REGRESION

Un análisis de regresión genera una ecuación para describir la relación estadística entre
uno o más predictores y la variable de respuesta y para predecir nuevas observaciones.
La regresión lineal generalmente utiliza el método de estimación de mínimos
cuadrados ordinarios, del cual se obtiene la ecuación al minimizar la suma de los
residuos cuadrados.

Por ejemplo, usted trabaja para una compañía de chips de patatas que analiza los
factores que afectan el porcentaje de chips desmenuzados por contenedor antes del
envío (la variable de respuesta). Usted lleva a cabo el análisis de regresión e incluye el
porcentaje de patatas con respecto a otros ingredientes y la temperatura de cocción
(centígrados) como su dos predictores. A continuación, la tabla de resultados.

REGRESIÓN LINAL SIMPLE

La regresión lineal simple examina la relación lineal entre dos variables continuas: una
respuesta (y) y un predictor (x). Cuando las dos variables están relacionadas, es posible
predecir un valor de respuesta a partir de un valor predictor con mayor exactitud.

Regresión ofrece la línea que "mejor" se ajusta a los datos. Esta línea se puede utilizar
después para:

 Examinar cómo cambia la variable de respuesta a medida que cambia la

variable predictora.
 Predecir el valor de una variable de respuesta (y) para cualquier variable
predictora (x)

REGRESION LINEAL MULTIPLE

La regresión lineal múltiple examina las relaciones lineales entre una respuesta
continua y dos o más predictores.

Si el número de predictores es grande, antes de ajustar un modelo de regresión con

todos los predictores, usted debería utilizar las técnicas de selección de modelo paso a
paso o de los mejores subconjuntos para excluir predictores que no estén asociados
con las respuestas.
En la regresión de cuadrados mínimos ordinarios (OLS), la ecuación estimada se calcula
cuando se determina la ecuación que minimiza la suma de las distancias elevadas al
cuadrado entre los puntos de datos de la muestra y los valores pronosticados por la
ecuación.

La regresión de cuadrados mínimos proporciona las estimaciones no sesgadas y más

precisas solo cuando se cumplan los siguientes supuestos:

 El modelo de regresión es lineal en los coeficientes. Los cuadrados mínimos

pueden modelar la curvatura al transformar las variables (en lugar de los
coeficientes). Debe especificar la forma funcional correcta con el fin de
modelar apropiadamente cualquier curvatura.
 Los residuos tienen una media de cero. La inclusión de una constante en el
modelo hará que la media sea igual a cero.
 Todos los predictores no se correlacionan con los residuos.
 Los residuos no se correlacionan entre sí (correlación de serie).
 Los residuos tienen una varianza constante.
 Ninguna variable predictora se correlaciona perfectamente (r=1) con una
variable predictora diferente. También es mejor evitar las correlaciones
imperfectamente altas (multicolinealidad).
 Los residuos están normalmente distribuidos.