Vous êtes sur la page 1sur 5

REGRESION LINEAL MULTIPLE

Durante el desarrollo del tema vamos a aprender a utilizar la regresión lineal


múltiple para crear y analizar modelos.

Comprendiendo la regresión lineal múltiple, es posible resolver una amplia


variedad de problemas de aplicación.

Este estudio de los métodos de regresión múltiple es paralelo al de la regresión


lineal simple.

La necesidad de ampliar el modelo de regresión simple incluyendo nuevas


variables explicativas obedece a dos razones fundamentales:

•Dar cuenta de la complejidad de la conducta de los datos

•Aumentar la potencia de los contrastes de la regresión

El modelo de regresión lineal simple o de dos variables, con frecuencia es


inadecuado en la práctica.

Por ejemplo en el análisis del consumo-ingreso, en un modelo de regresión lineal


simple se asumiría implícitamente que solamente el ingreso “X” afecta el consumo
“Y”.

Pero la teoría económica rara vez es tan simple, ya que, además del ingreso,
existen muchas otras variables que probablemente afectan el gasto de consumo.

Entonces es necesario ampliar el modelo de regresión lineal simple para considerar


modelos que contengan más de dos variables.

La adición de variables conduce al análisis de los modelos de regresión lineal


múltiple, es decir, a modelos en los cuales la variable dependiente, o regresada,
“Y”, depende de dos o más variables explicativas, predictoras, o regresoras.

1
ANALISIS DE REGRESION LINEAL MULTIPLE

El modelo de regresión lineal múltiple es idéntico al modelo de regresión


lineal simple, con la única diferencia de que aparecen más variables
explicativas.

Modelo de regresión simple:

siendo “” el término de error o perturbación aleatoria.

En la regresión lineal múltiple los valores de la variable dependiente “Y”


son generados por una combinación lineal de los valores de una o más
variables explicativas y un término de error o perturbación aleatoria.

2
El análisis de regresión lineal múltiple es una técnica estadística que nos
permite:

 Identificar que variables independientes explican una variable


dependiente.

 Predecir valores de una variable, es decir, a partir de unas


características predecir de forma aproximada un comportamiento o
estado.

Un Modelo de Regresión Lineal Múltiple (MRLM) trata de explicar el comportamiento de


una determinada variable que denominaremos variable a explicar, variable endógena o
variable dependiente (representada por la letra Y) en función de un conjunto de “k” variables
explicativas, variables regresores, variables exógenas, predictoras o variable independientes
(representada por la letra Xi ; i=1,2,..k), suponiendo el regresor ficticio o variable ficticia (X0)
con el valor “1”, el modelo se expresa como:

Siendo:

• β0, β1, β2,...,βk los coeficientes o parámetros de regresión fijos y desconocidos.

• “” es el término de error o perturbación aleatoria (es una variable aleatoria).

Para determinar el MRLM, es necesario estimar el valor de los coeficientes  0,β1, β2,...,βk.

La linealidad en los coeficientes posibilita la interpretación correcta de estos en el modelo.

3
Los supuestos del Modelo de Regresión Lineal Múltiple:

 Sobre las variables independientes o regresoras:


No hay multicolinealidad perfecta: Las variables regresoras o explicativas son
linealmente independientes entre sí.
 Sobre los coeficientes o parámetros:
Los coeficientes o parámetros de regresión β0, β1, β2,...,βk son constantes o en
forma matricial  es un vector constante

 Sobre los errores o perturbaciones aleatorias:

c
c

Observaciones:
1) De los supuestos de homocedasticidad e independencia (no autocorrelación) podemos
especificar la matriz de covarianzas del vector de errores o perturbaciones, siendo este
expresado en forma matricial:

2) Para el análisis de independencia de los errores o perturbaciones aleatorias podemos


trabajar con el estadístico de Durbin-Watson (DW) que toma valor 2 cuando los errores
(residuos) son completamente independientes. Entre 1.5 y 2.5 se considera que existe
independencia.
DW<2 indica autocorrelación positiva y DW<2 autocorrelación negativa.

4
En el Modelo de Regresión Lineal Múltiple se supone que la función de regresión que
relaciona la variable dependiente (Y) con las variables independientes (Xi) es lineal, es decir:

Donde:

El objetivo principal en el análisis de regresión lineal múltiple es estimar la Función de


Regresión Lineal Múltiple Poblacional (FRLMP):

Con base a la Función de Regresión Lineal Multiple Muestral (FRLMM):