Captulo 6.

- Extensiones del modelo de

regresin lineal con dos variables
Regresin a travs del origen

Hay ocasiones en las cuales la funcin de regresin poblacional (FRP) de dos

variables adquiere la siguiente forma:
Yi _ 2Xi + ui
En este modelo, el trmino del intercepto est ausente o es cero, lo cual
explica el nombre: regresin a travs del origen.
Algunas veces la teora que sirve de base requiere que el trmino del
intercepto est ausente del modelo. La hiptesis del ingreso permanente de
Milton Friedman, que afirma que el consumo permanente es proporcional al
ingreso permanente, es otro caso en el que el modelo de intercepto cero puede
ser apropiado, como tambin en la teora del anlisis de costos, que postula
que la variable costo de produccin es proporcional a la produccin; y algunas
versiones de la teora monetarista que afi rman que la tasa de cambio de los
precios (es decir, la tasa de infl acin) es proporcional a la tasa de cambio de la
oferta monetaria.

Regresin sobre variables estandarizadas

En la seccin de escalas de medicin se ve que las unidades con que se
expresan la variable independiente (regresora) y la dependiente (regresada)
influyen en la interpretacin de los coeficientes de regresin. Esto se evita si
ambas variables (regresora y regresada) se expresan como variables
estandarizadas. Se dice que una variable es estandarizada si se resta el valor
de la media de esta variable de sus valores individuales y se divide esa
diferencia entre la desviacin estndar de la variable.
As, en la regresin de Y y X, si las redefinimos como:

Yi

YiY
SY

Xi

Xi X
SX

Donde: Y = media muestral de Y, SY = desviacin estndar muestral de Y, X =

media muestral de X y SX = desviacin estndar muestral de X; las variables Yi
y Xi se llaman variables estandarizadas.
Una propiedad interesante de una variable estandarizada es que el valor de su
media siempre es cero y que su desviacin estndar siempre es 1.

Formas funcionales de los modelos de

regresin
Este captulo trata sobre todo con modelos lineales en los parmetros, que
pueden ser o no lineales en las variables. En las secciones que siguen se
consideran algunos modelos de regresin muy comunes, que pueden ser no
lineales en las variables pero s lineales en los parmetros, o que pueden serlo
mediante transformaciones apropiadas de las variables. En particular, se
analizarn los siguientes modelos de regresin:
1.
2.
3.
4.

El modelo log-lineal.
Modelos semi logartmicos.
Modelos recprocos.
El modelo logartmico recproco.

Modelo log-lineal

Una caracterstica atractiva 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 respecto de X, es decir, el cambio porcentual en Y ante un
pequeo cambio porcentual en X.10 As, si Y representa la cantidad demandada
de un bien y X su precio unitario, 2 mide la elasticidad-precio de la demanda,
parmetro de gran inters en economa.
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 (porqu?), de aqu su otro nombre, modelo de
elasticidad constante.

Modelo recproco logartmico

Concluimos este anlisis de los modelos recprocos con el modelo recproco
logartmico, que adopta la siguiente forma:

1
X1
) + ui
ln Yi= 1 2

Su forma se ilustra en la figura de abajo. Como se muestra ah, al principio Y se

incrementa con una tasa creciente (es decir, la curva es convexa al inicio) y
luego aumenta con una tasa decreciente (la curva se convierte en cncava).24
Por consiguiente, este modelo sera apropiado para representar una funcin de
produccin de corto plazo. Recuerde que la microeconoma establece 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 mano de obra, la

relacin entre producto y mano de obra de corto plazo se parecer a la figura
siguiente: