25 14 43 Modelos2

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA
DOCUMENTOS DE TRABAJO PRODUCCION ANIMAL Y GESTION ISSN: 1698-4226 DT 13, Vol. 1/2010
MODELOS ECONOMTRICOS PARA EL DESARROLLO DE FUNCIONES DE PRODUCCIN Toro, P., Garca, A., Aguilar, C., Acero, R., Perea, J., Vera, R.
NDICE Resumen...........................................................................................................................3 1. 2. Introduccin ..............................................................................................................3 Modeloseconomtricos............................................................................................4
2.1. Fasesenlaconstruccindefuncionesdeproduccin.........................................................6
3.
Tcnicaseconomtricasparaladeterminacindeparmetrosfuncionalesen
modelosuniecuacionales................................................................................................13
3.1. 3.2. 3.3. Mnimoscuadradosordinarios(MCO)............................................................................... 13 Mnimoscuadradosgeneralizados(MCG)..........................................................................13 Mximaverosimilitud......................................................................................................... 14
4.
Modelosderegresinlinealmltiple......................................................................15
4.1. 4.2. 4.3. 4.4. Funcinlineal ...................................................................................................................... 16 Funcincuadrtica............................................................................................................. 19 Funcincbica.................................................................................................................... 21 Funcinhiperblica............................................................................................................ 23
5.
Modelosnolineales................................................................................................25
5.1. ModelodeCobbDouglas................................................................................................... 26
6. 7. 8.
Ejemplosdemodeloseconomtricosdeproduccinencarneyleche.....................32 Consideracionessobrelosmodelos.........................................................................34 Fasedevalidacin...................................................................................................35

8.1. Contrastesdevalidacin..................................................................................................... 35
9. 10. 11.
Seleccindelmodelo..............................................................................................52 Conclusin..........................................................................................................52 Anexos................................................................................................................54
Resumen El anlisis de la produccin de la empresa ganadera est ligado a la determinacin de su eficiencia. Los modelos economtricos son una herramienta para determinacin de la funcin de produccin de los sistemas productivos y consecuentemente de su eficiencia. Distintos modelos han sido aplicados en el sector agropecuario, incluyendo modelos lineales y no lineales. La construccin de un modelo particular, consta de una serie de etapas y est sujeta al cumplimiento de propiedades estadsticas bsicas. El objetivo de este trabajo, junto con el examen de las diferentes tcnicas aplicadas en la estimacin de funciones de produccin ganaderas, es orientar al investigador en produccin animal en las diversas etapas del anlisis de sistemas y su modelacin.
1.
Introduccin
Un aspecto de gran importancia en la empresa ganadera es el anlisis de la produccin en trminos de eficiencia; tanto tcnica como econmica, y de sustentabilidad. El desarrollo de metodologas paramtricas se fundamentan en la estimacin de funciones de produccin mediante las que se establecen las relaciones entre factores y productos, y se procede a la mejora en la toma de decisiones. La actividad pecuaria se sustenta en un entorno ecolgico cambiante, con procesos interrelacionados, dinmicos e inestables, lo que hace que su estudio sea de gran complejidad. La planificacin y toma de decisiones, en consecuencia, no debe efectuarse sin considerar la variabilidad que muestran los elementos que intervienen en su funcionamiento (Acero et al., 2004). Con el propsito de comprender el funcionamiento de los sistemas de produccin pecuaria, y a fin de expresar las relaciones causa-efecto, se desarrollan los modelos. A pesar de la similitud de un modelo con otro, no existen resultados iguales entre ellos; esto se debe a que la empresa agropecuaria es un sistema especial como seala la Teora General de Sistemas (Dent y Anderson, 1974). Al analizar el comportamiento de un sistema productivo se estudian las variables relevantes, as como su variabilidad y la abstraccin realizada permite la proyeccin de los resultados con mayor facilidad (Harrison y Longworth, 1977). 3
El objetivo del trabajo es explorar las diferentes tcnicas aplicadas en la estimacin de funciones ganaderas a fin de seleccionar aquella metodologa que se adecue en mayor medida a los objetivos propuestos. Adems de orientar al investigador en produccin animal en las diversas etapas del anlisis de sistemas y su modelizacin.
2.
Modelos economtricos
Un modelo economtrico est formado por una o varias ecuaciones en las que la variable explicada o endgena depende de una o varias variables explicativas (Caridad, 1998), pudiendo ser expresado en forma genrica como:
La produccin de carne de cordero (PC) en Aragn, sirve como ejemplo para mostrar una forma particular de la funcin de produccin, donde la variable dependiente PC puede ser expresada en funcin de los costos de alimentacin (CA), la depreciacin de capital (DC) y los costos de mano de obra (MO) por medio de la siguiente ecuacin (Perez et al., 2007):
Modelos economtricos, como el anterior, planteados con el objetivo de determinar la relacin que existe entre el producto obtenido y la combinacin de factores que se utilizan en su obtencin, son conocidos como funciones de produccin. La funcin de produccin se encuentra enmarcada en el entorno de la empresa y/o explotacin y las condiciones tcnicas reinantes, por lo que, cualquier modificacin en el proceso productivo va a modificar esta funcin. En general, los modelos economtricos y especficamente la funcin de produccin son utilizados como una herramienta de anlisis que ayuda en la toma de decisiones tanto a nivel econmico general (macro) como en el mbito de la direccin de empresas (micro). Existen variadas revisiones acerca de modelos economtricos utilizados en la determinacin de funciones de produccin (Burnside, 1996; del Oro et al., 2000; Pariani, 2004), por lo tanto el objetivo de este trabajo ms que enfocarse en dicho propsito, es ser una gua para la elaboracin y seleccin del modelo que represente de 4
la mejor manera posible la funcin de produccin de un sistema bajo estudio, para subsecuentemente ser utilizado en la determinacin de la frontera de produccin y a continuacin de la eficiencia tcnica de explotaciones. Para llevar a cabo tal objetivo se han utilizado distintos software estadsticos y economtricos (SAS, SPSS, Statgraphics y Eviews) presentando los resultados obtenidos tanto en Statgraphics como en Eview, debido a la facilidad de uso de ambos programas, as como por las herramientas estadsticas que ellos poseen. Un modelo economtrico se define a partir de un modelo econmico (descripcin y explicacin de un sistema econmico, social y poltico con inters prctico), complementado con los aspectos particulares del sistema en estudio. A diferencia de los modelos econmicos los modelos economtricos poseen mayor generalidad en las conclusiones a las que se puede llegar, estando su validez limitada tanto por sistema de referencia como por el perodo temporal en que el modelo en s tiene vigencia, como consecuencia de su evolucin (Pulido, 1987). Los modelos economtricos son utilizados generalmente para alguna de las siguientes actividades: Anlisis estructural: Cuantificacin de las relaciones que en el periodo analizado ha existido entre las variables implicadas, a travs del conocimiento del signo y valor de los parmetros estimados. Es decir, como inciden en la variable endgena las variaciones de las variables explicativas. Prediccin: Predecir los valores que tomar a futuro la variable objeto de estudio. Simulacin: Efectos que tienen sobre la variable endgena diferentes estrategias que se planteen en las variables explicativas. En lo referente a la clasificacin de los modelos economtricos, existen diversas categoras dependiendo del tipo de datos de las variables, el momento del tiempo al que hacen referencia y el nmero de variables endgenas que se desee explicar, entre otras. En lo referente a los tipos de datos de las variables, encontramos dos divisiones: Series temporales: Los datos pueden corresponder a los valores de una variable en el tiempo. Estos pueden tener frecuencia, diaria, semanal, mensual o anual. As podemos analizar las cotizaciones en bolsa diarias, los ndices de predio al consumo mensuales, los datos anuales del PIB de un pas, etc. 5
Series de corte transversal: Los valores corresponden a distintos sujetos para un mismo momento del tiempo. En este caso se tratara de series del tipo de consumo de diferentes familias, inversin de distintas empresas, paro en diferentes provincias, etc. Finalmente, es preciso sealar que la modelacin debe ser entendida como el proceso mediante el cual un investigador disea y construye un modelo que representa un objeto o sistema real, es decir, es una metodologa para la resolucin de problemas y no una teora en s (Aguilar et al., 2003).
2.1.
Fases en la construccin de funciones de produccin
Cuando se plantea la estimacin un modelo economtrico es necesario disponer de informacin estadstica de las variables que se utilizarn en la construccin de ste, adems de tener claros los objetivos perseguidos en dicha funcin. En la elaboracin de un modelo es posible distinguir al menos cuatro fases: i. Recogida de informacin y contraste de hiptesis de los datos ii. Especificacin iii. Estimacin de los parmetros iv. Contraste diagnostico o de validacin. v. Seleccin del modelo Siendo posible repetir algunas de las fases cuando ninguno de los modelos especificados inicialmente se adaptan a los datos analizados, tal como se muestra en la Error! No se encuentra el origen de la referencia..
ETAPAS PREVIAS
Poblacin Tamao muestral Bsqueda de datos Depuracin de datos Seleccin de variables Bondad de ajuste de datos Seleccin modelo (lineal, no lineal) Seleccin mtodo de estimacin (MCO, MCC, MV) Estimacin de parmetros Capacidad de prediccin
Diseo de encuesta Recoleccin de informacin Testeo de la informacin
Rediseo
DESARROLLO DE MODELOS ECONOMTRICOS
Especificacin
Estimacin
Validacin NO
Test estadsticos Anlisis estructural Prediccin Simulacin
Bondad del modelo SI Utilizacin
Figura 1: Etapas en el desarrollo de un modelo economtrico
A continuacin, se especificar brevemente en qu consiste cada una de dichas etapas, utilizando como ejemplo la determinacin de la funcin de produccin de explotaciones ovino lecheras ecolgicas de Castilla La Mancha (base de datos del Anexo 1-1). Posteriormente se determinaran seis formas funcionales determinando la bondad de ajuste de cada modelo para finalmente seleccionar aquella que presente los mejores resultados.
2.1.1. Recogida de informacin y contraste de hiptesis de los datos El proceso de recogida de la informacin, etapa inicial de cualquier investigacin, es considerada el cimiento sobre el que se sustenta el proceso de modelizacin. De esta manera, para realizar de forma correcta esta etapa es necesario tener presente ciertas consideraciones en la bsqueda de la representatividad de la muestra y con respecto a los criterios previamente establecidos para la seleccin (dimensin, nmero de cabezas, superficie, raza, etc.). Para tal efecto Bolaos (1999) seala que es recomendable realizar una investigacin de tipo descriptivo-analtico, que permita hacer la descripcin, el registro, el anlisis y la interpretacin de la naturaleza actual y la composicin de los fenmenos que intervienen en el proceso, adems, de permitir la elaboracin de un marco de estudio a partir del que se deduce una problemtica, o bien formular un diagnostico con el fin de conocer carencias esenciales y sugerir una accin posterior. La representatividad de una muestra, est dada tanto por el tamao muestral como por el tipo de muestreo utilizado. El tamao muestral depende principalmente del tamao de la poblacin y del objetivo que se persigue en la investigacin, estando los elementos de juicio que influyen en la seleccin de la muestra basados en gran medida en las estimaciones y decisiones personales del investigador. El tipo de muestreo depender bsicamente de la posibilidad de acceso a las observaciones (o unidades de encuesta). Generalmente, a nivel de explotaciones agropecuarias la recoleccin de informacin se realiza mediante encuestas directas a los productores, ya sean en el tiempo o en un corte transversal. Una vez superada la etapa de recogida de datos, con el propsito de comprobar si las propiedades supuestas para la poblacin, son compatibles con lo observado en la muestra, es necesaria la realizacin de contraste de hiptesis. Bsicamente son tres las propiedades que deben cumplir las observaciones de una muestra para representar de manera fiel a la poblacin: normalidad, homocedasticidad e independencia (Martn et al., 1997).
2.1.2. Fase de especificacin Comienza con la formulacin del modelo estructural, para lo que es necesario,
inicialmente, definir que variable productiva se quiere determinar y seleccionar las variables endgenas que sern utilizadas para dicha estimacin. Generalmente en ganadera, las variables de produccin a estimar corresponden a kilos o litros totales de producto generados en una unidad de tiempo arbitraria. Posteriormente, se realiza un anlisis descriptivo multidimensional que determine la correlacin entre las variables, con el propsito de evitar la dependencia entre las mismas. Para llevar a cabo esta tarea, se hace indispensable la utilizacin de algn software estadstico, algunos ejemplos de los comnmente utilizados son StatGraphics, SAS y SPSS. La seleccin de uno u otro depende netamente de la facilidad de uso para el usuario y la disponibilidad del mismo. Una vez realizado el anlisis, aquellas variables de entrada que presenten un alto grado de correlacin entre s, debern ser estudiadas, con el propsito de descartar de cada par de variables una de ellas, disminuyendo el nmero de posibles variables que ingresaran al modelo. En los datos del ejemplo presentado en la Figura 2, la variable de produccin a estimar corresponde a litros de leche producidos en una explotacin ovina al ao. Tomando como referencia la base de datos mencionada, que consta de 31 explotaciones, y utilizando como variables de entrada las mostradas en la Tabla 1, por medio del uso del software estadstico StatGraphics, usando la opcin Descripcin Datos numricos Anlisis Multidimensional de la barra del men de herramientas se obtuvo su matriz de correlacin (Figura 3).
Tabla 1: Clasificacin de las variables de entrada

Fsicas y de dimensin Nmero de animales (NO) Superficie de la explotacin (SE) Consumo de concentrado anual (C) Grado de intensificacin Carga animal (CA) UTA por 100 ovejas (UTACO) Ovejas por UTA (OUTA) Nmero de parideras al ao (NP) Consumo de concentrado por oveja al ao (CO) Consumo de concentrado por litro de leche (CLT) Tcnicas y productiva Tasa de reposicin (R) Mortalidad de corderos (MC) Productividad de corderos (PC)
Figura 2: Proceso de obtencin de la matriz de correlacin
10
Figura 3: Matriz de correlacin Una vez estimadas las correlaciones, es posible eliminar las variables altamente correlacionadas, para posteriormente seleccionar las variables explicativas de la ecuacin del modelo. Es recomendable el planteamiento de varios modelos alternativos, incorporando todas o parte de las variables explicativas, con distintas formas funcionales, hasta lograr el modelo definitivo.
2.1.3. Fase de estimacin de parmetros Una vez especificado el modelo, se prosigue con la fase de estimacin de los parmetros estructurales. Los mtodos de estimacin dependen tanto de la relacin de dependencia de las variables como del tipo de modelo. En la determinacin de funciones de produccin, el tipo de dependencia ms habitual corresponde a aquellas en que se presenta una relacin con una variable dependiente mtrica y un conjunto de variables independientes que pueden ser o no ser mtricas, es decir:
11
(mtricas) (mtricas, no mtricas) Tal clasificacin se muestra destacada en la Figura 4, donde se presentan todas las tcnicas de anlisis de dependencia.
Tcnicas de dependencia Varias relaciones 1 variable dependiente DEP mtrica DEP mtrica DEP no mtrica IND no mtrica IND mtrica Una relacin > 1 variable dependiente DEP no mtrica
Ecuaciones estructurales
Regresin mltiple
Anlisis discriminante
Regresin VDL
MANOVA
Correlacin cannica
Regresin lineal
Regresin no lineal
Fuente: Adaptado de Uriel y Alds, (2005)
Figura 4: Tcnicas de anlisis de dependencia En decir, la tcnica de anlisis de dependencia ms utilizada para la generacin de funciones de produccin corresponde a la regresin mltiple, estando est representada tanto por relaciones lineales como no lineales. Dentro de los modelos con una relacin de dependencia, es posible sealar, como mtodos ms usuales de estimacin de parmetros, los siguientes: Mtodo de mnimos cuadrados ordinarios Mtodo de mnimos cuadrados generalizados o de Aitken Mtodo de mxima verosimilitud En el caso de los modelos multiecuacionales, cada una de las ecuaciones puede ser estimada (si cumplen condiciones de estimabilidad o identificabilidad) mediante variantes de los mtodos anteriores: 12
Mtodo de mnimos cuadrados bietpicos Mtodo de mxima verosimilitud con informacin limitada Y si todo el modelo es estimable o identificable, mediante Mtodo de mnimos cuadrados trietpicos Mtodo de mxima verosimilitud con informacin completa A continuacin se describen las tcnicas economtricas para la determinacin de los parmetros en modelos uniecuacionales.
3.
Tcnicas economtricas para la determinacin de parmetros funcionales en modelos uniecuacionales
3.1.
Mnimos cuadrados ordinarios (MCO)
El criterio de mnimos cuadrados trata de minimizar la suma de cuadrados de los residuos ( , los cuales son definidos como la diferencia entre el valor observado de la
variable que tratamos de explicar y el valor estimado por la recta ajustada (Martn et al., 1997):
Donde:
3.2.
Mnimos cuadrados generalizados (MCG)
En modelos que presentan heterocedasticidad y autocorrelacin, no es posible aplicar directamente el mtodo de MCO para estimar los coeficientes estructurales (Caridad, 1998). Para ello, el mtodo de MCG propone un procedimiento de transformacin de las variables, de tal modo, que posterior a esta transformacin, satisfagan los supuestos del modelo clsico y sea posible aplicar luego MCO. En otras palabras, MCG es MCO sobre las variables transformadas que satisfacen los supuestos estndar de mnimos cuadrados. Los estimadores obtenidos se conocen como estimadores MCG y estos estimadores poseen la propiedad de ser MELI (mejor estimador lineal insesgado). 13
La diferencia entre MCO y MCG, se encuentra en la minimizacin realizada; como se seal anteriormente en MCO se minimiza la expresin:
En tanto, que en MCG, la expresin a minimizar corresponde a:
Donde Por lo tanto, en MCG se minimiza una suma ponderada de residuos al cuadrado, actuando como ponderador, y en MCO se minimiza la suma de los residuales al
cuadrado (SRC) sin ponderar. De este modo, en MCG, el peso asignado a cada observacin es inversamente proporcional a su provienen de una poblacin con una , es decir, las observaciones que
ms grande tendrn una ponderacin menor tendrn
relativamente menor y aquellas provenientes de una poblacin con un
una ponderacin proporcionalmente mayor al minimizar la SRC (Gujarati, 2003)
3.3.
Mxima verosimilitud
Corresponde a un mtodo de estimacin puntual, con algunas propiedades tericamente ms fuertes que las del mtodo de MCO. Sin embargo, si se han supuesto normalmente distribuidas, los estimadores de MV y MCO regresin de los coeficientes de ,
son idnticos. La principal diferencia es la forma de estimacin de
dado que en MCO es estimada por el estimador insesgado el estimador sesgado (Gujarati, 2003).
, y en MV por
El mtodo de MV, se basa como su nombre lo indica, en la funcin de verosimilitud de la muestra. Dicha funcin es definida como la probabilidad de que se den las observaciones muestrales y depende, lgicamente, de los parmetros poblaciones. Es decir, intuitivamente viene a proporcionar la probabilidad de que para unos 14
determinados parmetros
, obtengamos una muestra concreta. La funcin de
verosimilitud puede ser expresada como:
Maximizar dicha funcin dada una muestra, consiste en obtener los valores con mayor probabilidad generen la muestra considerada (Martn et al., 1997)
que
Al igual que para la realizacin del anlisis de multicolinealidad, la estimacin de los parmetros por medio de tcnicas economtricas, se realiza con la ayuda de softwares estadsticos.
4.
Modelos de regresin lineal mltiple
El modelo de regresin mltiple puede ser aplicado tanto a datos de corte transversal como a datos provenientes desde series temporales. Generalmente se considera que el regresando es una funcin lineal de k-1 regresores y de una perturbacin aleatoria, existiendo adems un regresor ficticio correspondiente al trmino independiente. Si designamos por al regresando, por a los regresores, por a la
perturbacin aleatoria y T el tamao de la muestra, el modelo terico de regresin lineal viene dado, para la observacin genrica t-sima, por la siguiente expresin (Uriel y Alds, 2005):
La relacin entre regresando, los regresores y la perturbacin aleatoria es lineal. De este modo, el regresando y los regresores pueden ser cualquier funcin de la variable endgena o de las variables predeterminadas, respectivamente, siempre que entre regresando y regresores se mantenga una relacin lineal (es decir, el modelo sea lineal en los parmetros). Por otro lado, el carcter aditivo de la perturbacin aleatoria garantiza su relacin lineal con el resto de los elementos. Entre las relaciones funcionales de regresin lineal mltiple utilizadas comnmente para la determinacin de funciones de produccin destacan las que se mencionan en los apartados a continuacin.
15
4.1.
Funcin lineal
Corresponde a un funcin que asocia dos o ms variables de forma que la dependiente se calcula a partir de las independientes xs, del valor del trmino independiente , del coeficiente , y del error , siendo y independientes de X e Y, y no pudiendo estar X elevada a ninguna potencia.
Ejemplos del uso de esta funcin en sistemas agropecuarios se puede encontrar en Caas et al.,(1994), quin utiliza a travs de modelos economtricos, funciones lineales para determinar la funcin de produccin para diferentes variedades de maz en Andaluca; en Zornoza et al., (2007) quienes determinan la relacin entre la calidad del suelo de molisoles y entisoles en la provincia de Alicante a travs de una regresin lineal mltiple con las variables Nitrgeno, carbono orgnico y carbono en la biomasa microbial; en Kirton et al., (1984) donde se concluy que el espesor de la canal tomado entre la 11 y 12 costilla, es la variable que presenta la mejor relacin con la composicin qumica de materia grasa en canales de corderos y en Daz et al., (2004) donde estudiando corderos lechales se considero al peso de la carcasa fra como un buen predictor de la cantidad de msculo, no as de otros tejidos como la grasa. Un ltimo ejemplo, relacionado con la produccin de leche es presentado por Peralta-Lailson et al., (2005) quienes mediante regresiones lineales buscaron determinar el efecto de distintos factores ambientales en la curva de produccin lctea. Si tomamos como ejemplo los datos de produccin de leche, nmero de ovejas y suministro de concentrado por animal de la muestra de explotaciones de ovino de leche, que se presentan en el Anexo 1-1 y los introducimos en el programa Statgraphics para la obtencin de un modelo de regresin lineal, a travs de la opcin Dependencia Regresin Mltiple, tal como se observa en la Figura 5, se llega a la siguiente funcin de produccin: PL = -11263,0 + 54,3119 x CO + 94,2096 x NO
16
Figura 5: Salida del modelo regresin lineal Como se aprecia en la Figura 5, por medio de programa estadstico Statgraphics es posible obtener informacin de la significancia de cada uno de los parmetros en forma independiente (indicado con un crculo), as como de los parmetros en su conjunto (modelo) (encerrado en un recuadro). El contraste de cada parmetro se realiza mediante la prueba de t, donde la hiptesis nula es que la variable xj incluida en el modelo no tiene influencia significativa alguna, es decir:
Siendo esta hiptesis aceptada si bj/S(bj) queda comprendido entre los valores de t (Pulido, 1987):
17
Es decir, si el valor de p es menor a 0,05, la hiptesis nula, de no significancia de la variable es rechazada, o en otras palabras, se acepta la hiptesis alternativa de la existencia de un efecto de la variable xj en el valor que toma la variable dependiente. En el caso del modelo, para decidir sobre la significancia conjunta de todos los parmetros que lo forman, el programa StatGraphics utiliza una distribucin F de Snedecor. Distribucin que se define por el cociente de dos respectivos grados de libertad e independientes entre s: divididas por sus
Al igual que en el caso del anlisis de cada variable en forma independiente, la hiptesis nula corresponde a la no significancia del modelo y por lo tanto un valor p<0,05 estara indicando que el modelo puede ser utilizado para estimar los valores que toma la variable dependiente. Un tercer contraste de significacin, es aquel que se realiza a partir del coeficiente de determinacin. Tal coeficiente puede interpretarse como la proporcin de la variacin de la variable endgena que queda explicada por la regresin, es decir, que son capaces de recoger las variables exgenas incluidas en el modelo. El coeficiente de determinacin queda expresado como:
Siendo la hiptesis nula del modelo la no existencia de correlacin real entre variables (H0 (=0)). Para una correcta interpretacin del valor alcanzado por R2, es necesario realizar algunas matizaciones, siendo una de ellas la correccin por los grados de libertad de las varianzas, debido a que un buen ajuste resulta ms difcil en la medida que aumenta el nmero de datos y disminuye el nmero de variables utilizadas. El coeficiente de determinacin corregido, es obtenido a travs de la siguiente expresin:
18
Como se observa el modelo presenta significancia estadstica, adems presenta coeficientes de determinacin tanto ordinario como corregido altos, y significancia en sus dos variables explicativas. Por otro lado, si observamos la matriz de correlaciones del modelo (Figura 6), se aprecia que no hay correlaciones superiores al 50% (salvo con el trmino constante), por lo que no se est en presencia de relaciones de multicolinealidad entre las variables del modelo.
Figura 6: Matriz de correlaciones del modelo lineal 4.2. Funcin cuadrtica
El modelo que representa este tipo de frontera, queda expresado por:
Donde
corresponde al intercepto o trmino independiente,
es el coeficiente lineal o
de primer grado,
es el coeficiente cuadrtico o de segundo grado (siendo siempre
distinto de cero) y corresponde al error. Esta funcin ha sido utilizada en sistemas agropecuarios, por ejemplo en la estimacin de la cantidad de leche y carne producida en la ganadera de doble propsito en la zona oriente de Yucatn (Pech et al., 2002), en la determinacin de la produccin de leche en la cuenca central de Santa Fe, Argentina (Garca et al., 1997), en la determinacin de la relacin existente entre algunas caractersticas de calidad de la carne (como dressing out (%) y pH) y peso al sacrificio de corderos (Okeudo y Moss, 2008); en la estimacin del rendimiento en judas blancas en base a la utilizacin de distintos niveles de semilla y 19
superfosfato (Pazos, 1977) y en la determinacin de la produccin de uva vinfera en funcin de la superficie plantada (Troncoso, 2001). Si utilizamos los datos del Anexo 1-1 para la determinacin de una funcin de produccin de este tipo, obtenemos el modelo presentado en la Figura 7, que puede ser representado por la siguiente ecuacin:
PL = -20453,2 - 0,215781 x CO2 + 165,585 x CO + 88,5515 x NO + 0,004404*NO2
Figura 7: Salida del modelo de regresin lineal cuadrtico
El modelo obtenido, a pesar presentar un ajuste estadsticamente significativo (p<0.05, mostrado en una elipse), presenta tres de sus parmetros sin significancia estadstica (mostrados en recuadros) y tal como se observa en la Figura 8, altas correlaciones entre los estimadores de los coeficientes, es decir, presenta multicolinealidad, por lo que
20
puede ser descartado como modelo para la representacin de la produccin lctea en esta muestra.
Figura 8: Matriz de correlaciones del modelo cuadrtico 4.3. Funcin cbica
Una funcin de produccin de un factor suele tener un rango de rendimientos crecientes, seguido por una etapa de rendimientos decrecientes y posteriormente por resultados negativos. La forma ms sencilla de representar tal situacin es la ecuacin cbica o tambin llamada polinomio de tercer grado, que puede ser representada por (Yunker, 2008):
Donde
corresponde al output,
es el factor de produccin,
corresponde al
intercepto y
son parmetros positivos.
Yunker (2008) seala que aunque la funcin de produccin cbica suele estar presente en los libros tericos, presenta escasa aplicacin en la investigacin econmica profesional, mencionado la dificultad de trabajar matemticamente con polinomios. Un antiguo ejemplo de la utilizacin de este tipo de funcin en produccin animal puede ser encontrado en Francisco (1969), quien estudio la produccin de carne de ovinos en 21
la Patagonia Argentina, utilizando como variables explicativas, los mtodos de pastoreo, las estaciones de pastoreo y las cargas utilizadas. Un ejemplo ms reciente es el que reporta Kunene et al.,(2009) donde se busca predecir el peso vivo de ovejas Zulu a travs de la relacin con la medida de permetro torcico y la altura a la cruz. Siguiendo con la utilizacin de los datos del Anexo 1-1, en este tipo de modelo, la funcin de produccin obtenida corresponde a: PL = -33388,3 + 223,153 x NO - 0,265251 x NO2 + 0,000141079 x NO3 +120,453 x CO - 0,0603641 x CO2 - 0,000148179 x CO3
Figura 9: Salida del modelo de regresin lineal cbica De manera similar a lo que ocurre con el modelo cuadrtico, en el modelo cbico, a pesar de obtenerse un modelo con un buen ajuste (elipse en Figura 9), existen parmetros sin significancia estadstica (recuadros en Figura 9), adems de multicolinealidad (Figura 10). 22
Figura 10: Matriz de correlaciones del modelo cbico 4.4. Funcin hiperblica
Las funciones hiperblicas poseen propiedades similares a las cuadrticas, con la diferencia de presentar una mayor dificultad en la realizacin de su ajuste. La productividad marginal es creciente y luego decreciente para un solo inputs variable. Aspilcueta et al., (2008) estudia una funcin hiperblica lineal para predecir la produccin diaria de leche en vacas con alto grado de sangre Brown Swiss, determinando que dicha funcin subestima la produccin de leche en la 1 semana y entre la 8 y 24 semana y sobreestima la produccin de leche desde la 2 hasta la 7 semana y desde la 25 hasta la 43 semana. El modelo de funcin hiperblica lineal utilizado por dichos autores puede ser representado como:
Donde, y es la produccin de leche diaria, x es la semana de la lactacin y b0, b1, b2 son los parmetros de cada funcin. Relaciones hiperblicas conocidas como Michaelis-Menton han sido utilizadas por Surkey et al., (2005) para ajustar la produccin bruta primaria de maz y soja a la 23
radiacin fotosintticamente activa y por Nijland et al., (2008) para relacionar dicha produccin con la fertilizacin nitrogenada y fosftica. Tal como se aprecia en la Figura 11, el modelo resulta significativo (elipse en Figura 11), as como tambin las variables independientes (recuadro en Figura 11). En la matriz de correlaciones no se observan valores elevados, salvo en las correlaciones que involucran el trmino constante (Figura 12). La funcin obtenida para este modelo es representada por: PL= -1093,0 + 103,264 x NO - 1/CO x 89882,2
Figura 11: Salida del modelo de regresin lineal hiperblico
24
Figura 12: Matriz de correlaciones del modelo hiperblico 5. Modelos no lineales
Cuando en los parmetros de un modelo aparecen productos, cocientes u otras operaciones sobre los parmetros distintos de la suma o la resta, se est frente a un modelo no lineal en los parmetros (Uriel y Alds, 2005). En un modelo economtrico lineal, debe aparecer un solo parmetro por cada regresor que figure en el modelo, sin embargo, el hecho de que los regresores sean las variables explicativas originales o una transformacin de stas no afecta la linealidad del modelo desde el punto de vista economtrico. La linealizacin de los modelos presenta la ventaja de permitir que su estimacin sea realizada por medio de la aplicacin de operaciones de lgebra matricial, y no mediante procesos de estimacin iterativos, en los que no siempre se garantiza conseguir una estimacin final adecuada. A los modelos no lineales, que pueden convertirse mediante transformaciones matemticas adecuadas en modelos lineales se les conoce como modelos no lineales linealizables. Un tipo de funcin que utiliza la metodologa de linealizacin corresponde a la de Cobb-Douglas, que ser detallada a continuacin.
25
5.1.
Modelo de Cobb-Douglas
El modelo de Cobb-Douglas, para la determinacin de la funcin de produccin, fue defino por Cobb y Douglas en 1928, correspondiendo a uno de los modelos para la determinacin de las funciones de produccin ms comnmente utilizados. Su forma general puede ser expresada como:
Donde, Y es la cantidad de output obtenida, de eficiencia,
es el denominado parmetro constante las cantidades de los factores
los parmetros de elasticidad y
productivos empleados. Las diferencias entre empresas se podran explicar por la existencia de un distinto valor del parmetro (dependiente de la tecnologa), por el acierto del empresario de
producir de manera correcta y por factores de naturaleza aleatoria. La transformacin de esta funcin se realiza por medio de la obtencin de los logaritmos neperianos de la funcin original. De manera que, la funcin original:
Se tranforma a:
Existen numerosas aplicaciones de la funcin Cobb-Douglas en agrosistemas, por ejemplo, en ganadera Bravo-Ureta y Rieger (1990) utilizaron cuatro versiones de esta funcin para estimar la produccin de leche de vacas en Nueva Inglaterra y Nueva York; Murua y Albisu (1993) determinan la produccin porcina de Aragn utilizando la funcin Cobb-Douglas en su forma logartmica, aplicando como variables exgenas el pienso suministrado, el capital y la gestin tcnica; en fitotcnia Colom et al., (1995) realizaron un estudio econmico financiero de competitividad y eficiencia productiva de 26
un grupo de sociedades agrarias cerealistas en la provincia de Huesca, utilizando la funcin Cobb-Douglas para calcular el valor del producto vendido por campaa. La funcin de Cobb-Douglas puede ser obtenida a travs de dos formas: directa e indirecta a travs de distintos tipos de regresiones. A continuacin se detalla cada una de ellas. i. Estimacin por regresin multiplicativa. Permite la obtencin de una funcin de Cobb-Douglas de manera directa. Para este objetivo a travs de un software estadstico (a modo de ejemplo Statgraphics), se define la formula general del modelo y las variables explicativas (recuadro de la Figura 13), obtenindose las parmetros de la ecuacin que se observan en la elipse de la Figura 13. A diferencia de los resultados de los anlisis de regresin ejemplificado anteriormente, que reportaban el valor de probabilidad, en este se presenta el intervalo de confianza para cada uno de los parmetros estimados (recuadro de borde punteado en la Figura 13), presentando significancia estadstica aquellos parmetros que en su intervalo de confianza no presenten el valor 0, es decir, en el ejemplo los parmetros a y b.
27
Figura 13: Funcin Cobb-Douglas obtenida de forma directa
Figura 14: Matriz de correlaciones del modelo no lineal
28
ii.
Estimacin por regresin lineal de datos transformados. A diferencia del mtodo anterior, este mtodo indirecto necesita la obtencin del logaritmo neperiano de los datos originales, tanto para las variables independientes como para la dependiente. Para ejemplificar este modelo obtendremos los logaritmos neperianos de los valores originales de la base de datos (Anexo 1-1). Posteriormente, por medio de una regresin lineal (de la misma forma que se seal en el apartado de funcin lineal) se llega al siguiente modelo de funcin de produccin de Cobb Douglas (Figura 15): LnPL = 3,41304 + 1,08893 x LnNO + 0,108139 x LnCO
Y luego de su transformacin, mediante la aplicacin del antilogaritmo a:
Figura 15: Salida del modelo de regresin linealizado
29
Figura 16: Matriz de correlaciones del modelo linealizado El modelo aqu obtenido presenta el mayor coeficiente de determinacin entre todos los modelos planteados (elipse en la Figura 15), adems de presentar valores de probabilidad significativos (p<0,05) para la constante, los parmetros y el modelo como un todo (recuadros en Figura 15). En cuanto a la matriz de correlaciones (Figura 16), se observa que no hay correlacin entre los parmetros utilizados para la regresin. En la Figura 17 se presentan los grficos de superficie de cuatro de los modelos evaluados.
30
DOCUMENTOS DE TRABAJO DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

A) M odelo Lineal
140000 120000
PRODUCCION ANIMAL Y GESTION ISSN: 1698-4226 DT 13, Vol. 1/2010

B) M odelo cuadrtico
120000
100000
80000
60000
40000
) s t l ( n i c c u d o r P
100000
80000
60000
40000 20000 0 0 0 8 0 5 8 0 0 9 0 5 9 0 0 0 1
0 2 1
20000
0 0 2
0 5 3
0 0 5
0 5 6
00 05 8
0 0 1
0 5 1
0 0 2
0 5 2
0 0 3
0 5 3
0 0 4
0 5 4
0 0 5
0 5 5
0 0 6
0 5 6
0 0 7
0 5 7
0
5 9 1
0 7 2 5 4 3 0 2 4
0 5
0 0 1
0 5 1
0 0 2
0 5 2
0 0 3
0 5 3
0 0 4
0 5 4
0 0 5
0 5 5
0 0 6
0 5 6
0 0 7
0 5 7
0 0 8
0 5 8
0 0 9
0 5 9
0 0 0 1
C) M odelo Linealizado
1 2 0 00 0
D) M odelo N o Lineal
120000
1 0 0 00 0
100000
8 0 00 0
8 0 00 0
6 0 00 0
40000
60000
40000
2 0 0 00
2 0 0 00
0 0 0 7 0 5 7 0 0 8 0 5 8 0 0 9 0 5 9 0 0 0 1
0 5 0 0 2 0 0 4 0 5 4 0 0 5 0 5 5 0 0 6 0 5 6 0 0 7 0 5 7 0 0 8 0 5 8 0 0 9 0 5 9
0 0 0 0 1
0 0 2
0 5 3
0 0 5
0 5 6
0 00 85
0 0 1
0 5 1
0 0 2
0 5 2
0 0 3
0 5 3
0 0 4
0 5 4
0 0 5
0 5 5
0 0 6
0 5 6
0 5 3
0 0 5
0 50 65
0 0 1
0 5 1
0 0 2
0 5 2
0 0 3
0 5 3
Figura 17: Grficos de superficie de respuesta de cuatro de los modelos analizados 31
6.
Ejemplos de modelos economtricos de produccin en carne y leche
El crecimiento animal y la produccin de leche, son los aspectos ms importantes al momento de evaluar la productividad de las explotaciones pecuarias. En ambos casos, se han propuesto y utilizado diversos modelos matemticos, tanto lineales como no lineales, seleccionndolos por facilidad de ajuste y de interpretacin biolgica (Agudelo et al., 2008). Las funciones de produccin, adems, de permitir la determinacin de la eficiencia biolgica, permiten indagar en aspectos relacionados con la eficiencia econmica, informacin que puede ser utilizada para propsitos de alimentacin y seleccin (Grossman y Koops, 1988). En la Tabla 2 se aprecia la variedad de modelos economtricos que han sido propuestos por distintos autores, para la determinacin de funciones de produccin de leche en razas caprinas espaolas, en tanto que en la Tabla 3 se observa modelos matemticos no lineales para curvas de crecimiento de cuatro especies ganaderas.
32
Tabla 2: Funciones de produccin de leche utilizadas en razas caprinas espaolas

Raza Tipo de Funcin Lineal Polinomial 2 grado CANARIA Potencial Exponencial 1 Exponencial 2 Funcin matemtica Y=2.78-0.0062x Y=2.71-0.004x-0.000009x2 Y= 4.23x-0.16 Y=2.81(1-e
-0.38x
Autor
Fresno et al., (1992)
) - 0.006x Hernndez, (1991)
Y= 2.31x0.07e-0.004x * 1 Parto: Y= 1.37x0.133e-0.01702 2 Parto: Y= 1.906x0.051e-0.01209
MALAGUEA
Exponencial
3 Parto: Y= 2.351x-0.049 e-0.00571 4 Parto: Y= 2.391x-0.069 e-0.00429 >4 Parto: Y = 1.700x0.098 e-0.01629
MURCIANO GRANADINA Lineal
15 das : Y= 153,06+117,55x 45 das : Y= 180,29+100,06x 75 das : Y= 159,05+112, 19x 105 das :Y= 153,96+ 77,02x 135 das :Y= 156, 17+ 79,08x 165 das :Y= 142,35+107,57x
Pedauye, (1989)
MURCIANO GRANADINA Exponencial
1 Parto: Y= 0.979x0.108 e-0.0121 2 Parto: Y= 1.269x

0.254 -0.0326
Hernndez, (1991)
e e
3 Parto: Y= 1.214x
0.319 -0.0381
4 Parto: Y= 1.211x0.262e-0.0285 >4 Parto: Y= 1.042x0.215e-0.0270 1 Parto: Y= 0.976x 0.214e-0.030 2 Parto: Y=1.66x -0.148e-0.0101 PAYOYA Exponencial 3 Parto: Y=1.919x0.090e-0.02045 4 Parto: Y=2.130x Lineal-fase descendente VERATA Exponencial
0.052
Hernndez, (1991)
-0.01324
>4 Parto: Y=3.249x
-0.164
e-0.00863
1 Parto: Y= 1.825-0.002980x 2 Parto: Y=2.750-0.006557x 3 Parto: Y=2.619-0.005726x 4 Parto: Y=2.910-0.006625x 1 Parto: Y=0.916x0.165 e-0.003X 2 Parto: Y=1.836x 0.129e-0.005X 3 Parto: Y=1.501x 0.206e-0.005X 4 Parto: Y=1.081x 0.296e-0.007X Rota et al., (1993)
33
Tabla 3: Parmetros estimados de modelos no lineales en cuatro especies: Brody (1), Gompertz (2a, 2b), logstico (3a, 3b) y Von Bertalanfly (4). Los datos ennegrecidos indican que el modelo no es adecuado (Ribeiro, 2005).
Modelo A (kg) 1.A(1-bC1) b (kg/kg) K (t ) R 2a. yo, exp((L/K)(1C1))
2 -1
Caprino 56,9968 0,8923 0,0508 0,9391 0,0265 0,1669 0,0341 0,9440 5,0148 4,8905 0,0341 0,9444 49,6414 0,1164 2,4913 0,9390
Ovino 39,8745 0,9260 0,0040 0,9372
Porcino
Bovino 1751,9000 0,9734 0,0103 0,9244
yo(kg) L, (g/g) K (t ) R2 A (kg) 2b. Aexp(-bC1) b (kg/kg) K (t ) R2 A (kg) 3a.A/(1+C1)m K (t-1) M (kg/kg) R
2 -1 -1
1,7421 0,0600 0,0132 0,9500 164,1111 0,0600 0,0132 0,9500 31,7670 0,0114 2,8403 0,9320 29,5021 4,8424 0,0160 0,9341 149,3101 0,0169 6,4020 0,9320
72,7672 0,1343 0,0566 0,9232 780,5950 2,3728 0,0566 0,9232 731,0000 0,0713 3,2265 0,9357
A (kg) 3b. A/(1+bC1) b (kg/kg) K (t ) R

2 -1
A (kg) 4.A(1-bC1)3 b (kg/kg) K (t ) R

2 -1
51,9850 0,4733 0,0823 0,9393
34,0172 0,5183 0,0076 0,9244
329,0520 0,8387 0,0056 0,9238
872,9000 0,5777 0,0413
7.
Consideraciones sobre los modelos
La determinacin de la funcin de produccin es la primera etapa de una serie de estudios, enfocados a la evaluacin de productividad (Rahman y Hasan, 2008), eficiencia (Alvarez y Arias, 2004; Perez et al., 2007; Cuesta et al., 2009), sustentabilidad (Van Passel et al., 2009), entre otros. El resultado de dichos estudios, son netamente del modelo economtrico seleccionado; es as, como por ejemplo Garca et al., (2007) indican la sensibilidad de la eficiencia ante el modelo utilizado, reportando una diferencia media en los ndices de eficiencia entregados por dos modelos 34
(multiplicativo versus linealizado) de un 43%. Los modelos lineales tienden a incrementar los valores de la eficiencia tcnica (IET), tal como se observa en BravoUreta y Pinherio (1993) (revisan 30 fronteras agrarias), Shilder y Bravo-Ureta (1993) (revisan 11 fronteras de produccin en vacas lecheras) y Thiam et al., (2001) (revisan 32 fronteras agrarias), donde los valores de eficiencia se ubican en torno al 90%. Por el contrario, cuando se utilizan modelos no lineales o transformados la eficiencia se sitan en valores cercanos al 60% (Pariani, 2004; Garca et al., 2007).
8.
Fase de validacin
En esta fase se trata de comprobar estadsticamente si la especificacin del modelo ha sido adecuada. Para esto se formulan una serie de contrastes de hiptesis, tanto de los coeficientes del modelo, como de los residuos o errores, adems de calcular las medidas de ajuste que presenta el modelo. Algunos de los test estadsticos posibles de aplicar son los siguientes: Test sobre normalidad de los residuos Test de heterocedasticidad Test de estabilidad de coeficientes o Test de Chow o Estimaciones recursivas Tanto los mtodos de estimacin de los parmetros estructurales, como los test de validacin de los modelos sern abordados en los siguientes apartados.
8.1.
Contrastes de validacin
8.1.1. Test sobre normalidad de los residuos La regresin lineal normal clsica parte del supuesto que cada ui, est normalmente distribuida con: Media: Varianza:
35
Cov(ui,uj): Generalmente, no se realizan contrastes de normalidad, dado que la mayora de las veces no se dispone de muestras significativamente grandes (mayor de 50 muestras) que son necesarias para realizar este tipo de contrastes (Uriel y Alds, 2005). Para conocer si estos supuestos se cumplen, es posible utilizar alguna de las siguientes pruebas o test.
i.
Test de Jarque Bera
La prueba de Jarque Bera se basa en los residuos obtenidos por medio de MCO. A travs de esta prueba de normalidad, se determinan dos propiedades de la distribucin de los residuos: la asimetra y la curtosis (o apuntalamiento). Dichas propiedades se obtienen por medio de dos coeficientes: Coeficiente de Asimetra:
Coeficiente de Curtosis:
La utilizacin de estos coeficientes permite, a su vez calcular el ndice de Jarque Bera, por medio de la siguiente ecuacin (Gujarati, 2003):
A medida que los coeficientes S y K, se aproximan a 0 y 3 respectivamente, la probabilidad de normalidad de los residuos por la obtencin de un bajo valor del ndice de Jarque Bera aumenta. De esta forma, para aceptar la hiptesis nula de normalidad de residuos, el valor de probabilidad debe ser mayor a 0,05. Si aplicamos este test a cuatro de los modelos ejemplificados, obtenemos los resultados que se presentan en la Figura 18.
36
DOCUMENTOS DE TRABAJO DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

A) Modelo Lineal 6 5 4 3 2 1 0 -40000 Series: Residuals Sample 1 31 Observations 31 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability -20000 0 20000 40000 3.29e-12 -1335.006 37162.93 -36392.91 15637.70 -0.073308 3.703827 0.667622 0.716189
PRODUCCION ANIMAL Y GESTION ISSN: 1698-4226 DT 13, Vol. 1/2010

B) Modelo cuadrtico 6 5 4 3 2 1 0 -40000 Series: Residuals Sample 1 31 Observations 31 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability -20000 0 20000 6.57e-12 -880.8583 33134.05 -38234.19 14880.85 -0.088641 3.423436 0.272189 0.872760
C) Modelo linealizado 8 7 6 5 4 3 2 1 0 -0.6 -0.4 -0.2 -0.0 0.2 0.4 0.6 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 3.17e-16 -0.014162 0.547865 -0.671141 0.301868 -0.136902 2.747628 0.179102 0.914342 Series: Residuals Sample 1 31 Observations 31
9 8 7 6 5 4 3 2 1 0
D) Modelo no lineal Series: Residuals Sample 1 31 Observations 31 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability -40000 -20000 0 20000 -10.42039 -558.3519 28749.17 -42579.71 12841.85 -0.605448 5.802589 12.03933 0.002430
Figura 18: Test de normalidad de Jarque y Bera aplicado a tres de los modelos ejemplos
37
Como se observa en la Figura 18, para tres de los modelos analizados el valor de probabilidad es mayor a 0,05 (recuadros en la Figura 18) y por lo tanto no existe evidencia estadsticamente significativa para rechazar la hiptesis nula de normalidad de los residuos en ellos.
ii.
Test de Kolmogorov-Smirnov
Corresponde a una prueba no paramtrica aplicable a distribuciones de frecuencias continuas divididas en clases y que en muchos casos posee mayor potencia que la prueba de .
Esta prueba se basa en las diferencia absolutas de las distribuciones de frecuencias acumuladas observadas con respecto a las esperadas, expresado en frecuencias relativas. La diferencia mxima relativa ( 2002): se contrasta con el valor crtico (Muoz,
Esta prueba para ser realizada requiere de muestras grandes, por tal motivo no es posible la aplicacin a nuestro ejemplo.
8.1.2. Test de heterocedasticidad El modelo bsico de regresin lineal exige, como hiptesis primaria, que la varianza de las perturbaciones aleatorias, condicional a los valores de los regresores X, sea constante. En otras palabras, la varianza condicional de Yi (la cual es igual a la de ui), condicional a las X, permanece igual sin importar los valores que tome la variable X. Algebraicamente esto es expresado como:
Para clarificar el fenmeno de heterocedasticidad, en las Figura 19 y Figura 20 se aprecian grficamente perturbaciones homocesdsticas y heterocedsticas. Ellas representan un modelo con dos variables Yi = 1+2Xi + ui, donde Y representa el ahorro 38
y X representa el ingreso. En ambas figuras a medida que aumenta el ingreso, el ahorro en promedio tambin aumenta, sin embargo, en la Figura 20, la varianza se incrementa con aumentos del ingreso, es decir, presenta heterocesdaticidad.
Figura 19: Perturbaciones homoscedsticas
Figura 20: Perturbaciones heteroscedsticas Existen bsicamente dos metodologas para detectar la presencia de heterocedasticidad, mtodos grficos y contrastes numricos. Dentro de los contrastes numricos se encuentran entre otros los test de Park, Goldfeld-Quant y White. El contraste de White, a pesar de ser similar a las otras pruebas dentro de su categora, parece ser algo ms robusto, al no requerir supuestos previos como, por ejemplo, la normalidad de los residuos (Gujarati, 2003). A continuacin se detallan algunos de los mtodos formales de deteccin de heterocedasticidad.
39
i.
Test de Park
Una formalizacin de los mtodo grficos es propuesta por Park, quin sugiere que es algn tipo de funcin de la variable explicativa sugerida: . Siendo la forma funcional
Donde
es el trmino de perturbacin estocstico. generalmente es desconocido, Park sugiere utilizar como aproximacin
Dado que
y correr la siguiente expresin:
Si
resulta ser estadsticamente significativo, estara sugiriendo la presencia de
heterocedasticidad en los datos. En caso contrario, se puede aceptar el supuesto de homocedasticidad. De este modo, la prueba de Park, es un procedimiento de dos etapas: i. ii. Se efecta la regresin de MCO, ignorando heterocedasticidad, y se obtiene de la regresin. Se efecta la nueva regresin. el interrogante de
Si bien es cierto, el test de Park es atractivo, presenta algunos problemas, por lo que es aconsejable utilizarla como un mtodo estrictamente exploratorio (Gujarati, 2003).
ii.
Test de Goldfeld-Quant
La prueba de Goldfeld-Quant opera comparando la magnitud de la suma cuadrada de los errores de regresiones (SCE) ajustadas con subconjuntos de la muestra original de 40
datos. La hiptesis nula es que existe homocedasticidad; si es correcta entonces el conjunto de modelos ajustados tendrn los mismos residuos cuadrados. La lgica es que la heterocedasticidad introducida por un regresor genera una varianza condicional que sigue la siguiente funcin:
Es decir, el investigador propone la hiptesis de que la varianza condicional es proporcional al cuadrado de la variable. Se debe considerar dos supuestos:
a.
que existe una variable mtrica (interval o de razn)
incluida en el modelo
que genera varianzas heterocedsticas b. que los residuos del modelo se distribuyen normalmente. Para realizar una prueba explcita de esto Golfeld y Quant sugieren los siguientes pasos: a. ordenar la matriz de datos de acuerdo a los valores de X, de menor a mayor b. determinar un nmero de observaciones centrales de la matriz de datos, en adelante C, que ser filtrado de los anlisis subsiguientes. Quedarn dos sub-poblaciones de datos, denominadas n y n ". Idealmente, conviene que:
1 2
n = n . Por lo que se deber manipular C para cumplir con este requisito.

1 2
c. ajustar para cada sub-poblacin una regresin MCO con el mismo p nmero de parmetros que los utilizados para la regresin original. Se obtendr para cada una la SCE y los grados de libertad (GdL), siendo estos ltimos:
Calcular la siguiente razn:
Si se ha supuesto que los errores
, estn distribuidos normalmente y si el supuesto de sigue la distribucin F con
homocedasticidad es vlido, entonces puede mostrarse que
un nmero de grados de libertad en el numerador y en el denominador iguales a:
41
Si en una prueba el valor observado de F es superior al valor crtico de F, entonces se puede tomar la decisin de rechazar la hiptesis nula en virtud de que hay indicios de heterocedasticidad (Gujarati, 2003).
iii.
Test de White
Constituye una forma general de identificar la presencia de heterocedasticidad, sin hacer supuestos sobre la incidencia de una variable en particular o sobre la distribucin de los residuos. Para su realizacin se requiere una serie de pasos: En primer lugar, supngase que se ajusta el siguiente modelo con tres variables regresoras relevantes (es decir, se supone correctamente especificado)
En segundo lugar, se obtienen para este modelo los residuos y elevan al cuadrado para evitar los signos. En tercer lugar se ajusta un modelo de regresin auxiliar para la prueba de White.
En este modelo auxiliar se incluyen los mismos regresores presentes en el modelo original, cada regresor elevado al cuadrado, las interacciones tomadas de a dos entre los regresores y un trmino residual. En cuarto lugar, regstrese el nmero de casos con que se realiza este anlisis y el coeficiente de determinacin obtenido. En quinto lugar obtngase el estadstico siguiente:
Bajo la hiptesis nula de que el modelo es homocedstico, puede demostrarse que el tamao de la muestra multiplicado por el coeficiente de determinacin del modelo auxiliar sigue asintticamente (asi) la distribucin ji-cuadrada con grados de libertad (GdL) igual a p-nmero de regresores (parmetros menos la constante) del modelo auxiliar.
42
En sexto lugar, se compara el valor obtenido para el estadstico con el valor crtico de la definida segn el nivel de significacin deseado y los grados de libertad. De este modo, si el valor observado supera al valor crtico, se puede tomar la decisin de rechazar la hiptesis nula y sostener que existen indicios de heterocedasticidad en el modelo original (Gujarati, 2003).
Esta prueba para descartar la presencia de heterocedasticidad, puede ser realizada a travs de software economtrico EViews, mediante la opcin View Residual test While Heteroskedasticidad. En este software es posible encontrar dos opciones: - No Cross Terms: Realiza la regresin de los errores al cuadrado de la regresin inicial del modelo escribiendo como explicativas todas las exgenas de la inicial y sus valores al cuadrado. - Cross Terms: Incluye adems, de lo sealado anteriormente, como explicativas del error al cuadrado, los productos no repetidos de todas las variables explicativas del modelo inicial entre s. Si bien el contraste expresado por White corresponde a la segunda opcin, en modelos con escasas observaciones, no es posible realizar la estimacin con tantos regresores, siendo ms recomendable la primera opcin (para as no eliminar completamente los grados de libertad). De este modo, y debido a que la muestra que hemos utilizado para la realizacin de los ejemplos cuenta slo con 31 explotaciones, el primer mtodo ser el utilizado. Los resultados obtenidos para los modelos lineal, cuadrtico y linealizado, que son desplegados al elegir la opcin View Residual Test White heterokedadticity (no cross terms), son mostrados en la Tabla 4. Tabla 4: Prueba de White aplicada a los modelos lineal, cuadrtico y linealizado
Modelo Lineal Cuadrtico Linealizado Estadstico F 5.223437 4.229747 1.527885 Probabilidad 0.003178 0.009063 0.223312 Obs*R-cuadrado 13.81221 12.22043 5.899989 Probabilidad 0.007919 0.015785 0.206743
Como se aprecia en la Tabla 4, la ausencia de heterocedasticidad se confirma, para el modelo linealizado, a travs de los estadsticos F y Obs*R-cuadrado, dado que para ambos estadsticos la hiptesis nula de existencia de homocedasticidad presentan un valor p>0.05. En los modelos lineal y cuadrtico los valores de probabilidad no superan 43
un nivel de significacin del 5% por lo tanto se debe asumir la presencia de heterocedasticidad en estos modelos.
8.1.3. Test de estabilidad de coeficientes La estabilidad de los coeficientes de regresin puede verse alterada por la presencia de cambios estructurales en la relacin entre la variable regresada (Y) y las regresoras (Xs). Un cambio estructural hace referencia a que los valores de los parmetros del modelo no permanecen constantes a lo largo de todo el perodo (Gujarati, 2003). Si bien esta inestabilidad suele darse en regresiones que involucran series de tiempo, se plantea la posibilidad de observarlas al cambiar la escala de produccin.
44
i.
Test de Chow
El test de Chow permite descubrir la presencia de estos cambios estructurales, en este contraste la hiptesis nula plantea que dos submuestras han sido generadas por una misma estructura econmica. El modelo restringido (MR) es:
En tanto que el modelo sin restringir (MSR) es:
El MSR consta de dos regresiones, una por cada submuestra. La hiptesis nula consiste en la igualdad de cada uno de los coeficientes i en las dos submuestras, lo que constituye un conjunto de k hiptesis lineales (Novales, 1993). Para determinar la estabilidad de los coeficientes, el programa Eviews, permite la realizacin del test de estabilidad de Chow, pudiendo ser realizado a travs de dos opciones (Chow breakpoint test y Chow Forescast test). La opcin Chow Farescast test se utiliza cuando es posible la creacin de dos submuestras relativamente grandes, y la opcin Chow Breakpoint test, en el caso contrario. En nuestro ejemplo, dado el bajo nmero de muestras, la opcin elegida corresponde a Chow Breakpoint test, eligindose la mitad de la poblacin ( 16 muestras) como punto de quiebre. Los resultados obtenidos para los tres modelos ejemplo son mostrados en la Tabla 5. Tabla 5: Test de Chow aplicado a los modelos lineal, cuadrtico y linealizado
Modelo Lineal Cuadrtico Linealizado Estadstico F 2.334804 1.627728 2.806876 Probabilidad 0.098155 0.196316 0.060273 Log likelihood ratio 7.656938 10.15383 8.999224 Probabilidad 0.053660 0.070992 0.029301
45
Como se aprecia en la Tabla 5 la probabilidad asociada al estadstico F es mayor a 0,01 en los tres modelos propuestos, por lo tanto la hiptesis nula de igualdad de coeficientes i, debe ser aceptada en ellos.
ii.
Estimaciones recursivas
Consiste en la estimacin secuencial del modelo especificado para distintos tamaos muestrales. En cada estimacin se obtiene un vector de parmetros estimados, que permite a su vez calcular la prediccin de la variable endgena para el periodo siguiente y el error de prediccin correspondiente. De este modo, con las sucesivas estimaciones, se generan las series de coeficientes recursivos y residuos recursivos. Cuando no existe un cambio estructural, se espera que las estimaciones de los parmetros se mantengan esencialmente constantes al ir aumentando la muestra en forma secuencial y los residuos no se desven ampliamente de cero. Este tipo de estimacin, a travs del programa Eviews (opcin View -> Stability Test-> Recursive Estimates) nos permite obtener diversos tipos de resultados. Aplicaremos dos tipos de resultados a los modelos lineal, cuadrtico y lineaizado. La primera estimacin recursiva utilizada corresponde a los errores recursivos (Figura 21), esta corresponde a un grfico de los errores recursivos a lo largo de la muestra. Cuando los valores de los errores superan los valores definidos por 2 veces la desviacin estndar (bandas de confianza), se est frente a posibles cambios de estructura. En la Figura 21, que corresponde al modelo lineal, se aprecia que los valores del error sobrepasan las bandas de confianza, por lo que este modelo presentara falta de estabilidad en sus coeficientes.
46
50000 40000 30000 20000 10000 0 -10000 -20000 -30000 -40000 4 6 8 10 12 14 16 18 20 22 24 26 28 30 Recursive Residuals 2 S.E.
Figura 21: Errores recursivos modelo lineal En la Figura 22, se observa la misma estimacin recursiva para el modelo cuadrtico. Se aprecia que la forma de los errores es muy similar a la entregada por el modelo lineal, y al igual que en ste, los errores sobrepasan las bandas de confianza.
40000 30000 20000 10000 0 -10000 -20000 -30000 -40000 6 8 10 12 14 16 18 20 22 24 26 28 30 Recursive Residuals 2 S.E.
Figura 22: Errores recursivos modelo cuadrtico
47
En el modelo linealizado (Figura 23), no se aprecia la misma situacin, dado que todos los errores estimados, se encuentran dentro de las bandas de confianza, lo que indicara la inexistencia de cambios estructurales.
.8
.4
.0
-.4
-.8 4 6 8 10 12 14 16 18 20 22 24 26 28 30 Recursive Residuals 2 S.E.
Figura 23: Errores recursivos modelo linealizado La segunda estimacin recursiva corresponde a los Coeficientes recursivos, en ella se obtiene un grfico mltiple, en el que se observa una representacin de cada uno de los coeficientes del modelo seleccionados, adems de sus respectivas bandas de confianza Figura 24,Figura 25 y Figura 26.
48
30000 20000 10000 0 -10000 -20000 -30000 8 10 12 14 16 18 20 22 24 26 28 30
Recursive C(1) Estimates
2 S.E.
160
120
80
40
-40 8 10 12 14 16 18 20 22 24 26 28 30
2 S.E.
100 80 60 40 20 0 -20 -40 -60 8 10 12 14 16 18 20 22 24 26 28 30
2 S.E.
Figura 24: Coeficientes recursivos modelo lineal Como se aprecia en la Figura 24, para el coeficiente C(1) las desviaciones estndar de la estimacin se mantienen relativamente constante a medida que aumenta el tamao muestral, situacin que no sucede para los coeficientes C(2) y C(3), donde para C(2) se 49
aprecia una mayor estabilidad del coeficiente con el aumento del tamao muestral y en C(3) donde sucede un fenmeno inverso, es decir, el coeficiente se hace ms inestable con el ingreso de nuevas muestras.
80000 60000 40000 20000 0 0 -20000 -40000 -60000 10 12 14 16 18 20 22 24 26 28 30 -200 -400 -600 10 12 14 16 18 20 22 24 26 28 30 600 400 200
2 S.E.
2 S.E.
2.0 1.5 1.0 0.5 0.0 -0.5 -1.0 10 12 14 16 18 20 22 24 26 28 30
400 300 200 100 0 -100 -200 10 12 14 16 18 20 22 24 26 28 30
2 S.E.
2 S.E.
.4 .3 .2 .1 .0 -.1 -.2 -.3 -.4 -.5 10 12 14 16 18 20 22 24 26 28 30
2 S.E.
Figura 25: Coeficientes recursivos modelo cuadrtico
50
En el caso del modelo cuadrtico (Figura 25) se observa una situacin an ms extrema, ya que para los coeficientes 2 y 3, se obtienen valores muy estables por sobre las 20 muestras, situacin que no ocurre para el resto de los coeficientes donde hay una tendencia a aumentar la dispersin a medida que se incorporan ms muestras.
16
12
0 8 10 12 14 16 18 20 22 24 26 28 30 2 S.E.
2.0 1.6 1.2 0.8 0.4 0.0 -0.4 -0.8 8 10 12 14 16 18 20 22 24 26 28 30 2 S.E.
0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 8 10 12 14 16 18 20 22 24 26 28 30 2 S.E.
Figura 26: Coeficientes recursivos modelo linealizado
51
En el modelo linealizado se observa una estabilizacin de los coeficientes alrededor de 26 muestras, disminuyendo considerablemente la desviacin estndar de cada uno de ellos a partir de dicho tamao muestral. A pesar de la diferencia en la estabilidad de los coeficientes de los modelos, en ninguno de ellos se observan puntos fuera de las bandas de confianza. Por otra parte, se aprecia que la desviacin estndar de los coeficientes en el modelo linealizado, tiende a disminuir en la medida que se incorporan ms muestras al modelo (Figura 26).
9.
Seleccin del modelo
Una vez estimados los parmetros de los modelos y realizados los contrastes de diagnstico y validacin de los modelo, es posible y necesario realizar la seleccin de uno de ellos para su posterior utilizacin, ya sea en la estimacin del nivel de produccin de explotaciones fuera de la muestra o en la determinacin de la eficiencia de las explotaciones muestrales. Para el caso del ejemplo desarrollado, el modelo seleccionado corresponde al linealizado, dado su mayor grado de ajuste, la normalidad de los residuos, la ausencia de heterocedasticidad en su varianza y la estabilidad de sus coeficientes, adems del conocimiento de la utilizacin de este tipo de modelo en la determinacin de la funcin de produccin de leche.
10.
Conclusin
Para la determinacin de un modelo economtrico que represente una funcin de produccin de manera adecuada, es necesario centrarse en ciertos aspectos relevantes. El primero de estos aspectos, que puede ser considerado como una etapa previa a la determinacin propiamente tal de modelo, es la recogida de informacin. En esta etapa la seleccin e implementacin de un tipo y tamao de muestreo resulta crucial, ya que junto con los contraste de hiptesis determinaran la representatividad que la muestra hace de la poblacin. En segundo lugar, el conocimiento por parte del investigador de los modelos existentes y su aplicabilidad en la funcin a estimar, permitir la propuesta a priori de tipos de modelo, utilizando de este modo, la estadstica como una prueba confirmatoria del 52
modelo propuesto y no como la base del proceso de seleccin.
En forma
complementaria, la eleccin de modelos simples, con una interpretacin tcnica y biolgica adecuada, surge como garanta para su posterior utilizacin en la prediccin de resultados, sea en forma directa o por medio de modelos de simulacin. La seleccin de un modelo en detrimento de otro, implica la aceptacin de sus resultados; sin embargo, no se puede ignorar la sensibilidad de resultados ante el modelo seleccionado. Los sistemas de produccin presentan diferencias en cuanto a su grado de ajuste, es as como sistemas intensivos normalmente entregan ajustes con un elevado nivel de significacin y escaso nmero de variables; en tanto que en los sistemas extensivos el nmero de variables suele incrementarse, disminuyendo el aporte de cada una, junto con el grado de significacin del modelo. En sistemas ganaderos se aprecia frecuentemente un buen ajuste a funciones CobbDouglas, las que constituyen eficaces herramientas de gestin y toma de decisiones, ya que explican el comportamiento de cada variable respecto a la funcin de produccin (leyes de rendimientos decrecientes, variables y de escala). Esta revisin se ha centrado en la construccin de modelos a partir de variables cuantitativas, sin embargo, hoy en da se han abierto nuevas lneas de investigacin que buscan relacionar la gestin con los resultados, como por ejemplo la regresin logstica, el anlisis discriminantes, la correlacin cannica, entre otros.
53
DOCUMENTOS DE TRABAJO DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA PRODUCCION ANIMAL Y GESTION ISSN: 1698-4226 DT 13, Vol. 1/2010
11.
Anexos
Anexo 1: Base de datos del sistema ovino lechero ecolgico en Castilla La Mancha
NE 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 CO 0,11 0,12 0,20 0,08 0,07 0,05 0,15 0,22 0,77 0,04 0,19 0,15 2,22 0,13 0,08 0,42 0,12 0,15 0,13 0,10 2,23 0,83 0,20 0,70 0,40 0,17 0,31 0,31 0,37 0,45 0,59 CNO 142,1 128,3 169,0 191,7 135,7 138,4 229,5 139,0 211,2 191,6 200,0 128,2 87,7 135,0 132,7 136,3 204,4 133,8 143,9 132,8 156,0 79,6 131,5 184,8 121,7 130,7 174,4 126,4 114,2 116,7 96,7 C 25915 29748 27375 40150 15768 10950 20104 40515 14060 51392 4437 108770 171733 78840 27813 75266 27950 150015 160965 67488 122880 1713 83840 126750 292730 374007 114350 449388 249858 439200 376680 COV 185,1 187,1 188,8 371,8 112,6 110,6 100,5 185,9 112,5 205,6 15,4 373,8 572,4 186,4 113,5 278,8 50,8 375,0 371,7 110,6 245,8 1,6 165,0 275,5 373,4 325,2 97,7 444,1 192,2 366,0 313,9 CLT 4,07 4,36 3,22 4,46 1,58 0,91 1,44 2,89 1,00 2,57 0,16 3,99 5,72 2,46 0,79 1,88 0,62 3,30 3,41 1,35 2,46 0,03 1,44 1,81 4,18 4,68 1,31 3,86 1,92 2,93 2,41 LP 50,0 47,2 65,7 93,3 71,4 121,2 77,7 64,2 124,8 88,8 84,1 103,1 120,0 75,7 142,9 124,4 90,0 125,0 120,1 82,0 84,1 55,0 115,0 182,6 89,3 58,4 78,9 126,5 112,0 112,5 132,7 MC 5,03 4,90 20,00 9,66 15,79 13,14 14,81 13,20 10,23 10,02 10,03 5,36 49,43 8,76 9,23 27,17 14,32 9,35 16,05 5,56 0,26 7,59 4,49 7,06 2,10 19,96 22,06 0,86 35,76 21,43 5,17 NO 140,0 159,0 145,0 108,0 140,0 99,0 200,0 218,0 125,0 250,0 289,0 291,0 300,0 423,0 245,0 270,0 550,0 400,0 433,0 610,0 500,0 1076,0 508,0 460,0 784,0 1150,0 1170,0 1012,0 1300,0 1200,0 1200,0 NP 1 1 1 1 1 1 1 1 1 2 4 1 1 1 1 5 6 1 1 1 1 4 1 1 1 4 1 1 3 3 6 OUTA 140,0 159,0 72,5 108,0 140,0 99,0 100,0 218,0 41,7 125,0 289,0 291,0 300,0 423,0 245,0 270,0 137,5 400,0 433,0 305,0 500,0 269,0 508,0 460,0 784,0 383,3 351,4 253,0 433,3 300,0 300,0 PC 1,00 0,88 1,19 1,62 1,00 1,00 1,74 1,00 1,68 1,56 1,63 1,00 0,37 1,00 1,00 1,35 1,55 1,00 1,00 1,15 1,40 0,53 1,00 1,30 1,00 0,87 1,17 1,00 1,25 0,83 0,75 R 21,13 21,47 16,00 10,91 27,78 40,00 21,08 20,27 20,93 15,63 16,50 20,81 7,52 22,69 19,69 10,83 20,21 20,68 20,41 10,42 15,23 19,41 49,62 40,86 18,70 17,16 18,84 24,95 38,12 8,20 16,33 SE 200,0 200,0 112,0 200,0 300,0 300,0 200,0 150,0 25,0 860,0 230,0 300,0 20,7 500,0 500,0 99,0 718,0 400,0 500,0 900,0 34,4 200,0 400,0 100,0 300,0 1050,0 583,0 500,0 532,0 410,0 310,0 UTACO 0,71 0,63 0,69 0,93 0,71 1,01 0,50 0,46 2,40 0,80 0,35 0,34 0,33 0,24 0,41 0,37 0,18 0,25 0,23 0,33 0,20 0,37 0,20 0,22 0,13 0,26 0,28 0,40 0,23 0,33 0,33
54
55

25 14 43 Modelos2

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

25 14 43 Modelos2

Transféré par

Droits d'auteur :

Formats disponibles

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

Ejemplosdemodeloseconomtricosdeproduccinencarneyleche.....................32 Consideracionessobrelosmodelos.........................................................................34 Fasedevalidacin...................................................................................................35

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

Fases en la construccin de funciones de produccin

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

Diseo de encuesta Recoleccin de informacin Testeo de la informacin

DESARROLLO DE MODELOS ECONOMTRICOS

Test estadsticos Anlisis estructural Prediccin Simulacin

Bondad del modelo SI Utilizacin

Figura 1: Etapas en el desarrollo de un modelo economtrico

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

Tabla 1: Clasificacin de las variables de entrada

Figura 2: Proceso de obtencin de la matriz de correlacin

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

Fuente: Adaptado de Uriel y Alds, (2005)

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

Tcnicas economtricas para la determinacin de parmetros funcionales en modelos uniecuacionales

Mnimos cuadrados ordinarios (MCO)

Mnimos cuadrados generalizados (MCG)

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

En tanto, que en MCG, la expresin a minimizar corresponde a:

ms grande tendrn una ponderacin menor tendrn

relativamente menor y aquellas provenientes de una poblacin con un

una ponderacin proporcionalmente mayor al minimizar la SRC (Gujarati, 2003)

son idnticos. La principal diferencia es la forma de estimacin de

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

, obtengamos una muestra concreta. La funcin de

verosimilitud puede ser expresada como:

Modelos de regresin lineal mltiple

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

Figura 6: Matriz de correlaciones del modelo lineal 4.2. Funcin cuadrtica

El modelo que representa este tipo de frontera, queda expresado por:

corresponde al intercepto o trmino independiente,

es el coeficiente cuadrtico o de segundo grado (siendo siempre

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

PL = -20453,2 - 0,215781 x CO2 + 165,585 x CO + 88,5515 x NO + 0,004404*NO2

Figura 7: Salida del modelo de regresin lineal cuadrtico

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

Figura 8: Matriz de correlaciones del modelo cuadrtico 4.3. Funcin cbica

son parmetros positivos.

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

Figura 11: Salida del modelo de regresin lineal hiperblico

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

Figura 12: Matriz de correlaciones del modelo hiperblico 5. Modelos no lineales

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

Donde, Y es la cantidad de output obtenida, de eficiencia,

es el denominado parmetro constante las cantidades de los factores

los parmetros de elasticidad y

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA

DPTO PRODUCCION ANIMAL UNIVERSIDAD DE CORDOBA