Documente Academic
Documente Profesional
Documente Cultură
I.
INTRODUCCIN:
En la regresin mltiple vamos a utilizar ms de una variable explicativa; esto nos va a
ofrecer la ventaja de utilizar ms informacin en la construccin del modelo y,
consecuentemente, realizar estimaciones ms precisas.
Al tener ms de una variable explicativa (no se debe de emplear el trmino
independiente) surgirn algunas diferencias con el modelo de regresin lineal simple.
En definitiva, y al igual que en regresin lineal simple, vamos a considerar que los
valores de la variable dependiente Y han sido generados por una combinacin lineal de
los valores de una o ms variables explicativas y un trmino aleatorio.
Los coeficientes son elegidos de forma que la suma de cuadrados entre los valores
observados y los pronosticados sea mnima, es decir, que se va a minimizar la varianza
residual.
II.
FUNDAMENTO TEORICO:
Utilizamos regresin mltiple cuando estudiamos la posible relacin entre varias
variables independientes (predictores o explicativas) y otra variable dependiente
(criterio, explicada, respuesta).
Aplicaciones de la regresin mltiple:
Es cierto que la regresin mltiple se utiliza para la prediccin de respuestas a
partir de variables explicativas. Pero no es esta realmente la aplicacin que se le
suele dar en investigacin. Los usos que con mayor frecuencia encontraremos en
las publicaciones son los siguientes:
Identificacin de variables explicativas: Nos ayuda a crear un modelo
donde se seleccionen las variables que puedan influir en la respuesta,
descartando aquellas que no aporten informacin.
Deteccin de interacciones: Entre variables independientes que afectan a
la variable respuesta. Un ejemplo de interaccin clsico es el de estudiar
la respuesta de un paciente al alcohol y a un barbitrico, y observar que
cuando se ingieren ambos, el efecto es mucho mayor del esperado como
suma de los dos.
Identificacin de variables confurosas: Es un problema difcil es de su
deteccin, pero de inters en investigacin no experimental, ya que el
investigador
frecuentemente
independientes.
Requisitos y Limitaciones:
no
tiene
control
sobre
las
variables
en
el
modelo
componentes
no
lineales
(como
incluir
1,.. n observaciones.
1, ...
Interpretacin Geomtrica:
En el espacio formado por las variables, el mtodo de mnimos cuadrados
equivale a encontrar un vector en dicho espacio que est lo ms prximo
posible al vector de observaciones.
Interpretacin de B
Contraste
t
Intervalos de confianza
Descomposicin de variabilidad
Coef.
de
determinacin y coef. De determinacin corregido por g.l.
R2 x100 proporciona el porcentaje de variabilidad de Y que explica el modelo
de regresin ajustado.
El coef. de determinacin as definido presenta el inconveniente de que al
incluir nuevas variables en el modelo aumenta su valor, incluso cuando stas
no resultan significativas.
Este problema hace que R2 no sea un vlido como criterio para decidir qu
variables explicativas deben ser incluidas o excluidas en el modelo final.
Contraste de regresin F:
Este contraste, sirve en regresin mltiple para comprobar si el modelo explica
una parte significativa de la variabilidad de Y
Se puede demostrar que si 1 = 2 = . . . = k = 0 el cociente
Se
distribuye
segn
una
distribucin F
Contraste de regresin F:
III.
Aplicando el criterio de los mnimos cuadrados ordinarios MCO, la funcin que mejor se
ajusta a los datos es la que minimiza la varianza del error U, lo que conlleva a un
sistema de ecuaciones normales
Contraste
de
Hiptesis
individual
para
2
X
(tamao
familiar)
Nos planteamos si la variable 2 X (tamao) influye sobre la variable de respuesta Y
(gastos). En otras palabras, si el valor del parmetro en la poblacin es cero o no.
IV.
BIBLIOGRAFIA:
Galdos Clculo y Estadstica III Edicin Unica. Grupo La Republica. Lima Per;2005.