Est Ind Clase07

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
FACULTAD DE INGENIERIA INDUSTRIAL
ESTADISTICA INDUSTRIAL
CLASE 07
ANALISIS DE
REGRESIN
MLTIPLE
ING. WILLIAM LEN VELSQUEZ
Introduccin
En clases anteriores se ha tratado el anlisis de regresin
simple que trata de relacionar una variable explicativa

cuantitativa con una variable respuesta cuantitativa.
Todos los temas de esta clase va a servir ahora para
continuar con el caso ms general y de mayor utilidad
prctica, que es la regresin lineal mltiple.
Por regresin lineal mltiple se entiende al
anlisis de regresin lineal pero ahora con ms
de una variable explicativa.
Ing. William len Velsquez
Datos para regresin mltiple

Los datos para regresin lineal simple consisten en pares de
observaciones (xi, yi) de dos variables cuantitativas. Ahora

tendremos mltiples variables explicativas, por lo que la
notacin ser ms elaborada.
Llamaremos xij el valor de la j1 x11 x12 ... x1p y1
sima variable del i-simo sujeto o
2 x21 x22 ... x2p y2
unidad (i=1,2,...,n ; j=1,2,...,p). Los
:
datos se pueden organizar de la
N xn1 xn2 ... xnp yn
siguiente forma en una base:
Donde n es el nmero de casos o tamao muestral y p es el

nmero de variables explicatorias. Esta es una forma de organizar
la base de datos, no importa el orden de las variables.
Modelo de regresin lineal mltiple:

El modelo estadstico de regresin lineal mltiple es:
yi 0 1 xi1 2 xi 2 p xip i
para i= 1, 2, ...,n
La respuesta media es una funcin lineal de las variables

explicatorias:
y 0 1 x1 2 x2 p x p
Las desviaciones son independientes y normalmente distribuidas
con media 0 y desviacin estndar :
i ~ N (0, )
2
Los parmetros del modelo son: y , los coeficiente de regresin y
la estimacin de la variabilidad, es decir son en total (p + 2)

parmetros.
Modelo de regresin lineal mltiple:

Si suponemos que la respuesta media est relacionada
con los parmetros a travs de la ecuacin:
y 0 1 x1 2 x2 p x p
, esto quiere decir que podemos estimar la media de la
variable respuesta a travs de la estimacin de los

parmetros de regresin. Si esta ecuacin se ajusta a la
realidad entonces tenemos una forma de describir cmo
la media de la variable respuesta y vara con las variables
explicatorias .
x1 , x2 ,, x p
Estimacin de los parmetros de regresin

mltiple.
En regresin lineal simple se usa el mtodo de
mnimos cuadrados para obtener estimadores del

intercepto y de la pendiente.
En regresin lineal mltiple el principio es el mismo, pero
necesitamos estimar ms parmetros.
Llamaremos
b0 , b1 ,, b p
parmetros
0 , 1 ,, p
a los estimadores de los

mltiple
La respuesta estimada por el modelo para la i-sima
observacin es:
y i b0 b1 xi1 b2 xi 2 b p xip
El i-simo residuo es la diferencia entre la respuesta
observada y la predicha:
residuo =
y observado y estimado
ei yi y i
El i-simo residuo =
ei yi b0 b1 xi1 b2 xi 2 b p xip

mltiple
El mtodo mnimos cuadrados elige los valores de los
estimadores ptimos, es decir, que hacen la suma de

cuadrados de los residuos menor posible.
En otras palabras, los parmetros estimados minimizan
la diferencia entre la respuesta observada y la respuesta
estimada, lo que equivale a minimizar:
y i
La frmula de los estimadores de mnimos cuadrados para

regresin mltiple se complica porque se necesita notacin
matricial, sin embargo estamos a salvo si entendemos el
concepto y dejaremos a a los software hacer los clculos.

mltiple
El parmetro 2 mide la variabilidad de la respuesta
alrededor de la ecuacin de regresin en la poblacin.

Como en regresin lineal simple estimamos 2 como el
promedio de los residuos al cuadrado:
2
y x
2
i
n p 1
y i
n p 1

mltiple
La cantidad (n-p-1) son los grados de libertad asociados
con la estimacin de la variabilidad: S2y/x

S2y/x es entonces el estimador de la variabilidad de la
respuesta y, tomando en cuenta las variables
explicatorias xj.
Lo distinguimos de
2
y
yi
n 1
que es la
variabilidad de y sin tomar en cuenta las variables

explicativas xj.
Pruebas de significancia e Intervalos de

confianza para los coeficientes de regresin
Se puede obtener intervalos de confianza y prueba de
hiptesis para cada uno de los coeficientes de regresin

como se hizo en la regresin simple.
Los errores estndar de los estadsticos muestrales tienen
frmulas ms complicadas, as es que nuevamente
dejaremos a un programa de software para que realice
los clculos respectivos

Prueba de hiptesis para :
Para probar la hiptesis
H0 : j 0
se usa el test t:
H1 : j 0
bj
EE(b j )
~ t (n p 1)
Donde EE(bj) es el error estndar de bj


EE(bj) es el error estndar de bj
Notas:
Se va a dejar al software el clculo del error estndar de bj
Se tendr entonces una prueba de hiptesis asociado a
cada variable explicatoria en el modelo.
Se puede realizar hiptesis de una cola, donde H1: j < 0 o
H1: j >0 , pero lo usual es hacer una prueba
bilateral.
Intervalo de confianza para j

Un intervalo de confianza ( 1 - )*100% para j est dado
por:
bj t
Donde
1
2
(n p 1) EE (b j )
es el percentil apropiado de la distribucin t
con (n-p-1) grados de libertad, EE(bj) es el error estndar

de bj
Tabla de ANOVA para regresin mltiple

La tabla de anlisis de varianza para la regresin mltiple es la
siguiente:
gl
Fuente de variacin Grados de libertad
Modelo
Residuo
Total
p
n-p-1
n-1
SC
Suma de
Cuadrados
CM
Cuadrados Medios
SCMod ( y y )
n
SC Re s ( yi y i ) 2
i 1
SCT yi y
i 1
SCM od
p
SC Re s
n p 1

La tabla ANOVA es similar a la de regresin simple.
Los grados de libertad del modelo son ahora p en vez de 1,
lo que refleja que ahora tenemos p variables explicatorias

en vez de slo una.
Las sumas de cuadrados representan las fuentes de
variacin. Recuede que la suma de cuadrados total es
igual a la suma de los cuadrados del modelo de regresin
ms la suma de los cuadrados del residuo:
SCT = SCMod + SCRes
El estimador de la varianza 2 de nuestro modelo est
dado por la media cuadrtica residual

MCRes=SCRes/(n-p-1)

Estadstico F
La razn entre el cuadrado medio del modelo y el residuo
F MCMod MC Re s
, permite estimar si la relacin entre las variables
explicatorias y la respuesta es significativa.

La hiptesis que prueba el test F es:
H 0 : 1 2 p 0
H 1 : al menos un j no es cero

La hiptesis nula dice que ninguna de las variables
explicatorias son predictores de la variable respuesta.

La hiptesis alternativa dice que al menos una de las
variables explicatorias est linealmente relacionada con la
respuesta.
Como en regresin simple, valores grandes de F nos dan
evidencia en contra de hiptesis nula.
Cuando H0 es verdadera, el estadstico F tiene
distribucin F de Fisher con (p, n-p-1) grados de libertad.
Los grados de libertad estn asociados a los
grados de libertad del modelo y del residuo en la
tabla ANOVA.

Recuerde que en regresin lineal simple el test F de la
tabla ANOVA es equivalente al test t bilateral para la

hiptesis de que la pendiente es cero.
Ahora, el test F de regresin mltiple prueba la hiptesis
de que todos los coeficientes de regresin (con excepcin
del intercepto) son cero, hiptesis que no es de mucho
inters.
En el problema de regresin mltiple interesan ms las
hiptesis individuales para cada parmetro asociado a
cada variable explicatoria.
Coeficiente de determinacin (R2)

En regresin lineal simple se vio que el cuadrado del
SCReg
r
SCTotal
2
coeficiente de correlacin era
y se poda interpretar como la proporcin de la
variabilidad de y que poda ser explicada por x. Un

coeficiente similar se calcula en regresin mltiple:
SCMod
R
SCTotal
2
( y y )
y y
2
2
Coeficiente de determinacin (R2)
SCMod
R
SCTotal
2
( y y )
y y
2
2
Donde R2 es la proporcin de la variabilidad de la variable
respuesta y que es explicada por las variables

explicatorias en la regresin lineal mltiple.
A menudo se multiplica R2 por 100 y se expresa como
porcentaje. La raz cuadrada de R2 es el coeficiente de
correlacin mltiple, es la correlacin entre las
observaciones yi y los valores predichos y i .
Coeficiente de determinacin (R2) ajustado

Cuando se evala un modelo de regresin lineal
mltiple nos interesa decidir si una variable dada

mejora la capacidad para predecir la respuesta
comparando el R2 de un modelo que contiene la
variable, con el R2 del modelo sin la variable.
El modelo con mejor R2 debera ser el mejor modelo.
Pero se debe ser cuidadoso cuando se compara los
coeficientes de determinacin de dos modelos
diferentes.
La inclusin de una variable adicional en el modelo
nunca provoca la reduccin de R2.
Coeficiente de determinacin (R2) ajustado

Para manejar este problema, se puede utilizar el R2
ajustado, que ajusta por el nmero de variables que hay

en el modelo.
El R2 ajustado es:
n 1
2
R 1
1 R
n ( p 1)
2
a
Un ejemplo
En educacin existe polmica acerca de las notas de los
colegios que se creen estn infladas. Si no estuvieran

infladas esperaramos que las pruebas de ingreso a la
Universidad estn altamente correlacionadas con las
notas de enseanza media.
Revisemos, con datos de la Prueba de Aptitud Acadmica
(PAA) del ao 2001 en una determinada regin, si
podemos explicar las notas de enseanza media con la
PAA.
Un ejemplo
Resumen del modelo
Modelo
1
R
.578a
R cuadrado
.334
R cuadrado
corregida
.334
Error tp. de la
estimacin
81.25283
a. Variables predictoras: (Constante), Prueba Historia y

Geograf a, Prueba Aptitud Matemtica, Prueba Aptitud Verbal
ANOVAb
Modelo
1
Regresin
Residual
Total
Suma de
cuadrados
16400316
32660205
49060521
gl
3
4947
4950
Media
cuadrtica
5466772.0
6602.023
F
828.045
Sig.
.000a
a. Variables predictoras: (Constante), Prueba Historia y Geograf a, Prueba Aptitud

Matemtica, Prueba Aptitud Verbal
b. Variable dependient e: NEM Not as Ens Media
Un ejemplo
Coefici entesa
Coef icientes no
estandarizados
Modelo
1
(Constante)
Prueba Aptitud Verbal
Prueba Aptitud
Matemtica
Prueba Historia y
Geograf a
B
312.088
.153
Error tp.
5.656
.019
.275
.096
a. Variable dependiente: NEM Notas Ens Media
Coef icientes
estandarizad
os
Beta
Interv alo de conf ianza para

B al 95%
Lmite
Lmite inf erior
superior
301.000
323.176
.115
.190
.176
t
55.179
7.993
Sig.
.000
.000
.015
.349
18.133
.000
.245
.304
.019
.098
5.049
.000
.059
.133
Introduccin
Ejemplo
Seis ejecuciones fueron hechas a
varias condiciones de saturacin X1

y transisomers (X2) . La respuesta,
SCI, es listada abajo como Y para
los correspondientes niveles de X1 y
X2.
Introduccin
El grfico para los datos del ejemplo es dado en la figura
1. Slo los modelos de regresin mltiple con dos

variables independientes pueden ser graficados.
Estimacin de mnimos cuadrados

El mtodo de mnimos cuadrados es utilizado para
estimar los parmetros en el modelo de regresin lineal

mltiple

Suponga que se tienen n >k observaciones. Se asume que
E() =0 y V() =2 y que los errores son no correlacionados.

El mtodo de mnimos cuadrados minimiza la suma de
cuadrados
con respecto a cada uno de los parmetros del modelo 0 1
..k .

Luego las ecuaciones normales son:

En esta notacin el modelo se expresa como
con

donde
Y es el vector de observaciones
X es una matriz de n x p niveles de la variable regresora

es un vector p x 1 de coeficientes de regresin
es el vector aleatorio error de orden p x 1 .
Es importante recordar que p=k+1 ecuaciones. Para
obtener la solucin es conveniente utilizar notacin

matricial.

La suma de cuadrados del error es dada por
y de manera anloga a la presentada en la notacin
matricial para regresin simple se obtiene que las

ecuaciones normales son

la cual es similar a las obtenidas anteriormente
Para solucionar las ecuaciones normales se requiere que
exista la inversa de la matriz . Esta existe siempre que las

variables regresoras sean linealmente independientes. As, la
solucin de mnimos cuadrados de vector parmetrico es
Estimacin de mnimos cuadrados. Ejemplo

para los datos del ejemplo tratado el vector Y y la matriz X son
respectivamente

La matriz XX es

Y el vector XY es

El estimador de mnimos cuadrados de es
o

Luego el modelo ajustado por mnimos cuadrados es
Anlisis de Varianza
Una tabla bsica de anlisis de varianza es dada por
Ejemplo 1
El
director de recursos humanos de

Ventas S.A. est entrevistando y
seleccionando nuevos vendedores.
El ha diseado una prueba que le
ayudar a realizar la mejor seleccin
posible para la fuerza de ventas.
Con el fin de probar la validez de la
prueba para predecir las ventas
semanales,
l
eligi
vendedores
experimentados y aplic la prueba a cada
uno. La calificacin de cada vendedor fue
entonces pareada con sus ventas
semanales.
Ejemplo 1
Tabla de datos
Calificaciones y ventas semanales de 5 vendedores de

Ventas S.A.
Ventas
Calificacin
Vendedor
Calificacin
semanales
archivada
Luis
4
5,000
2
Rufino
7
12,000
5
Frida
3
4,000
1
Diego
Jos
6
10
8,000
11,000
4
6
Ejemplo 1
Anlisis de regresin mltiple
La ecuacin de regresin simple que tiene una sola variable
independiente tiene la forma general de y' = a + bx.

En el caso de la regresin mltiple la ecuacin tiene varias
variables independientes:
y' = a + b1x1 + b2x2 + ... + bkxk

donde:
X1, X2, ... Xk son las variables independientes.
a es el punto donde la lnea de regresin cruza el eje de las Y.

b1, b2, ... bk son los coeficientes de regresin.
Ejemplo 1
Estimacin de los coeficientes de regresin
Para encontrar las valores de los
coeficientes de la ecuacin de
regresin ( a, b1, b2, ... bk ) se utiliza
el mtodo de mnimos cuadrados
que consiste en resolver el siguiente
sistema de ecuaciones simultaneas.
Ejemplo 1
= an
+ b1x1
+ b2x2
+ ... + bkxk
x1y
= ax1
+ b1x1x1
+ b2x1x2
+ ... + bkx1xk
x2x
= ax2
+ b1x2x1
+ b2x2x2
+ ... + bkx2xk
...
xky
= axk
...
+ b1xkx1
...
...
+ b2xk x2 + ... + bkxkxk
Ejemplo 1
Las ventas semanales se representan con y,

La calificacin de la prueba con x1, y
Las calificaciones archivadas con x2.
Con estos datos completamos la siguiente
tabla:
Ejemplo 1
Calificaciones y ventas semanales de 5 vendedores de

Ventas S.A.
Vendedor
Luis
Rufino
Frida
Diego
Jos
X1
X2
X12
X22
X1Y
X2Y X1X2
5
12
4
8
11
40
4
7
3
6
10
30
2
5
1
4
6
18
16
49
9
36
100
210
4
25
1
16
36
82
20
84
12
48
110
274
10
60
4
32
66
172
8
35
3
24
60
130
Ejemplo 1
Despus de sustituir estas sumatorias en las
frmulas de las ecuaciones, el sistema de

ecuaciones de la siguiente forma:
Ejemplo 1
Una vez que ya tenemos el sistema de
ecuaciones, se procede a resolverlo con el

mtodo de nuestra preferencia. En este caso
vamos a utilizar el mtodo de Gauss-Jordan
Ejemplo 1
El mtodo de Gauss-Jordan consiste en
convertir la matriz de coeficientes en una

matriz identidad, donde todos los elementos
son nulos salvo los de la diagonal principal
que son 1.
Ejemplo 1
En
la
columna
de
los
trminos
independientes quedarn los valores de los
coeficientes de la ecuacin de regresin.
Ejemplo 1
1. Expresamos el sistema de ecuaciones como una
matriz aumentada:
Ejemplo 1
2. Para convertir el elemento (1,1) en 1, se divide el primer

rengln entre 5.
Para convertir el elemento (2,1) en cero, se multiplica el
rengln 1 por (-30) y se suma al rengln 2.
Ejemplo 1
3. Para convertir el elemento (2,2) en 1, se divide el

segundo rengln entre 30.
Ejemplo 1
4. Para convertir el elemento (3,3) en 1, se divide el tercer

rengln entre 32/30.
rengln 3 por (4/5) y se suma al rengln 1.
rengln 3 por (-22/30) y se suma al rengln 2.
Ejemplo 1
Los valores que estn en la columna de la derecha
corresponden a los valores de los coeficientes de la

ecuacin de regresin, de tal forma que:
a = 560/160 = 3.5
b1 = -936/960 = -.975
b2 = 92/32 = 2.875
La ecuacin de regresin queda:

y' = 3.5 - .975x1 + 2.875x2
Ejemplo 1
Anlisis de correlacin mltiple
Los mismos tres coeficientes utilizados en el anlisis
de correlacin simple para describir la relacin entre

la variable dependiente una variable independiente
son usados en el anlisis de correlacin mltiple.
Estos coeficientes son

el coeficiente de correlacin mltiple,
el coeficiente de determinacin mltiple, y
el coeficiente de no determinacin mltiple
Ejemplo 1
Coeficiente de correlacin mltiple.
El coeficiente de correlacin mltiple es una medida
de la fuerza de la asociacin entre la variable

dependiente y dos o mas variables independientes.
El coeficiente de correlacin mltiple solo puede
tener valores entre 0 y + 1.00 inclusive y se
representa con la letra R.
Un coeficiente cercano a + 1.00 indica una muy
fuerte correlacin entre la variable dependiente y las
variables independientes.
Un coeficiente cercano a 0 revela una dbil
correlacin.
Ejemplo 1
Coeficiente de correlacin mltiple.
El coeficiente de correlacin mltiple se calcula de la
siguiente manera:
Ejemplo 1
Coeficiente de determinacin mltiple.
Es la proporcin de la variacin total en la variable dependiente
( Y ) que es explicada por la serie de variables independientes.

El coeficiente de determinacin mltiple es una medida mas
significativa y precisa para medir la asociacin la variable

dependiente y la s variables independientes.
Se simboliza con R. Lgicamente, el coeficiente de no
determinacin mltiple mide la proporcin de la variacin en la

variable dependiente que no es explicada por las variables
independientes.
Ejemplo 1
En el ejemplo de los cinco vendedores de Ventas S.A. para
calcular el coeficiente de correlacin mltiple utilizamos la

siguiente tabla: y' = 3.5 - .975X1 + 2.875X2
Vendedor
Jos Luis
Rufino
Frida
Diego
Jos
Clemente
y
5
12
4
8
x1
4
7
3
6
x2
2
5
1
4
11
10
y'
y - y' ( y - y )2 y - ( y - )2
5.35 -.35
.1225 - 3
9
11.05 .95
.9025
4
16
3.45
.55
.3025 - 4
16
9.15 -1.15 1.3225 0
0
11
0
2.65
9
50
Ejemplo 1
Se calculan los coeficientes de correlacin y
determinacin mltiple.
Ejemplo 1
INTERPRETACIN
Podemos concluir que hay una fuerte correlacin
entre las ventas y las dos variables independientes,

las calificaciones de la prueba y las calificaciones
archivadas.
Un 94.7% de la variacin de las ventas semanales se
explican por la variacin de las calificaciones de la

prueba y la variacin de las calificaciones
archivadas.
Ejemplo 2:
El propietario de la cadena de cines
CINE PLANET desea estimar el
ingreso semanal neto en funcin de
los gastos de publicidad.
Los datos histricos de una muestra
de 8 semanas son los siguientes:
Ejemplo 2:
Ingresos Brutos
semanales
(en
miles de dlares)
Anuncios en TV
(en miles de dlares)
Anuncios en
peridicos
96
90
95
92
95
94
94
94
5.0
2.0
4.0
2.5
3.0
3.5
2.5
3.0
1.5
2.0
1.5
2.5
3.3
2.3
4.2
2.5
Ejemplo 2:
96
90

95

92
y
95

94
94

948 x1
Planteando matricialmente los datos
1
1
1
1
1
1
1
1
5.0
2.0
4.0
2.5
3.0
3.5
2.5
3.0
1.5
2.0
1.5
2.5
3.3
2.3
4.2
2.5
b
b
8x3
3 x1
Ejemplo 2:
Determinando la ecuacin de regresin

El modelo es:
y b b x b x
0
Entonces primero resolvemos las matrices
para encontrar los parmetros:

1
( X X ) X y
5,9989
-1,0389
-1,0353
-1,0389
0,2239
0,1313
-1,0353
0,1313
0,2491
( X X )
750 83.2301 b0
2401 2.2902 b
1

1856 1.3010 b2
X y
Ejemplo 2:
Finalmente la ecuacin es:
y 83.2301 2.2902 X 1 1.3010 X 2

Coefi cientesa
Coef icientes no
est andarizados
Modelo
1
(Constante)
Anunc ios en TV (en
miles de dlares)
Anunc ios en peridicos
B
83. 230
Error t p.
1. 574
2. 290
.304
1. 301
.321
a. Variable dependiente: Ingres os Brutos semanales
Coef icientes
est andarizad
os
Beta
Interv alo de conf ianza para

B al 95%
L mite
L mite inf erior
superior
79. 184
87. 276
t
52. 882
Sig.
.000
1. 153
7. 532
.001
1. 509
3. 072
.621
4. 057
.010
.477
2. 125
Ejemplo 2:
Finalmente la ecuacin es:
Interpretemos los parmetros estimados de las variables

independientes:
Para b1: Cuando los gastos de anunciar en televisin
varan una unidad y los gastos de anunciar en
peridicos se mantienen constantes, los ingresos
brutos semanales se incrementarn en 2.2902 miles de
dlares.
Para b2: Cuando los gastos de anunciar en televisin se
mantienen constantes y los gastos de anunciar en
peridicos varan una unidad, los ingresos brutos
semanales se incrementarn en 1.3010 miles de
dlares.
Ejemplo 2:
Hallando el error estndar de estimacin

Para lo cual usaremos la frmula abreviada para dos
variables independientes la cual se deriva de la forma general

presentada en las frmulas a utilizar. La frmula es la
siguiente:
y b y b X y b X y
S y. X X
1
n3
Ejemplo 2:
Hallando el error estndar de estimacin

Reemplazando los valores previamente encontrados y
tomando el denominador al valor 3 por ser el nmero de
parmetros q intervienen en la ecuacin:
Resumen del modelo
Modelo
1
R
.959a
R c uadrado
.919
R c uadrado
corregida
.887
Error t p. de la
est imac in
.64259
a. Variables predict oras: (Cons tant e), Anuncios en peridicos

(en miles de dlares), Anuncios en TV (en miles de dlares)
S y. X1 X 2 0.64
Interpretacin: La distancia promedio de los valores

observados alrededor de la ecuacin de regresin es de
0.64. Es decir la dispersin de los valores observados es
0.64.
Ejemplo 2:
Hallando el Coeficiente de Determinacin
Elevamos al cuadrado el coeficiente de correlacin y

encontraremos el coeficiente de determinacin:
r 0.959
r 2 0.919
Resumen del modelo

Modelo
1
R
.959a
R c uadrado
.919
R c uadrado
corregida
.887
Error t p. de la
est imac in
.64259
a. Variables predict oras: (Cons tant e), Anuncios en peridicos

(en miles de dlares), Anuncios en TV (en miles de dlares)
Interpretacin:
r 0.959
r 0.919
2
Aproximadamente el 91.9% de los cambios

producidos en los ingresos brutos semanales son explicados por
los cambios producidos en los gastos de publicidad (en
televisin y peridicos)
Ejemplo 2:
COEFICIENTE DE DETERMINACION
CORREGIDO
SCE
R2Y.12...p= ----------SCTO
n-1
R2Corr.= 1- ((1- R2Y.12.. k ) ---------n-k-1
Necesario cuando se
comparan 2 o + modelos
de regresin que
predicen Y, pero con
diferente N de Xi
Coeficiente de
Determinacin
Mltiple
Representa la porcin de
la variacin en Y que se
puede explicar por Xi
Ejemplo 2:
MATRIZ DE CORRELACION
Correlaci ones
Correlac in de Pears on
Sig. (unilat eral)
Ingres os Brutos
sem anales
(en
m iles de dlares)
Anunc ios en TV (en
m iles de dlares)
(en m iles de dlares)
Ingres os Brutos
sem anales
(en
m iles de dlares)
Anunc ios en TV (en
m iles de dlares)
Ingres os Brutos
sem anales
(en
m iles de dlares)
Anunc ios en TV (en
m iles de dlares)
Ingres os
Brut os
sem anales
(en m iles de
dlares)
Anunc ios en
TV (en m iles
de dlares)
Anunc ios en
peridicos
(en m iles de
dlares)
1. 000
.808
-. 021
.808
1. 000
-. 556
-. 021
-. 556
1. 000
.008
.481
.008
.076
.481
.076
Anova
Ejemplo 2:
H 0 : 1 2 3 ... k 0
H1 : Por lo menos un i 0
ANOVAb
Modelo
1
Regresin
Res idual
Tot al
Suma de
cuadrados
23. 435
2. 065
25. 500
gl
2
5
7
Media
cuadrt ica
11. 718
.413
F
28. 378
Sig.
.002a
a. Variables predict oras : (Const ante), Anuncios en peridicos (en miles de dlares),
Anunc ios en TV (en miles de dlares)
b. Variable dependiente: Ingresos Brut os s emanales
En este caso p = 0.002 < 0.05, por lo que se rechaza Ho, lo

que ratifica la relacin entre las variables.
Ejemplo 3
La Facultad de una Universidad
quiere entender los factores de
aprendizaje de los alumnos que
cursan la asignatura de Gestin de
Proyectos, para lo cual se escoge al
azar una muestra de 7 alumnos y
ellos registran notas promedios en
las asignaturas de Contabilidad
Bsica,
Doctrina
Contable
y
Macroeconoma como se muestran
en el siguiente cuadro.
Ejemplo 3
Alumno
Gestin de
Proyectos
Contabilidad
Bsica
Doctrina
Contable
Macroeconoma
1
2
3
4
5
6
7
13
13
13
15
16
15
12
15
14
16
20
18
16
13
15
13
13
14
18
17
15
13
12
14
16
17
15
11
Determinar la dependencia que exista de aprendizaje reflejada en

las notas de la asignatura de Mtodos Cuantitativos, conociendo
las notas de las asignaturas Contabilidad Bsica, Doctrina Contable
II y Macroeconoma, con un
nivel
significancia del 5%
Ing. William
len de
Velsquez
Ejemplo 3
Calculamos los coeficientes de regresin utilizando las
frmulas de las ecuaciones o mediante un programa
Coeficientesa
Modelo
1
(Constante)
Contabilidad Basica
Doctrina Cont able
Macroeconomia
Coef icientes no
estandarizados
B
Error tp.
3.140
2.529
.054
.309
.189
.189
.501
.390
a. Variable dependient e: Metodos Cuantitativ os
Coef icientes
estandarizad
os
Beta
.088
.248
.739
t
1.241
.175
.999
1.284
Sig.
.303
.872
.391
.289
Ejemplo 3
Por lo tanto podemos construir la ecuacin de
regresin que buscamos:
= 3.140 + 0.054 X1 + 0.189 X2 + 0.501 X3
En el anlisis de regresin mltiple la constante es el
valor de la ecuacin de regresin de la variable
dependiente Y dado que todas las variables
independientes sean iguales a cero.
Ejemplo 3
En los resultados del programas se llama error tpico
y para explicar la relacin del aprendizaje de
Mtodos Cuantitativos que se viene desarrollando es
de 0.529
Resumen del modelo
Modelo
1
R
.967a
R cuadrado
.935
R cuadrado
corregida
.869
Error tp. de la
estimacin
.529
a. Variables predictoras: (Constante), Macroeconomia,

Doctrina Contable, Contabilidad Basica
Ejemplo 3
Calculando el coeficiente de Determinacin en
el ejercicio (con variable independiente).
12.018
12.857
0.934 = R2..Interprete
R = ; Interprete
Ejemplo 3
Trabajando con el ejemplo del curso de Gestin de
Proyectos, veremos que aplicando SPSS, nos saldra
como resultado:
ANOVAb
Modelo
1
Regresin
Residual
Total
Suma de
cuadrados
12.018
.840
12.857
gl
3
3
6
Media
cuadrtica
4.006
.280
F
14.314
a. Variables predictoras: (Constante), Macroeconomia, Doctrina Contable,

Contabilidad Basica
b. Variable dependient e: Metodos Cuantitativ os
A que conclusin podemos llegar al 3% de error?

Sig.
.028a
FIN
Consultas o sugerencias
wjleonv@yahoo.com
85

Est Ind Clase07

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Est Ind Clase07

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE INGENIERIA INDUSTRIAL

simple que trata de relacionar una variable explicativa

Ing. William len Velsquez

Datos para regresin mltiple

observaciones (xi, yi) de dos variables cuantitativas. Ahora

Donde n es el nmero de casos o tamao muestral y p es el

Modelo de regresin lineal mltiple:

La respuesta media es una funcin lineal de las variables

Las desviaciones son independientes y normalmente distribuidas

con media 0 y desviacin estndar :

Los parmetros del modelo son: y , los coeficiente de regresin y

la estimacin de la variabilidad, es decir son en total (p + 2)

Ing. William len Velsquez

Modelo de regresin lineal mltiple:

con los parmetros a travs de la ecuacin:

variable respuesta a travs de la estimacin de los

Ing. William len Velsquez

Estimacin de los parmetros de regresin

mnimos cuadrados para obtener estimadores del

Ing. William len Velsquez

a los estimadores de los

Estimacin de los parmetros de regresin

El i-simo residuo es la diferencia entre la respuesta

Estimacin de los parmetros de regresin

estimadores ptimos, es decir, que hacen la suma de

La frmula de los estimadores de mnimos cuadrados para

Estimacin de los parmetros de regresin

alrededor de la ecuacin de regresin en la poblacin.

Ing. William len Velsquez

Estimacin de los parmetros de regresin

con la estimacin de la variabilidad: S2y/x

variabilidad de y sin tomar en cuenta las variables

Pruebas de significancia e Intervalos de

hiptesis para cada uno de los coeficientes de regresin

Ing. William len Velsquez

Pruebas de significancia e Intervalos de

Donde EE(bj) es el error estndar de bj

Pruebas de significancia e Intervalos de

Intervalo de confianza para j

es el percentil apropiado de la distribucin t

con (n-p-1) grados de libertad, EE(bj) es el error estndar

Tabla de ANOVA para regresin mltiple

Tabla de ANOVA para regresin mltiple

lo que refleja que ahora tenemos p variables explicatorias

Ing. William len Velsquez

Tabla de ANOVA para regresin mltiple

El estimador de la varianza 2 de nuestro modelo est

dado por la media cuadrtica residual

Ing. William len Velsquez

Tabla de ANOVA para regresin mltiple

explicatorias y la respuesta es significativa.

Tabla de ANOVA para regresin mltiple

explicatorias son predictores de la variable respuesta.

Ing. William len Velsquez

Tabla de ANOVA para regresin mltiple

tabla ANOVA es equivalente al test t bilateral para la

Ing. William len Velsquez

Coeficiente de determinacin (R2)

coeficiente de correlacin era

y se poda interpretar como la proporcin de la

variabilidad de y que poda ser explicada por x. Un

Ing. William len Velsquez

Coeficiente de determinacin (R2)