ANALISIS DE REGRESION MULTIPLE

Como se mencion en el captulo 12, podemos utilizar ms de una variable

independiente para estimar la variable dependiente e intentar, de esta manera,
aumentar la precisin de la estimacin. Este proceso se conoce como anlisis de
regresin mltiple y correlacin. Est basado en las mismas suposiciones y
procedimientos que encontramos al utilizar la regresin simple.
Considere al agente de bienes races que desea relacionar el nmero de casas que la
firma vendeen un mes con el monto de su publicidad mensual. Ciertamente, podemos
encontrar una ecuacin de estimacin sencilla que relacione a estas dos variables.
Podemos tambin hacer ms precisa nuestra ecuacin incluyendo en el proceso de
estimacin el nmero de vendedores que emplea cada mes? Probablemente la
respuesta sea s. Y ahora, como deseamos utilizar tanto el nmero de agentes de
ventas como los gastos de publicidad para predecir las ventas mensuales de casas,
debemos utilizar regresin mltiple, no simple, para determinar la relacin.
La principal ventaja de la regresin mltiple es que nos permite utilizar ms
informacin disponible para estimar la variable dependiente. En algunas ocasiones, la
correlacin entre dos variables puede resultar insuficiente para determinar una
ecuacin de estimacin confiable; sin embargo, si agregamos los datos de ms
variables independientes, podemos determinar una ecuacin de estimacin que
describa la relacin con mayor precisin.
La regresin mltiple y el anlisis de correlacin implican un proceso de tres pasos
como el que usamos en la regresin simple. En este proceso:
1. Describimos la ecuacin de regresin mltiple;
2. Examinamos el error estndar de regresin mltiple de la estimacin, y
3. Utilizamos el anlisis de correlacin mltiple para determinar qu tan bien la
ecuacin de re- gresin describe los datos observados.
Adems, en la regresin mltiple podemos observar cada una de las variables
independientes y probar si contribuyen de manera significativa a la forma en que la
regresin describe los datos.
En ciencias e ingeniera hay muchos fenmenos cuya naturaleza no es inherente-
mente lineal y, cuando se conoce su verdadera estructura, no hay duda de que habra
que intentar ajustar el modelo real. Existe mucha literatura acerca de la estimacin de
modelos no lineales por medio de mnimos cuadrados. Los modelos no lineales que
se analizan en este captulo se relacionan con condiciones no ideales, en las cuales el
analista est seguro de que la respuesta y, por lo tanto, el error de respuesta del
modelo no se distribuyen normalmente sino que, ms bien, tienen una distribucin
binomial o de Poisson. Estas situaciones ocurren a menudo en la prctica.