RESUMEN CAPÍTULO 4

MODELOS DE REGRESIÓN

El análisis de regresión es una herramienta muy valiosa para el administrador actual. La

regresión se ha utilizado para modelar cosas como la relación entre el nivel de educación y

los ingresos, el precio de una casa y los metros o pies cuadrados de su superficie, y el

volumen de ventas de una empresa en relación con lo que gasta en publicidad. Cuando las

empresas están tratando de decidir qué ubicación es la mejor para una nueva tienda o

sucursal, con frecuencia utilizan modelos de regresión. Los modelos de estimación de

costos suelen ser modelos de regresión.

Las posibilidades de aplicación del análisis de regresión son prácticamente ilimitadas En

general, el análisis de regresión tiene dos propósitos. El primero es entender la relación

entre variables, como las ventas y los gastos en publicidad. El segundo propósito es

pronosticar el valor de una variable basado en el valor de la otra.

Por consiguiente, la regresión es una técnica de pronóstico muy importante, primero se

desarrollará el modelo de regresión lineal simple y, luego, se utilizará un modelo de

regresión múltiple más complejo para incorporar aún más variables en nuestro modelo. En

cualquier modelo de regresión, la variable que se debe pronosticar se llama variable

dependiente o variable de respuesta. Se dice que su valor depende del valor de una variable

independiente, que a veces se denomina variable explicativa o variable predictiva.

Dos propósitos del análisis de regresión son comprender la relación entre variables y

pronosticar el valor de una basado en el valor de la otra.

Análisis de regresión, una de las técnicas cuantitativas más utilizadas en los negocios. Sin

embargo, existen algunos errores comunes que se cometen con los modelos de regresión,

por lo que es necesario tener precauciones al utilizarlos. Si no se cumplen los supuestos, las

pruebas estadísticas no pueden ser válidas. Las estimaciones de intervalos también serán

inválidas, aunque el modelo puede utilizarse con propósitos de predicción. La correlación

no necesariamente implica causalidad. Dos variables (como el precio de los automóviles y

su salario anual) pueden estar altamente correlacionadas entre sí, pero una no está causando

que la otra cambie. Ambas pueden estar cambiando debido a otros factores, como la

economía en general o la tasa de inflación.

El uso de diagramas de dispersión ayuda a ver las relaciones entre las variables. La prueba

F se utiliza para determinar si los resultados pueden considerarse útiles. El coeficiente de

determinación (r2) sirve para medir la proporción de variabilidad en Y que puede ser

explicada por el modelo de regresión. El coeficiente correlación mide la relación entre dos

variables.

La regresión múltiple implica el uso de más de una variable in- dependiente. Las variables

ficticias (variables binarias o indicativas) se utilizan con los datos cualitativos o

categóricos. Los modelos no lineales pueden transformarse en modelos lineales.