Analisis de Regresion Lineal

UNIVERSIDAD LAICA ELOY ALFARO DE MANABÍ
Nombre: Verónica Jaramillo Parrales

Curso: 8vo Semestre “A”
Profesor: Ec. Gonzalo Caicedo
Fecha: 08/03/2017
ANALISIS DE REGRESION
Mientras mejor sea la predicción, mejor es el modelo para explicar el

En estadística, el análisis de la regresión es un proceso estadístico para
estimar las relaciones entre variables. Incluye muchas técnicas para el
modelado y análisis de diversas variables, cuando la atención se centra en la
relación entre una variable dependiente y una o más variables
independientes (o predictoras). Más específicamente, el análisis de regresión
ayuda a entender cómo el valor de la variable dependiente varía al cambiar el
valor de una de las variables independientes, manteniendo el valor de las otras
variables independientes fijas. Más comúnmente, el análisis de regresión
estima la esperanza condicional de la variable dependiente dadas las variables
independientes - es decir, el valor promedio de la variable dependiente cuando
se fijan las variables independientes. Con menor frecuencia, la atención se
centra en un cuantil, u otro parámetro de localización de la distribución
condicional de la variable dependiente dadas las variables independientes. En
todos los casos, el objetivo de la estimación es una función de las variables
independientes llamada la función de regresión. En el análisis de regresión,
también es de interés caracterizar la variación de la variable dependiente en
torno a la función de regresión, la cual puede ser descrita por una distribución
de probabilidad.
El análisis de regresión es ampliamente utilizado para la predicción y previsión,

donde su uso tiene superposición sustancial en el campo de aprendizaje
automático. El análisis de regresión se utiliza también para comprender cuales
de las variables independientes están relacionadas con la variable
dependiente, y explorar las formas de estas relaciones. En circunstancias
limitadas, el análisis de regresión puede utilizarse para inferir relaciones
causales entre las variables independientes y dependientes. Sin embargo, esto
puede llevar a ilusiones o relaciones falsas, por lo que se recomienda
precaución,1 por ejemplo, la correlación no implica causalidad.
Muchas técnicas han sido desarrolladas para llevar a cabo el análisis de

regresión. Métodos familiares tales como la regresión lineal y la regresión
por cuadrados mínimos ordinarios son paramétricos, en que la función de
regresión se define en términos de un número finito de parámetros
desconocidos que se estiman a partir de los datos. La regresión no
paramétrica se refiere a las técnicas que permiten que la función de regresión
consista en un conjunto específico de funciones, que puede ser
de dimensión infinita.
El desempeño de los métodos de análisis de regresión en la práctica depende

de la forma del proceso de generación de datos, y cómo se relaciona con el
método de regresión que se utiliza. Dado que la forma verdadera del proceso
de generación de datos generalmente no se conoce, el análisis de regresión
depende a menudo hasta cierto punto de hacer suposiciones acerca de este
proceso. Estos supuestos son a veces comprobables si una cantidad suficiente
de datos está disponible. Los modelos de regresión para la predicción son
frecuentemente útiles aunque los supuestos sean violados moderamente,
aunque no pueden funcionar de manera óptima. Sin embargo, en muchas
aplicaciones, sobre todo con pequeños efectos o las cuestiones de causalidad
sobre la base de datos observacionales, los métodos de regresión pueden dar
resultados engañosos.
El análisis de regresión involucra el estudio la relación entre dos variables

CUANTITATIVAS. En general interesa:
 Investigar si existe una asociación entre las dos variables testeando la

hipótesis de independencia estadística.
 Estudiar la fuerza de la asociación, a través de una medida de
asociación denominada coeficiente de correlación.
 Estudiar la forma de la relación. Usando los datos propondremos un
modelo para la relación y a partir de ella será posible predecir el valor de
una variable a partir de la otra.
MODELO
Llamaremos MODELO MATEMÁTICO a la función matemática que

proponemos como forma de relación entre la variable dependiente (Y) y la o las
variables independientes.
La función más simple para la relación entre dos variables es la FUNCIÓN

LINEAL
Y=a+bX
 Esta expresión es una aproximación de la verdadera relación entre X e

Y.
 Para un dado valor de X el modelo predice un cierto valor para Y.
REGRESION LINEAL
En estadística la regresión lineal o ajuste lineal es un modelo
matemático usado para aproximar la relación de dependencia entre
una variable dependiente Y, las variables independientes Xi y un
término aleatorio ε. Este modelo puede ser expresado como:
Donde 𝛽0 es la intersección o término "constante", las 𝐵𝑖 (𝑖 > 0)son los
parámetros respectivos a cada variable independiente, y es el número de

parámetros independientes a tener en cuenta en la regresión. La regresión
lineal puede ser contrastada con la regresión no lineal.

Analisis de Regresion Lineal

Cargado por

Copyright:

Formatos disponibles

Analisis de Regresion Lineal

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Analisis de Regresion Lineal

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD LAICA ELOY ALFARO DE MANABÍ

Nombre: Verónica Jaramillo Parrales

Mientras mejor sea la predicción, mejor es el modelo para explicar el

El análisis de regresión es ampliamente utilizado para la predicción y previsión,

Muchas técnicas han sido desarrolladas para llevar a cabo el análisis de

El desempeño de los métodos de análisis de regresión en la práctica depende

El análisis de regresión involucra el estudio la relación entre dos variables

 Investigar si existe una asociación entre las dos variables testeando la

Llamaremos MODELO MATEMÁTICO a la función matemática que

La función más simple para la relación entre dos variables es la FUNCIÓN

 Esta expresión es una aproximación de la verdadera relación entre X e

Donde 𝛽0 es la intersección o término "constante", las 𝐵𝑖 (𝑖 > 0)son los

parámetros respectivos a cada variable independiente, y es el número de

También podría gustarte