Beruflich Dokumente
Kultur Dokumente
Ejemplo de una regresin lineal con una variable dependiente y unavariable independiente.
En estadstica la regresin lineal o ajuste lineal es un mtodo matemtico que modela la relacin entre unavariable dependiente Y, las variables independientes Xi y un trmino aleatorio . Este modelo puede ser expresado como:
: variable dependiente, explicada o regresando. : variables explicativas, independientes o regresores. : parmetros, miden la influencia que las variables explicativas tienen sobre el regresando. donde es la interseccin o trmino "constante", las son los parmetros respectivos a cada variable
independiente, y
Pero bien, como se ha dicho, podemos usar el trmino lineal para distinguir modelos basados en cualquier clase de aplicacin.
Para cada valor de X la perturbacin tomar distintos valores de forma aleatoria, pero no tomar sistemticamente valores positivos o negativos, sino que se supone que tomar algunos valores mayores que cero y otros menores, de tal forma que su valor esperado sea cero. 2. Homocedasticidad para todo t Todos los trminos de la perturbacin tienen la misma varianza que es desconocida. La dispersin de cada torno a su valor esperado es siempre la misma. 3. Incorrelacin. en
Las covarianzas entre las distintas pertubaciones son nulas, lo que quiere decir que no estn correlacionadas o autocorrelacionadas. Esto implica que el valor de la perturbacin para cualquier observacin muestral no viene influenciado por los valores de la perturbacin correspondientes a otras observaciones muestrales. 4. Regresores no estocsticos. 5. No existen relaciones lineales exactas entre los regresores.
6. Suponemos que no existen errores de especificacin en el modelo ni errores de medida en las variables explicativas 7. Normalidad de las perturbaciones
Derivando respecto a
(9)
(10) Obteniendo dos ecuaciones denominadas ecuaciones normales que generan la siguiente solucin para ambos 4 parmetros:
(11)
(15) La correlacin ("r") de las rectas determinar la calidad del ajuste. Si r es cercano o igual a 1, el ajuste ser bueno y las predicciones realizadas a partir del modelo obtenido sern muy fiables (el modelo obtenido resulta verdaderamente representativo); si r es cercano o igual a 0, se tratar de un ajuste malo en el que las predicciones que se realicen a partir del modelo obtenido no sern fiables (el modelo obtenido no resulta representativo de la realidad). Ambas rectas de regresin se intersecan en un punto llamado centro de gravedad de la distribucin.
Una lnea de tendencia representa una tendencia en una serie de datos obtenidos a travs de un largo perodo. Este tipo de lneas puede decirnos si un conjunto de datos en particular (como por ejemplo, el PBI, el precio del petrleo o 8 el valor de las acciones) han aumentado o decrementado en un determinado perodo. Se puede dibujar una lnea de tendencia a simple vista fcilmente a partir de un grupo de puntos, pero su posicin y pendiente se calcula de manera ms precisa utilizando tcnicas estadsticas como las regresiones lineales. Las lneas de tendencia son generalmente lneas rectas, aunque algunas variaciones utilizan polinomios de mayor grado dependiendo de la curvatura deseada en la lnea.
investigadores incluyeron el estado socio-econmico para asegurarse que los efectos de mortalidad por tabaquismo no sean un efecto de su educacin o posicin econmica. No obstante, es imposible 10 11 incluir todas las variables posibles en un estudio de regresin. En el ejemplo del tabaquismo, un hipottico gen podra aumentar la mortalidad y aumentar la propensin a adquirir enfermedades relacionadas con el consumo de tabaco. Por esta razn, en la actualidad las pruebas controladas aleatorias son consideradas mucho ms confiables que los anlisis de regresin.
Partes: 1, 2 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. Tipos de variables Definicin de regresin lineal Definicin de correlacin lineal Pasos en el anlisis de correlacin y utilizacin e interpretacin de las tcnicas de correlacin Regresin y correlacin lineal Distribucin divariante Regresin simple y correlacin Estimacin de la ecuacin de regresin muestral Ejemplo de regresin lineal Rectas de Regresion Aplicaciones de la regresin lineal Ejercicios regresin y correlacin lineal resueltos Conclusin Bibliografa o Lista de referencias
Tipos de variables
Variable Independiente (X) (determinstica, es decir no aleatoria.) Variable Dependiente (Y) aleatoria Ejemplos X: Nmero de llamadas telefnicas realizadas por un vendedor promocionando un producto. Y: Unidades vendidas por el vendedor. X: Tiempo que dedica un estudiante a una materia. Y : Evaluacin que obtiene el estudiante en la materia.
La regresin lineal puede ser contrastada con lagresin no lineal. Regresin lineal simple Slo se maneja unariable independiente, por lo que slo cuenta con dosrmetros. Son de la forma:
Dado el modelo de regresin simple, si se calcula laperanza alor esperado) del valorm>Y, se obtiene:
Obteniendo dos ecuaciones denominadas uaciones normalese generan la siguientelucinra ambos parmetros
La interpretacin del parmetro beta 2 es que un incremento en Xi de una unidad, Yi incrementar en beta 2 Maneja variasriables independientes. Cuenta con varios parmetros. Se expresan de la forma:8
Regresin lineal simple Dadas dos variables (Y: variable dependiente; X: independiente) se trata de encontrar una funcin simple (lineal) de X que nos permita aproximar Y mediante: Y = a + bX (ordenada en el origen, constante) (pendiente de la recta) A la cantidad e=Y-Y se le denomina residuo oror residual. As, en el ejemplo de Pearson: Y = 85 cm + 0,5X Donde Y es la altura predicha del hijo y X la altura del padre: En media, el hijo gana 0,5 cm por cada cm del padre. Regresin no lineal Entadstica, regresin no lineal un problema de inferencia para un modelo tipo: Y= F (X,0)+E basado en datos multidimensionales x,y, donde f es alguna funcin no lineal respecto a algunos parmetros desconocidos ?. Como mnimo, se pretende obtener los valores de los parmetros asociados con la mejor curva de ajuste (habitualmente, con el mtodo de los mnimos cuadrados). Con el fin de determinar si el modelo es adecuado, puede ser necesario utilizar conceptos de inferencia estadsticatales como intervalos de confianza para los parmetros as como pruebas de bondad de ajuste. El objetivo de la regresin no lineal se puede clarificar al considerar el caso de la regresin polinomial, la cual es mejor no tratar como un caso de regresin no lineal. Cuando la funcin ftoma la forma: F(X) =X2BXem>+m>C
la funcinm>fem>es no lineal en funcin dem>xem>pero lineal en funcin de los parmetros desconocidos m>a,m>b, yc. Este es el sentido del trmino "lineal" en el contexto de la regresin estadstica. Los procedimientos computacionales para la regresin polinomial son procedimientos degresin linealltiple), en este caso con dos variables predictoras m>xem>y. Sin embargo, en ocasiones se sugiere que la regresin no lineal es necesaria para ajustar polinomios. Las consecuencias practicas de esta mala interpretacin conducen a que un procedimiento de optimizacin no lineal sea usado cuando en realidad hay una solucin disponible en trminos de regresin lineal. Paquetes (software) estadsticos consideran, por lo general, ms alternativas de regresin lineal que de regresin no lineal en sus procedimientos.
Adsafsdfvbfdf Fin