Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIDAD VII
MODELOS NO LINEALES
Aplicaciones de los
modelos no lineales
Clasificacin de los
modelos
Modelos no lineales
ms comunes
Modelo
Doblemente y
Semi
Logartmico
Modelo
Reciproco,
Polinomial y
Logstico
Decisin de la forma
Transformaciones lineales
COMPETENCIAS A LOGRAR
CONCEPTUAL
Explica
los
diferentes
modelos no lineales que se
presentan en casos reales
como en la econmica.
PROCEDIMENTAL
Realiza el anlisis previo
para evaluar el tipo de
regresin y la respectiva
transformacin.
ACTITUDINAL
Analiza las relaciones entre
variables para encontrar el
mejor
modelo
de
estimacin.
CONCEPTOS CLAVE
Grficos de funciones no lineales; potencia, exponencial, reciproco, Polinomial.
Curva de Phillips, Costo marginal.
316
LECCIN 1
APLICACIONES MODELO NO LINEAL
1. MODELO NO LINEAL
Son modelos cuya estructura matemtica no es la del Modelo Lineal General.
La teora econmica propone modelos de relacin entre variables econmicas, pero
generalmente no determina la forma funcional de dichas relaciones, lo que sugiere que
estas puedan ser, en ocasiones, no lineales. En tales casos, el modelo es del tipo:
Yt = f(Xt, )+t,
t= 1,2,...........T
X tn
Vector de coeficientes a ser estimados:
1
= 2 k : nmero de coeficientes
M
k
Una especificacin no lineal de un modelo estadstico, puede estar indicando la
incertidumbre del investigador acerca de la verdadera relacin entre las variables del
modelo.
Por ejemplo supongamos que para relacionar los gastos en bienes del consumo Ct, con
la renta disponible Yt, se especifica el modelo.
Ct =1+2Yt3+t
En dicho modelo, la estimacin del parmetro 2 permitira contrastar la hiptesis de
dependencia lineal o propensin marginal al consumo constante (3=1), frente a otras
alternativas, como la de una menor sensibilidad del gasto en consumo a variaciones en
la renta disponible (3<1). Este modelo seria, claramente, menos restrictivo que una
especificacin lineal; tambin puede interpretarse como una primera especificacin,
para pasar a estimar un modelo lineal si la hiptesis 3=1 no se rechaza en una primera
estimacin del modelo.
317
Sin embargo, conviene distinguir entre varios tipos de no linealidades que pueden
presentarse en la practica. Consideraremos los modelos:
a ) Yt = 1 + 2 e X 2 t + 3 X 3 t X 4 t + t
b) Yt + 1 ln Yt = 2 X t + t
c) Yt = 1 + 2 e3 X 2 t + t
d) Yt = 1 + (ln 2 )X t + t
e) Yt = 1 + 2 X t 3 + t
Estos cinco modelos tienen en comn proponer relaciones no lineales entre la variable
endgena por un lado y las variables explicativas y los coeficientes por otro.
Del modelo a) la no linealidad afecta nicamente a sus variables, pero no a los
parmetros. En tal caso, basta definir unas nuevas variables: Z2t=exp(X2t), Z3t=X3tX4t,
para obtener el modelo lineal:
Yt = 1 + 2 Z 2 t + 3 Z3 t + t
En definitiva, siempre que la no linealidad del modelo afecte nicamente a sus variables
explicativas, entonces dicho problema queda resuelto mediante una transformacin de
datos. La nica excepcin a esta afirmacin la constituyen los modelos en que la no
linealidad afecte tambin a la variable endgena y de algn modo haga imposible
expresarla de modo explcito como funcin de los vectores Xt y .
Del modelo b) la forma funcional es una funcin implcita:
g (Yt, Xt ,)=t,
t=1,2,......T
Del modelo c) la no linealidad afecta tan slo a sus coeficientes pero no a sus variables.
Del modelo d) la no linealidad es en los coeficientes sin que ello presente dificultades
serias de estimacin. En dicho modelo se estima un trmino independiente y un
coeficiente de la variable Xt, y a continuacin puede recuperarse el valor del parmetro
2 mediante 2 = exp(coeficiente de Xt), sin embargo el valor de 2 as obtenido no
heredara las propiedades estadsticas que pudiera tener el estimador de e2.
El modelo e) es otro ejemplo de modelo no lineal que no puede tratarse por mtodos
lineales.
Finalmente, es importante observar que, a diferencia de los modelos lineales, en
modelos no lineales el nmero de parmetros no coincide necesariamente con el nmero
de variables explicativas, como ocurre en los modelos b), c) y e) anteriores.
318
Y i = + 1 X i + 2 X i + 3 X i + ... + i
ii.
1 + 2X i + i
Aplicando logaritmo:
Ln ( Y i ) = Ln ( 1 ) + 2 LnX
i2
+ 3 Ln ( X i 3 ) + i
319
Buscar una transformacin inicial de los datos de tal manera que los datos
transformados aparezcan como aproximacin lineal aplicndose a las tcnicas
expuestas.
TRANSFORMACION
FORMA
Y = o X1
Y* = *o + 1 X* +
Doble logaritmo
Ln Y = o + 1 X +
Y* = o + 1 X +
Semi Logaritmo
Y = o + 1 Z +
Recproca
Y = o + 1 X + 2 X2 +
Y = o + 1 X + 2 W +
Polinomial
Donde:
Y* = Ln Y
Z = 1/X
*o = Ln o
W = X2
X* = Ln X
Y = o +
1
+
X
320
LECCIN 2
MODELO DOBLEMENTE LOGARITMICO Y SEMILOGARITMICO
321
>1
0<<1
Negativo
Y= A0X
positivo
A
-1<<0
= -1
< -1
Grfica 1
Grfica 2
2. MODELO SEMILOGARITMICO
Yt = Yo (1 + r)t
(1)
Donde r es tasa de crecimiento compuesta de Y (es decir, a travs del tiempo). Tomando
el logaritmo natural del modelo anterior, podemos escribir:
Ln Yt = Ln Yo + t Ln (1 + r)
(2)
Sea:
1 = Ln Yo
2 = Ln (1 + r)
Se puede escribir (2) de la siguiente manera:
Ln Yt = 1 + 2 t
Agregando el trmino de perturbacin, se obtiene:
Ln Yt = 1 + 2 t + ut
(3)
Ln Y = + X +
Si calculamos la pendiente:
1 dY
=
Y dX
322
Como la funcin esta solamente definida para valores positivos de Y. Podemos escribir
la funcin de la siguiente forma:
Y = e X
La ordenada en el origen viene dada por e , y la pendiente ser positiva o negativa
dependiendo del signo de .
La funcin describe en ese caso a una variable Y que muestra una tasa proporcional
constante de crecimiento ( > 0) o decrecimiento ( < 0).
Grficas del modelo semilogartmico
Y
e
Y= e( +x)
Y= e( +x)
Grfica 3
Grfica 4
323
LECCIN 3
MODELO RECIPROCO, POLINOMIAL Y LOGSTICO
1. MODELO RECIPROCO
1
A medida que X aumenta indefinidamente, el trmino 2 se acerca a cero ( 2
X
es una constante) y Y se aproxima al valor lmite o asinttico 1 . Por consiguiente
este tipo de modelos han construido en ellos un valor asinttico o lmite que tomar
la variable dependiente cuando el valor de la variable X aumente indefinidamente.
La pendiente del modelo mostrado es:
dY
1
= 2 2
dX
X
1 > 0
2 > 0
Nivel de Produccin
Grfica 1
324
2 > 0
1 < 0
2 > 0
1 < 0
Tasa natural de
desempleo
0
Un
X
Grfica 2
)
1
Yt = 1.4282 + 8.2743
Xt
(2.0675) (2.8478)
r 2 = 0.3849
F1,15 = 9.39
2 > 0
1 < 0
)
Yi = 1 .4282 + 8.7243 (1 / X t )
1.43
Un
2 > 0
Grfica 3
325
Gasto
Gast
Esta grfica nos muestra que la base salarial es de 1.43%, es decir, a medida que X
aumenta indefinidamente, la disminucin porcentual en los salarios no ser superior al
1.43% al ao. Adems obsrvese que el valor de r2 es bajo (38.4%), aunque el
coeficiente de pendiente es estadsticamente diferente de cero y tiene el signo correcto,
lo que es una razn para no enfatizar indebidamente el valor de r2.
2
1
Ingreso
Grfica 4
Existe un umbral o nivel crtico de ingreso por debajo del cual el bien no es
2
comprado; en la figura este umbral se encuentra a nivel de: .
1
2. MODELO LOGISTICO
Una curva similar a la recproca es la logstica, que tambin tiene una asntota superior
para un valor finito y una asntota inferior para el valor cero, pero que tiene una forma
ms simtrica respecto a las dos asntotas:
K
Y=
1 + be at
Donde a, b y k son parmetros que deben determinarse. Se ha escrito Y para la funcin
del tiempo t, dado que sta es la prctica ms comn, pero en determinados casos es
posible sustituir t por alguna variable independiente X.
Queda claro que:
Y K cuando t
Y 0 cuando t
326
1
Ln b
a
Y=
K
2
Por lo tanto cuando Y < K/2 el valor grande de K-Y domina al valor pequeo de
Y; y hace que dY/dt aumente. Cuando Y se aproxima a K/2 las dos fuerzas empiezan a
compensarse de forma que dY/dt alcanza su valor mximo cuando Y= K/2 y a partir
de aqu disminuye suavemente a medida que Y tiende a su nivel de saturacin K, la
forma tpica de una curva logstica aparece en la grfica 5.
Y
e
0.135 e
X
Grfica 5
3. MODELO POLINOMIAL
Para ordenar las ideas, considrese la grfica que relaciona el costo marginal del corto
plazo (CM) de la produccin de un bien (Y) con el nivel de su producto (X). La curva
de CM dibujada en la grfica 6, la curva con forma de U de los textos, muestra que la
relacin entre CM y producto es no lineal. Si se fuera a cuantificar esta relacin a partir
de los puntos dispersos dados, cmo se hara? En otras palabras, qu tipo de modelo
economtrico recoger la naturaleza primero decreciente y luego creciente del costo
marginal?
327
Costo Marginal
CM
Produccin
Grfica 6
(1)
(2)
(3)
Ejemplo Ilustrativo:
Impacto del Empleo en la Produccin: Funcin de Produccin Cobb Douglas
La funcin de produccin de Cobb Duoglas, es a menudo usada para estudiar la
produccin, en base a los insumos capital y trabajo de una economa. El objetivo
principal es determinar el impacto que tiene el empleo en la productividad, es por ello
que se usar este modelo para determinar dicho impacto, tomando como supuesto que el
factor capital (inversin) se mantiene constante.
Yi = K L e i
Donde: Y = Producto Bruto Interno
K = Insumo capital
L = Insumo Trabajo
328
Ln Y = Ln + Ln K + Ln L +
y = c + k + l +
329
LABORATORIO
Ejercicio Aplicativo 1 1 :
Con la informacin proveniente de la Encuesta Nacional del Hogares realizada por el
INEI en el IV trimestre de 1997 (Enaho 97-IV), se model la siguiente funcin de
consumo, que es la presentada por Robles (1996), es de tipo exponencial y consiste en:
j= n
O
Ck = 0 Pk1 P jj I2 E3 M4 N5 A6 P7 e8
j=1
donde:
Ck
k
n
i
Pk
Pj
I
E
M
N
A
P
O
Cada una de las variables independientes del modelo tiene alguna influencia en el
consumo pues (a excepcin de los precios) estaran enmarcando los gustos y
preferencias de las familias.
Las elasticidades precio e ingreso por estrato econmico, calculadas a partir del modelo
se muestras en los cuadros adjuntos.
As observamos que, en el primer cuadro nos muestra la disminucin (incremento)
porcentual de la cantidad consumida de una variedad ante el aumento (reduccin) del
1 % en su nivel de precios. Por ejemplo si el kilogramo de bistek de res aumentara en
10 % los hogares del estrato medio reducirn el consumo en 5,2 %.
En el cuadro 2, cada nmero indica el incremento (disminucin) porcentual de la
cantidad consumida de una variedad ante el aumento (cada) de 1 % en el ingreso
familiar percpita. Por ejemplo si este ingreso se incrementara en 10 % el consumo de
zanahoria de los hogares del estrato bajo se elevar en 4,27 %.
1
Del documento: Elasticidad de la Demanda de los Principales Bienes y Servicios Consumidos por las
Familias en Lima Metropolitana , elaborado por el INEI
330
Cuadro 1: CLASIFICACION DE LAS VARIEDADES DE CONSUMO SEGUN SUS ELASTICIDADES PRECIO, POR ESTRATO
Estrato Bajo
Estrato Medio
Estrato Alto
-0,12
-0,15
-0,16
-0,21
-0,13
-0,15
-0,21
-0,21
-0,01
-0,18
-0,22
-0,24
Peridico
-0,40 Res, Churrasco
a
Pje. en Colectivo
-0,49 Lenteja
-0,42
-0,42
-0,44
-0,47
-0,40
-0,40
-0,43
-0,44
Leche en Polvo
Tomate Italiano
Men (en restaurantes)
Papa Amarilla
-0,40
-0,41
-0,42
-0,42
-0,50
-0,53
-0,56
-0,57
Papaya
Pan Francs
Menudencia de Pollo
Arveja Verde
-0,51
-0,51
-0,56
-0,56
Zanahoria
-0,60 Limn
a
Mandarina
-0,69 Papel Higinico
Arveja Verde
-0,63
-0,63
-0,64
-0,65
-0,65
-0,62
-0,62
-0,65
-0,66
-0,66
Pl tano de Seda
Pollo Eviscerado
Jabn para lavar ropa
Toallas Sanitarias
Zanahoria
-0,63
-0,66
-0,67
-0,67
-0,69
Toallas Sanitarias
-0,70 Tomate Italiano
a
Res, Bisteck
-0,79 Papaya
-0,71
-0,71
-0,71
-0,72
Toallas Sanitarias
Limn
Cebolla de Cabeza (Roja)
Jamonada
-0,71
-0,76
-0,77
-0,79
Arroz Corriente
Limn
Bonito Fresco
Choclo Criollo
-0,70
-0,73
-0,75
-0,76
Detergente
-0,8 Caf instant neo en lata
a
Pan Tolete (Labranza)
-0,99 Azcar Blanca
Huevos a Granel
Gallina Eviscerada
-0,82
-0,84
-0,87
-0,90
-0,94
-0,95
Champ
Ajo Entero
Pltano de Seda
Choclo Criollo
Arroz Superior
Gas Propano
-0,81
-0,81
-0,84
-0,85
-0,86
-0,86
Jamonada
Detergente
Champ
Gas Propano
Manzana Delicia
Bebidas Gaseosas
-0,82
-0,83
-0,83
-0,85
-0,86
-0,91
-1,02
-1,03
-1,12
-1,21
Margarina a Granel
Huevos a Granel
Leche Evaporada
Bebidas Gaseosas
-1,05
-1,06
-1,17
-1,19
Leche Evaporada
Pje. en Omnibus y Micro
Margarina a Granel
Margarina Envasada
-1,04
-1,05
-1,05
-1,07
Ms
de
-0,4
331
Cuadro 2: CLASIFICACIN DE LAS VARIEDADES DE CONSUMO SEGN SUS ELASTICIDADES INGRESO, POR ESTRATO DE INGRESO
Menos
de
0,3
0,30
a
0,40
0,40
a
0,50
0,50
a
0,70
0,70
a
1,00
Ms
de
1,00
Estrato Bajo
Estrato Medio
Estrato Alto
Lenteja
Gas Propano
Kerosene
Toallas Sanitarias
Frejol Canario
0,200
0,209
0,210
0,227
0,235
0,183
0,214
0,243
0,268
0,276
-0,191
-0,189
0,146
0,147
0,156
Margarina Envasada
Menudencia de Pollo
Arroz Corriente
Bonito Fresco
Choclo Criollo
0,305
0,310
0,321
0,334
0,340
0,301
0,302
0,318
0,338
0,352
Detergente
Cebolla de Cabeza (Roja)
Pje. en Colectivo
Zapallo Macre
Zanahorias
0,304
0,305
0,312
0,314
0,326
Ajo Entero
Pje. en mnibus y M
Zanahorias
Jabn de Tocador
Zapallo Macre
Aceite Vegetal
0,410
0,424
0,427
0,431
0,445
0,447
Aceite Vegetal
Men (en restaurantes)
Cebolla de Cabeza (Roja)
Detergente
Margarina a Granel
Champ
0,401
0,409
0,417
0,428
0,443
0,448
Huevos a Granel
Tomate Italiano
Choclo Criollo
Leche Evaporada
Arroz Superior
Azcar Blanca
0,404
0,421
0,421
0,426
0,450
0,451
Pan Francs
Papa Blanca
Men (en restaurantes)
Res, Bisteck
Huevos a Granel
Azcar Blanca
0,506
0,522
0,528
0,536
0,538
0,557
Manzana Delicia
Limn
Papa Amarilla
Azcar Blanca
Pltano de Seda
Textos Esc. Educ. Prim.
0,504
0,532
0,557
0,561
0,566
0,586
Helados
Peridico
Margarina a Granel
Manzana Delicia
Carne Carnero
0,506
0,514
0,535
0,540
0,553
0,560
Leche Evaporada
Arroz Superior
Manzana Delicia
Corte nico de Res
Pollo Eviscerado
0,769
0,775
0,783
0,794
0,795
Res, Bisteck
Res, Sancochado
Pasaje en Taxi (auto)
Bebidas Gaseosas
Res, Churrasco
0,757
0,770
0,782
0,840
0,915
Papel Higinico
Gasolina
Pasaje en Taxi (auto)
Ajo Entero
Res, Sancochado
0,710
0,717
0,733
0,789
0,906
Carne Carnero
Bebidas Gaseosas
Res, Churrasco
Cerveza Blanca (Botella)
1,053
1,065
1,261
1,676
1,526
1,733
1,204
332
Ejercicio aplicativo 2:
Caso Hipottico:
En el siguiente cuadro se muestran los datos bsicos de un estudio de la demanda de
carros nuevos en Per, durante los aos 1986 y 2003. Las variables consideradas para el
anlisis fueron las siguientes:
X1 =
X2 =
X3 =
Y=
X1
X2
X3
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
126.5
128.5
128.5
120.5
117.0
121.0
133.8
131.0
134.3
144.9
186.6
186.6
181.5
195.7
188.2
190.2
196.6
193.4
83.4
82.6
90.9
99.3
111.6
115.6
109.0
118.5
127.0
147.9
184.9
200.5
203.7
209.2
218.7
221.6
236.3
247.2
18.7
17.9
18.9
19.4
20.1
21.5
22.3
22.7
23.2
24.5
30.6
33.1
35.7
37.6
39.3
41.6
43.0
47.0
1.10
1.53
1.93
2.87
3.51
3.51
1.96
2.72
3.46
3.76
4.87
6.37
5.09
4.19
5.78
5.47
7.20
5.90
333
Coefficient
Std. Error
t-Statistic
Prob.
Log(X1)
Log(X2)
Log(X3)
C
-1.422016
3.215935
-1.478869
-2.720747
0.543972
0.454285
0.584988
1.732413
-2.614136
7.079112
-2.528034
-1.570496
0.0204
0.0000
0.0241
0.1386
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durban-Watson stat
0.942267
0.929896
0.139316
0.271724
12.19916
1.715898
1.260016
0.526174
-0.911017
-0.713157
76.16576
0.000000
Ejercicio Aplicativo 3
Suponga que quiere plantear un modelo de regresin lineal para explicar, a partir de una
muestra de 1500 individuos de una regin, la relacin entre el nivel de ingresos y el
nivel de estudios y la edad. Suponga que quiere probar la sospecha de que el ingreso, si
bien crece con el nivel de estudios y la edad, tiende a incrementarse menos rpidamente
en los ltimos aos de vida que en los primeros. Cmo planteara el modelo?
La especificacin ms simple para probar esta idea sera:
Ingresoi = a + b1Educacin i + b 2 Edad i + b 3 Edad i2 + i
En esta regresin, la hiptesis formalizada en el enunciado implicara: b1 positivo y
b2 negativo. Para comprender intuitivamente la razn del signo imaginemos la
regresin con slo 2 variables (educacin y edad). En esta regresin, es claro que los
errores seran crecientes con la edad, es decir, el modelo se equivocara ms para el caso
de las personas mayores, dado que para stas, la relacin entre edad y el Ingreso no sera
la misma que para el resto de la muestra.
En concreto, el parmetro que relaciona edad e Ingreso tendera a sobrestimar el Ingreso
de las personas mayores, generando residuos negativos para ellos. En definitiva, la serie
de residuos sera decreciente con la edad (edades mayores, residuos ms grandes y
negativos).
334
Si ahora hacemos depender esa serie de residuos con la edad al cuadrado, la relacin
sera necesariamente negativa.
Ejercicio Aplicativo 4:
Los siguientes datos corresponden a los precios de venta (z) de un modelo de automviles
usados durante w aos:
w (aos)
1
2
2
3
5
5
z (dlares)
6350
5695
5750
5395
4985
4895
Coefficient
Std. Error
t-Statistic
Prob.
C
W
8.781307
-0.056886
0.020783
0.006173
422.5318
-9.214754
0.0000
0.0008
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durban-Watson stat
0.955012
0.943764
0.023099
0.002134
15.31067
2.052046
8.610649
0.097405
-4.436891
-4.506305
84.91168
0.000771
Podemos observar que los coeficientes han resultado significativos (Prob<0.05). Adems,
se obtiene un R2 de 95.5%, por lo cual el modelo se ajusta adecuadamente a los datos.
Para determinar el valor de los coeficientes iniciales del modelo, se realiza la siguiente
transformacin:
335
o = Ln(c) c = exp(o)
1 = Ln(d) d = exp(1)
Luego:
c = exp(8.781307) = 6511.38199
d = exp(-0.056886) = 0.94470176
La ecuacin de regresin final queda determinada por:
Z = 6511.4 (0.945) W
Por lo tanto la estimacin del precio de venta para un auto que tiene 4 aos de uso sera:
Z ( w =4 ) = 6511.4 (0.945) 4
Z ( w =4 ) = 5192.8 dlares
Ejercicio Aplicativo 5:
Con los siguientes datos estimar las funciones de costo total, medio y marginal:
Y
193
226
240
244
260
274
297
350
420
X
1
2
3
4
6
7
8
9
10
X2
1
4
9
16
36
49
64
81
100
X3
1
8
27
64
216
343
512
729
1000
a2 < 0
a1 > 0
a3 > 0
a2 < 3 a3a1
CMg = dY/dX
336
Dependent Variable: Y
Method: Least Squares
Date: 08/26/04 Time: 13:10
Sample: 1901 1909
Included observations: 9
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
X1
X2
X3
144.1040
61.50263
-12.64826
0.925967
5.557702
4.195559
0.853580
0.050693
25.92870
14.65899
-14.81790
18.26626
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.998993
0.998390
2.786708
38.82870
-19.34915
2.927062
278.2222
69.44202
5.188701
5.276356
1654.220
0.000000
Coefficient
Std. Error
t-Statistic
Prob.
C
XTRASNP
X1
X2
64.72605
140.8717
-13.40488
0.974348
2.761899
2.418462
0.741900
0.053162
23.43534
58.24846
-18.06831
18.32783
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.999905
0.999847
0.642476
2.063877
-6.143574
2.539902
71.94334
51.98672
2.254128
2.341783
17458.15
0.000000
Coefficient
Std. Error
t-Statistic
Prob.
C
X1
X2
73.63144
-27.11448
2.692362
11.10574
4.268257
0.353220
6.630037
-6.352588
7.622330
0.0012
0.0014
0.0006
R-squared
Adjusted R-squared
S.E. of regresin
Sum squared resid
Log likelihood
Durbin-Watson stat
0.952344
0.933282
5.816722
169.1713
-23.55739
2.832280
28.37500
22.51944
6.639347
6.669138
49.95978
0.000496
338
Ejercicio de autoconocimiento
Porqu hacer una prediccin en Modelos No lineales?
SI
NO
NO S
interpretar y estimar
CALIFICACION
339
RESUMEN
Modelos no lineales son modelos cuya estructura matemtica no es la del Modelo
Lineal General.
Transformacin
Forma
Y = o X1
Y* = *o + 1 X* +
Doble logaritmo
Ln Y = o + 1 X +
Y* = o + 1 X +
Semi Logaritmo
Y = o + 1 Z +
Recproca
Y = o + 1 X + 2 X2 +
Y = o + 1 X + 2 W +
Polinomial
Donde:
Y* = Ln Y
Z = 1/X
*o = Ln o
W = X2
X* = Ln X
Y = o +
1
+
X
EXPLORACIN ON LINE
340
LECTURA
Puede explicarse el precio externo del caf con un modelo economtrico no lineal?
Annimo, 2004
341
ACTIVIDADES
1.
Estime el modelo.
Estime la matriz var-cov para .
2
Obtenga el R 2 y R .
A partir de la funcin de costo total dada anteriormente, obtenga
expresiones para las funciones de costo medio y costo marginal.
Ajuste las funciones de costo medio y costo marginal a las cifras,
comentando el ajuste.
(e)
2.
86
79
76
69
65
62
52
51
51
48
12
17
25
35
45
55
70
120
342
3.
De la siguiente tabla:
Industria
Harina de trigo
Azcar
Pinturas y barnices
Cemento
Vidrio y manufacturas
Cermica
Triplex
Textiles de algodn
textiles de yute
Textiles de lana
Qumicos
Aluminio
Hierro y Acero
Bicicletas
Maquinas de coser
V/L
40.34
32.44
54.62
38.90
25.33
28.27
30.90
27.54
25.41
33.32
48.54
41.72
43.45
38.87
42.75
19.33
17.34
22.55
20.84
17.68
19.58
16.92
20.26
19.45
20.26
22.00
21.94
25.17
22.25
23.00
Se obtuvieron datos sobre los gastos en alimentos y el gasto total (nuevos soles)
de una muestra de 20 familias. Los datos se muestran a continuacin:
Gasto en
Alimentos
Gasto Total
500
650
450
655
500
665
520
645
550
675
610
710
605
710
615
715
584
718
620
760
Gasto en
Alimentos
Gasto Total
635
795
645
801
670
821
680
834
645
835
650
850
645
865
652
845
635
880
720
875
a)
b)
c)
d)
AUTOEVALUACION
Deposito por
Persona (Y)
58.7
322.3
80.1
949.4
141.5
171
355.1
28
119
453.2
322.1
466.4
383.8
4549.4
232.8
200.2
1027
239.5
270.2
178.8
131.3
923.6
222.6
275.4
1697.5
13798.9
Ingreso per
capita (X)
195.37
307.27
137.49
331.33
167.91
198.44
259.75
142.06
191.82
357.79
253.06
338.24
343.2
556.8
265.28
327.47
412.72
233.75
209.18
179.72
220.57
420.45
311.84
257.43
352.93
6971.87
Y * = Ln(Y)
Y*X
X2
4.07
5.78
4.38
6.86
4.95
5.14
5.87
3.33
4.78
6.12
5.77
6.15
5.95
8.42
5.45
5.30
6.93
5.48
5.60
5.19
4.88
6.83
5.41
5.62
7.44
141.69
795.63
1774.63
602.66
2271.54
831.54
1020.31
1525.36
473.37
916.73
2188.36
1461.39
2078.50
2042.08
4689.79
1445.82
1735.37
2861.96
1280.61
1171.23
932.08
1075.83
2870.95
1685.61
1446.30
2624.71
41802.37
38169.44
94414.85
18903.50
109779.57
28193.77
39378.43
67470.06
20181.04
36794.91
128013.68
64039.36
114406.30
117786.24
310026.24
70373.48
107236.60
170337.80
54639.06
43756.27
32299.28
48651.12
176778.20
97244.19
66270.20
124559.58
2179703.20
Linealizandolo Y * = b1* + b *2 X
0.00118456228 0.00000424765
141.69
X' Y =
41802.37
a. Y
= 19.23(1.0097) X
b. Y
= 40.67(8.0127) X
c.
= 5.124(10.1245) X
Y
d.
= 5.124(1.1) X
Y
344
BIENES
(X)
0.5
5
10
15
20
25
COMISIN % BIENES
(Y)
(X)
0.41
30
0.40
35
0.39
40
0.39
45
0.38
55
0.37
60
Halle el modelo exponencial por el mtodo matricial con los siguientes datos (Utilice 6
decimales):
n = 12 X = 340.50 X 2 = 13750.25 Y * = 10.13 XY* = 310.76
Donde Y * = Ln(Y)
= 5.124e100.455 X
a. Y
= 0.505(0.99) X
b. Y
= 0.457(2.456) X
c. Y
= 0.457(2) X
d. Y
3. Un ingeniero esta investigando el uso de un molino de viento para generar
electricidad. El ha recolectado 25 datos sobre la produccin de corriente de este
molino y la correspondiente velocidad del viento. Estos datos se muestra en la
siguiente tabla:
Produccin (Y)
Velocidad
Viento (X)
1.582
1.822
1.057
0.5
2.236
2.386
2.294
2.31
1.194
3.4
2.7
10
9.7
9.55
10.2
4.1
Produccin (Y)
0.558
2.166
1.866
0.633
1.93
1.562
1.737
1.144
0.123
Velocidad
Viento (X)
3.05
8.15
6.2
2.9
6.35
4.6
5.8
3.95
2.45
Produccin (Y)
2.088
1.137
2.179
2.112
1.8
1.501
2.303
Velocidad
Viento (X)
7.4
3.6
7.85
8.8
5.45
9.1
XY = 283.72
X Y = 2203.13
Y = 40.22
2
345
340
330
320
310
0
100
200
300
a. Modelo Exponencial
b. Modelo Logstico
c. Modelo Cuadrtico
d. Modelo Paramtrico
a.
b.
c.
d.
Hp : 2 = 0
Ha : 2 0
Hp : Ln( 2 ) = 1
Ha : Ln( 2 ) 1
Hp : Ln( 2 ) = 0
Ha : Ln( 2 ) 0
Hp : Ln(1 ) = 0
Ha : Ln(1 ) 0
RESPUESTAS DE CONTROL
346