Descargue como PDF, TXT o lea en línea desde Scribd
Descargar como pdf o txt
Está en la página 1de 31
ASIGNATURA : MÉTODOS ESTADÍSTICOS
CICLO : III SEMESTRE ACADEMICO : 2024 - I SESIÓN 13: ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
DOCENTE RESPONSABLE DE LA ASIGNATURA
FILIAL ICA : CORDOVA TELLO JOSE LUIS SEMESTRE : 2023 - II COMPETENCIAS
CONCEPTUAL PROCEDIMENTAL ACTITUDINAL
Modelo de regresión lineal, Capacidad para realizar análisis de Elaboración del
estimación de los coeficientes, regresión múltiple. Identifica la variable informe de las prueba de hipótesis global e dependiente y las variables aplicaciones con individual de los parámetros independientes. Realiza análisis de del modelo. Análisis de datos de interés regresión lineal, interpreta los residuos, Interpretación y utilizando SPSS. verificación de los supuestos. coeficientes del modelo, realiza prueba de hipótesis sobre los coeficientes e interpreta los resultados. TÉCNICAS ESTADÍSTICAS MULTIVARIADAS
• Las técnicas estadísticas multivariadas permiten establecer,
a partir de numerosos datos y variables, ciertas relaciones, investigar estructuras latentes y ensayar diversas maneras de organizar dichos datos. • Transformándolos y presentándolos bajo una forma nueva más asequible, bien reduciéndolos, sin perder demasiada información inicial. • Hasta componer un resumen lo más completo posible del conjunto de datos original, habitualmente bastante complejo. TÉCNICAS ESTADÍSTICAS MULTIVARIADAS
Dependiendo de las características de la investigación, entre las
técnicas estadísticas multivariadas que podemos elegir tenemos el Análisis Multivariable de Varianza (MANOVA), Regresión Múltiple, Análisis Factorial, Análisis Discriminante, Análisis de Grupos (Cluster Analysis), Escalamiento Multidimensional, Modelos Causales (Path Analysis), etc. CARACTERÍSTICAS
Trabajan con varias variables a la vez, generalmente >2
(2 es caso particular). • Implica observación/medición y análisis de más de una variable estadística a la vez. • Su aplicación se denomina “Análisis Multivariado”. Basados en la correlación. • Variables correlacionadas, observaciones independientes. Cumplen dos funciones: descriptiva e inferencial. CARACTERÍSTICAS ESPECÍFICAS COMUNES
a) Resultan de la generalización de alguna técnica de
análisis univariante o bivariante, • Donde V.D. o V.I. o ambas son sustituidas por variables no observadas que se expresan como combinación lineal de las observadas (Riba, 1990). b) Utilidad: • Caso una o más variables V.I. o Predictores y una o más V.D. o Criterios: ➢Comprobar la relación entre ambos tipos o grupos de variables. Predecir el valor/es en la/s variables, criterio a partir de los valores obtenidos en las variables predictivas. Ejemplo: Regresión Múltiple, Análisis Discriminante. • Caso de un solo grupo de variables (esperadamente V.I. o Predictores) Descubrir posibles agrupaciones en las variables en factores (dimensiones). Confirmar una determinada estructura factorial Ejemplo: Análisis Factorial ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
• La regresión lineal tiene una versión “simple” que empareja dos
variables, pero esta suele ser insuficiente para entender fenómenos mínimamente complejos en la que influyen más de dos variables, esta versión es la “múltiple”. • En el modelo de regresión lineal múltiple suponemos que más de una variable tiene influencia o está correlacionada con el valor de una tercera variable. • Por ejemplo en el peso de una persona pueden influir edad, género y estatura. En el modelo de regresión lineal múltiple esperamos que los sucesos tengan una forma funcional como
Montero Granados. R (2016): Modelos de regresión lineal múltiple.
ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
Universitat de Barcelona. Institut de Desenvolupament Professional. ICE
EJEMPLO • Si consideramos el peso como variable dependiente y como posibles variables explicativas: estatura, pie, l_brazo, a_espalda, d_cráneo.
• Al igual que en regresión lineal simple, los coeficientes
b van a indicar el incremento en el peso por el incremento unitario de la correspondiente variable explicativa. • Por lo tanto, estos coeficientes van a tener las correspondientes unidades de medida.
Universitat de Barcelona. Institut de Desenvolupament Professional. ICE
Hipótesis
J. M. Rojo Madrid, II-2007: Regresión lineal múlttiple
Hipótesis
Si admitimos que los datos presentan estas hipótesis
entonces el teorema de Gauss-Markov establece que el método de estimación de mínimos cuadrados va a producir estimadores óptimos, en el sentido que los parámetros estimados van a estar centrados y van a ser de mínima varianza.
J. M. Rojo Madrid, II-2007: Regresión lineal múlttiple
COEFICIENTE DE CORRELACIÓN MÚLTIPLE
▪ El Coeficiente R (R múltiple) indica la fuerza de la relación entre una
variable dependiente y otras independientes (2 o más) tomadas conjuntamente. ▪ El R se relaciona con la intercorrelación de las variables independientes (XZ) entre sí, así como también, con su correlación con la variable dependiente (Y). ▪ El R da la medida de la relación existente, de forma conjunta, entre la variable dependiente y el conjunto de las variables independientes. Mide la correlación existente entre la variable Y, y las predicciones (Yi’) que hacemos de la misma mediante la ecuación de regresión. COEFICIENTE DE DETERMINACIÓN MÚLTIPLE ▪ El Coeficiente R2 (Coeficiente de Determinación Múltiple) permite calcular el porcentaje de la variabilidad de la variable dependiente que, de forma conjunta, explican las variables independiente del modelo. R2 indica qué porcentaje de la Variancia. ▪ Explicada sobre la Variancia Total de la variable Y está explicada por la variación de las variables independientes en conjunto. ESTADÍSTICO DE DURBIN-WATSON Muestra la prueba de D-W para los residuos correlacionados serialmente. Éste estadístico oscila entre 0 y 4 y toma el valor 2 cuando los residuos son completamente independientes. Los valores mayores de 2 indican autocorrelación positiva y los menores de 2 autocorrelación negativa. Suele asumirse que los residuos son independientes si el estadístico de D-W está entre 1,5 y 2,5. También muestra estadísticos de resumen para los residuos y los valores pronosticados. Un ejemplo práctico de aplicación de la prueba DESARROLLAR LA PRACTICA 13