Regresi%C3%B3n Lineal Simple

Facultad de Economa y Negocios
FEN-1
Objetivos de Aprendizaje
Objetivos:
Como usar el anlisis de regresin para predecir el
valor de una variable dependiente basado en una
variable independiente.
Mtodos Estadsticos III
El significado de los coeficientes de regresin b0 y b1
Anlisis de Regresin Lineal

Simple
Como evaluar las asunciones del anlisis de regresin

y conocer que hacer si las asunciones son violadas.
Realizar inferencias acerca de la pendiente y el
coeficiente de correlacin.
Vctor Hugo Gonzlez J. PhD (c)
Estimar los valores medios y predecir valores

individuales.
Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall
13-1
Introduccin al Anlisis de
Regresin
Correlacin vs. Regresin
Un diagrama de dispersin puede ser usado

para mostrar las relaciones entre las dos
variables.
Explicar el impacto de cambios en una variable

independiente sobre la variable dependiente.
Variable Dependiente: La variable que

deseamos predecir o explicar
El efecto causal no se da con la correlacin.
Variable Independiente: La variable usada para

predecir o explicar la variable dependiente.
Diagramas de dispersin y Correlacin fueron vistos

en Mtodos estadsticos I.
13-3
Modelo de Regresin Lineal

Simple
Predecir el valor de una variable dependiente basado

en el valor de por lo menos una variable
independiente.
La correlacin es pertinente solamente con la fuerza

de la relacin.
El anlisis de relacin es usado para:
El anlisis de Correlacin es usado para medir

la fuerza de asociacin (relacin lineal) entre
las dos variables.
13-2
13-4
Tipos de Relaciones
Relaciones lineales
Solamente una variable independiente,

X
Relaciones curvilineas
Y
Relacion entre X y Y es descrita por

una funcin lineal.
Cambios en Y son asumidos a ser
relacionados a cambios en X.
X
Y
X
Vctor Hugo Gonzlez Jaramillo, PhD ( c )
13-5
X
Y
X
13-6
Regresin Lineal Simple
FEN-2
Tipos de Relaciones
Fuertes relacin
Tipos de Relaciones
Ninguna
Relacin
Baja Relacin
X
13-7

Simple
Variable
Dependiente
Interseccin
Poblacional
Y
Coeficiente
de Pendiente
Poblacional
Variable
independiente
13-8

Simple
Trmino
de error
aleatorio
Yi 0 1Xi i
Componente Lineal
Yi 0 1Xi i
Valor observado
de Y para Xi
Valor de
prediccin de Y
para Xi
Componente del
Error Aleatorio
Pendiente = 1
Error aleatorio para

este valor de Xi
Intercepcin = 0
Xi
13-9
Ecuacin de regresin lineal

simple (Lnea de Prediccin)
Valor
estimado de
la interseccin
b0 y b1 son obtenidos al encontrar los valores

que minimizan la suma de las diferencias de
los cuadrados entre Y and Y :
Valor estimado
de la pendiente
Yi b0 b1Xi
min (Yi Yi )2 min (Yi (b0 b1Xi ))2
Valor de X
para la
observacin i
13-10
The Least Squares Method
La ecuacin de regresin lineal simple provee un

estimado de la lnea poblacional de regresin
Estimado (o
predecido)
valor Y para la
observacin i
13-11
13-12
FEN-3
Interpretacin de la pendiente y
la intercepcin
Encontrando la Ecuacin de
los mnimos cuadrados
Los coeficientes b0 y b1 , y otros

resultados de regresin, sern
encontrados con Excel.
Formulas son mostradas a continuacin
13-13
Ejemplo de Regresin Lineal

Simple
Una muestra aleatoria de 10 casas es

seleccionada
Variable dependiente(Y) = Precios de casas en
$1000s
Variable independiente(X) = Pies cuadrados
13-15
13-14
Precio Casa $1000s

(Y)
Pies Cuadrados
(X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
13-16
Usando funciones de Excel
Diagrama de Dispersin
House price model: Scatter Plot
1. Choose Data
2. Choose Data Analysis

3. Choose Regression
450
House Price ($1000s)
b1 es el cambio estimado en el valor

promedio de Y como un resultado de
una-unidad en incremento en X
Datos
Un agente de bienes races desea examinar la

relacin entre el precio de venta de una casa y su
tamao (medido en pies cuadrados)
b0 es el valor estimado promedio de Y

cuando el valor de X es cero
400
350
300
250
200
150
100
50
0
0
500
1000
1500
2000
2500
3000
Square Feet
13-17
13-18
FEN-4
Usando Funcin de Anlisis de

Datos en Excel
Usando PHStat
Add-Ins: PHStat: Regression: Simple Linear Regression
Entre Ys y Xs y opciones deseadas
13-19
Excel Output
Regression Statistics
Multiple R
0.76211
R Square
0.58082
Standard Error
0.52842
Representacin Grfica
Modelo Precio Casa: Diagrama Dispersin y la lnea de prediccin
La Ecuacin de regresin es:
Precio de la casa 98.24833 0.10977 (Pies cuadrados)
450
41.33032
Observations
Adjusted R Square
10
ANOVA
df
SS
MS
Regression
18934.9348
18934.9348
Residual
13665.5652
1708.1957
Total
32600.5000
Coefficients
Intercept
Square Feet
Standard Error
t Stat
Significance F
11.0848
P-value
0.01039
Lower 95%
Upper 95%
98.24833
58.03348
1.69296
0.12892
-35.57720
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
13-21
Interseccin
= 98.248
500
1000
1500
2000
2500
3000
13-22
precio casa 98.24833 0.10977 (pies cuadrados)
Porque una casa no puede tener un valor de

pies cuadrados de 0, b0 no tiene aplicacin
prctica
50
0
Interpretando b1
b0 es el valor estimado promedio de Y cuando

el valor de X es cero (si X = 0 esta en el rango
de valores observados de X)
Pendiente
= 0.10977
Precio de la Casa 98.24833 0.10977 (Pies cuadrados)
Precio Casa 98.24833 0.10977 (Pies cuadrados)
400
350
300
250
200
150
100
Square Feet
Interpretacin de bo
13-20
b1 estima el cambio en el valor promedio

de Y como el resultado del incremento de
una unidad en X
13-23
Aqu, b1 = 0.10977 nos dice que el valor medio de

una casa se incrementa por 0.10977($1000) =
$109.77, en promedio, por cada pie cuadrado de
superficie.
13-24
FEN-5
Realizando predicciones
Realizando predicciones
Predecir el precio de una casa

con 2000 pies cuadrados:
Cuando usamos un modelo de regresin para prediccin,

solamente se predice sobre un rango relevante.
Rango revelante
para interpolacin
Precio Casa 98.25 0.1098 (pie cuadrado)

98.25 0.1098(2000)
450
317.85
El precio para una casa con 2000 pies cuadrados es
de 317.85($1,000s) = $317,850
400
350
300
250
200
150
100
50
0
0
500
13-25
Suma total
de
cuadrados
SST ( Yi Y )
2500
3000
No tratar de
extrapolar ms
all del rango
observado de Xs
SSR
SSE
Suma de
cuadrados de
regresin
Suma de
cuadrados del
error
SSR ( Yi Y )2
2000
13-26
Medidas de variacin
La variacion total est en 2 partes:
SST
1500
Square Feet
Medidas de variacin
1000
SST = Suma de cuadrados totales
SSR = Suma de cuadr. Regresion (Variacin explicada)
SSE ( Yi Yi )2
(Variacin Total)
Medidas de variacin de los valores de Yi alrrededor de la

media Y
Variacin atribuble a la relacin entre X y Y
SSE = Suma de cuadrado del error (Variacin no explicada)
donde:
Variacin en Y atribubles a otros factores diferentes a X
Y = valor medio de la variable dependiente

Yi = valor observado de la variable dependiente
Yi = valor predecido de Y para un dado valor de Xi

13-27
Medidas de variacin
Y
Yi
SSE = (Yi - Yi )2
Coeficiente de determinacin, r2
SST = (Yi - Y)2

_
SSR = (Yi - Y)2
_
Y
Xi
13-28
_
Y
X
13-29
El coeficiente de determinacin es la porcin

de la variacin total en la variable
dependiente que es explicada por la variacin
en la variable independiente.
El coeficiente de variacin es tambin llamado
r-squared y es denotado como r2
r2
SSR suma de cuadr. regresin
SST
suma de cuadr. totales
note:
0 r2 1
13-30
FEN-6
Valores de
r2 aproximados
Valores de
r2 aproximados
Y
r2 = 1
r2 = 1
0 < r2 < 1
Perfect linear relationship

between X and Y:
Dbil relacin lineal entre X

y Y:
100% of the variation in Y is

explained by variation in X
r2 = 1
Algunos pero no todas las

variaciones en Y es
explicada con las
variaciones en X
r2
13-31
Valores de
aproximados
Ejemplo de un modelo de regresin lineal simple:

Coeficiente de determinacin, r2 en Excel
r2
r2 = 0
Multiple R
0.76211
R Square
0.58082
Adjusted R Square
Standard Error
10
ANOVA
df
=0
El valor de Y no depende
de X. (Ninguna de la
variacin en Y es explicada
por la variacin en X)
18934.9348
18934.9348
13665.5652
1708.1957
Total
32600.5000
Coefficients
Intercept
13-33
MS
Residual
Standard Error
t Stat
F
11.0848
P-value
Significance F
0.01039
Lower 95%
Upper 95%
98.24833
58.03348
1.69296
0.12892
-35.57720
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
13-34
Error estndar del estimado en

Excel
Error estandar de la estimacin
SS
Regression
Square Feet
SSR 18934.9348
0.58082
SST 32600.5000
58.08% de la variacin en
precios casa es explicada por
la variacin en pies cuadrados
0.52842
41.33032
Observations
No hay relaciones lineales

entre X y Y:
r2
13-32
La desviacin estndard de la variacin de las

observaciones alrrededor de la lnea de
regresin es estimado por:
Multiple R
0.76211
R Square
0.58082
Adjusted R Square
0.52842
Standard Error
S YX 41.33032
41.33032
Observations
10
S YX
SSE
n2
(Yi Yi ) 2
ANOVA
df
i 1
n2
SS
1
18934.9348
18934.9348
Residual
13665.5652
1708.1957
Total
Donde:
Coefficients
SSE = Suma de cuadr. Del error

n = tamao muestral
Intercept
Square Feet
13-35
MS
Regression
F
11.0848
Significance F
0.01039
32600.5000
Standard Error
t Stat
P-value
Lower 95%
Upper 95%
98.24833
58.03348
1.69296
0.12892
-35.57720
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
13-36
FEN-7
Asunciones de regresin
L.I.N.E
Comparando errores estndar

SYX es una medida de la variacin de los
valores observados de Y desde una lnea de
regresin
Y
Y
small SYX
large SYX
La magnitud de SYX debe siempre ser tomada con respecto al

tamao de los valores de Y values en los datos muestrales.
Linealidad
La relacin entre X y Y es lineal
Independencia de los errores
Valores de los errores son estadisticamente independientes
Normalidad del Error
Los valores de los errores son normalmente distribudos para
cualquier X
Equal o Igual Varianza (tambin llamado homocedasticidad)
La distribucin de probabilidad de los errores tiene varianza
constante.
i.e., SYX = $41.33K es moderadamente pequeo relativo al

precio de las casas en el rango de $200K - $400K
13-37
Anlisis para linealidad en los

residuos
Anlisis Residual
ei Yi Yi
Se chequean las asunciones de la regresin
examinando los residuos.
Linealidad
Evaluar independencia
Evaluar normalidad
Examinar varianza constante en todos los niveles de X

(homocedasticidad)
Anlisis grfico de los residuos
Not Linear
Graficar residuos vs. X
13-39
Anlisis de residuos para

independencia
Independent
residuals
residuals
residuals
Linear
13-40
Normalidad
Not Independent
x
residuals
El residual para la observacin i, ei, es la diferencia

entre el valor observado y el predecido.
residuals
13-38
13-41
Examinar el Stem-and-Leaf Display de los

residuos
Examinar el Boxplot of the Residuals
Examinar el Histogram of the Residuals
Construir un grfico de la probabilidad Normal
de los Residuos
13-42
FEN-8
Anlisis de normalidad de los

residuos
Anlisis de residuos para igual

varianza
Cuandose usa un normal probability plot,

los errores normales se grafican en una lnea
recta
Percent
100
0
-3
-2
-1
x
Non-constant variance
Residual
13-43
Predicted
House Price
80
251.92316
273.87671
-6.923162
38.12329
284.85348
-5.853484
304.06284
3.937162
218.99284
-19.99284
268.38832
-49.38832
-20
356.20251
48.79749
-40
367.17929
-43.17929
-60
254.6674
64.33264
10
284.85348
-29.85348
60
Residuals
40
20
0
0
1000
2000
3000
Usado cuando los datos son tomados

sombre un tiempo para detectar si la
autocorrelacin est presente
Autocorrelacin existe si los residuos en
un perodo de tiempo estn relacionados a
los residuos en otro perodo de tiempo
Square Feet
13-45
Autocorrelacin es la correlacin de los errores

(residualess) sobre el tiempo
Durbin-Watson statistic es usado para probar

autocorrelacin
Time (t) Residual Plot
H0: residuos no son correlacionados

H1: autocorrelacin positiva est presente
15
10
Residuals
Aqu, Los residuos

tienen tendencia
cclica, no aleatoria.
Tendencia cclica son
signos de
autocorrelacin positiva
13-46
The Durbin-Watson Statistic
Autocorrelacin
13-44
No parece violar ninguna asuncin de

regresin
Constant variance
Medida de Autocorrelacin:
Durbin-Watson Statistic
House Price Model Residual Plot

Residuals
Excel Output de los residuos

RESIDUAL OUTPUT
residuals
residuals
5
0
-5 0
-10
-15
Time (t)
Viola la asuncin de regresin que los residuos

son aleatorios e independientes
13-47
(e e
i 2
e
i 1
i1
)2
2
i
El rango est entre 0 D 4

D debera estr cerca a 2 si H0 es
verdad
D menor que 2 puede dar seal positiva
de autocorrelacin , D mayor que 2 puede
ser seal de autocorrelacin negativa
13-48
FEN-9
Prueba para Autocorrelacin

Positiva
Probar Autocorrelacin
Positiva
H0: No existe autocorrelacin positiva
H1: autocorrelacin positiva est presente
Supongase que tenemos la siguiente serie de

tiempo:
Calcular Durbin-Watson statistic = D
160
(Durbin-Watson Statistic usando Excel o Minitab)
140
120
Encontrar los valores dL and dU desde la tabla Durbin-Watson
Sales
100
(para muestras de tamao n y nmero de variables independientes k)
Regla de Decisin: reject H0 if D < dL
80
y = 30.65 + 4.7038x
60
R = 0.8976
40
20
0
Rechazar H0
No concluyente
No rechazar H0
10
15
20
25
30
Tim e
dL
dU
13-49
Existe Autocorrelacin?
Probando Autocorrelacin
Positiva
Prueba para autocorrelacin

Positiva
160
Ejemplo con n = 25:
140
Aqu, n = 25 y hay k = 1 una variable independiente
Usando la tabla Durbin-Watson, dL = 1.29 y dU = 1.45
120
Excel/PHStat output:
Sales
100
Durbin-Watson Calculations
Sum of Squared
Difference of Residuals
3296.18
Sum of Squared
Residuals
3279.98
Durbin-Watson
Statistic
1.00494
13-50
80
y = 30.65 + 4.7038x
60
R = 0.8976
D = 1.00494 < dL = 1.29, entonces rechazar H0 y

concluir que existe autocorrelacin positiva.
40
20
0
0
10
15
20
25
30
Decision: rechazar H0
Tim e
D = 1.00494 < dL
n
(ei ei1 )2
i2
e
i1
3296.18
1.00494
3279.98
13-51
S YX
SSX
S YX
t test para una pendiente poblacional
Hiptesis nula y alternativas son:

(No existe relacin lineal)
(existe relacin lineal)
Test statistic
donde:
Hay una relacin lineal entre X y Y?

H0 : 1 = 0
H1 : 1 0
(Xi X)2
= Estimacin del error estndar de la pendiente
S YX
b 1
t STAT 1
Sb
1
SSE = Error estndar de la estimacin

n2
2
13-52
donde:
Sb1
dU=1.45
Inferencias sobre la pendiente:

t test
El error estandar del coeficiente de la pendiente

de la regresin (b1) es estimado por:
Sb1
No rechazar H0
dL=1.29
Inferencias acerca de la
pendiente
No concluyente
Rechazar
H0
d.f. n 2
13-53
b1 = coeficiente de la
pendiente de la regresin
1 = Pendiente de la
hiptesis
Sb1 = error estndar de la
pendiente
13-54
FEN-10

t test - Ejemplo
House Price
in $1000s
(y)
Square Feet
(x)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700

t test - Ejemplo
Ecuacin de regresin estimada:
H0 : 1 = 0
H1 : 1 0
From Excel output:
house price 98.25 0.1098 (sq.ft.)
Coefficients
Intercept
Square Feet
t Stat
P-value
98.24833
Standard Error
58.03348
1.69296
0.12892
0.10977
0.03297
3.32938
0.01039
La pendiente de este modelo es

0.1098
b1
Sb1
Hay una relacin entre los pies

cuadrados de la casa y su precio de
venta o precio de casa?
t STAT
b1 1
Sb
0.10977 0
3.32938
0.03297
13-55

t test - Ejemplo

t test - Ejemplo
H0 : 1 = 0
H1 : 1 0
H0 : 1 = 0
H1 : 1 0
Test Statistic: tSTAT = 3.329
From Excel output:

Coefficients
d.f. = 10- 2 = 8
Intercept
/2=.025
Reject H0
Do not reject H0
-t/2
-2.3060
Reject H0
t/2
2.3060
Square Feet
Decision: Rechazar H0
/2=.025
3.329
Hay suficiente evidencia

que los pies cuadrados
afectan el precio de venta de
la casa.
13-57
F Test :
FSTAT
donde:
MSR
t Stat
P-value
98.24833
Standard Error
58.03348
1.69296
0.12892
0.10977
0.03297
3.32938
0.01039
Decision: Rechazar H0, si el p-value <
p-value
Hay suficiente evidencia que los pies

cuadrados afectan el precio de venta
de la casa.
13-58
F-Test para significancia:

Output de Excel
F Test para significancia
13-56
MSR
MSE
Multiple R
SSR
k
0.76211
R Square
0.58082
Adjusted R Square
0.52842
Standard Error
MSR 18934.9348
11.0848
MSE 1708.1957
41.33032
Observations
SSE
MSE
n k 1
FSTAT
10
With 1 and 8 degrees

of freedom
p-value for
the F-Test
ANOVA
df
donde FSTAT sigue una distribucin F con k numerador y (n k - 1)

denominador grados de libertad
MS
Regression
18934.9348
18934.9348
11.0848
Residual
13665.5652
SS
1708.1957
Total
32600.5000
Significance F
0.01039
(k = el nmero de variables independientes en el modelo de regresin)

13-59
13-60
FEN-11
F Test para significancia
Intervalo de confianza para la

pendiente
Estimacin del intervalo de confianza de la
pendiente:
Test Statistic:
H0 : 1 = 0
H1 : 1 0
= .05
df2 = 8
df1= 1
b1 t / 2 S b
MSR
FSTAT
11.08
MSE
Decision:
Rechazar H0 at = 0.05
Critical
Value:
Excel para los precios casas:

Coefficients
Standard Error
98.24833
58.03348
1.69296
0.12892
-35.57720
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
Intercept
Square Feet
F = 5.32
No
rechazar
H0
Hay suficiente evidencia que el

tamao de la casa afecta el
precio de venta.
Rechazar H0
F.05 = 5.32
Square Feet
13-61
Lower 95%
Upper 95%
Lower 95%
Standard Error
t Stat
P-value
98.24833
58.03348
1.69296
0.12892
-35.57720
Upper 95%
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
Siendo las unidades del precio de casa en

$1000s, Tenemos 95% confianza que el impacto
promedio sobre el precio de venta est entre
$33.74 y $185.80 por pie cuadrado de superficie
Hipotesis
H0: = 0
H1: 0
1 r2
n2
13-63
t STAT
1 .762 2
10 2
13-64
r
1 r2
n2
.762 0
1 .762 2
10 2
3.329
/2=.025
/2=.025
3.329
Reject H0
-t/2
-2.3060
13-65
Do not reject H0
Decision:
Rechazar H0
Conclusion:
Hay evidencia de
una asociacin
lineal al 5% nivel
de significancia
d.f. = 10-2 = 8
=.05 , df = 10 - 2 = 8
1 r2
n2
r r 2 if b1 0
(No correlacion)
(correlacion existe)
.762 0
donde
t Test para el coeficiente de

correlacin
Hay evidencia de una relacin lineal entre

los pies cuadrados y precios casa al .05
nivel de significancia?
(con n 2 grados de libertad)
r r 2 if b1 0

correlacin
(correlation exists)
r -
t STAT
Conclusion: Hay una relacin significativa entre el precio

de la casa y los pies cuadrados al .05 nivel de significancia
H0: = 0
H1: 0
(no correlation between X and Y)
Test statistic
Este 95% intervalo de confianza no incluye 0.
13-62

correlacin
Coefficients
t STAT
P-value
Al 95% de confianza, el intervalo de confianza para la

pendiente es de (0.0337, 0.1858)
Estimacin del intervalo de

confianza para la pendiente
Intercept
t Stat
Conclusion:
= .05
d.f. = n - 2
Reject H0
t/2
2.3060
3.329
13-66
FEN-12
Intervalo de confianza para el

promedio Y, dado X
Estimando los valores medios y

prediciendo los valores individuales
Meta: Formar intervalos alrrededor de Y para expresar
incertidumbre acerca del valor Y para un dado Xi
Intervalo de
confianza
para la media
de Y, dado Xi
Estimar el intervalo de confianza para el

Valor medio de Y dado un particular Xi
intervalo de confianza para Y|X X i :

Y t / 2 S YX hi
Y = b0+b1Xi
Tamao del intervalo vara de

acuerdo a la distancia desde la
media, X
Intervalo de
prediccin para un
valor individual Y,
dado
CopyrightX
2011 Pearson Education, Inc. publishing as Prentice Hall
i
hi
Xi
13-67
1 (Xi X)2 1
(Xi X)2

n
SSX
n (Xi X)2
Intervalo de prediccin para un

valor Y, dado X
Estimacin de los valores

medios: Ejemplo
Estimar el intervalo de confianza para Y|X=X
Estimar el intervalo de confianza para

Valor individual de Y dado un particular Xi
Precio predecidoYi = 317.85 ($1,000s)
Y t / 2 S YX 1 hi
1
t
Y
0.025 S YX
n
Este trmino extra aade al ancho de intervalo
para reflejar la incertidumbre adicional para un
caso para un caso individual
13-69
317.85 37.12
13-70
Encontrar con Excel estos

intervalos
Encontrar el intervalo de prediccin al 95% para una

casa individual con 2,000 pies cuadrados
Para Excel, usar

PHStat | regression | simple linear regression
Precio pronosticado Yi = 317.85 ($1,000s)
(X i X) 2
(X i X) 2
Estimar intervalos de prediccin para YX=X
(X i X ) 2
(X i X ) 2
Los puntos finales del intervalo de confianza son 280.66

y 354.90, o desde $280,660 a $354,900
Ejemplo de estimacin de los

valores individuales
1
t
Y
0.025 S YX 1
n
Encontrar el intervalo del 95% para el precio medio

de casas de 2,000 pies cuadrados
Intervalo de confianza para YX X i :
13-68
317.85 102.28
Chequear:
confidence and prediction interval for X=
box y entrar el valor X y el nivel de confianza
deseado.
El intervalo es desde 215.50 a 420.07, o desde $215,500

a $420,070
13-71
13-72
FEN-13
Encontrar el intervalo de confianza

y Prediccin en Excel
Input values
Y
Confidence Interval Estimate for Y|X=Xi
Prediction Interval Estimate for YX=Xi
13-73

Regresi%C3%B3n Lineal Simple

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Regresi%C3%B3n Lineal Simple

Загружено:

Авторское право:

Доступные форматы

Facultad de Economa y Negocios

Mtodos Estadsticos III

El significado de los coeficientes de regresin b0 y b1

Anlisis de Regresin Lineal

Como evaluar las asunciones del anlisis de regresin

Vctor Hugo Gonzlez J. PhD (c)

Estimar los valores medios y predecir valores

Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall

Correlacin vs. Regresin

Un diagrama de dispersin puede ser usado

Explicar el impacto de cambios en una variable

Variable Dependiente: La variable que

El efecto causal no se da con la correlacin.

Variable Independiente: La variable usada para

Diagramas de dispersin y Correlacin fueron vistos

Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall

Modelo de Regresin Lineal

Predecir el valor de una variable dependiente basado

La correlacin es pertinente solamente con la fuerza

Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall

El anlisis de relacin es usado para:

El anlisis de Correlacin es usado para medir

Solamente una variable independiente,

Relacion entre X y Y es descrita por

Vctor Hugo Gonzlez Jaramillo, PhD ( c )

Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall

Regresin Lineal Simple

Facultad de Economa y Negocios

Modelo de Regresin Lineal

Modelo de Regresin Lineal

Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall

Error aleatorio para

Ecuacin de regresin lineal

b0 y b1 son obtenidos al encontrar los valores

min (Yi Yi )2 min (Yi (b0 b1Xi ))2

Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall

Vctor Hugo Gonzlez Jaramillo, PhD ( c )

The Least Squares Method

La ecuacin de regresin lineal simple provee un

Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall

Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall

Regresin Lineal Simple

Facultad de Economa y Negocios

Los coeficientes b0 y b1 , y otros

Formulas son mostradas a continuacin

Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall

Ejemplo de Regresin Lineal

Una muestra aleatoria de 10 casas es

Variable independiente(X) = Pies cuadrados

Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall

Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall

Precio Casa $1000s

Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall

Usando funciones de Excel

2. Choose Data Analysis

b1 es el cambio estimado en el valor

Un agente de bienes races desea examinar la

b0 es el valor estimado promedio de Y

Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall

Vctor Hugo Gonzlez Jaramillo, PhD ( c )

Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall

Regresin Lineal Simple

Facultad de Economa y Negocios