1-2

13-3

UNIVERSIDAD NACIONAL
FEDERICO VILLARREAL

MODELO DE REGRESIN
LINEAL MULTIVARIABLE
Dr. JORGE PASTOR PAREDES

13-4

Modelo de Regresin Multivariable

La ecuacin general de regresin mltivariable con k variables
independientes es:

Y b X b X b X
1

El criterio de mnimos cuadrados se usa para el desarrollo de

esta ecuacin.
X1 , X2 , X3 son las variables independientes.

es la intercepcin en Y.
b1 , b2, b3 es el cambio neto en Y por cada cambio unitario en X1, manteniendo X2
, X3 constante. Se denomina coeficiente de regresin.
Como estimar b1, b2, etc. es muy tedioso, existen muchos
programas de cmputo que pueden utilizarse para estimarlos.

Dr.Jorge L. Pastor Paredes-UBA

13-5

El coeficiente de regresin mide el promedio de cambio en la variable

dependiente por unidad de cambio en la variable independiente
relevante,
manteniendo
constantes
las
dems
variables
independientes.
Las variables independientes y dependientes tienen una relacin lineal.
La variable dependiente debe ser continua o al menos con escala de
intervalo.
La variacin en (Y - ) o residuo debe ser la misma para todos los
valores de Y. Cuando ste es el caso, se dice que la diferencia
presenta homoscedasticidad caso contrario heteroscedasticidad.
Los residuos deben tener distribucin normal con media igual a 0.
Las observaciones sucesivas de la variable dependiente no deben
estar correlacionadas.

Dr.Jorge L. Pastor Paredes-UBA

Supuestos del Modelo

1. Existe una relacin lineal entre la variable dependiente y
las variables independientes.
2. La variable dependiente tiene escalizacin de intervalo o
de razn.
3. Las observaciones sucesivas de la variable dependiente
no estn correlacionadas.
4. Las diferencias entre los valores reales y los valores
estimados (residuos) estn distribuidos en forma normal.
5. La variacin en los residuos es la misma para todos los
valores ajustados de es decir la distribucin (Y-) es la
misma para todos los valores de .
Dr.Jorge L. Pastor Paredes-UBA

Error Estndar de la Estimacin

El error estndar mltiple de la estimacin es la
medida de la eficiencia de la ecuacin de regresin.
Est medida en las mismas unidades que la variable
dependiente.
Es difcil determinar cul es un valor grande y cul es
uno pequeo para el error estndar.
La frmula es:

(Y Y ) 2
SY 12 k
n (k 1)

donde n es el nmero de observaciones y k es el

nmero de variables independientes.
Dr.Jorge L. Pastor Paredes-UBA

13-12

Validacin del Modelo.

1. Cuando el tamao de la fuente es lo suficientemente
grande (30-ms elementos), el teorema del lmite
central proporciona un razonamiento para usar estas
pruebas estadsticas sin la suposicin de normalidad.
2. Si en una situacin dada no hay una varianza
constante, existe heteroscedasticidad.
3. Implica una muestra aleatoria de puntos dados X-Y. A
lo que se llama correlacin en serie.
4.

Indica una relacin lineal; sta es una importante

suposicin de que el modelo est correctamente
especificado.

Dr.Jorge L. Pastor Paredes-UBA

Heteroscedasticidad.
Existe heteroscedasticidad cuando los errores o
residuos no tienen varianza constante a travs de un
nivel completo de valores.
Y

X
Homoscedasticidad
Dr.Jorge L. Pastor Paredes-UBA

X
Heteroscedsticidad

Homoscedasticidad

Dr.Jorge L. Pastor Paredes-UBA

Heteroscedasticidad

Dr.Jorge L. Pastor Paredes-UBA

Colinealidad
La colinealidad es la situacin en que las variables
independientes de una ecuacin de regresin mltiple estn
altamente inter-correlacionadas.
En un anlisis, la colinealidad causa problemas en los siguientes
aspectos:

1. Un coeficiente de regresin que tiene signo positivo en una ecuacin de

regresin de dos variables, pudiera cambiar a signo negativo en una
ecuacin de regresin mltiple que contenga otras variables con las que
est altamente relacionado y viceversa.
2. La estimacin de los coeficientes de regresin flucta marcadamente
entre una muestra y otra.
3. Cuando las variables de prediccin estn interrelacionadas, stas explican
la misma varianza en la estimacin de la variable dependiente, lo que
dificulta separar las variables individuales de cada una de las variables
independientes.
Dr.Jorge L. Pastor Paredes-UBA,

Autocorrelacin-DW
Ocurre cuando los trminos de error no son independientes.
La prueba Durbin-Watson-DW permite detectar autocorrelacin, es
decir est correlacionada con s misma.
Se acepta la H0 si el DW se encuentra alrededor de 2.

(et et 1)
d
2
et

Resumen del modelob

Modelo
1

R
.904a

R
cuadrado
.818

R
cuadrado
corregida
.805

Error tp.
de la
estimacin
120.6856

Durbin-Watson
2.206

a. Variables predictoras: (Constante), LAGS(DF,1), D, MS, SS, XS, LS

b. Variable dependiente: DF
Dr.Jorge L. Pastor Paredes-UBA,

Objetivos de la Regresin Multivariable

Los problemas de anlisis de regresin se resuelven utilizando

programas de cmputo de regresin.
El paquete recomendado es el SPSS (Statistical Package for the
Social Sciences) produce una salida que es tpica en comparacin
con las generadas por otros programas como ejemplo: E-view,
Minitab, etc.
No existe un formato estndar para presenta los resultados de un
anlisis de regresin.

Dr.Jorge L. Pastor Paredes-UBA,

Determinar:
1. El coeficiente de correlacin mltiple R, permite evaluar el grado
de asociacin entre la variable dependiente y el conjunto de
variables independientes.
2. El coeficiente de determinacin R2, evala la proporcin
(porcentaje) de la variacin total de la variable dependiente Y que
es explicada por el modelo de regresin utilizado.

3. La prueba F (Fisher), determina la validez o significancia del

modelo de regresin mltiple.

4. La prueba del Durbin-Watson, permite detectar falta de

independencia o autocorrelacin entre las variables independientes.

5. La prueba t de Student, evaluar los coeficientes de regresin

individuales para cada variable independiente.
Dr.Jorge L. Pastor Paredes-UBA

6. Para detectar posibles casos de multicolinealidad se estudi la

matriz de correlaciones elaborada por el programa SPSS.
7. El anlisis de varianza ANOVA para comparacin de medias.
8. Para contrastar la normalidad o simetra de la distribucin de los
residuos se analiz los grficos probabilsticos de normalidad, el
histograma de frecuencia y el grfico de simetra, para cada
variable independiente.
9. Para detectar problemas de heteroscedasticidad (varianzas no
constantes), error en el anlisis, inadecuacin del modelo por
falta de linealidad y existencia de observaciones atpicas se
analiz el grfico de residuos ei frente a las predicciones ( yi ) .

Dr.Jorge L. Pastor Paredes-UBA

Coeficientes de Regresin Multivariable

Coeficientesa

Coeficientes no
estandarizados
Modelo
1

(Constante)
LS
SS
D
MS
XS
LAGS(DF,1)

B
-346.192
3.275E-02
57.970
-10.382
.177
-.267
.689

a. Variable dependiente: DF

Dr.Jorge L. Pastor Paredes-UBA,

Error tp.
333.217
.010
114.581
12.894
.201
.199
.080

Coeficient
es
estandari
zados
Beta
.338
.037
-.040
.044
-.083
.686

t
-1.039
3.308
.506
-.805
.880
-1.338
8.657

Sig.
.302
.001
.614
.423
.381
.184
.000

Intervalo de confianza
para B al 95%
Lmite
Lmite
inferior
superior
-1008.391
316.007
.013
.052
-169.735
285.675
-36.005
15.242
-.222
.576
-.663
.129
.531
.847