BREVE APUNTE SOBRE LA ESTIMACIN DE LOS PARMETROS

MCO Y MXIMA VEROSIMILITUD

I.- Planteamiento
Sea el Modelo Bsico de Regresin Lineal (MBRL) defnido como:
i ki k i i i
U x x x y + + + + + ........
3 3 2 2 1
donde los parmetros cuantifican la relacin parcial de cada
variable egena ! con la endgena "#
$artimos de %ue se &a completado la etapa de especifcacin del
modelo econom'trico ( son conocidos por tanto los valores de la )"*
( las )!* para la muestra temporal o transversal seleccionada# Se
plantea a&ora la siguiente pregunta +cmo obtener una buena
estimacin de esos parmetros a partir de los datos disponibles
para )"* ( para cada una de las )!*,
II.- Etima!o" !e M#nimo C$a!"a!o O"!ina"io
-no de los procedimientos ms conocidos es el denominado
.stimador de M/nimos 0uadrados 1rdinarios (M01)# .ste
procedimiento plantea utili2ar3 como estimacin de los parmetros3
a%uella combinacin de
4
3
5
366
7
%ue minimice los errores %ue el
modelo cometer# +8u' signifca esto,# .st claro %ue3 si
dispusi'ramos a priori de los parmetros estimados podr/amos
escribir el MBRL 91 como:
i ki k i i i
U x x x y + + + + + ........
3 3 2 2 1
sino como:
ki k i i i
x x x y

........

3 3 2 2 1
+ + + +
(3 por tanto3 podr/amos computar el error o residuo %ue el modelo
comete en la estimacin de cada valor de la endgena comparando3
de forma inmediata3 el valor real de la endgena en cada observacin
con el valor estimado:
)

........

(

3 3 2 2 1 ki k i i i
i i i
x x x y
y y e
+ + + +

.ste error depender/a3 evidentemente3 del valor asignado a las
estimaciones de los parmetros : pues bien3 el m'todo de M01
sugiere utili2ar a%uella combinacin de parmetros estimados %ue
Pg.1/20
minimice la suma al cuadrado de todos los errores cometidos para las
)n* observaciones disponibles:
( )

n
i
i MCO
e S
1
2
min ) min(

$ara obtener algebraicamente una epresin de clculo operativa

para los estimadores M013 procedemos de la siguiente forma:
Dea""ollo %&
De"i'a(i)n NO MATRICIAL !e la e*+"ei)n !e lo etima!o"e
MCO
La epresin a minimi2ar es:
( ) ( )



n
i
ki k i i i
n
i
i
x x x y e S
1
2
3 3 2 2 1
1
2

........

) (
$ara obtener los valores de cada uno de los )7* parmetros
j

%ue minimi2an esta epresin derivamos con respecto a

cada uno de ellos e igualamos a cero3 obteniendo )7*
epresiones del tipo:
( ) ( )

n
i
ji ki k i i i
j
x x x x y
S
1
3 3 2 2 1
0

........

2

) (

.stas epresiones3 se denominan )ecuaciones normales*# .n

este sistema de las ecuaciones normales las incgnitas son
los parmetros
j

a estimar ( los valores conocidos son los

datos muestrales recogidos de la )(* ( de las )*#
1bservadas una a una3 para cada parmetro3 las epresiones
de las ecuaciones normales son:


+ + + +
n
i
n
i
i ki k
n
i
i i
n
i
i i
n
i
i i i i
x x x x x x x x x y
1 1
1
1
1 3 3
1
1 2 2
1
1 1 1 1

........




+ + + +
n
i
n
i
i ki k
n
i
i i
n
i
i i
n
i
i i i i
x x x x x x x x x y
1 1
2
1
2 3 3
1
2 2 2
1
2 1 1 2

........




+ + + +
n
i
n
i
i ki k
n
i
i i
n
i
i i
n
i
i i i i
x x x x x x x x x y
1 1
3
1
3 3 3
1
3 2 2
1
3 1 1 3

........

+ + + + + +
n
i 1
....... .......... ........ ........ ........ ........
Pg.2/20


+ + + +
n
i
n
i
ki ki k
n
i
ki i
n
i
ki i
n
i
ki i ki i
x x x x x x x x x y
1 1 1
3 3
1
2 2
1
1 1

........


Lo %ue3 teniendo en cuenta las epresiones matriciales del
vector endgeno )"* ( de la matri2 de variables egenas
)!*3 puede epresarse matricialmente como:

' ' X X Y X
;e donde se obtiene fcilmente ()despe<ando*) la epresin
fnal matricial
4
del vector de parmetros estimados

:
( ) ( )
( ) Y X X X
X X X X Y X X X
X X Y X
' '

' ' ' '

' '
1
1 1

Dea""ollo ,&
De"i'a(i)n MATRICIAL !e la e*+"ei)n !e lo etima!o"e MCO
$uede comprobarse cmo podr/amos &aber planteado el desarrollo de
la epresin de los estimadores la estimacin utili2ando
eclusivamente lgebra matricial# .fectivamente3 la minimi2acin de
residuos puede plantearse a partir del vector de residuos )e* como:
( ) ( ) ( ) ( )

' '

' '

' ' min

'

min ) ' min( X X Y X X Y Y Y X Y X Y e e +

( ) ( ) ( ) ( )
( )

' '

' '

2 ' min

' '

' '

' ' min

'

min ) ' min(

X X Y X Y Y
X X Y X X Y Y Y X Y X Y e e
+
+
1bs'rvese cmo los productos matriciales

' X Y ( Y X' '

son en
realidad el mismo e iguales a un escalar: efectivamente3 la primera
epresin es la transpuesta de la segunda ( dado %ue el orden de
cada una de ellas es (44)3 es decir3 un escalar3 estamos viendo en
realidad dos epresiones e%uivalentes del mismo n=mero (escalar)#
>s/ pues3 podemos escribir

' X Y ? Y X' '

como

' 2 X Y bien
cmo Y X' '

2 de modo %ue tenemos:

( )

' '

' '

2 ' min ) ' min( X X Y X Y Y e e +

>ra resolver a&ora la minimi2acin3 recurrimos de nuevo al concepto
de derivada (necesariamente parcial) para lo %ue3 en el caso de las
1
Pg.3/20
matrices3 debemos recordar una propiedad de utilidad: para
cual%uier par de matrices > ( B se cumple %ue:
( )
B A BA
A
BA A
' 2 2
'

.n nuestro caso3 debemos derivar respecto a

( '

) tres
sumandos3 ( es para el tercero de ellos (

' '

X X ) para dnde
debemos recordar la propiedad matricial anterior (en nuestro caso3 >
es la matri2

( B es la matri2 !@!)#
( )
0

' 2 ' 2 0 0

' '

' '

2 '
0

) ' (
) ' min( +

X X Y X
X X Y X Y Y e e
e e
de donde nuevamente obtenemos:
( ) Y X X X ' '

1

III.- Etima!o" M-*imo Ve"o#mil
-na segunda aproimacin consiste en utili2ar lo %ue se conoce como
planteamiento de estimacin mimo veros/mil#
La idea del estimador mimo veros/mil es sencilla de intuir# -n
estimador MA de un parmetro desconocido es a%uel valor %ue
maimi2ar/a la probabilidad de observar una determinada muestra
obtenida suponiendo una serie de &iptesis de partida#
>s/3 por e<emplo:
4#B Si obtenemos una muestra de la altura de 4CD personas (
suponemos (esto es importante) %ue la altura se distribu(e conforme
a una distribucin normal3 la media muestral es un estimador mimo
veros/mil del verdadero valor de la media poblacional de la altura: si
se etraen 4CD datos de una poblacin normal3 el valor ms probable
de la media muestral es el valor de la media poblacional#
5#B +0mo se determina (aproima) el n=mero de peces %ue pueblan
un lago,#
Suponiendo %ue la distribucin de los peces es uniforme a lo largo del
lago (( %ue los peces no tienen memoria ( por tanto pueden picar una
( otra ve2)
Se pescan 4DD peces del lago
Se marcan ( sueltan
Se vuelven a pescar otros 4DD peces inmediatamente
Pg.4/20
Eomando entonces la frecuencia muestral de peces marcados
en la segunda pesca3 el n=mero de peces (ms veros/mil) en el
estan%ue es

,
_

100
100
dos PecesMarca
es PecesTotal
$ara determinar un estimador MA debemos ser capaces de:
4# ;eterminar con claridad las &iptesis relativas a la distribucin
terica del parmetro en la poblacin
5# .presar matemticamente la probabilidad de obtener una
determinada muestra3 en funcin de las &iptesis asumidas3 de
modo %ue esa epresin sea matemticamente )maimi2able*
en funcin del parmetro muestral de inter's#
.n nuestro caso3 este planteamiento propone utili2ar como
estimadores de los parmetros a%uel con<unto de parmetros
poblacionales %ue &ar/a ms probable observar una muestra de
errores como los %ue nos &emos propuesto: normales3 con media nula
( varian2a constante# .s decir3 un con<unto de errores %ue van a
distribuirse conforme a una determinada funcin de densidad
con<unta con una determinada media ( desviacin t/pica#
.ntre las &iptesis bsicas formuladas para el MBRL establecimos %ue
nuestros errores )-* seguir/an una distribucin normal con media nula
( varian2a constante3 es decir:
( )
2
, o N u
i

o bien para todo el vector de perturbaciones aleatorias:
( ) I o N U
2
,
>s/ pues3 la funcin de densidad de cada uno de los errores ser:
( )

,
_

2
2
2
2
1
exp
2
1 1

i
i
u
u f
$or lo %ue3 tomando la funcin de densidad con<unta para cual%uier
normal multivariante tenemos %ue
5
:
2
En realidad, la expresin genrica correcta para esta funcin es:
Pg.5/20
( ) ( ) ( )

,
_

2
1
2
2 /
2 2 /
1
2
1
exp 2 ) (

n
i
i
n
n
n
i
i
u
u f u f L
Se trata3 por tanto3 de obtener el con<unto de parmetros

%ue
&acen mima la funcin (probabilidad) de densidad con<unta:
( ) ( )

,
_

,
_

2
1
2
2 /
2 2 /
1
2
1
exp 2 ) ( max ) max(

n
i
i
n
n
n
i
i
u
u f L
0on el fn de computar la derivada parcial de esa epresin )L* con
respecto a los parmetros estimados3 lineali2amos la epresin
obteniendo:

( ) U U
n n
L Ln '
2
1
ln
2
2 ln
2
) (
2
2

o lo %ue es igual3 considerando a&ora errores muestrales ( no las

perturbaciones aleatorias poblacionales:
( ) e e
n n
L Ln '
2
1
ln
2
2 ln
2
) (
2
2

( ) ( ) ( )

'

2
1
ln
2
2 ln
2
) (
2
2
X y X y
n n
L Ln

.s evidente %ue maimi2ar esta probabilidad con respecto a

implica minimi2ar el =ltimo de los sumandos3 esto es:

[ ] ( ) ( ) [ ]

'

min ) ( max X y X y L Ln
8ue como se ve3 es lo mismo %ue plantear el estimador de M/nimos
0uadrados 1rdinarios revisado anteriormente# .s decir3 el estimador
( ) ( )

,
_

2
1
2
2 /
2 /
1
2
1
exp 2 ) (

n
i
i
n
n
n
i
i
u
u f u f L
donde es la !atri" de #arian"as $ co#arian"as de las #aria%les aleatorias nor!ales
!ulti#ariantes. &o o%stante, $ a pesar de la prdida de precisin de la notacin, se !antiene la
referencia a '
2
por sencille" expositi#a $ por(ue, e#idente!ente, no afecta al resultado final
(ue se pretende ilustrar.
Pg.)/20
Mimo Aeros/mil va a coincidir para el Modelo Bsico de Regresin
Lineal con el estimador de M/nimos 0uadrados 1rdinarios#
IV.- Inte"+"eta(i)n .int$iti'a/ !e lo etima!o"e MCO en la
"e0"ei)n m1lti+le
La interpretacin del signifcado de los estimadores M01 es muc&o
ms interesante %ue los detalles t'cnicos sobre su derivacin# +8u'
representa un parmetro estimado
j

,
Si imaginamos una ecuacin estimada con dos variables egenas
ms un t'rmino independiente3 el modelo estimado ser/a:
i i i
x x y
3 3 2 2 1

+ +
Fmaginemos una muestra temporal donde )i* representa el paso del
tiempo# Si epresamos a&ora el modelo )en diferencias*3 es decir3 si
al valor estimado de )(* en el per/odo )i* (
i
y
) le restamos el valor
estimado de )(* en el per/odo )iB4* (
1

i
y
) tenemos %ue:
( ) ( )
i i i
i i i i i i
x x y
x x x x y y
3 3 2 2
1 3 3 1 2 2 1 3 3 2 2 1 1

+
+ + + +



+8u' representa por tanto
2

,# -na forma simple de epresar

2

es:
2
2
3

i
i
i
x
y
x
.s decir3
2

permite computar el cambio obtenido en )(* producido

por un cambio en )
5
* manteni'ndose )
G
* constante# .s decir: los
coefcientes de la regresin m=ltiple son coefcientes ceteris paribus
o3 ms propiamente dic&o3 (oe2(iente !e (o""ela(i)n +a"(ial#
.l punto clave3 como seHala Iooldridge
G
3 es %ue la estimacin de
estos coefcientes parciales (o c'teris paribus) se obtiene a=n cundo
los datos no se &a(an observado o recogido en esas condiciones# .s
decir3 )la regresin m=ltiple nos permite imitar (6) lo %ue los
cient/fcos &acen en los entornos (eperimentales) controlados de
laboratorio: conservar f<os otros factores*#
Fmaginemos3 por e<emplo3 el resultado obtenido en la estimacin de
una regresin %ue relaciona las ventas mensuales de nuestra
empresa con los cambios en los precios ( en la publicidad:
i i i
Pu ! 3 , 1 Pr 5 , 0 2

+
3
Introduccin a la econometra. n en!o"ue moderno. #d. $%om&on.
Pg.*/20
Si las ventas ( la publicidad estn medidas en millones de euros ( los
precios en euros por unidad:
.l parmetro BD#C de los precios indicar/a %ue por cada
incremento de un euro en el precio unitario3 nuestras ventas se
reducir/an en medio milln de euros siempre ( cuando se
mantuviese constante el presupuesto en publicidad#
.l coefciente de 4#G3 positivo3 indica %ue3 si no variamos el
precio de venta3 un incremento de 4 milln de euros en
publicidad genera un incremento de ventas de 4#G millones#
.videntemente3 la empresa nunca movi slo los precios o slo la
publicidad3 sino %ue todos los aHos &i2o3 probablemente3 ambas
cosas: sin embargo3 la regresin m=ltiple permite )aislar* ambos
efectos#
-na observacin de inter's es: +%u' sucede si slo utili2amos una de
las dos variables en la regresin,# .n ese caso3 puede observarse %ue
los resultados de las dos regresiones individuales son:
i i
! Pr 3' , 0 ( , 1

i i
Pu ! ( , 3 ) , 1

Los resultados de la regresin sobre el precio son )similares* a los
obtenidos en la regresin m=ltiple pero +%u' &a sucedido con los
resultados de la regresin sobre la publicidad,# -tili2ando los mismos
datos3 el signo de la $ublicidad en su relacin con las ventas es a&ora
negativo +cmo podemos eplicar esto,# 1bservemos la evolucin de
las ventas3 los precios ( la publicidad en los aHos utili2ados para la
estimacin#
0uando tomamos slo los datos de la publicidad ( las ventas3
observamos %ue3 efectivamente3 a lo largo de los =ltimos 4C aHos la
publicidad se &a incrementado notablemente pero3 sin embargo3 las
Pg.+/20
ventas &an disminuido: sin embargo3 durante este mismo per/odo3 los
precios &an crecido tambi'n de forma mu( signifcativa3 de modo %ue
el efecto tericamente positivo de la publicidad se &a visto anulado
por un incremento descontrolado de los precios# Si )slo* observamos
la relacin entre ventas ( publicidad3 subestimamos clamorosamente
el efecto de la publicidad: del mismo modo3 si slo observamos la
relacin entre ventas ( precios3 subestimamos tambi'n el efecto
negativo de un al2a en los precios (la realidad es %ue3 si no
&ubi'semos elevado la publicidad a lo largo de estos 4C aHos3 la ca/da
de las ventas ante tal incremento de los precios &ubiera sido algo
ma(or)#
La anterior eposicin nos )obliga* a plantearnos algunas preguntas:
B Si )lo etamo inte"ea!o en el e3e(to !e $na 'a"ia4le
e*+li(ati'a en $ "ela(i)n (on la en!)0ena 567 8E
ne(ea"io in(l$i" en la "e0"ei)n m1lti+le ot"a 'a"ia4le
9$e on +oten(ialmente "ele'ante +a"a o4e"'a"
a!e($a!amente ee 1ni(o +a"-met"o !e inte":;
>s/ es3 el e<emplo anterior demuestra %ue3 aun%ue nuestro
inter's se centre en una variable egena3 debemos recoger
informacin de las dems variables %ue &an podido variar
durante el per/odo muestral3 de otro modo3 no podemos
)aislar*3 )distinguir del resto*3 los efectos de la variable %ue nos
interesa# .ste es3 sin duda3 el precio a pagar en la regresin a
cambio de evitar diseHos eperimentales )ceteris paribus*#
E'cnicamente esto resultaba previsible si recordamos las
condiciones ideales supuestas en el Modelo Bsico de Regresin
Lineal para derivar la insesgade2 del estimador M01# .sas dos
condiciones era3 la nulidad en media de la perturbacin
aleatoria )-* ( la ausencia de relacin entre los regresores )!* (
las perturbaciones aleatorias )-*#
;e &ec&o3 partiendo de esta segunda condicin (formulada a
partir de la covarian2a)3 tenemos:

Cov(u, x) 0 Cov(y x, x) 0
Cov(y, x) cova(, x) cova(x, x) 0
Cov(y, x) V(x) 0
Cov(x, y)
V(x)
.s decir3 el parmetro

de una regresin simple puede

obtenerse a partir de la covarian2a (3() slo s/ asumimos
0 ) , ( x u Co"
# .n caso de %ue la
0 ) , ( x u Co"
ocurre %ue el
parmetro

(a no puede aproimarse slo por la covarian2a

(3() dado %ue en realidad es:
Pg.,/20
) ( ) (
) , (
) ( ) , (
) , ( ) , (
x ! x !
y x Co"
x ! x y Co"
x x y Co" x u Co"
#

+

B 8E*ite al0$na e*(e+(i)n a lo ante"io"; E !e(i"< 8e
+oi4le o4tene" "e$lta!o (o""e(to 5no $4etima!o
ni o4"eetima!o7 en la "e0"eione in!i'i!$ale;
Si# .l problema reside3 en realidad3 en la eistencia de
correlacin entre las variables eplicativas utili2adas en el
e<emplo# +$or %u',# .l problema de una muestra en la %ue
eiste correlacin alta entre las eplicativas (positiva o
negativa) es %ue la muestra no permite )aislar* el efecto de
cada una sobre la endgena3 por%ue3 imaginando %ue la
correlacin fuera positiva3 cada ve2 %ue una creci (respecto a
su media)3 la otra tambi'n lo &i2o# ;igamos %ue la muestra es lo
contrario al tipo )ceteris paribus* %ue necesitar/amos para
observar el efecto individual de las egenas# >&ora bien3 si en
nuestra muestra podemos encontrar crecimientos de una
egena %ue se &a(an combinado con incrementos (
disminuciones de la otra de modo %ue entre ambas no eista
una correlacin sistemtica3 la muestra es ideal para observar
los efectos de forma individual (sin recurrir a la regresin
m=ltiple) por%ue los efectos de subestimacin (
sobreestimacin en esas estimaciones individuales aparecern
)compensados*3 resultando nulos o poco signifcativos#
.n t'rminos t'cnicos3 lo %ue sucede cuando no eiste relacin
'ntrela variable incluida ( la omitida3 es %ue no eiste tampoco
relacin entre esa variable incluida ( la perturbacin aleatoria
(u) %ue aglutina las variables omitidas3 de modo %ue vuelve a
verifcarse
0 ) , ( x u Co"
#
B Si la "e0"ei)n m1lti+le +e"mite .e+a"a"/ in e0o lo
e3e(to !e la !itinta 'a"ia4le a1n ($an!o la
m$et"a no ean /ceteris paribus/. 8Po" 9$: e
im+o"tante 9$e no e*ita (o""ela(i)n m$et"al ent"e la
e*)0ena; 8Po" 9$: e 3o"m$la la =i+)tei !e a$en(ia
!e m$lti(olineali!a!;
.fectivamente3 la regresin m=ltiple permite )separar* los
efectos de cada egena sin cometer sesgos de sobre o
subestimacin a=n cuando las muestras sean )desfavorables*
en ese sentido (es decir3 a=n cuando las egenas est'n mu(
relacionadas)# Sin embargo3 la eistencia de multicolinealidad
implica un precio a pagar inevitable: una menor precisin en la
estimacin de los parmetros (una ma(or varian2a en la
estimacin)# .sto puede entenderse intuitivamente: si las
Pg.10/20
variaciones de una variable !
5
se ven sistemticamente
acompaHadas de la variacin de otra variable !
G
resulta dif/cil
separar con precisin %u' parte de los efectos sobre )"* se
deben a los movimientos de !
5
( %ue parte a los de !
G
#
>dems de la eplicacin )intuitiva* veremos en el tema de la
Multicolinealidad como t'cnicamente3 la varian2a de un
parmetro depende de tres factores ( uno de ellos es3
precisamente3 el grado de correlacin %ue eiste entre cada
variable egena ( el resto: a ma(or relacin3 menor precisin
en la estimacin#
V.- Inte"+"eta(i)n .int$iti'a/ !e la e*+"ei)n !e lo
etima!o"e MCO
Aisto todo lo anterior3 una pregunta ra2onable es: +cmo se las
ingenia el m'todo de estimacin M01 para separar los efectos
parciales de dos o ms eplicativas,#
Fmaginemos el caso de dos eplicativas (ms un t'rmino
independiente):
i i i
x x y
3 3 2 2 1

+ +
.l parmetro para la variable
2

deber medir los cambios en " ante

variaciones en !
5
manteni'ndose !
G
constante# Si slo conoci'semos
la regresin simple (no m=ltiple) +cmo podr/amos estimar este
parmetro,
-n punto de partida ra2onable ser estimar cul es el grado de
relacin entre !
5
( !
G
dado %ue al fn ( al cabo3 slo si eiste un alto
grado de relacin tenemos necesidad de estimaciones parciales# -na
forma de calcular el grado de relacin es3 precisamente3 reali2ar un
anlisis de regresin entre !
5
( !
G
:
i i i
$ x x +
3 1 2

.l residuo de esta regresin (J) contendr/a3 precisamente3 a%uella
parte de !
5
%ue no puede eplicarse observando !
G
:
( )
i i i i i
x x x x $
3 1 2 2 2

de &ec&o3 si !
5
( !
G
no tuviesen ning=n tipo de correlacin3 el
coeficiente estimado para K
4
ser/a nulo ( el residuo de la regresin
contendr/a )a=n* toda la informacin de !
5
#
$or tanto3 si
i
$
contiene toda la informacin de !
5
)%ue no covar/a*
con !
G
tenemos a&ora en
i
$
una muestra )depurada* (c'teris
Pg.11/20
paribus) de !
5
# Si &acemos entonces a&ora la regresin original
)sobre* "
i
usando slo como eplicativa esa nueva versin (
i
$
) de !
5
3
tendremos entonces el coefciente de correlacin parcial entre " ( !
5
#
i i i
u $ y +
2

.ste es3 efectivamente3 el )mecanismo* t'cnico %ue se )esconde* en

la epresin matricial del estimador de M01:
( ) Y X X X ' '

1

La matri2 ( )
1
'

X X permite tener en cuenta no slo la cuant/a de la
varian2a de cada una de las variables eplicativas )!* (en la diagonal
principal) sino la intensidad de la relacin entre cada par de
eplicativas )!* (fuera de la diagonal principal)# ;e ese modo3 cada
uno de los coefcientes
j

estimados3 no se calculan )slo* como en

el caso de la regresin univariante:
i i i
u x y + +
donde:
( )
( ) x !ar
x y Co" ,

Sino %ue en el clculo se implica tambi'n la covarian2a entre las
propias variables eplicativas#
VI.- Inte"+"eta(i)n !e lo +a"-met"o ($an!o en el mo!elo
inte"'ienen 'a"ia4le en lo0a"itmo
.n muc&as ocasiones3 las variables implicadas en el modelo
(egenas3 endgena o ambas) vienen epresadas en logaritmos3 lo
%ue puede ser debido3 entre otras3 a las siguientes causas:
a) >lgunas veces3 el modelo terico original es una forma no
lineal3 %ue se convierte fcilmente en lineal escribiendo la
epresin en logaritmos# .s el clsico e<emplo de una funcin
de produccin3 en la %ue la epresin lgica (debido a la le( de
rendimientos decrecientes) es una funcin potencial:
) ( ) ( ) ( ) ln( * *
2 1
2 1
i i i i i i i i
u Ln % Ln L Ln P u % L P + +

1tro e<emplo &abitual de este caso ser/a el de los llamados
modelos de gravitacin basados en la epresin de 9eJton de
la Lravedad: la fuer2a %ue atrae dos cuerpos es directamente
Pg.12/20
proporcional a la diferencia de sus masas e inversamente
proporcional a la distancia al cuadrado %ue los separa#
.sta epresin se traslada en econom/a para representar3 por
e<emplo3 Mu<os comerciales entre dos puntos geogrfcos3
midiendo la masa de los )cuerpos* como la renta de cada uno
de los lugares ( la distancia entre ellos3 bien en t'rminos f/sicos
(7m) o en funcin de otras variables %ue representen )distancia
econmica* (impedimentos a los Mu<os3 como por e<emplo lo
ser/a la presencia de aranceles3 o la eistencia o no de un buen
modo de transporte)# .n este modelo3 tendr/amos:
) ( ) ln(+e ) ln(+e ) ln(
+e +e
2
3 2 1 2 i ij j i ij i
ij
j i
ij
& d Ln nta nta 'lujo U
d
nta nta
'lujo + + +

b) .n otras ocasiones3 la fuerte volatilidad de alguna de las
variables (eplicativas o eplicada) &ace recomendable escribir
'sta en logaritmos para observar me<or su relacin en el
modelo (como es bien sabido3 la transformacin logar/tmica
alisa el comportamiento de una variable3 reduciendo su
varian2a)# Aalga como e<emplo un modelo de previsin de
ventas en un negocio en el %ue se utili2ara como variable
eplicativa la evolucin del FB.!BGC3 entendiendo %ue este
podr/a marcar las epectativas en los primos meses# La
ecuacin podr/a escribirse del siguiente modo:
t t t
u IB(X Ln !entas + +

) 35 (
1 2 1

La forma en la %ue se introducen las variables en el modelo modifca
el modo en el %ue se interpretan sus parmetros asociados debido al
cambio de )unidades* %ue se est produciendo#
Matemticamente3 la diferencia de logaritmos es mu( similar3 para
cambios pe%ueHos3 a la tasa de crecimiento entre dos momentos
determinados#
0uando ambas variables (endgena ( egena) estn escritas en
logaritmos3 la interpretacin es la clsica en teor/a econmica: los
parmetros representan la elasticidad entre ambas variables o3 dic&o
de otro modo3 el cambio porcentual en )(* cuando se produce un
aumento del 4N en la variable )*
O
#
,
Aer Iooldrigge3 5DDP: )Fntroduccin a la .conometr/a: un enfo%ue moderno*# .d#
$araninfo $g# QRCBQQD con ma(or detalle sobre el efecto de las transformaciones
logar/tmicas#
Pg.13/20
) lo-( * lo-(.) *
*
2 2
2 2 /
x
x
x
y
y
x
x
y
y
x
x
y
y
d (lasticida
x y

.n los casos en los %ue slo una de las partes &a sido transformada
con logaritmos3 la interpretacin como cambio porcentual en 'sta es
similar# > modo de resumen3 en la siguiente tabla se epresa cmo se
&ar/a la interpretacin:
.specifcacin .presin Fnterpretacin
2

9ivelB9ivel
i i i
u x y + +
2 2 1

Fncremento en )(*
cuando aumenta 4
unidad ! (ambas en sus
unidades de medida
originales)
LogBnivel
i i i
u x y + +
2 2 1
) lo-(
100 *
2

3 incremento
porcentual de )(* cuando
aumenta una unidad !
9ivelBlog
i i i
u x y + + ) lo-(
2 2 1

100 /
2

Fncremento en
unidades de )(* cuando
aumenta un 4N !
LogBLog
i i i
u x y + + ) lo-( ) lo-(
2 2 1

Fncremento porcentual
de )(* cuando aumenta
un 4N !
VII.- Inte"+"eta4ili!a! !el t:"mino (ontante

.n un modelo econom'trico es siempre recomendable incluir un
t'rmino constante tanto para lograr un me<or a<uste en la curva de
regresin estimada como para obtener una me<or interpretabilidad de
indicadores de a<uste como3 por e<emplo3 la R cuadrado#
Matemticamente3 la inclusin del t'rmino constante nos permite %ue
el origen de la curva de a<uste no parta necesariamente del punto
(D3D) en los e<es de coordenadas3 lo %ue casi siempre dar lugar a un
me<or a<uste#
Pg.14/20
.n el grfco se puede observar una serie (ro<a) a estimar# La
estimacin de la l/nea negra continua es una regresin de una recta
con constante ( la discontinua a2ul es una estimacin sin constante
(obligada a partir del punto D3D)# .l a<uste de la segunda es
claramente peor %ue el de la primera3 (a %ue la serie de inter's (la
ro<a) claramente no parte de este punto (D3D)#
.n defntiva3 la inclusin de la constante en muc&as ocasiones slo es
un artifcio matemtico para lograr un me<or a<uste3 sin %ue sea
posible darle una interpretacin econmica#
Slo en el caso en el %ue todas las variables eplicativas pudieran
tomar el valor cero (( en la muestra elegida para reali2ar la
estimacin de &ec&o tomaran este valor al mismo tiempo en alguna
ocasin) tendr/a sentido interpretar el parmetro %ue acompaHa a la
constante como el valor de la endgena cuando no toman valor el
resto de las egenas#
$or e<emplo3 en el clsico modelo de consumo terico de Se(nes3 este
autor denomina al t'rmino constante )consumo autnomo o de
subsistencia* o a%uel %ue se producir/a cuando la renta del individuo
( los precios son cero: entendiendo %ue3 en teor/a3 esta circunstancia
podr/a darse# .n la prctica3 cuando se estima este modelo3 en la
muestra de datos utili2ada no fgurar ning=n caso en el %ue los
precios (( seguramente tampoco la renta) valgan cero3 por lo %ue el
resultado del t'rmino constante no ser interpretable (pudiendo
tener3 por e<emplo3 un signo negativo3 lo %ue en principio ser/a
incompatible con la lgica si es %ue fuera interpretable)#
VIII.- Inte"+"eta(i)n !e lo +a"-met"o ($an!o en el mo!elo
)lo inte"'ienen 'a"ia4le !i(ot)mi(a e .inte"a((ione/
.n ciencias de la salud3 donde se puede controlar de forma cuasiB
eacta el valor de variables relevantes no incluidas en el modelo
modifcando la muestra a utili2ar3 es frecuente utili2ar algunos
modelos en los %ue slo intervienen variables dicotmicas# .n estos3
todos los parmetros tienen una interpretacin mu( concreta
Pg.15/20
(incluido el de la constante)
C
# .n >;. ( .conom/a son menos
frecuentes3 pero3 para muestras mu( concretas en las %ue se agrupan
observaciones con iguales caracter/sticas para el resto de las
caracter/sticas relevantes3 se podr/a plantear3 por e<emplo3 un modelo
del siguiente tipo:
i i i i
u jornada sexo salario + + +
3 2 1

;onde seo es una variable dicotmica con valor cero para los
&ombres ( uno para las mu<eres (3 <ornada3 es tambi'n una variable
con dos valores: cero para <ornada a tiempo parcial ( uno para
<ornada a tiempo completo# Supongamos %ue los datos para los %ue
se reali2a el modelo corresponden todos a la misma empresa3 slo
para traba<adores con contrato indefnido3 con edades ( antigTedad
similares ( todos licenciados
R
#
.n este modelo3 todas las variables pueden tomar valor cero ( todos
los parmetros tienen un signifcado eacto ( fcilmente
interpretable:
Seo U Eipo <ornada Eiempo parcial Eiempo completo
Vombre
1

i
salario
3 1
+
i
salario
Mu<er
2 1
+
i
salario
3 2 1
+ +
i
salario
.n defnitiva3 el salario del &ombre con contrato a tiempo parcial se
puede asociar directamente con el valor del parmetro constante (3
adems3 se convierte en el valor de referencia sobre el %ue se puede
comparar con el resto de los casos# Beta 5 es la diferencia en el
salario entre la mu<er con contrato parcial ( el &ombre con contrato
del mismo tipo3 etc#
5
Recu'rdese lo visto respecto a la interpretacin de los parmetros cuando se
omiten variables relevantes en el modelo en el punto F de este documento#
)
>l tomar esta muestra tan concreta3 todas esas variables lgicamente relevantes
para determinar el salario ser/an iguales para todos los su<etos: luego no debern
incluirse en el modelo por%ue )no var/an*3 no marcan diferencias entre las
observaciones (empleados)#
Pg.1)/20
Eal ( como se &a planteado este modelo3 se est suponiendo %ue las
diferencias entre &ombres a tiempo parcial ( completo son las
mismas %ue entre las mu<eres a tiempo parcial ( completo# .n este
tipo de modelos3 para contrastar si estas diferencias no son las
mismas3 se suele incluir una variable eplicativa ms %ue recibe el
nombre de interaccin ( %ue se especifcar/a del siguiente modo:
i i i i i i
u jornada sexo jornada sexo salario + + + +
, 3 2 1

.l parmetro beta cuatro3 en caso de resultar signifcativamente
distinto de cero cuando se realice la estimacin3 nos permitir/a
contrastar la diferencia adicional en el salario en el caso de )una
mu<er a tiempo completo*# >&ora3 la tabla para la interpretacin de
los parmetros %uedar/a del siguiente modo:
Seo U Eipo <ornada Eiempo parcial Eiempo completo
Vombre
1

i
salario
3 1
+
i
salario
Mu<er
2 1
+
i
salario
, 3 2 1
+ + +
i
salario
.s frecuente %ue en modelos econom'tricos de ciencias sociales
apare2can variables dicotmicas me2cladas con variables continuas#
.n este caso3 no podremos interpretar el valor del t'rmino constante
en la ma(or/a de los casos3 pero los parmetros de las variables
dicotmicas (valiendo 'stas D ( 4) s/ sern interpretables cmo )en
cuntas unidades se incrementa la endgena cuando se da el caso en
el %ue toman valor 4*#
Pg.1*/20
A+:n!i(e t:(ni(o& la mat"i> !e In3o"ma(i)n
$artiendo de las ecuaciones normales del modelo (iW46n)
i ki k i i i
u x x x y + + + + + ...
3 3 2 2 1
Si sumamos las )n* epresiones de este tipo3 obtendr/amos una
epresin del modelo matemticamente e%uivalente %ue ser/a:

+ + + + +
i ki k i i i
u x x x y ...
3 3 2 2 1
Sabiendo %ue la suma de las -@es es cero (por &iptesis bsica se
sabe %ue la media de - es cero) ( dividiendo ambos lados de la
igualdad por )n*3 obtendr/amos:
k k
x x x y + + + + ...
3 3 2 2 1
"3 restando a la primera ecuacin esta =ltima (llamada el modelo para
la media):
i k ki k i i i
u x x x x x x y y + + + + + ) ( ... ) ( ) ( ) (
3 3 3 2 2 2 1

.n defnitiva3 llegamos a una epresin e%uivalente del modelo en la
%ue3 en ve2 de utili2ar las variables originales3 se utili2an las variables
en desviaciones a la media3 sin %ue el valor de los parmetros
cambie#
Matemticamente3 es fcil %ue comprobar %ue3 dic&as variables en
desviaciones a la media3 tienen media cero (3 la varian2a3 es la
misma %ue las de las originales3 pues slo se &a reali2ado un cambio
de origen de dic&as variables#
Aolviendo a&ora a la epresin matricial de clculo de los parmetros
estimados para este modelo en desviaciones a la media3 interviene la
matri2 !@!3 tambi'n llamada )matri2 de informacin*# Sabiendo %ue3
en su forma matricial3 el modelo asigna a la matri2 ! las )7* variables
Pg.1+/20
eplicativas en columnas para cada una de las )n* observaciones en
flas3 el resultado del producto !@! ser/a:
1
1
1
1
1
1
]
1

1
1
1
1
1
]
1

1
1
1
1
1
]
1

2
2 3 3
2
2 2
2
2
23
2 22
1 21
2 1
3 32 31
2 21 21
...
...
...
...
...
...
... ...
... ...
...
'
... 1
.
..
..
...
.. .
1
... 1
... 1
...
... ...
...
... ...
...
1 ... 1 1
'
ki ki
i i i
i i
ki i
kn n
k
k
kn n k
n
n
x x
x x x
x x
x x n
X X
x x
x
x x
x x
x x x
x x x
x x x
X X
1bservando la epresin de !@!3 es fcil deducir %ue3 simplemente
dividiendo todos los valores por el n=mero de datos )n*3 tendr/amos:
B .n la diagonal principal3 las varian2as de cada una de las
variables implicadas en el modelo (recu'rdese %ue3 al estar en
desviaciones a la media3 su media es cero3 luego su suma al
cuadrado es directamente la varian2a)#
B .n la primera fla ( en la primera columna3 estar/an las medias
de cada variable#
B .n el resto de celdas de la matri23 estar/an las covarian2as entre
cada par de variables del modelo (nuevamente recu'rdese %ue
las medias son cero)#
.n conclusin3 cuando se emplea la frmula de estimacin de los
parmetros M01:
[ ] Y X X X ' '

.s fcil observar %ue3 para cada parmetro3 se est dividiendo la
covarian2a entre dic&a variable eplicativa ( la endgena entre su
Pg.1,/20
varian2a ( las covarian2as con el resto de las variables !@s %ue
intervienen en el modelo3 eliminando o controlando as/ su efecto#
Pg.20/20