Extensiones del
modelo de regresión
lineal con dos variables
Econometría
Evelin Graciela Mamani Huayta
1. Regresión a través del origen
• Hay ocasiones en las cuales la función de Caraterísticas:
regresión poblacional (FRP) de dos variables
adquiere la siguiente forma: - σ 𝑢ෝ𝑖 no necesita ser cero en la regresión a
través del origen.
- El 𝑅2 presentado para el modelo
convencional, para este modelo puede
adoptar valores negativos
- Este último valor si será positivo.
• A menos que haya una expectativa a priori
muy sólida, es aconsejable apegarse al
modelo convencional con presencia de
intercepto. Esto
2
Evelin Graciela Mamani Huayta
3
Evelin Graciela Mamani Huayta
2. Escalas y unidades de medición
• ¿Las unidades con que se mide la variable regresada y la(s) variable(s)
regresora(s) influyen de algún modo en los resultados de la
regresión?
• De ser así, ¿qué curso razonable debe seguirse en la selección de las
unidades de medición para el análisis de regresión?
4
Evelin Graciela Mamani Huayta
2. Escalas y unidades de medición
• Si Y[miles millones $ ] y X[miles millones $]
• Y Y*[millones $] y X[millones $]
• Se pueden crear factores de escala (w1, w2) tales que Y* = w1Y, X* = w2X
• w1=w2 = 1000
• Considere los siguientes modelos
5
Evelin Graciela Mamani Huayta
2. Escalas y unidades de medición
6
Evelin Graciela Mamani Huayta
2. Escalas y unidades de medición, ejemplo
7
Evelin Graciela Mamani Huayta
2. Escalas y unidades de medición, ejemplo
8
Evelin Graciela Mamani Huayta
3. Regresión sobre variables estandarizadas
• Se dice que una variable es estandarizada si • La regresión sobre las variables
se resta el valor de la media de esta variable estandarizadas de la siguiente manera:
de sus valores individuales y se divide esa
diferencia entre la desviación estándar de la
variable.
• Los coeficientes de regresión de las variables
estandarizadas se conocen en la bibliografía
como los coeficientes beta.
• La interpretación es que si la regresora
(estandarizada) se incrementa una desviación
estándar, en promedio, la regresada
(estandarizada) aumenta 𝛽2∗ unidades de
desviación estándar.
9
Evelin Graciela Mamani Huayta
3. Regresión sobre variables estandarizadas,
ejemplo
Interpretación: si el PIB (estandarizado) se incrementara una desviación estándar,
en promedio, la IDPB (estandarizada) aumentaría casi 0.98 desviaciones estándar.
Ventaja del modelo con variables estandarizadas: Al estandarizar todas las
regresoras, quedan expresadas en una misma base y por consiguiente se pueden
comparar de manera directa.
10
Evelin Graciela Mamani Huayta
11
Evelin Graciela Mamani Huayta
4. Formas funcionales de los modelos de
regresión
• 1. El modelo log-lineal.
• 2. Modelos semilogarítmicos.
• 3. Modelos recíprocos.
• 4. El modelo logarítmico recíproco.
12
Evelin Graciela Mamani Huayta
4.1. Modelo Log-Lineal: Medida de elasticidad
• β2 mide la elasticidad de Y respecto de X, es
decir, el cambio porcentual en Y ante un
pequeño cambio porcentual en X.
𝐶𝑎𝑚𝑏𝑖𝑜 𝑅𝑒𝑙𝑎𝑡𝑖𝑣𝑜 𝑒𝑛 𝑌 ∆𝑌/𝑌
• 𝛽2 = =
𝐶𝑎𝑚𝑏𝑖𝑜 𝑅𝑒𝑙𝑎𝑡𝑖𝑣𝑜 𝑒𝑛 𝑋 ∆𝑋/𝑋
13
Evelin Graciela Mamani Huayta
14
Evelin Graciela Mamani Huayta
4.2. Modelo semilogarítmico: log-lin
𝑙𝑛𝑌 = 𝛽1 + 𝛽2 𝑋 + 𝑢
𝐶𝑎𝑚𝑏𝑖𝑜 𝑅𝑒𝑙𝑎𝑡𝑖𝑣𝑜 𝑒𝑛 𝑌 ∆𝑌/𝑌
𝛽2 = =
𝐶𝑎𝑚𝑏𝑖𝑜 𝐴𝑏𝑠𝑜𝑙𝑢𝑡𝑜 𝑒𝑛 𝑋 𝑋
Interpretación: β2 mide el cambio proporcional
o relativo en Y por 100, dará entonces el cambio
porcentual o la tasa de crecimiento en Y
ocasionada por un cambio absoluto en X.
15
Evelin Graciela Mamani Huayta
16
Evelin Graciela Mamani Huayta
4.3. Modelos semilogarítmicos: lin-log
𝐶𝑎𝑚𝑏𝑖𝑜 𝐴𝑏𝑠𝑜𝑙𝑢𝑡𝑜 𝑒𝑛 𝑌 𝑌
𝛽2 = =
𝐶𝑎𝑚𝑏𝑖𝑜 𝑅𝑒𝑙𝑎𝑡𝑖𝑣𝑜 𝑒𝑛 𝑋 ∆𝑋/𝑋
Interpretación: Se debe multiplicar el valor de β2
estimado por 0.01. Entonces, un incremento de 1% de X
producirá un incremento de β2(0.01) unidades en Y.
17
Evelin Graciela Mamani Huayta
5. Elección de la forma funcional
• La elección de una forma funcional particular puede ser relativamente fácil para el caso de dos
variables, pues se pueden graficar las variables y tener así una ligera idea respecto del modelo
adecuado.
• La elección se complica mucho más cuando se considera el modelo de regresión múltiple
• Algunas sugerencias:
• La teoría (por ejemplo, la curva de Phillips) tal vez sugiera una forma funcional particular
• Los coeficientes del modelo escogido deberán satisfacer determinadas expectativas a priori. Por ejemplo, si
consideramos la demanda de automóviles como función del precio y otras variables, debemos esperar un coeficiente
negativo para la variable precio.
• Comparar los R2 de los modelos alternativos. Pero se debe asegurar de que, al comparar dos valores de r 2, la
variable dependiente (o regresada) de los dos modelos sea la misma; la(s) regresora(s) pueden tomar cualquier
forma.
• En algunas situaciones tal vez no sea fácil ponerse de acuerdo sobre una forma funcional concreta, en cuyo caso se
pueden usar las llamadas transformaciones Box-Cox.
18
Evelin Graciela Mamani Huayta
19
Evelin Graciela Mamani Huayta
20
Evelin Graciela Mamani Huayta
21
Evelin Graciela Mamani Huayta
