Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
INGENIERÍA INDUSTRIAL
Materia:
ESTADÍSTICA INFERENCIAL II
Producto Académico:
REGRESIÓN LINEAL SIMPLE Y MULTIPLE
Presenta:
LENIN MANUEL HERNÁNDEZ JIMÉNEZ
Docente:
ING. XÓCHITL DEL CARMEN ROMERO HIPÓLITO
INTRODUCCIÓN
• La independencia de la recta
Y´= a + Bx
Con esta expresión se hace referencia al proceso matemático que sirve para
ajustar una línea recta a través de un conjunto de datos bivariables asentados
en una gráfica de dispersión. Dicha línea se conoce como línea de regresión
simple. El primer paso es recoger datos experimentales correspondientes a n
individuos con información de dos variables cuantitativas: una de ellas se
considera variable explicativa (Variable x) y la otra se considera variable
respuesta (Variable y). El modelo que se asume es:
y = βo + x β1 + ε
Es el procedimiento más utilizado por adaptar una recta aun conjunto de punto
se le que conoce como método de mínimos cuadrados. La recta resultante
INSTITUTO TECNOLOGICO SUPERIOR DE ALVARADO
y=a1x1+a2x2+…+adxd+b+e
donde a1, a2,…, ad y b son los coeficientes del modelo y donde e es el residuo,
que, como en la Regresión lineal simple, supondremos que sigue una
distribución normal N(0, DE).
De hecho, parece lógico, en una Regresión lineal múltiple, pedirle a las variables
independientes que sean independientes entre ellas. Pensemos que si no lo son,
si tienen un cierto grado de dependencia, es porque de alguna forma comparten
aspectos entre ellas, en cierta forma dicen cosas similares esas variables. Por lo
tanto, a la hora de ser usadas para predecir una variable dependiente se produce
un fenómeno de redundancia: estamos usando varias veces lo mismo para
pronosticar algo. Y esto se paga con más imprecisión en las estimaciones.
INSTITUTO TECNOLOGICO SUPERIOR DE ALVARADO
Expliquemos las dos variantes últimas, puesto que la primera no precisa ninguna
explicación.
El Stepwise hacia atrás es lo mismo pero ahora partiendo que hemos empezado
forzando la entrada de todas las variables dentro del modelo y, a continuación,
en el siguiente paso, mirar de sacar una de las variables independientes: una
variable que al sacarla alteremos la calidad del modelo menos que un valor
umbral establecido, lo que se denomina, ahora, un Criterio de salida. Si es así,
si podemos extraer sin perjudicar por encima de ese valor preestablecido,
reducimos el modelo.
Y así, paso a paso, pero en sentido contrario, vamos creando el mejor modelo
posible, la mejor ecuación posible que relacione una variable dependiente con
varias variables independientes.
Por otro lado las suposiciones que ahora comentaré son condiciones
compartidas con la Regresión lineal simple. Habitualmente la mayor parte de
software estadísticos que realizan Regresión lineal, tanto la simple como la
múltiple, y, en ésta última, tanto los dos tipos de Stepwise como la que fuerza la
entrada de todas las variables independientes, sus inferencias se basan en estas
suposiciones.
CONCLUSIONES