Te sugiero que para poner en práctica todos los análisis citados anteriormente y analizar los resultados de la elección del mejor modelo en modelo de las medidas de rendimiento, como, por ejemplo, el modelo de $R^2$ valor de la AIC (BIC) de valor, etc.; esta debería ser la forma correcta de desarrollar un modelo.
En cuanto a tu pregunta en particular, la literatura sobre el tema sugieren que el modelo a desarrollar sobre la base de que el cambio en los porcentajes de todas las variables que considerar la posibilidad de desarrollar el modelo de factor.
En el asunto de la transformación de la variable dependiente, usted debe considerar la posibilidad de la transformación que en los rendimientos de cumplir con los supuestos del modelo de regresión lineal; de hecho, la logarítmica rendimientos se distribuyen de acuerdo a la distribución Normal si están en el rango [-0.04; +0.04] de acuerdo con la aproximación de Taylor, y es más probable que produzca una distribución normal de los residuos; los valores fuera de este rango deben ser considerados como valores atípicos.
Lo mismo para la variable independiente; debe transformar en cambio en el porcentaje de la variable, si aún no.
Por último, es más fácil analizar log-log modelo de regresión de los resultados de nivel de registro o registro de modelo de nivel.
Como última sugerencia, yo en primer lugar, sugieren que el desarrollo de un modelo teniendo en cuenta el modelo de regresión lineal de la asunción y la prueba de la fiabilidad de dichas hipótesis después de ejecutar el modelo de prueba para la homoschedasticity, autocorrelación, multicolinealidad,...). Por otra parte, tratar de construir un conjunto de datos fiables; utilizando datos trimestrales usted puede tener menos de la observación y obtener resultados sesgados. Así que, si es posible, el uso de datos de mayor frecuencia que el tuyo, como, por ejemplo, mensual, semanal, diaria de datos.
EDIT: ya que el conjunto de datos es bastante pequeño (~96 observaciones), usted debe tratar de obtener más datos para mejorar su análisis mediante la recopilación de datos anteriores a la década de 1990 o más tarde de 2013.