Regresión Lineal Simple

Anlisis de Regresin
Captulo 4
-1
Propsito del Anlisis de Regresin

Regresin Lineal Simple
El Anlisis de Regresin se utiliza

principalmente para modelar relaciones
entre variables y para pronstico
Gerardo Heckmann
Universidad Nacional de Crdoba
Predice el valor de una variable dependiente

(de respuesta) basado en el valor de al menos
una variable independiente (explicativa)
Explica el efecto de las variables independientes
sobre las dependientes
Gerardo Heckmann , FCE - UNC
Modelo de Regresin Lineal Simple
Tipos de modelos de regresin

Relacin lineal positiva
Relacin NO lineal
Relacin lineal negativa
Sin relacin
Variable
Dependiente
(Respuesta)
Gerardo Heckmann, FCE - UNC

E
(Valores Observados
de Y) =
Error
Aleatorio
(continuacin)
Yi = 0 + 1 X i + i
i = Error Aleatorio
Yi = 0 + 1 X i + i
Recta de
Regresin
YX
Poblacional
(media condicional)
Regresin Lineal en la Poblacin
La ecuacin de regresin poblacional es una lnea

recta que describe la dependencia del valor promedio
(media condicional) de una variable sobre la otra
Pendiente
Poblacional
La relacin entre las variable es descripta

por una funcin lineal
El cambio en una variable causa el cambio
en la otra
Hay una dependencia de una variable en la
otra.
Regresin Lineal en la Poblacin
Constante Poblacional
YX = 0 + 1 X i
Variable
Independiente
(Explicativa)
(Media Condicional)
X
Valor observado de Y
5
Estadstica II Cat.
Anlisis de Regresin
Captulo 4
Regresin lineal en la muestra
-2

(continuacin)
La recta de regresin muestral provee una
estimacin de la recta poblacional y pronsticos

del valor de Y
cuadrado de los residuos
Estimacin de la
pendiente
Estimacin de la
constante
Yi = b0 + b1 X i + ei
Residuo
Recta de regresin muestral

(Recta ajustada, Valor predicho)
7
2
i
i =1
(Y Y ) = e
Y = b 0 + b1 X =
b0 y b 1 se obtienen encontrando los valores

de b0 y b1 que minimizan la suma del
i =1
b0 provee una estimacin de 0

b1 provee una estimacin de 1
Interpretacin de la pendiente y
la constante

(continuacin)
Yi = 0 + 1 X i + i
Yi = b0 + b1 X i + ei
b1
ei
1
YX = 0 + 1 X i
b0
0 = E(Y | X = 0) es el valor promedio de Y

cuando el valor de X es cero.
Y i = b0 + b1 X i
1 =
E (Y | X )
X
mide el cambio en el valor
promedio de Y como resultado de un cambio

unitario en X.
Valor Observado
Interpretacin de la pendiente y
la constante
Cmo se determinan los valores

de b0 y b1?
(continuacin)
b0 = E ( Y | X = 0 ) es el valor promedio
estimado de Y cuando el valor de X es cero.
E (Y | X )
b1 =
X
es el cambio estimado en
Hay mltiples rectas que podrn ajustar los

valores observados en un diagrama de
dispersin. Cul de todas elegir?
Dos posibilidades objetivas:
Estimar los parmetros por mxima verosimilitud

el valor promedio de Y como resultado de un

cambio unitario en X.

E
10
11
Necesitamos algunos supuestos sobre la distribucin

de los datos.
Estimar los parmetros por mnimos cuadrados.
12
Estadstica II Cat.
Anlisis de Regresin
Captulo 4
Supuestos del modelo de

regresin lineal
Variacin de los errores alrededor

de la recta de regresin
f(e)
1. Normalidad
-3
Los valores de Y se distribuyen normalmente para

cada X
La distribucin del trmino de error es normal
Los valores de Y estn normalmente

distribuidos alrededor de la lnea de
regresin.
Para cada valor de X, la dispersin,
o varianza alrededor de la lnea, es
constante.
2. Homocedasticidad (Varianza Constante)

3. Independencia de los Errores
Y
X2
X1
X
13
Recta de regresin estimada
Estimacin de Mxima
Verosimilitud de 0 y 1
14
Estimacin de Mxima
(continuacin)
Si las Y son normales podemos plantear la

funcin de verosimilitud:
l( 0 , 1 , 2 , y i ) =
1
2
1
2 2
( y i 0 1 xi )2
L( 0 , 1 , 2 ) =
Que tambin puede simplificarse tomando

logaritmo, antes de derivar para maximizar:
L( 0 , 1 , 2 , y i ) =
Ahora podemos generalizar para obtener la

distribucin conjunta de la muestra completa:
n
n
1
ln 2 ln 2
2
2
2 2
(y
0 1 xi )2
Para obtener los estimadores se deriva la

funcin respecto a cada uno de los
parmetros y se iguala a cero
1
1
1
ln 2 ln 2
(y i 0 1 xi )2
2
2
2 2
15
Estimacin de Mxima
16
Estimacin de Mxima Verosimilitud

de 0 y 1
(continuacin)
(continuacin)
Recordar que reemplazamos los parmetros

por los estimadores al igualar a cero:
L
= 0 = ( yi b0 b1 xi )
0
L
= 0 = ( yi b0 b1 xi ) xi
1

E
Reordenando las dos ecuaciones anteriores

obtenemos las denominadas Ecuaciones
Normales:
(1)
y = nb b x
y x =b x +b x
0
i i
17
2
i
(2)
18
Estadstica II Cat.
Anlisis de Regresin
Captulo 4

de 0 y 1

de 0 y 1
(continuacin)
(continuacin)
Dividiendo por n la primera tenemos:

(3)
Y = b0 + b1 X
-4
Dividiendo tambin por n la segunda y

restando la (3) multiplicada por X , tenemos:
yx
i i
Que nos indica que la recta de regresin

siempre pasar por el punto ( X , Y ) y que el
estimador de 0 es:
n
b1 =
b0 = Y b1 X
19
XY = b1 (
2
i
X 2)
Cov ( x, y ) yi xi nXY
=
S x2
xi2 nX 2

de 0 y 1
20
Estimacin por mnimos cuadrados

de 0 y 1
(continuacin)
El estimador de la varianza, Syx , se obtiene

derivando L respecto a 2 :
L
n
1
=0= 2 + 4
2
2 S yx 2 S yx
(y b
i
b1 xi ) 2
Los estimadores b0 y b1 tambin pueden

obtenerse encontrando los valores de b0 y b1
que minimizan la suma del cuadrado de los
errores:
i
i
i =1
Sabemos que:
2
yx
ei = yi b0 b1 xi
e
=
2
i
21
Regresin Lineal Simple:

Ejemplo
Suc.
Mt2
Ventas
Anuales
($1000)
1
2
3
4
5
6
7
1,726
1,542
2,816
5,555
1,292
2,208
1,313
3,681
3,395
6,653
9,543
3,318
5,563
3,760

E
22
Diagrama Scatter: Ejemplo

Ventas Anuales ($000)
Queremos examinar la
dependencia lineal de
las ventas anuales de
las sucursales con su
tamao, medido en
mt2. Se dispone de
informacin muestral
de 7 sucursales.
Encontrar la ecuacin
de la recta que ajusta
mejor los datos.
= ei2 = ( yi b0 b1 xi )2
i =1
12000
10000
8000
6000
4000
2000
0
0
1000
Salida de Excel
23
2000
3000
4000
5000
6000
Mt2
24
Estadstica II Cat.
Anlisis de Regresin
Captulo 4
Ecuacin de la Regresin lineal

en la muestra: Ejemplo
Grfico de la ecuacin de
regresin estimada: Ejemplo
Ventas Anuales ($000)
Yi = b0 + b1 X i
= 1636.415 +1.487 X i
De la salida de Excel:
Constante
Var. X
-5
Coefic.
1636.414726
1.486633657
12000
10000
8000
6000
4000
2000
0
0
1000
2000
3000
4000
5000
6000
Mts.2
25
Interpretacin de resultados:
Ejemplo
26
Regresin lineal simple en Excel

Yi = 1636.415 + 1.487 X i
En Excel, usar Herramientas| Anlisis de

datos| regresin
La estimacin de la pendiente (1.487) significa que

por cada incremento de una unidad en X, se estima
un cambio promedio en Y de 1.487 unidades.
Microsoft Excel
Worksheet
El modelo estima que por cada incremento de un

metro cuadrado en el tamao de la sucursal, las
ventas esperadas anuales se pronostica crecern
en $1487.
27
Medida de variacin:
La suma de los cuadrados
28
Medida de variacin:
La suma de cuadrados
(continuacin)
SCT
SCR
SCE
Suma de
cuadrados =
total
Suma de
cuadrados +
explicada
SCT = suma de cuadrados total
Suma de
cuadrados
no explicada
SCR = suma de cuadrados de la regresin


E
29
Variacin explicada, atribuible a la relacin entre X

eY
SCE = suma del cuadrado del error

Medida de variacin de los valores de Yi alrededor

de la media de Y
Variacin atribuible a otros factores, distintos a los

de la relacin entre X eY
30
Estadstica II Cat.
Anlisis de Regresin
Captulo 4
Medida de variacin:
La suma de cuadrados
-6
Diagramas de Venn y poder

explicativo de la regresin
(continuacin)
Variaciones en
el tamao de
los locales no
utilizadas para
explicar las
variaciones
en las ventas
SCE =
(Yi - Yi )2
SCT = (Yi - Y)2

_
SCR = (Yi - Y)2
_
Y
Ventas
Variaciones en las
ventas explicadas
por los tamaos o
variaciones en los
tamaos usadas
para explicar
variaciones en las
ventas (SSR)
Tamaos
X
Xi
31
Variaciones en las
ventas explicadas
por el trmino de
Error (SSE)
32
Medidas de Variacin
La suma de cuadrados: Ejemplo
La tabla de ANOVA en Excel
Salida Excel para locales

ANOVA
Grados de libertad
gl
Regresin
SC
CM
SCR
CMR
=SCR/p
Residuos
n-p-1 SCE
Total
n-1
Significaci
nF
ANOVA
CMR/CME
P-value del
Test F
Regression
30380456.12
30380456
Residual
1871199.595
374239.92
Total
32251655.71
df
CME
=SCE/(n-p-1)
SCT
MS
SS
GL Regresin (explicada)
GL Error (residuos)
GL Totales
33
r2 =
SCE
0.000281201
SCT
SCR
34
de cuadrados
SCR Suma
Regression
Sum ofRegresin
Squares
=
SCT
TotaldeSum
of Squares
Suma
cuadrados
Total
Ventas
Significance F
Diagramas de Venn y poder

explicativo de la regresin
El coeficiente de determinacin
F
81.17909
r2 =
Mide la proporcin de la variacin de Y que

es explicada por la variable independiente
X en el modelo de regresin
Tamaos

E
35
SCR
SCR + SCE
36
Estadstica II Cat.
Anlisis de Regresin
Captulo 4
Coeficientes de determinacin (r 2) y
de correlacin (r)
-7
Error estndar de estimacin

n
Y r2 = 1, r = +1
Y r2 = 1, r = -1
^=b +b X
Y
i
0
1 i
^=b +b X
Y
i
0
1 i
X
SCE
=
n2
SYX =
i =1
n2
Yr2 = .8, r = +0.9
r2 = 0, r = 0
^=b +b X
Y
i
0
1 i
^=b +bX
Y
i
0
1 i
La desviacin estndar de la variacin de las

observaciones alrededor de la lnea de
regresin
37
38
Medidas de variacin:
Ejemplo de sucursales
Anlisis residual
Salida de Excel
R e g re ssi o n S ta tistic s
M u lt ip le R
0.9705572
R S q u a re
0 .9 4 1 9 8 1 2 9
A d ju s t e d R S q u a re 0 .9 3 0 3 7 7 5 4
S t a n d a rd E rro r
6 1 1 .7 5 1 5 1 7
O b s e rva t io n s
7
r2 = .94
(Y Y )
Propsitos

Examinar la linealidad
Evaluar violaciones de los supuestos
Anlisis grfico de los residuos

Plot de residuos vs. Xi , Yi y el tiempo
Syx
94% de la variacin anual en las ventas

puede ser explicada por la variabilidad en el
tamao de los locales, medida en mts2.
39
Anlisis Residual de linealidad
40
Residuos estandarizados
2
SRi =
ei
SYX 1 hi
donde
where
hi =
1
+
n
(X X )
( X X )
i
i =1
X
e
X
X
No Lineal
Residuo dividido por su error estndar

Residuo estandarizado por la distancia al valor
medio de X
Nos permite estandarizar la magnitud de los
residuos en unidades que reflejan la variacin
alrededor de la recta de regresin.
Lineal

E
41
42
Estadstica II Cat.
Anlisis de Regresin
Captulo 4
Anlisis Residual de
Homocedasticidad
-8
Anlisis residual: Salida de Excel

para el ejemplo
Observaciones
1
2
3
4
5
6
7
Salida Excel
Y pronost.
4202.344417
3928.803824
5822.775103
9894.664688
3557.14541
4918.90184
3588.364717
Residuos
-521.3444173
-533.8038245
830.2248971
-351.6646882
-239.1454103
644.0981603
171.6352829
Plot Residuos
X
SR
X
SR
Heterocedasticidad
X
0
Homocedasticidad
1000
2000
3000
4000
5000
6000
Mtrs2
43
44
Anlisis Residual de
independencia
Anlisis residual de
independencia
Enfoque Grfico
El estadstico Durbin-Watson
No Independiente
e
Independendiente
Tiempo
Tiempo
Patrn Cclico
(e e
Sin Patrn Particular
45
Si no, examinar el modelo

por autocorrelacin.
i =1
Gerardo Heckmann
46
Obtencin de los valores crticos

del Durbin-Watson
PHStat | regression | simple linear regression
i=2
2
i
Durbin-Watson en PHStat
i 1
D=
Los residuos se grafican contra el tiempo

para detectar cualquier autocorrelation
Se usa cuando los datos son series de tiempo,

para detectar autocorrelacin (los residuos de un
perodo estn relacionados con los de otro
perodo)
Sirve para ver si se viol el supuesto de
independencia de los errores
n
Debe estar prximo a 2.
2
Tabla 13.4 Valores crticos de Durbin-Watson
Chequear la salida para Durbin-Watson
=.05
p=1
Gerardo Heckmann

E
47
Gerardo Heckmann
p=2
dL
dU
dL
dU
15
1.08
1.36
.95
1.54
16
1.10
1.37
.98
1.54
48
Estadstica II Cat.
Anlisis de Regresin
Captulo 4
-9
Inferencia sobre la pendiente:

Test t
Usando el Durbin-Watson
H0 :
No hay autocorrelacin (los errores son

independientes)
H1 : Hay autocorrelacin (los errores no son
independientes)
Inderterminado
Rechazar H0
Rechazar H0
(autocorrelacin
(autocorrelacin
No rech. H0
positiva)
negativa)
(no autocorrel.)
Test t para la pendiente poblacional
Hiptesis

Hay dependencia lineal entre X e Y ?

H0: 1 = 0
H1: 1 0
(ausencia dependencia lineal)

(dependencia lineal)
Test estadstico
t=
b1 1
donde
where Sb1 =
Sb1
dL
dU
4-dU
4-dL
Gerardo Heckmann
Local
1
2
3
4
5
6
7
Mts2
1,726
1,542
2,816
5,555
1,292
2,208
1,313
Vtas./
Ao
($000)
3,681
3,395
6,653
9,543
3,318
5,563
3,760
La pendiente es
1.487.
H0: 1 = 0
Salida Excel
H1: 1 0
Coef.
= .05
Constante 1636.4147
gl = 7 - 2 = 5
Mts2
1.4866
Valor(es) Crticos:
Rech.
.025
-2.5706 0 2.5706
51
b1 Sb1
Error Est.
451.4953
0.1650
t
P-value
3.6244 0.01515
9.0099 0.00028
Decisin:
Rechazar H0
Rech.
.025
Afecta el tamao del

local las ventas
anuales?
Conclusin:
Hay evidencia de que
el tamao del local
afecta las ventas.
Inferencias sobre la pendiente:

Ejemplo intervalo de confianza
52

Test F
Estimacin del intervalo de confianza para la

pendiente:
Test F para la pendiente poblacional
Hiptesis
b1 tn 2 Sb1
Salida Excel ejemplo sucursales

L. I. 95%
L.S. 95%
Constante 475.810926 2797.01853
1.06249037 1.91077694
Var. X
Conclusin: Hay una dependencia lineal significativa

entre ventas y tamao del local.
53
Hay dependencia lineal entre Y y X ?

H0: 1 = 0
H1: 1 0
(No hay dependencia lineal)

(Hay dependencia lineal)
Estadstico de prueba
El 95% de confianza, el intervalo para la pendiente es

(1.062, 1.911). No incluye al 0.

E
50
Test Estadstico:
Yi = 1636.415 +1.487Xi
X )2
Inferencia sobre la pendiente:

Test t
Ecuacin de
Regresin
Estimada:
Ejemplo: Sucursales
Datos de 7 sucursales:
(X
i =1
d . f . =n-2
n2
G.L.=
49
SYX
n
SSR
1
SSE
(n 2 )
Numerador g.l.=1, denominador g.l.=n-2
F =
54
Estadstica II Cat.
Anlisis de Regresin
Captulo 4

Ejemplo test F
Relacin entre el test t y el F

H0: 1 = 0
H1: 1 0
= .05
numerador
gl = 1
denominador
gl = 7 - 2 = 5
Hiptesis

H0: 1 = 0
H1: 1 0
(t )
n2
-10
(No hay dependencia lineal)

(Hay dependencia lineal)
= F1,n 2
Test:
De la salida de Excel
ANOVA
df
Regression
Residual
Total
1
5
6
Rech.
= .05
55
Propsito del anlisis de

correlacin
6.61
F1,n 2
SS
MS
F Significance F
30380456.12 30380456.12 81.179
0.000281
1871199.595 374239.919
32251655.71
Decisin: Rechazar H0
Conclusin:
Hay evidencia de que los
metros cuadrados afectan
las ventas anuales.
56
Propsito del anlisis de

correlacin
(continuacin)
El anlisis de correlacin se usa para medir la

fuerza de la asociacin entre dos variables
numricas (relacin lineal)

Solo se refiere a la fuerza de la relacin

No estn implicados efectos causales.
57
El coeficiente de correlacin poblacional

(Rho) se usa para medir la fuerza de la
asociacin entre variables.
El coeficiente de correlacin muestral r es
una estimacin de y se usa para medir la
fuerza de la relacin lineal entre
observaciones muestrales.
Ejemplos de observaciones para

diversos valores de r
Y
Caractersticas de y r

r = -1
r = -.6
r=0
Y
r = .6
r=1

E
58
No tienen unidad de medida

Varan entre -1 y 1
Mientras ms cercano a -1, mas fuerte la
relacin lineal negativa
Mientras ms cercano a 1, mas fuerte la
relacin lineal positiva
Mientras ms prximo a 0, mas dbil la
relacin lineal
X
59
60
Estadstica II Cat.
Anlisis de Regresin
Captulo 4
-11
Test de correlacin lineal

Hiptesis

Ejemplo Locales
Hay alguna
evidencia de
correlacin lineal
entre las ventas
anuales y la
superficie del local,
al nivel del .05 de
significacin?
Estadstico
t=
donde
where
1 r2
n2
( X X )(Y Y )
i
r = r2 =
i=1
n
( X X ) (Y Y )
2
i=1
i=1
61
Regression Statistics
Multiple R
0.9705572
R Square
0.94198129
Adjus ted R Square 0.93037754
Standard E rror
611.751517
Observations
7
H0: = 0 (No hay asociacin)

H1: 0 (Hay Asociacin)
= .05
gl = 7 - 2 = 5
Ejemplo Locales
62
Estimacin de valores medios

Intervalo de confianza para:
.9706
t=
=
= 9.0099
1 .9420
1 r 2
5
n2
Valor(es) crticos:
Rech.
Decisin:
Rechazar H0
.025
Conclusin:
Hay evidencias de una
relacin lineal al 5% de
significacin
-2.5706 0 2.5706
El valor del estadstico t es

exactamente el mismo que
el del estadstico t para el
test del coeficiente de la
pendiente
Y | X = X
La media de Y dado un particular Xi

Error estndar
de estimacin
La amplitud del intervalo vara de acuerdo

a cuan distante de la media X est el Xi
( X X )2
1
Yi tn2 SYX
+ n i
n
( X i X )2
Rech.
.025
De la salida de Excel
H0: = 0 (sin correlacin)

H1: 0 (con correlation)
Valor t de una
tabla con gl=n-2
63
i =1
Prediccin de valores
individuales
64
Estimacin por intervalo para

diferentes valores de X
Intervalo de prediccin para la respuesta

individual Yi ante un particular valor Xi
Intervalo para
la media de Y
Intervalo de
prediccin para un
valor individual Yi
La adicin de 1 incrementa la amplitud del

intervalo respecto al de la media de Y
1 ( X i X )2
Yi tn2 SYX 1+ + n
n
( X i X )2
i =1

E
65
Un X dado
66
Estadstica II Cat.
Anlisis de Regresin
Captulo 4
Estimacin de valores medios:

Ejemplo
Intervalo de confianza para Y | X = X
Ejemplo locales
Datos de 7 locales:
Local
Mtr2
Ventas
Anual
($000)
1
2
3
4
5
6
7
1,726
1,542
2,816
5,555
1,292
2,208
1,313
3,681
3,395
6,653
9,543
3,318
5,563
3,760
Predecir las
ventas anuales
para un local con
2000 mts2.
Encontrar el intervalo de 95% de confianza para las ventas

promedio anuales de un local de 2000 mtrs2.
Prediccin Ventas Yi = 1636.415 +1.487Xi = 4610.45 ($000)
Modelo Regresin Estimado:
X = 2350.29
Intervalo de prediccin para Y:

Ejemplo
Encontrar el intervalo de prediccin del 95% para las

ventas anuales de un local de 2000 mtrs2.
Prediccin Vtas.Yi = 1636.415 +1.487Xi = 4610.45 ($000)

1 ( X X )2
Yi tn2SYX 1+ + n i
= 4610.45 1687.68
n
2
(
X
X
)
i
69

E
70
Estrategias para evitar caer en

las trampas
La despreocupacin por la falta de

cumplimiento de los supuestos subyacentes
No saber cmo evaluar los supuestos
No conocer las alternativas a los mnimos
cuadrados si no se cumple algn supuesto
Utilizar el modelo de regresin desconociendo
la materia de inters en el problema que se
modela.
Hoja EXCEL
Trampas del anlisis de

regresin
Chequear el confidence and prediction interval

for X=
Microsoft Excel
Worksheet
i =1
En Excel, usar PHStat | regression | simple

linear regression
tn-2 = t5 = 2.5706
68
Estimacin de valores medios y prediccin

de valores individuales con PHStat
Intervalo de prediccin para un Y individual
tn-2 = t5 = 2.5706
i =1
67
SYX = 611.75
SYX = 611.75
1
( X X )2
Yi tn2 SYX
+ n i
= 4610.45 612.66
n
2
X
X
(
)
i
Yi = 1636.415 +1.487Xi
X = 2350.29
-12
71
Comenzar con un scatter plot de X contra

Y para observar la posible relacin
Hacer anlisis residual para chequear los
supuestos.
Usar un histograma, diagrama de tallo y
hoja, o un grfico normal plot de los
residuos para descubrir posibles desvos de
la normalidad.
72
Estadstica II Cat.
Anlisis de Regresin
Captulo 4
Estrategias para evitar caer en

las trampas
-13
Resumen
(continuacin)
Si hay violacin de algn supuesto, usar

mtodos alternativos (ej. Regresin curvilnea
o multiple)
Si no hay violacin de los supuestos se puede
trabajar con los tests de significacin de los
coeficientes y contruir intervalos.

73
Se introdujeron los tipos de modelos de

regresin
Se discuti la estimacin de la ecuacin de
regresin lineal simple.
Se describieron medidas de variacin
Se enumeraron los supuestos del modelo de
regresin y de la correlacin
Se discuti el anlisis residual
Se trat la medicin de la autocorrelacin
74
Resumen
(continuacin)

Inferencias sobre la pendiente

Correlacin midiendo la fuerza de la
asociacin
Estimacin de valores medios y prediccin de
valores individuales.
Posibles trampas en el anlisis y estrategias
recomendadas para evitarlas.

E
75
Estadstica II Cat.

Regresión Lineal Simple

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Regresión Lineal Simple

Încărcat de

Drepturi de autor:

Formate disponibile

Anlisis de Regresin

Propsito del Anlisis de Regresin

Regresin Lineal Simple

El Anlisis de Regresin se utiliza

Predice el valor de una variable dependiente

Gerardo Heckmann , FCE - UNC

Modelo de Regresin Lineal Simple

Tipos de modelos de regresin

Relacin lineal negativa

Gerardo Heckmann , FCE - UNC

Gerardo Heckmann, FCE - UNC

Regresin Lineal en la Poblacin

La ecuacin de regresin poblacional es una lnea

La relacin entre las variable es descripta

Gerardo Heckmann , FCE - UNC

Regresin Lineal en la Poblacin

Gerardo Heckmann , FCE - UNC

Regresin lineal en la muestra

Regresin lineal en la muestra

La recta de regresin muestral provee una

estimacin de la recta poblacional y pronsticos

cuadrado de los residuos

Recta de regresin muestral

Gerardo Heckmann , FCE - UNC

b0 y b 1 se obtienen encontrando los valores

b0 provee una estimacin de 0

Gerardo Heckmann , FCE - UNC

Regresin lineal en la muestra

0 = E(Y | X = 0) es el valor promedio de Y

mide el cambio en el valor

promedio de Y como resultado de un cambio

Gerardo Heckmann , FCE - UNC

Cmo se determinan los valores

estimado de Y cuando el valor de X es cero.

Hay mltiples rectas que podrn ajustar los

Estimar los parmetros por mxima verosimilitud

el valor promedio de Y como resultado de un

Gerardo Heckmann , FCE - UNC

Gerardo Heckmann, FCE - UNC

Necesitamos algunos supuestos sobre la distribucin

Estimar los parmetros por mnimos cuadrados.

Gerardo Heckmann , FCE - UNC

Supuestos del modelo de

Variacin de los errores alrededor

Los valores de Y se distribuyen normalmente para

Los valores de Y estn normalmente

2. Homocedasticidad (Varianza Constante)

Recta de regresin estimada

Gerardo Heckmann , FCE - UNC

Si las Y son normales podemos plantear la

Que tambin puede simplificarse tomando

Ahora podemos generalizar para obtener la

Para obtener los estimadores se deriva la

Gerardo Heckmann , FCE - UNC

Gerardo Heckmann , FCE - UNC

Estimacin de Mxima Verosimilitud

Recordar que reemplazamos los parmetros

Gerardo Heckmann, FCE - UNC

Reordenando las dos ecuaciones anteriores

Gerardo Heckmann , FCE - UNC

Estimacin de Mxima Verosimilitud

Estimacin de Mxima Verosimilitud

Dividiendo por n la primera tenemos:

Dividiendo tambin por n la segunda y