Type author name/s here

ALEATORIEDAD EN LOS
MODELOS LOGARÍTMICOS
Chapter heading
Modelos no lineales y
transformaciones de variables
ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

2
Y  1  u
X

1
Z
X

Y  1   2 Z  u

Hasta ahora, no se ha dicho nada sobre el término de perturbación en los modelos de

regresión no lineal.

1
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

2
Y  1  u
X

1
Z
X

Y  1   2 Z  u

Para que los resultados de regresión en un modelo linealizado tengan las propiedades
deseadas, el término aleatorio en el modelo transformado debe ser agregado y debe
satisfacer las condiciones del modelo de regresión lineal.
2
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

2
Y  1  u
X

1
Z
X

Y  1   2 Z  u

Para poder realizar las pruebas habituales, se debe distribuir normalmente en el modelo
transformado.

3
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

2
Y  1  u
X

1
Z
X

Y  1   2 Z  u

En el caso de este ejemplo de este modelo no lineal, no hay ningún problema. Si el término
aleatorio tenía las propiedades requeridas en el modelo original, los tendría en el modelo
de regresión. No se ha visto afectada por la transformación.
4
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

Y  1 X 2 e u  1 X 2 v

log Y  log  1   2 log X  u

En el modelo logarítmico, la discusión del término aleatorio se omitió por completo.

5
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

Y  1 X 2 e u  1 X 2 v

log Y  log  1   2 log X  u

Sin embargo, implícitamente se estaba suponiendo que se había adicionado un término

aleatorio en el modelo transformado.

6
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

Y  1 X 2 e u  1 X 2 v

log Y  log  1   2 log X  u

Para que esto sea posible, el componente aleatorio en el modelo original debe ser un
término multiplicativo, eu.

7
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

Y  1 X 2 e u  1 X 2 v

log Y  log  1   2 log X  u

Denotaremos este término multiplicativo v.

8
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

Y  1 X 2 e u  1 X 2 v

log Y  log  1   2 log X  u

Cuando u es igual a 0, no modifica el valor de log Y, v es igual a 1, del mismo modo no

modificar el valor de Y.

9
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

Y  1 X 2 e u  1 X 2 v

log Y  log  1   2 log X  u

Para valores positivos de u que corresponden a valores de v mayores que 1, el factor

aleatorio que tiene un efecto positivo en Y y log Y. Del mismo modo, los valores negativos
de u corresponden a valores de v entre 0 y 1, el factor aleatorio que tiene un efecto
negativo en Y y log Y. 10
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

f(v)
0.45

0.40 Y  1 X 2 e u  1 X 2 v
0.35
log Y  log  1   2 log X  u
0.30

0.25

0.20

0.15

0.10

0.05

0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 v
16

Además de satisfacer las condiciones del modelo de regresión, necesitamos que u se

distribuya normalmente si queremos realizar pruebas t y F.

11
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

f(v)
0.45

0.40 Y  1 X 2 e u  1 X 2 v
0.35
log Y  log  1   2 log X  u
0.30

0.25

0.20

0.15

0.10

0.05

0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 v
16

Este será el caso si v tiene una distribución lognormal, que se muestra arriba.

12
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

f(v)
0.45

0.40 Y  1 X 2 e u  1 X 2 v
0.35
log Y  log  1   2 log X  u
0.30

0.25

0.20

0.15

0.10

0.05

0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 v
16

La moda de distribución se encuentra en v = 1, donde u = 0.

13
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

f(v)
0.45

0.40 Y   1e  2 X e u   1e  2 X v
0.35
log Y  log  1   2 X  u
0.30

0.25

0.20

0.15

0.10

0.05

0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 v
16

El mismo término aleatorio multiplicativo es necesario en el modelo semilogarítmico.

14
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

f(v)
0.45

0.40 Y   1e  2 X e u   1e  2 X v
0.35
log Y  log  1   2 X  u
0.30

0.25

0.20

0.15

0.10

0.05

0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 v
16

Tenga en cuenta que, con esta distribución, uno debe esperar que una pequeña proporción
de las observaciones esté sujeta a grandes efectos aleatorios positivos.

15
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

120

100
Hourly earnings ($)

80

60

40

20

0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Years of schooling (highest grade completed)

Aquí está el diagrama de dispersión para ingresos y escolaridad usando Data Set 21. Se
puede ver que hay varios valores atípicos, con los tres más extremos resaltados.

16
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

4
Logarithm of hourly earnings

0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Years of schooling (highest grade completed)

Aquí está el diagrama de dispersión para el modelo semilogarítmico, con su línea de

regresión. Las mismas tres observaciones siguen siendo valores atípicos, pero no parecen
ser tan extremas.
17
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

160

140

120

100

80

60

40

20

0–3 –2 –1 0 1 2 3
-2.75 to -2.25 -2.25 to 1.75 -1.75 to -1.25 -1.25 to -0.75 -0.75 to -0.25 -0.25 to 0.25 0.25 to 0.75 0.75 to 1.25 1.25 to 1.75 1.75 to 2.25 2.25 to 2.75

Residuals (linear) Residuals (semilogarithmic)

El histograma anterior compara las distribuciones de los residuos de las regresiones

lineales y semi-logarítmicas. Las distribuciones se han estandarizado, es decir, se
reescalaron para que tengan una desviación estándar igual a 1, para hacerlas comparables.
18
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

160

140

120

100

80

60

40

20

0–3 –2 –1 0 1 2 3
-2.75 to -2.25 -2.25 to 1.75 -1.75 to -1.25 -1.25 to -0.75 -0.75 to -0.25 -0.25 to 0.25 0.25 to 0.75 0.75 to 1.25 1.25 to 1.75 1.75 to 2.25 2.25 to 2.75

Residuals (linear) Residuals (semilogarithmic)

Se puede demostrar que si el término aleatorio en un modelo de regresión tiene una

distribución normal, también los residuos.

19
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

160

140

120

100

80

60

40

20

0–3 –2 –1 0 1 2 3
-2.75 to -2.25 -2.25 to 1.75 -1.75 to -1.25 -1.25 to -0.75 -0.75 to -0.25 -0.25 to 0.25 0.25 to 0.75 0.75 to 1.25 1.25 to 1.75 1.75 to 2.25 2.25 to 2.75

Residuals (linear) Residuals (semilogarithmic)

Es obvio que los residuos de la regresión semilogarítmica son aproximadamente normales,

pero los de la regresión lineal no lo son. Esto es evidencia de que el modelo
semilogarítmico es la mejor especificación.
20
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

Y  1 X 2  u

¿Qué pasaría si el término perturbación en el modelo logarítmico o semilogarítmico fuera

aditivo, en lugar de multiplicativo?

21
 ALEATORIEDAD EN LOS MODELOS LOGARÍTMICOS

Y  1 X 2  u

log Y  log   1 X  2  u 

Si este fuera el caso, no seríamos capaces de linealizar el modelo tomando logaritmos. No

hay manera de simplificar log   1 X .2  u 


Deberíamos usar alguna técnica de regresión no lineal.

22
Copyright Christopher Dougherty 2016.

These slideshows may be downloaded by anyone, anywhere for personal use.

Subject to respect for copyright and, where appropriate, attribution, they may be
used as a resource for teaching an econometrics course. There is no need to
refer to the author.

The content of this slideshow comes from Section 4.2 of C. Dougherty,

Introduction to Econometrics, fifth edition 2016, Oxford University Press.
Additional (free) resources for both students and instructors may be
downloaded from the OUP Online Resource Centre
www.oxfordtextbooks.co.uk/orc/dougherty5e/.

Individuals studying econometrics on their own who feel that they might benefit
from participation in a formal course should consider the London School of
Economics summer school course
EC212 Introduction to Econometrics
http://www2.lse.ac.uk/study/summerSchools/summerSchool/Home.aspx
or the University of London International Programmes distance learning course
EC2020 Elements of Econometrics
www.londoninternational.ac.uk/lse.

2016.05.02