Documente Academic
Documente Profesional
Documente Cultură
Métodos Predictivos
Cap. 3: Regresión Lineal Múltiple
Contenido de la presentación
2 Regresión Múltiple
Introducción
Enfoque matricial
Coeficiente de determinación múltiple R 2
Prueba F global
Importancia MP Regresión Múltiple
Introducción
Introducción
Introducción
Introducción
Pronósticos
Las predicciones de hechos y condiciones futuros se llaman
pronósticos.
Se analiza los datos para poder identificar un patrón que se
pueda utilizar para describirlo. Luego, este patrón se
extrapola, o se amplía, hacia el futuro con el objeto de
preparar un pronóstico. Se apoya en el supuesto de que el
patrón que se identificó sigue siendo el mismo en el futuro.
No se puede esperar que una técnica de predicción dé buenas
predicciones a menos que esta hipótesis sea válida.
Importancia MP Regresión Múltiple
Introducción
Pronósticos
Las predicciones de hechos y condiciones futuros se llaman
pronósticos.
Se analiza los datos para poder identificar un patrón que se
pueda utilizar para describirlo. Luego, este patrón se
extrapola, o se amplía, hacia el futuro con el objeto de
preparar un pronóstico. Se apoya en el supuesto de que el
patrón que se identificó sigue siendo el mismo en el futuro.
No se puede esperar que una técnica de predicción dé buenas
predicciones a menos que esta hipótesis sea válida.
Importancia MP Regresión Múltiple
Introducción
Pronósticos
Las predicciones de hechos y condiciones futuros se llaman
pronósticos.
Se analiza los datos para poder identificar un patrón que se
pueda utilizar para describirlo. Luego, este patrón se
extrapola, o se amplía, hacia el futuro con el objeto de
preparar un pronóstico. Se apoya en el supuesto de que el
patrón que se identificó sigue siendo el mismo en el futuro.
No se puede esperar que una técnica de predicción dé buenas
predicciones a menos que esta hipótesis sea válida.
Importancia MP Regresión Múltiple
Introducción
Pronosticos
La información tranversal consta de valores observados en
un punto en el tiempo.
Una serie de tiempo es una sucesión cronológica de
observaciones de una variable en particular.
Importancia MP Regresión Múltiple
Introducción
Pronosticos
La información tranversal consta de valores observados en
un punto en el tiempo.
Una serie de tiempo es una sucesión cronológica de
observaciones de una variable en particular.
Importancia MP Regresión Múltiple
Introducción
Introducción
Introducción
Introducción
Introducción
et = yt − yˆt
Introducción
et = yt − yˆt
Introducción
et = yt − yˆt
Introducción
et = yt − yˆt
Introducción
Medición de la magnitud de los errores
Desviación absoluta:
et = |yt − yˆt |
Error cuadrático:
(et )2 = (yt − yˆt )2
Introducción
Medición de la magnitud de los errores
Introducción
Capítulo 3:
REGRESIÓN LINEAL MÚLTIPLE
Importancia MP Regresión Múltiple
Introducción
Introducción
Introducción
Introducción
Introducción
Introducción
Introducción
y = β0 + β1 x1 + β2 x2 + ǫ
Consumo de combustible = f(temperatura horaria promedio ,
índice de enfriamiento)
Los parámetros relacionan la media de la variable dependiente
con las variables independientes en un sentido global.
β0 : ordenada al origen.
β1 : cambio en el consumo medio de combustible a la semana
que se asocia con el incremento de un grado en la temperatura
promedio cuando no cambia el índice de enfriamiento.
β2 : cambio en el consumo medio de combustible a la semana
que se asocia con el incremento de una unidad en el índice de
enfriamiento cuando no cambia la temperatura horaria
promedio.
Importancia MP Regresión Múltiple
Introducción
y = β0 + β1 x1 + β2 x2 + ǫ
Consumo de combustible = f(temperatura horaria promedio ,
índice de enfriamiento)
Los parámetros relacionan la media de la variable dependiente
con las variables independientes en un sentido global.
β0 : ordenada al origen.
β1 : cambio en el consumo medio de combustible a la semana
que se asocia con el incremento de un grado en la temperatura
promedio cuando no cambia el índice de enfriamiento.
β2 : cambio en el consumo medio de combustible a la semana
que se asocia con el incremento de una unidad en el índice de
enfriamiento cuando no cambia la temperatura horaria
promedio.
Importancia MP Regresión Múltiple
Introducción
y = β0 + β1 x1 + β2 x2 + ǫ
Consumo de combustible = f(temperatura horaria promedio ,
índice de enfriamiento)
Los parámetros relacionan la media de la variable dependiente
con las variables independientes en un sentido global.
β0 : ordenada al origen.
β1 : cambio en el consumo medio de combustible a la semana
que se asocia con el incremento de un grado en la temperatura
promedio cuando no cambia el índice de enfriamiento.
β2 : cambio en el consumo medio de combustible a la semana
que se asocia con el incremento de una unidad en el índice de
enfriamiento cuando no cambia la temperatura horaria
promedio.
Importancia MP Regresión Múltiple
Introducción
y = β0 + β1 x1 + β2 x2 + ǫ
Consumo de combustible = f(temperatura horaria promedio ,
índice de enfriamiento)
Los parámetros relacionan la media de la variable dependiente
con las variables independientes en un sentido global.
β0 : ordenada al origen.
β1 : cambio en el consumo medio de combustible a la semana
que se asocia con el incremento de un grado en la temperatura
promedio cuando no cambia el índice de enfriamiento.
β2 : cambio en el consumo medio de combustible a la semana
que se asocia con el incremento de una unidad en el índice de
enfriamiento cuando no cambia la temperatura horaria
promedio.
Importancia MP Regresión Múltiple
Introducción
Introducción
Introducción
Introducción
Enfoque matricial
Enfoque matricial
Enfoque matricial
Enfoque matricial
Variación inexplicada:
n n
yi2 − β̂ ′ X ′ Y
X X
2
SSE = (yi − yˆi ) =
i=1 i=1
Variación explicada:
Pn 2
′ ′ ( i=1 yi )
β̂ X Y −
n
Importancia MP Regresión Múltiple
Enfoque matricial
Variación inexplicada:
n n
yi2 − β̂ ′ X ′ Y
X X
2
SSE = (yi − yˆi ) =
i=1 i=1
Variación explicada:
Pn 2
′ ′ ( i=1 yi )
β̂ X Y −
n
Importancia MP Regresión Múltiple
Enfoque matricial
Variación inexplicada:
n n
yi2 − β̂ ′ X ′ Y
X X
2
SSE = (yi − yˆi ) =
i=1 i=1
Variación explicada:
Pn 2
′ ′ ( i=1 yi )
β̂ X Y −
n
Importancia MP Regresión Múltiple
Enfoque matricial
Enfoque matricial
2
Coeficiente de determinación múltiple R
Pn 2
Pn 2 Pn 2 ( y
i =1 i )
Variación total: SSyy = i=1 (yi − y) = i=1 yi − n
Variación inexplicada:
SSE = ni=1 (yi − yˆi )2 = ni=1 yi2 − β̂ ′ X ′ Y
P P
Pn 2
Pn 2 ′ ′ ( y
i =1 i )
Variación explicada: i=1 (yˆi − y ) = β̂ X Y − n
Coeficiente de determinación múltiple:
variacion explicada
R2 =
variacion total
√
Coeficiente de correlación múltiple: R = R 2
Coeficiente de determinación múltiple ajustado (R 2 ajustado):
k n−1
2
R2 = R −
n−1 n − (k + 1)
Importancia MP Regresión Múltiple
2
Coeficiente de determinación múltiple R
Pn 2
Pn 2 Pn 2 ( y
i =1 i )
Variación total: SSyy = i=1 (yi − y) = i=1 yi − n
Variación inexplicada:
SSE = ni=1 (yi − yˆi )2 = ni=1 yi2 − β̂ ′ X ′ Y
P P
Pn 2
Pn 2 ′ ′ ( y
i =1 i )
Variación explicada: i=1 (yˆi − y ) = β̂ X Y − n
Coeficiente de determinación múltiple:
variacion explicada
R2 =
variacion total
√
Coeficiente de correlación múltiple: R = R 2
Coeficiente de determinación múltiple ajustado (R 2 ajustado):
k n−1
2
R2 = R −
n−1 n − (k + 1)
Importancia MP Regresión Múltiple
2
Coeficiente de determinación múltiple R
Pn 2
Pn 2 Pn 2 ( y
i =1 i )
Variación total: SSyy = i=1 (yi − y) = i=1 yi − n
Variación inexplicada:
SSE = ni=1 (yi − yˆi )2 = ni=1 yi2 − β̂ ′ X ′ Y
P P
Pn 2
Pn 2 ′ ′ ( y
i =1 i )
Variación explicada: i=1 (yˆi − y ) = β̂ X Y − n
Coeficiente de determinación múltiple:
variacion explicada
R2 =
variacion total
√
Coeficiente de correlación múltiple: R = R 2
Coeficiente de determinación múltiple ajustado (R 2 ajustado):
k n−1
2
R2 = R −
n−1 n − (k + 1)
Importancia MP Regresión Múltiple
2
Coeficiente de determinación múltiple R
Pn 2
Pn 2 Pn 2 ( y
i =1 i )
Variación total: SSyy = i=1 (yi − y) = i=1 yi − n
Variación inexplicada:
SSE = ni=1 (yi − yˆi )2 = ni=1 yi2 − β̂ ′ X ′ Y
P P
Pn 2
Pn 2 ′ ′ ( y
i =1 i )
Variación explicada: i=1 (yˆi − y ) = β̂ X Y − n
Coeficiente de determinación múltiple:
variacion explicada
R2 =
variacion total
√
Coeficiente de correlación múltiple: R = R 2
Coeficiente de determinación múltiple ajustado (R 2 ajustado):
k n−1
2
R2 = R −
n−1 n − (k + 1)
Importancia MP Regresión Múltiple
2
Coeficiente de determinación múltiple R
Pn 2
Pn 2 Pn 2 ( y
i =1 i )
Variación total: SSyy = i=1 (yi − y) = i=1 yi − n
Variación inexplicada:
SSE = ni=1 (yi − yˆi )2 = ni=1 yi2 − β̂ ′ X ′ Y
P P
Pn 2
Pn 2 ′ ′ ( y
i =1 i )
Variación explicada: i=1 (yˆi − y ) = β̂ X Y − n
Coeficiente de determinación múltiple:
variacion explicada
R2 =
variacion total
√
Coeficiente de correlación múltiple: R = R 2
Coeficiente de determinación múltiple ajustado (R 2 ajustado):
k n−1
2
R2 = R −
n−1 n − (k + 1)
Importancia MP Regresión Múltiple
2
Coeficiente de determinación múltiple R
Pn 2
Pn 2 Pn 2 ( y
i =1 i )
Variación total: SSyy = i=1 (yi − y) = i=1 yi − n
Variación inexplicada:
SSE = ni=1 (yi − yˆi )2 = ni=1 yi2 − β̂ ′ X ′ Y
P P
Pn 2
Pn 2 ′ ′ ( y
i =1 i )
Variación explicada: i=1 (yˆi − y ) = β̂ X Y − n
Coeficiente de determinación múltiple:
variacion explicada
R2 =
variacion total
√
Coeficiente de correlación múltiple: R = R 2
Coeficiente de determinación múltiple ajustado (R 2 ajustado):
k n−1
2
R2 = R −
n−1 n − (k + 1)
Importancia MP Regresión Múltiple
Prueba F global
H0 : β1 = β2 = · · · = βk = 0
Prueba F global
(Variacion explicada)/k
F (modelo) =
(Variacion inexplicada)/[n − (k + 1)]
Prueba F global
(Variacion explicada)/k
F (modelo) =
(Variacion inexplicada)/[n − (k + 1)]
Prueba F global
(Variacion explicada)/k
F (modelo) =
(Variacion inexplicada)/[n − (k + 1)]
Prueba F global
(Variacion explicada)/k
F (modelo) =
(Variacion inexplicada)/[n − (k + 1)]
Prueba F global
(Variacion explicada)/k
F (modelo) =
(Variacion inexplicada)/[n − (k + 1)]