Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 67 vistas

    Teoría y Ejemplo Regresión Lineal

    Cargado por

    Edú Moreno Rivera
    El documento presenta conceptos clave del análisis de regresión como la predicción de una variable dependiente en función de una o más variables independientes. Explica que la regresión múltiple estima coeficientes para predecir valores de Y basados en valores de X1, X2, etc. También define el coeficiente de regresión múltiple R y R2, el cual representa la proporción de variabilidad de Y explicada por el modelo. Por último, señala que la validación de un modelo implica analizar si la variabilidad de Y atribuida a la reg

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado

    Teoría y Ejemplo Regresión Lineal

    Cargado por

    Edú Moreno Rivera
    67 vistas4 páginas
    El documento presenta conceptos clave del análisis de regresión como la predicción de una variable dependiente en función de una o más variables independientes. Explica que la regresión múltiple estima coeficientes para predecir valores de Y basados en valores de X1, X2, etc. También define el coeficiente de regresión múltiple R y R2, el cual representa la proporción de variabilidad de Y explicada por el modelo. Por último, señala que la validación de un modelo implica analizar si la variabilidad de Y atribuida a la reg

    Descripción original:

    teoría y ejemplo de un ejercicio de regresión lineal para cálculo de precios de un inmueble

    Título original

    teoría y ejemplo regresión lineal

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Denunciar este documento
    El documento presenta conceptos clave del análisis de regresión como la predicción de una variable dependiente en función de una o más variables independientes. Explica que la regresión múltiple estima coeficientes para predecir valores de Y basados en valores de X1, X2, etc. También define el coeficiente de regresión múltiple R y R2, el cual representa la proporción de variabilidad de Y explicada por el modelo. Por último, señala que la validación de un modelo implica analizar si la variabilidad de Y atribuida a la reg

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    Descargar como docx, pdf o txt
    67 vistas4 páginas

    Teoría y Ejemplo Regresión Lineal

    Cargado por

    Edú Moreno Rivera
    El documento presenta conceptos clave del análisis de regresión como la predicción de una variable dependiente en función de una o más variables independientes. Explica que la regresión múltiple estima coeficientes para predecir valores de Y basados en valores de X1, X2, etc. También define el coeficiente de regresión múltiple R y R2, el cual representa la proporción de variabilidad de Y explicada por el modelo. Por último, señala que la validación de un modelo implica analizar si la variabilidad de Y atribuida a la reg

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Marcar por contenido inapropiado
    Descargar como docx, pdf o txt
    de 4

    MARCO TEÓRICO

     Concepto de regresión:

    El análisis de regresión engloba a un conjunto de métodos estadísticos que usamos


    cuando tanto la variable de dependiente como la la(s) variable(s) independiente(s) son
    contínuas y queremos predecir valores de la primera en función de valores observados de
    las segundas. En esencia, el análisis de regresión consiste en ajustar un modelo a los datos,
    estimando coeficientes a partir de las observaciones, con el fin de predecir valores de la
    variable de dependiente a partir de una (regresión simple) o más variables (regresión
    múltiple) predictivas o explicativas.

    La ecuación resultante estará dada por:

    Y =b0 +b1 x 1+ b2 x 2 +…

    Siendo X1 y X2, las variables independientes de las cuales depende el valor de la variable
    dependiente Y, los coeficientes b1 y b2 los coeficientes de las distintas variables y el valor
    de b0 vendría a ser la intercepción de estos valores.

     Coeficiente de regression multiple R y R2

    Se define el coeficiente de regresión múltiple como la correlación existente entre la


    variable dependiente (Y) y el conjunto de las variables independientes contempladas en el
    modelo. A diferencia del coeficiente de correlación simple, el coeficiente de correlación
    multiple es siempre positivo.

    El cuadrado del coeficiente de correlación múltiple representa la proporción de la


    variabilidad de Y explicada por el conjunto de las Xs, es decir por el componente
    explicativo, conocido o determinista del modelo. Como complemento, 1- 2 R constituye
    como sabemos la proporción de variación no explicada o residual atribuida al efecto de
    factores aleatorios y desconocidos, ajenos a las variables predictoras analizadas.

     Validación del modelo

    Como se sabe, validar un modelo de regresión consiste en analizar si la variabilidad de la


    variable criterio (Y) atribuida a la regresión –en este caso al efecto del conjunto de
    variables predictoras- es lo suficientemente grande con respecto a la variabilidad no
    explicada o residual. El índice F constituye una prueba estadística pertinente para evaluar
    dicha relación.

    La probabilidad (p) asociada al resultado de dicha prueba indica el grado de certidumbre


    con el que podemos concluir que numerador -parte explicativa del modelo- y
    denominador -parte borrosa o residual- coinciden, es decir, que lo determinado o
    explicativo se confunde con –o es lo mismo a- lo borroso del modelo. Si dicha probabilidad
    es pequeña (p<.05) concluimos que la parte explicativa supera en cantidad suficiente a la
    no explicada, por lo que las variables determinadas como relevantes por el modelo se
    consideran significativas en su conjunto-.

    Pregunta 3
    Determinar el peso que tendría una dama que tiene las características siguientes:

     Estatura: 165 cm
     L. pie: 36.5 cm
     L. Brazo: 72 cm
     A. Espalda: 41 cm
     Diámetro de cráneo: 57 cm
     Longitud del rostro: 44.5 cm
    Teniendo los datos siguientes:

    Y x1 x2 x3 x4 x5 x6
    N Peso Estatura L. Pie L. Brazo A. Espalda D. Craneo L. Rostro
    1 43 158 36 68 43 55 39
    2 45 152 34 66 40 55 38
    3 52 168 39 72 41 54 43
    4 49 159 36 68 42 57 40
    5 50 158 36 68 44 57 41
    6 51 164 35 71 44 54 40
    7 52 156 36 67 36 56 41
    8 54 167 37 73 41 58 44
    Al procesar los datos en el programa Excel, obtenemos los siguientes
    resultados:
     R2=0.988
     R2 ajustado=0.915
     valor crítico F=0.2053
    Como el valor crítico de F, debe ser menor a 0.05, evaluaremos los
    valores de R2 de cada variable independiente para encontrar aquellos
    con baja incidencia:
     R2 estatura=0.4324
     R2 L. Pie=0.261
     R2 L. Brazo=0.4303
     R2 A . Espalda=0.0512
     R2 D. cráneo=0.095
     R2 L. Rostro=0.7184
    Entonces no tomaremos el valor de A. Espalda por su baja incidencia,
    con la nueva regresión lineal múltiple, obtenemos los siguientes
    resultados:
     R2=0.981
     R2 ajustado=0.936
     valor crítico F=0.0452
    Ya que los valores son admisibles, utilizaremos los coeficientes dados
    por esta distribución:
     b 0=59.765
     b 1=2.043
     b 2=−4.008
     b 3=−4.66
     b 5=−0.859
     b 6=4.346

    Los valores de X dados por el problema:


     x 1=165 cm
     x 2=36.5 cm
     x 3=72 cm
     x 5=57 cm
     x 6=44.5 cm

    Por lo tanto, el valor de la estatura de una mujer con las


    dimensiones dadas será:
    Y =59.765+ 2.043∗165+ (−4.008 )∗36.5+ (−4.66 )∗72+ (−0.859 )∗57+4.346∗44.5

    Y =59.53 kg

    Recomendaciones:
     Revisar el nivel de incidencia de cada una de las variables independientes
    en la variable dependiente para tener un resultado más cercano al valor
    real.
     No olvidar revisar los valores de R 2 y F crítico para ver si los valores
    tomados tienen un adecuado nivel de confiabilidad.
    Bibliografía:
     Avelarde. Análisis Dos. Regression lineal multiple
     Pablo Vinuesa. Regresión Lineal simple y Polinomial: teoría y práctica

    También podría gustarte