Académique Documents
Professionnel Documents
Culture Documents
Carlos N. Lozano
Introducción
Técnica que permite estimar, proyectar o describir el comportamien-
to de una variable dependiente cuantitativa en función de otras
independientes, generalmente también cuantitativas, que se pre-
sume inciden o modican el comportamiento de esta. Y puede ser
modelada como una línea recta.
y = βo + β1 x (1)
400
50
20000
200
0 10000
0
0
−50 −200
Correlación
n
1
X xi − x̄ yi − ȳ
ρ=r =
n−1 sx sy
i=1
Varía entre -1 a 1 .
Valores cercanos a -1 indican relación lineal fuerte negativa.
Valores cercanos a 1 indican relación lineal fuerte positiva.
Valores cercanos a 0 no hay relación.
Ho : ρ = 0 (2)
Ha : ρ 6= 0 (3)
Ho se pone a prueba:
n−2
r
ts = r
1 − r2
Los valores críticos son obtenidos de una distribucion t Student, con
n - 2 gl
Modelo de regresión
y =
|{z} β
|o +
{zβ1x} +
|{z}
VD Componente lineal Erroraleatorio
yb = βbo + βb1x +
Interpretación
βb1 : Cuánto se espera que cambie la variable dependiente
(respuesta) por unidad de cambio en Xi.
βbo : Intercepto con y.
yb: es el valor estimado de y dado un valor de x.
Proceso de estimación
(yi − ybi )2
X
min
Donde,
yi = Valor observado de variable dependiente para la ith
observación
ybi = valor estimado de la variable dependiente para la ith
observación
(yi − ybi )2
X
min
Donde,
yi = Valor observado de variable dependiente para la ith
observación
ybi = valor estimado de la variable dependiente para la ith
observación
Estimación β1
P P P
x y − ( xi y )/n
βb1 = Pi i 2 P 2 i
xi − ( x2 ) /n
(yi − ybi )2
X
min
Donde,
yi = Valor observado de variable dependiente para la ith
observación
ybi = valor estimado de la variable dependiente para la ith
observación
Estimación β1
P P P
x y − ( xi y )/n
βb1 = Pi i 2 P 2 i
xi − ( x2 ) /n
Estimación β0
βb0 = yb − βb1 x̄
Carlos N. Lozano Regresión lineal y Correlación
Regresión múltiple
SST
|{z} = SSR
|{z} + PSSE
|{z}
P P
(y −ȳ )2 y −ȳ )2
(b (y −b
y )2
SST
|{z} = SSR
|{z} + PSSE
|{z}
P P
(y −ȳ )2 y −ȳ )2
(b (y −b
y )2
Coeciente de determinación R 2
SSR
R2 =
SST
Donde,
0 ≤ R2 ≤ 1
Coeciente de correlación
√
r = (signo deβ1 ) R 2
Donde,
−1 ≤ r ≤ 1
Supuestos
Inferencia basada en β1
Inferencia basada en β1
Inferencia basada en β1
Ha : β1 6= 0
Comúnmente se usa:
Intervalos de conanza
Valores P
Intervalos de conanza
Hipótesis
H0 : β1 = 0
Ha : β1 6= 0
Prueba F
Hipótesis
H0 : β1 = 0
Ha : β1 6= 0
Regresión múltiple
Modelo matemático
y = βo + β1x1 + β2x2 + βk xk + i
Hipótesis
H0 : β1 = β2 = ..βk = 0
Ha : βi 6= 0