Regresion Lineal

Introduccin a la Econometra
62
Profesor Genaro Snchez Barajas

VII. MODELO LINEAL SIMPLE, MLS: EJERCICIOS RESUELTOS:
9

ANLISIS DE REGRESIN Y CORRELACIN APLICADO A LA ECONOMA
MEXICANA, CON MTODOS COMPLEMENTARIOS Y/O DIFERENTES
9

VII.1 Ejemplos Referidos a la Regresin Simple

Suponga que el consumo (Y) y el ingreso (X) para los ltimos 4 aos (en millones de pesos) son los
siguientes:

Ao (Y
i
) (X
i
) y
i
x
i
x
i
y
i
x
i
2

1 3 5 -2 -2 4 4
2 4 6 -1 -1 1 1
3 5 8 0 +1 0 1
4 8 9 +3 +2 6 4
n=4 20 28 0 0 11 10
= Y 20/4=5 = X 28/4=7

Se desea probar la hiptesis de que el consumo en Mxico depende de las variaciones que
experimenta el ingreso, los pasos son los siguientes:

1. Se establece la relacin econmica entre ambas variables a travs de la ecuacin de regresin:
$ $
$
y a b X e = + +

Donde:
$ y es el consumo estimado en la muestra del consumo real
$
a ,
$
b son los estimadores de los parmetros reales: a y b
e = y - $
y residuo o diferencia

Para encontrar los valores de
$
a y
$
b se usan las ecuaciones normales siguientes:

Y na b X
XY a X b X
= +
= +

$
$
$
$
2

Cuya solucin nos permite obtener:

( )

=
2
2
2
X X n
XY X Y X
a = $
$
a Y bX =


63

y

( )
2 2
=
X X n
Y X XY n
b

Observaciones: A menudo para simplificar operaciones se desvan los valores de x e y con respecto a
X e Y para obtener
$
b ; y las literales x
i
e y
i
se usan para:

x X X
i i
= e y Y Y
i i
=

Por lo tanto, el clculo de los estimadores es:

$
. b
x y
x
i i
i
= = =
2
11
10
11
$
$
( . ) . a Y bX = = = 5 11 7 2 7

As, la ecuacin de regresin estimada es: $ . . y X
i
= + 2 7 11

Obsrvese que
$
b tiene signo positivo, lo cual es bueno por que corrobora la teora econmica de que
a medida que aumenta el ingreso (X) tambin aumenta el consumo (Y).

2. Una vez obtenidos los parmetros $
a y
$
b , se prueba su significacin estadstica, es decir, se
verifica si hay o no relacin entre el ingreso (X) y el consumo (Y). Para ello se requieren las varianzas
de los dos:

Var.a
X
n x
Var b
x
u
i
i
u
i
$
.
$
=
=
2
2
2
2
2
1
donde
u
es la varianza residual
Como generalmente se desconoce
u
2
, la varianza residual, se estima con S
2
que es un estimador
insesgado de
u
2
, cuya formula es:

S
e
n k
u
i
2 2
2
= =
$
n = nmero de observaciones
k = nmero de parmetros estimados


64

As, los estimadores insesgados de las varianzas de $
a y
$
b son:

S
e
n k
X
n x
S
e
n k x
a
i i
i
b
i
i
$
$
2
2 2
2
2
2
2
1
=

Derivado de lo anterior podemos decir en general que
a
S
y
b
S
son los errores estndar de los

estimadores. Como
i
U tiene distribucin normal, Y
i ,
$ a,
$
b tambin se distribuyen normalmente, y
como la muestra n = 4 es decir, menor que 30, usamos t con n - k grados de libertad para probar la
hiptesis y construir intervalos de confianza para $ a y
$
b . Para ello, a partir de los datos de la tabla
anterior, se requiere hacer adicionalmente los siguientes clculos.

Ao $ y
i

e Y y
i i i
= $
e
i
2
X
i
2
x
i
2
y
i
2

1 2.8 +0.2 0.04 25 4 4
2 3.9 +0.1 0.01 36 1 1
3 6.1 -1.1 1.21 64 1 0
4 7.2 +0.8 0.64 81 4 9
n = 4 20 0 1.9 206 10 14

Puesto que:

2 . 7 ) 9 ( 1 . 1 7 . 2
1 . 6 ) 8 ( 1 . 1 7 . 2
9 . 3 ) 6 ( 1 . 1 7 . 2
8 . 2 ) 5 ( 1 . 1 7 . 2
.

4
3
2
1
= + =
= + =
= + =
= + =
+ =
y
y
y
y
s sustituimo
X b a y
i i


65

Grficamente:

-3
-2
-1
0
1
2
3
4
5
6
7
8
0 2 4 6 8 10
Ingreso
C
o
n
s
u
m
o
y
x

con estos datos ahora calculamos

Calculamos:
3082 . 0
0950 . 0
20
9 . 1
) 10 ( ) 2 4 (
9 . 1
) (
2118 . 2
8925 . 4
80
4 . 391
) 10 ( 4
206
) 2 4 (
9 . 1
2
2
2
2
2 2
2
=
= =
=
=
= =

b
i
i
b
a
i
i i
a
S
x k n
e
S
S
x n
X
k n
e
S

As, las hiptesis nulas ( Ho) y alternativas ( Ha) se plantean de la siguiente manera:

H
o
: a = 0 H
o
: b = 0
H
a
: a 0 H
a
: b 0

2207 . 1
2118 . 2
0 7 . 2
=

=
=
a
a
S
a a
t 5691 . 3
3082 . 0
0 1 . 1
=
b
b
S
b b
t
i
X y 1 . 1 7 . 2
+ =


66

Como se recordar, en el anlisis de regresin se espera rechazar H
o
y aceptar H
a
, es decir que a y b
sean diferentes de cero y por consiguiente, decir que hay relacin de Y con X. Ahora bien, puesto que
t
con un nivel de significacin del 10% y 2 grados de libertad, es igual a

+
2.910 en tablas (Apndice

IV) decimos que t
= 2.920 < t
b
=3.5691; Luego b es significativo, de tal manera que aceptamos H
a
.
Concluimos sealando que si hay relacin lineal entre X e Y. Tambin decimos que $ a no es
significativo lo cual, sin embargo, no preocupa por que no se usa para estos fines.

Grficamente:
H0 : b=0
Ha=b 0

-2.920 b +2.920
t

Como
b
t t
<
rechazamos H
0
.
Al usar E-views, la ltima columna del cuadro que aparece en la pantalla del monitor indica la
probabilidad de cometer error I: rechazar H
0
cuando es cierta, con =5%, al cual le corresponde una
probabilidad de 0.000, lo cual indica que b es significativa estadsticamente, es distinta de cero; en ese
caso, se ver en las sesiones de computacin, aceptamos H
a
.

Con base en lo anterior: Se corrobora la teora econmica de que el ingreso determina el consumo.
Pero En que magnitud, que porcentaje de los cambios en Y son explicados por los cambios en la
variable X? La respuesta se obtiene calculando R
2
que es igual al coeficiente de determinacin cuya
formula es:

R
y
y
e
y
i
i
i
i
2
2
2
2
2
1 = =
$

Donde:
2 2
) (

=
i i i
Y Y y

En nuestro ejemplo: % 42 . 86 8642 . 0 1357 . 0 1
14
9 . 1
1 1
2
2
2
= = =
i
i
y
e
R
Rechazamos

Aceptamos Ha
Aceptamos Ha

67

En este sentido el coeficiente de correlacin r R =
2
= 9296 . 0 8642 . = o 92.96% indica que existe
una alta correlacin de carcter positivo entre X e Y; el cual es positivo por que
$
b es positivo.

Estos indicadores se interpretan as:

El estimador $ a = -2.7 es la ordenada al origen Y, o el valor del consumo total cuando el
ingreso disponible es cero.

El estimador
$
. b
dY
dX
= = 11 es la pendiente de la lnea de regresin estimada que mide la
proporcin marginal al consumo PMC o el cambio en el consumo que produce el cambio en
una unidad adicional en el ingreso disponible.

Derivado de b
se puede obtener la elasticidad ingreso del consumo E que mide el cambio porcentual
en el consumo como resultado de un cambio porcentual en el ingreso disponible y cuya formula es:

7857 . 0
7
5
1 . 1
= = =
Y
X
b E

Tambin se puede construir el intervalo de confianza para $ a y
$
b .; en la practica se determina slo
para la pendiente, es decir, para
$
b con la formula:

b b t S
b
=
$
$

donde:
b = parmetro de la poblacin. Con dos grados de libertad y con: = 5% tenemos = nivel de
confianza = 95% se busca el valor de t
en el apndice IV y se halla que t
= 4.303
Luego el intervalo de confianza al 95% para b esta dado por:

3261 . 1 1 . 1 ) 3082 . 0 )( 303 . 4 ( 1 . 1
= =
=
b
S t b b

De tal manera que b se halla entre -0.2261 y 2.4261 por lo que -.0.2261< b< 2.4261 con una
confianza o seguridad del 95% y una probabilidad de 5% de que no est en dicho intervalo.
Recurdese que las ecuaciones para las relaciones verdaderas (en la poblacin) y estimadas (con la
muestra) entre X e Y son respectivamente:

i i i
bX a Y + + =
y

68

$ $
$
y a bX e
i i i
= + +

Las ecuaciones para las regresiones verdadera (poblacin) y la estimada (con la muestra) entre X e Y
son respectivamente:

i i
bX a Y E + = ) (

y

$ $
$
y a bX
i
= +

Se acostumbra presentar en forma resumida los resultados de la siguiente manera:

$ . . y X
i
= + 2 71 11
R
2
= 0.8642
r = 0.9296

VII.2 Ejemplos Referidos a la Regresin y Correlacin Mltiples

Supngase ahora que el Consumo (Y) depende del ingreso y de la inversin (Z), tal que:
$
( , ) Y f X Z =

Cuy a ecuacin de regresin es
$
Y a bX cZ
i i
= + +

Para encont rar los valores de a, b y c se necesit an las siguient es ecuaciones
normales:

$ $
$
$
$ $
$
$
$ $
$
$
y na b x c z
y x a x b x c x z
y z a z b x z c z
i i i
i i i i i i
i i i i i i
= + +
= + +
= + +

2
2

Resolviendo est e sist ema de ecuaciones simult neas, t enemos:


69

$
( )( ) ( )( )
( )( ) ( )
$
( )( ) ( )( )
( )( ) ( )
$
$
$
b
x y z z y x z
x z x z
c
z y x x y x z
x z x z
a Y bX cZ
i i i i i i i
i i i i
i i i ii i i i
i i i i
i i
=

=

2
2 2 2
2
2 2 2

Aqu $ a t ambin es la ordenada al origen;
$
b y $ c se denominan coeficient es de
regresin p arciales p or que
$
b, p or ejemp lo, mide el cambio en Y p or variaciones
unit arias en X
i
(el ingreso), mient ras se mant iene const ant e la inversin (Z
i
);
igualment e, $ c mide los cambios en Y como result ado de cambios unit arios en la
inversin (Z
i
), mient ras el ingreso (X
i
) se mant iene const ant e. As, t omando como
referencia los dat os ant eriores p ara Y
i
, X
i
, les agregamos los de Z
i
y t enemos.
Ao Y
i
X
i
Z
i
y
i
x
i
z
i
x
i
y
i
z
i
y
i
x
i
z
i
x
i
2

z
i
2

1 3 5 1 -2 -2 -1 4 2 2 4 1
2 4 6 2 -1 -1 0 1 0 0 1 0
3 5 8 3 0 +1 +1 0 0 1 1 1
4 8 9 2 +3 +2 0 6 0 0 4 0
n=4 20 28 8 0 0 0 11 2 3 10 2

Y X Z
y Y Y x X X z Z Z
i i i i i i
= = =
= = =
5 7 2 ; ;
; ;

Sust it uy endo:

| | 8182 . 2 3636 . 2 1815 . 10 5 ) 2 ( 1818 . 1 ) 7 )( 4545 . 1 ( ) 5 (
1818 . 1
11
13
9 20
33 20
) 3 ( ) 2 )( 10 (
) 3 )( 11 ( ) 10 )( 2 (
4545 . 1
11
16
9 20
6 22
) 3 ( ) 2 )( 10 (
) 3 )( 2 ( ) 2 )( 11 (
2
2
= + = =
=
=
= =
+
=
=
a
c
b

La ecuacin de regresin ser:
i i i
Z X y 1818 . 1 4545 . 1 8182 . 2 + =

Para encont rar cada $ y
i
sust it uimos los valores de X
i
e Z
i
:


70

9091 . 7 3636 . 2 0909 . 13 8182 . 2 ) 2 ( 1818 . 1 ) 9 ( 4545 . 1 8182 . 2
2727 . 5 5455 . 3 6364 . 11 8182 . 2 ) 3 ( 1818 . 1 ) 8 ( 4545 . 1 8182 . 2
5455 . 3 3636 . 2 7272 . 8 8182 . 2 ) 2 ( 1818 . 1 ) 6 ( 4545 . 1 8182 . 2
2727 . 3 1818 . 1 2727 . 7 8182 . 2 ) 1 ( 1818 . 1 ) 5 ( 4545 . 1 8182 . 2
4
3
2
1
= + = + =
= + = + =
= + = + =
= + = + =
y
y
y
y

Para p robar la significacin de los p armet ros $,
$
, $ a b c hacemos los siguient es clculos
a p art ir de la t abla ant erior:

Ao Y X Z $ y
i
e e
2

y
i
2

1 3 5 1 3. 2727 -0. 2727 0. 0744 4
2 4 6 2 3. 5455 0. 4545 0. 2066 1
3 5 8 3 5. 2727 -0. 2727 0. 0744 0
4 8 9 2 7. 9091 0. 0909 0. 0083 9
n=4 20 28 8 20 0 0. 3636 14

Sabiendo que p ara p robar la significacin est adst ica de los p armet ros $,
$
, $ a b c se
requiere conocer sus varianz as que vienen dadas p or:
Como dijimos ant es $ ano es de int ers p rimordial, luego:

=
2 2 2
2
2
2 2 2
2
2
) (
) (
i i i i
i
u
i i i i
i
u
z x z x
x
c Var
z x z x
z
b Var

Ahora bien, como no conocemos
u
2
, usamos S
2
, la varianz a residual, como su
est imador insesgado, es decir E (S
2
) = :
u
2

S
2
= $
u
i
e
n k
2
2
=

donde:
n = nmero de aos
k = nmero de est imaciones, de p armet ros est imados

As, los est imadores insesgados de la varianz a de
$
, $ b c, sern:


71

S
e
n k
z
x z x z
S S
S
e
n k
x
x z x z
S S
b
i i
i i i i
b b
c
i i
i i i i
c c
$ $ $
$ $ $
( )
;
( )
;
2
2 2
2 2 2
2
2
2 2
2 2 2
2
=

=
=

=

donde:

S S
b
c $
$
, son los errores est ndar de los est imadores

Sust it uy endo t enemos:

5749 . 0 ; 3305 . 0
11
6360 . 3
11
10
*
1
3636 . 0
) 3 ( ) 2 )( 10 (
10
3 4
3636 . 0
2570 . 0 ; 0661 . 0
11
7272 . 0
11
2
*
1
3636 . 0
) 3 ( ) 2 )( 10 (
2
3 4
3636 . 0
2
2
2
2
= = = =
=
= = = =
=
c c
b b
S S
S S

VII. 2. 1 Prue ba de hi pte si s con t, F, X
2
, LM y Jarque -Be ra

Para probar l as hi pte si s nul as

Pl ante amos: t ambin:

H
o
: b = 0 H
o
: c = 0
H
a
: b 0 H
a
: c 0

luego:

6595 . 5
2570 . 0
0 4545 . 1
=
=
=
b
b
S
b b
t

0556 . 2
5749 . 0
0 1818 . 1
=

=
=
=
c
c
S
c c
t

As, ahora buscamos en el Ap ndice que t rae los valores t ericos de t , vemos que
el valor de t
con =5% y un grado de libert ad, es t
= 12. 706. Como t

b
, t
c
no
exceden t
decimos que b, c no son est adst icament e significat ivos, es decir, se

rechaz a H
a
y en est e caso, se concluy e diciendo que se acep t a H
o
, lo que indica que
no hay relacin de Y con X e Z.

Grficament e p ara b
H0 : b=0

72

Ha=b 0

-12.706 b +12.706
t

Grficamente para c

H0 : c=0
Ha=c 0

-12.706 c +12.706
t

Como
b
t t
>
y que
c
t , aceptamos H
0
es decir no hay relacin de Y con X e Z.
Igualmente, al usar E-views, la columna probabilidad, en este caso debe mostrar una probabilidad
diferente de cero, lo cual indica que b
y c no son estadsticamente significativas.

Por otra parte, E-views tambin usa la ESTADSTICA JARQUE-BERA (JB) para probar el
comportamiento de la hiptesis o supuestos establecidos cuando usamos el mtodo de mnimos
cuadrados ordinarios para estimar los valores poblacionales, basados en los momentos de una variable
(Snchez Barajas. 2005:98).

Se plantea:

H
0
= JB=0 Supone que hay normalidad
Ha= JB 0 Supone que no hay normalidad

Rechazamos

Aceptamos Ha
Aceptamos Ha
Rechazamos

Aceptamos Ha
Aceptamos Ha

73

Si E-views indica que el valor de JB es menor que el valor de
2
(chi-cuadrada), estadstica con la que
se compara por corresponder a la estadstica no paramtrica, es decir que la variable no tiene un
comportamiento normal (con simetra respecto a la media aritmtica), entonces aceptamos H
0
porque
revela que el modelo tiende a la normalidad; aceptamos las 7 hiptesis. Mientras JB ms se aproxime
a cero, mayor ser el comportamiento lineal del modelo.
E-views tambin calcula estadsticas para probar la correlacin serial, con la prueba LM, mismo que
verifica el grado de asociacin entre la variable endgena y el residual rezagado (n) en ciertos
periodos. Cuando el residual rezagado digamos, para uno o dos periodos es mayor que cero, se dice
que hay cierto grado de asociacin con la variable endgena y que existe correlacin en el modelo.
Como se ver posteriormente, lo anterior no siempre es bueno porque en los estudios sobre series de
tiempo, se dice que hay correlacin parcial cuando los errores asociados con las observaciones en
cierto momento son llevadas a periodos futuros; por el momento digamos que nos interesa ver si hay
correlacin de Y con
i
e .

En seguida se calcula R
2
, que en regresin mlt ip le se det ermina as:

9740 . 0
14
3636 . 0
1 1 R
2
2
2
= = =
i
i
y
e

Al resp ect o como se recordar, el valor de R
2
oscila ent re 0 y 1. Es cero cuando la
ecuacin de regresin no exp lica nada de la relacin en Y; es 1 cuando si exp lica
t odo y p or ello t odos los p unt os se ubican sobre la lnea de regresin. En est e caso
vemos que R
2
t iene un valor muy cercano a 1, se dice que X e Z
i
s exp lican a Y.

S R
2
hubiera result ado cercana a 0, se dira que X e Z
i
no exp licaban a Y p or lo
t ant o no t iene caso calcular r , coeficient e de correlacin.

Por otra parte cuando se toma e n cuanta l a re ducci n de grados de l i be rtad a
medida que se agregan variables indep endient es, como en est e caso, se calcula R
2
,
que es R
2
ajustado, y cuy a frmula es:

R R
n
n k
2 2
1 1
1
=

( )

Con nuest ros dat os sera:

9220 . 0 078 . 0 1
3 4
1 4
) 9740 . 0 1 ( 1
2
= =
= R

74

VII. 3. El uso de vari abl es fi cti ci as como vari abl es expl i cati vas en l a regresi n y
correl aci n ml ti pl e.

Coment a el Profesor Mason ( 2001, 480) que en ocasiones es convenient e usar
variables cualit at ivas, denominadas fict icias, dicot micas, binarias, cat egricas o
dummy (en ingls), p ara exp licar mejor la variable dep endient e, t ambin llamada
endgena o exp licada. Ahora bien, hast a el moment o hemos usado variables
cuant it at ivas como variables exgenas; sin embargo, una vez que se t oma la decisin
de t ambin incluir variables cualit at ivas ( ficticias), p or ejemp lo el sexo, religin,
ocup acin, grado de est udios, et c. stas slo t ienen dos result ados, que se codifican
como 1 y 0, es decir al describir una cualidad, se codifican con 1 si la t ienen y 0
cuando no la t ienen.

Ejemp lo: la Emp resa Arriba Jurez desea calcular los cost os de calefaccin (Y)
durant e el invierno p asado y verificar si t ienen dichos cost os relacin con la
t emp erat ura (X
1
), el aislamient o t rmico (X
2
), y la exist encia de un garage en las
casas (X
3
). As, la variable indep endient e garage es cualit at iva y se define con 0
cuando las casas no t engan garage y con 1 cuando lo t engan. Para ello t oma una
muest ra de 20 casas y encuent ra que:

Casa Y= cost o
calefaccin.
X
1
=Temp erat ura
grados, Farenhait
X
2
=aislamiemt o
p ulgadas de
p rot eccin:
X
3
= garage
1 $250 35 3 0
2 360 29 4 1
3 165 36 7 0
4 43 60 6 0
5 92 65 5 0
6 200 30 5 0
7 355 10 6 1
8 290 7 10 1
9 230 21 9 0
10 120 55 2 0
11 73 54 12 0
12 205 48 5 1
13 400 20 5 1
14 320 39 4 0
15 72 60 8 0

75

16 272 20 5 1
17 94 58 7 0
18 191 40 8 1
19 235 21 9 0
20 139 30 9 0

Resolviendo el modelo p or MINIMOS CUADRADOS ORDINARIOS se encont r la
siguient e ecuacin de regresin mlt ip le:

Y= 393. 67-3. 9628X1-11. 334X2+77. 43X3
Donde 393. 67=a ; 3. 9628=b ; 11. 334=c ; 77. 43=d

Al analiz ar los signos de los coeficient es o p armet ros se observa que la t eora
econmica se cump le p orque efect ivament e hay una relacin inversa ent re Y e X1,
como t ambin exist e con X2, p ero en cambio, es p osit iva con X3. Lo ant erior es un
buen indicio que indica que podemos hacer el anlisis deseado.

Con est as referencias, ent onces digamos p or ejemp lo, que se t ienen dos casas
iguales, una junt o a la ot ra, en Ciudad Jurez , una t iene garage y la ot ra no; ambas
t ienen 3 p ulgadas de aislamient o t rmico y la t emp erat ura media en enero fue de 20
grados farengheit . Para la casa sin garage, X3 se sust it uy e p or 0 en la ecuacin de
regresin. As, el cost o est imado de calefaccin es de $280. 90/mes, y a que

Y= 393. 67-3. 9628(20)-11. 334(3)+77. 43(0)= $ 280. 90
Para la casa con garaje, X3=1, luego
Y= 393. 67-3. 9628(20)-11. 334(3)+77. 43(1)= $ 358. 30/mes
Su diferencia es 358. 30-280. 90= $77. 40, luego se est ima que el cost o de calent ar
una casa con garage es $77. 40 may or que el cost o de una casa equivalent e sin garage.
Pero es significat iva est adst icament e est a diferencia?

La respuesta se obt iene p robando la hip t esis nula siguient e.

Ho: d=0 ;
Ha: d 0

Con = 5% se p rueba la hip t esis usando la est adst ica t como en los ejemp los
ant eriores, t al que se obt iene la t calculada (t ambin llamada emp rica) igual a 3. 40,
misma que se comp ara con la t de t ablas (t ambin llamada t erica), la cual con =
5% y n-k= 20-4 = 16 grados de libert ad result ser igual a 2. 21. Como la t emp rica

76

result est ar fuera de la z ona de acep t acin de la Ho, es decir, est en la z ona de
rechaz o de que d=0, ent onces vemos que el coeficient e de regresin d no es cero,
acep t amos la Ha, de manera que concluimos indicando que el garage si es una
variable exp licat iva de los cost os de calefaccin en las casas, p or lo que $ 77. 40 es
una diferencia significat iva en el cost o de calent ar una casa en invierno en Ciudad
Jurez . Luego ent onces si es convenient e incluir la variable indep endient e X3 en el
anlisis de cost os de calefaccin.

VII. 3. 1 El coe fi ci e nte de corre l aci n de S pe arman.
Dominick Salvat ore (1993:105) p resent a el siguient e ejemp lo ilust rat ivo sobre cmo
medir la asociacin que exist e ent re dos variables cualit at ivas.

Dados os siguient es dat os
a) Hallar el rango o coeficient e de correlacin de Sp earman ent re la not a de
mit ad de curso y el rango del CI (coeficient e de int eligencia) de una muest ra
aleat oria de 10 est udiant es de una gran clase, t al como la de la t abla siguient e.
b) Cundo se usa la correlacin p or rango?

Re spue stas:
Con los siguient es dat os:

Estudiante 1 2 3 4 5 6 7 8 9 10
Nota de mi tad de curso 77 78 65 84 84 88 67 92 68 96
Grado de CI 7 6 8 5 4 3 9 1 10 2
Nota de mitad de curso y rangos de CI

a)
) 1 (
6
1
2
2
'
=

n n
D
r
donde
D= diferencia ent re rangos de p ares corresp ondient es de las dos variables (en orden
ascendent e o descendent e, con el rango medio asignado a observaciones del mismo
valor).
N= nmero de observaciones.

94 . 0
990
63
1
) 99 ( 10
) 50 . 10 ( 6
1
) 1 (
6
1
2
2
'
= =
=

n n
D
r


77

n
Nota de ciclo
mitad de ciclo
Rango sobre
medio cicl o
Grado de CI D D
2
1 96 1 2 -1 1
2 92 2 1 1 1
3 88 3 3 0 0
4 84 4.5 4 0.5 0.25
5 84 4.5 5 -0.5 0.25
6 78 6 6 0 0
7 77 7 7 0 0
8 68 8 10 -2 4
9 67 9 9 0 0
10 65 10 8 2 4
10.5
Clculos para hallar el coeficiente de correl acin por rangos
=
2
D

b) La correlacin p or rangos se usa con dat os cualit at ivos t ales como p rofesin,
educacin, sexo, et c. cuando, p or la ausencia de valores numricos, no se p uede
encont rar el coeficient e de correlacin. La correlacin p or rangos t ambin se usa
cuando no se t ienen disp onibles valores p recisos p ara t odas o algunas de las
variables (as que, una vez ms, no se p uede encont rar el coeficient e de correlacin).
An ms, con un gran nmero de observaciones de valores grandes, r se p uede
hallar como una est imacin de r con el fin de evit ar clculos muy disp endiosos (sin
embargo, el fcil acceso a las comp ut adoras ha eliminado est a raz n p ara usar r).

VII. 4 Exme ne s sobre re gre si n y corre l aci n

EXAMEN UNO: REGRES IN Y CORRECCIN S IMPLE.

Nombre del alumno:____________________________________________________

Plant eamient o: La t eora econmica est ablece que el consumo, Y
i
, es funcin del
ingreso, X
i
, relacin que en los lt imos aos es:

78

Aos Yi Xi
1 102 114
2 100 118
3 108 126
4 110 130
5 122 136
6 124 140
7 128 148
8 130 156
9 142 160
10 148 164
11 150 170
12 154 178

Se est ima la regresin y se hallan los siguient es result ados:
=
i
Y
2. 30+0. 86X
i

donde:
a= 2. 30, b=0. 86
S
a
= 7. 17, S
b
=0. 05

Pregunt as:
1. Cul es el significado de a y de b?
El est imador a=2. 30 es la ordenada al origen y el valor del consumo t ot al cuando el
ingreso disp onible es cero. Como a>0 se confirma que siemp re habr un consumo
bsico. El est imador 86 . 0 = =
dX
dY
b es la p endient e de la lnea de regresin est imada.
Mide la p rop ensin marginal al consumo o el cambio que exp eriment a el consumo
con el cambio en una unidad adicional en el ingreso. Como 0<b<1 confirma la t eora
del consumo de que las p ersonas increment an sus gast os de consumo cuando
aument a el ingreso disp onible, p ero en menor p rop orcin que est e.

2. Sabiendo que
Y
X
b =
Donde:
= Elast icidad ingreso del consumo
145 = X
127 = Y
Calcule e int erp ret e

Tenemos 98 . 0 86 . 0 *
127
145
= = = b
Y
X

Int erp ret acin: mide el cambio p orcent ual en consumo derivado de un cambio
p orcent ual en el ingreso disp onible.

79

3. Describa las hip t esis nula y alt ernat iva p ara p robar la significancia est adst ica
de los p armet ros de la ecuacin de regresin est imada.
Para p robar la significacin est adst ica de los p armet ros p oblacionales y con
los muest rales a y b est ablecemos:
Hip t esis nula: H
o
: =0 versus H
A
: 0
H
o
: 0 versus H
A
: 0
Al invest igador le int eresa rechaz ar H
o
y acep t ar H
A
, es decir que y 0 con una
p rueba de dos colas, p or lo general salvo p lant eamient os esp ecficos.

4. Cul es la forma de la dist ribucin muest ral de a y b?.
Como se sup one que
i
t iene una dist ribucin normal, Yi t ambin t iene una
dist ribucin normal (dado que se sup one que Xi es fija). Como result ado a y b
t ambin t ienen dist ribucin normal.

5. Qu dist ribucin se usa p ara p robar la significacin est adst ica de y ?.
Se establece usar la distribucin t de student porque y tienen distribucin normal, pero se
desconocen, y n<30.

6. Para que sirven los grados de libert ad y cunt os son?
Los grados de libert ad sirven p ara mejorar la exact it ud o bondad de ajust e de los
est imadores a y b. Se calculan con n-k =12-2=10

7. Con =5% p ruebe si y son est adst icament e significat ivos. Int erp ret e los
result ados.
32 . 0
17 . 7
0 30 . 2
=
a
a
S
a a
t . Dado que =
t 2. 228 en una p rueba de dos colas decimos

que no es significat iva est adst icament e: no rechaz amos Ho:
Igualment e si 2 . 17
05 . 0
0 86 . 0
=
b
b
S
b b
t . Como t
b
>t
a
decidimos acep t ar H
A
y decimos
que es est adst icament e significat iva, que X
i
si exp lica a Y
i
. Observacin si
hubiramos acep t ado H
o
, no se cump lira la relacin hip ot t ica de Y
i
con X
i
, mismo
que debemos modificar y reest imar hast a lograr una relacin est imada de consumo
sat isfact oria.

8. Const ruy a la banda de confianz a al 95% p ara y .
La banda o intervalo de confianza se construye as: 97 . 15 30 . 2 ) 17 . 7 ( 228 . 2 30 . 2 = = =
a
S t a


80

Tal que est ent re 13. 67 y 18. 27 con confianz a del 95%. Como dice Salvat ore
(1991:103) el int ervalo es ms amp lio (e insensat o), lo cual es consecuencia de que
alt ament e insignificat iva.
Para t enemos 11 . 0 860 . 0 ) 05 . 0 ( 228 . 2 86 . 0 = = =
b
S t b

, decimos que est entre 0.75 y
0.97, en otras palabras 0.75< <0.97 con 95% de confianza. Al no incluir este intervalo de
confianza el cero podemos decir que X
i
si explica a Y
i
.

9. Cunt os usos t iene el error est ndar de S
a
y S
b
?
Aqu son 2: p robar hip t esis y p ara la banda de confianz a p ero t ambin sirve p ara
obt ener mat emt icament e el t amao de la muest ra.

10. Encont rar R
2
con cualquiera de los mt odos conocidos e int erp rt elo.
Tenemos R
2
=0. 9687 96. 87% indica que la variable dep endient e es exp licada en un
96. 87% p or las variables indep endient es.

EXAMEN DOS : REGRES IN Y CORRECCIN S IMPLE.

Nombre del alumno:____________________________________________________

1. Porqu es mejor el mt odo de mnimos cuadrados p ara est imar p armet ros
muest rales de los p armet ros de la p oblacin?
2. Exp lique las p rop iedades de los est imadores obt enidos con el mt odo de
mnimos cuadrados.
3. Qu es un est imador insesgado?
4. Qu es un est imador consist ent e?
5. Qu es un est imador suficient e?
6. Qu es un est imador eficient e?
7. Exp lica las hip t esis de sup uest os bsicos del modelo de regresin lineal
clsico.
8. Con los dat os de Y
i
: inversin en miles de p esos, X
i
: t asa de int ers en
p orcient os, est ime la ecuacin de regresin de Y
i
sobre X
i
.


81

Yi Mi les de
pesos
Xi Tasa de
inters
6 9
8 10
8 8
7 7
7 10
12 4
9 5
8 5
9 6
10 8
10 7
11 4
9 9
10 5
11 8

9. Con los datos anteriores probar con un nivel de significacin del 5%, la significacin
estadstica de los parmetros y .
10. Hallar e interpretar R
2
y
2
R

Curso de introduccin a la econometra: Facultad de Economa de la UNAM
Dr. Genaro Snchez Barajas : Segundo examen parcial.
Nombre del alumnocalif_______

Regresin y Correlacin Mltiples

Suponga que la teora econmica establece que la rentabilidad de la inversin (Y) depende de la tasa de inters (X) y de
la inflacin (Z), tal que:
$
( , ) Y f X Z =

T omando como referenci a l os dat os para Yi , Xi , Zi y si t enemos.

Ao Y i Xi Zi
1 7 9 1

82

2 8 8 2
3 7 9 3
4 8 7 2

Pre guntas:

1. - Obt enga la ecuacin de regresin:
$
Y a bX cZ
i i
= + +
2. - Encuent re el valor p ara cada $ y
i
donde i=1, 2, 3, 4:
3. - Encuent re el valor del error residual
4. - Pruebe la hip t esis nula de que la rent abilidad de la inversin dep ende de la t asa
de int ers y de inflacin, con un nivel de significacin del 5% e int erp ret e los
result ados.
5.-Calcule R, R
2,
R
2
e interprete sus resultados.

Observaciones: la respuesta a cada pregunta vale 20 puntos. Se puede usar la calculadora, las tablas
estadsticas y los formularios de cada tema.

VIII. MODELO LINEAL GENERAL O MLTIPLE, MLG: REGRESIN Y CORRELACIN
MLTIPLE APLICADA A LA VERIFICACIN DE UNA TEORA ECONMICA

Con el fin de ilustrar el uso de este instrumental en el desarrollo de una teora econmica a
continuacin se presenta un caso. Hasta el momento hemos visto como se construye
matemticamente la relacin entre una variable dependiente (Y) y las independientes: X
1
, X
2
, en esta
ocasin, aprovechando la exposicin anterior, tambin aplicaremos la regresin mltiple considerando
el factor tiempo. Este factor es muy importante por que adems de que permite conocer el
dinamismo del fenmeno bajo estudio (Y), permite predecirlo, es decir, estimar su valor futuro.


83

La prediccin es muy importante en economa por que permite visualizar, con cierta seguridad, cual
ser el comportamiento de una variable (Y) en el futuro, en funcin de las variables independientes:
X
1
, X
2
.

VIII.1 Ecuacin de Regresin Mltiple

Con base en este enfoque a continuacin se expone un ejercicio que permitir ilustrar:

a) Como se prueba la teora econmica de que el consumo (Y) depende del ingreso disponible
(despus de impuestos) (X
1
) y de la inflacin (X
2
); de X
1
en forma positiva y de X
2
en forma
negativa.

b) Su comportamiento futuro

As, para desarrollar el primer punto diremos que los datos en los ltimos 10 aos estn expresados
en millones de pesos para Y, X
1
y en porcentajes para X
2
. De esta manera la ecuacin de regresin
que servir para probar la teora econmica quedar planteada de la siguiente manera:

i i
u X c X b a y + + + =
2

donde:
$ y= Y calculada o estimada
u
i
expresa que no hay una relacin exacta de Y con respecto a X
1
y X
2
por lo
que ui es conocido como el complemento residual

As, para encontrar $ y se requiere conocer los valores de $,
$
, $ a b c mismos que se determinan con las
tres ecuaciones normales siguientes:
$
$
$
$ .
$
$
$
$
$
$
$
$
Y na b X c X
YX a X b X c X X
YX a X b X X c X
= + +
= + +
= + +

1 2
1 1 1
2
1 2
2 2 1 2 2
2

Cuando se expresan en forma de desviaciones con respecto a la media aritmtica se pueden resolver
simultneamente para
$
$ b y c, as:


84

$
( )( ) ( )( )
( )( ) ( )
$
( )( ) ( )( )
( )( ) ( )
:
$
$
$
b
x y x x y x x
x x x x
c
x y x x y x x
x x x x
tal que
a Y bX cX
=

=

1 2
2
2 1 2
1
2
2
2
1 2
2
2 1
2
1 1 2
1
2
2
2
1 2
2
1 2

Se dice que
$
$ b y c son estimadores ptimos lineales insesgados, es decir:

(
$
) b = b parmetro de la poblacin
( $ c) = c parmetro de la poblacin
es el smbolo de la esperanza matemtica.
En una regresin mltiple
$
, $ b c son estimadores parciales de $ y.

Una vez establecidos tanto la teora econmica como la metodologa para probarla, con los datos que
aparecen en la tabla 1, hacemos los siguientes clculos para obtener $,
$
, $ a b c.

Tabla 1: Relacin del consumo (Y) con el ingreso (X
1
) y la inflacin (X
2
) (del ao 1 al 10)
Aos Y X
1
X
2
y x1 x2 yx1 x
1
2
x
2
2
x
1
x
2
x
2
y
1 3 1 8 -3.1 -4.65 +0.9 14.415 21.623 0.81 -4.185 -2.79
2 2 2 15 -4.1 -3.65 +7.9 14.965 13.323 62.41 -28.835 -32.39
3 4 2.5 10 -2.1 -3.15 +2.9 6.615 9.923 8.41 -9.135 -6.09
4 5 3 9 -1.1 -2.65 +1.9 2.915 7.023 3.61 -5.035 -2.09
5 5 4 7 -1.1 -1.65 -0.1 1.815 2.723 0.01 +0.165 +0.11
6 7 5 6 +0.9 -0.65 -1.1 -0.585 0.423 1.21 +0.715 -0.99
7 6 7 8 -0.1 +1.35 +0.9 -0.135 1.823 0.81 +1.215 -0.09
8 8 8 4 +1.9 +2.35 -3.1 4.465 5.523 9.61 -7.285 -5.89
9 9 9 3 +2.9 +3.35 -4.1 9.715 11.223 16.81 -13.735 -11.89
10 12 15 1 +5.9 +9.35 -6.1 55.165 87.423 37.21 -57.035 -35.99
n=10 61 56.5 71 0 0 0
109.349 161.03 140.9 -123.15 -98.10
Nota: Y, X1,X2 son los valores originales, en tanto que y,x1 y x2 son minsculas e indican las desviaciones de los
trminos con respecto a sus medias respectivas.

Cuyas medias son:


85

Y
X
X
=
=
=
61
565
7 1
1
2
.
.
.

Sustituyendo tenemos:

8638 . 5 2379 . 2 4741 . 2 1 . 6 ) 1 . 7 )( 3152 . 0 ( ) 65 . 5 )( 4379 . 0 ( 1 . 6
3152 . 0
77 . 392 , 7
71 . 330 , 2
92 . 165 , 15 69 . 558 , 22
33 . 466 , 13 04 . 797 , 15
) 15 . 123 ( ) 09 . 140 )( 03 . 161 (
) 15 . 123 )( 349 . 109 ( ) 03 . 161 )( 1 . 98 (
4379 . 0
77 . 392 , 7
69 . 237 , 3
93 . 165 , 15 69 . 558 , 22
01 . 081 , 12 7 . 318 . 15
) 15 . 123 ( ) 09 . 140 )( 03 . 161 (
) 15 . 123 )( 10 . 98 ( ) 09 . 140 )( 349 . 109 (
2
2
= + = =
=
+
=

=
= =
=

=
a
c
b

Observamos que
$
b= 0.4379 tiene signo positivo y $ c= -0.3152 tiene signo negativo. Estos resultados
confirman la teora econmica, motivo por el cual podemos continuar probando la relacin que tiene
el consumo (Y) con el ingreso (X
1
) y la inflacin (X
2
). Por consiguiente, la ecuacin de regresin
mltiple es:

$ y = 5.8638 + 0.4379X
1
- 0.3152X
2

Con Eviews file/new/workfile/workfile Range/Undated or irregular/ escribimos en stsrt date 1 y en
end date/ok vamos al menu de Quick Empty Group (edit series) y escribimos los datos de Y, X
1
, X
2

name group 01/ok/ salimos haciendo clic en la celda roja /Quick/Estimate Equation aparece la
pantalla y escribimos Y C X1 X2/ok/ y aparece la ecuacin de regresin Y=5.8+.4X1-
0.39X2/name/eq01/ok.
Vamos a Quick/Group Statistics/Correlations/ aparece en pantalla Series List y escibimos Y X1
X2/ ok aparece coeficiente de correlacin parcial name/Group 02/ok para graficar: Quick/graph/line
graph/ series list: Y X1 X2/ok y aparece la grfica.

Ahora bien en virtud de que no hay una relacin lineal exacta de Y con X
1
y X
2
, necesitamos calcular
la relacin residual que se expresa con ui; misma que no conocemos porque pertenece al universo,
razn por la cual es estimada mediante e
i
, cuyo cuadrado e
i
2
, minimiza la suma de cuadrados de
todos los residuos: e
i
2

Para obtener e
i
(donde (i) = 1,2,3... ...8,9,10), antes necesitamos determinar $ y
i
para cada uno de los
10 aos. As:


86

1170 . 12 ) 1 ( 3152 . 0 ) 15 ( 4379 . 0 8637 . 5
8592 . 8 ) 3 ( 3152 . 0 ) 9 ( 4379 . 0 8637 . 5
1061 . 8 ) 4 ( 3152 . 0 ) 8 ( 4379 . 0 8637 . 5
4074 . 6 ) 8 ( 3152 . 0 ) 7 ( 4379 . 0 8637 . 5
1620 . 6 ) 6 ( 3152 . 0 ) 5 ( 4379 . 0 8637 . 5
4089 . 5 ) 7 ( 3152 . 0 ) 4 ( 4379 . 0 8637 . 5
3406 . 4 ) 9 ( 3152 . 0 ) 3 ( 4379 . 0 8637 . 5
8065 . 3 ) 10 ( 3152 . 0 ) 5 . 2 ( 4379 . 0 8637 . 5
0115 . 2 ) 15 ( 3152 . 0 ) 2 ( 4379 . 0 8637 . 5
7800 . 3 ) 8 ( 3152 . 0 ) 1 ( 4379 . 0 8637 . 5
10
9
8
7
6
5
4
3
2
1
= + =
= + =
= + =
= + =
= + =
= + =
= + =
= + =
= + =
= + =
y
y
y
y
y
y
y
y
y
y

Nota: estos resultados estn redondeados; la computadora ofrece ms decimales; por ello las cifras no
coinciden exactamente con las que se obtienen al correr los datos en computadora

Estos resultados aparecen en la continuacin de la tabla 1 en la columna integrada por
i
Y
.

Continuacin... ...Tabla 1:
Relacin del consumo (Y) con el ingreso (X
1
) y la inflacin (X
2
) (del ao 1 al 10)
Aos
$ y
i

e =Y - $ y
i
e
2
2
y

1 3.7800 -0.7800 0.6084 9.61
2 2.0115 -0.0115 0.0001 16.81
3 3.8065 0.1936 0.0375 4.41
4 4.3406 0.6594 0.4348 1.21
5 5.4089 -0.4089 0.1672 1.21
6 6.1620 0.8380 0.7022 0.81
7 6.4074 -0.4074 0.1660 0.01
8 8.1061 -0.1061 0.0113 3.61
9 8.8592 0.1408 0.0198 8.41
10 12.1170 -0.1170 0.0137 34.81
61.0000 0.0000* 2.1610 80.9
* Existen pequeas dif erencias debido a la magnitud de los decimales. La suma tcnicamente da cero

Observe que la suma de $ y
i
= 61es la misma que Y = 61 y por ello la suma de 0
= =
y
Y e ;
sin embargo, cada dato difiere y ello requiere obtener e
2
= 2.1610, para probar que es un mnimo.

VIII.2 Significacin Estadstica de b y c

87

Con base en los clculos anteriores es posible obtener
y
Y e
i
= y la 1610 . 2 ) (
2 2
= =
y
Y e en
la forma que aparecen en las columnas correspondientes en la continuacin de la tabla 1.
Como se observa la 0 ) (
y
Y , mientras que 1610 . 2 ) (
2
y
Y esto proviene de la solucin
de:
0137 . 0 ; 1170 . 0 1170 . 12 12
0198 . 0 ; 1408 . 0 8592 . 8 9
0113 . 0 ; 10160 . 0 1016 . 8 8
1660 . 0 ; 4074 . 0 4074 . 6 6
7022 . 0 ; 8380 . 0 1620 . 6 7
1672 . 0 ; 4089 . 0 4089 . 5 5
4348 . 0 ; 6594 . 0 3406 . 4 5
0375 . 0 ; 1936 . 0 8065 . 3 4
0001 . 0 ; 0115 . 0 0115 . 2 2
6084 . 0 ; 7800 . 0 7800 . 3 3
2
1 10
2
1 9
2
1 8
2
1 7
2
1 6
2
1 5
2
1 4
2
1 3
2
1 2
2
1 1
= = =
= + = =
= = =
= = =
= + = =
= = =
= = =
= = =
= = =
= = =
e e
e e
e e
e e
e e
e e
e e
e e
e e
e e

= 1610 . 2
2
e

Con estos valores podemos probar la significacin estadstica de los parmetros poblacionales b, c,
calculando primero las varianzas de los estimadores. Las frmulas de las varianzas son:

Var b
x
x x x x
Var c
x
x x x x
u
u
$
( )
$
( )
=
2
2
2
1
2
2
2
1 2
2
2 1
2
1
2
2
2
1 2
2

No se acostumbra calcular la varianza de $ a (pendiente al origen) por que no ayuda a probar la teora
econmica, ya que $ y
i
= $ a cuando X
1
= 0; X
2
= 0 puesto que lo que se desea es probar las
variaciones de $ y
i
en funcin de las variaciones de X
1
, X
2
.

Por otra parte, como
u
2
es desconocida por que es del universo, se estima con S
2
, como una
estimacin insesgada, es decir, E (S
2
) =
u
2
.

88

Su formula es: S
e
n k
u
i
2 2
2
= =
$
donde:
n = nmero de trminos (10 en este ejemplo)
k = nmero de parmetros estimados (3 en este ejemplo)

Por lo que el numero de los grados de libertad es de: 10 - 3 = 7

Con estas referencias, las estimaciones insesgadas de las varianzas de c , b tendrn las siguientes
frmulas:

S Var b
e
n k
x
x x x x
S S
S Var c
e
n k
x
x x x x
S S
b
i
b b
c
i
c c
$ $ $
$ $ $
(
$
)
( )
;
( $ )
( )
;
2
2
2
2
1
2
2
2
1 2
2
2
2
2
1
2
1
2
2
2
1 2
2
2
= =

=
= =

=

S
b
$
2
, S
c$
2
son los errores estndar de
$
, $ b c con los que se pueden probar las hiptesis sobre b, c,
relativos a que hay o no hay relacin de Y con respecto a X
1
, X
2
, con la estadstica t de Student
porque n < 30 trminos:

Para b: Para c:
H
o
: b = 0 H
o
: c = 0
H
a
: b 0 H
a
: c 0

t
b b
S
b
b
=

$
$
t
c c
S
c
c
$
$
$
=

Estas t`s empricas u observadas se confrontan con las t`s tericas o de tablas. Estas ltimas se
denotan con las literales t
, donde = nivel de significacin que junto con los grados de libertad (n-
k) determinan los puntos crticos donde se toma la decisin de aceptar o rechazar H
o
.


89

As, para probar H
o
primero calculamos S
b
$
2
, S
c$
2
; sustituyendo los valores de las tablas en las
frmulas originales:

0761 . 0 0058 . 0 ; 0058 . 0 ;
0058 . 0 ) 0187 . 0 ( 3087 . 0
5 . 522 , 7
9 . 140
9225 . 165 , 15 4225 . 688 , 22
9 . 140
3087 . 0
) 15 . 123 ( ) 9 . 140 )( 0250 . 161 (
9 . 140
3 10
1610 . 2
) (
)
2 2
2 1
2
2
2
1
2
2
2
2
= = =
= = =
=
=

=

= =

b b
i
b
S S
x x x x
x
k n
e
b Var S

tambin
0812 . 0 0066 . 0 ; 0066 . 0 ;
0066 . 0 ) 0214 . 0 ( 3087 . 0
5 . 522 , 7
03 . 161
9225 . 165 , 15 4225 . 688 , 22
03 . 161
3087 . 0
) 15 . 123 ( ) 9 . 140 )( 0250 . 161 (
0250 . 161
3 10
1610 . 2
) (
) (
2 2
2 1
2
2
2
1
2
1
2
2
= = =
= = =
=
=

= =

c c
i
c
S S
x x x x
x
k n
e
c Var S

Por lo tanto las t`s empricas sern:

7542 . 5
0761 . 0
0 4379 . 0
=
b
b
S
b b
t 8017 . 3
0812 . 0
0 3087 . 0
=

=
=
c
c
S
c c
t

Ahora se determina con = 5% y 7 grados de libertad (n-k), el valor en tablas de t
= 2 365 . .
Vemos que b, y c son estadsticamente significativos.

Interpretacin econmica: S hay relacin del consumo (Y) con el ingreso (X
1
) y la inflacin (X
2
);
luego entonces se sigue confirmando nuestra teora.

VIII.3 Determinacin del Grado (o porcentaje) de la Relacin que Existe entre Y y las Variables
Explicativas X
1
, X
2


90

Para llevar a cabo la determinacin del grado de la relacin que existe entre la variable dependiente o
explicada y las variables independientes o explicativas primero se determina el Coeficiente de
Determinacin Mltiple.

La formula y el clculo del coeficiente puede plantearse de la siguiente manera:

% 33 . 97 3 973 . 0
0267 . 0 1
9 . 80
1610 . 2
1 1
2
2
2
2
o R
y
e
R
i
i
=
= = =

Interpretacin: El ingreso y la inflacin determinan el 97.33% de los cambios que experimenta el
consumo.

Si tomamos en cuenta la reduccin en los grados de libertad conforme aumenta el nmero de variables
independientes (aqu se supone que antes el consumo slo era funcin del ingreso -regresin simple-
y ahora hemos agregado la inflacin como variable explicativa adicional), entonces se debe calcular el
R
2
ajustado o R
2
, cuya formula es:

9656 . 0
0343 . 0 1 ) 2857 . 1 )( 0267 . 0 ( 1
) 2857 . 1 )( 9733 . 0 1 ( 1
3 10
1 10
) 9733 . 0 1 ( 1
1
) 1 ( 1
2
2 2
=
= =
=

=
R
k n
n
R R

Interpretacin: R
2
es un indicador ms exacto que R
2

VIII.4 Prueba de la Significacin Global de la Regresin Mltiple
9

En este caso la hiptesis nula se prueba con F, estadstica que se refiere al anlisis de varianza que es
el cociente de dividir la varianza explicada entre la varianza no explicada. Su formula es:
F
y
k
e
n k
R
k
R
n k
k n k
i
i

=

1
2
2
2
2
1
1
1
,
$
( )
( )
( )
( )

donde:
(k-1) son los grados de libertad de la varianza explicada
(n-k) los grados de libertad de la varianza no explicada
(ya es conocido el significado de n y k)
Como en el caso anterior - cuando usamos t - se requiere encontrar en tablas la F terica con un
cierto valor de para confrontarla con la F emprica. As, primero calculamos la F emprica:

91

0526 . 128
0038 . 0
4866 . 0
7
9733 . 0 1
2
9733 . 0
7 , 2
= =
= F
Si decimos que = 1%, buscamos F

en tablas con 2 grados de libertad para el numerador (varianza
explicada) y 7 grados de libertad para el denominador, vemos que F

= 9.55.
Como F
2,7
= 128.0526 > F

= 9.55 decimos que se acepta la hiptesis alternativa (se rechaza la
hiptesis nula) de que b y c, y R
2
son significativamente diferentes de cero.

Lo anterior indica que a travs de una sola estadstica se confirma la hiptesis que hemos venido
desarrollando de que: Y = f(X
1
,X
2
).

VIII.5 Coeficiente de Correlacin Parcial

Este coeficiente es til por que mide la correlacin neta entre la variable dependiente (Y) y una
variable independiente (sea X
1
o X
2
) despus de excluir la influencia que sobre ellas ejerce la(s)
otra(s) variable(s) independiente(s) en el modelo uniecuacional.

Notacin: r
y x x
1 2
,
es la correlacin parcial entre X
1
e Y despus de eliminar el impacto de X
2

sobre Y e X
1
. Sus frmulas son:
r
r r r
r r
y x x
y x yx x x
x x
yx
1 2
1 2 1 2
1 2
2
1 1
2 2
,
,
,
=

En forma anloga:
r
r r r
r r
yx x
yx yx x x
x x
yx
2 1
2 1 1 2
1 2
2
1 1
2 2
,
,
,
=

Para ello necesitamos hacer los siguientes clculos a partir de la tabla 1:
r
yx
x y
r
yx
x y
r
x x
x x
yx
yx
x x
1
2
1 2
1
1
2 2
2
2
2 2
1 2
2
2
1
2
109 35
16103 80 9
109 35
12 68 8 99
109 35
11399
0959
98 1
140 9 80 9
981
1187 8 99
981
106 71
0 919
12315
140 9 16103
12315
1187 12 68
12315
150 51
0 818
= = = = =
= =

=

=

=
= =

=

=

=

.
. .
.
( . )( . )
.
.
.
.
. .
.
( . )( . )
.
.
.
.
. .
.
( . )( . )
.
.
.

Sustituyendo:


92

% 8 . 83 838 . 0
838 . 0
161 . 0
135 . 0
) 282 . 0 )( 574 . 0 (
784 . 0 919 . 0
08 . 0 33 . 0
) 818 . 0 )( 959 . 0 ( ) 919 . 0 (
1 1
% 6 . 93 936 . 0
222 . 0
208 . 0
) 387 . 0 )( 574 . 0 (
) 751 . 0 ( ) 959 . 0 (
15 . 0 33 . 0
) 818 . 0 )( 919 . 0 ( ) 959 . 0 (
1 1
1 2
2
2 1
2 1 1 2
1 2
2 1
2
2 1
2 1 2 1
2 1
,
2
,
2
,
,
,
2
,
2
,
,
o r luego
r r
r r r
r
n i b m a t
o r
r r
r r r
r
x x y
x y
x x
x x x y x y
x x y
x x y
x y
x x
x x x y x y
x x y
=
=
=
+
=
=

=

=
=
= =
=
=

=

=

Como r y r
y x x y x x
1 2 2 1
0936 0838
, ,
. " " . = =

Se dice que el ingreso (X
1
) es ms importante explicando las variaciones del consumo (Y) que la
inflacin (X
2
); obviamente en sentido inverso, como lo indica la teora econmica.

Se acostumbra presentar en forma resumida los resultados estadsticos, mismos que en computadora
suelen aparecer as:

b
o
= 5.80083749 S
b
&&
2
= 0.005779 S
b
&&
= 0.076
b
1
= 0.44219342 S
c$
2
= 0.006604 S
c$
= 0.081
b
2
=-0.3097507
R
2
= 0.97330500
R
2ajus
= 0.965678

calculado tablas
t
1
= 5.817014 2.36
t
2
= -3.811620 2.36
F = 124.7400 6.54


93

Las relaciones de Y con X
1
, X
2
grficamente se expresan as:

Act ual Ajust ado Residual
Grficament e
1.0986122886 1.0289711374 0.0696411512 | . | * . |
0.6931471805 1.12658750472 -0.433440324 | * . | . |
1.3862943611 1.32569568282 0.0605986783 | . | * . |
1.6094379124 1.42605193427 0.1833859781 | . | *. |
1.6094379124 1.60787004333 0.0015678691 | . * . |
1.9459101490 1.7376480515 0.2082620975 | . | * |
1.7917594692 1.78985074501 0.0019087242 | . * . |
2.0794415416 2.03328216598 0.0461593757 | . | * . |
2.1972245773 2.15869999287 0.0385245844 | . | * . |
2.4849066497 2.66151478441 -0.176608134 | .* | . |

VIII.6 Prediccin

Para conocer el consumo, por ejemplo en el ao 12, suponemos que el ingreso en ese ao ser de 16 y
la inflacin 1.5 sustituimos en la ecuacin de regresin y encontramos:

y
12

= 5.800837 + 0.442193(16) - 0.305791 (1.5) = 5.800837 + 7.075088 -
0.4586865

y
12

= 12.4113

Lo anterior usando Eviews requiere de los siguientes pasos:
1.- Estimar la ecuacin de regresin
2.- En la pantalla de Workfile modificar el Rango RANGE y el SMPL ahora ser de 1 12
3.- En la lnea de comando digitar el comando DATA seguido de las variables independientes que son
las que conocemos sus valores futuros, as el consumo (X1) para el ao 12 tiene un valor de 16 y
para la inflacin (X2) es 1.5
4.- En la ventana aparece un botn que se llama Forecast, se da un clic y aparece una pantalla que nos
solicita el nombre y periodo a que se desea pronosticas (por default aparece el nombre de la variable
dependientes con una F, para nuestro ejemplo ser YF), en la parte baja de la ventana muestra el
periodo de tiempo (SMPL) 1 12 y se da OK.
5.- Se muestra una pantalla como la siguiente


94

0
2
4
6
8
10
12
14
16
1 2 3 4 5 6 7 8 9 10 11 12
YF 2 S.E.
Forecast: YF
Actual: Y
Forecast sample: 1 12
Included observations: 10
Root Mean Squared Error 0.464715
Mean Absolute Error 0.369380
Mean Abs. Percent Error 7.645546
Theil Inequality Coefficient 0.034564
Bias Proportion 0.000000
Variance Proportion 0.006764
Covariance Proportion 0.993236

6.- En la pantalla de Workfile se selecciona la variable Y y YF para conocer el valor pronosticado, o
bien en la lnea de comando digitar el comando SHOW seguido de Y y YF y enter, de igual manera
muestra los valores.

obs Y YF
1 3 3.76502492522
2 2 2.03896311067
3 4 3.80881355932
4 5 4.33966101695
5 5 5.4013559322
6 7 6.1533000997
7 6 6.41818544367
8 8 8.09938185444
9 9 8.85132602193
10 12 12.1239880359
11 7.25770687936
12 12.4113060818

VIII.7 Clculo de la Elasticidad

Con base en la informacin anterior se puede obtener:

VIII.7.1La Elasticidad Ingreso del Consumo: Mide el cambio porcentual en los niveles del consumo
como consecuencia de un cambio porcentual en el ingreso disponible (despus de impuestos).
Es importante sealar que la elasticidad no es constante, es decir, cambia en cada uno de los
puntos de la funcin de regresin. Su clculo puede hacerse con la formula:

E b
X
Y
ib
$
$
.
.
.
. ( . ) . = = = =
1
044
565
61
044 092 040

95

VIII.7.2 De manera similar se puede obtener la Elasticidad Precio de la Demanda Cuya
interpretacin es similar a la elasticidad ingreso, pero ahora referida a los precios. Como no hay
datos, conceptualmente se mide con:

E
p
= Parmetro estimado multiplicado por el cociente que resulta de dividir la media de los
precios entre la media de la demanda o consumo

VIII.7.3 Con base en lo anterior podemos obtener la Elasticidad Inflacin del Consumo as:
E c
X
Y
ic$
$ .
.
.
. ( . ) . = = = =
2
031
71
61
031 116 036


96

Dr. Genaro Snchez Barajas : Tercer examen parcial.

Tema: Marco terico de la expresin matemtica de una teora econmica y de su verificacin estadstica.

I.-Conteste con una X en SI cuando la afirmacin sea verdadera y tambin con una X en NO cuando la afirmacin
sea falsa:

1.- Una variable cualitativa no se puede expresar cuantitativamente: Si___; No____.

2.-Una variable dicotmica puede tomar ms de dos valores: Si_____; No________

3.-Para predecir la variable dependiente es necesario que antes se conozcan los valores proyectados de las variables
explicativas en el tiempo: SI:_______; NO:___________

4.- Cuando se verifica la hiptesis de la relacin entre la variable dependiente con las independientes, se espera que
idealmente el valor del coeficientes de correlacin mltiple no sea semejante a los valores de los coeficientes de
correlacin parcial: SI:__; NO__.

5.- Cuando se verifica con la estadstica F que las variables independientes si explican a la variable dependiente,
tericamente se debe de verificar con la prueba t de Student que cada una de las variables independientes tambin
explican a la dependiente: SI___; NO____.

6.- Al correr la regresin, cuando los signos de los coeficientes obtenidos de las variables regresoras no coinciden con la
concepcin terica de su relacin con la variable regresada, se debe cambiar de variable regresora: SI____; NO______:

7.- Al probar una hiptesis nula con la t de Student, si la t real o calculada es mayor que la t terica o de tablas, se
acepta dicha hiptesis nula: SI____;NO_____.

8.- Cuando F real o calculada es menor que F terica o de tablas rechazamos la hiptesis nula: SI_____; NO____.
:
9.- en una regresin mltiple si al probar una hiptesis nula con ciertos grados de libertad y nivel de significacin,
cuando los valores de t no son estadsticamente significativos pero F si lo es, se dice que posiblemente se viol algn
de los supuestos del modelo de estimacin: SI____; NO______.

10.-Conocido el valor del coeficiente de la variable explicativa X, su media aritmtica como la de la variable explicada
Y, la elasticidad se calcula as
X
Y
b E
= : SI__;NO___.

Observaciones: Cada una de las respuestas correctas vale 10 puntos en escala de 0 a 100. No se puede usar la
calculadora, ni las tablas estadsticas ni la bibliografa correspondiente a cada tema.

97

IX. TRANSFORMACIONES DE FORMAS FUNCIONALES NO LINEALES
EN LINEALES

IX.1 Propsito

En economa existen fenmenos que no siempre tienen un comportamiento lineal, digamos como el
comportamiento del valor de las acciones de cualquier empresa en el mercado burstil. Este
comportamiento se detecta al graficar los valores del fenmeno y obtener un diagrama de dispersin
en forma de sierras; tambin ello se comprueba cuando cierta teora econmica as lo establece,
digamos el valor de la produccin en funcin de los insumos de mano de obra y de capital.

Comenta el profesor Salvatore (1991, p. 136) que la teora econmica puede a veces sugerir la forma
funcional de una relacin econmica; tambin, que la dispersin de los valores observados puede
sugerir la forma funcional apropiada en una relacin de dos variables, y que cuando ninguna teora ni
dispersin de puntos es de ayuda, la funcin lineal se trata usualmente primero debido a la
simplicidad.
Algunas de las transformaciones de funciones no lineales a lineales ms tiles y comunes son las
funciones logaritmo doble o doble-log, recproca, y la polinomial. Una de las ventajas de la forma
doble-log es que las pendientes representan elasticidades. La funcin semilog es apropiada cuando la
variable dependiente crece en el tiempo a un ritmo relativamente constante, como en el caso de la
fuerza laboral y de la poblacin. Las funciones recprocas y polinomial son apropiadas para estimar
curvas de costo medio y costo total.
La estimacin de una funcin doble-log transformada por el mtodo de MCO arroja estimadores de
pendiente insesgados. Sin ambago b
0
=antilo b
0
* es un estimador sesgado pero consistente de b
0
. El
hecho de que b
0
sea sesgado no es de mucha importancia, porque la constante no muestra un inters
especial en economa. En las otras funciones transformadas b
0
tambin es insesgado.

Se recomienda trasformar estas formas funcionales no lineales en lineales cuando se aplica el
anlisis de regresin con el objeto de que al utilizar el mtodo de mnimos cuadrados, se obtengan
funciones lineales trasformadas cuyas pendientes sean estimadores insesgados. Estas nuevas
pendientes aparte de ser insesgadas, su valor es igual a la elasticidad de la variable dependiente con
respecto a la independiente o explicativa, como es el caso de la forma funcional doble logartmica.

IX.2 Formas Funcionales Transformadas ms usadas en Economa: Doble Logartmica,
Exponencial, Semilogartmica, Recproca y Polinomial

La forma funcional Y aX
be
u
= $
$
se puede transformar en la doble logartmica
log log
$
log log Y a b X e
u
= + + . La funcin exponencial Y ab
x
= se transforma en
log log log Y a bX = + que es semilogaritmica por que slo transforma Y, etc.


98

IX.2.1 Logaritmos Comunes y Naturales

Como se recordar los logaritmos comunes tienen base 10 y los naturales base e = 2.718 de manera
tal que la relacin entre logaritmos naturales y comunes es:

logaritmo natural (ln) de X = 2.3026*logaritmo comn (lc) de X

Ejemplo:

Cuando:
X = 240; su ln = 2.3026 (2.380211) = 5.48064
X = 1480; su ln = 2.3026 (3.170262) = 7.29986
X = 410; su ln = 2.3026 (2.612784) = 6.01616
X = 450; su ln = 2.3026 (2.653223) = 6.10925
X = 3; su ln = 2.3026 (0.477100) = 1.09857
X = 2; su ln = 2.3026 (0.301000) = 0.69308
X = 8; su ln = 2.3026 (0.903100) = 2.07947
X = 1; su ln = 2.3026 (0.000000) = 0.00000
Es el investigador quien decide si trabaja con logaritmos de base 10, base e o cualquier otra base;
para evitar confusiones basta pues con especificar con que base de logaritmos se trabaja.

IX.3 Ejemplos Aplicando el Mtodo de Mnimos Cuadrados Ordinarios

IX.3.1 Funcin de Consumo Transformada a Forma Lineal Doble Logartmica

A partir de los datos de la tabla 1 hacemos los siguientes clculos que aparecen en la tabla 2

Tabla 2: Funcin del Consumo Transformada a Forma Lineal Doble Logartmica
Aos Y X1 X2 lnY
lnY
2

ln X
1
lnX
2
y = lnY-Med lnY
1 3 1 8 1.098612289 1.20694896 0 2.079441542 -0.591004916
2 2 2 15 0.693147181 0.48045301 0.693147181 2.708050201 -0.996470024
3 4 2.5 10 1.386294361 1.92181206 0.916290732 2.302585093 -0.303322843
4 5 3 9 1.609437912 2.59029039 1.098612289 2.197224577 -0.080179292
5 5 4 7 1.609437912 2.59029039 1.386294361 1.945910149 -0.080179292
6 7 5 6 1.945910149 3.78656631 1.609437912 1.791759469 0.256292945
7 6 7 8 1.791759469 3.21040199 1.945910149 2.079441542 0.102142265
8 8 8 4 2.079441542 4.32407713 2.079441542 1.386294361 0.389824337
9 9 9 3 2.197224577 4.82779584 2.197224577 1.098612289 0.507607373
10 12 15 1 2.48490665 6.17476106 2.708050201 0 0.795289446
61 57 71 16.89617204 31.1133971 14.63440894 17.58931922 2.22045
Med 6.1 5.7 7.1 1.689617204 3.11133971 1.463440894 1.758931922

Funcin del Consumo Transformada a Forma Lineal Doble Logartmica

99

Aos y
2

=(lnY-Med lnY)
2
x
1
= lnX
1
-Med lnX
1
x
2
= lnX
2
-Med lnX
2
yx
1
yx
2

1 0.34928681 -1.463440894 0.320509619 0.864900762 -0.18942276
2 0.99295251 -0.770293713 0.949118279 0.767574595 -0.94576791
3 0.09200475 -0.547150162 0.543653171 0.165963143 -0.16490243
4 0.00642872 -0.364828605 0.438292655 0.029251699 -0.03514199
5 0.00642872 -0.077146533 0.186978227 0.006185554 -0.01499178
6 0.06568607 0.145997018 0.032827547 0.037418006 0.008413469
7 0.01043304 0.482469255 0.320509619 0.049280502 0.032737578
8 0.15196301 0.616000648 -0.372637561 0.240132044 -0.14526319
9 0.25766525 0.733783683 -0.660319634 0.372474008 -0.33518311
10 0.6324853 1.244609307 -1.758931922 0.989824645 -1.39885999
2.56533418 -8.881178 1.3227 3.52300496 -3.18838213

Funcin del Consumo Transformada a Forma Lineal Doble Logartmica
Aos x
1
x
2

x
1
2

x
2
2

lnYc
e
2
= ln(Y-Yc)
2

1 -0.46904688 2.141659251 0.102726416 1.028971137 0.00484989
2 -0.73109984 0.593352406 0.900825507 1.126587505 0.187870515
3 -0.29745992 0.299373300 0.295558770 1.325695683 0.003672200
4 -0.15990170 0.133099912 0.192100451 1.426051934 0.033630417
5 -0.01442472 0.005951588 0.034960857 1.607870043 2.458210000
6 0.004792724 0.021315129 0.001077648 1.737648052 0.043373101
7 0.154636037 0.232776582 0.102726416 1.789850745 3.643230000
8 -0.22954498 0.379456797 0.138858752 2.033282166 0.002130688
9 -0.48453177 0.538438493 0.436022019 2.158699993 0.001484144
10 -2.18918304 1.549052326 3.093841507 2.661514784 0.031190433
-4.41576410 5.894475785 5.298698344 16.89617204 0.308207489
Como puede observarse en la tabla 2, los pasos fueron:

a) Convertir los valores de Y, X
1
, X
2
a logaritmos naturales (ly, lx
1
, lx
2
)

b) Obtener las desviaciones de esos logaritmos con respecto a las medias aritmticas
Y X X , ,
1 2
. En el caso del consumo: para el primer trmino, log Y
1
-Y ; para el ltimo trmino log Y
10
-
Y . Un procedimiento anlogo se hizo para las desviaciones de los logaritmos de X
1
, X
2
con respecto
a sus X X
1 2
, .

Como se recordar las desviaciones se representan con letras minsculas, ello con el objeto de
aplicar las frmulas ya conocidas para obtener
$,
$
, $; a b c que son:


100

2 1
2
2 1
2
2
2
1
2 1 1
2
1 2
2
2 1
2
2
2
1
2 1 2
2
2 1
ln
) ( ) )( (
) )( ( ) )( (
ln
) ( ) )( (
) )( ( ) )( (
ln
X Log c X Log b Y Log a
x x x x
x x y x x y x
c
x x x x
x x y x x y x
b
=
=

c) Sustituyendo en las frmulas los datos de la tabla 2 tenemos:

6 . 1 47 . 0 57 . 0 69 . 1 ) 76 . 1 )( 27 . 0 ( ) 46 . 1 )( 39 . 0 ( 68 . 1
ln
27 . 0
61 . 11
23 . 3
) 42 . 4 ( ) 29 . 5 )( 89 . 5 (
56 . 15 79 . 18
) 42 . 4 ( ) 29 . 5 )( 89 . 5 (
) 42 . 4 )( 52 . 3 ( ) 89 . 5 )( 19 . 3 (
ln
39 . 0
63 . 11
56 . 4
53 . 19 16 . 31
10 . 14 66 . 18
) 42 . 4 ( ) 29 . 5 )( 89 . 5 (
) 42 . 4 )( 19 . 3 ( ) 3 . 5 )( 52 . 3 (
ln
2 2
2
= + = =
=
=

+
=

=
= =
=

=
a
c
b

d) La ecuacin de regresin ser :

log Yc = 1.6 + 0.39 logX
1
-0.27 logX
2

e) Para determinar la e
i
2
relacin residual primero obtenemos las Y`s calculados o estimadas

as::

ln Y
1
= 1.6 + 0.39 (0) - 0.27 (2.07) = 1.6 - 0.55 = 1.05
ln Y
2
= 1.6 + 0.39 (0.69) - 0.27 (2.70) = 1.6 + 0.27- 0.72 = 1.15
*
*
*
*
ln Y
5
= 1.6 + 0.39 (1.39) - 0.27 (1.94) = 1.6 + 0.54- 0.52 = 1.62
*
*
*
ln Y
10
= 1.6 + 0.39 (2.70) - 0.27 (0) = 1.6 + 1.05 = 2.65

Nota: a cada uno de estos diez valores de Yc, se le saca el antilogaritmo

101

f) Luego que se tiene Y, Yc se obtiene e
i
= y
i
- Yc, misma que se eleva al cuadrado (e
i
)
2
y
se obtiene su suma que de acuerdo con la tabla 2 tenemos e
i
2
=0.30

g) En seguida se prueba la significacin estadstica de b y c para ello obtenemos:

S Var b
e
n k
x
x x x x
S
S Var c
e
n k
x
x x x x
S
b
i
b
c
i
c
$ $
$ $
(
$
)
( )
. ; .
( $ )
( )
. ; .
2
2
2
2
1
2
2
2
1 2
2
2
2
1
2
1
2
2
2
1 2
2
0 000395 0019
0000489 0 022
= =

= =
= =

= =

Con ello probamos Ho:

Para b Para c
Ho: b = 0 Ho: c = 0
H
A
: b 0 H
A
: c 0

t
b
= =
039
0019
205
.
.
. t
c
=

=
027
0022
1227
.
.
.

Con = 1% y 7 grados de libertad 499 . 3 =
t luego b y c son estadsticamente

significativos, indicando que si hay relacin del consumo con el ingreso y la inflacin.

h) Ahora calculamos:
R
e
y
o
luego r R o
la R R
n
n k
o
i
i
2
2
2
2
2 2
1 0879 879
087 0932 932
1 1
1
0845 845
= =
= = =
=

. . %
. . . %
( ) . . %

i) La prueba de la significacin global se hace con:

Ho: b
1
= b
2
= ... ...b
x
= 0
H
A
: ninguna b
i
es cero

F
R
k
R
n k
k n k
=

=
1
2
2
1
1
2563
,
( )
( )
.

102

Con = 5% y 2 y 7 grados de libertad 74 . 4 =
F , luego como 63 . 25 74 . 4
7 , 2
= = F F
,
decimos que se acepta la hiptesis alternativa de que b, c, R
2
son significativamente diferentes de
cero.
j) Clculo de la elasticidad: Como se indic previamente, las pendientes en esta forma
funcional doble logartmica, equivalen a las elasticidades ingreso e inflacin del consumo, es
decir, su valor es el valor de la elasticidad correspondiente. Como
$
. b = 039= elasticidad
respecto del ingreso;
$ . c = 027= elasticidad respecto de la inflacin. Ntese que estos valores son
similares a los obtenidos previamente en el punto VIII.7.1 y VIII.7.3, donde E
i
=0.40 y E
in
= -
0.36. Su diferencia se explica por el nmero de decimales utilizados.

Tambin comenta el profesor Dominick Salvatore que cuando la suma los coeficientes estimados
(elasticidades) de las variables independientes ( cuando son factores de la produccin, digamos mano
de obra y capital) es mayor que uno, hay economas de escala. En este sentido el profesor Gujarati
(1990 , p.153) complementa diciendo que cuando la elasticidad o pendiente de la variable
independiente es menor que uno, se debe interpretar como que hay inelasticidad de la variable
dependiente con respecto a la dependiente. Esto se ilustra en ejemplos subsecuentes.

IX.3.2 Ejemplo adicional de ecuacin doble logartmica
Transformacin en forma lineal doble logartmica
Con los siguientes datos y siguiendo los mismos pasos del ejemplo anterior obtenga: a). La ecuacin
de regresin, b). las elasticidades (economas de escala) y c). el error estndar de estimacin. As, si
especificamos en el modelo uniecuacional que Y=f(X
1
,X
2
)

Ao Y X1 X2 LnY LnX
1
LnX
2
LnY al cuadrado
2000 3 1 8 1.09 0.00 2.08 1.19
2001 2 2 9 0.69 0.69 2.19 0.48
2002 4 3 10 1.39 1.09 2.30 1.93

103

2003 5 4 12 1.60 1.39 2.48 2.56
Suma 14 10 39 4.77 3.17 9.05 6.16
Media 3.5 2.5 9.8 1.19 0.77 2.26 1.56
Una vez que los datos fueron convertidos a logaritmos obtenemos las desviaciones de los valores
originales con respecto a sus medias, con objeto de ir calculando los valores necesarios para estimar
los parmetros de la ecuacin de regresin que facilite el clculo de las elasticidades y del error
estndar de estimacin. Las desviaciones se expresan con minsculas as:

y=LnY-
media de
LnY
y al
cuadrado
x
1
=LnX
1
-
media de
LnX
1

x
2
=LnX
2
-
media de
LnX
2

yx
1
yx
2
x
1
x
2
x
1
2
x
2
2

-0.1 0.01 -0.79 -0.18 0.079 0.018 0.1422 0.6241 0.0324
-0.5 0.25 -0.10 -0.07 0.05 0.035 0.0070 0.0100 0.0049
0.2 0.04 0.30 0.04 0.06 0.008 0.0120 0.0900 0.0016
0.4 0.16 0.60 0.22 0.24 0.088 0.1320 0.3600 0.0484
0.0 0.46 0.00 0.00 0.43 0.149 0.2932 1-080 0.0873
Esos resultados se sustituyen en las ecuaciones que necesitamos para obtener el valor de los
coeficientes estimados. Luego si

2 1
2
2 1
2
2
2
1
2 1 1
2
1 2
2
2 1
2
2
2
1
2 1 2
2
2 1
) ( ) )( (
) )( ( ) )( (
) ( ) )( (
) )( ( ) )( (
X Log c X Log b Y Log a

x x x x
x x y x x y x
c
x x x x
x x y x x y x
b
=
=


104

Sustituyendo
b=(0.43)(1.0873) (0.149)(0.2932)/(1.08)(0..873) (0.2932) al cuadrado
b=(0.0375)-(0.0437)/0.0943 0.0859
b=-0.0062/0.0084
b= - 0.708
hacemos lo mismo para c
c=0.149(1.08) 0.43(0.2932)/1.08(0.0873) (0.2932) al cuadrado
c=0.1609 0.1261/0.0943 0.0860
c=0.0348/0.0084
c=4.19
finalmente para a
a=1.19 (-0.708)(0.79) 4.19(2.26)
a=1.19 + 0.56 9.46
a= - 7.71
a). As la ecuacin de regresin es LnYc=-7.71 0.708lnX1 +4.19LnX2
b). Las elasticidades son: Elasticidad de Y con respecto a X1= -0.708; de Y con respecto a X2=
+4.19, de manera que si 4.19+ (-0.708)= 3.482 1, decimos que si hay economas de escala.
c). Para calcular el error estndar de estimacin tabulamos a partir de la ecuacin de regresin
LnY1c= -7.71-0.708(0) + 4.19(2.08)=1.0000
lnY2c= -7.71- 0.708(0.69)+4.19(2.19)=0.9810
LnY3c= -7.71-0.708(1.09)+4.19(2.30)=1-1600
LnY4c= -7.71-0.708(1.39)+4.19(2.48)=1.6960
Tabulando tenemos


105

LnY LnYc =LnY-LnYc al cuadrado
1.09 1.000 +0.090 0.0081
0.69 0.981 -0.291 0.0847
1.39 1.160 +0.230 0.0529
1.60 1.696 -0.096 0.0092
0.000 0.1549
Luego el error estndar de estimacin es
( )
3935 . 0 1 / 1549 . 0
2
2 1
= =
=

k n
E
X YX

IX.3.3 Funcin de Consumo Exponencial Transformada a Forma Lineal Semilogartmica

Una funcin es semilogaritmica cuando una de las variables se convierte o se transforma en
logaritmos, sea X o Y. En este sentido, si se establece que sea Y la que se exprese en logaritmos, a
partir de una funcin exponencial, ello grficamente se expresa mediante una lnea recta cuando la
funcin se traza en una grfica semilogaritmica; ser una curva cuando se trace una grfica con escalas
ordinarias.

As, si la funcin es Yc = ab
x
tomando logaritmos se trasforma en una funcin lineal dada por logYc
= log a + log b (x). Nota: Este ejemplo se trabaja con logaritmos comunes, de base 10.

Para simplificar operaciones hacemos x = 0. Aplicando el mtodo de mnimos cuadrados, las dos
constantes desconocidas (log a, log b) se calculan con:

log
(log )
;log
( log )
a
Y
n
b
X Y
X
= =

2

Tabla 3:
Transformacin de la Funcin Consumo de una Funcin Exponencial
en Semilogartmica
Aos en Consumo

106

Ao Unidades X Y log Y XlogY X
2
logYc Yc
1 -5 3 0.4771 -2.3856 25 0.36 2.3
2 -4 2 0.3010 -1.2041 16 0.44 2.7
3 -3 4 0.6021 -1.8062 9 0.52 3.3
4 -2 5 0.6990 -1.3979 4 0.60 3.9
5 -1 5 0.6990 -0.6990 1 0.68 4.8
6 0 7 0.8451 0.0000 0 0.76 5.7
7 +1 6 0.7782 0.7782 1 0.84 6.9
8 +2 8 0.9031 1.8062 4 0.92 8.3
9 +3 9 0.9542 2.8627 9 1.00 10
10 +4 12 1.0792 4.3167 16 1.08 12
11 +5 13 1.1139 5.5697 25 1.16 14.4
0 74 8.4519 7.8407 92 8.36 74.3

Sustituyendo:
log
(log )
.
.
log
( log )
.
.
a
Y
n
b
X Y
X
= = =
= = =
84519
11
076
78405
92
008
2

Luego la ecuacin de regresin transformada en logaritmos es:

log Yc = 0.76 + 0.08 X

Los valores de cada Yc
i
, donde (i) = 1,2,3... ...8,9,10,11; as se obtienen:

lnYc
1
= 0.76 + 0.08 (-5) = 0.76 - 0.4 = 0.36 ; su antilogaritmo es = 2.3
lnYc
2
lnYc
3
lnYc
4
lnYc
5
lnYc
6
= 0.76 + 0.08 (0) = 0.76 - 0 = 0.76 ; su antilogaritmo es = 5.7
lnYc
7
= 0.76 + 0.08 (1) = 0.76 + 0.08 = 0.84 ; su antilogaritmo es =6.9
lnYc
8
= 0.76 + 0.08 (2) = 0.76 + 0.16 = 0.92 ; su antilogaritmo es = 8.3
lnYc
9
= 0.76 + 0.08 (3) = 0.76 + 0.24 = 1.00 ; su antilogaritmo es = 10
lnYc
10
= 0.76 + 0.08 (4) = 0.76 + 0.32 = 1.08 ; su antilogaritmo es = 12
lnYc
11
= 0.76 + 0.08 (5) = 0.76 + 0.40 = 1.16 ; su antilogaritmo es = 14.4

Con estos resultados se pueden hacer en forma anloga los ejercicios anteriores:
a) La prueba de significacin estadstica de los parmetros estimados

107

b) El clculo de R
2
, r, R
c) La prueba de la significacin global con F

IX.3.4 Funcin de Consumo Transformada a Forma Lineal Semilogartmica, Usando Logaritmos
Naturales

Para los aos 1,2,3,4 y 5 el consumo (Y) como el ingreso (X) expresados en miles de millones de
pesos es:

Tabla 4:
Transformacin de la Funcin Consumo e Ingreso de la Forma Lineal a
Semilogartmica usando Logaritmos Naturales

Ao

Y

X

lnY
_
ln yi = LnY-LnY
_
xi = X-X

ln yixi

X
2

x
i
2

1 7 9 1.9459 -0.2751 -2.2 0.6053 81 4.84
2 8 10 2.0794 -0.1416 -1.2 0.1699 100 1.44
3 9 10 2.1972 -0.0239 -1.2 0.0286 100 1.44
4 11 13 2.3979 0.1768 1.8 0.3182 169 3.24
5 12 14 2.4849 0.2638 2.8 0.7387 196 7.84
47 56 11.1053 0 0 1.8609 646 18.8

Las respectivas medias estn dadas por:

2 . 11
5
56
ln
22 . 2
5
1053 . 11
ln
= =
= =
X
Y

a) Encontrar la ecuacin de regresin con y = f (x)

Con esa informacin sustituimos en las frmulas de los estimadores de los parmetros y
encontramos:

1124 . 1 ) 2 . 11 ( 0988 . 0 22 . 2
log
ln
0989 . 0
8 . 18
8609 . 1
ln
ln
2
= = =
= = =
X b Y a
x
y x
b
i
i i

Luego entonces la ecuacin de regresin ser: ln Yc = 1.1124 + 0.0989X
b) Probar la significacin estadstica de los parmetros estimados.


108

Para ello primero se debe obtener ln $ y, luego e, e S S S
i
b
a
2 2
, , ,
$
$
cuyos clculos son:

ln Yc
1
= 1.1124 + 0.0989 (9) = 2.003
*
*
*
ln Yc
5
= 1.1124 + 0.0989 (14) = 2.498

Transformacin de la Funcin Consumo e Ingreso de la Forma Lineal a
Semilogartmica usando Logaritmos Naturales
Aos lnYc e=lnY-lnYc
e
i
2
Lny
i
2

1 2.0033 -0.0575 0.0032 0.0756
2 2.1022 -0.0228 0.0005 0.0201
3 2.1022 0.0949 0.0090 0.0015
4 2.3992 -0.0013 0.0001 0.03125
5 2.4982 -0.0133 0.0002 0.0695
0 0.013 0.1972

Primero calculamos: S
e
n k
i
2
2
0013
5 2
00043 =
=
.
.

luego: 0299 . 0
) 8 . 18 ( 5
) 649 (
0043 . 0
2
1
2 2
2
=
(

x n
X
k n
e
S
i
a

por consiguiente S S
a a $ $
. . = = =
2
00299 01730

tambin:
S
e
n k x
S S
b
i
i
b b
$
$ $
.
.
.
. .
2
2
2
2
1
00043
1
188
00023
000023 00151
=
(
=
= = =

Con ello establecemos:
Ho: a = 0 Ho: b = 0
H
A
: a 0 H
A
: b 0

109

t
a a
S
a
a
=

=

=
$ .
.
.
$
11124 0
01730
64293 t
b b
S
b
b
=

=

=
$
.
.
.
$
00989 0
00151
65179
Con =5% y 3 grados de libertad hallamos t
= 3182 . que es menor que t

a
, t
b
, por lo que decimos
que a, b son significativamente diferentes de cero, es decir que se acepta la hiptesis alternativa; ello
indica que si hay relacin entre el consumo (Y) y el ingreso (X).

c) Obtener R
2
, r:
R
e
y
o
i
i
2
2
2
1 1
00130
01972
0934 934 = = =
.
.
. . %
Lo anterior indica que X explica el 93.4% de los cambios que suceden en Y. En seguida obtenemos:
r R = = =
2
0934 09664 . .

Lo cual significa que hay una alta correlacin positiva entre X e Y, es decir, a medida que aumenta X,
tambin lo hace Y de acuerdo con el valor de la pendiente
$
b .

d) Prediccin: Digamos que para 6 la variable X = 16 y se desea estimar el valor de Y para ese
ao. Sustituimos:

lnYc = 1.1124 + 0.0989 (16) = 2.6962, cuyo antilogaritmo es 14.8, que es el valor estimado del
consumo Y en el ao 6.
e) Lmites de Confianza: Si se desea calcular el intervalo dentro del cual se halla contenido el valor
real de Y con cierta probabilidad para el ao 6, aplicamos la siguiente frmula:
Y Yc t S
f
=

donde:

S
f
= error de prediccin
005 . 0 ) 23 . 0 1 ( 0043 . 0
44 . 353
96 . 12
2 . 0 1 0043 . 0
) 8 . 18 (
) 2 . 11 8 . 14 (
5
1
1
) (
) ( 1
1
2
2
2
2
1
2
2 2
= + =
=
(
+ + =
(

+ + =
(
(
+ + =
S
X X
X Yc
n
S S
f

luego S
f
= 007 . y si = 5%; t
= 3182 . y n-k =3

tenemos:
Y Yc t S
Y
Y
f
=
=
=
148 3182 007

148 022
. . ( . )
. .


110

Interpretacin: El valor real de Y para 1997 est en el intervalo de confianza 14.8 0.22, con una
probabilidad del 95%, cuyo limite inferior es 14.58 y el superior es 15.02.
Comentarios: El ajuste con la funcin semilogartmica es mejor que el ajuste con las formas lineales y
polinomiales.

111

IX.4 Apl i caci n de Formas Funcionales en los Modelos de Regresin

Se trabaja principalmente con modelos que son lineales en los parmetros, los cuales pueden ser o no
lineales en las variables. Se consideraran algunos modelos de regresin ms comnmente tilizados,
que pueden ser no lineales en las variables pero que son lineales en los parmetros o que pueden serlo
mediante transformaciones apropiadas de las variables. En particular, se analizarn los siguientes
modelos de regresin:

1. El modelo log-lineal
2. Modelos semilogartmicos
3. Modelos recprocos
4. El modelo logartmico recproco
Se analizan las caractersticas especiales de cada modelo, los casos en los cuales su uso es apropiado y la forma como
stos son estimados.

1.- Cmo Medir la Elasticidad: modelo log-lineal

Considrese el siguiente modelo, conocido como el modelo de regresin exponencial:

i
e X Y
i i i

2
= 1

el cual puede ser expresado alternativamente como:
i i i i
X Y + + = ln ln ln
2
2

Obsrvense estas propiedades de los logaritmos:
1) In(AB) = In A + In B,
2) In(A/B) = In A - In B y
3) In(A
k
) = k In A, suponiendo que A y B son positivos y donde k es alguna constante.

donde In = logaritmo natural (es decir, logaritmo en base e y donde e = 2.718). Si se escribe (2) como
i i i
X Y + + = ln ln
2
3

donde = In
1
este modelo es lineal en los parmetros y
2,
lineal en los logaritmos de las
variables Y y X y puede ser estimado por regresin MCO. Debido a esta linealidad, tales modelos se
denominan modelos log-log, doble-Iog, o log-lineales. .

S i l os supue stos de l mode l o cl si co de re gre si n l i ne al se cumpl e n, l os
parme tros de (3) pue de n se r e sti mados por e l m todo MCO consi de rando que
i i i
X Y + + =
*
2
*
4


112

donde
*
i
Y = In Y
i
y
*
i
X = In X
i
'. Los estimadores MCO obtenidos,
y
2
sern los mejores

estimadores lineales insesgados de y
2
respectivamente.
Una caracterstica importante del modelo log-log, que lo ha hecho muy popular en el trabajo
emprico, es que el coeficiente de la pendiente
2
mide la elasticidad de Y con respecto a X, es
decir, el cambio porcentual en Y ante un pequeo cambio porcentual en X dado
1
. As, si Y
representa la cantidad demandada de un bien y X su precio unitario,
2
mide la elasticidad-precio de
la demanda, un parmetro de gran inters en economa. Si la relacin entre la cantidad demandada y el
precio es como se muestra en la figura a, la transformacin doble-Iog presentada en la figura b dar
entonces la estimacin de la elasticidad-precio (-
2
).

Figura Modelo de Elasticidad Constante. (a) y (b)

Pueden observarse dos caractersticas especiales del modelo log-lineal: el modelo supone que el
coeficiente de la elasticidad entre Y y X,
2
permanece constante a travs del tiempo (por qu?) de

1
El coef iciente de la elasticidad, en la notacin de clculo, se def ine como (dY/Y)/(dX/X) = [(dY/ dX)(X/Y)].
Nota tcnica: Se observa que d(ln X)/dX = 1/X o d(ln X) = dX/X, es decir, para cambios inf initesimalmente pequeos
(obsrvese el operador dif erencial d), un cambio en In X es igual al cambio relativ o o proporcional en X. En la
prctica, sin embargo, si el cambio en X es pequeo, esta relacin puede escribirse como: cambio en In X
cambio relativ o en X, donde signif ica aproximadamente. As, para cambios pequeos,
(In Xt - In Xt-1) (Xt Xt-1)/Xt-1 = cambio relativ o en X
A propsito, se deber observar estos trminos, a los que se hace referencia frecuentemente:
1) cambio absoluto,
2) cambio relativ o o proporcional y
3) cambio porcentual o tasa de crecimiento porcentual.
As, (Xt Xt-1) representa un cambio absoluto, (Xt Xt-1)/Xt-1 = (Xt/Xt-1-1) es un cambio relativ o o proporcional y
[(X
t Xt-1)/Xt-1]IOO es el cambio porcentual, o la tasa de crecimiento. Xt y Xt-1 son los v alores actual y anterior
de la v ariable X, respectiv amente.


113

aqu su nombre alterno modelo de elasticidad constante
2
. En otras palabras, como lo indica la
figura b, el cambio en In Y por unidad de cambio en In X (es decir, la elasticidad,
2
; permanece igual
sin importar en cul ln X se mide la elasticidad. Otro aspecto del modelo es que a pesar de que
y
2
son estimadores insesgados de y

2,
1
(el parmetro del modelo original) al ser estimado como
1
= antilog (
) es, de por s, un estimador sesgado. En la mayor parte de los problemas prcticos,
sin embargo, el trmino interseccin es de importancia secundaria y no es necesario preocuparse por
obtener este estimador insesgado.

En el modelo de dos variables, la forma ms simple de decidir si el modelo log-lineal se ajusta a
los datos es graficar el diagrama de dispersin de In Y
i
frente a In X
i
y ver si las observaciones caen
aproximadamente sobre una lnea recta como en la figura b.

EJEMPLO 1:
GASTO EN BIENES DURADEROS RESPECTO AL GASTO DE CONSUMO PERSONAL
TOTAL

La tabla 1 muestra los datos sobre el gasto de consumo personal total (GCPERT), el gasto en bienes
duraderos (GASBD), el gasto en bienes perecederos (GASBPER) y el gasto en servicios (GASERV),
todos medidos en millones de dlares de 1992.2
Supngase que se desea calcular la elasticidad del gasto en bienes durables respecto al gasto de
consumo personal total. Al graficar el logaritmo del gasto en bienes durables en comparacin con el
logaritmo del gasto de consumo personal total, se observar que la relacin entre las dos variables es
lineal. Por tanto, el modelo del doble logaritmo podra resultar adecuado. Los resultados de la
regresin son:

ln GASBD
t
= -936971 + 1.9056 lnGCPERT
t

ee = (0.4341) (0.0514)
t = (-22.3370)* (37.0962)*
R
2
= 0.9849

donde * indica que el valor p es extremadamente pequeo,
Todos estos resultados muestran que la elasticidad de GASBD respecto a GCPERT es de casi
1.90, lo que sugiere que si el gasto personal total aumenta 1%, en promedio, el gasto en bienes
duraderos se incrementa casi 1.90%, En consecuencia, el gasto en bienes duraderos es muy sensible a

2
Un modelo de elasticidad constante permitir obtener un cambio en el ingreso total constante ante un cambio
porcentual dado en precios sin importar el niv el absoluto del precio. Se debe contrastar este resultado con las
condiciones de elasticidad implicadas en una f uncin de demanda lineal simple.
i i i i
X Y + + =
2
. Sin
embargo, una f uncin lineal simple permite obtener un cambio constante en la cantidad generado por un cambio
unitario en el precio. Conf ronte esto con le que implica el modelo log-lineal para un cambio dado en el precio del
dlar.

114

los cambios en el gasto de consumo personal. sta es una razn por la que los productores de bienes
duraderos siguen muy de cerca los cambios en el ingreso personal y el gasto de consumo personal.

2.- Modelos Semilogartmicos: log-lin y lin-log
Cmo medir la tasa de crecimiento: Modelo Log-Lin
Los economistas, la gente de negocios y los gobiernos frecuentemente estn interesados en encontrar
la tasa de crecimiento de ciertas variables econmicas, tales como poblacin, PIB, oferta monetaria,
empleo, productividad, dficit comercial, etc.
Supngase que se desea saber la tasa de crecimiento del gasto de consumo personal en servicios
para los siguientes datos (ver tabla 1). Sea Y
t
el gasto real en servicios en el tiempo t, y Y
o
el valor
inicial del gasto en servicios (es decir, el valor al final del cuarto trimestre de 1992). Se ha de recordar
la frmula del inters compuesto.
t
t
r Y Y ) 1 (
0
+ = 5

donde r es tasa de crecimiento compuesta de Y (es decir, a travs del tiempo). Tomando el logaritmo
natural de (5), podemos escribir

) 1 ln( ln ln
0
r t Y Y
t
+ + = 6

Ahora sea
0 1
lnY = 7
) 1 ln(
2
r + = 8

Se puede escribir (5) as

t t
Y
2
1
ln + = 9
Agregando el trmino de perturbacin a (9), se obtiene
3

t t t
Y + + =
2
1
ln 10

Este modelo es igual a cualquier otro modelo de regresin lineal en el sentido de que los parmetros
1
y

2,
son lineales. La nica diferencia es que la variable dependiente o regresada es el logaritmo de Y y
el regresor o variable explicativa es el "tiempo", que adquiere valores de 1,2,3, etc.
Modelos como (10) se denominan modelos semilog porque solamente una variable (en este caso la
dependiente) aparece en forma logartmica. Para fines descriptivos, un modelo en el cual la variable
regresada es logartmica se denominar modelo log-lin. Antes de presentar los resultados de la

3
Se agrega el trmino error porque la f rmula de inters compuesto no se cumple exactamente.


115

regresin, examnense las propiedades del modelo (9). 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 la variable t), es decir,
4

nte independie iable la en absoluto relativo cambio
e dependient iable la en relativo cambio
var
var
2
= 11

Si se multiplica el cambio relativo en Y por 100, (11) dar entonces el cambio porcentual, o la tasa de
crecimiento, en Y ocasionada por un cambio absoluto en X, la variable independiente. Es decir, 100
por
2
da como resultado la tasa de crecimiento en Y; 100 por
2
se conoce en la literatura como la
semielasticidad de Y respecto a X.

EJEMPLO 2: LA TASA DE CRECIMIENTO DEL GASTO EN SERVICIOS

Para ilustrar el modelo de crecimiento (10), considere los datos sobre el gasto en servicios
proporcionados en la tabla 1. Los resultados de la regresin son los siguientes:

In GASER, = 7.7890 + 0.00743t
ee = (0.0023) (0.00017)
t = (3387.619)* (44.2826)*
R
2
= 0.9894

Nota: GASER significa gasto en servicios y el asterisco (*) denota que el valor p es extremadamente
pequeo.
La interpretacin de la ecuacin es que durante un periodo de un trimestre (del primero al tercero de
1993), el gasto en servicios se increment a una tasa (trimestral) de 0.743%. Aproximadamente esto
es igual a un crecimiento anual de 2.972%. Puesto que 7.7890 = log de GES al comienzo del periodo
de anlisis, si se toma su antilogaritmo se tiene 2.41390 (billones de dlares), como el valor inicial de
GES (es decir, el valor al final del ltimo trimestre de 1992). La recta de regresin obtenida mediante
la ecuacin del ejemplo 2, se ilustra en la figura c.

Figura c

4
Uti l i zando cl cul o di ferenci al . se puede demostrar que 2 = d(l n Y)l dX = (1/Y)(dYl dX) = (dYIY)l dX,
que no es otra cosa que (11). Para cambi os pequeos en Y y en X, esta rel aci n puede aproxi marse
medi ante
( )
( )
1
1 1
/
t t
t t t
X X
Y Y Y

Nota: aqu X = t.

116

Tasa de crecimiento instantnea vs. compuesta. El coeficiente da la tasa de crecimieto instantnea (en
un punto del tiempo) y no la compuesta (durante un periodo). Pero esta ltima puede encontrarse a
partir de (8): obtener el antilogaritmo de la
2
estimada, restarle 1 y multiplicar la diferencia por 100.
Por tanto, para el ejemplo, el coeficiente de la pendiente estimado es 0.00743. As pues,
[antilog(0.00743) - 1] = 0.00746 o 0.746%. En consecuencia, en el ejemplo ilustrativo la tasa
compuesta de crecimiento de gastos en servicios fue de casi 0.746% por trimestre, lo cual es un poco
mayor que la tasa de crecimiento instantnea de 0.743%. Lo anterior se debe, por supuesto, al efecto
compuesto.
Modelo de tendencia lineal En lugar de estimar el modelo (10), los investigadores algunas veces
estiman el siguiente modelo:
t t t
Y + + =
2
1
12
Es decir, en lugar de hacer la regresin para el log de Y sobre el tiempo, lo hacen para Y sobre el
tiempo. Un modelo de este tipo se denomina modelo de tendencia lineal y la variable tiempo t se
conoce como la variable de tendencia. Si el coeficiente de la pendiente en (12) es positivo, existe una
tendencia creciente en Y, mientras que si es negativa, existe una tendencia decreciente en Y.

Para los datos concernientes con el gasto en servicios que se analizaron antes, los resultados de
ajustar el modelo de tendencia lineal (12) son los siguientes:

Ejemplo 3 de la Tabla 1
GASER
t
= 2 405.848 + 19.6920t
t = (322.9855) (36.2479)
R
2
= 0.9843
"En contraste con la ecuacin anterior, la interpretacin es la siguiente: durante el periodo
trimestral (del primero al tercero de 1993), en promedio, el gasto en servicios se increment
a una tasa absoluta (nota: no relativa) de casi 20 mil millones de dlares por trimestre. Es
decir, hubo una tendencia creciente en el gasto en servicios.

La eleccin entre el modelo de crecimiento del ejemplo 2 y el modelo de tendencia lineal del ejemplo
3, depender de si se est interesado en el cambio relativo o absoluto en el gasto en servicios aunque,
para propsitos de comparacin, es el cambio relativo el que tiene mayor importancia. Es necesario
observar que no se puede comparar los valores de R
2
de los modelos de los ejemplos 2 y 3 porque las
variables dependientes son diferentes en los dos modelos.


117

El modelo Lin-Log

A diferencia del modelo de crecimiento recin estudiado, en el cual se estaba interesado en encontrar
el crecimiento porcentual en Y, ante un cambio unitario absoluto en X, ahora hay inters en
encontrar el cambio absoluto en Y debido a un cambio porcentual en X. Un modelo que puede
lograr este propsito puede escribirse como

i i i i
X Y + + = ln
2
13

Para fines descriptivos, llamamos a este modelo un modelo lin-log. Interprtese el coeficiente de la
pendiente
2
.
5
Como es usual,
X en cambio
Y en cambio
ln
2
= o
X en relativo cambio
Y en cambio
=
2

El segundo paso se basa en el hecho de que un cambio en el log de un nmero es un cambio relativo.
Simblicamente, se tiene

X X
Y
/
2
= 14

donde, como es usual, denota un cambio pequeo. La ecuacin anterior puede ser escrita en forma
equivalente as:
Y =
2
(X/X) 15

Esta ecuacin plantea que el cambio absoluto en Y (= Y) es igual a la pendiente
multiplicada por el cambio relativo en X. Si este ltimo es multiplicado por 100, entonces
(Y =
2
(X/X)) da el cambio absoluto en Y ocasionado por un cambio porcentual en X.

As, si X/X cambia en 0.01 unidades (o 1 %), el cambio absoluto en Y es 0.01(
2
). Por tanto, si en
una aplicacin se encuentra que
2
= 500, entonces el cambio absoluto en Y es (0.01)(500), o 5.0. Por
consiguiente, cuando se utiliza MCO para estimar regresiones como en (13), se debe multiplicar el
valor del coeficiente de la pendiente estimado,
2
por 0.01 o, lo que es lo mismo, dividido entre 100.
Si no se tiene lo anterior presente, la interpretacin en una aplicacin ser muy equivocada.

5
Nuev amente, utilizando clculo dif erencial, se tiene |
.
|
\
|
=
X dX
dY 1
2
Por consiguiente,
X X
Y
x
dX
dY
/
2 2
= = =


118

La pregunta prctica es: cundo resulta til un modelo lin-log como el (13)? Se ha encontrado una
interesante aplicacin en los as conocidos modelos de gasto Engel. Postul que "el gasto total que
se dedica a los alimentos tiende a incrementarse en progresin aritmtica, mientras que el gasto total
aumenta en progresin geomtrica" .

EJEMPLO 4:

Los datos para el modelo lin-log, se observan en la tabla 2 adems si se grafican estos, se obtiene la
grfica de la figura d. Tal y como esta figura sugiere, el gasto alimenticio se incrementa en forma ms
lenta, conforme el gasto total aumenta, lo cual quiz proporcione sustento a la ley de Engels. Los
resultados de ajustar el modelo lin-Iog a los datos son los siguientes:

GASAL
i
= -1283.912 + 257.2700 In GASTOT
i

t= (-4.3848)* (5.6625)*
R
2
= 0.3769
Nota: (*) denota un valor p extremadamente pequeo.

Interpretado de la forma antes descrita, el coeficiente de la pendiente, que vale casi 257, significa que
un incremento en el gasto total en alimentos de 1 %, en promedio, propicia un incremento de casi
2.57 rupias en el gasto en alimento de las 55 familias incluidas en la muestra. (Nota: se dividi el
coeficiente estimado de la pendiente entre 100.)
Antes de seguir, obsrvese que si se desea calcular el coeficiente de elasticidad para los modelos lin-
Iog o log-lin, se puede hacer a partir de la definicin del coeficiente de elasticidad dada antes, a saber:

Y
X
dX
dY
d Elasticida =
En la prctica, una vez que se conoce la forma funcional de un modelo, se pueden calcular las
elasticidades aplicando la anterior definicin.

Figura d


119

3.- Modelos Reciprocos
Los modelos del siguiente tipo se conocen como modelos recprocos.
i
i
i
X
Y +
|
|
.
|
\
|
+ =
1
2 1
16

A pesar de que este modelo es no lineal en la variable X porque entra inversamente o en
forma recproca, el modelo es lineal en 1 y 2 y, por consiguiente, es un modelo de
regresin lineal.
6

Este modelo tiene las siguientes caractersticas: a medida que X aumenta indefinidamente, el
trmino
2
(1/X) se acerca a cero (nota:
2
es una constante) y Y se aproxima al valor lmite
o asinttico
1
. Por consiguiente, modelos tales como (16) contienen un valor asinttico o
lmite que tomar la variable dependiente cuando el valor de la variable X aumente
indefinidamente.
7

Algunas formas probables de la curva correspondiente a (16) se muestran a continuacin. Como
un ejemplo de la figura e, considrense los datos proporcionados en la tabla 3.

Figura Modelo Recproco:
i
i
i
X
Y +
|
|
.
|
\
|
+ =
1
2 1
e

6
Si se def ine que
*
i
X = (1/X), entonces
i
i
i
X
Y +
|
|
.
|
\
|
+ =
1
2 1
es lineal en los parmetros al igual que en las
v ariables Y
i y
*
i
X
7
La pendiente de
i
i
i
X
Y +
|
|
.
|
\
|
+ =
1
2 1
es: dY/dX = -2 (1/X
2
), e implica que si 2 es positiv o, la pendiente
siempre es negativ a y si 2 es negativ a, la pendiente es positiv a. Vanse f iguras e y g, respectiv amente.

120

stos son datos representativos de 64 pases respecto a la mortalidad infantil y a otras variables. Por
el momento, hay que concentrarse en las variables de mortalidad infantil (MI) y PIB percpita
(PIBPC), mismas que se grafican en la figura h.

Figura h


121

Figura Modelo Recproco:
i
i
i
X
Y +
|
|
.
|
\
|
+ =
1
2 1
f y g

Como puede observarse, esta figura se parece a la figura a conforme el PIB per cpita se
incrementa, se esperara que la mortalidad infantil disminuyera, debido a que las personas pueden
gastar ms en el cuidado de la salud, si se supone que los otros factores permanecen constantes. Pero
la relacin no da como resultado una recta: conforme el PIB per cpita se incrementa, al principio
existe una disminucin drstica en la MI, pero sta va disminuyendo en la medida que el PIB per
cpita sigue aumentando.
Si se trata de ajustar el modelo recproco (16), se obtienen los siguientes resultados:

MI
i
= 81.79436 + 27 237.17
|
|
.
|
\
|
i
PIBPC
1

ee = (10.8321) (3759.999)
t = (7.5511) (7.2535)
R
2
= 0.4590

Conforme el PIB per cpita se incrementa indefinidamente, la mortalidad infantil se acerca a su valor
asinttico de casi 82 muertes por cada millar. Como se explic en la nota 6, el valor positivo del
coeficiente de (1/PIBPC
i
) implica que la tasa de cambio de la MI con respecto al PIBPC es negativa.

Una de las aplicaciones importantes de la figura f es la conocida curva de Phillips de macroeconoma.
Con base en los datos de tasa de cambio porcentual de los salarios nominales (Y) y la tasa porcentual
de desempleo (X) para el Reino Unido durante el periodo 1861 a 1957. Phillips obtuvo una curva
cuya forma general se parece a la figura f y es reproducida en la figura i.

122

Como lo muestra la figura siguiente, existe asimetra en la respuesta de los cambios salariales al nivel
de desempleo: si la tasa de desempleo est por debajo de U" (denominada por los economistas como
tasa natural de desempleo) por cada unidad de cambio en el desempleo, los salarios aumentan con
mayor rapidez de lo que caen debido a un cambio equivalente cuando la tasa de desempleo est por
encima del nivel natural,
1
indicando la base asinttica para el cambio salarial. Este hecho particular
de la curva de Phillips puede deberse a factores institucionales, tales como el poder de negociacin de
los sindicatos, los salarios mnimos, compensaciones por desempleo, etc.

Figura Curva de Phillips i

123

Desde la publicacin del artculo de Phillips, se ha llevado a cabo una muy extensa investigacin
sobre la curva de Phillips tanto a nivel terico como emprico. La curva de Phillips ha experimentado
diversas encarnaciones. Una formulacin comparativamente reciente la proporciona Olivier
Blanchard, denota la tasa de inflacin en el tiempo t, misma que se define como el cambio porcentual
en el nivel de precios, medido por un ndice de precios representativo, como el ndice de Precios al
Consumidor (IPC), y si UN
t
denota la tasa de desempleo en el tiempo t, entonces la moderna versin
de la curva de Phillips se expresa bajo el siguiente formato:

t
n
t
e
t t
U UN + = ) (
2
17

donde:
t
= tasa real de inflacin en el tiempo t.
e
t
= tasa real de inflacin esperada en el tiempo t, donde la expectativa se forma en el ao (t - 1)
UN
t
= tasa real de desempleo que prevalece en el tiempo t
U
n
= tasa natural de desempleo en el tiempo t
t
= trmino error estocstico

Puesto que
e
t
no se puede observar de manera directa, como punto de partida se puede
simplificar suponiendo que
e
t
=
1 t
; es decir, la inflacin esperada este ao es la tasa de inflacin
que prevaleci el ao anterior; por supuesto, se pueden hacer suposiciones ms complicadas respecto
a la formacin de expectativas, en los modelos de retraso distribuido.

Al sustituir esta suposicin en (17) y escribir el modelo de regresin en la forma estndar, se

124

obtiene la siguiente ecuacin de estimacin:
t t t t
UN + + =
2 1 1
18

donde
1
= -
2
U
n
. La ecuacin anterior establece que el cambio en la tasa de inflacin entre los dos
periodos est linealmente relacionado con la tasa de desempleo real. A priori, se espera que
2
sea
negativa (por qu?) y
1
positiva (esto se debe a que
2
es negativa y U
n
es positiva).

A propsito, la relacin Phillips dada en (17) se conoce en la literatura como la curva de Phillips
modificada, la curva de Phillips de expectativas aumentadas (para indicar que
1 t
significa la
inflacin esperada), o la curva de Phillips aceleradora (para sugerir que una baja tasa de desempleo
propicia un incremento en la tasa de inflacin y por consiguiente provoca una aceleracin del nivel de
precios).
A manera de ilustracin de la curva de Phillips modificada, en la tabla 4 se presentan datos sobre
la inflacin medida por el porcentaje anual en el ndice de Precios al Consumidor (IPCon inflacin) y
la tasa de desempleo para el periodo 1960-1998. La tasa de desempleo representa la tasa de
desempleo civil. A partir de estos datos se obtuvo el cambio en la tasa de inflacin (
1
t t
) y se
grafic respecto a la tasa de desempleo civil; se est utilizando el IPC como una medida de la
inflacin. La grfica resultante aparece en la figura j.
Como se esperaba, la relacin entre el cambio en la tasa de inflacin y la tasa de desempleo es
negativa (un desempleo bajo provoca un incremento en la tasa de inflacin y por consiguiente una
aceleracin del nivel de precios, de ah el nombre de curva aceleradora de Phillips).

Al observar la figura j, no resulta obvio si un modelo de regresin lineal (una recta) o un modelo
recproco sea el que se ajuste con los datos; tal vez haya una relacin curvilnea entre las dos
variables. Sin embargo, hay que tener presente que para el modelo recproco se espera que sea
negativo el trmino interseccin y la pendiente positiva, como se hizo nfasis en la nota 6.
Figura Curva de Phillips Modificada j
Ejemplo 6 de la Tabla 4:
Modelo lineal: (
1
t t
) = 4.1781 - 0.6895 UN
t


125

t = (3.9521) (-4.0692)
R
2
= 0.3150
Para el modelo recproco:

(
1
t t
) = -3.2514 + 18.5508
|
|
.
|
\
|
t
UN
1

t = (-2.9715) (3.0625)
R
2
= 0.2067

Todos los coeficientes estimados en ambos modelos son significativos estadstica e individualmente,
adems todos los valores de p son menores que el nivel 0.005.

El modelo del ejemplo 6 muestra que si la tasa de desempleo baja un punto porcentual, en promedio,
el cambio en la tasa de inflacin aumenta 0.7 puntos porcentuales, y viceversa. El modelo del ejemplo
7 revela que incluso si la tasa de desempleo se incrementara de manera indefinida, el mximo cambio
en la tasa de inflacin bajara y sera de 3.25 puntos porcentuales. A propsito, de la ecuacin del
modelo 6, se puede calcular la tasa de desempleo natural subyacente, de la siguiente forma:
0596 . 6
6895 . 0
1781 . 4
2
1
= =
n
U 19
Es decir, la tasa de desempleo natural es de casi 6.06%. Los economistas sitan la tasa natural entre el
5 y el 6%, aunque en aos recientes la tasa real de desempleo para Estados Unidos ha sido mucho
ms baja.
4.- Modelo log hiprbola o recproco logartmico
Se concluye est e anlisis de los modelos recprocos, est udiando el modelo recproco
logart mico, que t oma la siguient e forma:
i
i
i
X
Y +
|
|
.
|
\
|
=
1
ln
2 1
20

Su forma se ilustra en la figura k. Se muestra al principio Y se incrementa a una tasa creciente (es
decir, la curva es convexa al inicio) y luego aumenta a una tasa decreciente (la curva se convierte en
cncava).
8
20 Por consiguiente, este modelo sera apropiado para representar una funcin de

8
Del clculo, se puede demostrar que |
.
|
\
|
=
|
.
|
\
|
=
2 2 2 2
1 1
) (ln
X X
Y
dX
d
Pero
dX
dY
Y
Y
dX
d 1
) (ln =

126

produccin a corto plazo. Recuerde que los cursos de microeconoma que si el trabajo y el capital son
insumos en una funcin de produccin y si se mantiene constante el insumo capital pero se
incrementa el insumo trabajo, la relacin entre producto y trabajo a corto plazo se parecer a la figura
k.

Figura del Modelo Recproco Logartmico k

ELECCIN DE LA FORMA FUNCIONAL

Se analizaron las distintas formas funcionales que un modelo emprico puede tomar, incluso dentro de
los confines de los modelos de regresin lineal en el parmetro. La eleccin de una forma funcional
particular puede ser relativamente fcil para el caso de dos variables, ya que se pueden graficar las
variables y tener as una ligera idea respecto al modelo apropiado. La eleccin se vuelve mucho ms
complicada cuando se considera el modelo de regresin mltiple que involucra ms de una variable
independiente.

1. Es una buena prctica calcular la tasa de cambio (es decir, la pendiente) de la regresada, con
respecto a la regresora, as como conocer la elasticidad de la regresada con respecto a la regresara. Para
los diversos modelos estudiados en este captulo, se proporcionan en la tabla 5 las frmulas
necesarias para los coeficientes de la pendiente y de la elasticidad de los distintos modelos. El
conocimiento de tales frmulas ayudarn a comparar los diversos modelos.
2. Los coeficientes del modelo escogido debern satisfacer determinadas expectativas a priori. Por
ejemplo, si se est considerando la demanda de automviles como una funcin del precio y de otras
variables, se deber esperar un coeficiente negativo para la variable precio.
3. Algunas veces tal vez ms de un modelo se ajuste razonablemente bien a un determinado conjunto
de datos dados. En la curva de Phillips modificada, un modelo lineal y otro recproco se ajustaron a

Al sustituir, se obtiene
2 2
X
Y
dX
dY
= que es la pendiente de Y respecto a X.

127

los datos. En ambos casos, los coeficientes resultaron adecuados para las expectativas previas y
fueron estadsticamente significativos. Una gran diferencia fue que el valor R
2
del modelo lineal fue
mayor que el del modelo recproco. Por tanto, se podra tener una ligera preferencia por el modelo
lineal en comparacin con el recproco. Pero se debe asegurar de que al comparar dos valores de R
2
la
variable dependiente (o regresada) de los dos modelos sea la misma; la(s) regresor(as) pueden tomar
cualquier forma.
4. En general no se debe sobrevaluar la medicin de R
2
en el sentido de creer que mientras ms alta sea
r mejor ser el modelo. Si R
2
se incrementa conforme se aaden ms regresoras al modelo. Lo que
reviste mayor importancia es la justificacin terica del modelo elegido, los signos de los coeficientes
estimados y su importancia estadstica. Si un modelo es bueno bajo estos criterios, entonces quiz
resulte aceptable un modelo con una R
2
menor.
Tabla 5
Modelo Ecuacin Pendiente |
.
|
\
|
=
dX
dY

Elasticidad
|
.
|
\
|
=
Y
X
dX
dY

Lineal
X Y
i 2
+ =
2
|
.
|
\
|
Y
X
2

Log-lineal o log-Iog
X Y
i
ln ln
2
+ =
|
.
|
\
|
X
Y
2

2

Log-lin
X Y
i 2
ln + =
2
(Y)
2
(Y)
Lin-Iog
X Y
i
ln
2
+ =
|
.
|
\
|
X
1
2
|
.
|
\
|
Y
1
2

Recproco |
.
|
\
|
+ =
X
Y
i
1
2

|
.
|
\
|
2 2
1
X
|
.
|
\
|
XY
1
2

Log recproco |
.
|
\
|
=
X
Y
i
1
ln
2

|
.
|
\
|
X
Y
2
|
.
|
\
|
X
1
2


128

Tabla 1
obs GASER GASBD GASBPER GCPERT
1993.I 2445.3 504 1337.5 4286.8
1993.II 2455.9 519.3 1347.8 4322.8
1993.III 2480 529.9 1356.8 4366.6
1993.IV 2494.4 542.1 1361.8 4398
1994.I 2510.9 550.7 1378.4 4439.4
1994.II 2531.4 558.8 1385.5 4472.2
1994.III 2543.8 561.7 1393.2 4498.2
1994.IV 2555.9 576.6 1402.5 4534.1
1995.I 2570.4 575.2 1410.4 4555.3
1995.II 2594.8 583.5 1415.9 4593.6
1995.III 2610.3 595.3 1418.5 4623.4
1995.IV 2622.9 602.4 1425.6 4650
1996.I 2648.5 611 1433.5 4692.1
1996.II 2668.4 629.5 1450.4 4746.6
1996.III 2688.1 626.5 1454.7 4768.3
1996.IV 2701.7 637.5 1465.1 4802.6
1997.I 2722.1 656.3 1477.9 4853.4
1997.II 2743.6 653.8 1477.1 4872.7
1997.III 2775.4 679.6 1495.7 4947
1997.IV 2804.8 648.8 1494.3 4981
1998.I 2829.3 710.3 1521.2 5055.1
1998.II 2866.8 729.4 1540.9 5130.2
1998.III 2904.8 733.7 1549.1 5181.8
GASER = Gasto en servi cios
GASBD = Gasto en bienes duraderos
GASBPER = Gasto en bienes perecederos
GCPERT = Gasto de consumo personal

Dependent Vari abl e: LNGASBD
Method: Least Squares
Sampl e: 1993:1 1998:3
Incl uded observati ons: 23
Vari abl e Coeffi ci ent Std. Error t-Stati sti c Prob.
C -9.697098 0.434127 -22.33702 0.0000

129

LNGCPERT 1.905633 0.051370 37.09622 0.0000
R-squared 0.984969 Mean dependent var 6.407036
Adj usted R-squared 0.984253 S.D. dependent var 0.106162
S.E. of regressi on 0.013322 Akai ke i nfo cri teri on -
5.715894
Sum squared resi d 0.003727 Schwarz cri teri on -
5.617155
Log l i kel i hood 67.73278 F-stati sti c 1376.130
Durbi n-Watson stat 2.363903 Prob(F-stati sti c) 0.000000

Dependent Vari abl e: LNGASER
Sampl e: 1993:1 1998:3
C 7.789009 0.002299 3387.619 0.0000
TIEMPO 0.007426 0.000168 44.28262 0.0000
S.E. of regressi on 0.005335 Akai ke i nfo cri teri on -
7.546278
Sum squared resi d 0.000598 Schwarz cri teri on -
7.447539
Log l i kel i hood 88.78220 F-stati sti c 1960.950

Dependent Vari abl e: GASER
Sampl e: 1993:1 1998:3
C 2405.848 7.448782 322.9855 0.0000
TIEMPO 19.69200 0.543258 36.24795 0.0000
S.E. of regressi on 17.28210 Akai ke i nfo cri teri on 8.620161
Sum squared resi d 6272.093 Schwarz cri teri on 8.718900
Log l i kel i hood -97.13185 F-stati sti c 1313.914

130



131

Tabla 2
obs GASAL GASTOT obs GASAL GASTOT
1 217 382 31 470 663
2 196 388 32 322 677
3 303 391 33 540 680
4 270 415 34 433 690
5 325 456 35 295 695
6 260 460 36 340 695
7 300 472 37 500 695
8 325 478 38 450 720
9 336 494 39 415 721
10 345 516 40 540 730
11 325 525 41 360 731
12 362 554 42 450 733
13 315 575 43 395 745
14 355 579 44 430 751
15 325 585 45 332 752
16 370 586 46 397 752
17 390 590 47 446 769
18 420 608 48 480 773
19 410 610 49 352 773
20 383 616 50 410 775
21 315 618 51 380 785
22 267 623 52 610 788
23 420 627 53 530 790
24 300 630 54 360 795
25 410 635 55 305 801
26 220 640
27 403 648 GASAL= Gasto en Al imentos
28 350 650 GASTOT= Gasto Total
29 390 655
30 385 662

Dependent Vari abl e: GASAL
Sampl e: 1 55
C -1283.912 292.8105 -4.384788 0.0001
LNGASTOT 257.2700 45.43413 5.662484 0.0000


132

Tabla 3
Obs MI TAF PIBPC TFT Obs MI TAF PIBPC TFT
1 128 37 1870 6.66 36 41 66 1620 3.91
2 204 22 130 6.15 37 312 11 190 6.7
3 202 16 310 7 38 77 88 2090 4.2
4 197 65 570 6.25 39 142 22 900 5.43
5 96 76 2050 3.81 40 262 22 230 6.5
6 209 26 200 6.44 41 215 12 140 6.25
7 170 45 670 6.19 42 246 9 330 7.1
8 240 29 300 5.89 43 191 31 1010 7.1
9 241 11 120 5.89 44 182 19 300 7
10 55 55 290 2.36 45 37 88 1730 3.46
11 75 87 1180 3.93 46 103 35 780 5.66
12 129 55 900 5.99 47 67 85 1300 4.82
13 24 93 1730 3.5 48 143 78 930 5
14 165 31 1150 7.41 49 83 85 690 4.74
15 94 77 1160 4.21 50 223 33 200 8.49
16 96 80 1270 5 51 240 19 450 6.5
17 148 30 580 5.27 52 312 21 280 6.5
18 98 69 660 5.21 53 12 79 4430 1.69
19 161 43 420 6.5 54 52 83 270 3.25
20 118 47 1080 6.12 55 79 43 1340 7.17
21 269 17 290 6.19 56 61 88 670 3.52
22 189 35 270 5.05 57 168 28 410 6.09
23 126 58 560 6.16 58 28 95 4370 2.86
24 12 81 4240 1.8 59 121 41 1310 4.88
25 167 29 240 4.75 60 115 62 1470 3.89
26 135 65 430 4.1 61 186 45 300 6.9
27 107 87 3020 6.66 62 47 85 3630 4.1
28 72 63 1420 7.28 63 178 45 220 6.09
29 128 49 420 8.12 64 142 67 560 7.2
30 27 63 19830 5.23
31 152 84 420 5.79 MI = Mortal idad Infantil
32 224 23 530 6.5 TAF = Tasa de alf abetismo femenina
33 142 50 8640 7.17 PIBPC =Pi b per capi ta en 1980
34 104 62 350 6.6 TFT = Tasa de f erti li dad total
35 287 31 230 7
Fertil idad y otros datos para 64 pai ses


133

Dependent Vari abl e: MI
Sampl e: 1 64
C 81.79436 10.83206 7.551136 0.0000
1/PIBPC 27273.17 3759.999 7.253503 0.0000

Tabla 4
Ao TSINF TSDES Ao TSINF TSDES
1960 1.7 5.5 1985 3.6 7.2
1961 1 6.7 1986 1.9 7
1962 1 5.5 1987 3.6 6.2
1963 1.3 5.7 1988 4.1 5.5
1964 1.3 5.2 1989 4.8 5.3
1965 1.6 4.5 1990 5.4 5.6
1966 2.9 3.8 1991 4.2 6.8
1967 3.1 3.8 1992 3 7.5
1968 4.2 3.6 1993 3 6.9
1969 5.5 3.5 1994 2.6 6.1
1970 5.7 4.9 1995 2.8 5.6
1971 4.4 5.9 1996 3 5.4
1972 3.2 5.6 1997 2.3 4.9
1973 6.2 4.9 1998 1.6 4.5
1974 11 5.6
1975 9.1 8.5 TSINF=Tasa de inflacin
1976 5.8 7.7 TSDES=Tasa de desempl eo
1977 6.5 7.1
1978 7.6 6.1
1979 11.3 5.8
1980 13.5 7.1
1981 10.3 7.6
1982 6.2 9.7
1983 3.2 9.6
1984 4.3 7.5
Tasas de inflacin y de desempleo para USA, 1960-1998


134

Dr. Genaro Snchez Barajas : Cuarto examen parcial.

Tema: Marco terico de la transformacin de formas funcionales no lineales en lineales
A.-Conteste con una X en SI cuando la afirmacin sea verdadera y tambin con una X en NO cuando la afirmacin
sea falsa:

1.-El diagrama de dispersin, la elasticidad y R
2
no ayudan a seleccionar la forma funcional adecuada para transformar la
no lineal: Si___; No____.

2.- El especialista Dominick salvadores dice que Cuando ninguna teora de la dispersin de puntos es de ayuda, la
funcin lineal se trata usualmente primero debido a su simplicidad: SI_____;NO_____.

3.-Las transformaciones de funciones no lineales a lineales mas tiles y comunes son la log-log,log-lin,lin-log, reciproca
y polinomial: Si_____; No________

4.- Al usar la log-log el coeficiente de la variable independiente es un estimador insesgado : SI:_______;
NO:___________

5.-Al usar la log-log la elasticidad de la variable regresada se obtiene directamente de los valores de las pendientes de
las regresoras: SI:__; NO__.

6.-Al usar la log-log con las pendientes de las variables regresoras no siempre se obtienen economas de escala: SI___;
NO____.

7.-Al usar la log-log si las variables regresoras son factores de la produccin, con sus pendientes se pueden obtener
economas de escala cuando la su suma es mayor que 1: SI____; NO______:

8.-Con la forma funcional semilogartmica se puede calcular la tasa de crecimiento de la variable regresada con la
pendiente de la regresora: SI____;NO_____.

9.- Con la forma funcional recproca no se puede calcular la curva de Phillips: SI_____; NO____.
:
10.- La siguiente es la frmula de la elasticidad del modelo log recproco: |
.
|
\
|
X
1
2
: SI____; NO______.

B. Observaciones: Cada una de las respuestas correctas vale 10 puntos en escala de 0 a 100. No se puede usar la
calculadora, ni las tablas estadsticas ni la bibliografa correspondiente a cada tema.

Regresion Lineal

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Regresion Lineal

Hochgeladen von

Copyright:

Verfügbare Formate

Introduccin a la Econometra

son los errores estndar de los

con un nivel de significacin del 10% y 2 grados de libertad, es igual a

2.910 en tablas (Apndice

en el apndice IV y se halla que t

con =5% y un grado de libert ad, es t

= 12. 706. Como t

decimos que b, c no son est adst icament e significat ivos, es decir, se

y c no son estadsticamente significativas.

t 2. 228 en una p rueba de dos colas decimos

relacin residual primero obtenemos las Y`s calculados o estimadas

t luego b y c son estadsticamente

X Log c X Log b Y Log a

= 3182 . que es menor que t

148 3182 007

sern los mejores

son estimadores insesgados de y

Das könnte Ihnen auch gefallen