Anlisis de regresin lineal

mltiple
Alexander Cuji
Alex Coro
Patricio Rodrguez
Andrea Medina
Henry Tipantua
Introduccin:
Muchas de las aplicaciones estadsticas requieren la estimacin
de las relaciones existentes entre dos o ms variables.
Puede ser necesario responder a las preguntas como por ejemplo:
Cmo el consumo de gasolina de un auto, segn su peso y
potencia del motor?
El inters se centra, entonces en determinar una ecuacin que
relacione una variable dada con una o ms variables que contienen
informacin sobre la primera. (Galindo, 2011)
 Modelo de Regresin Lineal Mltiple
El modelo de regresin mltiple es la extensin a k variables
explicativas del modelo de regresin simple y en dicho modelo ya
no define una recta en el plano, sino un hiperplano en un espacio
multidimensional.
Regresin lineal simple:
 Regresin Lineal Mltiple
Regresin lineal mltiple:
Modelo de Regresin Lineal Mltiple

Modelo Es una representacin de la realidad

Expresa la relacin entre una variable llamada regresando y otras

Regresin
variables llamadas regresores.

Lineal La relacin que liga las variables del modelo es de tipo lineal

Mltiple Tiene una nica ecuacin y varias variables explicativas

 Modelo de Regresin Lineal Mltiple
El
modelo
de regresin que liga a una variable dependiente y con k variables
independientes se define mediante la ecuacin:

De acuerdo con este modelo o ecuacin, la variable independiente (y) se interpreta

como una combinacin lineal de un conjunto de K variables independientes (), cada
una de las cuales va acompaada de un coeficiente que indica el peso relativo de
esa variable en la ecuacin.
La ecuacin adems incluye una constante y un componente aleatorio (Los
residuos: ) que recoge todo lo que las variables independientes no son capaces de
explicar. (Pardo Merino & Ruiz Daz, 2000)
Modelo de Regresin Lineal Mltiple

Al igual que en el caso de una sola variable, se considera que

el error es una variable ruido lo cual implica tres

condiciones:
Tiene esperanza igual a cero
Varianza constante
Los errores , correspondientes a cada observacin son no
correlacionados.
 Estimador de parmetros
Al
igual que el mtodo de regresin lineal simple, para la estimacin de los
parmetros se aplica el mtodo de mnimos cuadrados.
Suponga que se dispone de n>k observaciones, y si denota como al valor de la
observacin de la variable , como se observa en la siguiente tabla:

y
 Estimador de parmetros
Si es la prediccin de , la ecuacin de regresin queda como:

Donde son tales que la suma de los cuadrados de las diferencias entre los
valores esperados de la variable respuesta y su estimacin por la ecuacin de
regresin sean mnimas.
Para cada una de las observaciones de la tabla la igualdad abreviada sera las
siguiente:
 Formulacin matricial
Por la
cantidad de variables involucradas esta formulacin es ms fcil de
manipular que la forma algebraica.
Si se ponen en matrices

, , ,
 Formulacin matricial
La

ecuacin matricial del modelo es:

Los miembros de esta ecuacin se forman de la siguiente manera:

Y es un vector n x 1 de las observaciones.
X es una matriz n x (k + 1) de los valores de la variable independiente, cuya
primera columna tiene la particularidad de que todos sus componentes son
iguales a 1.
es un vector (k + 1) x 1 de los parmetros de la ecuacin.
es un vector n x 1 de los errores aleatorios.
 Formulacin matricial
Si
b es el vector de los estimadores de los parmetros de regresin:

el sistema de estimacin de los parmetros es

, ,
 Formulacin matricial
El

sistema de estimacin de los parmetros es
El vector de errores es igual
Por lo tanto,
SCE=

Derivando SCE respecto a b, e igualando el resultado a cero da:

Esta expresin es la forma matricial de las ecuaciones normales de regresin antes

deducidas.
Si la matriz es invertible se obtiene el estimador b con la solucin anterior.
Ejemplo Terico
Una compaa, con el objeto de programar la produccin para el resto del ao,
necesita un pronstico de las ventas totales. En sus registros tiene las ventas
realizadas (en miles de dlares) y los gastos en publicidad e insumos para sus
productos en los ltimos 10 meses como se muestra en la siguiente tabla.
Ventas Publicidad Insumos

333 55 96

310 59 84

311 69 74

290 65 66

342 71 91

348 67 86

327 76 78

275 59 66

311 77 67

298 64 75
Ejemplo Terico
La matriz X y el vector Y son.
, ,
Ejemplo Terico
La matriz
resulta:

Su inversa es

El clculo da

Finalmente, multiplicando los dos ltimos resultados llegamos a que b

es:
Coeficiente de correlacin mltiple y Coeficiente de
determinacin mltiple

Coeficiente de correlacin mltiple (R): indica el porcentaje de variacin

en la variable dependiente Y explicado por la variacin en las variables
independientes, es decir representa el grado de asociacin entre una variable
dependiente y dos o ms variables independientes tomadas en conjunto.
Coeficiente de determinacin mltiple (R2): este ndice nos indica el tanto
por ciento de la variacin total de la variable dependiente Y, explicado por la
ecuacin de regresin. Por tanto, expresa la proporcin de la varianza de la
variable dependiente explicada por el modelo de regresin.
Este coeficiente puede variar entre 0 y 1. Si es cero indica la inexistencia de
asociacin lineal entre la variable dependiente y las independientes tomadas
en conjunto. Si el valor es 1 indica una asociacin perfecta entre las
variables.
Cmo analizar la regresin lineal mltiple

Significacin de F-test: si es menor de 0,05 es que el

modelo es estadsticamente significativo y por tanto las
variables independientes explican algo la variable
dependiente, cunto algo es la R-cuadrado
R2: es cunto las variables independientes explican la
variable dependiente, indica el porcentaje de
lavarianzade la variable dependiente explicado por el
conjunto de variables independientes. Cuanto mayor sea
la R-cuadrado ms explicativo y mejor es el modelo
causal.
 Significacin de t-test: si es menor de 0,05 es que esa
variable independiente se relaciona de forma significativa
con la variable dependiente, por tanto, influye sobre ella,
es explicativa
Coeficiente beta (): indica la intensidad y la direccin
de la relacin entre esa variable independiente y la
variable dependiente.
 Bibliografa

Galindo, E. (2011). Estadstica Mtodos y Aplicaciones. Quito: Prociencia

Editores.
Pardo Merino, A., & Ruiz Daz, M. . (2000). Anlisis de datos con SPSS 13
Base. Anlisis de datos con SPSS 13 Base.