Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
Arequipa–Perú
2020
Contenido
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 )).
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 .
“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
Despejando ∑ 𝑙𝑛(𝑌𝑖 )
5
Las ecuaciones siguientes son las ecuaciones normales
Despejando 𝛽̂0
∑ 𝒍𝒏(𝒀𝒊 ) ∑ 𝒍𝒏(𝑿𝒊 )
𝒊=𝟏 𝒊=𝟏
̂𝟎 =
𝜷 ̂𝟏
− 𝜷
𝒏 𝒏
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
1.6.1. Datos
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.
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
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
∑ 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 %.
13
Tabla 3. Predicción del logaritmo natural de la nota lograda dado un valor de las horas
de estudio semanal
15
Bibliografía
INTERAMERICANA EDITORES, S. A. de C. V.
PEARSON EDUCACIÓN, S. A.
16