Académique Documents
Professionnel Documents
Culture Documents
COEFICIENTE BETA
Cuando el modelo de regresión múltiple tiene unidades de medición que son distintas a
las variables Y, X1, X2,…, XK, no se puede comparar directamente de los coeficientes de
regresión la importancia o la contribución a la predicción de la variable independiente.
En este caso, los coeficientes beta nos proporcionan el método para comparar la
importancia relativa de cada variable independiente en la predicción de la variable
dependiente.
Los coeficientes beta se define como los coeficientes de la estimación estandarizada del
modelo de regresión múltiple estimada, cuyas variables están estandarizadas dadas por:
𝑌− Ῡ 𝑋𝑖−𝑋
𝑖
𝑍𝑌 ,𝑍𝑋𝑖 , i =1,2,…, k.
𝑆𝑟 𝑆𝑥𝑖
Ῡ=b0 + b1x1+b2x2,
𝑍Ῡ = (𝑏1
𝑆𝑋1
𝑆𝑌
) 𝑋
1
𝑧 + (𝑏2 𝑆𝑆 ) 𝑧𝑋1 𝑋2
𝑌
𝑆𝑋𝑖
Beta1= (𝑏𝑖 )
𝑆𝑌
Los coeficientes beta se interpreta como sigue: “por cada unidad estandarizada que
aumenta la variable independiente Xi (cuando las demás X pertenecen constantes),
aumenta betai unidades la variable dependiente Y.
Ejemplo: continuando con el ejemplo 01, se tienen:
Hallamos la varianza
∑𝑛𝑖=1(𝑋𝑖 − 𝑋)2
𝑆𝑋21 =
𝑛−1
𝑆𝑋21 = 10.678
𝑆𝑋1 = √𝑆 2
𝑆𝑋1 = √10.678
𝑆𝑋1 = 3.268
Hallamos la varianza
∑𝑛𝑖=1(𝑋𝑖 − 𝑋)2
𝑆𝑋22 =
𝑛−1
𝑆𝑋21 = 2.767
𝑆𝑋2 = √𝑆 2
𝑆𝑋2 = √2.767
𝑆𝑋2 = 1.663
Hallamos la varianza
∑𝑛𝑖=1(𝑋𝑖 − 𝑋)2
𝑆𝑌2 =
𝑛−1
𝑆𝑌2 = 46.044
𝑆𝑌 = √𝑆 2
𝑆𝑌 = √46.044
𝑆𝑌 = 6.786
𝑆𝑋𝑖
Encontramos Betai = (𝑏𝑖 )
𝑆𝑌
3.268
Beta1 = 0.999 x = 0.481
6.786
1.663
Beta2 = 2.142 x = 0.525
6.786
Básicamente existen métodos descriptivos para medir el nivel de ajustes a los datos de la
muestra.
Donde,
𝑆𝐶𝑅 = ∑𝐾
𝑖=1 𝑏1 𝑆𝑋1 𝑌 Y 𝑆𝑋1 𝑌 = ∑𝑖=1 𝑋𝑖 𝑌 − 𝑛𝑋𝑖 Ῡ
𝑛
𝑆𝐶𝑅
𝑅2 =
𝑆𝐶𝑇
𝑆𝐶𝑅
𝑅2 =
𝑆𝐶𝑇
SCT = 414.4
Hallamos 𝑆𝐶𝑅 = ∑𝐾
𝑖=1 𝑏𝑖 𝑆𝑋𝑖 𝑌
SCR = 408.348
408.348
Remplazando el R2 =
414.4
R2 = 0.985
𝑆𝐶𝐸/(𝑛−𝑘−1)
𝑅𝐴2 = 1-
𝑆𝐶𝑇/(𝑛−1)
SCE = 6.052
2 6.052/(10−2−1)
Reemplazando en 𝑅𝐴 = 1-
414.4/(10−1)
𝑅𝐴2 = 0.981