ANLISIS DE REGRESIN

ANALISIS DE REGRESION LINEAL

La Regresin lineal se refiere a la prediccin del valor de una variable a partir de una o m s variables! En ocasiones se denomina a la variable dependiente " y) variable de respuesta # a la variable independiente "x) variable de prediccin! En muc$os problemas $a# dos o m s variables in$erentemente relacionadas% # es necesario e&plorar la naturale'a de esta relacin! El an lisis de regresin puede emplearse por e(emplo para construir un modelo )ue e&prese el rendimiento como una funcin de la temperatura! Este modelo puede utili'arse luego para predecir el rendimiento en un nivel determinado de temperatura! *ambi+n puede emplearse con propsitos de optimi'acin o control del proceso! ,omen'aremos con el caso m s sencillo% la prediccin de una variable (y) a partir de otra variable (x). REGRESIN LINEAL SIMPLE -ara las situaciones siguientes estable'ca cual es la variable dependiente # cual es la independiente! a. /n actuario )uiere predecir el monto del seguro de vida alcan'ado por los maestros a partir de sus salarios mensuales! Solucin0 la variable dependiente o de respuesta% es el monto del seguro de vida alcan'ado por un maestro% # la variable independiente o variable de prediccin es el salario anual del docente! b. El gerente de un restaurante )uiere estimar el n1mero de clientes )ue puede esperar cierta noc$e a partir del n1mero de reservaciones para cenar recibidas $asta las 2033 -4 Solucin0 El n1mero de clientes es la variable de respuesta% el n1mero de reservaciones es la variable independiente! Supuestos para el modelo de regresin lineal5 5! -ara cada valor de x% la variable aleatoria se distribu#e normalmente! 6! -ara cada valor de x% la media o valor esperado de es 37 esto es% E ( ) = = 0 !

8! -ara cada valor de x, la varian'a de es la constante 2 "llamada varian'a del error.! 9! Los valores del t+rmino de error son independientes! 2! -ara un valor fi(o de x% la distribucin muestral de y es normal% por)ue sus valores dependen de los de !

:! -ara un valor fi(o x% es posible predecir el valor de y! ;! -ara un valor fi(o x% es posible estimar el valor promedio de y

- gina 5

ANLISIS DE REGRESIN
5

Ejemplo 1 La revista Motor Trend presenta con frecuencia datos de rendimiento para automviles% )ue compara el tama<o del motor en pulgadas c1bicas de despla'amiento "pcd. # las millas por galn "mpg. estimadas para oc$o modelos representativos de automviles subcompactos modelo 5=>9!

tama<o del motor "pcd. x coc$es compactos ,$evrolet ,avalier 565 Datsun Nissan Stan'a 563 Dodge Bmni =; Cord Escort => 4a'da :6: 566 -l#mout$ Dori'on =; Renault AllianceAEncore >2 *o#ota ,orolla 566

millasAgaln "mpg.% # 83 85 89 6; 6= 89 8> 86

Graficando los datos de la tabla en el ?diagrama de dispersin@ podemos observar la coleccin de los oc$o pares de datos (x,y) como muestra de una poblacin de pares% donde las medidas pulgadas c1bicas de despla'amiento "pcd. ? x pueden tomar cual)uier valor en el rango de valores )ue se e&tiende de >2 a 566! -ara cada pcd posible $a# muc$os milla(es asociados con ella! -or e(emplo para un tama<o del motor de =; $a# un gran n1mero de milla(es asociados% uno por cada coc$e cu#o tama<o sea =; pcd! Asumamos )ue e&iste una relacin lineal para la poblacin de pares de datos de pcd # mpg! "Se entiende por relacin lineal cuando la variable y tiene una tendencia a crecer o decrecer% cuando la variable & aumenta.!

Diagrama de dispersin 8= 8; 82 m 88 p 85 g 6= 6; 62 >3

=3

533 p!d dd!i d

553

563

583

Estadstica, Richard C.Weimer, CECSA, Segunda edicin, 2000 - gina 6

ANLISIS DE REGRESIN

/samos el modelo pro"a"il#sti!o siguiente para e&plicar el comportamiento de los milla(es para las oc$o medidas de tama<o de motor% este se llama modelo de regresin lineal% # e&presa la relacin lineal entre tama<o de motor "&. # millas por galn "#.! Modelo de regresin lineal

y = 0 + 1 x +

Donde y E variable dependiente 0 = ordenada al origen

1 E pendiente
x = variable independiente E Error aleatorio La e&presin 0 + 1 x se denomina !omponente determin#sti!a del modelo de regresin

lineal! La muestra de pares de datos se usar para estimar los par metros 0 y1 de la componente determinFstica! La diferencia principal entre un modelo pobabilFstico # uno determinFstico es la inclusin de un t+rmino de error aleatorio en el modelo probabilFstico! En el e(emplo los diferentes rendimientos para un mismo tama<o de motor se atribu#en al t+rmino de error en el modelo de regresin!

$%l!ulo de la e!ua!in de regresin

*ambi+n es llamada ecuacin de prediccin de mFnimos cuadrados! La ecuacin de regresin = b0 + b1 x. estimada es0 y Donde0

y =

b3 E b5E

para un valor particular de &! Galor predic$o de y Estimador puntual de 0 !"ordenada al origen.
Estimador puntual de

1. "pendiente.

-ara el c lculo de b3 # b5 se utili'amos las siguientes frmulas0

SS x = x
2

( x)
n

SS y = y
2

( y)
n

SS xy = xy

( x )( y )
n

- gina 8

ANLISIS DE REGRESIN

b1 =

SS xy SS x

b0 = y b1 x
Donde0 SS E suma de cuadrados b5 E pendiente b3 E ordenada al origen n E n1mero de pares de datos En la tabla incluimos las sumatorias )ue utili'aremos para el c lculo de las frmulas!
coc$es compactos tama<o del motor "pcd. & ,$evrolet ,avalier 565 Datsun Nissan Stan'a 563 Dodge Bmni =; Cord Escort => 4a'da :6: 566 -l#mout$ Dori'on =; Renault AllianceAEncore >2 *o#ota ,orolla 566 S/4AS >:6 4edia 53;!;2 millasAgaln "mpg.% # 83 85 89 6; 6= 89 8> 86 622 85!>;2 &K6 59:95 59933 =93= =:39 59>>9 =93= ;662 59>>9 =992: #K6 =33 =:5 552: ;6= >95 552: 5999 5369 >655 &# 8:83 8;63 86=> 6:9: 828> 86=> 8683 8=39 6;6:9

,alculando b3 # b5 tenemos0 SS& E 52;2!23 SS# E >6!>> SS&# E H656!62 b5 E H3!589;6 b3 E 9:!8=3== La ecuacin de prediccin de mFnimos cuadrados es0 0.37472 x y = 4!.3 0 = b0 + b1 x. EI y

Gr%&i!a de la e!ua!in de regresin

23 93 ) 83 63 53 3 3 23 533 523 'aria"le ( J Lineal "J. # E9:!8=5 H3!589;&

Error

- gina 9

ANLISIS DE REGRESIN Los errores se denominan frecuentemente residuales! -odemos observar en la gr fica de regresin los errores indicados por segmentos verticales!

LMu+ tan normales son los residualesN

Gr fica Normal de Residuales
63 53
Residual Residual

LResiduales individuales H tendencias; o separados?

*abla de Residuales
23 93 83 63 53 3 H53 H63 H83 H93 H23
8!3SLE98!6:

Diagnstico del 4odelo de Residuales

OE3!333

H53 H63 H6 H5 3 5 6
4arcador Normal

H8!3SLEH98!6:

53

Crecuencia

Residual

Distograma H curva de campana? Ignrese para grupos pe ue!os de in"ormacin (#$%)

N1mero de Bbservacin

Distograma de Residuales
8 6 5 3 H62 H63 H52 H53 H2 3 2 53 52 63 53 3 H53 H63

Residuales vs! A(ustes

923

A(uste

233

223

*us!ar *us!arlas lasin!onsisten!ias in!onsisten!ias ma+ores ma+ores

&'eatorio a'rededor de cero, sin tendencias?

- gina 2

ANLISIS DE REGRESIN Al usar el criterio de mFnimos cuadrados para obtener la recta )ue me(or se a(uste a nuestros datos% podemos obtener el valor mFnimo para la suma de cuadrados del error "SSE.

SSE = SS y b1 SS xy
2 A la varian'a de los errores e se le llama ,arian-a residual siendo denotada por s e % se encuentra dividiendo SSE entre nH6

S e2 =

SSE n2

La raF' cuadrada positiva de la varian'a residual se llama error est%ndar de estima!in # se denota por Se! Aplicando las frmulas en obtenemos la suma de cuadrados del error% la varian'a residual # el error est ndar de la estimacin0 SSE E >6!>>H"H3!589;6."H656!62. E29!6>9=

S e2 =
Se
E

"4.2#4 = .047" !

8!33;

Ejemplo . /na firma de renta de coc$es recab los datos ad(untos sobre los costos de mantenimiento y% # las millas recorridas x para siete de sus automviles! Automvil A P , D E C G 4illas recorridas x en miles 22 6; 8: 96 :2 9> 6= ,ostos de manteniH miento y "dlares. 6== 5:3 652 622 823 6;2 63;

Encuentre0

a. /na estimacin puntual para 0 ! b. /na estimacin puntual para

1.

c. /na estimacin puntual para la varian'a del error 2 ! d. /na estimacin puntual para el costo promedio del mantenimiento de un coc$e con 8:%333 millas recorridas! e. -rediga el costo para un coc$e con 6=%333 millas recorridas!
Automvil A P , D E C G Suma 4edia x 22 6; 8: 96 :2 9> 6= 836 98!59 y 6== 5:3 652 622 823 6;2 63; 5;:5 625!2; &K6 8362 ;6= 56=: 5;:9 9662 6839 >95 595>9 #K6 >=935 62:33 9:662 :2362 566233 ;2:62 96>9= 9:;662 &# 5:992 9863 ;;93 53;53 66;23 58633 :338 >55:>

- gina ;

ANLISIS DE REGRESIN SS& E 5529!>: SS# E 6963;!;5 SS&# E 25=8!98 b5 E 9!9=;3 b3 E2;!22:; SSE E >26!;3 2 Se E 5;3!29 # E 2;!22:; Q 9!9=;& a. b. c. d. e. b3 E2;!22:; b5 E 9!9=;3 2 Se E 5;3!29 2;!22:; Q 9!9=;"8:. E 65=!99 usd 2;!22:; Q 9!9=;"6=. E 5>;!=: usd

In&eren!ias so"re el modelo de regresin lineal/

= 0 + 1 x % con propsitos de prediccin% )ueremos estar -ara usar la ecuacin de regresin y
ra'onablemente

serFa id+ntica a 0 % como se muestra en la figura! Siendo este el caso el modelo no serFa apropiado!

E ( y x ) = 0 + 1 x no es cero! Ja )ue si 1 = 0 % entonces para cual)uier valor de &% E ( y x )

seguros

de

)ue

la

pendiente

de

la

ecuacin

de

regresin

,on el propsito de determinar si la pendiente de la regresin poblacional es diferente de cero% separemos SS# en dos componentes% SSE # SSR! *enemos la siguiente relacin0 SS# E SSE Q SSR Donde0 SSE E Suma de cuadrados del error SSR E Suma de cuadrados de la regresin SSE E SS#Hb5SS&# SSR E b5SS#

- gina >

ANLISIS DE REGRESIN

-rueba de $iptesis utili'ando la distribucin C Si fuera cierta H 0 $ 1 = 0 % el estadFstico C servirFa como estadFstico de prueba0 C est definido como0

F=

SSR S e2

,on gl E "5%nH6.% se puede usar el estadFstico C para determinar si 1 es diferente de cero! Si la pendiente de la ecuacin de regresin poblacional es diferente de cero% entonces la ecuacin se puede usar con propsitos de prediccin! Ejemplo 0 -ara los datos del e(emplo 5 $aga una prueba para determinar si 1 0 % usando

= 0.0"

H 0 $ 1 = 0 H 1 $ 1 0

En el e(emplo 5 # 6 obtuvimos los siguientes valores0 SS&# E H656!62 b5 E H3!589;6

S e2 = .047"
La suma de cuadrados para la regresin SSR se calcula mediante0 SSR E b5SS&# E "H656!62."H3!589;. E6>!2=35 Dallamos el estadFstico de prueba C0

F=

SSR 2#." 01 = 3.1! E S e2 .047"

Se encuentra el valor crFtico F &1, n 2% = C3!32"5%:. E 2!==! ,omo C E 8!5:R2!==% no = 4!.3## 0.1347 x no debe usarse rec$a'amos H 0 $ 1 = 0 ! ,oncluimos )ue la ecuacin y con propsitos de prediccin% # no tenemos evidencia )ue apo#e )ue el modelo lineal es correcto para nuestros datos! -rueba de $iptesis utili'ando la distribucin t Btra manera de reali'ar la prueba de $iptesis H 0 $ 1 = 0 es usando la distribucin t! El estadFstico de prueba es0

t=

b1 % donde gl E nH6 Se SSx

Ejemplo 1 /sando los datos del e(emplo 5% $aga una prueba para determinar si 1 0 usando la prueba de t # = 0.0" !

H 0 $ 1 = 0 H 1 $ 1 0

- gina =

ANLISIS DE REGRESIN

t=

b1 E Se SSx

0.1347 = 1.777" .047" 1"7"."

Los valores crFticos t .02" para gl E : son 2.447 ! ,omo St!362 R t no rec$a'amos H 0 $ 1 ! -or tanto no tenemos evidencia )ue sugiera )ue el modelo lineal es apropiado para nuestros datos! An%lisis de !orrela!in

=0

Establece si e&iste una relacin entre las variables # responde a la pregunta%@LMu+ tan evidente es esta relacinNT! La correlacin es una prueba f cil # r pida para eliminar factores )ue no influ#en en la prediccin% para una respuesta dada! $oe&i!iente de $orrela!in de Pearson Es una medida de la fuer'a de la relacin lineal entre dos variables x y y! Es un n1mero entre H5 # 5 /n valor positivo indica )ue cuando una variable aumenta2 la otra variable aumenta /n valor negativo indica )ue cuando una variable aumenta2 la otra disminu+e Si las dos variables no est n relacionadas% el coeficiente de correlacin se apro&ima a 3!

El coeficiente de correlacin r se calcula mediante la siguiente frmula0 r= SSxy SSxSSy

- gina 53

ANLISIS DE REGRESIN

Correlacin Positiva Evidente 25

20 15 10 5 0 0 5 10 X 15 20 25 25 20 15 Y

Correlacin Negativa Evidente

25 20 15 Y 10 5 0 0 5 10 X 15 20 25

Sin Correlacin

25 20 15 Y

Correlacin Positiva

10 5 0 0 5 10 X 15 20 25 25 20 15 Y 10 5

Correlacin Negativa

10 5 0 0 5 10 X 15 20 25

0 0 5 10 X 15 20 25

Ejemplo 3 En un esfuer'o por determinar la relacin entre el pago anual de los empleados # el n1mero de faltas al traba(o por causa de enfermedad% una corporacin grande estudi los registros personales de una muestra de doce empleados! Los datos pareados aparecen en la siguiente tabla!
Empleado 5 6 8 9 2 : ; > = 53 55 56 -ago anual "miles de dlares. 52!; 5;!6 58!> 69!6 52 56!; 58!> 5>!; 53!> 55!> 62!9 5;!6 Inasistencias 9 8 : 2 8 56 2 5 56 55 6 9

- gina 55

ANLISIS DE REGRESIN Determine el coeficiente de correlacin e interprete el resultado!

Empleado 5 6 8 9 2 : ; > = 53 55 56 S/4A*BRIA

& 52!; 5;!6 58!> 69!6 52 56!; 58!> 5>!; 53!> 55!> 62!9 5;!6 5=:!8

# 9 8 : 2 8 56 2 5 56 55 6 9 :>

&K6 69:!9= 6=2!>9 5=3!99 2>2!:9 662!33 5:5!6= 5=3!99 89=!:= 55:!:9 58=!69 :92!5: 6=2!>9 8995!;5

#K6 5: = 8: 62 = 599 62 5 599 565 9 5: 223

&# :6!> 25!: >6!> 565!3 92!3 526!9 :=!3 5>!; 56=!: 56=!> 23!> :>!> =>6!8

SS&# E SS& E SS# E r=

H583!3:::; 683!2:=5:; 5:9!:::::;

SSxy E H3!::;2 SSxSSy

Diagrama de dispersin
59 56 53 > : 9 6 3 3 2 53 52 63 62 Pago anual 4miles usd5
En el diagrama de dispersin observamos )ue al aumentar x, y disminu#e% por lo cual la correlacin es negativa! ,omparando el coeficiente de correlacin calculado% con la tabla de correlaciones observamos )ue !:: I !2>% por lo cual la correlacin entre las variables es fuerte!

Inasisten!ias

Serie5 Lineal "Serie5.

83

- gina 56

ANLISIS DE REGRESIN

Regresin lineal en E6!el

4ediante el uso de an lisis de datos resolveremos el E(emplo 5! Seleccione0 $erramientas I an lisis de datos I regresin En la ventana seleccione el rango de entrada para O # J% el rango de salida # seleccione la opcin0 gr fico de residuales # curva de regresin a(ustada!

- gina 58

ANLISIS DE REGRESIN

- gina 52

ANLISIS DE REGRESIN An%lisis de resultados de la ta"la de E6!el Anali'ando los resultados de E&cel% tenemos los siguiente0 En la seccin (stad)sticas de 'a regresin vemos )ue el coeficiente de correlacin E !2>;8 comparando este valor con la tabla de correlaciones observamos )ue el valor !2>;8 R !;5 lo cual indica una relacin d+bil entre las variables! En la gr fica ?de regresin a(ustada@ observamos )ue la correlacin es negativa #a )ue al aumentar *% + disminu#e7 ,abe mencionar )ue el coeficiente de correlacin calculado por el sistema siempre es positivo% por lo cual debemos basarnos la gr fica de regresin para determinar el signo! Ecuacin de la regresin0 -ara obtener la ecuacin de regresin usamos los coeficientes de los renglones Intercepcin y varia,'e *-% estos son 9:!8=3= # S 3!589; respectivamente% siendo la ecuacin de regresin0 # E 9:!8=3=H 3!589;O 5! la suma de cuadrados de la regresin SSR E 6>!2=35% la suma de cuadrados de los residuos o error SSE E 29!6>3:% El promedio de los cuadrados de la regresin )ue es la varian'a residual el valor de C dividiendo SSRA S e
2

An lisis de Garian'a0 La tabla muestra

S e2 E =!39:> ! El sistema calcula

como #a se trato anteriormente! El valor crFtico C es

menor )ue el valor C "3!562R 8!5:.% por lo )ue no tenemos evidencia para rec$a'ar la D 30 1 = 0 % en consecuencia el modelo de regresin no es apropiado! An lisis de residuos0 muestra los pronsticos # residuos para cada observacin% asF como el gr fico de residuales% en el cual observamos inconsistencias #a )ue la ma#orFa de los puntos se encuentran en la regin positiva!

- gina 5;

ANLISIS DE REGRESIN AN7LISIS DE REGRESIN M8L9IPLE En ocasiones la informacin de una variable independiente no es suficiente% por e(emplo en el caso de los autos compactos adem s de tener la variable del tama<o del motor% podrFamos tener otras variables% )ue nos permitan tener ma#or informacin como por e(emplo el peso del coc$e% el tipo de recorrido% el tama<o de las llantas% estos factores tambi+n influ#en sobre la ra'n del consumo de gasolina! ,uando se usa m s de una variable independiente para predecir los valores de una variable dependiente% el proceso se llama an lisis de regresin m1ltiple% inclu#e el uso de ecuaciones lineales # no lineales% en este estudio nos ocuparemos de las ecuaciones de regresin lineales! Ejemplo : 4uc$os programas de estudios prem+dicos usan los promedios de las calificaciones del 4,A* de los estudiantes egresados como un indicador de la calidad de sus programas! Las variables )ue se sabe influencian esos promedios del 4,A*" y) son0 la combinacin de las calificaciones del SA* en matem ticas # en oratoria "x-. # el G-A (x.) de los prospectos a m+dicos! La tabla muestra las medidas de x-, x. # y de seis estudiantes )ue $an cursado un programa de premedicina # )ue $an presentado el 4,A* ,alificacin SA* "O5. 5633 5823 5333 5623 5962 5893 ,alificacin proH medio del 4,A* "J. 56!9 58!8 =!6 53!: 58!6 55!6

Estudiante 5 6 8 9 2 :

G-A "O6. 8!> 8!9 6!= 8!8 8!= 8!5

,on esta informacin podemos encontrar una ecuacin lineal )ue nos permita predecir el promedio de calificaciones del 4,A* para un estudiante si se conocen su G-A # su calificacin combinada del SA*! = b0 + b1 x1 + b2 x 2 . Es posible La ecuacin lineal para los datos del e(emplo tiene la forma y encontrar los valores de b3% b5% # b6 usando el m+todo de mFnimos cuadrados% al igual )ue en el m+todo de regresin lineal simple! El m+todo en este caso re)uiere resolver tres ecuaciones lineales con tres incgnitas% estas ecuaciones% conocidas como ecuaciones normales% son0

y = nb
1

+ b1 ( x1 ) + b2 ( x 2 )
0 1 1 2 1 2 2 2

x y = b ( x ) + b ( x ) + b ( x )

y = b0 ( x 2 ) + b1 ( x1 x 2 ) + b2

( x )
2 2

- gina 5>

ANLISIS DE REGRESIN La siguiente tabla organi'a los c lculos para obtener las ecuaciones0
O5 5633 5823 5333 5623 5962 5893 ;2:2 O6 8!> 8!9 6!= 8!8 8!= 8!5 63!9 J 56!9 58!8 =!6 53!: 58!6 55!6 :=!= O5K6 5993333 5>66233 5333333 52:6233 6383:62 5;=2:33 =:25662 O6K6 59!99 55!2: >!95 53!>= 52!65 =!:5 ;3!56 O5O6 92:3 92=3 6=33 9562 222;!2 9529 62>>:!2 O5J 59>>3 5;=22 =633 58623 5>>53 5233> >=538 O6J 9;!56 92!66 6:!:> 89!=> 25!9> 89!;6 693!6

Las ecuaciones normales para este e(emplo son0

! . = !b0 + 7,"!"b1 + 20.4b2 # ,103 = 7"!"b0 + ,!"1,22"b1 + 2",##!."b2 240.2 = 20.4b0 + 2",##!."b1 + 70.12b2
Resolviendo el sistema de ecuaciones lineales obtenemos0 b3 E H6!28;% b5E3!332962% b6 E 6!5:5! La ecuacin de regresin es0

y = 2."37 + 0.00"42" x1 + 2.1!1x 2

Suma de !uadrados La suma total de cuadrados SS*% se descompone en dos componentes0 suma de cuadrados para la regresin% # suma de cuadrados del error! SS* E SSR Q SSE La suma de cuadrados para la regresin es a)uella parte de la suma total de cuadrados )ue se atribu#e a las variables independientes! 4ientras )ue la suma de cuadrados del error es a)uella porcin de la suma de cuadrados total # )ue no se debe a las variables independientes% por ello se llama suma de cuadrados del error!
SST = ( y y ) = 12.
2
2

"0

(y y SSE = ) = 2.2403

SSR = SST SSE = 10.7"47

Grados de li"ertad para la regresin

glT = gl R + gl E glT = n 1 gl R = k gl E = n & k + 1%

donde0 U E n1mero de variables independientes $%l!ulo de !uadrados medios - gina 5=

ANLISIS DE REGRESIN

SSR 10.7"47 = = ".3773 gl R 2 SSE 2.2403 MSE = = = 0.74!# gl E 3 MSR =

Donde0 4SRE ,uadrado medio de la regresin 4SEE ,uadrado medio del error! Prue"a de ;iptesis -ara determinar si el modelo lineal describe adecuadamente los datos% se usa la prueba C! -ara los datos del e(emplo las $iptesis son0

H 0 $ 1 = 2 = 0

H1 $ 1 0 o 2 0
El valor del estadFstico C se encuentra dividiendo 4SR entre 4SE!

F =

MSR ".3773 = = 7.20 MSE 0.74!#

Puscando el valor crFtico para F &1, n 2% = F0.0" (1,4 ) E;!;5! ,omo ;!;5 I ;!63 no podemos rec$a'ar D3% lo cual nos indica )ue podrFa ser arriesgado utili'ar la ecuacin de regresin con propsitos predictivos!

$oe&i!iente de determina!in m<ltiple

R2 =

SSR SST

/tili'ando los datos del e(emplo0

R2 =

10.7"47 = 0.#27! #2.#' 12. "

Esto significa )ue apro&imadamente el >8V de la variacin en el promedio de las calificaciones se atribu#e a la variacin de las variables independientes # solamente el 5;V de la variacin de la variable dependiente no se atribu#e a eso!

Regresin m<ltiple en Minita"

- gina 63

ANLISIS DE REGRESIN Ejemplo = La tabla enlista el consumo de combustible en millas por galn ba(o condiciones normales de mane(o% los pesos de los coc$es en libras # la capacidad del motor en cc para seis coc$es deportivos modelo 5==3!

C(che de)(rti*( Ca)acidad +es ( Che*r(,et "73" -agiar ./0S "344 1ercedes 02en3 "00 S4 2174 +(rs che 11 3!00 1as errati 22# 27 0 21W 32"i 24 4

C(ns um( 3330 401" 2#!" 3320 3020 3100 17, 1#,7 1!," 17 1"," 22

a. Determine una ecuacin de regresin para predecir el promedio de consumo de combustible usando la capacidad del motor # el peso% # calcule el coeficiente de determinacin R6! /na ve' capturados los datos de las variables en 4initab seleccionamos S9A9>REGRESIN>REGRESIN # se presenta la siguiente pantalla

Seleccionamos la variable de respuesta "response) )ue corresponde a la ,olumna 8 /$, # las variables de prediccin (predictors)0 /- y /.. - gina 65

ANLISIS DE REGRESIN

Damos ,lic en el Icono 0rap1s, # en la opcin gr ficos de residuos ? residua' p'ots de(amos la opcin )ue el sistema da por de fault0 ? 2egu'ar. # seleccionamos la opcin residua' vs. "its y norma' p'ot o" residua's. *ambi+n e&isten otras opciones de gr ficos )ue podemos usar en caso de ser necesario!

- gina 66

ANLISIS DE REGRESIN En la opcin Resultados ?2esu'ts seleccionamos el circulo0 2egresin e uation....

Damos clic en oU!

Regression Anal+sis
*$e regression e)uation is ,8 E 53%= H 3%33323 ,5 Q 3%336;3 ,6 -redictor ,oef StDev ,onstant 53%=5 56%=3 ,5 H3%3339=: 3%33586= ,6 3%336;36 3%339=>6 S E 6%>32 RHS) E =%5V * 3%>2 3%9:3 H3%8; 3%;89 3%29 3%:62

RHS)"ad(. E 3%3V

Anal#sis of Gariance Source DC SS Regression 6 6%8:> Residual Error 8 68%:32 *otal 2 62%=;8 4S 5%5>9 ;%>:> C 3%52 3%>::

Anali'ando los resultados tenemos0 De la tabla resultante podemos determinar )ue la ecuacin de Regresin es J E 53!= S 3!33323O5Q!336;3O6 Donde O5 representa el tama<o del motor "capacidad. # O6 el peso del coc$e% J representa el rendimiento predic$o para el consumo del combustible! El coeficiente de determinacin RHS) o R6 es =!5V # esto indica )ue el =!5V de la variacin en el consumo de combustible se atribu#e a la capacidad # al peso! El =3!=V no se atribu#e a estas variables!

- gina 68

ANLISIS DE REGRESIN E&aminando el valor del estadFstico C"CE3!52.% )ue es significativo al nivel - E 3!>:: concluimos )ue el modelo no es adecuado para fines de predicciWn en un nivel = 0.0"

Normal -robabilit# -lot of t$e Residuals

"response is ,8.

Normal Score

H5

H6

H5

Residual

Residuals Gersus t$e Citted Galues

"response is ,8.
9 8 6

Residual

5 3 H5 H6 5; 5> 5=

Citted Galue

Anali'ando los gr ficos anteriores% podemos observar en el grafico de probabilidad )ue las observaciones aparentan ser normales! Sin embargo en el gr fico de residuales observamos una tendencia #a )ue la ma#orFa de los puntos se encuentran a ba(o del cero!

- gina 69