Universidad Nacional de San Agustín de Arequipa

Facultad de Economía
Escuela Profesional de Economía
Departamento Académico de Economía

Asignatura
Econometría 1

Guía de práctica
Modelo de regresión log-log con regresor único

Carlos Pedro Vera Ninacondor

Arequipa–Perú
2020
Contenido

1. Modelo de regresión log-log con regresor único

1.1. Modelo de regresión poblacional log-log
1.2. Modelo de regresión muestral log-log
1.3. Estimación de los coeficientes de la función de regresión poblacional log-log
1.4. Función de regresión muestral log-log MCO
1.5. Error de predicción MCO
1.6. Caso resuelto
1.6.1. Datos
1.6.2. Especificación del modelo de regresión poblacional log-log
1.6.3. Especificación del modelo de regresión poblacional log-log
1.6.4. Construcción de la matriz de sumas
1.6.5. Cálculo del estimador MCO del coeficiente 𝛽1 de la función de regresión poblacional
log-log
1.6.6. Cálculo del estimador MCO del coeficiente 𝛽0 de la función de regresión poblacional
log-log
1.6.7. Estimación de la función de regresión muestral log-log MCO
1.6.8. Interpretación del estimador MCO del coeficiente 𝛽1 de la función de regresión
poblacional log-log
1.6.9. Predicción MCO de la variable dependiente dado un valor de la variable
independiente
1.6.10. Estimación de los residuos MCO

Bibliografía

2
1. Modelo de regresión log-log con regresor único
El modelo de regresión log-log con regresor único, es el modelo de regresión que relaciona
una variable dependiente cuantitativa transformada en logaritmo natural (𝑙𝑛(𝑌𝑖 )) con una
variable independiente cuantitativa transformada en logaritmo natural (𝑙𝑛(𝑋𝑖 )).

1.1. Modelo de regresión poblacional log-log

El modelo de regresión poblacional log-log con regresor único (Stock y Watson, 2012, p.
193) se especifica de la siguiente forma,
𝑙𝑛(𝑌𝑖 ) = 𝛽0 + 𝛽1 𝑙𝑛(𝑋𝑖 ) + 𝑢𝑖
Donde
𝑖 es el subíndice que toma valores de 1 hasta 𝑁.
𝑁 es el número de observaciones en la población.
𝑙𝑛 es el logaritmo natural (o neperiano).
𝑙𝑛(𝑌𝑖 ) es la variable dependiente (o el regresando).
𝑙𝑛(𝑋𝑖 ) es la variable independiente (o el regresor).
𝛽0 + 𝛽1 𝑙𝑛(𝑋𝑖 ) es la función de regresión poblacional log-log.
𝛽0 y 𝛽1 son los coeficientes de la función de regresión poblacional log-log, que se
denominan parámetros de la función de regresión poblacional log-log, los cuales son
desconocidos.
𝑢𝑖 es el término de error, el cual es desconocido, “es una variable aleatoria no observable
que adopta valores positivos o negativos” (Gujarati y Porter, 2010, p. 40).
Interpretación de 𝛽1 . “En el modelo log-log, una variación del 1 % en 𝑋 está asociada con
una variación en 𝑌 de un 𝛽1 %. Por tanto, en esta especificación 𝛽1 es la elasticidad de 𝑌
con respecto a 𝑋” (Stock y Watson, 2012, p. 193).
“La función de regresión poblacional no es observable directamente. Se calcula a partir de
la función de regresión muestral” (Gujarati y Porter, 2010, p. 55).

1.2. Modelo de regresión muestral log-log

El modelo de regresión muestral log-log con regresor único se especifica de la siguiente
forma,

3
 𝑙𝑛(𝑌𝑖 ) = 𝛽̂0 + 𝛽̂1 𝑙𝑛(𝑋𝑖 ) + 𝑢̂𝑖
Donde
𝑖 es el subíndice que toma valores de 1 hasta 𝑛.
𝑛 es el número de observaciones en la muestra.
𝑙𝑛 es el logaritmo natural (o neperiano).
𝑙𝑛(𝑌𝑖 ) es la variable dependiente (o el regresando).
𝑙𝑛(𝑋𝑖 ) es la variable independiente (o el regresor).
𝛽̂0 es el estimador del coeficiente 𝛽0 de la función de regresión poblacional log-log.
𝛽̂1 es el estimador del coeficiente 𝛽1 de la función de regresión poblacional log-log.
𝑢̂𝑖 es el residuo, es el estimador del término de error 𝑢𝑖 .

1.3. Estimación de los coeficientes de la función de regresión poblacional log-log

Para la estimación de los coeficientes de la función de regresión poblacional log-log se utiliza
el método de mínimos cuadrados ordinarios.
Estimador de mínimos cuadrados ordinarios (MCO)
Partiendo del modelo de regresión muestral log-log con regresor único
𝑙𝑛(𝑌𝑖 ) = 𝛽̂0 + 𝛽̂1 𝑙𝑛(𝑋𝑖 ) + 𝑢̂𝑖
Despejando 𝑢̂𝑖
𝛽̂0 + 𝛽̂1 𝑙𝑛(𝑋𝑖 ) + 𝑢̂𝑖 = 𝑙𝑛(𝑌𝑖 )
𝑢̂𝑖 = 𝑙𝑛(𝑌𝑖 ) − 𝛽̂0 − 𝛽̂1 𝑙𝑛(𝑋𝑖 )
Elevando al cuadrado ambos lados de la ecuación
2
𝑢̂𝑖2 = (𝑙𝑛(𝑌𝑖 ) − 𝛽̂0 − 𝛽̂1 𝑙𝑛(𝑋𝑖 ))

Aplicando sumatorias a ambos lados de la ecuación

𝑛 𝑛
2
∑ 𝑢̂𝑖2 = ∑ (𝑙𝑛(𝑌𝑖 ) − 𝛽̂0 − 𝛽̂1 𝑙𝑛(𝑋𝑖 ))
𝑖=1 𝑖=1

“El principio o método de mínimos cuadrados elige 𝛽̂0 y 𝛽̂1 de manera que, para una
muestra o conjunto de datos determinados, ∑ 𝑢̂𝑖2 es la más pequeña posible. En otras
palabras, para una muestra dada, proporciona valores estimados únicos de 𝛽̂0 y 𝛽̂1 que
producen el valor más pequeño o reducido posible de ∑ 𝑢̂𝑖2 ” (Gujarati y Porter, 2010, p. 57).
4
Minimizando la suma de los residuos elevados al cuadrado
Calculando las derivadas parciales de primer orden de ∑ 𝑢̂𝑖2 respecto de β̂0 y de β̂1 se
obtiene
𝜕(∑ 𝑢̂𝑖2 )
= 2 ∑ (𝑙𝑛(𝑌𝑖 ) − 𝛽̂0 − 𝛽̂1 𝑙𝑛(𝑋𝑖 )) (−1) = −2 ∑ (𝑙𝑛(𝑌𝑖 ) − 𝛽̂0 − 𝛽̂1 𝑙𝑛(𝑋𝑖 ))
𝜕𝛽̂0
𝜕(∑ 𝑢̂𝑖2 )
= 2 ∑ (𝑙𝑛(𝑌𝑖 ) − 𝛽̂0 − 𝛽̂1 𝑙𝑛(𝑋𝑖 )) (−𝑙𝑛(𝑋𝑖 )) = −2 ∑ (𝑙𝑛(𝑌𝑖 ) − 𝛽̂0 − 𝛽̂1 𝑙𝑛(𝑋𝑖 )) 𝑙𝑛(𝑋𝑖 )
𝜕𝛽̂1
Seguidamente igualando a cero las derivadas parciales de primer orden, y luego resolviendo
el sistema de ecuaciones se obtienen los estimadores MCO de 𝛽0 y 𝛽1
Igualando a cero la derivada parcial de primer orden de ∑ 𝑢̂𝑖2 respecto de β̂0

−2 ∑ (𝑙𝑛(𝑌𝑖 ) − 𝛽̂0 − 𝛽̂1 𝑙𝑛(𝑋𝑖 )) = 0

Despejando ∑ 𝑙𝑛(𝑌𝑖 )

∑ 𝑙𝑛(𝑌𝑖 ) − ∑ 𝛽̂0 − ∑ 𝛽̂1 𝑙𝑛(𝑋𝑖 ) = 0

∑ 𝑙𝑛(𝑌𝑖 ) − 𝑛𝛽̂0 − 𝛽̂1 ∑ 𝑙𝑛(𝑋𝑖 ) = 0

∑ 𝑙𝑛(𝑌𝑖 ) = 𝑛𝛽̂0 + 𝛽̂1 ∑ 𝑙𝑛(𝑋𝑖 )

Igualando a cero la derivada parcial de primer orden de ∑ 𝑢̂𝑖2 respecto de β̂1

−2 ∑ (𝑙𝑛(𝑌𝑖 ) − 𝛽̂0 − 𝛽̂1 𝑙𝑛(𝑋𝑖 )) 𝑙𝑛(𝑋𝑖 ) = 0

Despejando ∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 )

∑ (𝑙𝑛(𝑌𝑖 ) − 𝛽̂0 − 𝛽̂1 𝑙𝑛(𝑋𝑖 )) 𝑙𝑛(𝑋𝑖 ) = 0

∑ (𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) − 𝛽̂0 𝑙𝑛(𝑋𝑖 ) − 𝛽̂1 𝑙𝑛(𝑋𝑖 )𝑙𝑛(𝑋𝑖 )) = 0

2
∑ (𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) − 𝛽̂0 𝑙𝑛(𝑋𝑖 ) − 𝛽̂1 (𝑙𝑛(𝑋𝑖 )) ) = 0
2
∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) − ∑ 𝛽̂0 𝑙𝑛(𝑋𝑖 ) − ∑ 𝛽̂1 (𝑙𝑛(𝑋𝑖 )) = 0
2
∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) − 𝛽̂0 ∑ 𝑙𝑛(𝑋𝑖 ) − 𝛽̂1 ∑(𝑙𝑛(𝑋𝑖 )) = 0
2
∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) = 𝛽̂0 ∑ 𝑙𝑛(𝑋𝑖 ) + 𝛽̂1 ∑(𝑙𝑛(𝑋𝑖 ))

5
Las ecuaciones siguientes son las ecuaciones normales

∑ 𝑙𝑛(𝑌𝑖 ) = 𝑛𝛽̂0 + 𝛽̂1 ∑ 𝑙𝑛(𝑋𝑖 )

2
∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) = 𝛽̂0 ∑ 𝑙𝑛(𝑋𝑖 ) + 𝛽̂1 ∑(𝑙𝑛(𝑋𝑖 ))

Cálculo del estimador MCO del coeficiente 𝜷𝟎

De la ecuación normal

∑ 𝑙𝑛(𝑌𝑖 ) = 𝑛𝛽̂0 + 𝛽̂1 ∑ 𝑙𝑛(𝑋𝑖 )

Despejando 𝛽̂0

𝑛𝛽̂0 + 𝛽̂1 ∑ 𝑙𝑛(𝑋𝑖 ) = ∑ 𝑙𝑛(𝑌𝑖 )

𝑛𝛽̂0 = ∑ 𝑙𝑛(𝑌𝑖 ) − 𝛽̂1 ∑ 𝑙𝑛(𝑋𝑖 )

∑ 𝑙𝑛(𝑌𝑖 ) − 𝛽̂1 ∑ 𝑙𝑛(𝑋𝑖 )

𝛽̂0 =
𝑛
De donde se obtiene
𝒏 𝒏

∑ 𝒍𝒏(𝒀𝒊 ) ∑ 𝒍𝒏(𝑿𝒊 )
𝒊=𝟏 𝒊=𝟏
̂𝟎 =
𝜷 ̂𝟏
− 𝜷
𝒏 𝒏

Cálculo del estimador MCO del coeficiente 𝜷𝟏

En la ecuación normal
2
∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) = 𝛽̂0 ∑ 𝑙𝑛(𝑋𝑖 ) + 𝛽̂1 ∑(𝑙𝑛(𝑋𝑖 ))

Remplazando β̂0
∑ 𝑙𝑛(𝑌𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 ) 2
∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) = ( − 𝛽̂1 ) ∑ 𝑙𝑛(𝑋𝑖 ) + 𝛽̂1 ∑(𝑙𝑛(𝑋𝑖 ))
𝑛 𝑛
Despejando β̂1
∑ 𝑙𝑛(𝑌𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 ) 2
∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) = − 𝛽̂1 + 𝛽̂1 ∑(𝑙𝑛(𝑋𝑖 ))
𝑛 𝑛
∑ 𝑙𝑛(𝑌𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 ) (∑ 𝑙𝑛(𝑋𝑖 ))2 2
∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) = − 𝛽̂1 + 𝛽̂1 ∑(𝑙𝑛(𝑋𝑖 ))
𝑛 𝑛
∑ 𝑙𝑛(𝑌𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 ) (∑ 𝑙𝑛(𝑋𝑖 ))2 2
− 𝛽̂1 + 𝛽̂1 ∑(𝑙𝑛(𝑋𝑖 )) = ∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 )
𝑛 𝑛

6
 (∑ 𝑙𝑛(𝑋𝑖 ))2 2 ∑ 𝑙𝑛(𝑌𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 )
−𝛽̂1 + 𝛽̂1 ∑(𝑙𝑛(𝑋𝑖 )) = ∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) −
𝑛 𝑛
(∑ 𝑙𝑛(𝑋𝑖 ))2 2 ∑ 𝑙𝑛(𝑌𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 )
𝛽̂1 (− + ∑(𝑙𝑛(𝑋𝑖 )) ) = ∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) −
𝑛 𝑛
∑ 𝑙𝑛(𝑌𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 )
∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) −
𝛽̂1 = 𝑛
(∑ 𝑙𝑛(𝑋𝑖 ))2 2
− + ∑(𝑙𝑛(𝑋𝑖 ))
𝑛
∑ 𝑙𝑛(𝑌𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 )
∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) −
𝛽̂1 = 𝑛
2 (∑ 𝑙𝑛(𝑋𝑖 ))2
∑(𝑙𝑛(𝑋𝑖 )) −
𝑛
Multiplicando por 𝑛 el numerador y el denominador del lado derecho de la ecuación
∑ 𝑙𝑛(𝑌𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 )
𝑛 (∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) − )
𝑛
𝛽̂1 =
2 (∑ 𝑙𝑛(𝑋𝑖 ))2
𝑛 (∑(𝑙𝑛(𝑋𝑖 )) − )
𝑛
𝑛 ∑ 𝑙𝑛(𝑌𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 )
𝑛 ∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) −
𝛽̂1 = 𝑛
2 𝑛(∑ 𝑙𝑛(𝑋𝑖 ))2
𝑛 ∑(𝑙𝑛(𝑋𝑖 )) − 𝑛
Simplificando se obtiene
𝒏 𝒏 𝒏

𝒏 ∑ 𝒍𝒏(𝒀𝒊 ) 𝒍𝒏(𝑿𝒊 ) − ∑ 𝒍𝒏(𝒀𝒊 ) ∑ 𝒍𝒏(𝑿𝒊 )

𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
̂𝟏 =
𝜷
𝒏 𝒏 𝟐
𝟐
𝒏 ∑(𝒍𝒏(𝑿𝒊 )) − (∑ 𝒍𝒏(𝑿𝒊 ))
𝒊=𝟏 𝒊=𝟏

1.4. Función de regresión muestral log-log MCO

La función de regresión muestral log-log con regresor único MCO se especifica de la
siguiente forma,
̂𝑖 ) = 𝛽̂0 + 𝛽̂1 𝑙𝑛(𝑋𝑖 )
𝑙𝑛(𝑌
Donde
𝑖 es el subíndice que toma valores de 1 hasta 𝑛.
𝑛 es el número de observaciones en la muestra.
𝑙𝑛 es el logaritmo natural (o neperiano).
7
𝑙𝑛(𝑌𝑖 ) es la variable dependiente (o el regresando).
𝑙𝑛(𝑋𝑖 ) es la variable independiente (o el regresor).
̂𝑖 ) es el valor esperado de acuerdo a la función de regresión muestral log-log MCO.
𝑙𝑛(𝑌
𝛽̂0 + 𝛽̂1 𝑋𝑖 es la función de regresión muestral log-log MCO, la cual es construida utilizando
los estimadores MCO.
𝛽̂0 es el estimador MCO del coeficiente 𝛽0 de la función de regresión poblacional log-log.
𝛽̂1 es el estimador MCO del coeficiente 𝛽1 de la función de regresión poblacional log-log.

1.5. Error de predicción MCO

Para calcular el error de predicción MCO se utiliza la siguiente fórmula
̂𝑖 )
𝑢̂𝑖 = 𝑙𝑛(𝑌𝑖 ) − 𝑙𝑛(𝑌
Donde
𝑢̂𝑖 es el error de predicción (o residuo), es el estimador MCO del término de error 𝑢𝑖 .

1.6. Caso resuelto

1.6.1. Datos

Considerando los datos presentados en la Tabla 1, especificar el modelo de regresión

poblacional log-log que relaciona la nota lograda y las horas de estudio semanal, especificar
el modelo de regresión muestral log-log que relaciona la nota lograda y las horas de estudio
semanal, calcular los estimadores MCO de los coeficientes 𝛽0 y 𝛽1 de la función de regresión
poblacional log-log, estimar la función de regresión muestral log-log MCO, interpretar el
estimador MCO del coeficiente 𝛽1 de la función de regresión poblacional log-log, calcular el
valor de predicción MCO del logaritmo natural de la nota lograda dado un valor de las horas
de estudio semanal, calcular los residuos MCO, y calcular los residuos elevados al cuadrado
MCO.

8
Tabla 1. Nota lograda y horas de estudio semanal de estudiantes
Nota lograda Horas de estudio semanal
Estudiante
𝑌𝑖 𝑋𝑖
1 8 5
2 10 5
3 15 7
4 11 5
5 15 15
6 10 6
7 8 3
8 14 29
9 15 35
10 7 3
11 10 42
12 14 16
13 19 9
14 12 13
15 14 10
16 14 7
17 9 15
18 15 20
19 6 6
20 15 20
21 16 24
22 6 3
23 5 10
24 18 15
25 12 15
26 10 21
27 7 5
28 11 21
29 9 5
30 8 3
31 16 24
32 12 13
33 12 40
34 14 5
35 5 6
36 14 19
37 15 24
38 11 5
39 15 18
40 12 6
Fuente: Cuestionario aplicado a estudiantes de Métodos Cuantitativos 1, 2016.
Elaboración: Autoría propia.

9
1.6.2. Especificación del modelo de regresión poblacional lineal
Considerando lo presentado en el punto 1.1, para este caso, se especifica el modelo de
regresión poblacional log-log siguiente
𝑙𝑛(𝑌𝑖 ) = 𝛽0 + 𝛽1 𝑙𝑛(𝑋𝑖 ) + 𝑢𝑖
Donde
𝑙𝑛(𝑌𝑖 ) es el valor del logaritmo natural de la nota lograda por el i-ésimo estudiante en la
población.
𝑙𝑛(𝑋𝑖 ) es el valor del logaritmo natural de las horas de estudio semanal del el i-ésimo
estudiante en la población.
𝛽0 + 𝛽1 𝑙𝑛(𝑋𝑖 ) es la función de regresión poblacional log-log.
𝛽0 y 𝛽1 son los coeficientes de la función de regresión poblacional log-log, los cuales son
desconocidos.
𝑢𝑖 es el término de error, el cual es desconocido.

1.6.3. Especificación del modelo de regresión muestral lineal

Considerando lo presentado en el punto 1.2, para este caso, se especifica el modelo de
regresión muestral lineal siguiente
𝑙𝑛(𝑌𝑖 ) = 𝛽̂0 + 𝛽̂1 𝑙𝑛(𝑋𝑖 ) + 𝑢̂𝑖
Donde
𝑙𝑛(𝑌𝑖 ) es el valor del logaritmo natural de la nota lograda por el i-ésimo estudiante en la
muestra.
𝑙𝑛(𝑋𝑖 ) es el valor del logaritmo natural de las horas de estudio semanal del el i-ésimo
estudiante en la muestra.
𝛽̂0 es el estimador del término constante 𝛽0 de la función de regresión poblacional log-log.
𝛽̂1 es el estimador del coeficiente 𝛽1 de la función de regresión poblacional log-log, y se
espera que sea positivo.
𝑢̂𝑖 es el residuo, es el estimador del término de error 𝑢𝑖 .

1.6.4. Construcción de la matriz de sumas

10
Tabla 2. Matriz de sumas
2 2
𝑛𝑖 𝑙𝑛(𝑌𝑖 ) 𝑙𝑛(𝑋𝑖 ) 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) (𝑙𝑛(𝑋𝑖 )) (𝑙𝑛(𝑌𝑖 ))
1 2,079441542 1,609437912 3,346732054 2,590290394 4,324077125
2 2,302585093 1,609437912 3,705867745 2,590290394 5,301898110
3 2,708050201 1,945910149 5,269622370 3,786566308 7,333535892
4 2,397895273 1,609437912 3,859263562 2,590290394 5,749901739
5 2,708050201 2,708050201 7,333535892 7,333535892 7,333535892
6 2,302585093 1,791759469 4,125678644 3,210401996 5,301898110
7 2,079441542 1,098612289 2,284500031 1,206948961 4,324077125
8 2,639057330 3,367295830 8,886486741 11,338681207 6,964623589
9 2,708050201 3,555348061 9,628061033 12,640499838 7,333535892
10 1,945910149 1,098612289 2,137800802 1,206948961 3,786566308
11 2,302585093 3,737669618 8,606302346 13,970174175 5,301898110
12 2,639057330 2,772588722 7,317020589 7,687248223 6,964623589
13 2,944438979 2,197224577 6,469593691 4,827795843 8,669720902
14 2,484906650 2,564949357 6,373659715 6,578965206 6,174761058
15 2,639057330 2,302585093 6,076654067 5,301898110 6,964623589
16 2,639057330 1,945910149 5,135368442 3,786566308 6,964623589
17 2,197224577 2,708050201 5,950194459 7,333535892 4,827795843
18 2,708050201 2,995732274 8,112593386 8,974411855 7,333535892
19 1,791794690 1,791759469 3,210401996 3,210401996 3,210401996
20 2,708050201 2,995732274 8,112593386 8,974411855 7,333535892
21 2,772588722 3,178053830 8,811436209 10,100026149 7,687248223
22 1,791759469 1,098612289 1,968448971 1,206948961 3,210401996
23 1,609437912 2,302585093 3,705867745 5,301898110 2,590290394
24 2,890371758 2,708050201 7,827271820 7,333535892 8,354248899
25 2,484906650 2,708050201 6,729251953 7,333535892 6,174761058
26 2,302585093 3,044522438 7,010271980 9,269116874 5,301898110
27 1,945910149 1,609437912 3,131821568 2,590290394 3,786566308
28 2,397895273 3,044522438 7,300445961 9,269116874 5,749901739
29 2,197224577 1,609437912 3,536296537 2,590290394 4,827795843
30 2,079441542 1,098612289 2,284500031 1,206948961 4,324077125
31 2,772588722 3,178053830 8,811436209 10,100026149 7,687248223
32 2,484906650 2,564949357 6,373659715 6,578965206 6,174761058
33 2,484906650 3,688879454 9,166521086 13,607831627 6,174761058
34 2,639057330 1,609437912 4,247398919 2,590290394 6,964623589
35 1,609437912 1,791759469 2,883725620 3,210401996 2,590290394
36 2,639057330 2,944438979 7,770543270 8,669720902 6,964623589
37 2,708050201 3,178053830 8,606329314 10,100026149 7,333535892
38 2,397895273 1,609437912 3,859263562 2,590290394 5,749901739
39 2,708050201 2,890371758 7,827271820 8,354248899 7,333535892
40 2,484906650 1,791759469 4,452355020 3,210401996 6,174761058
𝑛 𝑛 𝑛 𝑛 𝑛
2 2
∑ 𝑙𝑛(𝑌𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 ) ∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) ∑(𝑙𝑛(𝑋𝑖 )) ∑(𝑙𝑛(𝑌𝑖 ))
Suma 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
96,326231847 94,055130336 232,246048261 244,353776017 236,65440243
Fuente: Tabla 1.
Elaboración: Autoría propia.

11
1.6.5. Cálculo del estimador MCO del coeficiente 𝜷𝟏 de la función de regresión
poblacional log-log
Para calcular se utiliza la fórmula estimada en el punto 1.3
𝑛 𝑛 𝑛

𝑛 ∑ 𝑙𝑛(𝑌𝑖 )𝑙𝑛(𝑋𝑖 ) − ∑ 𝑙𝑛(𝑌𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 )

𝑖=1 𝑖=1 𝑖=1
𝛽̂1 =
𝑛 𝑛 2
2
𝑛 ∑(𝑙𝑛(𝑋𝑖 )) − (∑ 𝑙𝑛(𝑋𝑖 ))
𝑖=1 𝑖=1

Remplazando
40(232,246048261) − (96,326231847)(94,055130336)
𝛽̂1 =
40(244,353776017) − (94,055130336)2
9 289,841930440 − 9 059,976291145
𝛽̂1 =
9 774,151040680 − 8 846,367542522
229,865639295
𝛽̂1 =
927,783498158
𝛽̂1 = 0,247757844

1.6.6. Cálculo del estimador MCO del coeficiente 𝜷𝟎 de la función de regresión

poblacional log-log
Para calcular se utiliza la fórmula estimada en el punto 1.3
𝑛 𝑛

∑ 𝑙𝑛(𝑌𝑖 ) ∑ 𝑙𝑛(𝑋𝑖 )
𝑖=1 𝑖=1
𝛽̂0 = − 𝛽̂1
𝑛 𝑛

Remplazando
96,326231847 94,055130336
𝛽̂0 = − (0,247757844) ( )
40 40
𝛽̂0 = 2,408155796 − (0,247757844)(2,351378258)
𝛽̂0 = 2,408155796 − 0,582572408
𝛽̂0 = 1,825583388

12
1.6.7. Estimación de la función de regresión muestral log-log MCO
Los valores calculados en el punto 1.6.5 y en el punto 1.6.6 se remplazan en la función de
regresión muestral log-log MCO presentada en el puto 1.4, con lo cual se obtiene
̂𝑖 ) = 1,825583388 + 0,247757844𝑙𝑛(𝑋𝑖 )
𝑙𝑛(𝑌
Donde
La función de regresión log-log estimada muestra una relación positiva entre el
logaritmo natural de la nota lograda y el logaritmo natural de las horas de estudio
semanal del estudiante. Si las horas de estudio semanal aumenta en un 1 %, la
regresión estimada predice que la nota lograda aumentará en un 0,247757844 %.

1.6.8. Interpretación del estimador MCO del coeficiente 𝜷𝟏 de la función de regresión

poblacional log-log
𝛽̂1 = 0,247757844
Significa que un aumento del 1 % en las horas de estudio semanal del estudiante
está asociado con un aumento del 0,247757844 % en la nota lograda.

1.6.9. Predicción MCO de la variable dependiente dado un valor de la variable

independiente
Para ello, se utiliza la función de regresión muestral log-log MCO estimada en el punto 1.6.7,
la cual es la siguiente
̂𝑖 ) = 1,825583388 + 0,247757844𝑙𝑛(𝑋𝑖 )
𝑙𝑛(𝑌

13
Tabla 3. Predicción del logaritmo natural de la nota lograda dado un valor de las horas
de estudio semanal

𝑛𝑖 𝑙𝑛(𝑌𝑖 ) 𝑋𝑖 ̂𝑖 ) = 1,825583388 + 0,247757844𝑙𝑛(𝑋𝑖 )

𝑙𝑛(𝑌 ̂𝑖 )
𝑙𝑛(𝑌
1 2,079441542 5 1,825583388 + 0,247757844ln(5) 2,224334255
2 2,302585093 5 1,825583388 + 0,247757844ln(5) 2,224334255
3 2,708050201 7 1,825583388 + 0,247757844ln(7) 2,307697891
4 2,397895273 5 1,825583388 + 0,247757844ln(5) 2,224334255
5 2,708050201 15 1,825583388 + 0,247757844ln(15) 2,496524067
6 2,302585093 6 1,825583388 + 0,247757844ln(6) 2,269505851
7 2,079441542 3 1,825583388 + 0,247757844ln(3) 2,097773200
8 2,639057330 29 1,825583388 + 0,247757844ln(29) 2,659857343
9 2,708050201 35 1,825583388 + 0,247757844ln(35) 2,706448758
10 1,945910149 3 1,825583388 + 0,247757844ln(3) 2,097773200
11 2,302585093 42 1,825583388 + 0,247757844ln(42) 2,751620354
12 2,639057330 16 1,825583388 + 0,247757844ln(16) 2,512513992
13 2,944438979 9 1,825583388 + 0,247757844ln(9) 2,369963012
14 2,484906650 13 1,825583388 + 0,247757844ln(13) 2,461069711
15 2,639057330 10 1,825583388 + 0,247757844ln(10) 2,396066906
16 2,639057330 7 1,825583388 + 0,247757844ln(7) 2,307697891
17 2,197224577 15 1,825583388 + 0,247757844ln(15) 2,496524067
18 2,708050201 20 1,825583388 + 0,247757844ln(20) 2,567799557
19 1,791794690 6 1,825583388 + 0,247757844ln(6) 2,269505851
20 2,708050201 20 1,825583388 + 0,247757844ln(20) 2,567799557
21 2,772588722 24 1,825583388 + 0,247757844ln(24) 2,612971153
22 1,791759469 3 1,825583388 + 0,247757844ln(3) 2,097773200
23 1,609437912 10 1,825583388 + 0,247757844ln(10) 2,396066906
24 2,890371758 15 1,825583388 + 0,247757844ln(15) 2,496524067
25 2,484906650 15 1,825583388 + 0,247757844ln(15) 2,496524067
26 2,302585093 21 1,825583388 + 0,247757844ln(21) 2,579887703
27 1,945910149 5 1,825583388 + 0,247757844ln(5) 2,224334255
28 2,397895273 21 1,825583388 + 0,247757844ln(21) 2,579887703
29 2,197224577 5 1,825583388 + 0,247757844ln(5) 2,224334255
30 2,079441542 3 1,825583388 + 0,247757844ln(3) 2,097773200
31 2,772588722 24 1,825583388 + 0,247757844ln(24) 2,612971153
32 2,484906650 13 1,825583388 + 0,247757844ln(13) 2,461069711
33 2,484906650 40 1,825583388 + 0,247757844ln(40) 2,739532208
34 2,639057330 5 1,825583388 + 0,247757844ln(5) 2,224334255
35 1,609437912 6 1,825583388 + 0,247757844ln(6) 2,269505851
36 2,639057330 19 1,825583388 + 0,247757844ln(19) 2,555091241
37 2,708050201 24 1,825583388 + 0,247757844ln(24) 2,612971153
38 2,397895273 5 1,825583388 + 0,247757844ln(5) 2,224334255
39 2,708050201 18 1,825583388 + 0,247757844ln(18) 2,541695663
40 2,484906650 6 1,825583388 + 0,247757844ln(6) 2,269505851
Fuente: Tabla 1, ítem 1.4.d.
Elaboración: Autoría propia.

1.6.10. Estimación de los residuos MCO

14
Tabla 4. Residuos y residuos elevados al cuadrado MCO
𝑛𝑖 𝑙𝑛(𝑌𝑖 ) ̂𝑖 )
𝑙𝑛(𝑌 ̂𝑖 )
𝑢̂𝑖 = 𝑙𝑛(𝑌𝑖 ) − 𝑙𝑛(𝑌 𝑢̂𝑖2
1 2,079441542 2,224334255 -0,144892714 0,020993898
2 2,302585093 2,224334255 0,078250838 0,006123194
3 2,708050201 2,307697891 0,400352310 0,160281972
4 2,397895273 2,224334255 0,173561018 0,030123427
5 2,708050201 2,496524067 0,211526134 0,044743305
6 2,302585093 2,269505851 0,033079242 0,001094236
7 2,079441542 2,097773200 -0,018331658 0,000336050
8 2,639057330 2,659857343 -0,020800013 0,000432641
9 2,708050201 2,706448758 0,001601443 0,000002565
10 1,945910149 2,097773200 -0,151863051 0,023062386
11 2,302585093 2,751620354 -0,449035261 0,201632666
12 2,639057330 2,512513992 0,126543337 0,016013216
13 2,944438979 2,369963012 0,574475967 0,330022637
14 2,484906650 2,461069711 0,023836939 0,000568200
15 2,639057330 2,396066906 0,242990423 0,059044346
16 2,639057330 2,307697891 0,331359438 0,109799077
17 2,197224577 2,496524067 -0,299299490 0,089580185
18 2,708050201 2,567799557 0,140250644 0,019670243
19 1,791794690 2,269505851 -0,477746382 0,228241605
20 2,708050201 2,567799557 0,140250644 0,019670243
21 2,772588722 2,612971153 0,159617569 0,025477768
22 1,791759469 2,097773200 -0,306013731 0,093644403
23 1,609437912 2,396066906 -0,786628994 0,618785174
24 2,890371758 2,496524067 0,393847691 0,155116003
25 2,484906650 2,496524067 -0,011617417 0,000134964
26 2,302585093 2,579887703 -0,277302610 0,076896738
27 1,945910149 2,224334255 -0,278424106 0,077519983
28 2,397895273 2,579887703 -0,181992430 0,033121245
29 2,197224577 2,224334255 -0,027109678 0,000734935
30 2,079441542 2,097773200 -0,018331658 0,000336050
31 2,772588722 2,612971153 0,159617569 0,025477768
32 2,484906650 2,461069711 0,023836939 0,000568200
33 2,484906650 2,739532208 -0,254625559 0,064834175
34 2,639057330 2,224334255 0,414723074 0,171995228
35 1,609437912 2,269505851 -0,660067939 0,435689684
36 2,639057330 2,555091241 0,083966088 0,007050304
37 2,708050201 2,612971153 0,095079048 0,009040025
38 2,397895273 2,224334255 0,173561018 0,030123427
39 2,708050201 2,541695663 0,166354538 0,027673832
40 2,484906650 2,269505851 0,215400799 0,046397504
𝑛 𝑛

𝑛 = 40 Suma ∑ 𝑢̂𝑖 = 0,000000018 ∑ 𝑢̂𝑖2 = 3,262053502

𝑖=1 𝑖=1
Fuente: Tabla 1, Tabla 3.
Elaboración: Autoría propia.

15
Bibliografía

Gujarati, D. N., y Porter, D. C. (2010). Econometría. México, D. F., México: McGRAW-HILL/

INTERAMERICANA EDITORES, S. A. de C. V.

Stock, J. H., y Watson, M. M. (2012). Introducción a la Econometría. Madrid, España:

PEARSON EDUCACIÓN, S. A.

16