Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
.I
CONCEPTUACIN
urodelo Clsico de Regresin tuvo su origen en los trabajos de astronoma elaboraGauss en e! perodo de 1809 a 1821 . Actuahnente el anlisis de regresin es una
"
: S rsrri&s de la teora estadstica rlrs utilizados
en la investigacin cientfica. Es uua
;-- - r3 adecuada cuaudo se desea estudiar el conrpoalniento de una variable (variable
,r
-r'
-:
;r:..liente)
"
:t::ndientes).
*;.
ts::
::les
..:ncin
Lineal
i=
1,..,111
(5.1)
lHcxnir oe Tosocroxrsp
-.ry
-.- -
Una estimacin
..1
-.-
','
\-
.'.
--r
HOMOGI
ac
t,:
d<
bo+b,x,
En ungrfico form
en ejes cartesianos, d
tica que vara en cad
lineal se representa
b) Hiptesis Bsicas
1i) La variable independiente debe ser representada por nmeros reales que no
Y, (dependiente)
El nmero de observaciones, m, debe ser superior al nmero de parmetros estinrados. es decir, que para el caso de la regresin lineal simple debe ser superior a dos.
23)
3)
Los effores de las variables aleatorias tienen valor esperado nulo y varianza constante, esto es, E (e,) = 0 y Var (q) : d.
4e) Los errores son variables aleatorias con
5a)
distribucin normal.
normalidad.
Los valores medios de mercado para cada nivel de,{ son calculados por el componente sistemtico del modelo 5.1, que se representa por:
rv-I-- o+ ,X,
i:1,...,nt
(s.2)
Como no es viable el levantamiento de todos los datos del mercado de una poblacir
en laprctica se trabaja con un subconjunto de n elementos de estapoblacin, denominada
muestra, a travs de la cual, utilizando inferencia estadstica se estiman los parmetros de
la poblacin. La ecuacin del modelo inferido est dada por:
:bo+b,X + s
i:1,...,n
figrra
S.
t-
Cabe destacar q
comportamiento del r
laprctica este,comp
Un caso particular,
posee apenas un par
tal. En la prctica, er
formacin de los pre<
general, y el modelo e
(s.3)
5.2 DIAGRAMA
Donde:
ei,...,en
pnrrr*r
Arvs
Duus
El primerpaso par
minadavariable influ,
en relacin a la dista
casos distintos, preset
Una estimacin del valor medio del mercado est dada por:
Y,
: b,,+b,X
: 1,...,n (5.4)
tica que vara en cada uno de estos datos. la parte explicada del modelo de regresirr
lineal se representa por la recta que pasa ms prxima a todos los puntos. conocida
tambin como la recta de regresin, como se muestra en 1a fieura -i.1.
Yr (dependente)
:
Muestna
recta
e,
e,
X, ( ndepenc
Figura 5.1
o+ ,x, +
Recta
(media
de
la poblacin)
e'::
Cabe destacar que con la recta 1 se obtiene una estimacin del vercladero
comportamiento del mercado, que sera lo obtenido si se ler antara toda la poblacin. En
la prctica este comportamiento se infiere con la recta l.
Un caso particular del modelo de regresin lineal simple es el modelo nulo. Este modelo
posee apenas un parmetro. Su representacin erfica est dada por una recta horizon-
tal. En la prctica, esto significa que no existe ninsuna variable explicativa sobre la
formacin de los precios, pudiendo estimarse el r alor de mercado apenas por la media
general, y el modelo est dado por:
Y,: Po+
e ,,
i:
l,..,nt
(s.5)
TrucroxsV
q;;p-
HOM(
puede encontrar es
frg.5.7.
Vu (R$/m,)
FBura 5.2
Caso
Figura 5.3
Caso 2
lt
- - -- - - l- lt
tt
--J-__L_
tt
Figura 5.6
Obsrvese que
datos, el tasador a
Figura 5.4
Caso 3
Figura 5.5
Caso 4
Esto que parece bastante trivial, es muy importante para comprobar la creen cia a priori
que el tasador tiene sobre el comportamiento del mercado. En los puntos de la figura 5.5
no se puede extraer la misma conclusin. En este caso el mercado est indicando,
aparentemente, que el polo no ejerce ninguna influencia sobre la formacin de los precios.
La inclinacin de la recta indica la intensidad con que la variable independiente influye
sobre la variable dependiente.
En cuanto a la forma de la curva se verifica que los puntos dispuestos en las figuras
5.2,5.4 y 5.5 presentan caractersticas de linealidad, mientras que los de la figura 5.3
indican un comportamiento exponencial. Esto es fundamentalparael tasador, pues en los
casos 1, 3 y 4 se pueden ajustar los datos a una recta, utilizando regresin lineal, pero en
el caso 2 eso no es posible, sino se procede a la debida transformacin para linealizar los
datos.
Por ltimo, una cuarta informacin de bastante inters en cuanto a la dispersin de los
datos a lo largo de la curva que mejor se ajusta a los datos. Se verifica en los casos 1, 2,
y 4 que la dispersin es aparentemente constante, es decir, aparenta homocedasticidad o
buena aproximaci
para terrenos que e
este intervalo no hr
permitida la extrap,
si se desea estimar
seccinyotrasalc
Considerando e
muestra en la figur
fenmeno, como e
delmercado para d
es equivalente a ha
varianza constante de los errores; mientras que el caso 3, lavarianza de los datos es
cedasticidad.
En captulos posteriores se demostrar que los modelos ideales son aquellos que presentan condiciones favorables de linealidad, homocedasticidad y con intensidad alta, esto
es, rectas distantes de la recta horizontal, adems de otras cualidades.
Figura 5.8
Ynr"*r
importt
modelo de regresi(
ms potentes del n
Otras situacion
creciente a medida que se aleja del polo valorizante, presentndose condiciones de hetero-
Aws Drxrm
ru}',-
Este analisis inicial es fundamental para formular un modelo aceptable para explicar
el mercado inmobiliario. La curva que pasa ms cerca a los puntos es llamada la cuiva de
regresin. Al plotear los puntos en un papel milimetrado, corlo se muestra en la fig. 5.6 se
puede encontrar esta curva con bastante aproximacin, como por ejemplo la recla de la
fig.5.7.
Vu
(R$/m'?)
Vu (RS/m,)
ttttt
- - -- - -|- - - I - - -r- - - I
ltttt
a
ttttl
_ - -J _ _ _l _ _ -l _ r_L _ _
IIII
ttt.t.l
ltttt
"1
- - - - -T - - -'l - - -r- -.- 1
tttlt
ttltt
_.,l
501-
tt
tt
-_J___L__
lt
rrll
---'l---T--{---l---
rtl
ttll
1
Figura 5.6
Figura 5.7
Obsrvese que sin necesidad de usar equipos o sistemas para el tratamiento de los
datos, el tasador al trazar esta recta, est estimando un modelo de regresin con una
buena aproximacin y podra, a partir de ah, usar el modelo para estimar el valor medio
para terrenos que estuviesen a unadistanciaentre I y5 km. del polo valorizante. Fuera de
este intervalo no hay seguridad en cuanto al comportamiento de los precios, no siendo
permitida la extrapolacin. Elmodelo de regresin es intrnsecamente interpolativo. As,
si se desea estimar el valor para un terreno que estuviese a 3 Km. de distancia del polo,
bastara con buscar el precio medio correspondiente en la figura 5.7 y encontrar como
resultado R$40/m2.
Es muy importante que el tasador comprenda lo que est haciendo cuando ajusta un
modelo de regresin, siendo el anlisis grfico una de las herramientas ms sencillas y
ms potentes del modelaje.
Otras situaciones interesantes pueden ocurrir. Algunas sern presentadas en esta
seccin y otras a lo largo del libro.
Considerando el mismo ejemplo, puede ocurrir una distribucin de los datos como se
muestra en la figura 5.8. En este caso se puede considerar una sola recta para explicar el
fenmeno, como en la figura 5.9, pero no habra seguridad en cuanto al comportamiento
del mercado para distancias en el intervalo entre b y c. Utilizar el modelo
.rt" intervalo
"n
es equivalente a hacer una extrapolacin interna, o mejor una..intrapolacin,,
I
I
r'j
ab
X,.
Figura 5.9
lxcxrnl o Tslcoxs
Iw
HoMocENElzActx
ry
unuaxoo
MoDELos
o ncnrslx
IINEAL slMPtE
Otro caso bastante interesante, que puede llevar al tasador a cometer elrores graves
se presenta en la figura 5.10. La recta de regresin (recta 1) pasa por la media del
conj unto y por un punto aislado como se muestra en la figura 5 . 1 I .
HOMO(
tr
Una disposicin
Figura 5.11
Figura 5.10
interaccin entreuna'
7.
Figura 5.16
5.3 LINEALIZACI
El proceso de
reE
vados en el mercadc
Figura 5.13
3-.a S 12
t*-A.ws
Drrrs
el fenmeno si la t<
observa este tipo de
linealizados por la r
Considrese, por eje
una recoleccin de c
precios unitarios de
tendencia de decreci
las reas. En este ca
5.1
8, sera inadecua,
ry
figuta 5.15. Este caso sera resuelto con la inclusin de una variable dummy enel mode.u-. SUnto que ser tratado en el captulo 7.
A
Recta
=,:-'a
5.14
Una disposicin de los puntos corno se muestra en la figura 5.1 6 es un caso tpico de
::eraccinentreunavariabledummyy la distancia aun polo valorizante, como por ejemplo,
",ts datos de oferta y las transacciones decrecen de forma diferenciada a medida que se
alejan del polo. En este caso, el mercado sera explicado a travs de dos rectas no pararias como las mostradas en la figura 5.17. Este asunto tambin ser tratado en el captuic r.
oa
a
aaa
Figura 5.16
Figura 5.'17
5.3 LINEALIZACN
El proceso de regresin lineal simple se aplica para ajustar rectas a los puntos obserel mercado. De esta forma, la recta solamente tendr significado para explicar
el fenmeno si la tendencia de los puntos fuese lineal. En la prctica, no siempre se
observa este tipo de tendencia. Sin embargo, algunos modelos no lineales pueden ser
linealizados por la simple transformacin de las escalas de medicin de las variables.
Considrese, por ejemplo, que los datos resumidos en la figura 5.1 8 son el resultado de
una recoleccin de datos de lotes de terreno, donde los puntos ploteados corresponden a
precios unitarios de nercado (P) versus las respectivas reas (A). Observe que hay una
tendencia de decrecimiento en forma hiperblica de los precios unitarios en relacin con
las reas. En este caso, el ajuste de una recta a los puntos, como se muestra en la figura
5.1 8, sera inadecuado, pues slo se pueden ajustar rectas a datos dispuestos con tendenr ados en
cia a la linealidad.
lxcxnh or
Trucronm[p
toMo(
--a
v
z:llP
Elcomportamien
Figura
5.18
Figura 5.19
Z=bo+
(b) Funcin Ex
La ecuacin de ur
y=a'bx
(s.6)
br . A
Figura 5.20
La linealizacin
transformacin invet
obtiene:
1
F=b.+br.A
P:
obtenindose la ecuar
b" +b,.A
(s.7)
Lny:Lni
El comportamieff
II
Figura 5.22
Y=
Una informacin i
ax- b
(s.8)
[-a ]inealizacin de la ecuacin 5.8 se hace con la inversin de las escalas de x y dey,
como se indica en la ecuacin 5.9.
nrr,rr
Arvs Drxus
y en
estimar una tasa medi
utiliza una funcin ex1
)ogartmica poseen dir
de variacin de
listribucin lognormal
x;,-
1b
__a__
yx
(s.9)
Figura 5.21
y=aoebx
(5. r 0)
Lny=Lna+bx
(s.r
l)
Figura
5.22
Figura 5.23
lxcxrr or
Tunoox:s\ff
'ry
HOMO
(c)
5.4 ESTTMACT
Funcin Potencia
La manera msl
los MnimosCuadra
errores calculados
y=a'xb
(s.12)
Lny:Lna*bLnx
los siguientes:
a) se determina u
medios calculados
b) se calculan
(s. 1 3)
correspondientes ajr
El comportamiento grfico de 5.12 se puede visualizar en las figuras 5.24 y 5.25.
c) se define una
para una muestra dr
-1
<b<0
, =fu?
b=-1
.
Figura 5.25
Observe que la
"
dvlv
dx/x
,=l
(s.
ma a los puntos, pt
tienen dos caminos
sumatoria de los
matemticamente. (
mtodo de estimacir
l4)
d)
se deriva una
y cadaresultado
se
es igual al de los p
estimados que se br
A continuacin
modelos nulo y de n
5.4.1 MODELO I
La estimacin
st
puede generalizar
pr
nrtt*t
Aws
Duus
..-qFr.
5.4 ESTtMAcIx
or los
paruu,tETRos
es a travs delMtodo de
imizar Ia sumade los cuadrados de los
elrores calculados para una funcin cualquieradelaecuacindeterminada.
Lospasosson
los siguientes:
a) se determina una
duncin cualquiera de los parmetros de las variables, con valores
medios calculados por 1,.
({)
y ros
correspondientes ajustados por el modelo definidoi,
esto es, tu. Jrtur.us medidas en Ia
r ertical, entre cada punto observado ({)
y er estimdo por
r
E: Y_?
,roJero (r ) ,
esto es:
(s. I 5)
, =jr? u=Irr,_y,
i-t
=1
),
(s.
l6)
1I re.t,
con
Y:b
(5. I 7)
lxcxlnh o Tmrcros
se
_{tF"
HOMOGEN
Surepresentacingl
{:
(s.1 8)
i=l
En este caso la fu
precio observado (I/,)
cualquiera
Y,: B, +
.n
dU / dB"
B".n)
.outinuacin:
dU/dB.:
0, entonces n
. bo
=f ', ,
bo =
t',
,n o
aiin b,,: Y
De modo que en una poblacin de datos homogneos, el valor del mercado se estima
por la media aritmtica de los datos muestrales. Se observa que en el momento en que se
impone la condicin de mnimo a la funcin 5. I 8, se encuentra el estimador del parmetro
dru/dB,2
(s.1e)
lgualandodU/dB,,acero,seimponelacondicinde mnimo a la funcln (5.19), que coincide con el modelo 5.17. As, 8., que antes era una variable, se transforrna en una
constante b,,, na vez que el sistema nos da la solucin buscada, cro se demuestra a
sr
dJ/B,:
0, esto es
aJ/a,,: 2 z (Y,-
n +b,.8.
zx,+ b,. E,
Nota: se consider
(s.20)
correspondientes; de
gr^r-antizada
Y,:
j.'-;-rv
-
lfnrou
D,s
L'
:l
..t
(s.21)
bo
?,: b"
ru;p*
Su
representacin grfi ca
es el de una
?,:
b,,
fi
gura 5 .27 .
+ b, 'X,
Figura 5.27
(s.22)
y d.l/68,:0, esto
ilr/B,:
es:
n +b,.X:Y
h..
I
t
i
lo
b,.
X2:
X
\b^. X.+
.--y
-
t
t
t
(s.24)
t"
:i
Y,
: b,,*brX,+e,
(s.2s)
Y,:
bo+ bt.X,
(s.26)
lxcxrnr or
rmoones
HOMOG
*.{;'o
El primer aspect<
valor esperado del er
coeficiente , del mc
e:Y
TERCBRA HII
(s.27)
importantes en el ani
Para la verificaci(
PRIMERA
La vuriable independienle correspontle u los nmeros reoles que no confienen
ning una pert urbilcin aleaforia.
De hecho, en el caso de los datos inurobiliarios, las variables independientes estn
relacionadas con Ias caractersticas fijas de cada elemento tomado como referencia, por
1o que se cumple la hiptesis.
Figura 5.28
SEGUNDA
El nmero de observaciones, n,
Cuandoelmodelo
al nmero
de pordmetros
:r sesgados yconsiste
:.i menos asinttican
F,),
el
;.:e de la recta de regresin exige al menos tres datos. Aunque este nntero de datos
"_,
:..:.i.r,.s cumple con las exigencias matenrticas de la estimacin, en la prctica, no es
-:-: r:nre para explicar el comportamento del mercado. La nonna brasilea NB -502/89
parmetro en las tasaciones nonnales,
=." ,:; :n mnimo de cinco datos cuando se estima un
:::: :.:Jelos de regresin con fr parmetros como mnimo k+5 datos en las tasaciones
: --:-s:s r en las tasaciones rigurosas especiales 2k+5 3ft, el que fuere mayor. Se
;-. ;::. que para medir el efecto de una variable sobre la variabilidad de los precios, se
:.:" :.r::,r ar con un mnimo de cinco informaciones sobre estavariable, aderns de las
, -:- -.;::s:rias para estintar Ia rnediageneral. Esto es un mnimo de cinco datos para
- r - r r::;rr 3::.- .stinlado. lo que resulta en una muestra mnima de 5ft datos. Adems de
:i ,; :=:: :bser,,arel eqLrilibriode lamuestra,comose indicen laseccitt3.5.2.
CUARTA HIPC
Los errores son
Como se puede
estimacin de los par
Pero la rnisma es ner
H0M0GENErzAcrN
urrl'f4tP-q.tfiilifiil?iIcnsx
uNEAL srMpLE
TERCERA UrPrNSrS:
Los errores son vartables aleatorios
con valor esperodo cero y varionza
constanfe.
El prirner aspecto de esta hiptesis
'
::::i:r?:,:::*:^"::'::',.x1:
J;;;;
Figura S.28
estimacione;;;il;;;;;i;"J;'i",
estimadores ae ros
de los mnimos
cuadrados ponderados' que se presenta
en la seccin 6.3. I I o haciendo
,
transformaciones adecuadas en ra variabre
d respuesta,
cuacrrada.
CUARTA HIPTESIS
Los errores son variabres areatorios
con crisfribucin norntor.
Trucroxm
HOMOGE
),"ttot
seencuentrandividiendocada
-sid,,<d<4-d,,,
correlacionados a fav
establecido.
-i d < d,
se acept
-Sid>4-drseac
-En los dems casr
La representacin
QUINTA HIPTESIS:
no estdn correlacionaclos, es decir, que son inclepndientes baio ta
condicin de normalidad"
Los errores
a la
Regin uto-regresin
PosidYa
tementedeotra. Estoes,elconocimientodelprecioylascondicionesdeunatransaccinno
interfieren en la otra.
La existencia de autocorrelacin en los trminos de la perturbacin aleatoria se puede
verifica con el auxilio de la razn de Von Neumann, dada por:
I(", -t,-,)'
d=-"
I'i
(s.28)
indicios de autocorrel
Aplicocin 5.1
relacin a
d:2 ( t - r ),donde r es
r=-1 los residuose, Y -, estn perfectamente
s
,.,
::::el::.:r.a.josnegativamel'fteyd=4;sir=*Isetieneautocorrelacinpositiva
Para n srande se demuestraque
. De manera que
e::i e )
i-:a.,
A-. Drrrs
Un srfico de e v
i=l
donde
Se puede demostra
autoregresivas, los es
pero ya no son eficien
el coeficiente de correlacin
En la tasac in de un
unmodeloderegresin
d=2,2.Sepideprobar
HoMoGENElzAoxutlltflg-o-Tp,il
*'fj:_l:,|:9:rr9:
la
In
luv
autocomelacin
r = 0 y tF
2.
,9]:'39,.]:."r/fuerabutar'piri*i;':i;;'"',;;:,,;,[: jf
2,5yoyrz,,.o,*ia",ffi
;ff J.TTZ,;;,:T:1if ffi
::::lTi,if]ll:
rariabres i,a.p",Ji.,;.:;ililIffiil",::'i#:,:;.i[1:T.]i.,"[:;::1,"1:::1'^::'
rs, ssraDtectenoo los limites
crticos d y d Estas tablas se
,en_
.rT:::i:::]:|^"l91:: I,.con las.idenrificaciones ls,
,,.
ro ylir:.ipl"ti,ur"nt".
para p ro b r
'],:]
n
L I il [','fi
T:l'Jff : i:,
lJni;: [:1T: : l";
correlacionados
(Hr) contra
(fir)
"
una
a
l<
nl
EGREsrNuNEALsrMpLE
?R\w^ecn,,o
q,
4.- d
il;;
Regn no concluyente
Regin de no auto-regresin
R.gn auto,r$esin
L.-..-.}
d,
d,,
(4'du)
Posrva
(4-dr)
Figura 5.30
Regn auro-retresin
Ne8ativa
asintoiicamente.
.i".:,it,it"l:u:ff itr:t
l:ilrft1ai;.1.{lii4n*:.,'f
1?3J:::i.::iffi
i3jfliffL"J#,::i:.!TI[,ffij.fffiiJgl ]ispuestos.";;s;;;;,;;;.i;: p,;1,.hll
Aplicocin 5.1
En la tasacin de un inmueble,
donde fueron considerados
no uuio-regresin
lxcxrdr o TrsrqoxEs
de 5%.
ry
HOMOGE
SoIucin:
1) Se encuentra en la tabla I.5, apndice I, los puntos crticos tabulados por DurbinWatson, que estn en la primera columna y la linea 25, esto es:
d,,:1,29
du
1,45
dL
1,45
1,29
no auto-regreson
auto-reg. no
positiva concluyente
4 -d,
4-d,-
estandarizados estn e
mayora de los puntos r
2,71
2,55
no
concluyente
auto-reg.
negativa
1,45y2,55,se
3")Verificarencualreginseencuentraelvalord=2,2.Comodestentre
de
significanciadel5oA.
al
nivel
puedeconcluirquenoexiste auto-regresin en los residuos
5. PUNTOS ATPICOS
Aderns de las cinco hiptesis bsicas es imporlante verificar si hay presencia de
outliers o puntos influyentes, todavezque los estimadores de mnimos cuadrados no son
robustos cuando purrtos de esta naturaleza contribuyen al ajuste. En este caso, el modelo
no se ajusta bien ni al grueso de los datos, ni a los datos cotl un punto atpico.
Un punto atpico debe ser analizado aparte con bastante cuidado, pues puede haber
sido ocasionado por errores de medida, o por algn cambio en el compoftamiento de la
muestra. Es aconsejable que se haga otro ajuste excluyndolos y comparando el nuevo
modelo con el anterioq obtenindose de esta forma informaciones respecto a sus influencias
sobre los parrnetros estimados y tanrbin sobre el poder de explicacin de la ecuacin
estandarizados fuera d
ejemplo los indicados
provienen muy probal
aquel de una muestra q
+2
+1
de regresin.
5.6,1 OUTLIER
Se denomin a
outlier al dato que tiene un residuo grande en relacin a los dems que
c,rnponen la muestra.
Esros puntos pueden ser detectados con facilidad a travs de un anlisis grfrcode los
residu,-.s estandarizador (.i) versus los valores ajustados correspondientes (i ). no,
e_ e:rp,... para puntos dispuestos como los de la figura 5.3 1 , aquellos destacados pueden
..: --::::l::,:,.estonoirnplicanecesariamentequesetratadeunoutlier.Estaindicacin
-=- . '_- - ;) r:r-.p-rr-tante para detectar urra informacin respecto a la nonnalidad de los
V;'1i':
L'::
D$r^j
Figura 5.32
Se entienden por pu
H,M.GENErzAoN
u,l!4q'9
ltlri,,,ri
uNEAr'
P'fi'REGREsTN
sTMPLE
ei
+2
aaaaa
tati'
FIGURA 5.31
il,.i. J#frJ#l"o,.,r.nt"
: : _: o b serv" 0,,.,"0'll
puede ser
";."
lf ii*
;T;l,r:?:..,i"ff
s':repante en reracin a ra masa
de datos. En un caso .,ro
es probabre que ros
r::'-s provengan de una pobracin
"r,..rru
con distribucin binomol. o"
:
forma. se
lilnites
_2
y +2.o,rolru.",
al_qunos sistemas
.-'ponibles en elmercado' De
aqu se ve Lna.vez_ms la mportancia
dei anlisis grfico
ir los residuos. Er ajuste de ros datos .o,, dirrribrciones
ii.r",ri., a ra normar. coro
iJra, Binomiar, poisson y
otras,
e, el capitull t.
a
a
aoao
a
aaa
aa
l
ftura
a^
Oaaaaa
aaOaO
5.32
Figura S.S3
lf H:: [Tl']::T^'t:
;,'r;:.,
lxoxrrnr or Trucroxrs
\[
HOMOGENEIZACIX
HOMOGI
SIMPLE
En Pereira (1970)
Coeficienl
I'l :
;;;;i#
da por la recta I
situacin de la recta
0 <lrl<(
0,30<lrl<0
0,70<lrl<0
0,90<lrl<0
l.l :
2 delamisma figura'
5.8 COEFICIENTE
Y,
El cuadradodelcor
indicaelpoderdeexplr
radas.
R:f
Porejemplo, sien
como lanicavariable
Figura 5.35
Figura 5.34
El coeficiente de correlacin
lineal entre las variables explicada
modelo de regresin, pues informa la dependencia
(f)
'=ffi
I
G,
5.9 DESVIACIN
La desviacin estl
a datos
por una,
-ixv,'71
(s.2e)
Para el caso de ur
,,:
cuando
a una recta decreciente'
cuando r < 0 la correlacin es inversa, correspondiendo
En el modelo 5.32
a) El denominador
cada parmetro estim
b) El cuadrado de
media de los cuadradc
unrled.
pi-"-t
A.,ii gsia:
Coeficiente
lrl :o
0 .l.l<0,30
0,30<lrl<0,70
0,70<lrl<0,90
0,90<lrl<0,99
l.l :
Correlacin
--
nula
dbit
media
fuerte
fortsima
perfecta
:adas.
R=
12
(5.30)
3rea.
Para el caso de
s:
e
aj
ustados
(s.3 1)
unarectap:2,
se tiene:
zt,-t,)'
(s.32)
ostiue;ao.
"r.og.,
uqu"l .
-.ri
lxcurnr or
varianza.,
Truooxtsp
HOMO
ry;K
LTNEAL SIMPLE
HOMOGENEIZACIN UTILIZANDO MODELgIPESEGRESIN
se
mide
(H":0,-o,contra
.J " ',''
la' B, *o
(5.33)
Probarlahiptesis5.33paraunparmetroB,'correspondeaunavariableX"es
semejante a Probar:
Lanormaparatal
prueba unasignifica
rigurosa especial.
importante en el modelo, contra
Para el caso de li
s(bj) = s,
j ---
4
'
Donde
s(b)
b,- 0i
s@i)
tr
Aplicacin 5.2
En la tasacin
v:
(s.34)
900 -
donde el trmino er
parmetro estimado
sedemuestraquef
Asparaprobarlahiptesis5,33,aunniveldesignificanciarcparaunmodelode
regresin lineal simple, se compara
,,
t]
=l#l
Ynrtt*t
Atvs Drus
Solucin:
1o) Encontrar el
estimado entre su
t,:
(s.3s)
essuperior 4tt-nn:n-2),serechazalaH,,,indicandoquelavariable
para explicar el fenmeno' La prueba
ctrrrespondiente al parm.t.o proUub importante
5'36'
es 'llateral puede ser observada en la figura
con/,i-...,,-rl.Si
Sepideprobarlar
de
llo/81: I
2o) Encontrar en
o,rrr,
,r
:2,09
"rf{I;p!-
,
- t.l_t:;(n_2)
Rechaza
Ho
'ta
<-l-+
Acepta
t_;;(n_2)
Ho <-l-+
Rechaza
Ho
Figura 5.36
Lanormaparatasacin deinmueblesurbanosNB-502/sg,delaABN!exigeparaesta
Prueba unasignificanciamximadel5% en lastasacionesdeprecisin rigurosay l}Yoenla
rigurosa especial.
Para el caso de la Regresin Lineal Simple, el s(bj) es calculado por la expresin:
donde s"
s(7) = 5,
(s.36)
Aplicacin 5.2
En la tasacin de un local comercial, se eligi la edad (X) como nica variable
por las variaciones de precio unitarios (Y), en R$/m2, con base en una muestra
=sponsable
Y:
e00 - 10 (B) .
(s.37)
Sepideprobarlasignificanciadelparmetrocorrespondienteala
1") Encontrar el I calculado por la ecuacin 5.35, esto es, se divide el parmetro
srimado entre su desviacin estndar, y se obtiene:
t,:
ll0/Bl:1,2s
Tosocroxmff
SIMPTE
HOMOGENEZACIX UNUZIXOO MODELOS O NCNSIX UNEAT
=qAM"
Se demuestra (
- como lrrl
5.I
HOMOI
parmetro individual'
La hiptesis a ser probada en este caso es la misma que para un
toda vezque el modelo slo tiene un parmetro a ser probado'
Considerndose un I
se encuentran los si1
. (n
(n
-l)
para
-2)
para
(.
coeficientes de la re,
.Uno(l)
:
paruZ(i
= O,contra
Dividindose
(s.38)
ca<
{; :Bt+0
-Yarianzatotal
Esto es semejante a Probar:
.1^
-Yarianzano
extr
{ A, "f
5.37.
La visulizacin grfica de la prueba es mostrada en la figura
=b"*br'x
-Yarianza explic
tablaANOVA, como
la seccin 6.5.1.
Tabla 5.1
Figura 5.37
bArts
se tiene:
Drrrrs
Y,-t
(s.3e)
-Tabla
Explicada (modelo)
No explicada (error)
Observe en la figur
fuese grande y la no e
lo, se analizalarazn
*XlIFf-
&, _T),
* [ t]- _ i- t,
. (n
-l)
paru
l-
,, queson ros
se
Zs,-1'
-Yaianzatotal
-Yarianzano explicada
-1
-2
(f,-f,)'
-Yarianza expli,cada
seccin 6.5.1.
Tabla 5. I
Grados de
libertad
t,-tl
Explicada (modelo)
scR
\o
scE: f1',,-i'
explicada (error)
t/
exp:
t,-tftt
vn exp : r,-?ln-21
ltot
- fA'-i)rt(n-)
Ilr,-tf
(s.40)
lxcrxrrr or Trmcroxrs
HOMOG
LINEAL SIMPLE
HOMOGENEIZACIN UTILIZANDO MODELOS DEXEGRESIN
Ce que el
LospuntoscrticosparaunniveldesignificanciaocessimbolizadoPll!r*,i;i 1,,:Ei-t1:
prnto, estn en las tablas 13 y 14 del apndice I paralos nveles del 5oA y 1%o, donde el
'ni,*".o de grados de liberta del numerador s indica en la columna y 9l nmero.de
en la lnea, donde se localiza el punto crtico
_*uo. . l-erta del denominador se indica
correspondiente.
--
2"pncontrar el pur
un grado de libertad r
en la primera columr
3o) Comparar
I'
5.I2
INTERVALO
El intervalo de cot
recta de regresin, es
t:f tt.
.t
t_:
(n_
s(t)
donde
es la de
modelo de regresin I
I:Yo ltr_n,r..rr-,
de
rechazo de Ho
Ho
Figura 5.38
que sea
La norma para tasacin de inmuebles urbanos N F-5029 , de la ABNT, exige
del
5% en
significanciamxima
de
p.ouuou tu hiptesis de anlisis devarianzaaun nivel
ias tasacionei de precisin rigurosa
Aplicocin 5.3
Considerando los datos de la aplicacin 5.2,y sabiendo que la varianzaexplicadapor
modelo
el modelo es 16 y la no explicada s igual a 40, s pide probar la significancia del
al nivel del l%.
Solucin:
1") Calcular el F. por la ecuacin (5.40),
Fr=
Sustitul endo los resultados,
Yn.,r.t
Aivs
Drrs
se
r,
_-_
(Yi
- Yi)'
72
^j.
(n-2)
I
tiene:
16 (21-2) -/
f.=zo^_=/.o
La norma para la t
intervalo de confianzi
intervalo se consider
Como se puede ob
cuando el bien tasabl,
los datos muestrales,
campo muestral. En e
ms cercanas a las car
en las extremas.
La variacin del il
5.39.
HOMOGENEIZACIN UTII.IZANDO
M
=_q.HwEcREstN
UNEAr stMprE
at i,
"JJ';;;,
*i,1f""fi:'Jll,*J,x',g;*+,.,',T:,*;:,i:res,inrerior
5.t2 |NTERVATo
DE CONFTANZA PARA
F00,,,:,e,=B,re
I:Y t) f t t-q:
,,-
.
rr. -(YO)
se
t-q,2:(n-2)
"c
;\),
sobre ra
(s.41)
I=Y o *t
se
I (Xo
--z dondes :
'--- - X)2
-+
n (Xi - X)2
(s.42)
}"t"::ffiaras
,.rrtu
?=bo+b,.x,
Figura 5.39
lxcxrir o
Tnucroxstff
j
HOMC
_.qI;Im
tlNEAt SIMPLE
Para la tasacir
distancias arl centro
r
lL
furtl.
I - Verificargrfic
Aplicocin 5.4
mercado y el
Considerando los datos de la aplicacin 5.Z,estimar el valor medio de
sabiendo
intervalo de confianz a al 80%o para un local comercial con diez aos de edad,
100'
a
igual
punto
es
que la desviacin estndar en torno a ese
Solucin:
Y:
que coresponde a vn
900
10.
Yo: R$ 800,00/m2
+tro,,r.s(to)
I, se encuentra t oo. ,, :
resultados, se tiene
I:
800
+ 1,33 . 100 I
800
133
ecuacin.
Estimar los p,
cuadrados".
La ecuacin dr
Los coeficiente
Calcular la des
Construir la tal
3456
7 - Probar la signi.
8 Probar la signif
del5%o e inter
9 - Encontrar un il
/: t"
tro urbano. In
se encuentra un
l0 - Analizar el gr
I I - Probar la hipt
12
13
- Probar la norm
- Estimarel'oval<
14
urbano.
Estimar el inter
estimado e inte
a) b,,:7yb,
5.I3
EJERCCIOS PROPUESTOS
5.t3.I Se propone un ejercicio bastante sencillo, que debe ser resuelto sin necesidad de
rilizar ningun sistema de tratamiento de datos. Su resolucin es fundamental para ente*'
& et desarrollo de los dems asuntos abordados en los captulos siguientes'
t*c
tuws Drrrs
estndar correspond
b)
c)
d)
Coeficiente
F":25
Desviacin
HOMOGENEIZACIN uT[]zANPg_MqDELOS DE
X;;?:
dato
distancia
(km)
precio
unitario
(RS/m'?)
ecuacin.
Estimar
los
cuadrados".
'
al cen-
encontrar-su
urDarlo.
c)
d)
F":25
a 0,30.
lxcxrrh or Txrcroxrs
-[p
..ryH
nOUOGXlZlClx UTIUZIXDO
MODELOS O.
nrCntstX tINEAL
f)
SIMPLE
entre
Residuos estandarizados en los siguientes intervalos: 70oA
-1;+11;90%
g)
LAHOMOGENEz
6.I INTRODUCC
El modelo de regr
una variable indepenr
Con base en los datos indicados se pide:
a)
b)
.i
di
"i
0
g)
)
i
Probarlasignificanciadelmodeloalnivel dell%'
Probar la no auto-regresin al nivel del2,5Yu
Analizar. lo\residuos y su normalidad'
Analizar el grfico de los residuos en funcin de la homocedasticidad'
apartamento
Estimar el vlor medio de mercado, la moda y la medianapara un
mercado.
En la Ingeniera c
mltiple, teniendo en r
un bien.
grfic
de 90% en
,"gin abarcada en la investigacin, considerndose un intervalo de confianza
torno de la tasa media inferida.
laNB-502/
k)Atenderel tratamiento dispensado alos datos segn losniveles de rigorde
89.
-v
Figura 6.1
P:bo+b,.
Vi.:.r
L,:: Drr's