Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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
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
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
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
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
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
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
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
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
13
ELASTICIDAD Y MODELOS LOGARÍTMICOS
Y
Y 1 X 2
2 0.25
14
ELASTICIDAD Y MODELOS LOGARÍTMICOS
Y
Y 1 X 2
2 0.50
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
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
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
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
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
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
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
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
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
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
----------------------------------------------------------------------------
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
35
ELASTICIDAD Y MODELOS LOGARÍTMICOS
LGFDHO
10
1
6 7 8 9 10 11 LGEXP
36
ELASTICIDAD Y MODELOS LOGARÍTMICOS
FDHO
7000
6000
5000
4000
3000
2000
1000
0
0 10000 20000 30000 40000 50000 EXP
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
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