Funciones de Regresin No Lineales (SW Cap.

6)
Todo anteriormente ha sido lineal en las Xs La aproximacin de que la funcin de regresin es lineal puede ser satisfactoria para algunas variables pero no para otras. El esquema de regresin mltiple se puede extender para tener en cuenta funciones de regresin que no son lineales en una o ms de una X.

6-1

La relacin Notas STR parece aproximadamente lineal

6-2

Pero la relacin entre Notas la renta media del distrito parece como si fuese no lineal.

6-3

Si una relacin entre Y y X es no lineal: El efecto sobre Y de un cambio en X depende del valor de X es decir, el efecto marginal de X no es constante Una regresin lineal est mal especificada la forma funcional no es la correcta El estimador del efecto en Y de X es sesgado no necesita an ser correcto en media. La solucin a este problema es estimar una funcin de regresin que no sea lineal en X

6-4

La funcin de regresin poblacional no lineal general Yi = f(X1i,X2i,,Xki) + ui, i = 1,, n Hiptesis 1. E(ui| X1i,X2i,,Xki) = 0 (igual); implica que f es la esperanza condicionada de Y dadas las Xs. 2. (X1i,,Xki,Yi) son i.i.d. (igual). 3. existen bastantes ms momentos (misma idea; la afirmacin precisa depende de la f especfica). 4. No hay multicolinealidad perfecta (misma idea; la afirmacin precisa depende de la f especfica).

6-5

El efecto esperado sobre Y de un cambio en X 1 en el modelo de Regresin No Lineal (6.3) El cambio esperado en Y, Y, asociado con el cambio en

X 1, X 1, manteniendo constantes X 2 ,..., X k , es la

diferencia entre el valor de la funcin de regresin poblacional antes y despus de cambiar X 1, manteniendo

X 2 ,..., X k constantes. Es decir, el cambio esperado en Y

es la diferencia:

Y = f ( X 1 + X 1 , X 2 ,..., X k ) f ( X 1 , X 2 ,..., X k ).

( 6.5 )

6-6

El estimador de esta diferencia poblacional desconocida es la diferencia entre los valores predichos para estos dos

f casos. Sea ( X 1 , X 2 ,..., X k ) el valor predicho de el

valor predicho de Y basado en el estimador de la f funcin de regresin poblacional. Entonces, el cambio predicho en Y es

f f Y = ( X 1 + X 1 , X 2 ,..., X k ) ( X1 , X 2 ,..., X k )

( 6.6 )

6-7

Funciones no lineales de una variable independiente nica (SW Seccin 6.2) Veremos dos aproximaciones complementarias: 1. Polinomios en X La funcin de regresin poblacional se aproxima por un polinomio cuadrtico, cbico, o de mayor orden. 2. Transformaciones Logartmicas Y y/ X se transforman tomando sus logaritmos Esto proporciona una interpretacin de porcentajes que tiene mucho en muchas aplicaciones
6-8

1. Polinomios en X Se aproxima la funcin de regresin poblacional por un polinomio: Yi = 0 + 1Xi + 2 X i2 ++ r X ir + ui Este es justo el modelo de regresin lineal mltiple excepto por el hecho de que los regresores son potencias de X! La estimacin, el contraste de hiptesis, etc. se realiza como en el modelo de regresin mltiple usando OLS. Los coeficientes son difciles de interpretar, pero la funcin de regresin por s misma es interpretable
6-9

Ejemplo: la relacin Notas renta Rentai = renta media por distrito en el distrito i-simo (miles de dlares per cpita) Especificacin cuadrtica: Notasi = 0 + 1Rentai + 2(Rentai)2 + ui Especificacin cbica: Notasi = 0 + 1Rentai + 2(Rentai)2 + 3(Rentai)3 + ui
6-10

Estimacin de la especificacin cuadrtica en STATA

generate avginc2 = avginc*avginc; reg testscr avginc avginc2, r; Regression with robust standard errors Create a new regressor

Number of obs F( 2, 417) Prob > F R-squared Root MSE

= = = = =

420 428.52 0.0000 0.5562 12.724

-----------------------------------------------------------------------------| Robust testscr | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------avginc | 3.850995 .2680941 14.36 0.000 3.32401 4.377979 avginc2 | -.0423085 .0047803 -8.85 0.000 -.051705 -.0329119 _cons | 607.3017 2.901754 209.29 0.000 601.5978 613.0056 ------------------------------------------------------------------------------

Es estadstico t de Renta es -8.85, de manera que la hiptesis de linealidad se rechaza frente a la alternativa cuadrtica para un nivel de significacin del 1%.
6-11

Interpretacin de la funcin de regresin estimada: (a) Grfico de los valores predichos

TestScore = 607.3 + 3.85Rentai 0.0423(Rentai)2

(2.9) (0.27)

(0.0048)

6-12

Interpretacin de la funcin de regresin estimada: (a) Calcular los efectos para diferentes valores de X
TestScore = 607.3 + 3.85Rentai 0.0423(Rentai)2

(2.9) (0.27)

(0.0048)

El cambio predicho en Notas para un cambio en renta de $6,000 a $5,000 per cpita: TestScore = 607.3 + 3.856 0.042362 (607.3 + 3.855 0.042352) = 3.4
6-13

TestScore = 607.3 + 3.85Rentai 0.0423(Rentai)2

Efectos predichos para diferentes valores de X Cambio en Renta (mil$ per cpita) TestScore de 5 a 6 de 25 a 26 de 45 a 46 3.4 1.7 0.0

El efecto de un cambio en la renta es mayor en pequeos que en niveles altos de renta (a lo mejor, un beneficio marginal decreciente de un incremento en los presupuestos escolares?) Cuidado! Qu ocurre con un cambio de 65 a 66? No extrapolar fuera del rango de los datos.
6-14

Estimacin de la especificacin cbica en STATA

gen avginc3 = avginc*avginc2; reg testscr avginc avginc2 avginc3, r; Regression with robust standard errors Create the cubic regressor

Number of obs F( 3, 416) Prob > F R-squared Root MSE

= = = = =

420 270.18 0.0000 0.5584 12.707

-----------------------------------------------------------------------------| Robust testscr | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------avginc | 5.018677 .7073505 7.10 0.000 3.628251 6.409104 avginc2 | -.0958052 .0289537 -3.31 0.001 -.1527191 -.0388913 avginc3 | .0006855 .0003471 1.98 0.049 3.27e-06 .0013677 _cons | 600.079 5.102062 117.61 0.000 590.0499 610.108 ------------------------------------------------------------------------------

El trmino cbico es estadsticamente significativo para el nivel de significacin del 5%, pero no para el 1%
6-15

Contrastacin de la hiptesis nula de linealidad frente a la hiptesis alternativa de que la regresin poblacional es cuadrtica y/ cbica, es decir, es un polinomio de grado como mximo 3: H0: coeficientes poblacionales de Renta2 y Renta3 = 0 H1: al menos uno de estos coeficientes no es cero.
test avginc2 avginc3; ( 1) ( 2) avginc2 = 0.0 avginc3 = 0.0 F( 2, 416) = Prob > F = 37.69 0.0000 Execute the test command after running the regression

La hiptesis de que la regresin poblacional es lineal se rechaza para el nivel de significacin del 1% frente a la alternativa de que es un polinomio como mximo de grado 3.
6-16

Resumen: funciones de regresin polinomiales Yi = 0 + 1Xi + 2 X i2 ++ r X ir + ui Estimacin por MCO despus de definir nuevos regresores Los coeficientes tienen interpretaciones complicadas Para interpretar la funcin de regresin estimada: o Dibujar los valores predichos como una funcin de x o Calcular los Y/X predichos en diferentes valores de x

Las hiptesis sobre el grado r pueden ser contrastadas utilizando los estadsticos t- y F- sobre la(s) variable(s) o bloques de variables apropiadas.
6-17

 Eleccin del grado r o Dibujar los datos; contrastes t- y F-, contrastar la sensibilidad de los efectos estimados; juicio. o O usar los criterios de seleccin de modelos (despus)

6-18

2. Funciones logartmicas de Y y/ X ln(X) = el logaritmo natural de X Las transformaciones logartmicas permiten modelizar relaciones en trminos de porcentajes (como elasticidades), en vez de linealmente.
x x ln(x+x) ln(x) = ln 1 + x x d ln( x ) 1 = ) (clculo: dx x

Porqu?:

Numricamente: ln(1.01) = .00995 .01; ln(1.10) = .0953 .10 (redondeo)

6-19

Tres casos: Caso I. lineal-log Funcin de regresin poblacional Yi = 0 + 1ln(Xi) + ui ln(Yi) = 0 + 1Xi + ui ln(Yi) = 0 + 1ln(Xi) + ui

II. log-lineal III. log-log

La interpretacin del coeficiente de pendiente difiere en cada caso. La interpretacin se encuentra aplicando la regla general antes y despus: calcular el cambio en Y para un cambio dado en X.
6-20

I. Funcin de regresin poblacional lineal-log Yi = 0 + 1ln(Xi) + ui Ahora cambia X: Restar (a) (b): ahora as Y + Y = 0 + 1ln(X + X) Y = 1[ln(X + X) ln(X)] (b) (a)

X ln(X + X) ln(X) , X X Y 1 X Y ( X pequeo) 1 X / X

6-21

Caso lineal-log, continuacin Yi = 0 + 1ln(Xi) + ui Para X pequeo,

Y 1 X / X X = cambio porcentual en X, asi un Ahora 100 X

incremento del 1% en X (multiplicando X por 1.01) se asocia con un cambio de .011 en Y.

6-22

Ejemplo: Notas vs. ln(Renta) Primero se define el nuevo regresor, ln(Renta) Ahora el modelo es lineal en ln(Renta), de manera que el modelo lineal-log puede estimarse por MCO:
TestScore = 557.8 + 36.42ln(Rentai)

(3.8) (1.40) as un incremento del 1% en Renta se asocia con un incremento en Notas de 0.36 puntos en el test. Los errores estndar, los intervalos de confianza, R2 todos los instrumentos habituales de regresin se pueden aplicar aqu. Cmo se compara este modelo con el modelo cbico?
6-23

TestScore = 557.8 + 36.42ln(Rentai)

6-24

II. Funcin de regresin poblacional log-lineal ln(Yi) = 0 + 1Xi + ui Ahora cambia X: ln(Y + Y) = 0 + 1(X + X) Restamos (a) (b): as ln(Y + Y) ln(Y) = 1X (b) (a)

Y 1X Y Y / Y (X pequeo) 1 X

6-25

caso log-lineal , continuacin ln(Yi) = 0 + 1Xi + ui para X pequeo,

Y / Y 1 X

Y = cambio porcentual en Y, as un Ahora 100 Y

cambio en X en una unidad (X = 1) se asocia con un cambio en Y de 1001% (Y se incrementa en un factor de 1+1). Ntese: Cules son las unidades de ui y la SER? o Desviaciones fraccionales (proporcionales) o por ejemplo, SER = .2 significa
6-26

III. Funcin de regresin poblacional log-log ln(Yi) = 0 + 1ln(Xi) + ui Ahora cambia X: ln(Y + Y) = 0 + 1ln(X + X) Restamos: as (b) (a)

ln(Y + Y) ln(Y) = 1[ln(X + X) ln(X)]

Y X 1 Y X Y / Y (X pequeo) 1 X / X

6-27

Caso log-log, continuacin ln(Yi) = 0 + 1ln(Xi) + ui para X pequeo,

Y / Y 1 X / X Y X = cambio porcentual en Y, y 100 = Ahora 100 Y X

cambio porcentual en X, as un cambio del 1% en X se asocia con un cambio de 1% en Y. En la especificacin log-log, 1 tiene la interpretacin de elasticidad.
6-28

Ejemplo: ln( Notas) vs. ln(Renta) Primero definimos una nueva variable dependiente, ln(Notas), y el nuevo regresor, ln(Renta) El modelo es ahora una regression lineal de ln(Notas) frente a ln(Renta), que puede estimarse por MCO:
ln(TestScore) = 6.336 + 0.0554ln(Rentai)

(0.006) (0.0021) Un incremento del 1% en Renta se asocia con un incremento de .0554% en Notas (factor de 1.0554) Como compara este caso con el modelo log-lineal?
6-29

Ninguna especificacin parece que se ajusta tan bien como el cbico o lineal-log
6-30

Resumen: Transformaciones logartmicas Tres casos, dependiendo de si es Y y/ X es la variable transformada tomando logartmos. Despus de crear la(s) nueva(s) variable(s) ln(Y) y/ ln(X), la regresin es lineal en las nuevas variables y los coeficientes pueden estimarse por MCO. Los contrastes de hiptesis y los intervalos de confianza son ahora estndar. La interpretacin de 1 difiere de un caso a otro. La eleccin de la especificacin debera llevarse a cabo utilizando el juicio (qu interpretacin tiene ms sentido en la aplicacin?), contrastes, y graficando los valores predichos
6-31

Interacciones entre Variables Independentes (SW Seccin 6.3) A lo mejor una reduccin del tamao de clase es ms efectiva en algunas circunstancias que en otras A lo mejor clases de menor tamao ayudan ms si hay ms estudiantes de ingls, que necesitan atencin individual
TestScore puede depender de PctEL Es decir, STR Y puede depender de X2 Ms generalmente, X 1

Cmo modelizar estas interacciones entre X1 y X2?

6-32

 Consideramos primero Xs binarias, y despus Xs continuas (a) Interacciones entre dos variables binarias Yi = 0 + 1D1i + 2D2i + ui D1i, D2i son binarias 1 es el efecto de cambiar D1=0 a D1=1. En esta especificacin, este efecto no depende del valor de D2. Para permitir que el efecto de cambiar D1 dependa de D2, se incluye el trmino de interaccin D1iD2i como un regresor: Yi = 0 + 1D1i + 2D2i + 3(D1iD2i) + ui
6-33

Interpretacin de los coeficientes Yi = 0 + 1D1i + 2D2i + 3(D1iD2i) + ui Regla general: comparar los distintos casos E(Yi|D1i=0, D2i=d2) = 0 + 2d2 E(Yi|D1i=1, D2i=d2) = 0 + 1 + 2d2 + 3d2 restar (a) (b): E(Yi|D1i=1, D2i=d2) E(Yi|D1i=0, D2i=d2) = 1 + 3d2 El efecto de D1 depende de d2 (lo que queramos) 3 = incremento del efecto de D1, cuando D2 = 1
6-34

(b) (a)

Ejemplo: Notas, STR, Estudiantes de Ingls Sea

1 si STR 20 STR = 0 si STR < 20

1 si PctEL l0 HiEL = 0 si PctEL < 10

TestScore = 664.1 18.2HiEL 1.9HiSTR 3.5(HiSTRHiEL)

(1.4) (2.3)

(1.9)

(3.1)

Efecto of HiSTR cuando HiEL = 0 es 1.9 Efecto of HiSTR cuando HiEL = 1 es 1.9 3.5 = 5.4

6-35

 La reduccin del tamao de clase se estima para tener un mayor efecto cuando el porcentaje de estudiantes de ingls es grande Esta interaccin no es estadsticamente significativa: t = 3.5/3.1 (b) Interacciones entre variables continuas y binarias Yi = 0 + 1Di + 2Xi + ui Di es binaria, X es continua Tal y como se especific antes, el efecto en Y de X (manteniendo D constante) = 2, el cual no depende de D
6-36

 Para permitir que el efecto de X dependa de D, se incluye el trmino de interaccin DiXi como regresor: Yi = 0 + 1Di + 2Xi + 3(DiXi) + ui

6-37

Interpretacin de los coeficientes Yi = 0 + 1Di + 2Xi + 3(DiXi) + ui Regla general: comparar varios casos Y = 0 + 1D + 2X + 3(DX) Ahora cambia X: Y + Y = 0 + 1D + 2(X+X) + 3[D(X+X)] restar (a) (b):
Y Y = 2X + 3DX = 2 + 3D X

(b)

(a)

El efecto de X depende de D (lo que queramos) 3 = incremento del efecto de X, cuando D = 1

6-38

Ejemplo: Notas, STR, HiEL (=1 si PctEL20)

TestScore = 682.2 0.97STR + 5.6HiEL 1.28(STRHiEL)

(11.9) (0.59) Cuando HiEL = 0: Cuando HiEL = 1,

(19.5)

(0.97)

TestScore = 682.2 0.97STR TestScore = 682.2 0.97STR + 5.6 1.28STR

= 687.8 2.25STR Dos lneas de regresin: una para cada grupo HiSTR. La reduccin del tamao de clase se estima que tiene un mayor efecto cuando el porcentaje de estudiantes de ingls es mayor.
6-39

Ejemplo, continuacin.
TestScore = 682.2 0.97STR + 5.6HiEL 1.28(STRHiEL)

(11.9) (0.59)

(19.5)

(0.97)

Contraste de varias hiptesis: Las dos lneas de regresin tienen la misma pendiente el coeficiente de STRHiEL es cero: t = 1.28/0.97 = 1.32 no se puede rechazar Las dos lneas de regresin tienen el mismo trmino constante el coeficiente de HiEL es cero: t = 5.6/19.5 = 0.29 no se puede rechazar
6-40

Ejemplo, continuacin.
TestScore = 682.2 0.97STR + 5.6HiEL 1.28(STRHiEL),

(11.9) (0.59) (19.5) (0.97) Hiptesis conjunta de que las dos lneas de regresin son las mismas coeficiente poblacional de HiEL = 0 y el coeficiente poblacional de STRHiEL = 0: F = 89.94 (p-value < .001) !! Por qu rechazamos la hiptesis conjunta pero no las hiptesis individuales? Consecuencia de alta pero imperfecta multicolinealidad: correlacin alta entre HiEL y STRHiEL
6-41

Interacciones binaria-continua: las dos lneas de regresin Yi = 0 + 1Di + 2Xi + 3(DiXi) + ui Observaciones con Di= 0 (el grupo D = 0): Yi = 0 + 2Xi + ui Observaciones con Di= 1 (el grupo D = 1): Yi = 0 + 1 + 2Xi + 3Xi + ui = (0+1) + (2+3)Xi + ui
6-42

6-43

(c) Interacciones entre dos variables continuas Yi = 0 + 1X1i + 2X2i + ui X1, X2 son continuas Como se especific, el efecto de X1 no depende de X2 Como se especific, el efecto de X2 no depende de X1 Para permitir que el efecto de X1 dependa de X2, se incluye el trmino de interaccin X1iX2i como regresor: Yi = 0 + 1X1i + 2X2i + 3(X1iX2i) + ui
6-44

Coeficientes en interacciones continua-continua Yi = 0 + 1X1i + 2X2i + 3(X1iX2i) + ui Regla general: comparar los diferentes casos Y = 0 + 1X1 + 2X2 + 3(X1X2) Ahora cambia X1: Y+ Y = 0 + 1(X1+X1) + 2X2 + 3[(X1+X1)X2] (a) restar (a) (b):
Y = 2 + 3X2 Y = 1X1 + 3X2X1 X 1

(b)

El efecto de X1 depende de X2 (lo que queramos) 3 = incremento del efecto de X1 a partir de un cambio unitario en X2
6-45

Ejemplo: Notas, STR, PctEL

TestScore = 686.3 1.12STR 0.67PctEL + .0012(STRPctEL),

(11.8) (0.59)

(0.37)

(0.019)

El efecto estimado de la reduccin del tamao de clase es no lineal porque el tamao del efecto depende de PctEL:
TestScore = 1.12 + .0012PctEL STR TestScore PctEL STR

0 20%

1.12 1.12+.001220 = 1.10

6-46

Ejemplo,continuacin: contrastes de hiptesis

TestScore = 686.3 1.12STR 0.67PctEL + .0012(STRPctEL),

(11.8) (0.59) (0.37) (0.019) Es el coeficiente poblacional de STRPctEL = 0? t = .0012/.019 = .06 no se puede rechazar la nula al 5%. Es el coeficiente poblacional de STR = 0? t = 1.12/0.59 = 1.90 no se puede rechazar la nula al 5% Son los coeficientes tanto en STR como en STRPctEL = 0?

6-47

F = 3.89 (p-value = .021) se rechaza la nula al nivel del 5%(!!) (Por qu? Alta pero imperfecta multicolinealidad)

6-48

Aplicacin: Efectos No Lineales en las Notas Del Ratio Alumno-Profesor (SW Seccin 6.4) Nos centramos en dos cuestiones: 1. Hay efectos no lineales de la reduccin del tamao de la clase sobre los resultados del test? (Tiene una reduccin de 35 a 30 el mismo efecto que una reduccin de 20 a 15?) 2. Hay interacciones no lineales entre PctEL y STR? (Son las clases pequeas ms efectivas cuando hay muchos estudiantes de Ingls?)
6-49

Estrategia para la Cuestin #1 (diferentes efectos para diferente STR?) Estimar las funciones lineal y no lineal de STR, manteniendo constantes las variables demogrficas relevantes o PctEL o Renta (recordar la relacin no lineal Notas-renta!) o LunchPCT (parte de comida gratis/subvencionada) Ver si al aadir los trminos no lineales se genera una diferencia cuantitativaeconmicamente importante (importancia econmica del mundo-real es diferente de la significatividad estadstica) Contrastar si los trminos no lineales son significativos
6-50

Qu es una buena especificacin base?

6-51

La relacin Notas Renta

Una ventaja de la especificacin logartmica es que se comporta mejor cerca del final de la muestra, especialmente para valores grandes de la renta.
6-52

Especificacin Base A partir de los diagramas de puntos y del anlisis anterior, aqu hay posibles puntos de partida para las variables de control demogrfico: Variable dependiente: Notas Variable Independiente PctEL LunchPCT Renta Forma Funcional Lineal Lineal ln(Renta) ( se podra usar cbica)

6-53

Cuestin #1: Investigar considerando un polinomio en STR

TestScore = 252.0 + 64.33STR 3.42STR2 + .059STR3

(163.6) (24.86)

(1.25)

(.021)

5.47HiEL .420LunchPCT + 11.75ln(Renta) (1.03) (.029) (1.78) Interpretacin de los coeficientes de: HiEL? LunchPCT? ln(Renta)? STR, STR2, STR3?

6-54

Interpretar la funcin de regresin va grficos (la regresin anterior se denota por (5) en esta figura)

6-55

Son los trminos de mayor orden en STR estadsticamente significativos?

TestScore = 252.0 + 64.33STR 3.42STR2 + .059STR3

(163.6) (24.86)

(1.25)

(.021)

5.47HiEL .420LunchPCT + 11.75ln(Renta) (1.03) (.029) (1.78) (a) H0: cuadrtico en STR frente a H1: cbico en STR? t = .059/.021 = 2.86 (p = .005) (b) H0: lineal en STR frente a H1: no lineal/hasta el cbico en STR? F = 6.17 (p = .002)
6-56

Cuestin #2: interacciones STR-PctEL (para simplificar las cosas, se ignoran los trminos STR2, STR3 por ahora)
TestScore = 653.6 .53STR + 5.50HiEL .58HiELSTR

(9.9) (.34)

(9.80)

(.50)

.411LunchPCT + 12.12ln(Renta) (.029) (1.80) Interpretacin de los coeficientes en: STR? HiEL? (signo incorrecto?) HiELSTR? LunchPCT? ln(Renta)?
6-57

Interpretacin de las funciones de regresin va grficos:

TestScore = 653.6 .53STR + 5.50HiEL .58HiELSTR

(9.9) (.34)

(9.80)

(.50)

.411LunchPCT + 12.12ln(Renta) (.029) (1.80) Importancia en el Mundo-Real (poltica econmica) del trmino de interaccin:
TestScore = .53 .58HiEL = STR

La diferencia en el efecto estimado de reducir el STR es sustancial; la reduccin en el tamao de clase es ms efectiva en distritos con ms estudiantes de ingls
6-58

1.12 si HiEL = 1 .53 si HiEL = 0

El trmino del efecto de interaccin es estadsticamente significativo?

TestScore = 653.6 .53STR + 5.50HiEL .58HiELSTR

(9.9) (.34)

(9.80)

(.50)

.411LunchPCT + 12.12ln(Renta) (.029) (1.80) (a) H0: coef. de interaccin=0 frente a H1: interaccin no cero t = 1.17 no significativo al 10% (b) H0: ambos coefs asociados con STR = 0 frente a H1: al menos un coef. es distinto de 0 (STR entra)
6-59

F = 5.92 (p = .003) Siguiente: especificaciones con polinomios + interacciones!

6-60

6-61

Interpretacin de las funciones de regresin va grficos

6-62

Contrastes de hiptesis conjuntas:

6-63

Resumen: Funciones de Regresin No Lineales El uso de funciones de las variables independientes tales como ln(X) X1X2, permite reformular una extensa familia de funciones de regresin no lineales como la regresin mltiple. La estimacin y la inferencia se realizan de la misma manera que en modelo de regresin lineal mltiple. La interpretacin de los coeficientes es especfica en cada modelo, pero la regla general es calcular los efectos comparando diferentes casos (valores diferentes de las Xs originales)
6-64

 Muchas especificaciones no lineales son posibles, de manera que se debe utilizar el juicio: Qu efecto no lineal deseamos analizar? Qu sentido tiene en la aplicacin en concreto?

6-65