En algunos casos cuando una recta

de regresión no es adecuada para un

conjunto de puntos (x,y), se puede
intentar ajustar una curva.
Esta vez analizaremos las curvas
Exponencial, Potencial y Parabólica.
El modelo de regresión exponencial
está dado por:
bX
Ŷ  a e
Al aplicar la transformación logaritmo
al modelo tenemos :
ln Y  ln a  b X
La cual es una recta que relaciona los
logaritmos de Y con X.
 Yi Xi
Un fabricante quiere estimar
el costo total (Y), medido en 3.0 1
miles de dólares, en función 4.0 2
de la producción total (X), 5.0 3
medida en miles de unidades.
4.0 4
Para esto obtiene el siguiente
4.5 5
conjunto de datos:
6.0 6
6.0 7
7.5 8
Guarda con el nombre de : datass
 plot(Y ~X, data =datass, main = "Gráfico de dispersión", pch =
21, bg = "red")
 #### Estimar el modelo de regresion exponencial.

ejemplo.m2 <- lm(log(Y) ~ X, data = datass)

summary(ejemplo.m2)

#### Evaluar la significacion del modelo

Ingresamos las variables dependiente e independiente, y en
anova(ejemplo.m2)
“Modelos” activar Exponencial y “Ver tabla ANOVA”.

Luego de lo cual obtenemos los siguientes resultados:

El modelo de regresión exponencial está dado por: = 1.085 e 0.108X y tiene
Un coeficiente de determinación de 83.4% considerado como bueno.
Para el modelo Exponencial obtenido se debe
verificar si este es significativo, para esto nos
fijamos en los p-value que aparecen en la tabla de
Análisis de Varianza:
H0: El modelo no es significativo
H1: El modelo si es significativo
“Se rechaza H0, si P-value < α”
Para nuestro ejemplo el modelo si es significativo.
Ya que p-value = 0.002.
Para el modelo Exponencial obtenido también se
debe verificar si los parámetros son significativos,
para esto nos fijamos en los p-value que aparecen
en la tabla Coeficientes:
H0: El parámetro no es significativo (a=0 o b=0)
H1: El parámetro si es significativo (a≠0 o b≠0)
“Se rechaza H0, si P-value < α”
Para nuestro ejemplo ambos parámetros si son
significativos. (Para a: p-value = 0.000, para b: p-
value = 0.002)
En este caso también se debe realizar una
transformación de logaritmos para estimar los
coeficientes de la ecuación, la cual está dada por:

Ŷ  a Xb
Al aplicar la transformación al modelo tenemos:
log Yi = log a + b (log Xi)
La cual relaciona linealmente los logaritmos de Y
con los logaritmos de X.
Al usar SPSS para ajustar una curva Potencial, se
siguen los mismos pasos que para ajustar una
Exponencial, sólo que seleccionamos “Power” en
“Models”.
Según la teoría económica la inversión neta total
para una nación (Y), se supone que es de la
forma: b
Ŷ  a X
Donde Y representan los valores de la inversión
neta total (medida en miles de millones de
dólares), y X representa la tasa de interés,
(medida en porcentajes)
 Xi Yi
Para una muestra de
3 10.0
naciones tenemos:
4 6.5
3 9.5
5 5.0
6 4.5
8 2.5
7 4.0
7 2.5
9 2.2
8 2.8
Ingresando los datos se obtiene el siguiente diagrama
de dispersión:

plot(Y ~ X, data = datass, main = "Gráfico de dispersión",

pch = 21, bg = "red")

#### Estimar el modelo de regresion potencial.

ejemplo.m3 <- lm(log(Y) ~ log(X), data = datass)

summary(ejemplo.m3)

#### Evaluar la significacion del modelo

anova(ejemplo.m3)
 La curva potencial estará dada por: = -1.327 X-1.327
Se puede observar que en este caso el modelo es
significativo y los parámetros también son significativos.
El coeficiente de determinación es 94.9%.
 Esta curva se llama también modelo de
regresión cuadrático.
 La ecuación ajustada está dada por:

Ŷ  β̂ 0  β̂1X  β̂ 2 X 2

 Los valores estimados de esta ecuación se

obtienen aplicando el método de los mínimos
cuadrados.
 X Y

1.00 24.00

1.25 19.00

Se tiene los siguientes datos: 1.50 17.00

1.75 15.00

Se pide ajustar una curva 2.00 12.00

2.25 8.00

Parabólica. 2.50 5.00

2.75 4.00

3.00 3.50

3.25 4.30

3.50 5.00

3.75 7.00

4.00 10.00

4.25 12.00

4.50 16.00

4.75 18.00

5.00 23.00
plot(Y ~ X, data = datass, main = "Gráfico de dispersión",

pch = 21, bg = "red")

#### Estimar el modelo de regresion cuadratico.

ejemplo.m4 <- lm(Y ~ poly(X, 2, raw = TRUE),data = datass)

summary(ejemplo.m4)

#### Evaluar la significacion del modelo

anova(ejemplo.m4)
De donde la ecuación de regresión es:

ŷ = 49.713 - 29.586 X + 4.855 X2

Observando además que el modelo es

significativo y además los tres coeficientes de
regresión son significativos.
Esta ecuación de regresión tiene un coeficiente
de determinación de 97.4%.