Documente Academic
Documente Profesional
Documente Cultură
APELLIDOS
NOMBRE:
LECAROS FLORES
KEVIN Y
SCOTT
AO DE YLA
DIVERSIFICACION
PRODUCTIVA
DE
FORTALECIMIENTO
DE CUANTITATIVOS
LA EDUCACION
ASIGNATURA:
METODOS
INDIC
E
CARATULA
. 1
DEDICATORIA
.. 2
NDICE
3
INTRODUCCION.
4
OBJETIVOS .
.. 4
MARCO TEORICO.
4
CASO PRACTICO .
. 7
BIBLIOGRAFIA
INTR
ODUC
Con
tres
explicativas
espacio de tres
as
variables
tendramos
un
dimensiones,
y
sucesivamente.
Vamos
a
ir
elementos
de
travs de un sencillo ejemplo.
introduciendo los
este anlisis a
En base a estos datos, vamos a construir un modelo para predecir el peso de una
persona (Y). Esto equivale a estudiar la relacin existente entre este conjunto de
variables y la variable peso (Y).
En primer lugar tenemos que la variable dependiente es el peso; y las variables
que vamos a utilizar para predecir el peso reciben el nombre de variables
independientes o explicativas.
En la prctica deberemos de elegir cuidadosamente qu variables vamos a
considerar como explicativas. Algunos criterios que deben de cumplir sern los
siguientes:
Tener sentido numrico.
No deber de haber variables repetidas o redundantes
terica.
La relacin entre variables explicativas en el modelo y casos debe de ser como
mnimo de 1 a 10.
La relacin de las variables explicativas con la variable dependiente debe de ser
OBJE
TIVO
MAR
CO
Aparte de estar iniciado en el uso del paquete estadstico Minitab, resulta muy
conveniente haber ledo con profundidad los siguientes math-blocks relacionados
con Estadstica:
Intervalos de confianza y contraste de hiptesis para 1 y 2 poblaciones
Anlisis de regresin y correlacin lineal
Correlacin y regresin lineal mltiple
7
Hiptesis sobre los parmetros del modelo: a) La nica hiptesis que haremos
acerca de los parmetros del modelo es la hiptesis de permanencia estructural, lo
cual quiere decir que los parmetros poblacionales, j , se mantienen constantes a
lo largo de toda la muestra.
Estimacin del MRLM Estimar el modelo equivale asignar valores numricos a los
parmetros desconocidos 1, 2, ..., k, a partir de la informacin muestral
disponible de las variables observables del modelo. nicamente consideraremos
dos mtodos de estimacin: El mtodo de mnimos cuadrados ordinarios (MCO)
El mtodo de mxima verosimilitud (MV) Estimacin por mnimos cuadrados
ordinarios: Sea un modelo en forma matricial Y = X B + U. Supongamos que el
modelo ha sido estimado, obtenindose , vector de valores de la variable
dependiente implicado por el modelo. La diferencia entre los valores observados y
los valores estimados, e = Y Y = Y X B , la denominaremos vector de
residuos. Ahora bien, nuestro problema consiste en minimizar la suma de los
cuadrados de residuos, ee con respecto del vector de parmetros estimados, B.
De este problema de optimizacin se deduce la siguiente expresin de mnimos
cuadrados ordinarios del MRLM [7]:
Cuya varianza viene dada por:
Adems, el estimador MCO de la varianza del trmino de perturbacin es:
12
ANOVA
Modelo
Suma de
gl
Media
cuadrados
1
Regresin
Sig.
cuadrtica
51619908720
25809954360
230,611
APLICACIN EN POLITICA
FISCAL
007,260
003,630
000
bp
Residuo
16787971831
15
11191981220
03,689
Total
6,913
53298705903
17
110,945
a. Variable dependiente: TAMAO
b. Predictores: (Constante), GASTOSNOFINANCIEROS, INGRESOSCORRIENTES
R cuadrado
o
1
R cuadrado
Error
ajustado
estndar de
Coeficientes
,984
,969
,964
la estimacin
334544,186
13
Modelo
Coeficientes no estandarizados
Coeficientes
Sig.
estandarizado
s
B
Error
Beta
estndar
1
(Constante)
25777448,41
185548,624
138,926
,000
5
INGRESOSCORRIENTES
34,162
12,058
,852
2,833
,013
GASTOSNOFINANCIERO
5,276
11,897
,133
,444
,664
S
a. Variable dependiente: TAMAO
CONC
LUSIO
http://www.udc.es/dep/mate/estadistica2/secprac_5_2.html
http://portal.uned.es/pls/portal/docs/PAGE/UNED_MAIN/LAUNIVERSIDAD/VICER
RECTORADOS/INVESTIGACION/O.T.R.I/OFERTAS
%20TECNOLOGICAS/DMAC/DOCUMENTOS%20Y
%20TUTORIALES/REGRESION_LINEAL_MULTIPLE_3.PDF
http://www.uoc.edu/in3/emath/docs/T01_Reg_Lineal_Multiple.pdf
http://www.uv.es/=uriel/3%20Regresion%20lineal%20multiple%20estimacion%20y
%20propiedades.pdf
14