Formas funcionales de los modelos de regresión

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.
1. El modelo log-lineal.
2. Modelos semilogarítmicos.
3. Modelos recíprocos.
4. El modelo logarítmico recíproco.
Cómo medir la elasticidad: modelo log-lineal
Considere el siguiente modelo, conocido como modelo de regresión exponencial:

que puede expresarse también como:

Donde ln = logaritmo natural (es decir, logaritmo en base e y donde e = 2.718). Si

escribimos como

donde α = ln β1, este modelo es lineal en los parámetros α y β2, lineal en los logaritmos
de las variables Y y X, y se estima por regresión MCO.
Si se cumplen los supuestos del modelo clásico de regresión lineal, los parámetros de se
estiman por el método MCO.
Una característica atractiva del modelo log-log, es que el coeficiente de la pendiente β2
mide la elasticidad de Y respecto de X, es decir, el cambio porcentual en Y ante un
pequeño cambio porcentual en X
Pueden observarse dos características especiales del modelo log-lineal: el modelo
supone que el coeficiente de la elasticidad entre Y y X, β2, permanece constante a
través del tiempo, otra característica es que a pesar de que αˆ y βˆ2 son estimadores
insesgados de α y β2, β1 al estimarse como βˆ 1 = antilog (αˆ) es, en sí, un estimador
sesgado.
En el modelo de dos variables, la forma más simple de decidir si el modelo log-lineal se
ajusta a los datos es graficar el diagrama de dispersión de ln Yi frente a ln Xi y ver si las
observaciones caen más o menos sobre una línea recta.
Modelos semilogarítmicos: log-lin y lin-log
Cómo medir la tasa de crecimiento: modelo log-lin
Suponga que deseamos conocer la tasa de crecimiento del gasto de consumo personal en
servicios. Sea Yt el gasto real en servicios en el tiempo t y Y0 el valor inicial del gasto
en servicios.

donde r es la tasa de crecimiento compuesta de Y

Ahora, con

Al agregar el término de perturbación.

En este modelo, el coeficiente de la pendiente mide el cambio proporcional constante o

relativo en Y para un cambio absoluto dado en el valor de la regresora (t).
β2 = Cambio relativo en regresada/ Cambio absoluto en la regresora
Es decir, 100 por β2 da como resultado la tasa de crecimiento en Y; 100 por β2 se
conoce en la bibliografía como la semielasticidad de Y respecto de X.
Tasas de crecimiento instantánea y compuesta
El coeficiente de la variable de tendencia del modelo de crecimiento, β2, da la tasa de
crecimiento instantánea y no la compuesta. Pero esta última se calcula fácilmente a
partir de (β2 = ln (1 + r)). Para esto, se obtiene el antilogaritmo de la β2 estimada, se
resta 1 y se multiplica la diferencia por 100.
Modelo de tendencia lineal

Es decir, en lugar de regresar el log de Y sobre el tiempo, regresan Y sobre el tiempo,

donde Y es la variable regresada en consideración. Si el coeficiente de la pendiente en
(6.6.9) es positivo, existe una tendencia creciente en Y, mientras que, si es negativa,
existe una tendencia decreciente en Y.
El modelo lin-log
Deseamos encontrar el cambio absoluto en Y debido a un cambio porcentual en X.

Interpretemos el coeficiente de la pendiente β2.

β2 = cambio en Y/ cambio en ln X
β2 = cambio en Y/ cambio relativo en X
El segundo paso se deriva de que un cambio en el log de un número es un cambio
relativo.

Esta ecuación plantea que el cambio absoluto en Y es igual a la pendiente multiplicada

por el cambio relativo en X. Si este último se multiplica por 100, entonces da el cambio
absoluto en Y ocasionado por un cambio porcentual en X.
Modelos recíprocos

A pesar de que este modelo es no lineal en la variable X porque entra inversamente o en

forma recíproca, el modelo es lineal en β1 y β2, y, por consiguiente, es un modelo de
regresión lineal.
Este modelo tiene las siguientes características: a medida que X aumenta
indefinidamente, el término β2 (1/X) se acerca a cero y Y se aproxima al valor límite o
asintótico β1. Por consiguiente, los modelos contienen un valor asintótico o límite que
tomará la variable dependiente cuando el valor de la variable X aumente
indefinidamente.

Modelo log hipérbola o recíproco logarítmico

Como se muestra en la gráfica, al principio Y se incrementa con una tasa creciente y

luego aumenta con una tasa decreciente. por consiguiente, este modelo sería apropiado
para representar una función de producción de corto plazo.
Elección de la forma funcional
Sugerencias para escoger un modelo apropiado para la estimación empírica.
1. La teoría tal vez sugiera una forma funcional particular.
2. Es una buena costumbre calcular la tasa de cambio (es decir, la pendiente) de la
regresada respecto de la regresora, así como conocer la elasticidad de la
regresada respecto de la regresora. Se necesitan fórmulas para conocer los
coeficientes de la pendiente y la elasticidad de los distintos modelos, le servirá
para comparar los diversos modelos.
3. Los coeficientes del modelo escogido deberán satisfacer determinadas
expectativas a priori.
4. Algunas veces, más de un modelo puede ajustarse razonablemente bien a un
determinado conjunto de datos. Se debe asegurar de que, al comparar dos
valores de r2, la variable regresada de los dos modelos sea la misma.
5. En general, no se debe sobrevaluar la medida de r 2 en el sentido de creer que
mientras más alta sea r 2 mejor será el modelo. Lo que reviste mayor
importancia es la justificación teórica del modelo elegido, los signos de los
 coeficientes estimados y su importancia estadística. Si un modelo es bueno
conforme a estos criterios, quizá resulte aceptable un modelo con una r2 menor.
6. 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.