CAPITULO 3

Modelo de regresión no lineal

Análisis de Datos I
Escuela de Sociología

INTRODUCCIÓN
Hasta ahora, al hablar de los modelos de regresión
hemos asumido que la relación entre la variable
dependiente y el conjunto de variables
independientes era lineal.

A veces la relación entre Y y X no es lineal sino que

exhibe algún grado de curvatura.

En esos casos la regresión lineal no siempre da buenos

resultados.

Al graficar nos damos cuenta que la relación entre e e

y toma diversas formas.

1
 ¿SON RELACIONES LINEALES?
¿recta o parábola?
¿recta o cúbica?

140 150 160 170 180 190 200

140 150 160 170 180 190 200

Función Cuadrática Función Cuadrática

Positiva Negativa

20
15 0
10 -5 -5 0 5
5 -10
0 -15
-5 0 5
-20

F(x) = raíz(x)

5
4
3
2
1
0
0 5 10 15 20 25

2
Función Logarítmica Función Exponencial

La estimación directa de los parámetros de

funciones no-lineales es un proceso bastante
complicado. No obstante, a veces se pueden
aplicar las técnicas de regresión lineal por medio
de transformaciones de las variables originales.

Con frecuencia, el conocimiento teórico del

problema, los datos, o ambos, sugerirán que la
formulación apropiada va a ser no lineal.

Este tipo de modelos no lineales se construyen la

mayoría de las veces, a partir de ligeras
modificaciones de la técnica.

3
 3.1 MODELO CUADRÁTICO

y i = β 0 + β 1x + β 2 x 2
+ ei
y su estimador :
yˆ i = b 0 + b1 x + b 2 x 2

Este modelo se utiliza igual que la regresión lineal,

reemplazando:

X2 = x2

La ecuación queda como:

yˆ i = b 0 + b1 x + b 2 x 2

con X 2 = X 2

EJEMPLO 1

Se desea comprobar si una

pintura mejora el tiempo de
secado si se le agregan
diferentes cantidades de una
nuevo compuesto (aditivo)tienen
los datos de un aditivo.
Grs. de Tiempo de
Aditivo secado (min).
Se desea determinar si existe relación
entre los gras. De aditivos en la pintura y
el tiempo de secado
y si esta es lineal o cuadrática esta
relación.
Primero debe graficar

1 7,2
2 6,7
3 4,7
4 3,7
5 4,7
6 4,8
7 5,2
8 6,0

4
3.2 MODELO LOGARÍTMICO CON 1 VARIABLE INDEPENDIENTE
(POTENCIA EN SPSS)
SE UTILIZA PARA EL CALCULO DE ELASTICIDADES

Y = Axb donde a y b son constantes desconocidas.

Si aplicamos logaritmos, esta función también puede ser

expresada como:

log(Y) = log(A) + b.log(X)

Si reemplazamos b0= ln(A)

b1= b

Se tiene: log(Y) = b0 + b1ln(X)

*:cuando tiene una sola variable independiente , se puede calcular en SPSS ,

Estimación curvilínea, opción “Potencia”

MODELO LOGARÍTMICO

En lugar de calcular la regresión de Y contra X, calculamos

la regresión del logaritmo de Y contra el logaritmo de X.

El coeficiente b0 es un estimador de log(A),

b es un estimador de b1 (el exponente de la función

exponencial).

Este modelo es muy utilizado en aplicaciones económicas,

porque el exponente b en una función exponencial mide la
elasticidad de Y respecto de X.

La elasticidad de Y con respecto a X significa la variación

porcentual de y por cada variación porcentual de un 1% de
X.

5
 EJEMPLO MODELO LOGARÍTMICO

Se tienen los datos del Ingreso Nacional Bruto (x) y el

consumo privado de los hogares X, a lo largo de los últimos
años en Chile.

Estimar el siguiente modelo logarítmico:

Y = axb Y=ConsumoPriv x= INB

ConsumoPriv = b *(INB)b1
0

o log(Y) = b0 + b1ln(X1)

ln(Consumo) = b0 + b1ln(INB)

En SPSS se denomina “Potencia”.

Modelo cuya ecuación es Y = b0 * (xb1) ó ln(Y) = ln(b0) + (b1 * ln(X)).

3.3 MODELO LOGARÍTMICO (MÁS DE 1 VARIABLE

INDEPENDIENTE)

Regresión logarítmica:

ln(Y) = b0 + b1ln(X1) + b2ln(X2) + b2ln(X3)

Para poder resolver esta ecuación debemos transformar los

datos en logaritmos.

Se procede igual que una regresión lineal, sólo cambia la

manera de interpretar los coeficientes betas

6
 MODELO LOGARÍTMICO (MÁS DE 1 VARIABLE
INDEPENDIENTE) – EJEMPLO 1

En un estudio sobre créditos bancarios, se ajustó el

siguiente modelo de regresión a 87 observaciones
trimestrales

ln(Y) = 0,47 + 0,31ln(X1) + 0,47ln(X2) y R2ajustado=.86

Y= cantidades prestadas en el trimestre

X1= gastos de equipamiento

X2= salarios de los empleados

Para interpretar los coeficientes recordemos que:

La elasticidad de X con respecto a Y significa la variación
porcentual de X por cada variación porcentual de un 1% de
Y.

ln(Y) = 0,47 + 0,31ln(X1) + 0,47ln(X2)

Los coeficientes tendrán las siguientes interpretaciones:

Un incremento de 1% en los gastos de equipamiento supondrá

un incremento esperado de 0.31% en la cantidad prestada,
si los salarios se mantienen fijos.

Un incremento de 1% en los salarios supondrá un incremento

esperado de 0.47% en la cantidad prestada, si los gastos de
equipamientos se mantienen fijos.

7
 3.4 MODELO CON VARIABLE DEPENDIENTE LOGARÍTMICA Y LAS
VARIABLES INDEPENDIENTE EN UNIDADES

Como vimos en el capitulo anterior, en algunos casos, cuando los

residuos no tienen una distribución normal utilizamos logaritmos
Ejemplo ingresos países vs escolaridad (IDH):

Abrir el archivo, calcular el modelo de regresión lineal y probar

el supuesto de normalidad

Ejemplo: IDH.sav, variable Dependiente:Ingreso

Independiente: Escolaridad

yˆ i = b 0 * b 1 i
x

y ' = ln yˆ i = ln b 0 + ln b 1 * x i
ING ' = ln ING i = a + b * esc i

a = ln b 0
b = ln b 1

3.3 MODELO CON VARIABLE DEPENDIENTE LOGARÍTMICA Y LAS

VARIABLES INDEPENDIENTE EN UNIDADES

Siguiendo con el ejemplo ingresos países vs escolaridad (IDH):

En este caso se utilizan logaritmos (para la variable dependiente):

variable Dependiente: Ingreso
Independiente: Escolaridad

=
b
yˆ i b 0 * x i
1

ln yˆ i = ln b 0 + ln b 1 * x i

y 'i = a + b * x i

y 'i = ln yˆ i

a = ln b 0

b = ln b 1

*:cuando tiene una sola variable independiente en SPSS se denomina “Compuesto”

8
 3.2 MODELO CON VARIABLE DEPENDIENTE LOGARÍTMICA Y LAS
VARIABLES INDEPENDIENTE EN UNIDADES

En este caso se utilizan logaritmos (para la variable

dependiente):
yˆ i = b 0 * x i 1
b
ln(Y) = b0 + b1x
ln yˆ i = ln b 0 + ln b 1 * x i
Ejemplo
y 'i = a + b * x i
Ln (ingreso)= b0+b1*esc y ' i = ln yˆ i
a = ln b 0
Si despejamos b0 y b1:
b = ln b 1
a = ln b 0

b 0 = e a

b 1 = e b

INTERPRETACIÓN DE LOS COEFICIENTES

Var Var
Modelo dependiente Independiente Interpretación Coeficiente B
Cambio en x por una unidad de
Nivel-nivel y x cambio en Y
Por el cambio de 1 unidad en la
var x, la var y varia en
ln(Y) - X lnY x exp(b)*100(%)

9
BIBLIOGRAFÍA
CEA D’ANCONA, M. Ángeles (2002): Análisis multivariable
teoría y práctica de la Investigación Social” Ed. Síntesis
Sociológica, Madrid.

GUJARATI, Econometría, McGraw-Hill, ed. 4º, 2004

Montgomery, Douglas C.; Peck, Elizabeth A. y Vining, G.

Geoffrey; Introducción al Análisis de regresión Lineal

PARDO MERINO Antonio, RUIZ DIAZ Miguel A. (2002): SPSS

11. Guía para el análisis de datos. Editorial Mac Graw Hill. 1a
edición.

Visauta, B. (2003). Análisis estadístico con SPSS para windows.

Ed.McGraw-Hill (págs. 74 a 80).

WOOLDRIGE, Jeffrey. (2003)Introducción a la Econometría. Un

enfoque moderno.. 2º edición. Editorial Thomson. (1º parte).

CAPITULO 3

Modelo de regresión no
líneal

10