Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 48 vistas

    REGRESION LINEAL Y MULTIPLE Margui

    Cargado por

    Margarita Barraza
    Este documento presenta los conceptos de regresión lineal simple y múltiple. Explica cómo calcular el coeficiente de correlación para medir la relación lineal entre dos variables. Luego, introduce el concepto de ajuste de línea para predecir valores de la variable dependiente basados ​​en valores de la variable independiente. Finalmente, describe cómo extender el modelo de regresión simple a múltiples variables independientes y cómo interpretar los coeficientes resultantes.

    Copyright:

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

    REGRESION LINEAL Y MULTIPLE Margui

    Cargado por

    Margarita Barraza
    48 vistas17 páginas
    Este documento presenta los conceptos de regresión lineal simple y múltiple. Explica cómo calcular el coeficiente de correlación para medir la relación lineal entre dos variables. Luego, introduce el concepto de ajuste de línea para predecir valores de la variable dependiente basados ​​en valores de la variable independiente. Finalmente, describe cómo extender el modelo de regresión simple a múltiples variables independientes y cómo interpretar los coeficientes resultantes.

    Descripción original:

    regresión lineal

    Título original

    REGRESION LINEAL Y MULTIPLE margui

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PPTX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta los conceptos de regresión lineal simple y múltiple. Explica cómo calcular el coeficiente de correlación para medir la relación lineal entre dos variables. Luego, introduce el concepto de ajuste de línea para predecir valores de la variable dependiente basados ​​en valores de la variable independiente. Finalmente, describe cómo extender el modelo de regresión simple a múltiples variables independientes y cómo interpretar los coeficientes resultantes.

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    48 vistas17 páginas

    REGRESION LINEAL Y MULTIPLE Margui

    Cargado por

    Margarita Barraza
    Este documento presenta los conceptos de regresión lineal simple y múltiple. Explica cómo calcular el coeficiente de correlación para medir la relación lineal entre dos variables. Luego, introduce el concepto de ajuste de línea para predecir valores de la variable dependiente basados ​​en valores de la variable independiente. Finalmente, describe cómo extender el modelo de regresión simple a múltiples variables independientes y cómo interpretar los coeficientes resultantes.

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    de 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