MODELOS LINEALIZABLES MEDIANTE TRANSFORMACIONES.

El adjetivo en el modelo lineal hace referencia a los coeficientes y no a las

variables, por tanto es admisible adoptar diversas funciones de las variables para
definir nuevas variables y mejorar la especificacin. Ello es de gran utilidad, pues
es frecuente que se analicen fenmenos econmicos o naturales cuyo
comportamiento no es posible representarlo mediante una forma lineal. En tal caso
se tienen dos alternativas: ajustar un modelo mediante procedimientos no lineales
o aplicar transformaciones que linealicen un modelo y proceder con los los ajuste
usuales por mnimos cuadrados. Las transformaciones utilizadas con mayor
frecuencia son la logartmica, potencias y la recproca. Hay que tener cuidado al
aplicar transformaciones, pues pueden tener efectos secundarios indeseables y
dar lugar a violaciones de los supuestos bsicos del modelo como falta de
normalidad y heteroscedasticidad.

Algunas formas de modelos usuales y sus transformaciones son las siguientes:

Modelo Recproco

La forma original del modelo es

Y = + /X + u

Modelo linelizado:

Y = + X + u

Donde X =1/X

La magnitud y signo de definen el comportamiento de la curva y el valor de es

la asntota que limita la funcin. En las siguientes grficas se presentan ejemplos
de la funcin para diferentes valores de

Modelo Semi - log

En este caso el modelo original es de la forma:

Y= Xu

Si la expresin se transforma mediante logaritmos, que desde luego estarn

restringidos a valores positivos se obtiene una expresin en la forma ya conocida
del modelo:

1
 Log(Y) = Log() + Log()X + Log(u)

Y= + X + u

Este modelo puede ser expresado

alternativamente como:

Y = e ( + X + u)

El ascenso o descenso de la funcin

depende del signo de y la velocidad
de su valor absoluto. La ordena da al
origen corresponde a e .

Modelo Doble - log

La expresin es similar al caso
anterior:
Y=Xu
Esta expresin se transforma tambin tomando logaritmos para linealizar

Log(Y) = Log() + Log(X) + Log(u)

Y= + X + u

El comportamiento de este modelo

depende del signo y magnitud de .
En las siguientes grficas se pueden
observar los efectos de diferentes
valores del parmetro. El cual se
puede interpretar como la elasticidad.

Tanto en este modelo, como en el

anterior se debe observar que
originalmente el error es multiplicativo y no aditivo y hay que verificar si al
transformar son vlidos los supuestos generales del modelo lineal.

Modelo Logstico
Es un modelo muy popular, que merece atencin especial, se caracteriza por estar
limitado por dos asntotas, una superior correspondiente a un valor k y una
asntota inferior al nivel del cero. El modelo logstico ha sido muy utilizado para
ajustar tendencias de crecimiento.
K
Y=
1 + e X

2
El modelo de crecimiento geomtrico no puede representar de manera continua el
comportamiento de una poblacin, ya que la limitacin de espacio y de alimentos
disminuye la tasa de crecimiento. Esta reduccin de la tasa de crecimiento puede
provocar que eventualmente la poblacin cese de crecer una vez que se alcanza
un punto de saturacin del medio ambiente.

Esta situacin puede ser descrita por un tipo de funcin sigmoide como la de la
grfica
Curva Logstica

1.2

1.0

0.8
Valor de Y

0.6

0.4

0.2

0.0
0.0 0.5 1.0 1.5 2.0 2.5
Valor de X

Como se observa en la grfica la funcin crece inicialmente a una tasa baja y se

eleva gradualmente. Al final la tasa decrece en forma tal que la funcin es acotada
por una asntota k a la cual se le acerca suavemente.

La funcin ms simple para lograr el comportamiento sigmoide es mediante la

introduccin de un trmino que reduzca suavemente la tasa de crecimiento. La
relacin de crecimiento geomtrico o exponencial modificada quedara como
sigue:
Nt k Nt
= rNt
t k
donde
Nt Tamao de la poblacin al tiempo t
t Tiempo
r Tasa de crecimiento
k Constante asinttica limita el valor mximo de N
k Nt
Debe observarse que el trmino con kNt se anula cuando Nt=k y la
k
poblacin interrumpe su crecimiento en ese punto.

La ecuacin anterior representa la forma diferencial de la curva logstica. Esta

curva fue sugerida para caracterizar el comportamiento del crecimiento de
poblaciones humanas por Verhulst en 1838.

La forma de la ecuacin logstica puede ser descrita como sigue:

3
 k
Nt =
1 + e a rt
Donde a es una contante que define la posicin de la curva relativa al origen y e
es la base de logartmos naturales.

Para linealizar la funcin y as poder ajustar por mnimos cuadrados para estimar
los parmetros a y r se procede inicialmente a despejar la parte exponencial
k
1 + e a rt =
Nt
k
e a rt = 1
Nt
k Nt
e a rt =
Nt
Si a continuacin se toma logaritmo natural de ambos miembros, se obtiene

k Nt
a rt = log
Nt

Expresin que tiene analoga con Y=+X como se presenta a continuacin

k Nt
log = a rt
Nt

k Nt
donde y = log , =a y -r corresponde a la pendiente . En este punto es
Nt
fcil aplicar mnimos cuadrados para estimar a y r.

La curva logstica presenta algunos atractivos desde el punto de vista matemtico

y en su interpretacin biolgica Es bastante realista. Segundo, es relativamente
simple pues la forma diferencial de la curva logstica contiene solamente tres
constantes r, a y k. Las constantes r y k se pueden interpretar biolgicamente. La r
como la tasa de crecimiento poblacional y k como el punto de saturacin
poblacional.

Actualmente el modelo logstico se utiliza frecuentemente para estimar

probabilidades de ocurrencia de cierta caracterstica mediante regresin logstica
binaria. La variable dependiente Y es dicotmica (0,1) lo cual indica que se tiene o
no la caracterstica de inters y la variable o variables independientes toman
medidas en nivel intervalar o de razn. Ello da lugar a requerimientos de
estimacin mediante mxima verosimilitud.

4
Como ejemplo de ajuste del modelo logstico se tomarn los datos de un
experimento de crecimiento de levadura (en gramos) realizada por Carlson (1913).
A partir del anlisis de los datos se estima la k de manera un tanto heurstica en
665 y posteriormente se efectan las transformaciones indicadas anteriormente
para obtener estimaciones por mnimos cuadrados de los parmetros a y r. Con
este procedimiento se tiene
a = 4.163572
r = 0.530675

El coeficiente de determinacin R2 para el modelo transformado fue calculado en

0.9996. Los clculos se resumen en las siguientes tablas

Ajuste de una curva logstica

Crecimiento de Levadura (Biomasa)
K= 665
Poblacin k Nt
Horas t Ln Nt Nt N t
Nt Nt
0 9.6 4.22348 10.18 - 0.58364
1 18.3 3.56498 17.13 1.17065
2 29.0 3.08790 28.61 0.39459
3 47.2 2.57177 47.21 - 0.00977
4 71.1 2.12262 76.46 - 5.36025
5 119.1 1.52247 120.30 - 1.20471
6 174.6 1.03272 181.54 - 6.93583
7 257.3 0.46029 259.11 - 1.80684
8 350.7 - 0.10958 346.10 4.60415
9 441.0 - 0.67740 431.26 9.74029
10 513.3 - 1.21896 504.24 9.05576
11 559.7 - 1.67059 559.99 - 0.28875
12 594.8 - 2.13688 598.94 - 4.13559
13 629.4 - 2.87242 624.48 4.91715
14 640.8 - 3.27636 640.55 0.24585
15 651.1 - 3.84677 650.40 0.70026
16 655.9 - 4.27773 656.33 - 0.43366
17 659.6 - 4.80523 659.87 - 0.27488
18 661.8 - 5.33181 661.98 - 0.17577

Resumen del Modelo

a 4.163572
r -0.530675
Coeficiente R2 0.999605
Error tpico 0.061079
Observaciones 19

5
 Crecimiento de Levadura
700

600

500

400

300
Nt
200
Nt Est
100

0
0 2 4 6 8 10 12 14 16 18 20
t

Krebs (1978) afirmo que una poblacin sigue un patrn de crecimiento logstico y
se hacen implcitamente una serie de supuestos:

1) La poblacin tiene una distribucin de edad inicial estable. El modelo asume

que una poblacin empieza a crecer cuando la razn (K-N)/K es cercana a 1.0 y
se incrementa a una tasa aproximada rN

2) La densidad se mide en unidades adecuadas. Por ejemplo en el caso de las

moscas no basta contar la poblacin adulta, sino adems los individuos en
estado larvario y huevos. Para evitar problemas es mejor medir la biomasa total
en este caso (gramos).

3) La relacin entre la densidad y la tasa de crecimiento lineal. Esto se aprecia

mejor al considerar a la logstica en su forma diferencial

Nt 1 r
= r Nt
t Nt k

Esta relacin nos ndica que el incremento poblacional por individuo es una
Nt
funcin lineal de la densidad .
k

4) La influencia de la disminucin de la densidad sobre la tasa de crecimiento

opera instantneamente, sin retrasos en el tiempo. Sin embargo, es altamente
improbable que en organismos con ciclos de vida complejos la tasa de
incremento reaccione instantneamente a cambios en la densidad.

6
En poblaciones naturales los supuestos del modelo logstico rara vez se podrn
cumplir completamente. Los datos recolectados de campo podrn dar indicaciones
de la media en que los supuestos se consideren vlidos. Debemos recordar que
todo modelo es una idealizacin del comportamiento de la naturaleza.

El modelo logstico ha sido utilizado con profundidad en fenmenos de respuesta

discreta binaria y multinomial a los cuales se retornar posteriormente.

Funcin de Produccin de Cobb Douglas.

En el anlisis econmico es muy popular la funcin de produccin propuesta en
1929 por Paul Douglas y Charles Cobb en el artculo A Theory of Production
publicado en el American Economic Review. La funcin explica el monto de
produccin en funcin de los factores trabajo y capital.

Q = AL K u

Donde Q es la cantidad producida

L es el insumo de trabajo
K es el insumo de capital
A es un constante
y son constantes que representan las elasticidades de la produccin
respecto del trabajo y capital respectivamente.
u es un error aleatorio.

Si los exponentes y cumplen la condicin + =1 se tienen rendimientos

constantes a escala, esto es que si por ejemplo L y K se incrementan en una
proporcin entonces Q se incrementa en la misma proporcin . Ello significa
que la funcin de produccin es homognea de grado 1

A(L) (K ) u = A L K = A + L K = AL K = Q

El modelo admite sin embargo que si + >1 se tengan rendimientos crecientes a

escala, esto es que a un incremento de L y K corresponde un incremento mayor
a para Q. Si +<1 entonces los rendimientos sern decrecientes a escala.

Otro atractivo que brinda esta forma funcional es que los exponentes se pueden
interpretar como las elasticidades.

Formalmente la elasticidad de la produccin respecto al trabajo se obtiene:

Q L ( AL K ) L AL 1 K L
= = =
L Q L Q AL K

Similarmente se obtiene la elasticidad de la produccin respecto al capital.

7
Q K ( AL K ) K AL K 1 K
= = =
K Q K Q AL K

La siguiente grfica ilustra el comportamiento de la funcin para A= 4, =0.3 y

=0.7. Las curvas que separan las bandas de colores se conocen como
isocuantas o curvas de nivel y corresponden a valores constantes de la produccin
Q que se obtienen con diversas combinaciones de los factores L y K.

El modelo se linealiza fcilmente mediante una transformacin logartmica y as

los parmetros se pueden estimar por MCO.

Q = AL K u

ln(Q) = ln( A) + ln( L) + ln( K ) + ln(u )

Q' = A'+L'+ K '+u '

Si se consideran rendimientos constantes a escala + =1 entonces el modelo se

reduce a uno lineal simple:

Q' = A'+L'+(1 )K'+ u'

= K'+ A'+(L'K' ) + u'

De donde

Q'-K' = A'+(L' K' ) + u'

8
Considere como ejemplo los siguientes datos publicados por D. Salvatore
correspondientes a 14 empresas de una industria. Se incluyen los logaritmos de
las variables para ajustar por MCO.

Empresa Horas Horas Toneladas Transformaciones logartmicas

Hombre Mquina
L K Q ln(L) ln(k) ln(Q)
1 1480 410 240 7.2998 6.0162 5.4806
2 1660 450 400 7.4146 6.1092 5.9915
3 1150 380 110 7.0475 5.9402 4.7005
4 1790 430 530 7.4900 6.0638 6.2729
5 1880 480 590 7.5390 6.1738 6.3801
6 1860 450 470 7.5283 6.1092 6.1527
7 1940 490 450 7.5704 6.1944 6.1092
8 1240 395 160 7.1229 5.9789 5.0752
9 1240 430 290 7.1229 6.0638 5.6699
10 1850 460 490 7.5229 6.1312 6.1944
11 1570 435 350 7.3588 6.0753 5.8579
12 1700 470 550 7.4384 6.1527 6.3099
13 2000 480 560 7.6009 6.1738 6.3279
14 1850 440 430 7.5229 6.0868 6.0638

Los resultados del ajuste por MCO mediante Casandra son los siguientes:

Estadsticas de
Regresin

Coef. de Correlacin Multiple R2 0.9370386

Coef. de Determinacin R2 0.8780413
R2 Ajustado 0.8558670
Varianza del Error 0.0365876
Error Estndar de la Estimacin 0.1912790
Nmero de Casos 14

Recurdese que al utilizar variables transformadas, la relacin lineal se expresa en

trminos de los logaritmos de las variables.

Parmetros estimados Coeficientes Error Estndar

A Intercepcin -23.2311819 5.2364620
lnL 1.4302525 0.5608430
lnK 3.0453908 1.3672348

Como + = 4.4756 se tienen rendimientos crecientes a escala. As si L y K se

incrementan cada uno en 5%, entonces Q se incrementar en 24.4%