siendo la hiptesis nula del modelo la no existencia de correlacin real entre variables
2
(H0 (=0)). Para una correcta interpretacin del valor alcanzado por R , 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:
1
1
1
1 1
Figura 6: Matriz de correlaciones del modelo lineal (Correlation matrix of the linear
model).
3.3.2.2.
Funcin cuadrtica
Figura 7: Salida del modelo de regresin lineal cuadrtico (Output of linear quadratic
regression model)
3.3.2.3.
Funcin cbica
Figura 9: Salida del modelo de regresin lineal cbica (Output of cubic linear
regression model)
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).
Figura 10: Matriz de correlaciones del modelo cbico (Correlation matrix of the cubic
model)
3.3.2.4.
Funcin hiperblica
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 (Output of hyperbolic
linear regression model)
Figura 12: Matriz de correlaciones del modelo hiperblico (Correlation matrix of the
hyperbolic model)
3.3.3.
Modelos no lineales
3.3.3.1.
Modelo de Cobb-Douglas
Se tranforma a:
Figura 14: Matriz de correlaciones del modelo no lineal (Correlation matrix of the
nonlinear model)
ii.
, ,
,
Figura 15: Salida del modelo de regresin linealizado (Output of linearized regression
model)
A) Modelo Lineal
B) Modelo cuadrtico
100000
80000
60000
120000
100000
80000
60000
40000
Produccin (lts)
120000
Produccin (lts)
140000
40000
20000
20000
800
900 850
750
700
650
600
550
500
450
400
350
300
250
200
150
50
250
200
100
120
195
270
345
420
150
350
200
100 85000
120000
100000
100000
80000
60000
40000
Produccin (lts)
120000
80000
60000
40000
20000
20000
700 650
600
550
500
450
350
300
250
200
100
150
50
200
350
400
700 650
600
550
500
450
400
350
300
250
200
150
100
350
200
500
Produccin (lts)
D) Modelo No Lineal
C) Modelo Linealizado
Figura 17: Grficos de superficie de respuesta de cuatro de los modelos analizados (Surface response graph's of the four discussed models)
31
3.3.4.
32
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
Tipo de Funcin
Y=2.78-0.0062x
Polinomial 2 grado
Y=2.71-0.004x-0.000009x2
Potencial
Y= 4.23x-0.16
Exponencial 1
Y=2.81(1-e-0.38x) - 0.006x
Exponencial 2
MALAGUEA
Funcin matemtica
Lineal
Exponencial
Autor
Fresno et al., (1992)
0.07 -0.004x
Y= 2.31x e
*
0.133 -0.01702
1 Parto: Y= 1.37x
e
Hernndez, (1991)
0.051 -0.01209
2 Parto: Y= 1.906x
-0.049
e-0.00571
3 Parto: Y= 2.351x
MURCIANO
GRANADINA
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
MURCIANO
Exponencial
Hernndez, (1991)
0.254 -0.0326
GRANADINA
2 Parto: Y= 1.269x
0.319 -0.0381
3 Parto: Y= 1.214x
0.262 -0.0285
4 Parto: Y= 1.211x
0.215 -0.0270
Exponencial
1 Parto: Y= 0.976x
2 Parto: Y=1.66x
0.214 -0.030
Hernndez, (1991)
-0.148 -0.0101
0.090 -0.02045
3 Parto: Y=1.919x
0.052
4 Parto: Y=2.130x
-0.01324
-0.164
-0.00863
Lineal-fase
descendente
2 Parto: Y=2.750-0.006557x
VERATA
3 Parto: Y=2.619-0.005726x
4 Parto: Y=2.910-0.006625x
Exponencial
0.206 -0.005X
2b. Aexp(-bC1)
3a.A/(1+C1)
3b. A/(1+bC1)
4.A(1-bC1)
3.3.5.
A (kg)
b (kg/kg)
K (t-1)
2
R
yo(kg)
L, (g/g)
-1
K (t )
2
R
A (kg)
b (kg/kg)
K (t-1)
2
R
A (kg)
-1
K (t )
M (kg/kg)
2
R
A (kg)
b (kg/kg)
-1
K (t )
2
R
A (kg)
b (kg/kg)
K (t-1)
2
R
Caprino
56,9968
0,8923
0,0508
0,9391
0,0265
0,1669
0,0341
0,9440
5,0148
4,8905
0,0341
0,9444
49,6414
0,1164
2,4913
0,9390
51,9850
0,4733
0,0823
0,9393
Ovino
39,8745
0,9260
0,0040
0,9372
31,7670
0,0114
2,8403
0,9320
29,5021
4,8424
0,0160
0,9341
34,0172
0,5183
0,0076
0,9244
Porcino
1,7421
0,0600
0,0132
0,9500
164,1111
0,0600
0,0132
0,9500
149,3101
0,0169
6,4020
0,9320
329,0520
0,8387
0,0056
0,9238
Bovino
1751,9000
0,9734
0,0103
0,9244
72,7672
0,1343
0,0566
0,9232
780,5950
2,3728
0,0566
0,9232
731,0000
0,0713
3,2265
0,9357
872,9000
0,5777
0,0413
3.4.
Fase de validacin
Test de heterocedasticidad
Tanto los mtodos de estimacin de los parmetros estructurales, como los test de
validacin de los modelos sern abordados en los apartados siguientes.
3.4.1.
Contrastes de validacin.
3.4.1.1.
La regresin lineal normal clsica parte del supuesto que cada ui, est normalmente
distribuida con:
Media:
0
Varianza:
Cov(ui,uj):
Para conocer si estos supuestos se cumplen, es posible utilizar alguna de las siguientes
pruebas o test.
a)
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:
24
6
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.
A) Modelo Lineal
B) Modelo cuadrtico
6
Series: Residuals
Sample 1 31
Observations 31
5
4
3
2
1
0
-40000
-20000
20000
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
6
Series: Residuals
Sample 1 31
Observations 31
5
4
3
2
1
0
-40000
40000
-20000
Series: Residuals
Sample 1 31
Observations 31
7
6
5
4
3
2
0
-0.2
Jarque-Bera
Probability
0.272189
0.872760
20000
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
Series: Residuals
Sample 1 31
Observations 31
8
7
6
5
4
3
2
1
-0.4
6.57e-12
-880.8583
33134.05
-38234.19
14880.85
-0.088641
3.423436
D) Modelo no lineal
C) Modelo linealizado
8
-0.6
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-0.0
0.2
0.4
0.6
1
0
-40000
-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
20000
Figura 18: Test de normalidad de Jarque y Bera aplicado a tres de los modelos ejemplos (Test of normality Jarque and Bera applied to three of
the models examples)
39
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.
b)
Test de Kolmogorov-Smirnov
2
2
Esta prueba para ser realizada requiere de muestras grandes, por tal motivo no es
posible aplicarla a nuestro ejemplo.
3.4.1.2.
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
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.
40
a)
Test de Park
Una formalizacin de los mtodo grficos es propuesta por Park, quin sugiere que
O
ln
ln ln
ln ln
ln
ln
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.
ii.
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).
b)
Test de Goldfeld-Quant
i.
ii.
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:
n = n . Por lo que se deber manipular C para cumplir con este requisito.
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:
1
Calcular la siguiente razn:
c)
Test de White
En primer lugar, supngase que se ajusta el siguiente modelo con tres variables
regresoras relevantes (es decir, se supone correctamente especificado)
En cuarto lugar, regstrese el nmero de casos con que se realiza este anlisis y
el coeficiente de determinacin obtenido.
Los resultados obtenidos para los modelos lineal, cuadrtico y lienalizado, 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 (White
test applied to linear, quadratic and linearized models)
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
3.4.1.3.
a)
Test de Chow
1,2, ,
1,2,
,
,,
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
puede ser utilizada 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 (Chow
tests applied to linear, quadratic and linearized models)
Modelo
Log
ratio
likelihood
Estadstico F
Probabilidad
Probabilidad
Lineal
2.334804
0.098155
7.656938
0.053660
Cuadrtico
1.627728
0.196316
10.15383
0.070992
Linealizado
2.806876
0.060273
8.999224
0.029301
b)
Estimaciones recursivas
8 10 12 14 16 18 20 22 24 26 28 30
Recursive Residuals
2 S.E.
Figura 21: Errores recursivos modelo lineal (Recursive errors of linear model)
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 (Recursive errors of quadratic model)
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.
30000
20000
10000
0
-10000
-20000
-30000 8
10
12
14
16
18
20
22
24
26
28
30
2 S.E.
160
120
80
40
0
-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.
600
60000
400
200
40000
20000
0
-200
-20000
-400
-40000
-60000 10
12
14
16
18
20
22
24
26
28
30
-600 10
12
14
16
18
20
22
24
26
30
2 S.E.
2.0
400
1.5
300
1.0
200
0.5
100
0.0
-0.5
-100
-1.010
28
12
14
16
18
20
22
24
26
28
30
-200 10
12
14
16
18
20
22
24
26
28
30
2 S.E.
.4
.3
.2
.1
.0
-.1
-.2
-.3
-.4
-.510
12
14
16
18
20
22
24
26
28
30
2 S.E.
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
Recursive C(1) Estimates
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.
3.5.
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.
4. Conclusiones
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
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.
Acero, R., Garca, A., Ceular, N., Artacho, C., Martos, J., 2004. Aproximacin
metodolgica a la determinacin de costes en la empresa ganadera
(Methodological approach concerning costs determination in farms). Archivos
de Zootecnia 53, 91-94.
Agudelo, D., Cern, M., Restrepo, L., 2008. Modelacin de las funciones de
crecimiento aplicadas a la produccin animal. Revista Colombiana de Ciencias
Pecuarias 21, 39-58.
Aguilar, C., Allende, R., Morales, S., 2003. Gestin de sistemas pecuarios, Coleccin en
Agricultura. Facultad de Agronoma e Ingeniera Forestal, P. Universidad
Catlica de Chile, Santiago de Chile.
Alvarez, A., Arias, C., 2004. Technical efficiency and farm size: a conditional analysis.
Agricultural Economics 30, 241-250.
Aspilcueta, R., Muoz, M., Tonhati, S., Hurtado-Lugo, N., 2008. Modelacin para
ajuste de la curva de lactacin usando funcin lineal, no lineal y polinomios
segmentados en ganados con alto grado de sangre Brown Swiss. Livestock
Research for Rural Development 20.
Fresno, M., Delgado, J., Rodero, J., 1992. Modelo de curva de primera lactacin en
cabras canarias. Archivos de Zootecnia 41, 81-84.
Garca, A., Ceular, N., Caridad, J.M., Acero, R., Perea, J.M., Martn, M.E., 2007.
Determinacin de funciones de produccin y anlisis de eficiencia de la
invernada pampera argentina. Archivos de Zootecnia 56, 23-32.
Garca, A., Martos, J., Rodrguez, J., Acero, R., Schilder, E., Galetto, A., 1997.
Determinacin de la funcin de produccin y el beneficio mximo en
explotaciones lecheras extensivas en Argentina. Arch. Zootec. 46, 9-19.
Grossman, M., Koops, W., 1988. Multiphasic analysis of lactation curves in dairy cattle.
Journal of Dairy Science 71, 1598-1608.
Gujarati, D., 2003. Econometra, McGraw-Hill, Mxico.
Harrison, S., Longworth, J., 1977. Optimal Growth strategies for pastoral firms in the
queesand brigalow scheme. Australian Journal of Agricultural Economics 21,
80-98.
Hernndez, D., 1991. Bases de un programa de seleccin de ganado caprino. Controles
de produccin. Facultad de Veterinaria. Departamento de Produccin Animal.
Universidad de Crdoba, Crdoba.
Kirton, A.H., Woods, E.G., Duganzich, D.M., 1984. Predicting the fatness of lamb
carcasses from carcass wall thickness measured by ruler or by a total depth
indicator (TDI) probe. Livestock Production Science 11, 185-194.
Kunene, N., Nesamvuni, A., Nsahlai, I., 2009. Determination of prediction equations for
estimating body weight of Zulu (Nguni) sheep. Small Ruminant Research 84,
41-46.
Martn, G., Labeaga, J., Mochn, F., 1997. Introduccin a la econometra, Madrid.
Muoz, A., 2002. Estadstica aplicada uni y multivariante, Junta de Andalucia.
Consejeria de Agricultura y Pesca., Sevilla.
Murua, J., Albisu, L., 1993. Eficiencia tcnica en la produccin porcina de Aragn.
Invest. Agr. Economa, 8, 239-251.
Nijland, G.O., Schouls, J., Goudriaan, J., 2008. Integrating the production functions of
Liebig, Michaelis-Menten, Mitscherlich and Liebscher into one system
dynamics model. NJAS - Wageningen Journal of Life Sciences 55, 199-224.
Novales, A., 1993. Econometra, McGraw-Hill, Madrid.
Okeudo, N.J., Moss, B.W., 2008. Production performance and meat quality
characteristics of sheep comprising four sex-types over a range of slaughter
weights produced following commercial practice. Meat Science 80, 522-528.
Pariani, A., 2004. Optimizacin de producciones complementarias y complementarias y
competitivas en el noreste de la Provincia de la Pampa. Departamento de
Produccin Animal. Universidad de Crdoba, Crdoba. Espaa, p. 351.
Pazos, D., 1977. Funciones de produccin en judas blancas y tablas de ptimos
econmicos. Revista de Estudios Agrosociales 99, 189-233.
Pech, V., Santos, F., Montes, R., 2002. Funcin de produccin de la ganadera de doble
propsito de la zona oriente del estado de Yucatn, Mxico. Tc. Pecu. Mx.
40, 187-192.
Pedauye, 1989. Lactation curve and milk composition in Murciano-Granadina goats
breed. Anales de Veterinaria 5.
Peralta-Lailson, M., Trejo-Gonzlez, A.., Pedraza-Villagmez, P., BerruecosVillalobos, J.M., Vasquez, C.G., 2005. Factors affecting milk yield and
lactation curve fitting in the creole sheep of Chiapas-Mexico. Small Ruminant
Research 58, 265-273.
Prez, J.P., Gil, J.M., Sierra, I., 2007. Technical efficiency of meat sheep production
systems in Spain. Small Ruminant Research 69, 237-241.
Pulido, A., 1987. Modelos economtricos, Ediciones Pirmide, S.A., Madrid.
Rahman, S., Hasan, M.K., 2008. Impact of environmental production conditions on
productivity and efficiency: A case study of wheat farmers in Bangladesh.
Journal of Environmental Management 88, 1495-1504.
Ribeiro, A., 2005. Curvas de crescimento na produo animal. Revista Brasilea de
Zootecnia 34, 786-795.
Rota, A., Rodrguez, P., Rojas, A., Martn, L., Tovar, J., 1993. Evolucin de la cantidad
y calidad de la leche de cabra Verata a lo largo de la lactacin. Archivos de
Zootecnia 42.
Schilder, E., Bravo-Ureta, B., 1993. Anlisis de la eficiencia tcnica mediante funciones
estocsticas de frontera: El caso de la Cuenca Central Argentina. . Instituto
Nacional de Tecnologa Agropecuaria. INTA de Santa Fe. Argentina, 18-33.
Suyker, A.E., Verma, S.B., Burba, G.G., Arkebauer, T.J., 2005. Gross primary production
and ecosystem respiration of irrigated maize and irrigated soybean during a
growing season. Agricultural and Forest Meteorology 131, 180-190.
Thiam, A., Bravo-Ureta, B.E., Rivas, T.E., 2001. Technical efficiency in developing
country agriculture: a meta-analysis. Agricultural Economics 25, 235-243.
Troncoso, J., 2001. Estimacin de la funcin de produccin del viedo chileno de riego.
Agricultura Tcnica 61, 70-81.
Uriel, E., Alds, J., 2005. Anlisis multivariante aplicado, Paraninfo S.A., Madrid.
Van Passel, S., Van Huylenbroeck, G., Lauwers, L., Mathijs, E., 2009. Sustainable
value assessment of farms using frontier efficiency benchmarks. Journal of
Environmental Management 90, 3057-3069.
Yunker, J., 2008. Isoquants of the Cubic Production Function (March 25, 2008).
Available at SSRN: http://ssrn.com/abstract=1117619.
Zornoza, R., Mataix-Solera, J., Guerrero, C., Arcenegui, V., Garca-Orenes, F., MataixBeneyto, J., Morugn, A., 2007. Evaluation of soil quality using multiple lineal
regression based on physical, chemical and biochemical properties. Science of
The Total Environment 378, 233-237.
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
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
OUTH
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
UTHCO
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
59