REGRESIÓN MÚLTIPLE

Introducción. –

Se considera regresión múltiple a aquella en la cual se emplean variables independientes

adicionales. Estas variables independientes están denotadas por (𝑋1 , 𝑋2 , … , 𝑋𝑛 ), las mismas que

contribuyen a la mejor explicación o predicción de la variable dependiente (Y). (Lind, Marchal,

& Wathen, 2008)

Se puede mencionar que el análisis de regresión múltiple sirve como técnica descriptiva o como

técnica de inferencia.

Análisis de Regresión Múltiple. –

En regresión múltiple disponemos de la siguiente ecuación general de regresión múltiple, cuando

de dos o más variables independientes.

̂ = 𝒂 + 𝒃𝟏 𝑿𝟏 + 𝒃𝟐 𝑿𝟐 +𝒃𝟑 𝑿𝟑 +. . . +𝒃𝒌 𝑿𝒌
𝒀

Donde:

𝒌 → representa el número de variables independientes, por lo tanto, puede ser cualquier número

entero positivo

𝒂 → es la intersección con el eje Y cuando las variables independientes (X) son cero

𝒃𝒋 → se considera a aquella cantidad en la cual (Y) cambia cuando 𝑿𝒋 aumenta una unidad,

mientras los valores de todas las demás variables independientes se mantienen constantes.

Cuando existen dos variables independientes la ecuación de regresión está definida por:

̂ = 𝒂 + 𝒃𝟏 𝑿𝟏 + 𝒃𝟐 𝑿𝟐
𝒀
Es importante tener en cuenta que, en general, una ecuación de regresión NO se utiliza fuera del

rango de los valores muestrales.

̂ y 𝑿 ya no se representa
Debido a que existen dos variables independientes la relación entre 𝒀

gráficamente mediante una recta, sino, como un plano.

Cabe recalcar, que, si en un análisis de regresión múltiple se incluyen más de dos variables

independientes, no se puede realizar una gráfica para representar el análisis.

Los valores de los coeficientes de la ecuación lineal múltiple se los puede determinar mediante el

método de mínimos cuadrados. Este método es aquel que suma las diferencias elevadas al

cuadrado entre los valores ajustados y reales de (Y) tan pequeña como sea posible, con lo cual el

término se minimiza.

Ya que los cálculos suelen ser muy tediosos de realizarse se los puede resolver mediante un

software estadístico, como Excel o Minitab.

¿La Ecuación Ajusta Bien los Datos?

Inferencias en la Regresión Lineal Múltiple

Evaluación de los Coeficientes de Regresión Individuales.

Hasta el punto actual por lo menos uno, no necesariamente todos los coeficientes de regresión

son iguales a cero, por lo tanto, son útiles para las predicciones.

Después de eso el siguiente paso es probar cada una de las variables independientes de forma

individual, para determinar que coeficientes de regresión pueden ser 0 y cuales no pueden serlo.
¿Por qué es importante saber si algunas de las 𝛽𝑗 son iguales a 0?

Es importante determinar si una β puede ser igual a 0, ya que, si lo es, esta variable

independiente en particular no tiene valor al explicar alguna variación en el valor dependiente.

Si llegase a existir coeficientes para los cuales 𝐻0 no se puede rechazar, lo más acertado sería

eliminarlos de la ecuación de regresión.

𝑏𝑖 −0
𝑷𝒓𝒖𝒆𝒃𝒂 𝒅𝒆 𝒍𝒐𝒔 𝑪𝒐𝒆𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒆𝒔 𝒅𝒆 𝑹𝒆𝒈𝒓𝒆𝒔𝒊ó𝒏 𝑰𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒂𝒍𝒆𝒔 𝑡= 𝑆𝑏𝑖

Donde 𝑏𝑖 es cualquiera de los coeficientes de regresión, y 𝑆𝑏𝑖 , se refiere a la desviación estándar

de esa distribución del coeficiente de regresión. El cero de la ecuación está incluida debido a que

la hipótesis nula es 𝛽𝑗 = 0

En caso de que una de las variables independientes no sea igual a cero, se debe omitir esa

variable y efectuar nuevamente la ecuación de regresión.

Existen casos en los cuales no es sencillo determinar que variable independiente se debía

eliminar, en estos casos se debe ir eliminando una por una las variables independientes con el

menor valor t absoluto o con el valor p mayor y volver a formular una nueva ecuación de

regresión con las variables independientes sobrantes.

Evaluación de las Suposiciones de la Regresión Múltiple

Regresión por Pasos

Modelos de Regresión con Interacción

 Conclusiones
1. Es importante eliminar las variables independientes que sean diferentes de cero, ya
que no explican la variabilidad de la variable dependiente

Recomendaciones
1. Detallar de mejor manera el proceso de la eliminación de variables dependientes.

Bibliografía
Lind, D., Marchal, W., & Wathen, S. (2008). Estadística Aplicada a los Negocios y la Economía. McGraw-
Hill.