Академический Документы
Профессиональный Документы
Культура Документы
s
) = 0; t = s
(
t
son independientes)
Los Y
t
son independientes
Entre algunos ejemplos se tienen:
Modificacion de la politica empresarial sobre las ventas de
un producto, en funcion de la publicidad, incentivos, etc
Evaluacion del rendimiento profesional del personal en una
compania, segn el perfil que presentan cada uno de los
empleados.
Seleccin de los candidatos a ser admitidos a un programa
de capacitacion, segn el perfil de cada postulante.
Establecer las tarifas de los servicios que se ofrecen, en
funcion del perfil de los clientes y la calidad de servicios
que se brinda.
123
2.2 REPRESENTACIN GRAFICA
Un problema de Regresin Lineal Simple, es visualizada
mediante un diagrama de dispersin.
Y = |
0
+ |
1
X
ingreso en absoluto cambio
consumo en absoluto cambio
=
1
|
200 300 400 500
(Consumo) Y
X (Ingreso)
400
300
200
Fig. Diagrama de Dispersin
Objetivo: ENCONTRAR la Lnea recta que pasa por la
mayora de puntos (esto es, minimizan los valores de los
errores
t)
Cada observacin de la variable endgena (Y) responde
a un modelo lineal
f(Y)
X
X
200 300 400
200
300
400
E(Y) = |
0
+|
1
X
La variable exgena (X) es predeterminada (constante y
fija), y determinan que Y es aleatoria con una cierta
distribucin de probabilidad.
124
2.3 HALLAZGO DE PARAMETROS |
0
Y |
1
LOS INCENTIVOS AUMENTAN LAS VENTAS..?
Para encontrar los valores de |
0
y |
1
; se buscar una coleccin de
valores sobre Y y X. Por ejemplo: Para evaluar si la decisin de
implementar incentivos para sus agentes vendedores, aumentan o
no sus ventas de uno de sus producto favoritos de una empresa.
Se usara el siguiente modelo:
Y Para las 18 regiones asignadas a cada agente vendedor se
recolecto los datos(en miles de S/.),de sus ventas y los incentivos
recibidos por ventas superiores a S/.50.000, durante el ultimo
ao :
error
t
X
t
Y
t
Incentivos Ventas | | + + =
) (
1 0
) (
El Diagrama de Dispersin del consumo personal (Y), y el
ingreso disponible, indican que ambas variables tienen una
asociacin positiva (correlacin positiva) esto quiere decir que
la propensin marginal o consumir es positiva, |
1
> 0.
La calidad o Grado de Ajuste de la lnea se mide por el
coeficiente de Determinacin R
2
.
1 0
2
s s R
Si R
2
se aproxima a 1 el
Ajuste es Bueno.
Si R
2
se aproxima a 0 el
Ajuste es Dbil y no deseado
125
CORRELACION ENTRE VENTAS E INCENTIVOS
Cuando los incentivos crecen, las ventas
aumentan. La Correlacin es positiva
0
100
200
300
400
0 2 4 6 8 10
INCENTIVOS
V
E
N
T
A
S
Region X Y XY X
2
Y
2
1 6.3 270.73 1705.599 39.69 73294.7329
2 4.2 140.71 590.982 17.64 19799.3041
3 8.1 285.55 2312.955 65.61 81538.8025
.
.
17 2.75 171.52 471.68 7.5625 294189.1104
18 1.25 104.54 130.675 1.5625 10928.6116
Total 85.45 3759.15 20998.298 510.7125 905883.6531
126
ESTIMACION DE PARAMETROS
Dependent Variable: VENTAS
Method: Least Squares
Date: 06/05/2001 Time: 05:35
Sample: 1 18 ; Included observations: 18
Variable Coefficient Std. Error t-Statistic Prob.
C 66.38403 21.03141 3.156422 0.0061
INCENTIVOS 30.00863 3.948358 7.600281 0.0000
R-squared 0.783093
Adjusted R-squared 0.769536 S.D. dependent var 84.30215
S.E. of regression 40.47064 Akaike info criterion 10.34347
Sum squared resid 26205.96 Schwarz criterion 10.44240
Log likelihood -91.09123 F-statistic 57.76428
Durbin-Watson stat 2.156858 Prob(F-statistic) 0.000001
GRAFICO VENTAS VS. INCENTIVOS
0
100
200
300
400
0 2 4 6 8 10
INCENTIVOS
V
E
N
T
A
S
La correlacin entre ventas e incentivos es positiva
entonces La LINEA tiene pendiente positiva
127
i
i
2
2
1
X Cuadrados de Suma
XY Productos de Suma
) (
= =
E
E
E E
E
=
x
xy
i
i
i i
i i
SC
SP
n
x
x
n
y x
y x
|
00863 . 30
1
= |
n
x
X
n
Y
Y X Y
i i
E
=
E
= = ; ,
1 0
| |
38402862 . 66
0
= |
Luego:
X Y 00863 . 30 384 . 66
+ =
Ventas =66.38 +30.008 Incentivos
200
100
66.38
100 200
X Y
1 0
| | + =
0
|
1
|
METODOS PARA ENCONTRAR |
0
Y |
1
Aunque solo bastan dos valores de Y y X para encontrar los
valores de |
0
y |
1
; se usar una coleccin de datos sobre Y y X.
En estos datos se aplican los siguientes procedimientos.
|
0
, |
1
son
encontrados
por
Mnimos Cuadrados.- Determina la mejor
lnea que ajusta a los datos; esto es,
minimizando la contribucin de la suma de
los errores al cuadrado.
Mxima Verosimilitud.- Maximizando la
funcin de distribucin de los Datos.
Ambos procedimientos producen resultados equivalentes y se
condensan en las siguientes frmulas:
128
A)Inferencia Global en el modelo
Los Incentivos incrementan las ventas ...?
Para resolver esta interogante se plantea:
H
0
: La contribucin de los incentivos =0
H
1
: La contribucin de los incentivos =0
Y se implementa con la prueba de la Razn de F.
7643 . 57
872755 . 1637
53782 . 94610
= = =
CMerror
CMreg
Fcal
49 . 4 ) 16 ; 1 ( ) 2 , 1 .( = = ~ F F F n tab cal
76427 . 57
872755 . 1637
53782 . 94610
= = =
CMerror
CMreg
F
Cal
7830928 . 0
5019 . 120816
53782 . 94610
1
2
= = = =
SCy
SCreg
SCy
SCerror
R
2.4 INFERENCIAS ESTADISTICAS
Las inferencias en un modelo de regresion se realizan a nivel
global y a nivel individual de cada uno de los componentes
del modelo, con el objetivo de verificar las hiptesis
formuladas en base a la teora econmica usada.
Inferencias sobre |
o
y |
1
para la ecuacin de ventas
Y = |
o
+ |
1
X Postula una relacin positiva entre las ventas
y los incentivos; esto es, el gerente de la empresa espera en
promedio que las ventas aumentaran a medida de que
aumenta los incentivos, aunque no en la misma proporcin
el cual se resume en la interpretacin de que |
1
> 0 |
0
= 0,
|
0
= 0 (|
0
< 0, |
0
> 0).
129
B) PRUEBAS INDIVIDUALES SOBRE; |
0 Y
|
1
H
0
: | = |
0
H
1
: | = |
0
, con la t-student
. . ) 2 (
2
0
~ ;
1
l g n Tab cal
x
cal
t t
SC
x
n
t
+
=
o
|
|
o
| |
=
cal
t
Inferencias sobre |
0
(Intercepto)
H
0
: |
0
= 0 (Hiptesis nula)
H
1
: |
0
= 0 (Hiptesis alternativa)
Se implementa con el estadstico de la prueba t-student
06236 . 105
5361 . 22
18
1
4706 . 40
3840 . 66
+
=
Anlisis de Varianza de la
Regresin Lineal
Fuentes de
Variacion
Grados de
Libertad
Suma de
Cuadrados
Cuadrado
Medio
Razon
F
Regresion
Eror
P-1= 1
n-P= 16
94610.53782
26205.96408
94610.53782
1637.872755
57.764278
Total
n-1= 17
120816.5019
130
Inferencias sobre |
1
(la pendiente)
H
0
: |
1
= 0
H
1
: |
1
= 0
6002889 . 7
06236 . 105
4706 . 40
00863 . 30
1
= =
=
x
cal
SC
t
o
|
Regin de
Aceptacin de H
0
-2.12 2.12
Zona de
Rechazo
Conclusin se Rechazo H
0
:|
1
=0, y se Acepta en su lugar que
H
1
: |
1
= 0 (|
1
> 0 ).
Regin de Aceptacin
de H
0
0 :
0 0
= | H
-2.12
t
cal
2.12
t
tab(n-2)
t
tab(n-2)
2
o
2
o
120 . 2 ; 156 . 3
03447 . 21
0 3840 . 8 . 66
) 025 . 0
2
, 16 (
= =
=
=
o
Tab
cal
t t
t
cal
= 3.156 cae en la zona de rechazo, luego se Acepta
H
1
: |
0
= 0, Luego la lnea pasa por encima del origen .
131
Inferencias sobre las Predicciones
Una de las aplicaciones importantes del modelo de
Regresin es la de obtener la prediccin o pronstico (valor
futuro) de la variable endgena, para un nivel de la variable
exgena.
La Prediccin
puede ser
sobre
Valor medio
Valor Individual
0 1 0 0 0
) ( X Y X X Y E | | + = = =
0 1 0 0
X Y | | + =
Ambos tienen el mismo valor futuro; para diferentes varianzas.
Inferencias sobre la prediccin media
0
0 1
0
0 0
0
0
) ( :
) ( :
X Y
X Y
X X Y E H
X X Y E H
= =
= =
H
0
: = 0
H
1
: = 0
433 . 10
7830 . 0 1
2 18 8449 . 0
1
. 2
2
=
=
r
n r
t
cal
Regin de
Aceptacin de
H
0
: = 0
-2.12 2.12
2
o
2
o
T
cal
= 10.433, cae en la zona de Rechazo de H
0
, luego se rechaza
H
0
: = 0.
Se verifican la hiptesis dela relacin positiva entre las ventas y
los incentivos.
Inferencias sobre el coeficiente de correlacin
132
As, en la hiptesis
180
: H rechaza se , 180
:
180
:
0 0 0 1
0 0
= =
=
Y Y H
Y H
Mientras que en;
200
:
200
: H acepta se , 200
:
0 1
0 0 0 0
=
= =
Y H
Y Y H
Prediccin del valor Individual
El mejor predictor de Y
0
, tambin es
0 1 0 0
X Y | | + =
pero su varianza es:
|
|
.
|
\
|
+ + =
x
SC
X X
n
Y Var
2
0
2
0
) ( 1
1
) ( o
y las inferencias son anlogas al del valor medio.
9890488 . 91
06236 . 105
) 747222 . 4 5 (
18
1
8727 . 1637
) ( 1
)
(
2 2
0 2
0
=
|
|
.
|
\
|
+ =
|
|
.
|
\
|
+ =
x
SC
X X
n
Y Var o
. . ) 2 (
0
0 1 0 0
~
) ( 1
) (
l g n Tab
x
cal
t
SC
X X
n
X Y
t
+
+
=
o
| |
sea X
0
= 5;
42717 . 216 ) 5 ( 00863 . 30 384 . 66
0
= + = Y
120 . 2 ) 05 . 0 )
2
, 16 ( =
o
Tab
t
)
0
2
0 0 1 0 0
2
0
Y Var t Y X Y Var t Y
o o
| | + s + s
9890 . 91 12 . 2 42717 . 216 9890 .. 91 12 . 2 42717 . 216
0 1 0
+ s + s X | |
7603 . 236 094 . 196
0 1 0
s + s X | |
L. Inferior L. Superior
133
Residuos de la Regresin Ventas vs Incentivos
obs Actual Fitted Residual Residual Plot
1 270.730 255.438 15.2916 | . | * . |
2 140.710 192.420 -51.7103 | * . | . |
3 285.550 309.454 -23.9039 | .* | . |
4 254.710 261.440 -6.73013 | . *| . |
5 136.900 141.406 -4.50561 | . *| . |
6 306.910 298.951 7.95908 | . |* . |
7 158.060 193.921 -35.8607 | * | . |
8 163.130 178.916 -15.7864 | . * | . |
9 361.170 249.437 111.733 | . | . *|
10 252.350 223.929 28.4207 | . | *. |
11 87.5500 111.397 -23.8470 | .* | . |
12 79.2400 88.8905 -9.65050 | . *| . |
13 291.770 313.955 -22.1852 | . * | . |
14 162.320 178.916 -16.5964 | . * | . |
15 251.100 186.419 64.6814 | . | . * |
16 280.890 321.457 -40.5674 | * | . |
17 171.520 148.908 22.6122 | . | * . |
18 104.540 103.895 0.64518 | . * . |
120
: H rechaza se , 120
:
120
:
0 0 0 1
0 0
= =
=
Y Y H
Y H
Mientras que en;
en
200
:
200
: H acepta se , 200
:
0 1
0 0 0 0
=
= =
Y H
Y Y H
6013 . 304 253 . 128
0 1 0
< + < X | |
8618 . 1729
06236 . 105
) 747222 . 4 5 (
18
1
1 8727 . 1637 ) (
2
0
=
|
|
.
|
\
|
+ + = Y Var
Luego en la hiptesis siguiente:
134
Ventas vs. Incentivos y Publicidad
0
100
200
300
400
0 2 4 6 8 10
INCENTIVOS
V
E
N
T
A
S
0
100
200
300
400
1 2 3 4 5 6
PUBLICIDAD
V
E
N
T
A
S
Analisis de Residuos
-100
-50
0
50
100
150
2 4 6 8 10 12 14 16 18
Residuos