Modelos No lineales Linealizables:

Entre los modelos más usados en Econometría, se encuentran aquellos que siendo
no lineales, a través de una transformación se pueden trabajar de manera lineal.

Esto resulta de mucha utilidad, dado que existen algunas relaciones económicas
y empresariales que no son estrictamente lineales.

Por ejemplo:

a.- Las funciones de oferta pueden no ser lineales.

b.- El aumento de la producción total, con un aumento de número de

trabajadores puede ser cada vez menor a medida que se añaden más
trabajadores.

c.- El costo medio por unidad producida a menudo se minimiza en un nivel de

producción intermedio.

Los modelos más usuales son:

a.- Modelo doble log o Lo-lineal

b.- Modelos semilogarítmicos

c.- Modelos recíprocos

d.-El modelo Logarítmico recíproco

A.- Modelo Log-lineal , Doble-log o Log-log:

A partir de este modelo se puede medir la elasticidad. Por ejemplo, si se considera

un modelo de regresión exponencial: 𝑌𝑖 = 𝛽0 𝑋𝑖 𝛽1 𝜀𝑖

Su representación lineal se obtiene aplicando logaritmo natural a ambos

miembros de la ecuación, quedando:

𝐿𝑛𝑌𝑖 = 𝐿𝑛𝛽0 + 𝛽1 ∗ 𝐿𝑛𝑋𝑖 + 𝐿𝑛𝜀𝑖

O bien, lo podemos expresar como: 𝑌𝑖 ∗ = 𝛽0 ∗ + 𝛽1 ∗ 𝑋𝑖 ∗ + 𝜀𝑖 ∗

En este modelo, 𝛽1 mide la elasticidad de Y respecto a X, resultando ser el cambio

porcentual en Y, ante un pequeño cambio porcentual en X.

Por ejemplo, si Y representa la cantidad demandada de un bien y X es el precio

unitario, entonces 𝛽1 mediría la elasticidad precio de la demanda.

También se le conoce como modelo de elasticidad constante, porque se asume

que el coeficiente de la elasticidad entre Y y X permanece constante a través del
tiempo.

B.- Modelos Semilogarítmicos: Log-Lin y Lin-Log:

Para medir Tasas de crecimiento:

En general, cuando se está interesado en encontrar tasas de crecimiento de

ciertas variables económicas, como población, PNB, oferta monetaria, empleo,
productividad, déficit comercial u otros, se puede aplicar un modelo Log-lin.

Por ejemplo, si se deseara determinar la tasa de crecimiento del gasto de

consumo personal en servicios (con los datos dados en Excel), entonces se
definiría Yt el gasto real en servicios en el tiempo t, e Y0 como el valor inicial del
gasto en servicios. Usando la fórmula del interés compuesto:

Donde r es la tasa de crecimiento compuesta de Y (a través del tiempo).

Entonces, aplicando Ln a la expresión, se obtiene:

Así, identificando a 𝛽0 ∗ = ln 𝑌0 , 𝛽1 ∗ = ln(1 + 𝑟)

Entonces la ecuación queda en función del tiempo: 𝑙𝑛𝑌0 = 𝛽0 ∗ + 𝛽1 ∗ ∗ 𝑡 + 𝜀𝑡

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
variable independiente (en este caso, el tiempo).

Al multiplicar el cambio relativo de Y por 100, se obtiene un cambio porcentual o

tasa de crecimiento en Y, causada por un cambio absoluto en X, el regresor o
variable independiente. Esto es: 100* 𝛽1 ∗ , entrega la tasa de crecimiento en Y.

100* 𝛽1 ∗ , se reconoce como la semielasticidad de Y respecto a X.

Si se estima el modelo lineal, esto es, Y vs t; en vez del Log-lin, se obtiene el modelo
de tendencia lineal, reconociéndose a t como la variable de tendencia. Si el
coeficiente es positivo, la tendencia es creciente, y si es negativo, la tendencia
será decreciente en Y.

La elección del modelo a usar, dependerá de si se está interesado en el cambio

relativo o en el cambio absoluto de Y.

En este modelo Log-lin entonces, interesa encontrar el crecimiento porcentual en

Y, ante un cambio unitario absoluto en X.

Modelo Lin-log:

En este modelo interesa encontrar el cambio absoluto en Y, debido a un cambio

porcentual en X. Un modelo de este tipo se puede escribir:

𝑌𝑖 = 𝛽0 + 𝛽1 ∗ 𝑙𝑛𝑋𝑖 + 𝜀𝑖
𝐶𝑎𝑚𝑏𝑖𝑜 𝑒𝑛 𝑌 𝐶𝑎𝑚𝑏𝑖𝑜 𝑒𝑛 𝑌
En este caso 𝛽1 = 𝐶𝑎𝑚𝑏𝑖𝑜 𝑒𝑛 𝑒𝑙 𝐿𝑛 𝑑𝑒 𝑋 = 𝐶𝑎𝑚𝑏𝑖𝑜 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜 𝑒𝑛 𝑋

C.- Modelos Recíprocos:

Este tipo de modelo resulta ser no lineal en la variable, pero como lo que importa
es la linealidad en los parámetros, eso no afecta la estimación del modelo,
realizando la transformación adecuada:
1
𝑌𝑖 = 𝛽0 + 𝛽1 ∗ + 𝜀𝑖
𝑋𝑖

En este modelo, se deberá obtener que si 𝛽1 es positivo, entonces la pendiente

será negativa, y si 𝛽1 es negativo, entonces la pendiente será positiva, esto
1
porque la derivada de Y respecto a X será: - 𝛽1 ∗ 𝑋 2
1
En este caso, la transformación será: 𝑋𝑖∗ = De manera que el modelo a
𝑋𝑖
estimar queda:
𝑌𝑖 = 𝛽0 + 𝛽1 ∗ 𝑋𝑖∗ + 𝜀𝑖
1
En este modelo, a medida que X aumenta indefinidamente, el término 𝛽1 ∗ 𝑋
𝑖

tiende a cero, por lo que Y, se aproxima al valor límite o asintótico de 𝛽0 , y será

el valor que toma la variable dependiente cuando X aumente indefinidamente.

Algunas variables para las que se puede considerar este tipo de modelos son:
mortalidad infantil, PIB per cápita, la curva de Phillips: cambios salariales respecto
a tasas de desempleo, etc.

Las representaciones gráficas más comunes serán:

D.- Modelo Log hipérbola o recíproco Logarítmico:

Este modelo es adecuado para representar funciones de producción a corto

plazo.

La ecuación es:
1
𝐿𝑛𝑌𝑖 = 𝛽0 − 𝛽1 ∗ + 𝜀𝑖
𝑋𝑖

Su representación gráfica sería:

Al principio Y aumenta a una tasa creciente y luego aumenta a una tasa

decreciente (se convierte en cóncava).
Resumen de modelos: