Академический Документы
Профессиональный Документы
Культура Документы
Puntos Crticos:
A menudo resulta de fantstico conocer el efecto que una o varias
variables pueden causar sobre otra, e incluso predecir en mayor o menor
grado valores en una variable a partir de otra. De esta manera, los
mtodos de regresin estudian la construccin de modelos para explicar
o representar la dependencia entre una variable respuesta o dependiente
Y y la(s) variable(s) explicativa(s) o independiente(s), X. Quisiera
brevemente exponer algunas ideas centrales sobre la regresin lineal,
que tiene lugar cuando la dependencia es de tipo lineal.
Vamos a limitamos inicialmente al estudio del denominado modelo de
regresin lineal simple Galton (1886) y K.Pearson (1896), que considera
una sola variable explicativa X: Y = 0 + 1X (regresin de Y en X).
Segn Neter y Wasserman (1996), Nos dice que el modelo anterior se
satisface para cada una de las observaciones correspondientes, donde se
deba definir cul es la variable causa (estmulo) y cul la variable efecto
(respuesta). El mtodo ms afectivo para conocer 0 y 1 se conoce como
tcnica de mnimos cuadrados, en donde daremos estimaciones 0 y 1
que se asemejen a los verdaderos; Es decir, se trata de encontrar la
funcin en la cual la suma de los cuadrados de las diferencias entre los
valores observados y esperados sea menor. Sin embargo, con este tipo de
estrategia es necesario que los residuos o errores estn distribuidos
normalmente y que varen de modo similar a lo largo de todo el rango de
valores de la variable dependiente. Estas suposiciones pueden
comprobarse examinando la distribucin de los residuos y su relacin con
la variable dependiente.
Yule (1907) generaliz la regresin simple de Pearson a la regresin
mltiple. Hasta ahora hemos considerado nicamente el caso de la
regresin simple. En el caso ms general de la regresin mltiple,
existen dos o ms variables independientes:
Y = 0 + 1X1+ 2X2 + ...
Esta regresin ya viene a ser ms complicada y laboriosa de calcular, ya
que genera una multiplicidad de resultados difcil de interpretar.
Conclusin
El presente trabajo ha pretendido ofrecer una visin, ms o menos,
amplia acerca de las diversas formas funcionales que pueden adoptar los
modelos de regresin, destacando la importancia de los modelos lineales,
tan presentes en la Economa. As mismo, se ha hecho necesario el
estudio de la clusula caeteris paribus la cual nos sirve se supuestos
para el modelo.
Referencias bibliogrficas.
Elena Martnez Rodrguez (2005) Errores frecuentes en la
interpretacin del coeficiente de determinacin lineal Real Centro
Universitario Escorial-Mara Cristina.
Julio H. Cole (2002) Nociones de regresin lineal Universidad
Francisco Maroqun.
Alfonso Novales (2010) Anlisis de Regresin Departamento de
Economa Cuantitativa Universidad Complutense.
Heriberto L. Urbisaia
y
Juana Z. Brufman La clusula caeteris
paribus: su tratamiento economtrico Facultad de Ciencias Econmicas
Universidad de Buenos Aires.