UNIVERSIDAD TÉCNICA DEL NORTE

Facultad de Ingenierías en Ciencias Agropecuarias y Ambientales

ANALISIS Y DISEÑO DE EXPERIMENTOS

Reporte:
Modelos Lineales y no lineales

Docente:
MSc. Jorge Luis Ramírez

Estudiante:

Fecha:

Curso:
4to Forestal

Período Académico
Noviembre 2020 - Marzo 2021
 Modelos lineales
La regresión lineal es la técnica básica del análisis econométrico. Mediante dicha
técnica tratamos de determinar relaciones de dependencia de tipo lineal entre una
variable dependiente o endógena, respecto de una o varias variables explicativas o
exógenas. Gujarati (1975), define el análisis de regresión como el estudio de la
dependencia de la variable dependiente, sobre una o más variables explicativas, con el
objeto de estimar o predecir el valor promedio poblacional de la primera en términos de
los valores conocidos o fijos (en medias muestrales repetidas) de las últimas.

En este capítulo abordaremos el estudio del caso de una única ecuación de tipo lineal
con una variable dependiente y una independiente, y la generalización del modelo al
caso de múltiples variables exógenas. Las extensiones del modelo lineal general se
analizarán en capítulos siguientes (Montero, 2008).

Modelo de Regresión Lineal Simple

Partimos de la existencia de una relación lineal entre una variable endógena (YiYi) y
una variable exógena (XiXi):
Yi=β1+β2Xi+ei,i=1,2,…,n

Nuestro objetivo consiste en estimar los dos parámetros de la ecuación anterior a

partir de los datos muestrales de los que disponemos. Para ello utilizaremos el método
de los Mínimos Cuadrados Ordinarios (MCO), pero antes de ver en que consiste este
método debemos plantear ciertas hipótesis sobre el comportamiento de las variables que
integran el modelo.

La variable EIEI la denominamos término de perturbación o error, y en ella

recogemos todos aquellos factores que pueden influir a la hora de explicar el
comportamiento de la variable YiYi y que, sin embargo, no están reflejados en las
variables explicativas, XiXi. Estos factores deberían ser poco importantes, ya que no
debería existir ninguna variable explicativa relevante omitida en el modelo de regresión.
En caso contrario estaríamos incurriendo en lo que se conoce como un error de
especificación del modelo. El término de perturbación también recogería los posibles
errores de medida de la variable dependiente, YiYi.
 Este modelo es lineal porque está escrito como una combinación lineal de las
predictoras y sus coeficientes. Por ejemplo, la ecuación de Michaelis-Menten es un
modelo no lineal (Montero, 2008):
Vprod=Vmax∗[S]Km[S]

Que podemos escribir en los términos usados como:

y=β0∗xβ1x

Ejemplo en R

Podemos crear un ejemplo en R para visualizar rápidamente. Supongamos que

podemos medir felicidad de manera cuantitativa, como una variable continua.
Supongamos, además, que nuestro laboratorio quiere investigar cómo impactan distintas
dosis de chocolate a la felicidad de los humanos. Para esto, tomamos una muestra de
100 voluntarios y los asignamos de manera aleatoria a 5 dosis de chocolate (20, 40, 60,
80, y 100 gramos). Los individuos consumen la dosis asignada, el chocolate aumenta su
felicidad (según la fórmula felicidad=dosis∗2.5+10felicidad=dosis∗2.5+10), que
medimos y graficamos (Jara, Arnau, Rosel, & Caballer, 2011).

# Paquetes a instalar
library(dplyr)
library(ggplot2)

# Permite cambiar el aspecto de ggplot a algo parecido a base

library(ggthemes)

# Generar participantes
id <- 1:100

# Generar dosis
dosis <- sort(rep(seq(20,100,20), 20))

# Generar respuesta "ideal"

respuesta <- dosis * 2.5 + 10
# Construir data.frame
datos <- data.frame(id=id,
 dosis=dosis,
respuesta=respuesta)

# Graficar

p <- ggplot(datos, aes(dosis, respuesta))+

geom_point()+
xlab("Dosis Chocolate (gr)")+
ylab("Felicidad")+
theme_base()+
theme(plot.background = element_rect(colour = NA))
Utilidades del modelo lineal:

● Verificar la existencia de la relación lineal.

● Estimar (contrastar) la (una) relación lineal concreta (estructural). - supone
actuar sobre los coeficientes de la relación lineal.
● Predecir la variable y en función de x o (x1x2 ... Xk)

Modelos no lineales

Un modelo de regresión NO LINEAL se puede definir como un ajuste a cualquier

modelo diferente del modelo de una LINEA RECTA. El modelo de regresión no lineal
se expresa, de forma genérica, de la siguiente manera:

𝑌𝑡 = 𝑓 𝑋𝑡 , 𝛽 + 𝑈𝑡

Donde 𝑓 𝑋𝑡 , 𝛽 es una función no lineal de los elementos de los vectores de 𝑋𝑡 y 𝛽.

Hablamos de modelo econométrico no lineal cuando nos encontramos ante cualquiera
de estas tres situaciones: 1. Hay linealidad en variables, pero no en parámetros. 2. Los
parámetros presentan linealidad, pero las variables no. 3. No existe linealidad ni en
variables ni en parámetros. En la práctica, resulta de especial atención la forma
funcional en los parámetros. La no linealidad en las variables puede corregirse
fácilmente mediante un cambio de denominación de las mismas, de tal forma que el
modelo transformado sea lineal -en las variables-. Sin embargo, si la no linealidad
afecta a los coeficientes, el modelo es, o no, susceptible de ser linealizado (Borja, 2014).
Los modelos econométricos no lineales que adopten cualquiera de las tres formas
descritas anteriormente pueden clasificarse, atendiendo a la posibilidad de ser, o no,
linealizados en:

● Modelos intrínsecamente lineales: Son aquellos modelos no lineales en variables

o en parámetros fácilmente transformables en modelos lineales, por lo que se
puede aplicar métodos lineales de estimación.
● Modelos intrínsecamente no lineales: Son aquellos modelos no lineales en los
parámetros que no pueden ser linealizados, de tal manera que sea necesario
utilizar métodos de estimación no lineales.

Aplicaciones de modelos no lineales

● Muchas aplicaciones en biología, medicina, química, agricultura.

● En muchos casos surgen a partir de mecanismos físicos, químicos o biológicos

conocidos (usando, por ejemplo, ecuaciones diferenciales).

● Permiten modelar datos reales en forma “natural” con mucha flexibilidad (por
ejemplo, con asíntotas, valores positivos de las YY, un único valor máximo).
● Muchos parámetros tienen interpretación práctica (tasas de degradabilidad,
crecimiento máximo, velocidad máxima de absorción, etc.)

Desventajas de los modelos no lineales

● Se deben usar métodos iterativos para estimar los parámetros por mínimos
cuadrados, máxima verosimilitud (García, 2015).

● Es común encontrar problemas de convergencia en los métodos iterativos.

● Distintas parametrizaciones pueden afectar no solo la interpretación sino

también las propiedades de los estimadores (por ej., una parametrización puede
ser muy interesante desde el punto de vista de su interpretación práctica, pero
muy mala para lograr convergencia de estimadores).
Funciones no lineales: curvas de crecimiento

Exponencial: ∂E(Y)/dt=γE(Y)
E(Y)=αexp(γt).

Monomolecular: ∂E(Y)dt=γ(β−Y)
E(Y)=β−αexp(−γt).∂E(Y)dt=γ(β−Y)
E(Y)=β−αexp⁡(−γt)

Logístico: ∂E(Y)dt=γE(Y)[β−E(Y)];
E(Y)=β1+exp(−α+γt).

Gompertz: ∂E(Y)dt=γE(Y)[logβ−logE(Y)]
E(Y)=βexp[−αexp(−γt)].

Richards: ∂E(Y)dt=−γκγE(Y)[(E(Y)β)κ−1]
E(Y)=β[1+κexp(−γ(t−ξ))]−1/κ.

Modelo de un compartimiento:

E(Y)=dkaV(ka−ke)[exp(−ket)−exp(−kat).]

Modelo de difusión Browniana en dos dimensiones:

E(Y)=μ04πδtexp(−x2+y24δt)

Modelo lineal con puntos de cambio:

E(Y)=β0+β1xI(x≤α)+[β1α+β2(x−α)]I(x>α)

Modelo polinomial recíproco (Holliday):

E(Y)=(α+βx+γx2)−1
 Bibliografía

Borja, B. (2014). EstimaciÛn de modelos lineales. Madrid: Copyright.

García, M. G. (2015). Estimación de modelos no. Valladolid: Promax.

Jara, P., Arnau, J., Rosel, J., & Caballer, A. (2011). A MODELIZACIÓN DE
RELACIONES LINEALES: ASPECTOS TEÓRICOS. Psicothema, 315-319.

Montero, J. (2008). Modelos lineales - Colección manuales uex - 56. Cáceres:

UExrtremadura.