Regresión y Correlación Simple

Tema
REGRESIN
LINEAL SIMPLE
Dr Carlos Tapia Snchez
1 El diagrama de dispersin
Es un grfico que permite detectar la
existencia de una relacin entre dos
variables.
Visualmente se puede buscar patrones que
indiquen el tipo de relacin que se da entre
las variables.
Material de Clases Jorge Crdova Egocheaga. Febrero 2003
(b) Lineal inversa
(a) Lineal directa

Y
X
Y
X
(d) Curvilinea inversa
X
(e) Lineal inversa
con ms dispersin
Relaciones posibles
entre X y Y vistos
en diagramas de
dispersin
(c) Curvilnea directa
X
(d) Ninguna relacin
A) Tipos de Variables
En una ecuacin como Y = 30 + 3X, el valor de Y
depende del valor que toma X, por eso a Y se le
llama variable dependiente, y a X se le llama
variable independiente.
Y = b0 + b1 X
Variable
Dependiente
Variable
Independiente
E) Forma general:
La ecuacin simple de primer grado tiene la
siguiente forma general
Y = b0 + b 1 X
Donde:
b1: pendiente, o sea, el cambio en Y cuando X = 1.
b0: el valor autnomo, es decir, Y = b0 cuando X = 0.
En la grfica es la interseccin con el eje Y
Ejemplo:
Y
Y = 3 + 1.5X
b0 = 3
X
17.3 Regresin lineal simple

Es una tcnica estadstica que permite
determinar la mejor ecuacin que represente la
relacin entre dos variables relacionadas.
Para poder establecer la relacin cuantitativa
entre X e Y es necesario disponer de pares de
observaciones. Cada par ha sido registrado a la
misma unidad elemental.
A) Suposiciones de regresin y correlacin

a) Normalidad: los valores de Y estarn distribuidos
normalmente a cada valor de X.
b) Homoscedasticidad: la variacin alrededor de la
lnea de regresin sea constante para todos los
valores de X.
c) Independencia de error: el error (diferencia
residual entre un valor observado y uno estimado
de Y) sea independientemente de cada valor de X.
d) Linealidad: la relacin entre las variables es lineal.
B) El mtodo de Mnimos Cuadrados

Es el procedimiento matemtico utilizado para
determinar los valores numricos de los
coeficientes de regresin: b0 y b1
= b + b X se llama
La ecuacin general Y
0
1
ecuacin de regresin y permite estimar o
predecir los valores de Y.
El mtodo consiste en determinar una

ecuacin que la suma de los errores al
cuadrado sea mnima.
Y
= error
Yi - Y
10
8
Lnea de
estimacin
Min Y - Y
i
4
2
Error= -6
Error= 2
X
2
10
12
14
El mtodo utiliza un sistema de ecuacin llamado

ecuaciones normales, que tienen la siguiente
forma:
Y nb + b X
XY b X b X
0
Para aplicar las frmulas,

tenemos que confeccionar
un
cuadro
como
el
siguiente:
X Y
XY
Aplicacin
Los datos siguientes muestran las cantidades
consumidas de complemento nutricional (en Kg.) y
el aumento de peso de nios con signos de
desnutricin.
PACIENTE
COMPLEMENTO
10
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0
5.5
10
12
14
13
15
17
14
14
EN Kg: X
AUMENTO DE
PESO : Y
Presente la informacin en un diagrama de dispersin

X2
XY
1.0
8.0
1.0
8.0
1.5
10.0
2.3
15.0
2.0
9.0
4.0
18.0
2.5
12.0
6.3
30.0
3.0
14.0
9.0
42.0
3.5
13.0
12.3
45.5
16.0
60.0
4.0
15.0
4.5
17.0
20.3
76.5
5.0
14.0
25.0
70.0
5.5
14.0
30.3
77.0
32.5
126.0
126.3
X Y
442.0
XY
Sustituyendo los valores Y 126,0 , n = 5, X 32,5

2
XY
4
42
X
126,3
y
,en las ecuaciones normales,
obtenemos el siguiente sistema de ecuaciones.
126 = 10b0 + 32,5b1
442 = 32,5b0 + 126,3b1
Resolviendo el sistema tenemos: b0 = 7,479
b1= 1,576 ,por lo tanto,
7,479 1,576X
Y
c) Interpretacin
b0 = 7,478 : Es probable que un paciente desnutrido
que no sea considerado dentro del
Programa de Alimentacin Complementaria
tenga un peso de 7,478 Kg.
b1 = 1,576:Por cada Kg. del alimento complementario,
se espera que probablemente el nio
aumento su peso en 1,576 Kg.
17.4 Error estndar de estimacin (S yx)

Mide la disparidad promedio entre los valores
observados y estimados de la variable Y. Se
calcula por la siguiente relacin
)
(Y - Y
Syx =
n2
14
Y Y
Y Y
1.0
8.0
9.055
-1.1
1.112181
1.5
10.0
9.843
0.2
0.024806
2.0
9.0
10.630
-1.6
2.658204
2.5
12.0
11.418
0.6
0.338375
3.0
14.0
12.206
1.8
3.217718
3.5
13.0
12.994
0.0
3.48E-05
4.0
15.0
13.782
1.2
1.483524
4.5
17.0
14.570
2.4
5.905386
5.0
14.0
15.358
-1.4
1.843621
5.5
14.0
46
-2.1
4.604028
32.5
126.0
126.0
0.0
21.2
Reemplazando en la formula
S yx =
21,20
21,20
2,65
10 2
8
Syx = 1,628
El Syx es un indicador del grado de precisin con que

la ecuacin de regresin describe la relacin entre
las dos variables: cuanto ms pequeo, los valores
observado y estimado de Y son razonablemente
cercanos y, la ecuacin de regresin es una buena
descripcin esa la relacin.
Tema
CORRELACIN
SIMPLE
Dr Carlos Tapia Snchez
17.5 El anlisis de correlacin

El anlisis de correlacin es la tcnica estadstica
que permite describir el grado hasta el cual una
variable est linealmente relacionada con otra.
Hay dos medidas que se usan para describir la

correlacin
El coeficiente de determinacin
El coeficiente de correlacin
El coeficiente de determinacin se puede

calcular del modo siguiente:
variacion explicada
r
variacion total
2
r2
2
Y - Y
i
-Y
Y
Se elevan al cuadrado, para evitar que

obtenindose un nmero positivo.
Y - Y 0
2do Paso: Se calcula la variacin total, es decir, la

sumatoria de las desviaciones de las ventas
2
observadas (Yi) con respecto a la media: Yi - Y
Y Y
Y Y2
8.0
12.6
-4.6
21.16
10.0
12.6
-2.6
6.76
9.0
12.6
-3.6
12.96
12.0
12.6
-0.6
0.36
14.0
12.6
1.4
1.96
13.0
12.6
0.4
0.16
15.0
12.6
2.4
5.76
17.0
12.6
4.4
19.36
14.0
12.6
1.4
1.96
14.0
12.6
1.4
1.96
126.0
126.0
Y
0.0
Y Y
72.4
2
Y Y
3er Paso: Se calcula la variacin explicada, es

decir, la sumatoria de las desviaciones cuadrticas
entre las ventas esperadas y la venta media de la
muestra: Y - Y
Y Y Y Y
Y
Y
2
9.055
12.6
-3.545
12.5699
9.843
12.6
-2.758
7.6038
10.630
12.6
-1.970
3.8793
11.418
12.6
-1.182
1.3964
12.206
12.6
-0.394
0.1551
12.994
12.6
0.394
0.1553
13.782
12.6
1.182
1.3971
14.570
12.6
1.970
3.8805
15.358
12.6
2.758
7.6055
16.146
12.6
3.546
12.5720
126.0
126.0
0.0
Y Y
51.2
2
4to Paso: Se compara la variacin explicada y

la variacin total.
variacion explicada
r
variacion total
2
r2
Y-Y
Yi - Y
51,2
0,707
72,4
5to Paso: Interpretacin: 70,7% de las

variaciones en el incremento de peso, pueden
explicarse por el consumo del complemento
nutricional.
Valores posibles de r2
Si r2 = 1 : Correlacin perfecta, es decir, toda
variacin de Y puede explicarse por X
Si r2 = 0 : no existe correlacin entre X e Y. La
variacin explicada es 0. La variable X
no explica nada de los cambios en Y
Resumen
2
0 r 1
Cuanto ms cerca a uno, las variables tendrn
mayor correlacin.
B) El coeficiente de correlacin
Es la raz cuadrada del coeficiente de
determinacin.
r = r2
Sus valores oscilan entre -1 y 1
Cuando r es positivo, indica que X e Y
estn directamente relacionados.
Cuando r es negativo, indica que X e Y

estn inversamente relacionados.
El coeficiente r tiene el mismo signo que el
coeficiente b1 en la ecuacin de regresin
Interpretacin del coeficiente de correlacin de Pearson
Fuerte Moderada
Negativa Negativa
-1 -0,9
Perfecta
Negativa
-0,5
Dbil
Negativa
Dbil
Positiva
0
Moderada
Positiva
0,5
No existe
correlacin
Fuerte
Positiva
0,9
Perfecta
Positiva
Ejemplo:
r2= 0,707
r = 0,707
r = 0,84
el signo es positivo ya que X e Y estn
relacionados directamente como lo indica el
signo del coeficiente b1 en la ecuacin de
regresin Y 7,479 1,576X
Interpretacin: El incremento de peso (Y) y el

consumo del complemento nutricional (X) se
encuentran directamente asociados.
17.6 Diagnstico de la regresin: anlisis

residual
El anlisis residual permite evaluar lo adecuado
del modelo de regresin que ha sido ajustado a
los datos. Tambin sirve para detectar si los
supuestos se cumplen.
A. Evaluacin de lo adecuado de modelo ajustado
Los valores del error residual o estimado ( i) se
define como la diferencia entre los valores
observados (Yi) y los estimados ( Y)i de la variable
dependiente para los valores dados de X i
= Yi - Yi
i
Podemos evaluar lo adecuado del modelo de

regresin ajustado mediante el grfico de los
residuos (eje vertical) con respecto a los
correspondientes valores de Xi
de la
variable independiente (eje horizontal).
Ejemplo:
El grfico muestra un
adecuado ajuste entre
el incremento de peso
y el consumo del complemento nutricional.
No se observa una
tendencia.
El anlisis del grfico nos brinda el criterio para

adoptar el modelo lineal o dejarlo de lado. Si fuese
as, podramos probar con modelos no lineales como
el cuadrtico, logaritmo o exponencial.
El anlisis de residuos se complementa con el
clculo de los residuos estandarizados (SRi), que
resultan de la divisin del residuo dividido por su
error estndar.
i
SRi
S YX 1 hi
En donde
1
hi
n
Xi X 2
Xi2 nX
i1
Los valores estandarizados nos permiten tomar en

cuenta la magnitud de los residuos en unidades
que reflejen la variacin estandarizada alrededor
de la lnea de regresin.
Anlisis de los residuales
Observacin
Pronstico para Y
Residuos
Residuos estndares
9.138461538
-0.138461538
-0.101107641
3.276923077
1.723076923
1.258228423
6.207692308
0.792307692
0.578560391
15
-1
-0.730221853
12.06923077
-2.069230769
-1.510997526
44.30769231
0.692307692
0.505538206
En el grfico siguiente, los residuos estandarizados

fueron graficados en funcin de la variable
independiente (cantidad del complemento nutricional).
Se puede observar de que existe una dispersin
amplia en la grfica de residuos, no existe un patrn
evidente o una relacin entre los residuos
estandarizados y Xi . Los residuos parecen estar
equitativamente distribuidos por arriba y por debajo
de 0, para diferentes valores de X. Podemos concluir
que el modelo ajustado parece ser adecuado.
B. Evaluacin de las suposiciones

a. Homoscedasticidad
b. Normalidad
c. Independencia: Los datos recolectados
17.7 Medicin de la autocorrelacin: Durbin-Watson

Una de las suposiciones del modelo de regresin
bsico es la independencia de los residuos. Esta
suposicin es violada con frecuencia cuando los
datos son recopilados en periodos secuenciales,
debido a que un residuo en cualquier punto del
tiempo puede tender a ser parecido a los residuos
que se encuentran en puntos de tiempo
adyacentes.
El estadstico D de Durbin-Watson mide la
correlacin de cada residuo y el residuo del
periodo inmediato anterior al periodo de inters.
El estadstico D (Durbin-Watson)
n
i i1
i 2
i
i 1
En la que i representa el residuo en el

periodo i.
Interpretacin de D:
Cuando residuos sucesivos estn correlacionados
positivamente, el valor de D se aproximar a cero.
Si los resultados no estn correlacionados, el valor D
estar cercano a 2.
Si se presentase una autocorrelacin negativa, lo
cual rara vez sucede, de valor D tomar un valor
mayor a 2 e, incluso podra aproximarse a su valor
mximo que es 4.
Los resultados de SPSS nos proporciona el

valor de D de Durbin-Watson
Model Summaryb
Change Statistics
Model
1
R Square
Change
F Change
.707a
19.336
df1
df2
1
Sig. F Change
.002
Durbin-Watson
1.517
a. Predictors: (Constant), Complemento

b. Dependent Variable: AUMENTO
Segn este resultado permite afirmar que los

residuos no estn correlacionados.
17.8 Estimacin por intervalos

A.Intervalo de confianza para 1
b1 N
1,
SC x
b1 1 b1 1
t
S
Sb1
yx
SC x
2
Lo que se va hacer es estimar SC x
desconocido
conocido
se estima mediante la siguiente

formula:
2
S 2yx
Y
i 1
n2
b 2SC
1
x
-t0
t0
Pr( t 0 t t 0 )
b1 1
Pr t 0
t0 1
S
yx
SC x
S yx
Pr b1 t 0
1 b1 t 0
SC x
S yx
1
SC x
B. Intervalo de confianza para 0
b0
b0 0
Sb0
2
2 1
x
0 ,
n SC x
b0 0
2
donde:
S yx
S 2yx
1
x
n SC x
t n2
n2
b 2 SC
x
0
-t0
t0
Pr( t 0 t t 0 )
Pr
b0 0
t0
t0 1
Sb0
Pr b0 t 0Sb0 0 b0 t 0Sb0 1
t0 con (n-2) grados de libertad y

C. Intervalo de confianza para
Y/X 0
2 1 X0 X 2
N y / X ,
Y
0
n
SC x
Para un nivel dado de confianza, una variacin

aumentada alrededor de la lnea de regresin,
medida a travs del error estndar de la
estimacin, tiene como resultado un intervalo
ms amplio.
Sin embargo, como se esperara, un tamao de

muestra aumentado reduce el ancho del
intervalo.
Pr y t 0S y y / X0 y t 0S y 1
donde:
1
X
x
S y S 2yx 0
n
SC x
D. Intervalo de confianza para un valor

individual
Adems de obtener una estimacin de intervalo
de confianza para el valor promedio, a menudo
es importante tener la capacidad de predecir la
respuesta que se obtendra para un valor
individual.
2
X
X
1
N y / X , 1 0
Y
0
n
SC x
El intervalo de prediccin est estimando

un valor individual, no un parmetro.
Pr y t 0S y Y / X0 y t 0S y 1
donde:
1 X0 x
2
S y S yx 1
n
SC x
17.9 Anlisis de varianza de la

regresin simple
El anlisis de varianza es una tcnica que permite
localizar las fuentes de variabilidad que ayuden a
explicar el comportamiento de la variable dependiente.
SCtotal =
SCerror + SCregresin
(SCresidual)
El cuadro de Anlisis de Varianza

Fuentes de
variabilidad
Suma de
Cuadrados
Debido a la
Regresin
Error
Experimental
Total
b SC X
Y2
Y

n
GL
b12SC x n 2
SC total
Cuadrado
Medio
2
1
b SC x
F
calculado
b12SC x
S 2yx
S 2yx
n 1
E(CMe)
2 12SC x
Asumiendo que existe una regresin lineal,

determine:
A.La ecuacin de regresin e interprete los
coeficientes de regresin.
intervalo de confianza para 1y para un valor
individual si X=3,8.
C.El cuadro de ANOVA para la regresin lineal
cuando X = 5,1
D.El valor de y
E.La prueba de hiptesis respectiva a partir del
ANOVA e interprete el resultado.
F.Estime el aumento de peso que puede darse se
consumen 6 Kg. del complemento nutricional
mediante un intervalo e interprete el resultado.
B.El
Solucin
Primero se realizan los clculos necesarios:
n 10
Xi 32,5
Yi 126
Xi2 126,25
Yi2 1660
Xi Yi 442
A.
Clculo de los
coeficientes de regresin:
Y b0 b1X
b0 Y b1 X
X Y
XY
i
b1
n
2
i
2
X
i
n
442
32,5126
10
32,5
126,25
10
b0 12,6 (1,57 )(3,25) 7,49

32,5
1,57
20,62
La ecuacin de regresin ser:

7,49 1,57 X
Y
Interpretacin:
b0= Se espera que el peso que un nio que no
consume este complemento nutricional sea 7,49
Kg.
b1= Por cada Kg. de complemento nutricional, el
peso del nio se incrementar en 1,57 Kg.
B.
Intervalo de confianza para 1
S yx
Pr 1,57 t 0,10 8
SC x
1 1,57 t 0,10 8
S yx
1 0,10
SC x
S yx
Pr 1,57 1,86
1 1,57 1,86
0,90
4,54
4,54
2
yx
S yx
126
2
1660
1,57 20,62
10
72,7 50,82
2,69
8
S yx 1,642

1,642
1,642
Pr 1,57 1,86
1 1,57 1,86
0,90
4,54
4,54
Pr 0,8973 1 2,2427 0,90
Interpretacin: Hay 0,90 de confianza que el

intervalo que se ha construido, pertenezca al
grupo de intervalos que contienen al verdadero
parmetro 1.
Intervalo de confianza para un valor individual
Si X = 3,8 entonces Y 13,45
t 0S Y Yind Y
t 0S Y 1
Pr Y
Pr 13,45 (1,86)S Y Yind 13,45 (1,86)S Y 1

1 3,80 3,25
S Y 1,642 1
10
20,62
2
Interpretacin
C.
Anlisis de Varianza
Fuentes de
variabilidad
Suma de
Cuadrados
Debido a la
Regresin
Error
Experimental
Total
GL
Cuadrado
Medio
F
calculado
50,82
50,82
18,84
21,58
2,697
72,40
E(CMe)
Interpretacin: Se rechaza la hiptesis planteada. El

complemento nutricional si explica significativamente
los cambios en el peso de los nios.
D.
Si X = 5,1
Y 7,49 1,57(5,51)
Y 16,14
E. Prueba de Hiptesis acerca de 1
1. Hp: 1= 0
Ha: 1 0
2. = 0,10
CMeregresin
3. Fc
CMe error
Supuestos
- La muestra seleccionada al azar
- La poblacin se distribuye al azar
- Los valores de X fijas y de Y variables (o
aleatorias)
- Asunciones de la regresin lineal simple
4. Criterios de decisin
F1-/2
F/2
0,0041
5,32
Si 5,32 Fc 0,0041 se rechaza la hiptesis planteada

5. Clculos
50,82
Fc
18,84
2,697
6. Conclusiones
La variable complemento nutricional es
apropiada para explicar el comportamiento
del aumento de peso en nios desnutridos.
Adems, la ecuacin de regresin puede ser
usada con fines de prediccin hasta cierto
lmite.
F.
Para X = 6, que promedio de Y vamos a obtener?
Pr 16,91 1,86 S Y Y X0 16,91 1,86 S Y 1
17.10 Resultados con Excel

Estadsticas de la regresin
0.99582747
Coeficiente de correlacin mltiple

Coeficiente de determinacin R^2
0.99167236
R^2 ajustado
0.98959045
Error tpico
1.5310881
Observaciones
6
ANLISIS DE VARIANZA
GL
SC
CMe
Regresin
1116.62308
1116.62308
Residuos
9.37692308
2.34423077
Total
1126
F cal
P-valor
476.328138
2.60786E-05
Superior
95%
Inferior
95.0%
Superior
95.0%
Coefic
ientes
Error
tpico
Estadst
ico t
P-valor
Inferior
95%
Intercepcin
0.346154
0.9173433
0.37734384
0.72508508
-2.200804756
2.893112448
-2.200804756
2.893112448
Variable X 1
2.930769
0.13428531
21.824943
2.6079E-05
2.557932668
3.303605794
2.557932668
3.303605794
Ejemplo:
En la Farmacia Santa Rita, se desea determinar
la relacin lineal simple entre la experiencia del
vendedor y las ventas durante un mes. Se
seleccionan 5 vendedores, los datos registrados
se presentan a continuacin:
VENDEDOR
CARLOS PEDRO JOSE JUAN MANUEL
EXPERIENCIA
(aos):X
3
1
2
5
4
VENTAS
(unidades) : Y
9
5
7
14
10
Caso 1
Un equipo de profesionales en salud mental de un
hospital psiquitrico donde el tiempo de
permanencia es largo, quiere medir el nivel de
respuesta de pacientes retrados mediante un
programa de terapia de remotivacin. Para este
propsito
se
contaba
con
una
prueba
estandarizada, que era costosa y su aplicacin
tomaba mucho tiempo. Para salvar este obstculo,
el equipo cre una prueba ms fcil de aplicar.
Para probar la utilidad de este nuevo instrumento

para medir el nivel de respuesta del paciente, el
equipo decidi examinar la relacin entre las
calificaciones obtenidas con la nueva prueba y las
calificaciones
obtenidas
con
la
prueba
estandarizada.
Paciente
10
11
Prueba nueva
50
55
60
65
70
75
80
85
90
95
100
Prueba estandar 61
61
59
71
80
76
90
106
98
100
114
Caso 2
Se llevo a cabo un experimento para estudiar el
efecto de cierto medicamento para disminuir la
frecuencia cardiaca en adultos. Se reunieron los
siguientes datos: dosis en miligramos del
medicamento y la diferencia entre la frecuencia
cardiaca mas baja despus de la administracin
del medicamento y un control antes de
administrarlo.
Determine la ecuacin de regresin lineal y

explique el valor de los coeficientes de regresin.
Calcule e interprete el coeficiente de correlacin y
el coeficiente de determinacin.
Hoja de Comprobacin
1. El anlisis de regresin se usa para describir que tan bien
una ecuacin de estimacin describe la relacin que est

estudiando
2. Dado que la ecuacin para una lnea es Y = 26 - 24X,
podemos decir que la relacin Y con X es directa y lineal
3. Un valor r2 cercano a cero indica una fuerte correlacin
entre X y Y
4. Los anlisis de regresin y correlacin se usan para

determinar relaciones de causa y efecto
5. El coeficiente de correlacin de muestra, r, no es nada ms que r
y no podemos interpretar su significado directamente como un
porcentaje del mismo tipo
6. El error estndar de la estimacin mide la variabilidad de los

valores observados alrededor de la ecuacin de regresin.
7. La lnea de regresin se deriva de una muestra y no de toda la
poblacin
8. Podemos interpretar el coeficiente de determinacin de muestra

como la cantidad de la variacin en Y que es explicada por la lnea
de regresin
9. Las lneas trazadas a cada lado de la lnea de regresin a 1, 2 y 3
veces el valor del error estndar de la estimacin se denominan lneas
de confianza
10.La ecuacin de estimacin es vlida slo sobre el mismo intervalo
que el dado por los datos originales de muestra sobre los cuales se
desarroll
11.En al ecuacin Y = a + bX para la variable dependiente Y y la
variable independiente X, la interseccin Y es b.
12.Si una lnea se ajusta a un conjunto de puntos mediante el mtodo

de mnimos cuadrados, los errores individuales positivos y
negativos desde la lnea suman cero.
13. Si Se = 0 para una ecuacin de estimacin, debe estimar
perfectamente la variable dependiente en los puntos observados
14.Supongamos que la pendiente de una ecuacin de estimacin es
positiva. Entonces el valor de r debe ser la raiz cuadrada positiva
de r2
15.Si r = 0.8, entonces la ecuacin de regresin explica 80% de la

variacin total en la variable dependiente
16.El coeficiente de correlacin es el porcentaje de la variacin total
de la variable dependiente que es explicada por la regresin
17.El error estndar de la estimacin es medido perpendicularmente
desde la lnea de regresin ms que sobre el eje X
18.Al cuadrar los errores individuales, el mtodo de mnimos
cuadrados magnidica todas las desviaciones desde la lnea de
regresin estimada
19. Una ecuacin de regresin no puede ser vlida al ampliarse fuera del
intervalo de muestra de la variable independiente
20. Un valor r2 implica que no existe una relacin de causa-efecto
significativa entre X y Y
21. Una valor pequeo de r2 implica que no existe una relacin de causaefecto significativa entre X y Y

Regresión y Correlación Simple

Transféré par

Informations du document

Titre original

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

Regresión y Correlación Simple

Transféré par

Droits d'auteur :

Formats disponibles

Tema

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

(b) Lineal inversa

(a) Lineal directa

(c) Curvilnea directa

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

17.3 Regresin lineal simple

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

A) Suposiciones de regresin y correlacin

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

B) El mtodo de Mnimos Cuadrados

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

El mtodo consiste en determinar una

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

El mtodo utiliza un sistema de ecuacin llamado

Para aplicar las frmulas,

Presente la informacin en un diagrama de dispersin

Sustituyendo los valores Y 126,0 , n = 5, X 32,5

17.4 Error estndar de estimacin (S yx)

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

El Syx es un indicador del grado de precisin con que

17.5 El anlisis de correlacin

Hay dos medidas que se usan para describir la

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

El coeficiente de determinacin se puede

Se elevan al cuadrado, para evitar que

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

2do Paso: Se calcula la variacin total, es decir, la

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

3er Paso: Se calcula la variacin explicada, es

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

4to Paso: Se compara la variacin explicada y

5to Paso: Interpretacin: 70,7% de las

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

Cuando r es negativo, indica que X e Y

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

Interpretacin del coeficiente de correlacin de Pearson

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

Interpretacin: El incremento de peso (Y) y el

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

17.6 Diagnstico de la regresin: anlisis

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

Podemos evaluar lo adecuado del modelo de

El anlisis del grfico nos brinda el criterio para

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

Los valores estandarizados nos permiten tomar en

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

En el grfico siguiente, los residuos estandarizados

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

B. Evaluacin de las suposiciones

c. Independencia: Los datos recolectados

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

17.7 Medicin de la autocorrelacin: Durbin-Watson

En la que i representa el residuo en el

Los resultados de SPSS nos proporciona el

a. Predictors: (Constant), Complemento

Segn este resultado permite afirmar que los

Material de Clases Jorge Crdova Egocheaga. Febrero 2003

17.8 Estimacin por intervalos

se estima mediante la siguiente

Material de Clases Jorge Crdova Egocheaga. Febrero 2003