UNIVERSIDAD TECNOLÓGICA

DE PANAMÁ

TEMA: EL MODELO DE REGRESIÓN LINEAL SIMPLE

PROFESOR:

DR. RAÚL DE GRACIA HARRISON

Temas
Introducción
 Introducción

¿Qué es el modelo de regresión lineal

simple?

Es una herramienta estadística que permite

llevar a cabo la relación entre dos (2) variables
cuantitativas: una independiente (X) y una
dependiente (Y).
 Introducción
¿Por qué es útil el modelo de regresión lineal
simple?

• Permite encontrar la fuerza o magnitud de cómo se

relaciona la variable independiente con la variable
dependiente.

• Se puede estimar o predecir el valor de la variable de

respuesta (Y), a partir de un valor dado a la variable
explicativa (X).

• En este modelo sólo se considera una variable

independiente para predecir el resultado.
 Introducción
El modelo permite realizar pronósticos en:

• Mercadeo (ventas, demanda, etc.).

• Economía (PIB, desempleo, consumo, etc.).
• Mercados financieros (tasa de cambio, precios de
acciones, etc.).
• Demografía (población, flujos migratorios, etc.).
• Procesos presupuestarios (ingresos).
• Planificación y control de operaciones (precios de
insumos).
 Introducción
¿Por qué es útil el modelo de regresión
lineal simple?

• Permite encontrar la fuerza o magnitud de cómo

se relacionan la variable independiente con la
variable dependiente.

• Se puede estimar o predecir el valor de la

variable de respuesta (Y), a partir de un valor
dado a la variable explicativa (X).
2.- Ecuación del Modelo de
Regresión Lineal Simple
 Ecuación
Y= β0 + β1X+ ε

Donde:
• Y son los valores correspondientes al eje vertical.
• β0 es la ordenada al origen.
• β1 es la pendiente.
• X son los valores correspondiente al eje horizontal.
• ε es un error estadístico. Explica por qué el
modelo no se ajusta exactamente a los datos.
▫ La diferencia entre el valor observado de Y, y el de la
línea recta (β0 + β1X) se conoce como error.
 Pendiente de la recta

Para asociar estas dos variables se propone una

línea recta, que describe la tendencia de los
datos, de ahí el nombre de regresión lineal.

La recta se expone en un plano y su grado de

inclinación representa la pendiente.
 Nombres de las variables
Variable Y Variable X Variable ε
• Dependiente • Independiente • Errores
• Explicada • Explicativa • Residuos
• Respuesta • Control • Innovaciones
• Predicha • Predictiva • Shocks
• Regresando • Regresor • Disturbios
 Las variables pueden adquirir
distintos valores, según la escala

Nominales
▫ La variable adquiere valores categóricos sin ningún
orden jerárquico.

Ordinales
▫ La variable adquiere valores categóricos que tienen un
orden jerárquico.

Continuas
▫ La variable puede adquirir cualquier valor numérico.
 Supuestos del modelo
1. Para cada valor de X, la variable aleatoria se
distribuye normalmente.
2. Para cada valor de X, la media o valor esperado de
ε es 0.
3. Para cada valor de X, la varianza de ε es la
constante σ2 (llamada varianza del error).
4. Los valores del término de error ε son
independientes.
5. Para un valor fijo de X, la distribución muestral de
y es normal, porque sus valores dependen de los
de ε.
6. Para un valor fijo X, es posible predecir el valor de
y.
 Estimación de los parámetros
Método de Mínimos Cuadrados Ordinarios (MCO)
Definición
• Permite escoger la recta
que mejor se ajusta a los
datos.
 Estimación de los parámetros
• El MCO consiste en cuantificar las diferencias
entre los valores observados y los valores
predichos de todas las posibles rectas, la mejor es
la que minimice dichas diferencias.

• El MCO dibuja una línea a través de la dispersión

de puntos, de tal forma que la suma de las
desviaciones cuadradas de cada uno de los puntos
respecto a la línea sea minimizada.
Estimación de los parámetros
3.- Pasos para el Análisis del Modelo
de Regresión Lineal Simple
 Pasos para el análisis
Paso Nº 1: Diagrama de dispersión

• Se utiliza para conocer la relación entre dos

variables.

• Los valores de la variable independiente X son

asignados al eje horizontal, y los valores de la
variable dependiente Y son asignados al eje vertical.

• El patrón que se obtiene a partir de este diagrama se

conoce como la distribución básica y la fuerza de las
asociación entre las dos variables.
Diagrama de Dispersión
 Pasos para el análisis
Paso Nº 2: Análisis de la correlación
(Coeficiente de correlación de Pearson)

• Es un coeficiente que permite evaluar la fuerza de

asociación entre dos variables.
• El valor del coeficiente establece el límite: -1 a 1.

Correlación positiva:

• Una correlación que se acerque a 1, indica que el

valor de Y aumenta a medida que aumenta el valor
de X.
 Pasos para el análisis
Correlación negativa:

• Una correlación que se acerque a 1, pero con signo

negativo (-1), indica que la correlación es negativa o
inversa (el valor de Y disminuye a medida que
aumenta el valor de X).

No hay correlación:

• Si el valor es cercano a cero, esto indica que la

relación entre X y Y produce una línea horizontal, y
por tanto, no hay correlación.
Fórmula
Pasos para el análisis
Pasos para el análisis
 Pasos para el análisis
Paso Nº 3: Coeficiente de determinación R2
• Es una medida que indica si el modelo ha
ajustado bien.

• Permite decidir si el ajuste lineal es suficiente o

si se debe buscar un modelo alterno.

• Es una medida cuantitativa de qué tan bien el

modelo ajustado puede pronosticar.

• Usualmente se expresa en porcentaje.

Fórmula
4.- Diagrama de Dispersión
 Cálculo de la regresión lineal simple

Paso Nº 4 – Diagrama de Dispersión

Consideramos el siguiente experimento para

estudiar el efecto de una nueva droga sobre la
frecuencia cardiaca a cinco personas.
5.- Salida del Modelo de
Regresión Lineal
 Pasos para el análisis
Paso Nº 5 – Análisis de los resultados

1.- Coeficiente de correlación (r).

2.- Coeficiente de determinación (R2).
3.- Ecuación de regresión lineal.
4.- Análisis de la variancia.
5.- El valor de F.
6.- Hipótesis
7.- Gráfica de los residuos.
 Pasos para el análisis
Paso Nº 5 – Análisis de los resultados

1.- Coeficiente de correlación (r).

2.- Coeficiente de determinación (R2).
3.- Ecuación de regresión lineal.
4.- Análisis de la variancia.
5.- El valor de F.
6.- Hipótesis
7.- Gráfica de los residuos.
Conclusiones
Conclusiones