RL Simple Multiple

MODELO DE
REGRESIÓN
LINEAL SIMPLE
MAYRA SÁENZ OVIEDO BSC. MSC.

REGRESIÓN CORRELACIÓN
Sir Francis Galton
• Útil para averiguar la forma (1822 – 1911) • Se refiere a la medición de la
probable de las relaciones entre intensidad de la relación entre
las variables. variables.
• El objetivo es predecir o estimar Vs. • El objetivo es medir el grado de
el valor de una variable que correlación entre variables
corresponde al valor dado de
otra variable
MODELO
PROBABILÍSTICO
LINEAL SIMPLE
MODELO PROBABILÍSTICO LINEAL SIMPLE(CONT.)
¿Cómo se puede construir un modelo de población para describir la relación entre una variable
aleatoria y una variable x independiente relacionada?
•Este modelo describe una relación determinista entre la variable de
interés y (variable de respuesta), y la variable independiente x (variable
de pronóstico)
•La ecuación lineal determina un valor exacto de y, cuando se da el valor

MODELO
de x
PROBABILÍSTICO
LINEAL
SIMPLE(CONT.)
¿Es este modelo es realista para una situación

experimental?
Permite que cada respuesta
individual y se desvíe de la
recta de medias en una
“pequeña cantidad”
Recta de medias: Describe el valor

promedio de y para un valor
determinado de x.

EL ERROR ALEATORIO ∈
Los valores de ∈ satisfacen las siguientes
condiciones:
• Son independientes en el sentido
probabilístico
• Tienen una media de 0 y una varianza
común igual a σ2
• Tienen una distribución normal de
probabilidad.
Recuerde: Este modelo está creado para una población de mediciones que, por lo general, es desconocida.
Pero puede usar la información muestral para estimar 𝛼 y β, cuyos valores permiten formar la recta de mejor
ajuste para un conjunto de datos: Recta de mínimos cuadrados o recta de regresión.
EL MÉTODO DE MÍNIMOS CUADRADOS
PRINCIPIO DE MÍNIMOS CUADRADOS
PRINCIPIO DE MÍNIMOS
CUADRADOS (CONT.)
•
CON LA CALCULADORA!
Ingrese los datos a su calculadora, en el modo
regresión, y verifique:
La recta de mínimos cuadrados es:

¡CON LA CALCULADORA! (CONT.)
Si un alumno de primer año obtuvo x = 50 en el examen, la calificación

pronosticada de cálculo del estudiante es:
MODELO DE
REGRESIÓN
LINEAL
MÚLTIPLE
MAYRA SÁENZ OVIEDO BSC. MSC.

• Es una extensión de la regresión lineal simple, para tomar
en cuenta más de una variable independiente.
MODELO DE • En el modelo de regresión múltiple, se supone que existe
REGRESIÓN una relación lineal entre una variable Y (v. dependiente) y

MÚLTIPLE k variables independientes X1, X2, …, Xk.
• Las variables independientes pueden llevar el nombre

también de variables explicativas o de predicción porque se
usan para explicar la variación en Y o predecir a Y.
LA ECUACIÓN DEL MODELO
SUPUESTOS DEL MODELO DE REGRESIÓN
LINEAL MÚLTIPLE
1. Linealidad: La relación entre la variable dependiente (Y) y la variable independiente (X )
debe ser lineal.
2. Normalidad de los residuos: los residuos deben tener una distribución normal.
3. Homocedasticidad: Los residuos deben tener una varianza constante, a través del valor de
cada variable independiente.
4. Independencia: las variables independientes no están altamente correlacionadas entre sí (la

multicolinealidad dificulta identificar qué variables explican mejor la variable dependiente).
Comprobación de los supuestos
Cómo detectar Multicolinealidad?
Factor de Inflación de la Varianza (VIF):
Obtención de la Ecuación de Regresión Múltiple
Las estimaciones insesgadas de los

parámetros 𝞫 del modelo se obtienen
mediante el método de los mínimos
cuadrados: Minimiza la suma de las
desviaciones elevadas al cuadrado de los
valores observados de Y respecto de la
superficie de regresión resultante
Los Coeficientes de Regresión, 𝞫
La magnitud de cada coeficiente parcial de regresión depende de las unidades en

las que se mida la variable predictora a la que corresponde, por lo que su magnitud
no está asociada con la importancia de cada predictor
Prueba de la Utilidad del Modelo de Regresión
¿En qué forma los vendedores de bienes raíces determinan el precio de venta para un condominio recién inscrito
en lista? La base de datos de una computadora en una pequeña comunidad contiene el precio de venta de lista y
(en miles de dólares), la cantidad de área de vivienda x1 (en cientos de pies cuadrados), así como los números de
pisos x2, recámaras x3 y baños x4, para n = 15 condominios seleccionados al azar actualmente en el mercado.
Se usa un ANOVA para probar la hipótesis nula de que uno o más coeficientes de regresión son
iguales a cero :
Análisis de Regresión: Lista de precios contra pies cuadrados, número de pisos, recámaras, baños
El modelo de regresión es:

El Coeficiente de Determinación R2
Análisis de Regresión: Lista de precios contra pies cuadrados, número de pisos, recámaras, baños
El Análisis de Varianza (ANOVA) de la prueba F

La ecuación de regresión que usa información fafa por las variables predictoras
x1, x2, … xk, ¿es estadísticamente mejor que la predictora simple que no se apoya
en ninguno de los valores de x? Es decir, usaremos una prueba F para probar las
hipótesis:
El Análisis de Varianza (ANOVA) de la prueba F
¿Qué tan bien se ajusta el modelo de

regresión?
R2 indica la proporción de la variación total
que es explicada por la regresión.
La regresión es estadísticamente
significativa (P=0.000): Al menos una de las
variables predictoras está aportando a la
predicción de y
Interpretación de los Resultados de una Regresión
Significativa
Prueba de la significancia de los coeficientes de regresión parcial
¿Todas las variables predictoras agregan información importante para la predicción en
presencia de otras variables predictoras que ya están en el modelo? Las pruebas t individuales
están diseñadas para probar las hipótesis:
Estas pruebas están basadas en la estadística t de Student . El procedimiento es igual que para
la prueba de los coeficientes de regresión.
Interpretación de los Resultados de una Regresión
Significativa
Prueba de la significancia de los coeficientes de regresión parcial
Las variables predictoras, cuyo valor P es menor a 0.05 ó 0.01 (dependiendo del valor de
significancia y confianza que se haya establecido en el diseño del experimento, corresponden a
aquellos predictores que aportan a la explicación de la variable de respuesta.

RL Simple Multiple

Cargado por

Copyright:

Formatos disponibles

RL Simple Multiple

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

RL Simple Multiple

Cargado por

Copyright:

Formatos disponibles

MODELO DE

MAYRA SÁENZ OVIEDO BSC. MSC.

•La ecuación lineal determina un valor exacto de y, cuando se da el valor

¿Es este modelo es realista para una situación

Recta de medias: Describe el valor

MODELO PROBABILÍSTICO LINEAL SIMPLE(CONT.)

La recta de mínimos cuadrados es:

Si un alumno de primer año obtuvo x = 50 en el examen, la calificación

MAYRA SÁENZ OVIEDO BSC. MSC.

MODELO DE • En el modelo de regresión múltiple, se supone que existe

REGRESIÓN una relación lineal entre una variable Y (v. dependiente) y

• Las variables independientes pueden llevar el nombre

4. Independencia: las variables independientes no están altamente correlacionadas entre sí (la

Las estimaciones insesgadas de los

La magnitud de cada coeficiente parcial de regresión depende de las unidades en

El modelo de regresión es:

El Análisis de Varianza (ANOVA) de la prueba F

¿Qué tan bien se ajusta el modelo de

También podría gustarte