Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 6 vistas

    Regresión y Correlación Múltiple

    Cargado por

    alefoster164

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Regresión y Correlación Múltiple

    Cargado por

    alefoster164
    6 vistas11 páginas

    Título original

    Regresión y correlación Múltiple

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    6 vistas11 páginas

    Regresión y Correlación Múltiple

    Cargado por

    alefoster164

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 11

    ÍNDICE

    Regresión y correlación Múltiple 3


    3.2
    Análisis de regresión múltiple y el método de
    3
    3.2.1 los mínimos cuadrados

    El coeficiente de determinación Múltiple y el


    4
    3.2.2 error estándar múltiple de estimación

    3.2.3 Análisis de varianza para la regresión Múltiple 5

    3.2.4 Análisis de residuales 6

    1
    Introducción
    La regresión y correlación múltiple son herramientas estadísticas fundamentales que permiten
    analizar la relación entre varias variables independientes y una variable dependiente. Este
    análisis es crucial en diversas disciplinas, desde la economía hasta la biología, ya que ayuda a
    entender cómo múltiples factores influyen en un resultado específico.

    Análisis de Regresión Múltiple


    El análisis de regresión múltiple se basa en el método de los mínimos cuadrados, que busca
    minimizar la suma de los cuadrados de las diferencias (residuos) entre los valores observados
    y los valores predichos por el modelo. Este enfoque permite ajustar una función lineal a un
    conjunto de datos, proporcionando estimaciones precisas de los coeficientes que representan
    las relaciones entre las variables.

    Coeficiente de Determinación y Error Estándar


    El coeficiente de determinación múltiple, comúnmente denotado como R2, mide la
    proporción de la variabilidad en la variable dependiente que puede ser explicada por las
    variables independientes en el modelo. Un R2 más alto indica un mejor ajuste del modelo a
    los datos. Además, el error estándar de estimación proporciona una medida de la precisión del
    modelo al estimar valores, reflejando la dispersión de los residuos.

    Análisis de Varianza
    El análisis de varianza (ANOVA) para regresión múltiple es una técnica que permite evaluar
    la significancia global del modelo. A través de esta técnica, se puede determinar si al menos
    una de las variables independientes tiene un efecto significativo sobre la variable
    dependiente, comparando la variabilidad explicada por el modelo con la variabilidad no
    explicada.

    Análisis de Residuales
    Finalmente, el análisis de residuales es esencial para validar el modelo. Los residuos son las
    diferencias entre los valores observados y los valores predichos; su análisis ayuda a
    identificar patrones no capturados por el modelo y a verificar supuestos como la
    homocedasticidad y la normalidad. Un examen cuidadoso de estos residuos puede
    proporcionar información valiosa sobre la calidad del ajuste y posibles mejoras en el modelo.
    En resumen, el análisis de regresión múltiple es una herramienta poderosa para entender
    relaciones complejas entre variables, y su correcta aplicación puede ofrecer insights
    significativos en diversas áreas del conocimiento.

    2
    3.2 Regresión y correlación múltiple
    El propósito del análisis de regresión y correlación es el estudio de la relación existente entre
    dos variables aleatorias, una denominada independiente y otra denominada dependiente.

    Regresión

    En estadística, el análisis de la regresión es un proceso estadístico para entender cómo una


    variable depende de otra variable. Por ejemplo, si se requiere entender cómo la edad de una
    persona afecta a su salario, se puede usar la
    regresión para encontrar una relación entre las dos
    variables. En términos simples, la regresión es una
    línea que se traza en un gráfico que muestra la
    relación entre dos variables. Un modelo de
    regresión lineal múltiple es un modelo estadístico
    versátil para evaluar las relaciones entre un destino
    continuo y los predictores.
    Los predictores pueden ser campos continuos, categóricos o derivados, de modo que las
    relaciones no lineales también estén soportadas. El modelo es lineal porque consiste en
    términos de aditivos en los que cada término es un predictor que se multiplica por un
    coeficiente estimado. El término de constante (intercepción) también se añade normalmente
    al modelo.

    Correlación múltiple

    La correlación múltiple cuantifica el grado de asociación entre una variable dependiente y


    dos o más independientes, tomadas en conjunto, Al igual que el coeficiente de correlación de
    Pearson, del que se puede considerar una extensión, encuentra su fundamento en el análisis
    de la regresión, en este caso múltiple.
    Varía entre 0 y 1, y se presenta separando
    la variable dependiente de las
    independientes con un punto. Estudia el
    grado de dependencia entre las variables,
    es decir su objetivo es medir el grado de
    ajuste existente entre la función teórica
    (función ajustada) y la nube de puntos. Por lo tanto, una variable independiente que presente
    un alto grado de correlación con una variable dependiente será muy útil para predecir los
    valores de ésta última. Cuando la relación entre las variables es lineal, se habla de correlación
    lineal

    3.2.1 Análisis de regresión múltiple y el método de los mínimos cuadrados

    La regresión lineal múltiple permite generar un modelo lineal en el que el valor de la variable
    dependiente o respuesta (Y) se determina a partir de un conjunto de variables independientes

    3
    llamadas predictores (X1, X2,X3…). Es una extensión de la regresión lineal simple,

    Los modelos lineales múltiples siguen la siguiente ecuación:

    Yi=(β0+β1X1i+β2X2i+⋯+βnXni)+ei

    ● β0: es la ordenada en el origen, el valor de la variable dependiente


    ● Y cuando todos los predictores son cero.
    ● βi: es el efecto promedio que tiene el incremento en una unidad de la variable
    predictora
    ● Xi sobre la variable dependiente
    ● Y, manteniéndose constantes el resto de variables. Se conocen como coeficientes
    parciales de regresión.
    ● ei: es el residuo o error, la diferencia entre el valor observado y el estimado por el
    modelo.
    Mínimos cuadrados es una técnica de análisis numérico enmarcada dentro de la optimización
    matemática, en la que, dados un conjunto de pares ordenados —variable independiente,
    variable dependiente— y una familia de funciones, se intenta encontrar la función continua,
    dentro de dicha familia, que mejor se aproxime a los datos (un "mejor ajuste"), de acuerdo
    con el criterio de mínimo error cuadrático.

    3.2.2 El coeficiente de determinación múltiple y el error estándar múltiple de


    estimación

    El coeficiente de determinación puede interpretarse como la proporción de la variabilidad de


    la variable dependiente.El resultado multiplicado por 100 se puede determinar como el
    porcentaje de la variabilidad explicada en la ecuación de regresión estimada.Donde R2 es la
    división de Sumatoria de cuadrados residuales (SCR), entre la sumatoria de total de
    cuadrados (STC)

    4
    Fórmula:

    Error estándar múltiple de estimación


    Es una estimación de la cantidad que el valor de una estadística de prueba varía de muestra a
    muestra. Es una medida de la incertidumbre de la estadística de prueba. Mediante esta medida
    de dispersión se hace más preciso el grado de dispersión alrededor del plano de regresión, se
    hace más pequeño.
    Donde:
    N = Es el número de observaciones
    p = Es el número de variables independientes

    3.3Análisis de varianza para la regresión múltiple (ANOVA)

    ANOVA

    El Análisis de Varianza (ANOVA) para regresión múltiple evalúa si el modelo de regresión


    explica significativamente la variabilidad de los datos. Compara la variabilidad explicada por
    el modelo con la no explicada (error), utilizando la prueba F para determinar si las variables
    independientes tienen un efecto significativo sobre la dependiente.

    5
    Objetivos

    - Evaluar la significancia de la relación entre variables.


    - Identificar las variables independientes que tienen un impacto significativo en la variable
    dependiente.
    - Determinar la proporción de varianza explicada por el modelo.

    Suposiciones

    - Linealidad entre variables.


    - Independencia de observaciones.
    - Homocedasticidad (varianza constante).
    - Normalidad de residuos.

    Componentes clave

    - Suma de cuadrados (SS): medida de la varianza total.


    - Grados de libertad (df): número de valores independientes.
    - Media cuadrática (MS): medida de la varianza promedio.
    - F: estadístico que compara la varianza entre grupos.

    Prueba F

    - H0: No hay relación significativa entre variables.


    - H1: Hay relación significativa entre variables.
    - p-valor: probabilidad de obtener un resultado igual o más extremo.

    Limitaciones

    - No evalúa la causalidad.
    - Sensibilidad a outliers y violaciones de suposiciones.
    - No es adecuado para variables categóricas.

    Recuerda que la interpretación de los resultados debe ser cuidadosa y considerar las
    limitaciones del análisis.

    3.2.4 Análisis de residuales

    CONCEPTO
    El análisis de residuales es el principal método estadístico para verificar si las suposiciones
    del modelo de regresión son válidas. Aun cuando no se encuentre ninguna violación, esto no
    necesariamente implica que el modelo vaya a proporcionar buenas predicciones.

    6
    Análisis de los residuos que se usa para determinar si parecen ser válidas las suposiciones
    hechas acerca del modelo de regresión. El análisis de residuales también se usa para
    identificar observaciones atípicas y observaciones influyentes.

    RESIDUAL i: Es la diferencia que existe entre el valor observado de la variable dependiente


    y el valor pronosticado empleando la ecuación de regresión estimada; para la observación i,
    el residual i es:

    Gráfica de residuales contra x


    La gráfica de residuales contra la variable independiente x
    es una gráfica en la que los valores de la variable
    independiente se representan en el eje horizontal y los
    valores de los residuales correspondientes se representan en
    el eje vertical.

    Gráfica de residuales contra y ^


    En otra gráfica de residuales los valores pronosticados para
    la variable dependiente se representan en el eje horizontal y
    los valores de los residuales en el eje vertical. A cada
    residual corresponde un punto en la gráfica.
    En el análisis de regresión múltiple, la gráfica de residuales
    contra se usa más debido a que se tiene más de una variable
    independiente.

    Para la adecuada interpretación de las gráficas de residuales experiencia y criterio son muy
    importantes. Es raro que una gráfica de residuales tenga exactamente la forma de una de las
    gráficas presentadas en la figura. Sin embargo, los analistas que realizan frecuentemente
    estudios de regresión y gráficas de residuales se vuelven expertos en reconocer las diferencias
    entre las formas razonables y las que indican que se puede dudar de las suposiciones del
    modelo. Una gráfica de residuos proporciona una técnica para evaluar la validez de las
    suposiciones en un modelo de regresión.
    Observación atípica: Dato u observación que no sigue la tendencia del resto de los datos.
    Puede tratarse de datos erróneos; si es así, esos datos deben ser corregidos. Puede tratarse de
    una violación a las suposiciones del modelo; si es así, habrá que considerar otro modelo. Por
    último, puede tratarse, simplemente, de valores inusuales que se presenten por casualidad. En
    ese caso, esos valores deberán conservarse.

    7
    Observación influyente
    Observación en la que la variable independiente tiene un valor extremo
    La recta de regresión estimada tiene pendiente negativa, pero si la observación influyente se
    elimina del conjunto de datos, la pendiente de la recta de regresión estimada cambia de
    negativa a positiva y la intersección con el eje y es menor.

    Las observaciones influyentes deben examinarse cuidadosamente dado el gran efecto que
    tienen sobre la ecuación de regresión estimada. Lo primero que hay que hacer es verificar que
    no se haya cometido algún error al recolectar los datos. Si se cometió algún error, se corrige y
    se obtiene una nueva ecuación de regresión estimada. Si la observación es correcta, puede
    uno considerarse afortunado de tenerla. Tal dato, cuando es correcto, contribuye a una mejor
    comprensión del modelo adecuado y conduce a una mejor ecuación de regresión estimada

    8
    Conclusión

    Conclusión sobre Regresión y Correlación Múltiple


    El análisis de regresión y correlación múltiple se presenta como una metodología esencial
    para desentrañar las complejas interacciones entre múltiples variables independientes y su
    impacto en una variable dependiente. A través del método de los mínimos cuadrados, se logra
    ajustar un modelo que proporciona estimaciones precisas de los coeficientes, permitiendo así
    entender la magnitud y dirección de estas relaciones.

    El coeficiente de determinación múltiple, R2, se convierte en una herramienta clave para


    evaluar la efectividad del modelo, ya que indica la proporción de variabilidad explicada por
    las variables independientes. Un alto valor de R2 no solo sugiere un buen ajuste, sino que
    también resalta la relevancia de las variables incluidas en el análisis.

    El análisis de varianza (ANOVA) complementa este estudio al ofrecer una evaluación global
    de la significancia del modelo. A través de esta técnica, se puede determinar si al menos una
    de las variables independientes contribuye significativamente a explicar la variabilidad en la
    variable dependiente, lo que refuerza la validez del modelo.
    Por último, el análisis de residuales es crucial para validar los supuestos del modelo y
    garantizar su robustez. Al examinar los residuos, se pueden identificar patrones que indiquen
    posibles deficiencias en el ajuste, lo que permite realizar ajustes necesarios para mejorar la
    precisión del modelo.

    En conclusión, el análisis de regresión y correlación múltiple no solo proporciona una


    comprensión profunda de las relaciones entre variables, sino que también ofrece un marco
    riguroso para la toma de decisiones informadas en diversas disciplinas. Su correcta aplicación
    y análisis son fundamentales para extraer conclusiones válidas y útiles en la investigación y
    práctica profesional.

    9
    Referencias

    Bencardino, C. M. (2019). Estadística básica aplicada. Ecoe ediciones.


    Cardona, D., González Rodríguez, J. L., Rivera Lozano, M., & Cárdenas Vallejo, E. (2013). Inferencia
    estadística módulo de regresión lineal simple.
    Ostle, B. (1973). Estadística aplicada (p. 629). Limusa.

    10

    También podría gustarte