Grupo 4 Analisi de Regresion

ANÁLISIS DE REGRESIÓN
Definición:
Cuando hablamos de análisis de regresión nos referimos a la técnica o método de análisis
que se utiliza y que calcula la relación que existe entre una variable dependiente y una o
varias variables explicativas. Esto quiere decir que con el análisis de regresión será posible
verificar la relación entre las variables que se han elegido observando los valores en que se
basa un modelo para identificar cuál tiene mayor impacto con respecto a un tema de interés.
Importancia: El análisis de regresión se encuentra útil para una organización pues permite
determinar el grado de las variables independientes y dependientes y su influencia. también
permite explicar los fenómenos o predecir acerca del futuro obteniendo información valiosa
y desarrollable. Gracias a este método se puede obtener información sobre costos,
funciones de las variables, entre otros.
Para el proceso de un análisis de regresión tenemos:
Variable(s) dependiente(s): Se considera el factor más importante es el que se

trata de entender o predecir.
Variable(s) independiente(s): Se considera que es el factor que se cree que puede
impactar en la variable dependiente.
Modelos de Regresión:
- Modelo de regresión lineal simple: Esta es la técnica mas utilizada, es una forma
que permite modelar una relación entre dos conjuntos de variables y el resultado es una
ecuación la cual se puede utilizar para hacer proyecciones o estimaciones sobre los datos.
El modelo de regresión lineal simple se caracteriza por predecir la variable dependiente a
través de la siguiente ecuación:
E(Y/x) = 0 + β1 x
Donde la ordenada al origen β0 y la pendiente β1 son coeficientes desconocidos de la
regresión.
- Modelo de regresión lineal múltiple: Es una técnica estadística la cual se encarga

de analizar situaciones que involucran más de una variable. Este método nos permite
identificar cuales son las variables independientes, pueden explicar porque lo son,
comprobar sus causas y predecir la forma aproximada de sus valores. El modelo de
regresión lineal múltiple puede ser descrito a partir de la siguiente ecuación:
Y = 0 + β1X1 + β2X2 + … + βnXn + ε
Donde Y es una variable dependiente, β representa sus estimadores y la ε representa el
residuo o error.
- Modelo de regresión no lineal: Este proceso más complicado donde puede ocurrir
que en el número de parámetros no coincida con el de variables explicativas. Un ejemplo de
un modelo no lineal en los parámetros sería el dado por la siguiente función exponencial:
Υ= αΧ β
En muchas ocasiones se pueden transformar las variables originales para convertir la
función no lineal en una lineal y así, aplicar dichas técnicas. Por lo tanto, si la no linealidad
afecta solamente a las variables explicativas, pero no a los coeficientes, se pueden definir
nuevas variables.
Análisis de Regresión Lineal como la base del estudio
Vamos a limitarnos inicialmente al estudio del denominado modelo de regresión lineal

simple, que considera una sola variable explicativa:
En aplicaciones más prácticas dispondremos de una muestra de observaciones de ambas

variables, y el modelo anterior sugiere que la relación entre las dos variables se satisface
para cada una de las observaciones correspondientes.
Pero en algunas ocasiones especificaremos modelos de relación para estimar el

comportamiento de determinados agentes económicos. Un ejemplo importante para esto
consiste en entender la evolución del consumo agregado del sector privado de una
economía real. Para ello, consideraríamos el modelo siguiente:
Donde Yi denota el PIB del país, o la renta disponible del sector privado (renta total, menos
impuestos, más transferencias), según el alcance que se quiera dar al análisis. Los
subíndices hacen clara referencia al hecho de que éste será un modelo a estimar con datos
de series temporales.
Entendiéndose como series temporales al conjunto de observaciones producidas durante

un período, semanal, trimestral o anual, generalmente a intervalos iguales . El coeficiente
indica la variación que experimenta el consumo privado del país al variar, a lo largo del ciclo
económico y la variable renta que hayamos incorporado como variable explicativa.
Donde básicamente “y” es la variable respuesta y “x” la variable predictora.
Anomalías de la Regresión Lineal Simple: Cambio Estructural
El concepto de cambio estructural no tiene una definición única puesto que depende del
entorno en el cual se utilice. Además este concepto se entiende de manera diferente por
distintos autores; lo que se busca es: “decidir si un cambio ha ocurrido en el periodo de
observación y en caso que este se hubiera dado, se buscará determinar cuándo ocurrió”. Es
decir, esta prueba parte del hecho de que se conoce en qué momento sucede el cambio
estructural,es decir, se supone que se puede dividir una muestra de tamaño n en dos
submuestras independientes una de la otra de tamaño n1 y n2 respectivamente, n = n1+n2,
en donde el error de ambas submuestras presenta una distribución normal con media cero y
varianza σ2.
Un problema frecuente en estos casos era que la región de integración es compleja por lo
cual no existía una solución analítica simple, entonces para tener la región crítica se recurrió
a efectuar una integración forzada, que consiste en tomar puntos regulares y formar
intervalos para visualizar los cambios inestables. Como en el ejemplo que se ha podido
apreciar que corresponde a la inflación de México.
Regresión lineal Múltiple
Supongamos que una empresa inmobiliaria quiere determinar el precio de una casa en una
determinada zona. Para hacerlo, recolecta información de las características de varias
casas en la misma zona, como el tamaño de la casa, el número de habitaciones, la
ubicación, el tipo de casa, la antigüedad, entre otras variables.
A continuación, la empresa utiliza un análisis de regresión para determinar qué variables

tienen mayor influencia en el precio de la casa. En este caso, se utiliza una regresión lineal
múltiple para predecir el precio de la casa basado en las variables de entrada.
Una vez que se ha ajustado el modelo, se pueden realizar predicciones del precio de la
casa basado en las características de la misma. Por ejemplo, si se tiene una casa de 200
metros cuadrados, 3 habitaciones, ubicada en una zona exclusiva y con una antigüedad de
5 años, se puede utilizar el modelo de regresión para predecir el precio de la casa.
Mínimos cuadrados ordinarios

El estimador de mÌnimos cuadrados que introducimos en esta secciÛn utiliza como criterio
la minimizaciÛn de la Suma de los Cuadrados de los Residuos (SCR), o también Suma
Residual, aunque hay que recordar que es una suma de cuadrados.
Este método es una forma de regresión lineal múltiple, lo que significa que la
relación entre las variables dependientes y las variables independientes se
debe modelar ajustando a una ecuación lineal a los datos observados.
Para una visión más habitual se puede ajustar esta ecuación a la siguiente:
Coeficiente de Determinación
El indicador del grado de ajuste de un modelo de regresión disminuye

cuando queremos comparar la bondad del ajuste de dos modelos que tienen
una variable dependiente diferente. En tal caso, no es en absoluto cierto que
el modelo con menor indicador sea el modelo con mejor ajuste; de hecho, no
podremos afirmar nada al respecto, salvo que establezcamos alguna medida
relativa de grado de ajuste, que es lo que hacemos en esta sección.El R2 ,
es un indicador sin unidades:
Elevando al cuadrado tenemos:
Es importante saber que el resultado del coeficiente de determinación oscila entre 0

y 1. Cuanto más cerca de 1 se sitúe su valor, mayor será el ajuste del modelo a la
variable que estamos intentando explicar.
Las dificultades del método de Mínimos Cuadrados en modelos no lineales
Fuentes:
● https://doc.arcgis.com/es/insights/latest/analyze/regression-analysis.htm#:
~:text=El%20an%C3%A1lisis%20de%20regresi%C3%B3n%20se,desconocidos
%20de%20la%20variable%20dependiente
● https://www.ucm.es/data/cont/docs/518-2013-11-13-Analisis%20de%20Regr
esion.pdf
● Cursos de “Fundamentos de la Economía” y “Econometría” ………..Grandes

ponentes y catedráticos: Ridberth Marcelino Ramirez Miranda y Geraldine
Judith Vigo Chacon
● https://www.ucm.es/data/cont/media/www/pag-41459/Modelos%20no%20li
neales.pdf

Grupo 4 Analisi de Regresion

Cargado por

Copyright:

Formatos disponibles

Grupo 4 Analisi de Regresion

Cargado por

Información del documento

Título original

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

Grupo 4 Analisi de Regresion

Cargado por

Copyright:

Formatos disponibles

ANÁLISIS DE REGRESIÓN

Para el proceso de un análisis de regresión tenemos:

Variable(s) dependiente(s): Se considera el factor más importante es el que se

- Modelo de regresión lineal múltiple: Es una técnica estadística la cual se encarga

Análisis de Regresión Lineal como la base del estudio

Vamos a limitarnos inicialmente al estudio del denominado modelo de regresión lineal

En aplicaciones más prácticas dispondremos de una muestra de observaciones de ambas

Pero en algunas ocasiones especificaremos modelos de relación para estimar el

Entendiéndose como series temporales al conjunto de observaciones producidas durante

Anomalías de la Regresión Lineal Simple: Cambio Estructural

Regresión lineal Múltiple

A continuación, la empresa utiliza un análisis de regresión para determinar qué variables

Mínimos cuadrados ordinarios

El indicador del grado de ajuste de un modelo de regresión disminuye

Elevando al cuadrado tenemos:

Es importante saber que el resultado del coeficiente de determinación oscila entre 0

Las dificultades del método de Mínimos Cuadrados en modelos no lineales

● Cursos de “Fundamentos de la Economía” y “Econometría” ………..Grandes

También podría gustarte