Sunteți pe pagina 1din 18

Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 1.

Prohibida su reproduccin
ANALISIS DE REGRESION MULTIPLE
Un modelo de regresin que considere ms de
una variable predictora, podra realizar
pronsticos ms ajustados.
Si el modelo de regresin tiene ms de una
variable predictora se dice que es un modelo de
regresin mltiple.
Cuando se utilizan dos variables predictoras, x
1
y x
2
, el modelo terico es:
Y
i
= |
0
+ |
1
x
1
+ |
2
x
2
+c
i
Representa el error
presente en cada
observacin
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 2.
Prohibida su reproduccin
Los supuestos del modelo de regresin mltiple
(dos variables predictoras) son:
1. Para cada x = (x
1
, x
2
), la distribucin de
probabilidad de c
i
es normal con media 0.
2. La varianza de c
i
es constante e
independiente del valor de x.
3. Las variables aleatorias c
i
son
independientes entre si.
Una vez que los datos han sido obtenidos, se
procede a calcular b
0
, b
1
, b
2
; las estimaciones
de mnimos cuadrados de los parmetros |
0
,
|
1
, |
2
, respectivamente.
La denominada ecuacin de regresin muestral
se construye con estas estimaciones:

y = b
0
+ b
1
x
1
+ b
2
x
2
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 3.
Prohibida su reproduccin
Si hay exactamente dos variables predictoras, la
ecuacin de regresin muestral determina un
plano en el espacio. Este plano de predicciones

y, minimiza la suma de los cuadrados de los


residuales. Es decir, minimiza la suma
, ,
2

S= y y
i
i

.
Ejemplo: Percepcin de nutrientes en
cereales
Un analista de mercado est interesado en la
actitud de los consumidores hacia los aditivos
nutricionales en cereales para el desayuno.
En un estudio preliminar, obtiene evaluaciones
de 10 descripciones de cereales en una escala de
preferencias que va desde 1 hasta 9.
1: disgusta en extremo.
9: gusta en extremo.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 4.
Prohibida su reproduccin
Ind. Pref.
y
Prot.
x
1
Vit. D
x
2
1 3 4 2
2 7 9 7
3 2 3 1
4 1 1 2
5 6 3 3
6 2 4 4
7 8 7 9
8 3 3 2
9 9 8 7
10 2 1 3
Media 4,3 4,3 4
x
1
: gramos de protena (por taza)
x
2
: porcentaje del requerimiento diario de
vitamina D (por taza)
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 5.
Prohibida su reproduccin
Si el modelo incluye las dos variables
predictoras, la ecuacin de regresin muestral
que se obtiene es:

= + +
1 2
y 0,247 0,493x 0,484x

_ _
Constante
Cambio en
y
por unidad de
cambio en x
1
,
permaneciendo
fijas las restantes
variables.
Cambio en
y
por unidad de
cambio en x
2
,
permaneciendo
fijas las
restantes
variables.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 6.
Prohibida su reproduccin
Con dos variables predictoras, todava es
posible graficar la ecuacin de regresin
muestral (y el diagrama de dispersin). La
representacin que se obtiene es tridimensional.
y=0, 247+0,493x
1
+0, 484x
2
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 7.
Prohibida su reproduccin
Existen programas computacionales que
permiten decidir acerca del grado de validez que
tiene el modelo propuesto y realizar
estimaciones de los parmetros involucrados.
Generalmente, estos programas tambin son
tiles en la bsqueda de un subconjunto de
variables predictoras que expliquen un
porcentaje significativo de la variabilidad de y.
Procedimientos computacionales
Mtodo enter Regresin por pasos
La ecuacin de
regresin contiene
a todas las variables
predictoras.
Se busca un pequeo
conjunto de variables
predictoras que
expliquen un
porcentaje
significativo de la
variabilidad de y.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 8.
Prohibida su reproduccin
La multicolinealidad es uno de los problemas
ms comunes en los modelos de regresin.
Existe un problema de multicolinealidad cuando
dos o ms variables predictoras aparecen
explicando una misma porcin de la variabilidad
de y.
Cuando en un modelo existe un problema de
multicolinealidad, las estimaciones de los
coeficientes de regresin podran presentar un
alto grado de inestabilidad. (Ver observacin 2,
en pgina 16.)
Si hay pocas variables predictoras, un
procedimiento para seleccionar un subconjunto
de variables predictoras con bajo efecto de
multicolinealidad, es elegir predictores que
presenten alta correlacin con la variable de
criterio y bajas correlaciones entre ellos.
Otro alternativa es aplicar un procedimiento de
regresin por pasos.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 9.
Prohibida su reproduccin
Algunas de las siguientes observaciones
extienden ciertos conceptos de regresin lineal
simple a regresin mltiple.
Observaciones
1. En regresin mltiple el error estndar de
la estimacin, se calcula por medio de la
siguiente frmula.
s
e
=

2
(y y)
n m 1
m = nmero de variables predictoras,
n = tamao de la muestra.
Al igual que en regresin simple,
2
e
s es un
estimador insesgado de la varianza del error.
En consecuencia, s
e
se interpreta como una
medida del ajuste de los datos al plano de
regresin.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 10.
Prohibida su reproduccin
2. El coeficiente de determinacin mltiple,
denotado por R
2
, mide el porcentaje de
variabilidad explicado por las variables
predictoras.
R
2
= 1

2
2
(y - y)
(y - y)

El coeficiente de determinacin mltiple


ajustado (R
2
ajustado) adems considera el
efecto de la inclusin de ms variables
predictoras.
Adj
2 2
n -1
R 1- (1- R )
n - m-1
= ,
El coeficiente R = R
2
, se denomina
coeficiente de correlacin mltiple. El
coeficiente de correlacin mltiple coincide con
el coeficiente de correlacin r
y y
.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 11.
Prohibida su reproduccin
3. La tolerancia T
i
del predictor x
i
es el
porcentaje de su variabilidad que no est
explicada por la variabilidad de los restantes
predictores. Una tolerancia muy pequea
significa que la variable es practicamente una
combinacin lineal de las otras.
Por ejemplo, si i =1,
T
1
=

1R
x
1
x
2
,x
3
,, x
m
2
Variables que no satisfacen una tolerancia
mnima, quedan fuera del anlisis.
4. Los coeficientes estandarizados son los
coeficientes de regresin que se obtienen
cuando se estandarizan los puntajes de cada una
de las variables, tanto las predictoras como la de
criterio. En este caso, la constante de regresin
es siempre igual a 0.
i-simo coeficiente estandarizado= b
i
s
xi
s
y
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 12.
Prohibida su reproduccin
Pruebas de hiptesis en regresin mltiple
1. El estadstico F de la tabla ANOVA es el
estadstico de prueba de la hiptesis nula:
H
0
: |
1
=|
2
=... =|
m
=0
La hiptesis alternativa establece que a lo
menos uno de los coeficientes del modelo de
regresin es diferente de 0 (es decir, a lo
menos una de las variables predictoras es
significativa en la regresin).
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 13.
Prohibida su reproduccin
2. El estadstico t (gl = n m 1)
correspondiente a x
i
es el estadstico de prueba
de la hiptesis nula:
H
0
: |
i
= 0 (cuando la variable x
i
se integra al modelo
construido con las restantes variables
predictoras)
Esta prueba de hiptesis permite decidir si R
2
se incrementa significativamente, cuando la
variable x
i
se integra al modelo construido con
todas las restantes variables predictoras.
El estadstico t se calcula como sigue:
=
i
i
b
t
SE(b )
En general, la prueba t para la constante |
0
no
tiene significado relevante.
error estndar
de b
i
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 14.
Prohibida su reproduccin
Regresin
Variables Entered/Removed
b
X2, X1
a
, Enter
Model
1
Variables
Entered
Variables
Removed Method
All requested variables entered.
a.
Dependent Variable: Y
b.
Model Summary
,885
a
,783 ,721 1,53482
Model
1
R R Square
Adjusted
R Square
Std. Error of
the Estimate
Predictors: (Constant), X2, X1
a.
ANOVA
b
59,610 2 29,805 12,652 ,005
a
16,490 7 2,356
76,100 9
Regression
Residual
Total
Model
1
Sum of
Squares df Mean Square F Sig.
Predictors: (Constant), X2, X1
a.
Dependent Variable: Y
b.
Coefficients
a
,247 ,942 ,262 ,801 -1,980 2,475
,493 ,336 ,473 1,466 ,186 -,302 1,287
,484 ,346 ,450 1,397 ,205 -,335 1,302
(Constant)
X1
X2
Model
1
B Std. Error
Unstandardized
Coefficients
Beta
Standardized
Coefficients
t Sig. Lower Bound Upper Bound
95% Confidence Interval for B
Dependent Variable: Y
a.
R =
2
R =
y y
r
= coeficiente de correlacin mltiple
R
2
= coeficiente de
determinacin mltiple
Estadstico de prueba para
H
0
: |
1
= |
2
= 0
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 15.
Prohibida su reproduccin
Ejemplo (cereales, cont.)
En el anlisis del modelo de regresin con dos
variables predictoras, existe evidencia de
multicolinealidad:
El valor de F en la tabla ANOVA indica que el
porcentaje de la variabilidad de y explicado
por los predictores es estadsticamente
significativo. Especficamente, a lo menos uno
de los coeficientes del modelo de regresin no
es 0.
Por otro lado:
El valor de t de cada coeficiente de regresin,
no pemite rechazar la correspondiente hiptesis
nula.
Esta es una tpica situacin de multicolinealidad
(r
x
1
x
2
= 0,838).
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 16.
Prohibida su reproduccin
Observaciones
1. Si hay sospecha de que dos variables
interactan produciendo multicolinealidad, es
recomendable analizar un modelo de regresin
conteniendo a estas variables. La
multicolinealidad se reflejar en relativamente
bajos valores t, an cuando los valores t
provenientes de regresiones simples
individuales, se ubiquen en la correspondiente
zona crtica (ejemplo de los cereales).
A veces ocurre que la multicolinealidad es el
resultado de complejas interacciones entre
varias variables. Se debe sospechar la
existencia de multicolinealidad en el modelo, si
los errores estndares de los coeficientes de
regresin son grandes. Tambin puede ser un
signo de multicolinealidad la aparicin de
valores no plausibles para los coeficientes de la
regresin.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 17.
Prohibida su reproduccin
2. El error estndar de b
i
aumenta a medida
que la tolerancia de x
i
decrece. Es decir,
mientras ms redundante sea la variable x
i
(con
respecto a las otras variables) ms pequeo ser
el estadstico t de la prueba.
Por ejemplo, si i = 1,
SE(b
1
) =
, , ,
, , ,

1 2 m
1 2 3 m
1
2
y x x x
y
2
x x x x
x
s 1 R
1
n m 1
s 1 R
Por esta razn, el valor recproco de la
tolerancia de una variable predictora se utiliza
como una medida de la multicolinealidad
presente en el modelo.
Este valor recproco de la tolerancia se
denomina factor de inflacin de la varianza
(VIF).
VIF(x
i
) =
i
T
1
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 18.
Prohibida su reproduccin
3. Observar que si el R
2
del modelo es pequeo
entonces SE(b
i
) tender a ser mayor.
4. Hay dos alternativas para decidir sobre la
importancia relativa de los predictores del
modelo.
Los coeficientes estandarizados de la
regresin (sus magnitudes): Estos coeficientes
permiten comparar los efectos marginales de las
diferentes variables independientes, al medir
estos cambios en unidades de desviacin
estndar.
Los valores t (sus magnitudes): Estos
estadsticos miden el aporte marginal de cada
variable en la explicacin de la variabilidad de
la variable de criterio.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 19.
Prohibida su reproduccin
Ejemplo
1
En el estudio siguiente, el objetivo era construir
un modelo de regresin que explicase los
diferentes niveles de gastos (semanales) en
alimentos basndose en otras variables.
La regresin se realiz considerando 15
variables independientes. De 940 individuos
encuestados, 762 de ellos entregaron respuestas
tiles para la determinacin de los valores de las
16 variables.
La variable gastos semanales, se codific como
sigue:
Respuesta cdigo
< $15 $12,50
$15 $29 $22,50
$30 $44 $37,50
$45 $60 $52,50
> $60 $70,50
1
Tomado de Market Research and Analysis, second edition.
Lehmann, Donald R.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 20.
Prohibida su reproduccin
Variable Coef. Beta t
Ingreso (16) 2,89 0,27 8,95
Edad (aos) 0,08 0,09 2,97
Tamao de la familia 5,86 0,53 17,71
Nmero de marcas compradas
(14)
0,01 0,00 0,00
Compra habitual o buscando
informacin (13)
1,09 0,05 1,56
Importancia de la variedad (*) 0,02 0,00 0,00
Importancia del sabor (*) 1,40 0,05 1,68
Importancia de las preferencias
de otros miembros de la familia
(*)
0,28 0,02 0,57
Importancia de las restricciones
de dietas (*)
0,46 0,05 1,63
Importancia del precio (*) 0,29 0,02 0,57
Importancia de la
disponibilidad (*)
0,24 0,02 0,59
Importancia de la facilidad de
preparacin (*)
0,28 0,02 0,77
Importancia de los hbitos (*) 1,07 0,08 2,68
Importancia de las ofertas (*) 0,49 0,04 1,35
Importancia del valor
nutricional (*)
0,47 0,03 0,87
(*) Codificada de 15:
1 = muy importante, 5 = muy no importante
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 21.
Prohibida su reproduccin
Constante 12,76
R
2
0,43
R
2
(ajustado) 0,42
Error estndar 11,53
ANOVA
suma de
cuadrados
grados de
libertad
media
cuadrtica
F P
Regresin
74.667,73
15 4.977,85 37,43 0,00
Residual
99.200,62
746 132,98
Si jerarquizamos las variables predictoras segn
los coeficientes estandarizados observados, se
obtiene que las cuatro variables ms relevantes
en el modelo son:
Tamao de la familia, Ingreso, Edad, e
Importancia de los hbitos.
Comparar con
o
y
= 15,12
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 22.
Prohibida su reproduccin
Si la regresin se utiliza para realizar
pronsticos, un valor grande de R
2
es
importante. Esto es equivalente a requerir que
el error estndar de la estimacin s
e
sea
pequeo con respecto a s
y
.
Otro uso frecuente de la regresin es en la
definicin de segmentos de clientes en trminos
de variables demogrficas, de estilos de vida, o
de actitudes generales.
Es tpico que la regresin utilizada en
segmentacin produzca R
2
bajos; tan bajos
como 0,1 o menor.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 23.
Prohibida su reproduccin
Ejemplo
2
De un estudio de mercado (513 dueas de casa
entrevistadas) se obtuvo informacin sobre las
variables:
y: horas diarias viendo TV
x: nivel de ingreso
El anlisis de regresin (simple) produjo
R
2
= 0,048.
Ya que R
2
es muy pequeo, no es posible
predecir las horas que una persona pasa viendo
TV, a partir del nivel de ingreso que ella tiene.
Por otro lado, es obvio que el comportamiento
promedio respecto a horas diarias viendo TV
est relacionado con el ingreso, como lo muestra
el diagrama de dispersin correspondiente.
2
Tomado de Market Research and Analysis, second edition.
Lehmann, Donald R.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 24.
Prohibida su reproduccin
Un anlisis de regresin entre el nivel de
ingresos y el promedio de horas de TV dentro
de cada nivel de ingresos, produjo R
2
= 0,878.
La primera regresin revelaba una tendencia
general: Personas de ms bajos recursos tienden,
en promedio, a mirar ms TV que aquellas de
ms altos ingresos (tanto como dos veces; USA,
1975).
3
2
1
: Promedio de horas de TV,
entre todos los individuos
del nivel de ingreso.
y
x 1 2 3 4 5 6
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 25.
Prohibida su reproduccin
Observaciones generales
1. El uso de variables categricas podra ayudar
en la construccin de un modelo ms ajustado.
Con esta finalidad se representa la variable
categrica de c categoras por medio de c 1
variables binarias.
Ejemplo
Si los consumidores se han agrupado en tres
categoras: hombres, mujeres y nios,
utilizamos dos variables binarias para
representar la variable categrica consumidor.
Consumidor h m
hombre 1 0
mujer 0 1
nio 0 0
El anlisis de regresin se desarrolla como es
usual, utilizando las variables binarias
construidas. Estas variables binarias se
denominan ficticias.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 26.
Prohibida su reproduccin
2. Existen importantes desventajas en el uso de
la regresin por pasos.
i) Los resultados son altamente inestables
cuando se utilizan procedimientos que dividen
la muestra en dos mitades.
ii) Se aumenta la probabilidad de omitir del
modelo variables que son claves.
iii) La regresin por pasos es una metodologa
inferior a cualquier otro enfoque terico.
iv) Las pruebas estadsticas podran ser
inexactas ya que el procedimiento selecciona
variables que maximizan tales tests.
La conclusin es que la regresin por pasos
debe usarse con gran cuidado.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 27.
Prohibida su reproduccin
3. La construccin de modelos de regresin
lineales en los cuales la relacin entre la
variable dependiente y las independientes son
no lineales, se puede realizar simplemente
mediante la introduccin de apropiadas
transformaciones.
4. El coeficiente de determinacin R
2
no
puede ser menor que el ms grande de los r
2
simples obtenidos correlacionando cada uno de
los predictores con la variable de criterio.
En general, es difcil calcular R
2
a partir de los
r
2
simples. Existen casos en que una variable
predictora x
i
presenta una correlacin simple
muy baja; sin embargo, el R
2
del modelo que
contiene a x
i
y a x
j
es sustancialmente ms
alto que el r
2
simple de la variable x
j
. En este
tipo de situaciones, decimos que la variable x
i
cumple la funcin de una variable supresora.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 28.
Prohibida su reproduccin
Existe evidencia de que una variable est
cumpliendo un rol de supresora de alguna otra
variable del modelo, cuando el coeficiente
parcial de la regresin presenta un signo opuesto
al esperado.
Dado que la existencia de variables supresoras
en el modelo produce dificultades de
interpretacin, si la finalidad principal del
anlisis es la explicacin, lo recomendable es
remover tales variables del modelo.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 29.
Prohibida su reproduccin
APNDICE 1
La multicolinealidad no es el nico problema
que se presenta en el diseo de un modelo de
regresin mltiple.
Autocorrelacin: Esta situacin se presenta
cuando existe cierto tipo de correlacin entre los
residuales. La autocorrelacin es positiva si la
tendencia es que el prximo residual tenga el
mismo signo. En caso contrario, se dice que la
autocorrelacin es negativa.
El estadstico de DurbinWatson permite
detectar autocorrelacin positiva. Valores de
este estadstico menores que 1,5 se asocian a la
existencia de autocorrelacin positiva.
Heterocedasticidad: Esta situacin se presenta
cuando la magnitud de los residuales est
relacionada con el tamao de una de las
variables independientes.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 30.
Prohibida su reproduccin
La presencia de heterocedasticidad se revela por
medio de los grficos de residuales (residuales
v/s variable dependiente o independiente).
Tambin puede detectarse heterocedasticidad
obteniendo los coeficientes de correlacin entre
los residuales y cada una de las variables
independientes.
Los dos ltimos problemas mencionados
corresponden a desviaciones de los supuestos
bsicos del modelo. El anlisis de los residuales
es la herramienta que nos permite determinar si
estos supuestos se satisfacen para los datos
muestrales seleccionados.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 31.
Prohibida su reproduccin
APNDICE 2
El procedimiento de obtencin de los
coeficientes parciales de regresin, ilustra
sobre algunos aspectos tericos de importancia.
Para obtener el coeficiente de regresin parcial
correspondiente a la variable x
i
:
Primero: se regresa x
i
de todas las restantes
variables independientes.
Segundo: se calculan los residuos (x
i

x
i
).
Tercero: se regresa y de los residuos
calculados, mediante una regresin
simple.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 32.
Prohibida su reproduccin
Ejemplo
Si en el ejemplo de los cereales regresamos x
1
de x
2
, se obtiene la ecuacin de regresin

x
1
= 0,845 + 0,864x
2
Los residuos (x
1

x
1
) aparecen en la tabla
siguiente:
y
x
1
x
2
(x
1

x
1
)
3,000 4,000 2,000 1,427
7,000 9,000 7,000 2,109
2,000 3,000 1,000 1,291
1,000 1,000 2,000 -1,573
6,000 3,000 3,000 -0,436
2,000 4,000 4,000 -0,300
8,000 7,000 9,000 -1,618
3,000 3,000 2,000 0,427
9,000 8,000 7,000 1,109
2,000 1,000 3,000 -2,436
Regresando y de los residuos calculados, se
obtiene la ecuacin de regresin
y = 4,300 + 0,493(x
1

x
1
)
Coeficiente parcial
de regresin de x
1
.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 33.
Prohibida su reproduccin
De lo anterior se concluye la siguiente
importante propiedad.
Propiedad
Supongamos que todas las variables
(predictoras y de criterio) han sido
estandarizadas.
Si las variables predictoras x
1
, x
2
, ... , x
m
no
estn correlacionadas, entonces la ecuacin de
regresin mltiple es:
y = r
yx
1
x
1
+r
yx
2
x
2
+...+r
yx
m
x
m
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 34.
Prohibida su reproduccin
EJEMPLOS DE APLICACIONES DEL
MODELO DE REGRESIN
Ejemplo 1
Uno de los ms importantes ski resorts en el
noreste de Pensilvania utiliz un modelo de
regresin para predecir la concurrencia de
visitantes durante los fines de semana. Las
variables predictoras consideradas fueron:
Estado de las carreteras.
Temperatura media, en los tres das precedentes
al fin de semana.
Pronstico local para el fin de semana.
Cantidad de espacio en los peridicos de las
ciudades vecinas, destinado a promover el
resort.
Promedio de concurrencia de los tres ltimos
fines de semana.
La precisin del modelo estuvo dentro de 6%
de la real concurrencia.
Anlisis de Regresin Mltiple, (2011) H. Hevia, M. E. Valenzuela, pag 35.
Prohibida su reproduccin
Ejemplo 2
Una panadera explor el uso de un modelo de
regresin para predecir ventas de panes para
hamburguesas, con la finalidad de regular la
produccin diaria. Las variables independientes
fueron:
El tiempo.
El da del mes.
La cercana a un festivo.
El modelo fue capaz de predecir razonablemente
bien las ventas, logrando una reduccin
importante en la devolucin de productos.

S-ar putea să vă placă și