Académique Documents
Professionnel Documents
Culture Documents
TUMBES-PERU
2018
FORMAS FUNCIONALES DE LOS MODELOS DE
REGRESIÓN
1. El modelo log-lineal.
2. Modelos semilogarítmicos.
3. Modelos recíprocos.
4. El modelo logarítmico recíproco
En muchos casos las relaciones lineales no son
adecuadas en las aplicaciones económicas. Sin
embargo, en el modelo de regresión simple
podemos incorporar no linealidades (en las
variables) redefiniendo de forma apropiada la
variable dependiente y la variable
independiente
CÓMO MEDIR LA ELASTICIDAD: MODELO LOG-LINEAL
CAMBIO PORCENTUAL
PUNTOS PORCENTUALES
MODELOS SEMILOGARÍTMICOS: LOG-LIN Y LIN-LOG
Es decir, 100 por β2 da como resultado la tasa de crecimiento en Y; 100 por β2 se conoce
en la bibliografía como la semielasticidad de Y respecto de X.
Modelo de tendencia lineal
En contraste con la ecuación anterior, la interpretación de esta ecuación es la siguiente: durante los
periodos trimestrales de 2003-I a 2006-III, en promedio, el gasto en servicios se incrementó con una
tasa absoluta de alrededor de 30 000 millones de dólares por trimestre. Es decir, hubo una
tendencia creciente en el gasto en servicios.
EL MODELO LIN-LOG
Por consiguiente, este modelo sería apropiado para representar una función
de producción de corto plazo.
EL TERMINO DE PERTURBACION
Al seleccionar las diversas formas funcionales, debe prestarse gran atención al
término de perturbación estocástica ui.
Se debe verificar si cumple los supuestos del termino de perturbación, es decir: que el
valor de la media del término de perturbación es cero y su varianza es constante
(homoscedástica), y que no está correlacionado con la(s) regresora(s).
Además los estimadores de MCO deben estar también normalmente distribuidos. Por
consiguiente, se debe verificar si estos supuestos se mantienen en la forma funcional
escogida para el análisis empírico.
Debido a que las pruebas de hipótesis clásicas, como la t, F y χ2, dependen del
supuesto de que las perturbaciones están normalmente distribuidas. Esto es en
especial importante si la muestra es pequeña.