REGRESION LINEAL Y MULTIPLE Margui

Descargar como pptx, pdf o txt
Descargar como pptx, pdf o txt
Está en la página 1de 17

REGRESION LINEAL

Y MULTIPLE
MARGARITA ROSA BARRAZA RODRIGUEZ
Análisis de Correlación
Un análisis de correlación expresa la relación entre

dos variables utilizando un único numero.

El coeficiente de correlación es una medida de

asociación lineal entre dos variables.

El coeficiente de correlación nos da una pauta de

cual alineada esta la nube de puntos (grafico de

dispersión) en torno a una recta.

Pero no no dice cual es esa relación (función), ni

puede capturar relaciones no lineales.


Fitting line

Utilice la base de datos en Excel: ventas.xls

que contiene datos de ventas e inversión en

publicidad de una compañía entre 1993 y

2007. Compruebe que el coeficiente de

correlación da 0.904. Construya un grafico

de dispersión entre las ventas y los gastos

de publicidad. Prediga cuanto espera

vender el próximo año si va a gastar 10 mil

en publicidad
Los estimadores MCO
Bondad de ajuste
 Una vez estimado el modelo nos
interesa saber: ¿Qué porcentaje de la
variabilidad en y ésta siendo explicada
por X? ¿Son las observaciones
cercanas a la recta estimada?

 
 Una vez estimado el modelo nos
interesa saber: ¿Que porcentaje de la
variabilidad en y esta siendo explicada
por X? ¿Son las observaciones cercanas
a la recta estimada? Para responder a
estas preguntas podemos calcular el o
coeficiente de determinación.
Análisis de regresión múltiple

 Al estimar un modelo de regresión simple, hay muchas variables que pueden afectar a y que no están
siendo evaluadas.

 Eventualmente, podríamos encontrarnos en el problema de sesgo por variables omitidas si omitimos una
variable que esta correlacionada con X .

 Un modelo de regresión múltiple es un caso más realista (e interesante).

El modelo de regresión múltiple es una extensión del simple adicionando más errores:

yi = β0 + β1X1i + β2X2i + ... + βk Xki + εi


donde ahora hay k variables explicativas y k + 1 parámetros a estimar.

El modelo es lineal en los β (coeficientes de regresión), que son los parámetros desconocidos y que
estimaremos por MCO para obtener:
yˆi = βˆ0 + βˆ1X1i + βˆ2X2i + ... + βˆk Xki
Interpretación de Coeficientes

Ejemplo
Bondad de ajuste

 El R2 tiene la interpretación usual (si el


modelo incluye constante). Pero tiene
un gran problema: tiende a aumentar
en la medida en que incorporamos más
errores.

¿Que pasa si tenemos dos o más modelos


alternativos para explicar a y , pero uno
tiene más errores que otro? ¿Con cual me
quedo?
Aplicación - Estimando la
demanda de un producto

Se desea estimar la demanda de un producto a

partir de la base de datos de Excel

demanda.xlsx, la cual contiene datos 28

ciudades sobre: consumo (miles de unidades

físicas) precio (en pesos) ingreso (per cápita,

en miles de pesos) publicidad (en millones de

pesos) precio competencia (en pesos)


Aplicación - Estimando la demanda de un producto
 Si la empresa esta interesada en lanzar su producto en una nueva ciudad:
con un ingreso per cápita de $29 mil, a un precio de $16,
invirtiendo $60 millones en publicidad, y
sabiendo que el precio de la competencia es de $19.
¿Cual es la demanda esperada de este producto en la nueva ciudad?

 Si la empresa esta interesada en lanzar su producto en una nueva ciudad:


con un ingreso per cápita de $29 mil, a un precio de $16, invirtiendo $60
millones en publicidad, y sabiendo que el precio de la competencia es de
$19. ¿Cual es la demanda esperada de este producto en la nueva ciudad?
Recomendación: Re-estimar el modelo sin el precio de la competencia
(no significativo y con signo contrario a lo esperado) Reemplazar los
valores específicos de esta ciudad en la regresión para obtener el valor
esperado (consumo \ = 118.3).

También podría gustarte