Type author name/s here

ELASTICIDAD Y MODELOS
LOGARÍTMICOS
Chapter heading
Modelos no lineales y
transformaciones de variables
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Definición:
La elasticidad de Y con respecto
a X es el cambio proporcional de
Y dividido por el cambio
proporcional en X. A
Y

dY Y
Elasticidad 
dX X Y
dY dX X
 O0 X
Y X 52

Esta presentación define elasticidades y muestra cómo se pueden correr modelos no

lineales con elasticidades constantes. En primer lugar, veremos la definición general de
elasticidad.
1
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Definición:
La elasticidad de Y con respecto
a X es el cambio proporcional de
Y dividido por el cambio
proporcional en X. A
Y

dY Y
elasticity 
dX X Y
dY dX X
 O0 X
Y X 52

slope of the tangent at A


slope of OA

Reorganizando la expresión para la elasticidad, podemos obtener una interpretación

gráfica.

2
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Definición:
La elasticidad de Y con respecto
a X es el cambio proporcional de
Y dividido por el cambio
proporcional en X. A
Y

dY Y
elasticity 
dX X Y
dY dX X
 O0 X
Y X 52

slope of the tangent at A


slope of OA

La elasticidad en cualquier punto de la curva es la relación de la pendiente de la tangente

en ese punto con la pendiente de la línea que une el punto con el origen.

3
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Definición:
La elasticidad de Y con respecto elasticity < 1
a X es el cambio proporcional de
Y dividido por el cambio
proporcional en X. A
Y

dY Y
elasticity 
dX X Y
dY dX X
 O0 X
Y X 52

slope of the tangent at A


slope of OA

En este caso está claro que la tangente en A es más plana que la línea OA y por lo tanto la
elasticidad debe ser menor que 1.

4
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Definición:
La elasticidad de Y con respecto elasticity > 1
a X es el cambio proporcional de
Y dividido por el cambio
proporcional en X.

A
dY Y Y
elasticity 
dX X
dY dX
 O0 X 52
Y X
slope of the tangent at A

slope of OA

En este caso, la tangente en A es más pronunciada que OA y la elasticidad es mayor que 1.

5
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y  1   2 X Y

dY dX
elasticity 
Y X A
slope of the tangent at A

slope of OA
2

 1   2 X  X
O Xx
2

 1 X    2

En general, la elasticidad será diferente en diferentes puntos de la función relacionada con

Y a X.

6
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y  1   2 X Y

dY dX
elasticity 
Y X A
slope of the tangent at A

slope of OA
2

 1   2 X  X
O Xx
2

 1 X    2

En el ejemplo anterior, Y es una función lineal de X.

7
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y  1   2 X Y

dY dX
elasticity 
Y X A
slope of the tangent at A

slope of OA
2

 1   2 X  X
O Xx
2

 1 X    2

La tangente en cualquier punto es coincidente con la línea en sí, por lo que en este caso su
pendiente es siempre b2. La elasticidad depende de la pendiente de la línea que une el
punto con el origen.
8
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y  1   2 X Y

dY dX B
elasticity 
Y X A
slope of the tangent at A

slope of OA
2

 1   2 X  X
O Xx
2

 1 X    2

OB es más plano que OA, por lo que la elasticidad es mayor en B que en A. (Esto se
relaciona con la expresión matemática: ( b1 / X) + b2 es más pequeño en B que en A,
suponiendo que b1 es positivo.)
9
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y  1 X 2

Veamos ahora una función que tiene la misma elasticidad para todos los valores de X.

10
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y  1 X 2

dY
  1  2 X  2 1
dX

Para el numerador de la expresión de elasticidad, necesitamos la derivada de Y con

respecto a X.

11
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y  1 X 2

dY
  1  2 X  2 1
dX

Y 1 X 2
   1 X  2 1
X X

Para el denominador, necesitamos Y/X.

12
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y  1 X 2

dY
  1  2 X  2 1
dX

Y 1 X 2
   1 X  2 1
X X

dY dX  1  2 X  2 1
elasticity    2 1   2
Y X 1 X

Por lo tanto, obtenemos la expresión de la elasticidad. Esto se simplifica a b2 y, por lo tanto,

es constante.

13
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y
Y  1 X 2
 2  0.25

A modo de ilustración, la función se trazará para un rango de valores de b2. Comenzaremos

con un valor muy bajo, 0,25.

14
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y
Y  1 X 2
 2  0.50

Vamos a aumentar b2 en saltos de 0,25 y ver cómo cambia la forma de la función.

15
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y
Y  1 X 2
 2  0.75

b2 = 0.75.

16
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y
Y  1 X 2
 2  1.00

Cuando b2 es igual a 1, la curva se convierte en una línea recta a través del origen.

17
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y
Y  1 X 2
 2  1.25

b2 = 1.25.

18
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y
Y  1 X 2
 2  1.50

b2 = 1.50.

19
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y
Y  1 X 2
 2  1.75

b2 = 1.75. Tenga en cuenta que la curvatura puede ser bastante suave en amplios rangos de
X.

20
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y
Y  1 X 2
 2  1.75

Esto significa que incluso si el modelo verdadero es de la forma de elasticidad constante,

un modelo lineal puede ser una buena aproximación en un rango limitado.

21
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y  1 X 2

log Y  log  1 X  2
 log  1  log X  2
 log  1   2 log X

Es fácil ajustar una función de elasticidad constante utilizando una muestra de

observaciones. Puede linealizar el modelo tomando los logaritmos de ambos lados.

22
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y  1 X 2

log Y  log  1 X  2
 log  1  log X  2
 log  1   2 log X

Y '   1'   2 X ' where Y '  log Y ,

X '  log X
 1'  log  1

Por lo tanto, se obtiene una relación lineal entre Y’ y X', según lo definido.

23
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y  1 X 2

log Y  log  1 X  2
 log  1  log X  2
 log  1   2 log X

Y '   1'   2 X ' where Y '  log Y ,

X '  log X
 1'  log  1

El coeficiente de X' será una estimación directa de la elasticidad, b2.

24
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

Y  1 X 2

log Y  log  1 X  2
 log  1  log X  2
 log  1   2 log X

Y '   1'   2 X ' where Y '  log Y ,

X '  log X
 1'  log  1

El término constante será una estimación de log b1. Para obtener una estimación de b1, se
ˆ1'
), donde ̂ 1 es la estimación de  1 . (Esto supone que ha utilizado
' '
calcula exp(
logaritmos naturales, es decir, logaritmos en base e, para transformar el modelo.)
25
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

FDHO

7000

6000

5000

4000

3000

2000

1000

0
0 10000 20000 30000 40000 50000 EXP

Aquí hay un diagrama de dispersión que muestra el gasto anual de los hogares en FDHO,
alimentos que se comen en casa, y EXP, gasto total anual de los hogares, ambos medidos
en dólares, para el año 1995 y una muestra de 869 hogares en los Estados Unidos
(Consumer Expenditure Survey data). 26
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

. reg FDHO EXP

----------------------------------------------------------------------------
Source | SS df MS Number of obs = 6334
-----------+------------------------------ F( 1, 6332) = 3431.01
Model | 972602566 1 972602566 Prob > F = 0.0000
Residual | 1.7950e+09 6332 283474.003 R-squared = 0.3514
-----------+------------------------------ Adj R-squared = 0.3513
Total | 2.7676e+09 6333 437006.15 Root MSE = 532.42
----------------------------------------------------------------------------
FDHO | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
EXP | .0627099 .0010706 58.57 0.000 .0606112 .0648086
_cons | 369.4418 10.65718 34.67 0.000 348.5501 390.3334
----------------------------------------------------------------------------

Aquí hay una regresión de FDHO sobre EXP. Es habitual relacionar los tipos de gastos de
los consumidores con el gasto total, en lugar de ingresos, al utilizar los datos del hogar.
Los datos sobre los ingresos de los hogares tienden a ser relativamente erráticos.
27
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

. reg FDHO EXP

----------------------------------------------------------------------------
Source | SS df MS Number of obs = 6334
-----------+------------------------------ F( 1, 6332) = 3431.01
Model | 972602566 1 972602566 Prob > F = 0.0000
Residual | 1.7950e+09 6332 283474.003 R-squared = 0.3514
-----------+------------------------------ Adj R-squared = 0.3513
Total | 2.7676e+09 6333 437006.15 Root MSE = 532.42
----------------------------------------------------------------------------
FDHO | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
EXP | .0627099 .0010706 58.57 0.000 .0606112 .0648086
_cons | 369.4418 10.65718 34.67 0.000 348.5501 390.3334
----------------------------------------------------------------------------

La regresión implica que, en el margen, 6,3 centavos de cada dólar de gasto se gasta en
alimentos en el hogar. ¿Te parece plausible? Probablemente, aunque posiblemente un poco
bajo.
28
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

. reg FDHO EXP

----------------------------------------------------------------------------
Source | SS df MS Number of obs = 6334
-----------+------------------------------ F( 1, 6332) = 3431.01
Model | 972602566 1 972602566 Prob > F = 0.0000
Residual | 1.7950e+09 6332 283474.003 R-squared = 0.3514
-----------+------------------------------ Adj R-squared = 0.3513
Total | 2.7676e+09 6333 437006.15 Root MSE = 532.42
----------------------------------------------------------------------------
FDHO | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
EXP | .0627099 .0010706 58.57 0.000 .0606112 .0648086
_cons | 369.4418 10.65718 34.67 0.000 348.5501 390.3334
----------------------------------------------------------------------------

También sugiere que se gastarían 369 dólares en alimentos en el hogar si el gasto total
fuera cero. Obviamente esto es imposible. Podría ser posible interpretarlo de alguna
manera como un gasto de referencia, pero tendríamos que tener en cuenta el tamaño de la
familia y la composición. 29
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

FDHO

7000

6000

5000

4000

3000

2000

1000

0
0 10000 20000 30000 40000 50000 EXP

Aquí está la línea de regresión trazada en el diagrama de dispersión

30
 ELASTICITIES AND LOGARITHMIC MODELS

LGFDHO
10

1
6 7 8 9 10 11 LGEXP

Ahora ajustaremos una función de elasticidad constante usando los mismos datos. El
diagrama de dispersión muestra el logaritmo de FDHO trazado contra el logaritmo de EXP.

31
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

. g LGFDHO = ln(FDHO)
. g LGEXP = ln(EXP)
. reg LGFDHO LGEXP
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 6334
-----------+------------------------------ F( 1, 6332) = 4719.99
Model | 1642.9356 1 1642.9356 Prob > F = 0.0000
Residual | 2204.04385 6332 .348080204 R-squared = 0.4271
-----------+------------------------------ Adj R-squared = 0.4270
Total | 3846.97946 6333 .60744978 Root MSE = .58998
----------------------------------------------------------------------------
LGFDHO | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
LGEXP | .6657858 .0096909 68.70 0.000 .6467883 .6847832
_cons | .7009498 .0843607 8.31 0.000 .5355741 .8663254
----------------------------------------------------------------------------

Aquí está el resultado de la regresión de LGFDHO sobre LGEXP. Los dos primeros
comandos generan las variables logarítmicas.

32
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

. g LGFDHO = ln(FDHO)
. g LGEXP = ln(EXP)
. reg LGFDHO LGEXP
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 6334
-----------+------------------------------ F( 1, 6332) = 4719.99
Model | 1642.9356 1 1642.9356 Prob > F = 0.0000
Residual | 2204.04385 6332 .348080204 R-squared = 0.4271
-----------+------------------------------ Adj R-squared = 0.4270
Total | 3846.97946 6333 .60744978 Root MSE = .58998
----------------------------------------------------------------------------
LGFDHO | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
LGEXP | .6657858 .0096909 68.70 0.000 .6467883 .6847832
_cons | .7009498 .0843607 8.31 0.000 .5355741 .8663254
----------------------------------------------------------------------------

La estimación de la elasticidad es 0.67. ¿Te parece plausible?

33
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

. g LGFDHO = ln(FDHO)
. g LGEXP = ln(EXP)
. reg LGFDHO LGEXP
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 6334
-----------+------------------------------ F( 1, 6332) = 4719.99
Model | 1642.9356 1 1642.9356 Prob > F = 0.0000
Residual | 2204.04385 6332 .348080204 R-squared = 0.4271
-----------+------------------------------ Adj R-squared = 0.4270
Total | 3846.97946 6333 .60744978 Root MSE = .58998
----------------------------------------------------------------------------
LGFDHO | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
LGEXP | .6657858 .0096909 68.70 0.000 .6467883 .6847832
_cons | .7009498 .0843607 8.31 0.000 .5355741 .8663254
----------------------------------------------------------------------------

Sí, definitivamente. La comida es un bien normal, por lo que su elasticidad debe ser
positiva, pero es una necesidad básica. El gasto en ella debería crecer menos rápidamente
que el gasto en general, por lo que su elasticidad debe ser inferior a 1.
34
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

. g LGFDHO = ln(FDHO)
. g LGEXP = ln(EXP)
. reg LGFDHO LGEXP
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 6334
-----------+------------------------------ F( 1, 6332) = 4719.99
Model | 1642.9356 1 1642.9356 Prob > F = 0.0000
Residual | 2204.04385 6332 .348080204 R-squared = 0.4271
-----------+------------------------------ Adj R-squared = 0.4270
Total | 3846.97946 6333 .60744978 Root MSE = .58998
----------------------------------------------------------------------------
LGFDHO | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
LGEXP | .6657858 .0096909 68.70 0.000 .6467883 .6847832
_cons | .7009498 .0843607 8.31 0.000 .5355741 .8663254
----------------------------------------------------------------------------

ˆ
LGFDHO ˆ  2.02 EXP 0.666
 0.701  0.666 LGEXP  FDHO

El intercepto no tiene un significado sensato. Para obtener una estimación de b1,

calculamos e0.701, que es 2.02.

35
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

LGFDHO
10

1
6 7 8 9 10 11 LGEXP

Aquí está el diagrama de dispersión con la línea de regresión trazada.

36
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

FDHO

7000

6000

5000

4000

3000

2000

1000

0
0 10000 20000 30000 40000 50000 EXP

Aquí está la línea de regresión de la regresión logarítmica trazada en el diagrama de

dispersión original, junto con la línea de regresión lineal para comparar.

37
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

FDHO

7000

6000

5000

4000

3000

2000

1000

0
0 10000 20000 30000 40000 50000 EXP

Usted puede ver que la línea de regresión logarítmica da un ajuste un poco mejor,
especialmente a bajos niveles de gasto.

38
 ELASTICIDAD Y MODELOS LOGARÍTMICOS

FDHO

7000

6000

5000

4000

3000

2000

1000

0
0 10000 20000 30000 40000 50000 EXP

Sin embargo, la diferencia en el ajuste no es drastica. La razón principal para preferir el

modelo de elasticidad constante es que tiene más sentido teóricamente. También tiene una
ventaja técnica que veremos más adelante, cuando discutamos la heterocedasticidad.
39
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.

2016.05.01