Sunteți pe pagina 1din 14

14.

Anlisis de regresin lineal mltiple


En captulos anteriores tratamos el anlisis de regresin simple que trata de relacionar una variable
explicativa cuantitativa con una variable respuesta cuantitativa. Todos los elementos de ese captulo nos
van a servir ahora para continuar con el caso ms general y de mayor utilidad prctica, que es la
regresin lineal mltiple. Por regresin lineal mltiple entenderemos el anlisis de regresin lineal pero
ahora con ms de una variable explicativa.
Datos para regresin mltiple
os datos para regresin lineal simple consisten en pares de observaciones !xi, yi" de dos variables
cuantitativas. #hora tendremos mltiples variables explicativas, por lo que la notacin ser ms
elaborada. lamaremos xij el valor de la $%&sima variable del i%&simo su$eto o unidad !i'(,),...,n *
$'(,),...,p". os datos se pueden organi+ar de la siguiente ,orma en una base-
( x(( x() ... x(p y(
) x)( x)) ... x)p y)
-
n xn( xn) ... xnp yn
.onde n es el nmero de casos o tama/o muestral y p es el nmero de variables explicatorias. Esta es
una ,orma de organi+ar la base de datos, no importa el orden de las variables.
Modelo de regresin lineal mltiple-
El modelo estadstico de regresin lineal mltiple es-
i ip p i i i
x x x y + + + + + =
) ) ( ( 0
para i' (, ), ...,n
a respuesta media
" !Y E
y
=
es una ,uncin lineal de las variables explicatorias-

p p y
x x x + + + + =
) ) ( ( 0
as desviaciones i

son independientes y normalmente distribuidas con media 0 y desviacin estndar


-
" , 0 ! 1
)
N
i
os parmetros del modelo son- p
, , ,
( 0

y , los coe,iciente de regresin y la estimacin de la
variabilidad, es decir son en total !p 2 )" parmetros.
3i suponemos que la respuesta media est relacionada con los parmetros a trav&s de la ecuacin-
p p y
x x x + + + + =
) ) ( ( 0 , esto quiere decir que podemos estimar la media de la variable
respuesta a trav&s de la estimacin de los parmetros de regresin. 3i esta ecuacin se a$usta a la
realidad entonces tenemos una ,orma de describir cmo la media de la variable respuesta y vara con
las variables explicatorias p
x x x , , ,
) (

.
Estimacin de los parmetros de regresin mltiple.
(
En regresin lineal simple usamos el mtodo de mnimos cuadrados para obtener estimadores del
intercepto y de la pendiente. En regresin lineal mltiple el principio es el mismo, pero necesitamos
estimar ms parmetros.
lamaremos p
b b b , , ,
( 0

a los estimadores de los parmetros p
, , ,
( 0

a respuesta estimada por el modelo para la i%&sima observacin es-
ip p i i i
x b x b x b b y + + + + =
) ) ( ( 0
4
El i%&simo residuo es la di,erencia entre la respuesta observada y la predicha-
residuo '
estimado 4 observado y y
El i-simo residuo ' i i i
y y e 4 =
( )
ip p i i i i
x b x b x b b y e + + + + =
) ) ( ( 0
El mtodo mnimos cuadrados elige los valores de los estimadores p
b b b , , ,
( 0

ptimos, es decir,
que hacen la suma de cuadrados de los residuos menor posible. En otras palabras, los parmetros
estimados p
b b b , , ,
( 0

minimi+an la di,erencia entre la respuesta observada y la respuesta estimada,
lo que equivale a minimi+ar-
( )


)
4
i i
y y
.
a ,rmula de los estimadores de mnimos cuadrados para regresin mltiple se complica porque
necesitamos notacin matricial, sin embargo estamos a salvo si entendemos el concepto y de$aremos a
3P33 hacer los clculos.
El parmetro
)
mide la variabilidad de la respuesta alrededor de la ecuacin de regresin en la
poblacin. 5omo en regresin lineal simple estimamos
)
como el promedio de los residuos al
cuadrado-
(
4
)
) )

= =

p n
e
s
i
x y

( )
(
4
)

=

p n
y y
i i
a cantidad !n-p-1" son los grados de libertad asociados con la estimacin de la variabilidad-
)
x y
s
)
6 x y
s
es entonces el estimador de la variabilidad de la respuesta y, tomando en cuenta las variables
explicatorias xj.
o distinguimos de
( )
(
)
)

=

n
y y
s
i i
y
que es la variabilidad de y sin tomar en cuenta las variables
explicativas xj.
)
ruebas de signi!icancia e "ntervalos de con!ian#a para los coe!icientes de regresin
Podemos obtener intervalos de con,ian+a y test de hiptesis para cada uno de los coe,icientes de
regresin j

como lo hicimos en regresin simple. os errores estndar de los estadsticos muestrales


p
b b b , , ,
( 0

tienen ,rmulas ms complicadas, as es que nuevamente de$aremos que 3P33 haga su
traba$o.
$est de %iptesis para j

&
Para docimar la hiptesis
0 -
0 -
(
0

=
j
j
H
H

se usa el test t-
" ( ! 1
" EE!b
b
$
$
= p n t t
.onde
" !
j
b EE
es el error estndar de j
b
'otas&
- 7amos a de$ar a 3P33 el clculo del error estndar de j
b
- Tendremos entonces un test de hiptesis asociado a cada variable explicatoria en el modelo.
- Podemos reali+ar hiptesis de una cola, donde H(-
0 <
j

o H(-
0 >
j

, pero lo usual es hacer el


test bilateral.
"ntervalo de con!ian#a para j

&
8n intervalo de con,ian+a ! ( "9(00: para j

est dado por-



" ! " ( !
)
(
j j
b EE p n t b


donde
)
(

t

es el percentil apropiado de la distribucin t con !n-p-1" grados de libertad,
" !
j
b EE
es el
error estndar de j
b
"ntervalos de con!ian#a para la respuesta media e intervalos de prediccin individual&
3i queremos obtener intervalos de con,ian+a para la respuesta media o intervalos de con,ian+a para
,uturas observaciones en los modelos de regresin mltiple, las ideas bsicas son las mismas que ya
vimos en regresin simple y de$aremos el clculo a 3P33.
;
$abla de A'()A para regresin mltiple
a tabla de anlisis de varian+a para la regresin mltiple es la siguiente-
*uente de
variacin
gl
+rados de
libertad
,-
,uma de -uadrados
-M
-uadrados
Medios
<odelo p

=
)
" 4 ! <od y y SC
p
SC<od
=esiduo ( p n
=
=
n
i
i i
y y s SC
(
)
" 4 ! =e
(
=e
p n
s SC
Total
( n
( )

=
=
n
i
i
y y SCT
(
)
a tabla #>?7# es similar a la de regresin simple. os grados de libertad del modelo son ahora p en
ve+ de (, lo que re,le$a que ahora tenemos p variables explicatorias en ve+ de slo una. as sumas de
cuadrados representan las ,uentes de variacin. =ecordemos que la suma de cuadrados total es igual a
la suma de los cuadrados del modelo de regresin ms la suma de los cuadrados del residuo-
35T ' 35<od 2 35=es
El estimador de la varian+a
)
de nuestro modelo est dado por la media cuadrtica residual
<5=es'35=es6!n%p%("
Estadstico *
a ra+n entre el cuadrado medio del modelo y el residuo
s MC MC F =e <od =
, permite estimar si
la relacin entre las variables explicatorias y la respuesta es signi,icativa. a hiptesis que docima el
test F es-
cero es no un menos al -
0 -
(
) ( 0
j
p
H
H

= = = =
a hiptesis nula dice que ninguna de las variables explicatorias son predictoras de la variable
respuesta. a hiptesis alternativa dice que al menos una de las variables explicatorias est linealmente
relacionada con la respuesta. 5omo en regresin simple, valores grandes de @ nos dan evidencia en
contra de hiptesis nula. 5uando A0 es verdadera, el estadstico @ tiene distribucin @ de @isher con !p,
n-p-1" grados de libertad. os grados de libertad estn asociados a los grados de libertad del modelo y
del residuo en la tabla #>?7#.
=ecordemos que en regresin lineal simple el test @ de la tabla #>?7# es equivalente al test t bilateral
para la hiptesis de que la pendiente es cero. #hora, el test @ de regresin mltiple docima la hiptesis de
que todos los coe,icientes de regresin !con excepcin del intercepto" son cero, hiptesis que no es de
mucho inter&s. En el problema de regresin mltiple interesan ms las hiptesis individuales para cada
parmetro asociado a cada variable explicatoria.
B
-oe!iciente de determinacin ./
0
1
En regresin lineal simple vimos que el cuadrado del coe,iciente de correlacin era
Total
=eg
)
SC
SC
r =
y se
poda interpretar como la proporcin de la variabilidad de y que poda ser explicada por x. 8n
coe,iciente similar se calcula en regresin mltiple-
( )

= =
)
)
)
" 4 !
Total
<od
y y
y y
SC
SC
R
i
.onde =
)
es la proporcin de la variabilidad de la variable respuesta y que es explicada por las
variables explicatorias p
x x x , , ,
) (

en la regresin lineal mltiple.
# menudo se multiplica =
)
por (00 y se expresa como porcenta$e. a ra+ cuadrada de =
)
es el
coe,iciente de correlacin mltiple, es la correlacin entre las observaciones i
y
y los valores
predichos i
y4 .
-oe!iciente de determinacin ./
0
1 a2ustado
5uando evaluamos un modelo de regresin lineal mltiple nos interesa decidir si una variable dada
me$ora la capacidad para predecir la respuesta comparando el =
)
de un modelo que contiene la variable,
con el =
)
del modelo sin la variable. El modelo con me$or =
)
debera ser el me$or modelo. Pero
debemos ser cuidadosos cuando comparamos los coe,icientes de determinacin de dos modelos
di,erentes. a inclusin de una variable adicional en el modelo nunca provoca la reduccin de =
)
. Para
mane$ar este problema, podemos utili+ar el =
)
a$ustado, que a$usta por el nmero de variables que hay
en el modelo. El =
)
a$ustado es-
( )
) )
(
" ( !
(
( R
p n
n
R
a

+

=
3n e2emplo
En educacin existe pol&mica acerca de las notas de los colegios que se creen estn infladas. 3i no
estuvieran in,ladas esperaramos que las pruebas de ingreso a la 8niversidad est&n altamente
correlacionadas con las notas de ense/an+a media. =evisemos, con datos de la Prueba de #ptitud
#cad&mica !P##" del a/o )00( en la regin del <aule, si podemos explicar las notas de ense/an+a
media con la P##.
Resumen del modelo
.578
a
.334 .334 81.25283
Modelo
1
R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
Variables predictoras !"onstante#$ %rueba &istoria '
(eogra)a$ %rueba *ptitud Matem+tica$ %rueba *ptitud Verbal
a.
ANOVA
b
1,4--31, 3 54,,772.- 828.-45 .---
a
32,,-2-5 4.47 ,,-2.-23
4.-,-521 4.5-
Regresin
Residual
/otal
Modelo
1
0uma de
cuadrados gl
Media
cuadr+tica 1 0ig.
Variables predictoras !"onstante#$ %rueba &istoria ' (eogra)a$ %rueba *ptitud
Matem+tica$ %rueba *ptitud Verbal
a.
Variable dependiente 2EM 2otas Ens Media
b.
C
Coeficientes
a
312.-88 5.,5, 55.17. .--- 3-1.--- 323.17,
.153 .-1. .17, 7...3 .--- .115 .1.-
.275 .-15 .34. 18.133 .--- .245 .3-4
.-., .-1. .-.8 5.-4. .--- .-5. .133
!"onstante#
%rueba *ptitud Verbal
%rueba *ptitud
Matem+tica
%rueba &istoria '
(eogra)a
Modelo
1
3 Error tp.
"oe)icientes no
estandari4ados
3eta
"oe)icientes
estandari4ad
os
t 0ig. 5mite in)erior
5mite
superior
6nter7alo de con)ian4a para
3 al .58
Variable dependiente 2EM 2otas Ens Media
a.
)eri!icando supuestos en la regresin lineal mltiple
(. Examine los gr!icos de dispersin entre la variable respuesta y versus las variables explicatorias x
para investigar si la relacin entre estas variables es lineal y por lo tanto si el modelo es ra+onable.
# trav&s de este anlisis podremos entender me$or la relacin entre los datos.
). Examine los residuos para veri,icar los supuestos acerca del t&rmino del error. os residuos deben
ser una muestra aleatoria de una poblacin normal con media 0 y desviacin estndar D. Para
veri,icar normalidad gra,ique el %istograma de los residuos, este debera aparecer como normal
sin valores extremos. #dems debemos revisar los residuos individuales para detectar valores
extremos y6o in,luyentes. Por ltimo debemos detectar si la distribucin de los residuos es al a+ar
y no hay formas que muestren un problema en el a$uste, o que la varian+a no sea constante.
E
Regresin Residuo tipi)icado
&istograma de residuos
2otas de Ense9an4a Media 7ersus %**
1
r
e
c
u
e
n
c
i
a
5--
4--
3--
2--
1--
-
:es7. tp. ; 1.--
Media ; -.--
2; 4.51.--
(r+)ico %<% normal de regresin Residuo tipi)icado
Variable dependiente 2EM2otas Ens Media
%rob acum obser7ada
1.-- .75 .5- .25 -.--
%
r
o
b

a
c
u
m

e
s
p
e
r
a
d
a
1.--
.75
.5-
.25
-.--
Diagnsticos por caso
a
3.--5 7,- 515.8-15 244.1.85
3.-,, 781 531.8782 24..1218
<3.-35 373 ,1..,385 <24,.,385
2=mero de caso
.1
,27
,83
Residuo tip.
2EM 2otas
Ens Media
Valor
pronosticado Residuo bruto
Variable dependiente 2EM 2otas Ens Media
a.
(r+)ico de residuos 7ersus predic>os
Regresin Valor pronosticado
8-- 7-- ,-- 5-- 4--
Re
gr
esi
n
Re
sid
uo
est
ud
en
ti4
ad
o
4
3
2
1
-
<1
<2
<3
<4
8sando la salida de 3P33 para la regresin mltiple sin la Prueba de Aistoria y Feogra,a, analice
como cambia el =
)
Resumen del modelo
b
.575
a
.331 .331 81.43.
Modelo
1
R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
Variables predictoras !"onstante#$ %rueba *ptitud
Matem+tica$ %rueba *ptitud Verbal
a.
Variable dependiente 2EM 2otas Ens Media
b.
-olinealidad
G
#parte de los supuestos antes mencionados, siempre hay que veri,icar la presencia de colinealidad. a
colinealidad ocurre cuando dos o ms variables explicativas se relacionan entre s, hasta el punto de
que comunican esencialmente la misma in,ormacin sobre la variacin observada en y. 8n sntoma de
la existencia de colinealidad es la inestabilidad de los coe,icientes calculados y sus errores estndares.
En particular los errores estndares a menudo se tornan muy grandes* esto implica que hay un alto
grado de variabilidad de muestreo en los coe,icientes calculados.
Deteccin de multicolinealidad en el modelo de regresin
os siguientes son indicadores de multicolinealidad-
(. 5orrelaciones signi,icativas entre pares de variables independientes en el modelo.
). Pruebas t no signi,icativas para los parmetros individuales cuando la prueba @ global del modelo
es signi,icativa.
;. 3ignos opuestos !a lo esperado" en los parmetros estimados.
E2emplo&
a 5omisin @ederal de 5omercio !@ederal Trade 5ommission" de Estados 8nidos clasi,ica
anualmente las variedades de cigarrillos segn su contenido de alquitrn, nicotina y monxido de
carbono. 3e sabe que estas tres sustancias son peligrosas para la salud de los ,umadores. Estudios
anteriores han revelado que los incrementos en el contenido de alquitrn y nicotina de un cigarrillo van
acompa/ados por un incremento en el monxido de carbono emitido en el humo de cigarrillo. a base
de datos 5?Hmultiple.sav !en sitio del curso" contiene los datos sobre contenido de alquitrn !en
miligramos", nicotina !en miligramos" y monxido de carbono !en miligramos" y peso !en gramos" de
una muestra de )C marcas !con ,iltro" ensayadas en un a/o reciente. 3uponga que se desea modelar el
contenido de monxido de carbono, y, en ,uncin del contenido de alquitrn, x1, el contenido de
nicotina, x, y el peso, x!, utili+ando el modelo-
; ; ) ) ( ( 0
" ! x x x y E + + + =
El modelo se a$ust a los )C puntos de datos y se ad$unta las salidas de 3P33-
Resumen del modelo
b
..58
a
..1. ..-7 1.4457
Modelo
1
R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
Variables predictoras !"onstante#$ %eso$ *l?uitr+n$ 2icotina
a.
Variable dependiente "@
b.
ANOVA
b
4.5.258 3 1,5.-8, 78..84 .---
a
43.8.3 21 2.-.-
53..15- 24
Regresin
Residual
/otal
Modelo
1
0uma de
cuadrados gl
Media
cuadr+tica 1 0ig.
Variables predictoras !"onstante#$ %eso$ *l?uitr+n$ 2icotina
a.
Variable dependiente "@
b.
I
Coeficientes
a
3.2-2 3.4,2 ..25 .3,5
..,3 .242 1.151 3..74 .--1
<2.,32 3..-1 <.1.7 <.,75 .5-7
<.13- 3.885 <.--2 <.-34 ..74
!"onstante#
*l?uitr+n
2icotina
%eso
Modelo
1
3 Error tp.
"oe)icientes no
estandari4ados
3eta
"oe)icientes
estandari4ad
os
t 0ig.
Variable dependiente "@
a.
"@
*l?uitr+n
2icotina
%eso

Correlaciones
a
1 ..57AA ..2,AA .4,4A
. .--- .--- .-1.
..57AA 1 ..77AA .4.1A
.--- . .--- .-13
..2,AA ..77AA 1 .5--A
.--- .--- . .-11
.4,4A .4.1A .5--A 1
.-1. .-13 .-11 .
"orrelacin de %earson
0ig. !bilateral#
"orrelacin de %earson
0ig. !bilateral#
"orrelacin de %earson
0ig. !bilateral#
"orrelacin de %earson
0ig. !bilateral#
"@
*l?uitr+n
2icotina
%eso
"@ *l?uitr+n 2icotina %eso
5a correlacin es signi)icati7a al ni7el -$-1 !bilateral#.
AA.
5a correlacin es signi)icante al ni7el -$-5 !bilateral#.
A.
2 por lista ; 25
a.
,eleccin de modelos
5omo regla general, normalmente es pre,erible incluir en un modelo de regresin slo las variables
explicativas que ayudan a predecir o explicar la variabilidad observada en la respuesta y, a este modelo
lo llamamos parsimonioso. En consecuencia, si tenemos diversas variables explicativas potenciales,
Jcmo decidir cules se deben retener en el modelo y cules de$ar a,ueraK Por lo general, la decisin se
toma en base a una combinacin de consideraciones estadsticas y no estadsticas. Es ,undamental
identi,icar o conocer cules variables podran ser importantes. 3in embargo, para estudiar cabalmente el
e,ecto de cada una de estas variables explicativas, sera necesario llevar a cabo anlisis por separado de
cada posible combinacin de variables. os modelos resultantes podran evaluarse enseguida de
acuerdo con algn criterio estadstico. Este es el m&todo ms completo, pero tambi&n el que ocupa ms
tiempo. 3i tenemos una gran cantidad de variables explicativas el procedimiento podra no ser ,actible.
Existen otros m&todos paso a paso !stepLise en ingl&s" que son tiles, pero que hay que usarlos con
cautela porque los resultados pudieran ser dependientes de los datos !la muestra" ms que basados en el
conocimiento del problema que estamos estudiando. Entonces la recomendacin es buscar un equilibrio
entre la tecnologa, el conocimiento que tenemos de las variables y los resultados de la muestra.
)ariables indicadoras
as variables explicativas que hemos considerado hasta este momento se midieron sobre una escala
cuantitativa. 3in embargo, el anlisis de regresin puede generali+arse para incluir asimismo, variables
explicativas cualitativas. Por e$emplo, podramos preguntarnos si las notas en la ense/an+a media
pueden ser explicadas adems por la dependencia del establecimiento. Para simpli,icar supongamos
que nos interesa solamente distinguir entre colegios particulares y municipales o subvencionados, esta
M
variable tendra dos categoras. Puesto que las variables explicativas en un anlisis de regresin deben
tomar valores num&ricos, designamos a los colegios estatales !municipales y subvencionados" con ( y a
los colegios particulares con 0. Estos nmeros no representan mediciones reales* sencillamente
identi,ican las categoras de la variable aleatoria nominal. .ebido a que estos valores no tienen
signi,icado cuantitativo, una variable explicativa de esta clase se denomina variable indicadora o
variable muda !en ingl&s dummy variable".
Resumen del modelo
.5.2
a
.35- .34. 8-.2.73-
Modelo
1
R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
Variables predictoras !"onstante#$ Estatales$ %rueba *ptitud
Matem+tica$ %rueba &istoria ' (eogra)a$ %rueba *ptitud
Verbal
a.
ANOVA
b
1717-414 4 42.2,-3.5 ,,5.7,2 .---
a
318.-1-8 4.4, ,447.,5,
4.-,-521 4.5-
Regresin
Residual
/otal
Modelo
1
0uma de
cuadrados gl
Media
cuadr+tica 1 0ig.
Variables predictoras !"onstante#$ Estatales$ %rueba *ptitud Matem+tica$ %rueba
&istoria ' (eogra)a$ %rueba *ptitud Verbal
a.
Variable dependiente 2EM 2otas Ens Media
b.
Coeficientes
a
257.,1- 7.48. 34.3.7 .---
.1,- .-1. .185 8.5-2 .---
.285 .-15 .3,3 1..-3- .---
.117 .-1. .12- ,.21. .---
4-.-8, 3.,,8 .132 1-..2. .---
!"onstante#
%rueba *ptitud Verbal
%rueba *ptitud
Matem+tica
%rueba &istoria '
(eogra)a
Estatales
Modelo
1
3 Error tp.
"oe)icientes no
estandari4ados
3eta
"oe)icientes
estandari4ad
os
t 0ig.
Variable dependiente 2EM 2otas Ens Media
a.
asos en el anlisis de regresin mltiple&
(. Describir los datos- .escripcin num&rica de las variables que se van a utili+ar en el anlisis
E2emplo de modelo que a$usta las notas de ense/an+a media versus las pruebas de aptitud en la regin
del <aule el a/o )00(
(0
$abla del ,,, con descripcin de variables cuantitativas&
Estadsticos descriptivos
5,1.,451 ...555-. 4.51
471..234 114.74-.2 4.51
477.428, 12,.43221 4.51
483.825. 1-1..2..5 4.51
2EM 2otas Ens Media
%rueba *ptitud Verbal
%rueba *ptitud
Matem+tica
%rueba &istoria '
(eogra)a
Media
:es7iacin
tp. 2
$abla con descripcin de variable cualitativa&
Dependencia *recuencia 4
Estatales B;BE IG,I
Particular E0C (),)
Total BMC( (00,0
Descripcin gr!ica&
4.51 4.51 4.51 4.51 2 ;
%rueba &istoria ' (e
%rueba *ptitud Matem
%rueba *ptitud Verba
2EM 2otas Ens Media
.--
8--
7--
,--
5--
4--
3--
2--
1--
>ota- En este caso podemos hacer gr,icos de ca$a con$untos porque todas las variables estn medidas
en la misma escala.
0. )eri!icar los supuestos&
- linealidad !y vs x"
- no colinealidad !correlacin entre las x"
((
Fr,icos de dispersin
2EM 2otas Ens Media
%rueba *ptitud Verba
%rueba *ptitud Matem
%rueba &istoria ' (e
Correlaciones
a
1 .52,AA .55,AA .485AA
. .--- .--- .---
.52,AA 1 .783AA .78.AA
.--- . .--- .---
.55,AA .783AA 1 .711AA
.--- .--- . .---
.485AA .78.AA .711AA 1
.--- .--- .--- .
"orrelacin de %earson
0ig. !bilateral#
"orrelacin de %earson
0ig. !bilateral#
"orrelacin de %earson
0ig. !bilateral#
"orrelacin de %earson
0ig. !bilateral#
2EM 2otas Ens Media
%rueba *ptitud Verbal
%rueba *ptitud
Matem+tica
%rueba &istoria '
(eogra)a
2EM 2otas
Ens Media
%rueba
*ptitud Verbal
%rueba
*ptitud
Matem+tica
%rueba
&istoria '
(eogra)a
5a correlacin es signi)icati7a al ni7el -$-1 !bilateral#.
AA.
2 por lista ; 4.51
a.
()
;. Nsqueda del me2or modelo !=
)
y test de hiptesis de los coe,icientes de regresin".
Modelos /
0
-oe!iciente "ntervalo de con!ian#a
P#7
P#<
PAF
;;,B:
0,(C;
0,)GC
0,0ME
!0,((C%0,(M0"
!0,)BC%0,;0B"
!0,0CM%0,(;;"
P#7
P#<
;;,(: 0,)0B
0,)M;
!0,(G)%0,);E"
!0,)EC%0,;))"
P#7
P#<
PAF
Estatal
;C,0:
0,(E0
0,)IC
0,((G
B0,0IE
!0,();%0,(MG"
!0,)CE%0,;(C"
!0,0I0%0,(CB"
!;),M%BG,;"
B. #nlisis de supuestos de residuos- >ormalidad y Aomocedasticidad
- 'ormalidad- Fr,icos de >ormalidad y6o Test de Oolmogorov%3mirnov y 3hapiro%PilQs
Regresin Residuo tipi)icado
&istograma de residuos
2otas de Ense9an4a Media 7ersus %**
1
r
e
c
u
e
n
c
i
a
5--
4--
3--
2--
1--
-
:es7. tp. ; 1.--
Media ; -.--
2; 4.51.--
(r+)ico %<% normal de regresin Residuo tipi)icado
Variable dependiente 2EM2otas Ens Media
%rob acum obser7ada
1.-- .75 .5- .25 -.--
%
r
o
b

a
c
u
m

e
s
p
e
r
a
d
a
1.--
.75
.5-
.25
-.--
(;
- Aomocedasticidad- Fr,ico de residuos vs y estimada
(r+)ico de residuos 7ersus predic>os
Regresin Valor pronosticado
8-- 7-- ,-- 5-- 4--
Re
gr
esi
n
Re
sid
uo
est
ud
en
ti4
ad
o
4
3
2
1
-
<1
<2
<3
<4
>ota- 3i no se obtiene normalidad u homogeneidad de varian+a, se pueden tras,ormar los datos.
(B