Documentos de Académico
Documentos de Profesional
Documentos de Cultura
6 Funciones de Regresión No Lineales
6 Funciones de Regresión No Lineales
LATEX
Supuestos:
1 E(ui /X1i , X2i , ..., Xki ) = 0 (el mismo), implica que f es la
media condicional de Y dada X.
2 (X1i , X2i , ..., Xki ) es i.i.d (el mismo).
3 Los momentos “suficientes” existen (la misma idea: la
afirmación precisa depende de la forma especı́fica de f ).
4 No existe perfecta multicolinealidad (la misma idea: la
afirmación precisa depende de la forma especı́fica de f ).
Especificación cuadrática:
Especificación cúbica:
\
calificación = 607, 3 + 3, 85 ingreso − 0, 0423 (ingreso)2
(2,9) (0,27) (0,0048)
Aquı́ el porqué:
∆x ∆x
log(x + ∆x) − log(x) = ln 1 + ×
x x
dlog(x) 1
Cálculo : =
dx x
Numéricamente:
Aquı́ el porqué:
∆x ∆x
log(x + ∆x) − log(x) = ln 1 + ×
x x
dlog(x) 1
Cálculo : =
dx x
Numéricamente:
Yi = β0 + β1 log(Xi ) + ui (a)
Ahora cambiamos X:
Y + ∆Y = β0 + β1 log(X + ∆X) (b)
Restando (b)-(a):∆Y = β1 [log(X + ∆X) − log(X)]
∆X
Ahora log(X + ∆X) − log(X) ∼
X
∆X ∆Y
Ası́: ∆Y ∼ β1 O β1 ∼ (Para pequeños ∆X).
X ∆X/X
Yi = β0 + β1 log(Xi ) + ui
∆Y
Para pequeños ∆X: β1 ∼
∆X/X
∆X
Ahora 100× = cambio porcentual en X, de esta manera un 1 %
X
de incremento en X (multiplicando X por 1.01) es asociado
con un 0.01β1 de cambio en Y .
Hebert Suarez Cahuana Departamento de Economı́a UNSA FUNCIONES DE REGRESIÓN NO-LINEALES
Ejemplo: Calificación vs ingreso
log(Yi ) = β0 + β1 Xi + ui (3)
Ahora el cambio en X es:
log(Y + ∆Y ) = β0 + β1 (X + ∆X) (4)
Restando (3)-(4):log(Y + ∆Y ) − log(Y ) = β1 ∆X De esta forma:
∆Y
∼ β1 ∆X
Y
∆Y /Y
O β1 ∼ (para pequeños ∆X).
∆X
∆Y
Ahora 100 × = cambio porcentual en Y , de esta forma
Y
un cambio en X de 1 (∆X = 1) esta asociado con
100β1 % de cambio en Y (Y se incrementa por un factor
de 1+β1 ).
Nota: ¿Cuáles son las unidades de ui y de SER?
Desviaciones fraccionales (proporciones).
Por ejemplo, SER = 0.2 significa...
Hebert Suarez Cahuana Departamento de Economı́a UNSA FUNCIONES DE REGRESIÓN NO-LINEALES
II. Función de regresión poblacional log-lin
log(Yi ) = β0 + β1 Xi + ui (3)
Ahora el cambio en X es:
log(Y + ∆Y ) = β0 + β1 (X + ∆X) (4)
Restando (3)-(4):log(Y + ∆Y ) − log(Y ) = β1 ∆X De esta forma:
∆Y
∼ β1 ∆X
Y
∆Y /Y
O β1 ∼ (para pequeños ∆X).
∆X
∆Y
Ahora 100 × = cambio porcentual en Y , de esta forma
Y
un cambio en X de 1 (∆X = 1) esta asociado con
100β1 % de cambio en Y (Y se incrementa por un factor
de 1+β1 ).
Nota: ¿Cuáles son las unidades de ui y de SER?
Desviaciones fraccionales (proporciones).
Por ejemplo, SER = 0.2 significa...
Hebert Suarez Cahuana Departamento de Economı́a UNSA FUNCIONES DE REGRESIÓN NO-LINEALES
II. Función de regresión poblacional log-lin
log(Yi ) = β0 + β1 Xi + ui (3)
Ahora el cambio en X es:
log(Y + ∆Y ) = β0 + β1 (X + ∆X) (4)
Restando (3)-(4):log(Y + ∆Y ) − log(Y ) = β1 ∆X De esta forma:
∆Y
∼ β1 ∆X
Y
∆Y /Y
O β1 ∼ (para pequeños ∆X).
∆X
∆Y
Ahora 100 × = cambio porcentual en Y , de esta forma
Y
un cambio en X de 1 (∆X = 1) esta asociado con
100β1 % de cambio en Y (Y se incrementa por un factor
de 1+β1 ).
Nota: ¿Cuáles son las unidades de ui y de SER?
Desviaciones fraccionales (proporciones).
Por ejemplo, SER = 0.2 significa...
Hebert Suarez Cahuana Departamento de Economı́a UNSA FUNCIONES DE REGRESIÓN NO-LINEALES
II. Función de regresión poblacional log-lin
log(Yi ) = β0 + β1 Xi + ui (3)
Ahora el cambio en X es:
log(Y + ∆Y ) = β0 + β1 (X + ∆X) (4)
Restando (3)-(4):log(Y + ∆Y ) − log(Y ) = β1 ∆X De esta forma:
∆Y
∼ β1 ∆X
Y
∆Y /Y
O β1 ∼ (para pequeños ∆X).
∆X
∆Y
Ahora 100 × = cambio porcentual en Y , de esta forma
Y
un cambio en X de 1 (∆X = 1) esta asociado con
100β1 % de cambio en Y (Y se incrementa por un factor
de 1+β1 ).
Nota: ¿Cuáles son las unidades de ui y de SER?
Desviaciones fraccionales (proporciones).
Por ejemplo, SER = 0.2 significa...
Hebert Suarez Cahuana Departamento de Economı́a UNSA FUNCIONES DE REGRESIÓN NO-LINEALES
III. Función de regresión poblacional log-log
calificación = 664, 1 − 1, 9 alto rem − 18, 2 alto pctel − 3, 5 alto rem alto
(1,4) (1,9) (2,3) (3,1)
calificación = 664, 1 − 1, 9 alto rem − 18, 2 alto pctel − 3, 5 alto rem alto
(1,4) (1,9) (2,3) (3,1)
calificación = 664, 1 − 1, 9 alto rem − 18, 2 alto pctel − 3, 5 alto rem alto
(1,4) (1,9) (2,3) (3,1)
calificación = 664, 1 − 1, 9 alto rem − 18, 2 alto pctel − 3, 5 alto rem alto
(1,4) (1,9) (2,3) (3,1)
Y = β0 + β1 Di + β2 X + β3 (Di × X) (9)
Ahora el cambio en X:
Y +∆Y = β0 +β1 D+β2 (X +∆X)+β3 [D · (X + ∆X)] (10)
Restando (10)-(9): ∆Y = β2 ∆X + β3 D × ∆X o
∆Y /∆X = β2 + β3 D
El efecto de X depende de D, β3 =incremento del efecto de
X cuando D = 1
Hebert Suarez Cahuana Departamento de Economı́a UNSA FUNCIONES DE REGRESIÓN NO-LINEALES
b) Interacción entre una variable continua y binaria
Yi = β0 + β1 Di + β2 Xi + ui
Di es binaria, X es continua.
Como se especifico, el efecto sobre Y de un cambio en X
(manteniendo constante D) es β2 , que no depende de D.
Para permitir que el efecto de X dependa de D, se incluye el
“término interacción“ Di × Xi como un regresor:
Yi = β0 + β1 Di + β2 Xi + β3 (Di × Xi ) + ui
Regla general: Compare los distintos casos:
Y = β0 + β1 Di + β2 X + β3 (Di × X) (9)
Ahora el cambio en X:
Y +∆Y = β0 +β1 D+β2 (X +∆X)+β3 [D · (X + ∆X)] (10)
Restando (10)-(9): ∆Y = β2 ∆X + β3 D × ∆X o
∆Y /∆X = β2 + β3 D
El efecto de X depende de D, β3 =incremento del efecto de
X cuando D = 1
Hebert Suarez Cahuana Departamento de Economı́a UNSA FUNCIONES DE REGRESIÓN NO-LINEALES
b) Interacción entre una variable continua y binaria
Yi = β0 + β1 Di + β2 Xi + ui
Di es binaria, X es continua.
Como se especifico, el efecto sobre Y de un cambio en X
(manteniendo constante D) es β2 , que no depende de D.
Para permitir que el efecto de X dependa de D, se incluye el
“término interacción“ Di × Xi como un regresor:
Yi = β0 + β1 Di + β2 Xi + β3 (Di × Xi ) + ui
Regla general: Compare los distintos casos:
Y = β0 + β1 Di + β2 X + β3 (Di × X) (9)
Ahora el cambio en X:
Y +∆Y = β0 +β1 D+β2 (X +∆X)+β3 [D · (X + ∆X)] (10)
Restando (10)-(9): ∆Y = β2 ∆X + β3 D × ∆X o
∆Y /∆X = β2 + β3 D
El efecto de X depende de D, β3 =incremento del efecto de
X cuando D = 1
Hebert Suarez Cahuana Departamento de Economı́a UNSA FUNCIONES DE REGRESIÓN NO-LINEALES
b) Interacción entre una variable continua y binaria
Yi = β0 + β1 Di + β2 Xi + ui
Di es binaria, X es continua.
Como se especifico, el efecto sobre Y de un cambio en X
(manteniendo constante D) es β2 , que no depende de D.
Para permitir que el efecto de X dependa de D, se incluye el
“término interacción“ Di × Xi como un regresor:
Yi = β0 + β1 Di + β2 Xi + β3 (Di × Xi ) + ui
Regla general: Compare los distintos casos:
Y = β0 + β1 Di + β2 X + β3 (Di × X) (9)
Ahora el cambio en X:
Y +∆Y = β0 +β1 D+β2 (X +∆X)+β3 [D · (X + ∆X)] (10)
Restando (10)-(9): ∆Y = β2 ∆X + β3 D × ∆X o
∆Y /∆X = β2 + β3 D
El efecto de X depende de D, β3 =incremento del efecto de
X cuando D = 1
Hebert Suarez Cahuana Departamento de Economı́a UNSA FUNCIONES DE REGRESIÓN NO-LINEALES
b) Interacción entre una variable continua y binaria
Yi = β0 + β1 Di + β2 Xi + ui
Di es binaria, X es continua.
Como se especifico, el efecto sobre Y de un cambio en X
(manteniendo constante D) es β2 , que no depende de D.
Para permitir que el efecto de X dependa de D, se incluye el
“término interacción“ Di × Xi como un regresor:
Yi = β0 + β1 Di + β2 Xi + β3 (Di × Xi ) + ui
Regla general: Compare los distintos casos:
Y = β0 + β1 Di + β2 X + β3 (Di × X) (9)
Ahora el cambio en X:
Y +∆Y = β0 +β1 D+β2 (X +∆X)+β3 [D · (X + ∆X)] (10)
Restando (10)-(9): ∆Y = β2 ∆X + β3 D × ∆X o
∆Y /∆X = β2 + β3 D
El efecto de X depende de D, β3 =incremento del efecto de
X cuando D = 1
Hebert Suarez Cahuana Departamento de Economı́a UNSA FUNCIONES DE REGRESIÓN NO-LINEALES
b) Interacción entre una variable continua y binaria
Yi = β0 + β1 Di + β2 Xi + ui
Di es binaria, X es continua.
Como se especifico, el efecto sobre Y de un cambio en X
(manteniendo constante D) es β2 , que no depende de D.
Para permitir que el efecto de X dependa de D, se incluye el
“término interacción“ Di × Xi como un regresor:
Yi = β0 + β1 Di + β2 Xi + β3 (Di × Xi ) + ui
Regla general: Compare los distintos casos:
Y = β0 + β1 Di + β2 X + β3 (Di × X) (9)
Ahora el cambio en X:
Y +∆Y = β0 +β1 D+β2 (X +∆X)+β3 [D · (X + ∆X)] (10)
Restando (10)-(9): ∆Y = β2 ∆X + β3 D × ∆X o
∆Y /∆X = β2 + β3 D
El efecto de X depende de D, β3 =incremento del efecto de
X cuando D = 1
Hebert Suarez Cahuana Departamento de Economı́a UNSA FUNCIONES DE REGRESIÓN NO-LINEALES
Ejemplo: Calificación, rem, alto pctel (=1 si pctel≥20)
\
calificación = 686, 3 − 1, 12 rem − 0, 67 pctel + 0, 0012 rem pctel
(11,8) (0,59) (0,37) (0,019)
\
calificación = 686, 3 − 1, 12 rem − 0, 67 pctel + 0, 0012 rem pctel
(11,8) (0,59) (0,37) (0,019)
\
calificación = 686, 3 − 1, 12 rem − 0, 67 pctel + 0, 0012 rem pctel
(11,8) (0,59) (0,37) (0,019)
\
calificacion = 252, 0 + 64, 33 rem − 3, 42 rem2 + 0, 059 rem3
(163,6) (24,86) (1,25) (0,021)
\
calificacion = 252, 0 + 64, 33 rem − 3, 42 rem2 + 0, 059 rem3
(163,6) (24,86) (1,25) (0,021)
\
calificacion = 252, 0 + 64, 33 rem − 3, 42 rem2 + 0, 059 rem3
(163,6) (24,86) (1,25) (0,021)
\
calificacion = 252, 0 + 64, 33 rem − 3, 42 rem2 + 0, 059 rem3
(163,6) (24,86) (1,25) (0,021)