Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
ANALISIS DE REGRESIN LINEAL SIMPLE. Modelo de regresin: Y = a + b*X Una determinada empresa asigna diferentes precios a un dispositivo electrnico de cierta manera en ocho ciudades diferentes del pas. La tabla adjunta muestra el nmero de dispositivos vendidos y los precios correspondientes. VENTAS (cantidades) Y 400 440 380 450 420 420 380 350 PRECIO S/. X 60 50 65 45 50 55 60 65
Realizando el respectivo anlisis de regresin en Microsoft Excel tenemos los siguientes resultados.
Estadsticas de la regresin
(1) Coeficiente de correlacin mltiple (8) Coeficiente de determinacin R^2 R^2 ajustado (3) Error tpico Observaciones ANLISIS DE VARIANZA 0.937137027 0.878225806 0.857930108 12.74227575 8
Grados de libertad
Regresin Residuos Total 1 6 7
Suma de cuadrados
7025.80645 974.193548 8000
F
43.2715232
Valor crtico de F
0.000592135
Coeficientes
Intercepcin Variable X 1 (5) 644.516129 (2) -4.258064516
Error tpico
36.688733 (4) 0.647308
Estadstico t
17.56714055 (5) -6.578109392
Probabilidad
2.1834E-06 (7) 0.00059213
Inferior 95%
554.7420336 -5.841970755
Para explicar la terminologa utilizada en este reporte de resultados, en la siguiente lista se presentan definiciones y clculos que aparecieren en las tablas anteriores. 1. Correlacin = -0.937. el coeficiente de correlacin de muestra (r) seala la relacin entre las variables X y Y, o precio y ventas, respectivamente. El valor para r es negativo, lo cual sugiere una relacin lineal negativa entre el precio y las ventas, adems el valor r es muy prximo a -1. Este resultado sugiere una relacin lineal muy fuerte. La pregunta es si la combinacin del tamao de la muestra y el coeficiente de correlacin es tan fuerte como para hacer afirmaciones significativas sobre la poblacin. 2. Coeficiente de regresin (pendiente) = -4.258. este valor (b) es el cambio en Y (ventas) cuando X(precio) aumenta en una unidad. Es decir, para nuestro ejemplo, cuando el precio aumenta en S/. 1.00, las ventas estimadas disminuyen en 4.258 unidades, es decir en 4 dispositivos electrnicos. Pgina 1
3. El error estndar de estimacin Error tpico = 12.74227575. el error estndar de la estimacin indica que los valores Y tpicamente caen aproximadamente a 12.742 unidades de la lnea de regresin. ( )
4. El coeficiente de error estndar de la regresin = 0.647 este valor es la desviacin estndar estimada del valor del coeficiente de regresin (Sb). ( )
5. El valor t calculado (Estadstico t)= -6.578109392. El valor calculado t se usa para probar si el coeficiente de regresin de la poblacin es significativamente diferente de cero.
6. La constante intercepcin = 644.516129. este valor es la interseccin (a), de la lnea de regresin con el eje vertical Y. por lo tanto, la ecuacin de regresin completa es. 7. El valor Probabilidad = 0.00059213, es la probabilidad de obtener un valor t tan grande como | | | | por casualidad si H0: = 0 es verdadera. Ya que el valor p es extremadamente pequeo (p<), se concluye que la pendiente del coeficiente de regresin es significantemente diferente de cero, por tal (se rechaza H0 : = 0). 8. Coeficiente de determinacin R^2 = 0.878225806. la lnea de regresin ajustada explica el 87.8% de la varianza del volumen de venta.
9. Las inferencias pueden ser seriamente engaosas si los supuestos elaborados en la formulacin del modelo son extremadamente incompatibles con los datos. Recordemos que el supuesto del modelo de regresin lineal, el coeficiente de correlacin nos indica nivel de relacin entre Y y X, no obstante no debemos confiarnos en dicho supuesto sin antes ver el comportamiento de los residuos. Los residuos no deben de presentar algn patrn sistemtico que indique variabilidad inconstante (creciente) en su grafica, al contrario, los residuos deben de presentar signos de independencia.
20 Residuos 10 0 -10 -20 40 50 60 70
Pgina 2
) contra la variable X (precio) no presenta Como podemos ver en la grafica, los residuales ( patrn sistemtico o variabilidad creciente, por tal podemos asumir que el comportamiento de los residuos muestra signos de independencia, lo cual corrobora el ajuste del modelo de regresin. Si por ejemplo, ocurre que una cadena de residuales positivos est seguida por otra de residuales negativos, y a su vez, seguida de otra cadena de residuales positivos. o si los la grafica presenta apariencia de forma de cono, entonces este comportamiento sugerira una relacin no lineal entre Y yX.
Pgina 3