Formas funcionales para
modelos de regresión lineales
Elaborado por: Sebastián Alpízar Jiménez
Cuatro tipos comunes de formas funcionales
1. Modelo lineal
2. Modelo log-log
3. Modelo log-lineal
4. Modelo lineal-log
1. Modelo lineal
Todas las variables del modelo son lineales.
𝑦𝑖 = 𝛽0 + 𝛽1 ∗ 𝑋𝑖 + 𝑈𝑖
Interpretación: si 𝑋𝑖 incrementa en una unidad, 𝑦𝑖 varía en promedio
en 𝛽1 unidades.
𝑑𝑌 𝑑𝑌 𝑋 𝑋
La pendiente es 𝛽1 y la elasticidad es 𝛽1 .
𝑑𝑋 𝑑𝑋 𝑌 𝑌
1. Modelo lineal
Además de las aplicaciones que se han visto en el curso, una aplicación adicional sería en la
elaboración de un modelo de tendencia lineal. Por ejemplo:
Suponga que se tiene una serie de tiempo anual del PIB (en millones de colones) entre 2010 y 2022.
Se plantea el siguiente modelo:
𝑃𝐼𝐵𝑡 = 𝛽0 + 𝛽1 ∗ 𝑡 + 𝑈𝑡
𝑡 es un año observado dentro del periodo de análisis (2010-2022). Al estimar el modelo se obtiene:
𝑃𝐼𝐵𝑡 = 100 + 500 𝑡
Interpretación: durante el periodo de 2010 a 2022, el PIB creció en promedio en unos 500 millones
de colones por año.
¿Qué pasa con variables estandarizadas?
Una variable es estandarizada (o se expresa en unidades de desviación estándar)
cuando sus valores individuales están restados por la media de la variable y se
divide dicha diferencia entre la desviación estándar de la variable.
Suponga que se tiene el siguiente modelo de estimación, donde todas las variables
están estandarizadas:
𝑦𝑖 = 𝛽0 + 𝛽1 ∗ 𝑋𝑖 + 𝛽2 ∗ 𝑍𝑖 + 𝑈𝑖
Se interpreta de esta forma: un incremento de una desviación estándar en 𝑋𝑖
provoca en promedio una variación de 𝛽1 desviaciones estándar en 𝑦𝑖 .
¿Qué pasa con variables estandarizadas?
Una de sus utilidades es para el ver el impacto relativo de las variables
regresoras sobre la variable dependiente.
𝑦𝑖 = 𝛽0 + 𝛽1 ∗ 𝑋𝑖 + 𝛽2 ∗ 𝑍𝑖 + 𝑈𝑖
Suponga que se estima el modelo de arriba y se obtiene que tanto 𝛽1 como
𝛽2 son positivos.
Si 𝛽2 > 𝛽1 , esto significa que 𝑍𝑖 tiene un impacto positivo mayor en 𝑦𝑖 que
𝑋𝑖 ; o sea, 𝑍𝑖 contribuye relativamente más en la explicación de 𝑦𝑖 que 𝑋𝑖 .
2. Modelo log-log
Tanto las variables regresoras como la variable dependiente están
expresadas en logaritmos.
ln 𝑦𝑖 = 𝛽0 + 𝛽1 ∗ ln(𝑋𝑖 ) + 𝑈𝑖
𝛽1 mide el cambio relativo en Y ante un cambio relativo en X.
Interpretación: si 𝑋𝑖 incrementa en un porciento, 𝑦𝑖 varía en promedio en un
𝛽1 %.
𝑑𝑌 𝑌 𝑑𝑌 𝑋
La pendiente es 𝛽1 ∗ y la elasticidad es 𝛽1 .
𝑑𝑋 𝑋 𝑑𝑋 𝑌
2. Modelo log-log
Note que la elasticidad es constante.
Se tiene la función de producción Cobb-Douglas.
𝛽 𝛽
𝑦𝑖 = 𝛽0 𝐾𝑖 1 𝐿𝑖 2 𝑒 𝑈𝑖
Si se aplica logaritmos, se puede expresar como:
ln 𝑦𝑖 = ln(𝛽0 ) + 𝛽1 ∗ ln(𝐾𝑖 ) + 𝛽2 ∗ ln(𝐿𝑖 ) + 𝑈𝑖
ln 𝑦𝑖 = 𝛼 + 𝛽1 ∗ ln(𝐾𝑖 ) + 𝛽2 ∗ ln(𝐿𝑖 ) + 𝑈𝑖
Por ejemplo, se estima el modelo de arriba y se obtiene:
ln 𝑦𝑖 = 0,1 + 0,4 ∗ ln(𝐾𝑖 ) + 0,6 ∗ ln(𝐿𝑖 )
Un cambio porcentual en el insumo de trabajo (L) implica un cambio aproximado de 0,6% en la producción.
3. Modelo log-lineal
La variable dependiente está expresada en logaritmo y las variables
regresoras son lineales.
ln 𝑦𝑖 = 𝛽0 + 𝛽1 ∗ 𝑋𝑖 + 𝑈𝑖
𝛽1 mide el cambio relativo en Y ante un cambio absoluto en X.
Interpretación: si 𝑋𝑖 incrementa en una unidad, 𝑦𝑖 varía en promedio en un
100 ∗ 𝛽1 %.
𝑑𝑌 𝑑𝑌 𝑋
La pendiente es 𝛽1 ∗ 𝑌 y la elasticidad es 𝛽1 ∗ 𝑋.
𝑑𝑋 𝑑𝑋 𝑌
3. Modelo log-lineal
Tomemos el modelo de tendencia lineal visto previamente, pero ahora expresemos
el PIB en forma de logaritmo:
ln(𝑃𝐼𝐵𝑡 ) = 𝛽0 + 𝛽1 ∗ 𝑡 + 𝑈𝑡
Supongamos que se estimó el modelo anterior para el periodo 2010-2022 y se
obtuvo:
ln 𝑃𝐼𝐵𝑡 = 0,1 + 0,06 ∗ 𝑡
Durante el periodo 2010-2022 el PIB creció aproximadamente a una tasa de 6%
anualmente.
4. Modelo lineal-log
La variable dependiente es lineal y las variables regresoras están expresadas
en logaritmo .
𝑦𝑖 = 𝛽0 + 𝛽1 ∗ ln 𝑋𝑖 + 𝑈𝑖
𝛽1 mide el cambio absoluto en Y ante un cambio relativo en X.
Interpretación: si 𝑋𝑖 incrementa en un porciento, 𝑦𝑖 varía en promedio en
𝛽1
unidades.
100
𝑑𝑌 𝛽1 𝑑𝑌 𝑋 𝛽1
La pendiente es y la elasticidad es .
𝑑𝑋 𝑋 𝑑𝑋 𝑌 𝑌
4. Modelo lineal-log
Suponga que se tiene un modelo que asocia el ingreso total (IT) de la
persona con su gasto exclusivo en ocio (GO) en colones.
𝐺𝑂𝑖 = 𝛽0 + 𝛽1 ∗ ln(𝐼𝑇𝑖 ) = +𝑈𝑖
Supongamos que se estimó el modelo anterior y se obtuvo:
𝐺𝑂𝑖 = 100 + 55.000 ∗ 𝐼𝑇𝑖
Un incremento de un porciento en el ingreso de la persona provoca en
promedio un aumento de 550 colones en su gasto dedicado al ocio.
Modelos de regresión polinomial
Supongan que se tiene un modelo que relaciona el salario (𝑤𝑖 ) con los años de escolaridad
(𝑋𝑖 ).
𝑤𝑖 = 𝛽0 + 𝛽1 ∗ 𝑋𝑖 + 𝑈𝑖
Según este modelo, un año de educación adicional siempre aporta el mismo incremento en
el salario; independientemente de que la persona hubiese acabado sexto de escuela o
hubiese concluido un posgrado.
En otras palabras, el modelo supone que el aporte marginal en el salario de un año de
escolaridad es constante; o sea, 𝛽1 .
¿Creen que eso es así en la vida real?
Modelos de regresión polinomial
En estos casos se podría plantear un modelo en el cual la relación entre
las variables es no lineal (polinomial). Por ejemplo:
𝑤𝑖 = 𝛽0 + 𝛽1 ∗ 𝑋𝑖 + 𝛽2 ∗ 𝑋𝑖2 + 𝑈𝑖
Ahora el aporte marginal en el salario de un año de escolaridad no es
constante.
Modelos de regresión polinomial
A pesar de que la relación entre las variables del modelo sea no lineal, se pueden
usar modelos de regresión lineal; ya que dichos modelos de regresión son lineales
en los parámetros.
Es recomendable que la especificación de este modelo esté fundamentada en
teoría o que sea sometida a pruebas de restricciones sobre los coeficientes (por ej.
una prueba de Wald). Esto se verá más adelante en la prueba de modelos
anidados.
No hay problema de multicolinealidad, ya que 𝑋𝑖2 es una función no lineal de 𝑋𝑖 .
Bibliografía
• Gujarati, D. y Porter, D. C. (2009). Econometría (Capítulos 6 y
7). 5ta ed. McGraw-Hill.
