Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
REGRESIÓN SIMPLE
La Regresión y la correlación son dos técnicas estadísticas que se pueden utilizar para
solucionar problemas comunes en los negocios.
Y = f(X)
Como Y depende de X,
Y es la variable dependiente, y
X es la variable independiente.
En el Modelo de Regresión Simple se establece que Y es una función de sólo una variable
independiente, razón por la cual se le denomina también Regresión Divariada porque sólo hay
dos variables, una dependiente y otra independiente y se representa así:
Y = f (X)
En el estudio de la relación funcional entre dos variables poblacionales, una variable X, llamada
independiente, explicativa o de predicción y una variable Y, llamada dependiente o variable
respuesta, presenta la siguiente notación:
Y=a+bX+e
Donde:
Sólo se maneja una variable independiente, por lo que sólo cuenta con dos parámetros. Son de
la forma.
Dado el modelo de regresión simple anterior, si se calcula la esperanza (valor esperado) del
valor Y, se obtiene.
El Análisis de Regresión Lineal Múltiple nos permite establecer la relación que se produce
entre una variable dependiente Y y un conjunto de variables independientes (X1, X2, ... XK).
El análisis de regresión lineal múltiple, a diferencia del simple, se aproxima más a situaciones
de análisis real puesto que los fenómenos, hechos y procesos sociales, por definición, son
complejos y, en consecuencia, deben ser explicados en la medida de lo posible por la serie de
variables que, directa e indirectamente, participan en su concreción.
En donde:
Al ocuparnos del análisis lineal bivariado, análisis de regresión simple, vimos como el
modelo final resultante podía ser calificado de un “buen modelo”. Sin embargo, en muchas
ocasiones los modelos bivariados o simples pueden verse mejorados al introducir una segunda
(tercera, cuarta,...) variable independiente o explicativa. Consideramos que un modelo de
regresión lineal simple se ha “mejorado” cuando al introducir en el mismo más variables
independientes la proporción de variabilidad explicada se incrementa. Pero ¿qué variables son
las que mejor explican el hecho, proceso o fenómeno social objeto de estudio?; o, ¿qué
variables no son necesario incluir en el modelo dada su nula o escasa capacidad explicativa?
Esta es, sin lugar a dudas, la decisión más importante ligada al análisis de regresión múltiple y
la inclusión de este proceso es lo que diferencia, sustancialmente, al análisis de regresión
múltiple del de regresión simple.
La regresión lineal permite trabajar con una variable a nivel de intervalo o razón. De la misma
manera, es posible analizar la relación entre dos o más variables a través de ecuaciones, lo que
se denomina regresión múltiple o regresión lineal múltiple.
2. Elección del modelo que con el menor número de variables explica más la variable
dependiente o criterio. Para ello exponemos el proceso de “paso a paso” o stepwise.
Bibliografía
Altman DA. Practical statistics for medical research. 1th ed., repr. 1997. London: Chapman & Hall;
1997
Canavos, George C.; Probabilidad y Estadística. Aplicaciones y Métodos. McGraw-Hill. México. ISBN
9684518560.
Díaz-Agero, Coral (1999): “Indicadores sintéticos”, (en línea) (consultado el 4 de abril de 2001)
Devore, Jay L.; Probabilidad y Estadística para Ingeniería y Ciencias. International Thomson Editores.
México. ISBN 9706864571.
Kleinbaum D.G., Kupper L.L. Applied Regression Analysis and other Multivariable Methods. 3rd. ed.
Massachusetts: Duxbury Press; 1997
Snedecor G.W., Cochran W.G. Statistical Methods. 8th ed. Iowa State University Press; 1989.
Seber GAF. Linear Regression Analysis. New York: John Wiley & Sons; 1977.
Walpole, Ronald E.; Raymond, H.; Myers, Sharon L.; Probabilidad y Estadística para Ingenieros.
Prentice-Hall Hispanoamericana, S.A. México