ECONOMETRÍA I

FORMAS FUNCIONALES
DEL MODELO DE
REGRESIÓN
1
 Este curso de econometría trata sobre todo con modelos
lineales en los parámetros, que pueden ser o no lineales
en las variables. En las secciones que siguen
consideraremos algunos modelos de regresión muy
comunes, que pueden ser no lineales en las variables
pero sí lineales en los parámetros, o que pueden serlo
mediante transformaciones apropiadas de las variables:
◦ Modelo lin-lin
◦ Modelo log-log
◦ Modelos semilogarítmicos: log-lin y lin-log

FORMAS FUNCIONALES DEL MODELO DE

REGRESIÓN
2
 𝑌𝑖 = 𝛽መ1 + 𝛽መ2 𝑋𝑖 + 𝜇Ƹ 𝑖
𝐶𝑎𝑚𝑏𝑖𝑜𝑠 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜𝑠 𝑑𝑒 𝑌
𝛽መ2 =
𝐶𝑎𝑚𝑏𝑖𝑜𝑠 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜𝑠 𝑑𝑒 𝑋

𝐶𝑎𝑚𝑏𝑖𝑜𝑠 𝑒𝑛 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒 𝑌
𝛽መ2 =
𝐶𝑎𝑚𝑏𝑖𝑜𝑠 𝑒𝑛 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒 𝑋
∆𝑌
𝛽መ2 =
∆𝑋
1) Modelo Lin – Lin
3
Ejemplo
𝑂𝐶𝑖 = 𝛽መ1 + 𝛽መ2 𝐹𝐵𝐶𝑟𝑖 + 𝑢𝑖

Donde,
OC: personas ocupadas.
FBCr: Formación Bruta de Capital real (Miles de millones de pesos constantes de 1994).
𝜇: es el error.

El modelo fue estimado para Colombia desde el año 1991 hasta el año 2006 y los
resultados fueron:
෢ 𝑖 = 14′ 217.886 + 114 𝐹𝐵𝐶𝑟
𝑂𝐶

Entre los años 1991 y 2006, cuando la inversión nacional creció en $ 1.000 millones de
pesos constantes de 1994, se generaron 114 nuevos empleos en promedio, ceteris paribus.

1) Modelo Lin – Lin

Modelo de regresión exponencial:
𝑌𝑖 = 𝛽1 𝑋𝑖 𝛽2 𝑒 𝜇𝑖

Que puede transformarse mediante logaritmos de la siguiente manera:

ln 𝑌𝑖 = ln 𝛽1 + 𝛽2 ln 𝑋𝑖 + 𝜇𝑖 → ln 𝑌𝑖 = 𝛼 + 𝛽2 ln 𝑋𝑖 + 𝜇𝑖
Modelo lineal en parámetros pero no en variables. Al ser lineal en parámetros, se puede
estimar mediante el procedimiento de M.C.O.

Este modelo es muy útil porque:

• Se usa para estabilizar la varianza de las variables.

• El parámetro 𝛽መ2 mide la elasticidad de Y con respecto a X.

2) Modelo Log – Log o Log – lineal o doble Log

5
En general una elasticidad se calcula como:
∆𝑌
𝑌 ∆𝑌 𝑋 𝑑𝑌 𝑋
𝐸𝑦𝑥 = = ∗ → 𝐸𝑦𝑥 = ∗
∆𝑋 ∆𝑋 𝑌 𝑑𝑋 𝑌
𝑋
Teniendo en cuenta nuestra ecuación econométrica:
ln 𝑌𝑖 = 𝛽መ1 + 𝛽መ2 ln 𝑋𝑖 + 𝜇𝑖
𝑑𝑌
Mediante derivada implícita
𝑑𝑋
1 𝑑𝑌 1 𝑑𝑌 𝑋 ∆𝑌 𝑋
መ
= 𝛽2 → 𝛽መ2 = ∗ → 𝛽መ2 =
𝑌 𝑑𝑋 𝑋 𝑑𝑋 𝑌 ∆𝑋 𝑌
2) Modelo Log – Log o Log – lineal o doble Log
 ln 𝑌𝑖 = 𝛽መ1 + 𝛽መ2 ln 𝑋𝑖 + 𝜇𝑖
𝐶𝑎𝑚𝑏𝑖𝑜𝑠 % 𝑒𝑛 𝑌
𝛽መ2 =
𝐶𝑎𝑚𝑏𝑖𝑜𝑠 % 𝑒𝑛 𝑋

෡ 𝐶𝑎𝑚𝑏𝑖𝑜𝑠 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜𝑠 𝑑𝑒 𝑌
𝛽2 =
𝐶𝑎𝑚𝑏𝑖𝑜𝑠 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜𝑠 𝑑𝑒 𝑋

∆𝑌 𝑋
𝛽መ2 =
∆𝑋 𝑌
2) Modelo Log – Log o Log – lineal o doble Log
7
Para un modelo de demanda:
𝒀𝒊 = 𝜷𝟏 𝑿𝒊 − 𝜷𝟐 𝒆𝝁𝒊 𝒍𝒏 𝒀𝒊 = 𝜶 − 𝜷𝟐 𝒍𝒏 𝑿𝒊 + 𝝁𝒊

2) Modelo Log – Log o Log – lineal o doble Log

Ejemplo: Demanda de medicamentos

ln 𝑀𝑖 = 𝛼 + 𝛽2 ln 𝑃𝑖 + 𝑢𝑖
Donde,
𝑀𝑖 : 𝑒𝑠 𝑙𝑎 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑑𝑒 𝑚𝑒𝑑𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑜𝑠
𝑃𝑖 : 𝑒𝑙 𝑝𝑟𝑒𝑐𝑖𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑚𝑒𝑑𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑜𝑠

La estimación fue: ෢𝑖 = 0,854 − 0,15 ln 𝑃𝑖

ln 𝑀

La elasticidad precio de la demanda es −0,15 para los medicamentos analizados, lo que

implica que si el precio varía en 1% entonces la demanda de los medicamentos disminuye
en promedio 0,15%, por lo tanto, dado que la elasticidad es menor que 1, se dice que la
demanda es inelástica.

2) Modelo Log – Log o Log – lineal o doble Log

 A los empresarios y gobiernos con frecuencia les interesa
encontrar la tasa de crecimiento de ciertas variables
económicas, como ganancias, ventas, población, PIB, empleo,
productividad, etc.

 Este tipo de modelos permite medir tasas de crecimiento de

variables dependientes cuando la explicativa está en niveles.
Para ello, empecemos por la fórmula del interés compuesto

𝑌𝑡 = 𝑌0 (1 + 𝑟)𝑡

 𝑟: tasa de crecimiento de 𝑌 durante el tiempo 𝑡.

3) Modelo Log – Lin

10
 Al tomar logaritmo natural en ambos lados de la igualdad
ln 𝑌𝑡 = ln 𝑌0 + 𝑡 ln(1 + 𝑟)

 Que relacionado con nuestro modelo econométrico, se puede

definir:
𝛽መ1 = ln 𝑌0 ; 𝛽መ2 = ln(1 + 𝑟)
 Por lo tanto
ln 𝑌𝑡 = 𝛽መ1 + 𝛽መ2 𝑡 + 𝜇𝑡

 Observemos que los parámetros son lineales, por lo cual, se puede

estimar mediante MCO. Sin embargo, a diferencia de lo que hemos
visto, la variable dependiente está en logaritmos y la
independiente está en niveles. Esto hace que este tipo de modelos
se denominen semilog o log-lin.

3) Modelo Log – Lin

11
 Ahora, relacionado con los parámetros, hay que tener
cuidado en la interpretación de los mismos. Por ejemplo,
en este caso de regresión lineal simple, 𝛽መ2 (el coeficiente
de la pendiente) mide el cambio proporcional relativo en
Y ante un cambio absoluto en la variable independiente,
es decir, para el modelo
ln 𝑌𝑡 = 𝛽መ1 + 𝛽መ2 𝑋𝑡 + 𝜇𝑡
 El parámetro 𝛽መ2 :

𝐶𝑎𝑚𝑏𝑖𝑜𝑠 % 𝑒𝑛 𝑌 𝐶𝑎𝑚𝑏𝑖𝑜𝑠 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜𝑠 𝑑𝑒 𝑌

𝛽መ2 = ; 𝛽መ2 =
𝐶𝑎𝑚𝑏𝑖𝑜𝑠 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜𝑠 𝑒𝑛 𝑋 𝐶𝑎𝑚𝑏𝑖𝑜𝑠 𝑒𝑛 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒 𝑋

3) Modelo Log – Lin

12
 𝑑𝑌
Mediante derivada implícita
𝑑𝑋

∆𝑌
1 𝑑𝑌 𝑑𝑌 1 ∆𝑌 1
= 𝛽መ2 → 𝛽መ2 = ∗ → 𝛽መ2 = → 𝛽መ2 = 𝑌
𝑌 𝑑𝑋 𝑑𝑋 𝑌 ∆𝑋 𝑌 ∆𝑋

Que viene a ser una semielasticidad. Para su respectiva

interpretación, se debe multiplicar por 100 el parámetro 𝛽መ2 para dar
la interpretación porcentual de 𝑌 ante variaciones en niveles de 𝑋.

3) Modelo Log – Lin

Ejemplo 1:
ln 𝑃𝐼𝐵𝑡 = 𝛽1 + 𝛽2 𝑡 + 𝑢𝑡
La estimación fue
෢ 𝑡 = 17,65 + 0,031 𝑡
ln 𝑃𝐼𝐵

En el periodo 2000 – 2009, el PIB real creció a una tasa promedio de

3,1% anual.

Ejemplo 2: otro buen ejemplo es la ecuación de Mincer bajo el marco

teórico del capital humano

𝑤
ln = 𝛽1 + 𝛽2 𝐸𝑑𝑢 + 𝛽3 𝐸𝑥𝑝 + 𝛽4 𝐸𝑥𝑝2 + 𝑧𝛼 + 𝜇
𝑝
3) Modelo Log – Lin
14
Este tipo de modelos permite medir el cambio en
niveles de la variable dependiente cuando las
explicativas cambian en niveles porcentuales.
𝑌𝑖 = 𝛽መ1 + 𝛽መ2 ln 𝑋𝑖 + 𝜇𝑖
El parámetro 𝛽መ2 :

𝐶𝑎𝑚𝑏𝑖𝑜𝑠 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜𝑠 𝑒𝑛 𝑌 𝐶𝑎𝑚𝑏𝑖𝑜𝑠 𝑒𝑛 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒 𝑌

𝛽መ2 = ; 𝛽መ2 =
𝐶𝑎𝑚𝑏𝑖𝑜𝑠 % 𝑒𝑛 𝑋 𝐶𝑎𝑚𝑏𝑖𝑜𝑠 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜𝑠 𝑑𝑒 𝑋

4) Modelo Lin – Log

15
 𝑑𝑌
Mediante derivada implícita
𝑑𝑋

𝑑𝑌 1 𝑑𝑌 ∆𝑌 ∆𝑌
= 𝛽መ2 → 𝛽መ2 = ∗𝑋 → 𝛽መ2 = 𝑋 → 𝛽መ2 =
𝑑𝑋 𝑋 𝑑𝑋 ∆𝑋 ∆𝑋
𝑋

Que viene a ser una semielasticidad. Para su respectiva

interpretación, se debe dividir por 100 el parámetro 𝛽መ2 para dar la
interpretación en niveles de 𝑌 ante variaciones porcentuales de 𝑋.

4) Modelo Lin – Log

Ejemplo:
𝑃𝐼𝐵𝑡 = 𝛽1 + 𝛽2 ln 𝑂𝑀𝑡 + 𝑢𝑡
La estimación dio

෢ 𝑡 = 1765,13 + 3115,46 ln 𝑂𝑀𝑡

𝑃𝐼𝐵

Durante el periodo 2000 – 2009, al crecer la oferta

monetaria 1%, el PIB real creció en promedio de 31,15
millones de pesos constantes de 2000.

4) Modelo Lin – Log