Tema 4

Tema 4.
Modelo de regresi
on m
ultiple
Estadstica (CC. Ambientales). Profesora: Amparo Ballo
Tema 4: Regresi
on m
ultiple
Objetivos del tema

Construir un modelo que represente la dependencia lineal de
una variable respuesta cuantitativa Y simultaneamente

respecto de varias variables explicativas cuantitativas
X1 , . . . , XK .
Determinar la funci
on de regresion lineal optima.
Partiendo de un conjunto de regresores X1 , . . . , XK , estudiar
cuales son significativos para explicar la respuesta.

Estimar el valor esperado de la respuesta y predecir un valor
futuro de esta para unos valores prefijados de las variables

explicativas. Determinar la precision de la estimacion y la
prediccion.
Analizando los residuos, estudiar si se verifican las hip
otesis
basicas del modelo. Proponer alternativas si no es as.
Tema 4: Regresi
on m
ultiple
Ejemplo 4.1: Variable respuesta Y = Temperatura (en o F)

maxima promedio durante el mes de enero en la estacion
meteorologica de un condado de Texas.
Variables explicativas: X1 = Latitud, X2 = Altitud (en pies) y X3
= Longitud de la estacion.
Condado
Harris
Dallas
Kennedy
Midland
Deaf Smith
Knox
Maverick
Nolan
El Paso
Collington
Pecos
Sherman
Travis
Zapata
Lasalle
Cameron
Temperatura
56
48
60
46
38
46
53
46
44
41
47
36
52
60
56
62
Latitud
29.767
32.85
26.933
31.95
34.8
33.45
28.7
32.45
31.8
34.85
30.867
36.35
30.3
26.9
28.45
25.9
Altitud
41
440
25
2851
3840
1461
815
2380
3918
2040
3000
3693
597
315
459
19
Longitud
95.367
96.85
97.8
102.183
102.467
99.633
100.483
100.533
106.4
100.217
102.9
102.083
97.7
99.283
99.217
97.433
Tema 4: Regresi
on m
ultiple
Ejemplo 4.1 (cont.):

Temperaturas mximas promedio en enero (Texas)
Temperatura
60
50
40
20
Latitud
30
40
1000
2000
3000
4000
Altitud
Tema 4: Regresi
on m
ultiple
Ejemplo 4.2: Se estudia Y = la tasa de respiracion (no moles

O2 /(gmin)) del liquen Parmelia saxatilis bajo puntos de goteo con
un recubrimiento galvanizado. El agua que cae sobre el liquen
contiene zinc y potasio, que utilizamos como variables explicativas.
(Fuente de datos: Wainwright (1993), J. Biol. Educ..)
Tasa de respiracion
71
53
55
48
69
84
21
68
68
Potasio (ppm)
388
258
292
205
449
331
114
580
622
Zinc (ppm)
2414
10693
11682
12560
2464
2607
16205
2005
1825
Tema 4: Regresi
on m
ultiple
Tasa respiracin
80
60
40
20
15000
10000
5000
Zinc
200
400
600
Potasio
Tema 4: Regresi
on m
ultiple
El modelo de regresi
on lineal m
ultiple
En la regresion lineal m
ultiple de Y sobre X1 , . . . , XK se supone
que la funcion de regresion tiene la expresion
E (Y |X1 = x1 , . . . , XK = xK ) = 0 + 1 x1 + . . . + K xK .
Cuando K = 2 la funcion de regresion es un plano
E(Y|X1=x1,X2=x2) = 2+x10.5x2
4
2
0
3
3
1
x2
1
0 0
x1
Tema 4: Regresi
on m
ultiple
Tenemos una muestra de n individuos en los que observamos las

variables Y y X = (X1 , . . . , XK )0 obteniendo (xi , yi ), i = 1, . . . , n,
donde xi = (xi1 , xi2 , . . . , xiK )0 .
El modelo de regresion lineal m
ultiple supone que
Yi = 0 + 1 xi1 + . . . + K xiK + Ui ,
i = 1, . . . , n,
donde las perturbaciones Ui verifican las hipotesis

a) E (Ui ) = 0, para cada i = 1, . . . , n.
b) Var(Ui ) = 2 , para cada i = 1, . . . , n.
c) E (Ui Uj ) = 0 , para todo i 6= j.
d) Ui Normal, para todo i.
e) n K + 2
f) Las variables Xi son linealmente independientes entre s (no hay
colinealidad).
Tema 4: Regresi
on m
ultiple
Las hipotesis (a)-(d) se pueden reexpresar as: los individuos de la

muestra son independientes entre s con
Yi Normal(0 + 1 xi1 + . . . + K xiK , 2 ).
El modelo admite una expresion equivalente en

Y1
1 x11 . . . x1K
0
Y2 1 x21 . . . x2K 1

.. = ..
.. ..
. .
. .
1 xn1 . . . xnK
K
Yn
forma matricial:

U1
U2

+ ..
.
Un
o
Y = X + U,
donde X es la matriz del dise
no.
Tema 4: Regresi
on m
ultiple
Cada coeficiente i (i 1) mide el efecto marginal que, sobre la

variable respuesta Y , tiene un aumento de una unidad de la
variable explicativa xi cuando el resto de las variables xj , con j 6= i,
permanece constante.
Tema 4: Regresi
on m
ultiple
10
Estimaci
on de los par
ametros del modelo
Par
ametros desconocidos: 0 , 1 , . . . , K , 2 .
Estimamos 0 , 1 , . . . , K por el metodo de mnimos cuadrados:
P
minimizamos la suma de los residuos al cuadrado VNE = ni=1 ei2 ,
donde ei = yi yi e yi = 0 + 1 xi1 + . . . + K xiK .
Para K = 2, cada residuo ei es la distancia en vertical entre el
(xi , yi ) observado y (xi , yi ).
(xi1,xi2,yi)
ei
x2
x1
Tema 4: Regresi
on m
ultiple
11
Al derivar la VNE respecto a 0 , 1 , . . . , K e igualar las derivadas

a 0 obtenemos K + 1 ecuaciones de restriccion sobre los residuos:
n
X
i=1
ei = 0,
n
X
ei xi1 = 0,
i=1
...,
n
X
ei xiK = 0.
i=1
Los residuos tienen n K 1 grados de libertad.

A partir de estas ecuaciones despejamos los estimadores
mnimo-cuadraticos de 0 , 1 , . . . , K :
0
1
.. = (X0 X)1 X0 y.
.
K
Podemos asegurar que la matriz X0 X es invertible si se cumplen las
hip
otesis basicas (e) y (f).
Tema 4: Regresi
on m
ultiple
12
Tema 4: Regresi
on m
ultiple
13
Tasa respiracin
Ejemplo 4.2: Plano de regresin
80
60
40
20
15000
600
10000
5000
Zinc
400
200
Potasio
Tema 4: Regresi
on m
ultiple
14
Tasa de
respiracin
71
53
55
48
69
84
21
68
68
Potasio (ppm)
388
258
292
205
449
331
114
580
622
Zinc (ppm)
2414
Resumen
10693
11682
Estadsticas de la regresin
12560
Coeficiente de correlacin mltiple 0,921112779
2464
Coeficiente de determinacin R^2 0,848448752
2607
R^2 ajustado
0,79793167
16205
Error tpico 8,172122313
2005
Observaciones
9
1825
ANLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF
Valor crtico de F
Regresin
2 2243,2985 1121,64925 16,7952841 0,0034808
Residuos
6 400,701499 66,7835831
Total
8
2644
Intercepcin
Variable X 1
Variable X 2
Coeficientes
101,0883957
-0,04034212
-0,00387683
Error tpico
18,8660471
0,03423824
0,00100248
Estadstico t
5,35821813
-1,17827673
-3,86725087
Probabilidad
0,00173104
0,28329567
0,00829226
Inferior 95% Superior 95% Inferior 95,0%Superior 95,0%

54,9248076 147,251984 54,9248076 147,251984
-0,12412013 0,04343589 -0,12412013 0,04343589
-0,00632981 -0,00142386 -0,00632981 -0,00142386
Anlisis de los residuales

Observacin
Pronstico para Y ResiduosResiduos estndares

1 76,07698485 -5,07698485 -0,71736532
2 49,22518266 3,77481734 0,53337229
3 44,01936545 10,9806346 1,55153633
4 44,12527292 3,87472708 0,54748929
5 73,42227401 -4,42227401 -0,62485631
6 77,62825745 6,37174255 0,90031136
7 33,66535951 -12,6653595 -1,78958377
8 69,91692137 -1,91692137 -0,27085622
9 68,92038178 -0,92038178 -0,13004765
Tema 4: Regresi
on m
ultiple
15
Tema 4: Regresi
on m
ultiple
16
Un estimador insesgado de 2 es la varianza residual

n
sR2 =
X
1
ei2 .
nK 1
i=1
Observaci
on: Se cumple que y = 0 + 1 x1 + . . . + K xK , siendo
n
1X
yi ,
y =
n
i=1
1X
x1 =
xi1 ,
n
i=1
...,
1X
xK =
xiK .
n
i=1
Por tanto, si K = 2, el plano de regresion pasa por el punto de

medias muestrales (
x1 , x2 , y ).
Tema 4: Regresi
on m
ultiple
17
Inferencia sobre los par

ametros del modelo
Propiedades de los estimadores de los par
ametros
Para j = 0, 1, . . . , K ,
j j
error tpico de j
tnK 1 ,
donde
(error tpico de j )2 = sR2 qjj
y qjj es el elemento j + 1 de la diagonal de (X0 X)1 .
Tema 4: Regresi
on m
ultiple
18
Por tanto, para cualquier j = 0, 1, . . . , K ,

IC1 (j ) = j tnK 1;/2 sR qjj .
Ejemplo 4.1 (cont.): Sabiendo que
996.1542 4.1945
0.0215 9.0039
4.1945
0.0293
0.0001
0.0345
(X0 X)1 =
0.0215 0.0001
0.0000 0.0002
9.0039
0.0345 0.0002
0.0824
calcular intervalos de confianza para los parametros j de la

funci
on de regresion.
Tema 4: Regresi
on m
ultiple
19
Contrastes de hip
otesis individuales sobre los coeficientes
Suponiendo que E (Y |X = x) = 0 + 1 x1 + . . . + K xK (se
cumple el modelo de regresion lineal m
ultiple), estamos interesados
en determinar que variables Xj son significativas para explicar Y .
H0 : j = 0
(Xj no influye sobre Y )
H1 : j 6= 0
(Xj influye sobre Y )
La region de rechazo de H0 al nivel de significacion es

Rj = {|t(j )| > tnK 1;/2 },
siendo t(j ) = j /error tpico de j .
Ejemplo 4.2. (cont.):
Tema 4: Regresi
on m
ultiple
20
O tambien
Rj = {0
/ IC1 (j )}
Tema 4: Regresi
on m
ultiple
21
El contraste de la regresi
on
Suponiendo que se cumple el modelo de regresion lineal m
ultiple,
queremos contrastar
H0 : 1 = . . . = K = 0
(el modelo no es explicativo:
ninguna de las variables explicativas influye en la respuesta)

H1 : j 6= 0 para alg
un j = 1, . . . , K
(el modelo es explicativo:
al menos una de las variables Xj influye en la respuesta)

Hacemos un analisis de la varianza: examinamos que proporcion de
n
X
la variabilidad total VT =
(yi y )2 es explicada por el modelo
i=1
regresi
on Y = 0 + 1 x1 + . . . + K xK + U. Se verifica que
n
X
VT = VE + VNE, donde VE =
(
yi y )2 .
i=1
Tema 4: Regresi
on m
ultiple
22
Tabla ANOVA para el contraste de la regresi

on:
FV
SC
gl
Explicada
VE
Residual
Total
VNE
VT
nK 1
n1
CM
VE
se2 =
K
sR2
F
F =
se2
sR2
Bajo H0 : 1 = . . . = K = 0 el estadstico F sigue una

distribucion FK ,nK 1 . Por tanto, la region de rechazo de H0 a
nivel de significacion sera R = {F > FK ,nK 1, }.
ANLISIS DE VARIANZA
SC
Regresin
934,328006
Residuos
7,60949449
Total
941,9375
gl
3
12
15
CM
311,442669
0,63412454
F
491,138015
p-valor
8,1236E-13

Tema 4: Regresi
on m
ultiple
23
Interpretaci
on de los contrastes
Contraste
global (F )
Modelo
explicativo
Modelo
explicativo
Modelo
explicativo
Modelo no
explicativo
Modelo no
explicativo
Modelo no
explicativo
Contrastes
individuales (t)
Conclusi
on
Algunas Xi explicativas
Nos quedamos
con todas las Xi
Nos quedamos con
las Xi explicativas
Ninguna Xi explicativa
Colinealidad
Todas las Xi explicativas
Colinealidad
Algunas Xi explicativas
Colinealidad
Ninguna Xi explicativa
Modelo no adecuado
para describir la
relacion entre Y y
X1 , . . . , XK .
Todas las Xi explicativas
Tema 4: Regresi
on m
ultiple
24
El coeficiente de determinaci
on
Es una medida de la bondad del ajuste en el modelo de regresion
m
ultiple
VE
R2 =
.
VT
A R se le denomina coeficiente de correlacion m
ultiple.
Propiedades:
(i) 0 R 2 1. Cuando R 2 = 1 existe una relacion lineal exacta
entre la respuesta y las variables predictivas. Cuando R 2 = 0,
sucede que 0 = y y 1 = . . . = K = 0 y no existe relacion
lineal aparente entre Y y las Xi .
(ii) El coeficiente de regresion m
ultiple es el coeficiente de
regresion simple entre la respuesta Y y el valor previsto Y .
R2 n K 1
(iii) Se verifica que F =
.
1 R2
K
Tema 4: Regresi
on m
ultiple
25
No conviene utilizar el coeficiente de determinacion para comparar

distintos modelos de regresion entre s: siempre que introduzcamos
un nuevo regresor en el modelo, R 2 aumentara, aunque el efecto
del regresor sobre la respuesta no sea significativo.
Por ello se define el coeficiente de determinacion ajustado o
corregido por grados de libertad
2
2 = 1 sR ,
R
sy2
2 solo disminuye al introducir una nueva

siendo sy2 = VT/(n 1). R
variable explicativa en el modelo, si la varianza residual disminuye.
K
2 = R 2 (1 R 2 )
Se cumple que R
. Por tanto,
nK 1
2 R 2.
R
Tema 4: Regresi
on m
ultiple
26
Contrastes de grupos de coeficientes

Queremos contrastar que un subconjunto (1 , . . . , i ), con i < K ,
del total de coeficientes 1 , . . . , K son cero:
H0 :
1 = . . . = i = 0
H1 :
Alguno de los j 6= 0, j = 1, . . . , i.
Primero efectuamos la regresion con todos los regresores

y = 0 + 1 x1 + . . . + K xK .
Denotamos por VE(K ) y VNE(K ) la variabilidad explicada y
residual con este modelo.
Luego planteamos el modelo de regresion bajo H0
0
y = 00 + i+1
xi+1 + . . . + K0 xK
y llamamos VE(K i) a la variabilidad explicada por este modelo.

Tema 4: Regresi
on m
ultiple
27
Definiremos la variabilidad incremental explicada por las variables

X1 , . . . , Xi como
VE(i) = VE(K ) VE(K i) > 0
Rechazaremos H0 , al nivel de significacion , cuando
F =
VE(i)/i
> Fi,nK 1, .
sR2
Tema 4: Regresi
on m
ultiple
28
Estimaci
on y predicci
on
Supongamos que queremos estimar E (Y0 ) o predecir Y0 , siendo
Y0 = (Y |X = x0 ) = 0 + 1 x10 + . . . + K xK 0 + U.
Entonces una estimacion/prediccion puntual es
y0 = 0 + 1 x10 + . . . + K xK 0 .
Ejemplo 4.2. (cont.): Estimar la tasa media de respiracion del
Parmelia saxatilis cuando el agua que cae sobre el liquen tiene una
concentracion de Potasio de 300 p.p.m. y una concentracion de
Zinc de 10000 p.p.m.
Tema 4: Regresi
on m
ultiple
29
Colinealidad
de los parametros en regresion m
La estimacion
ultiple requiere
invertir la matriz X0 X. Cuando una de las Xj es combinacion lineal
de los restantes regresores, X1 , . . . , Xj1 , Xj+1 , . . . , XK , entonces
|X0 X| = 0. Entonces diremos que las variables explicativas son
colineales.
En la practica esto nunca se dara de manera exacta, aunque s es
posible que en un conjunto de datos algunas de las variables se
puedan describir muy bien como funcion lineal de las restantes
variables. En ese caso, |X0 X| es casi cero. Este problema, llamado
multicolinealidad, hace que los estimadores de los parametros i
tengan alta variabilidad y sean muy dependientes entre s.
Tema 4: Regresi
on m
ultiple
30
Para identificar las variables colineales primero se examina la

matriz de correlacion R entre las variables explicativas. Si existen
correlaciones altas entre parejas de regresores, tenemos una
situaci
on clara de multicolinealidad. Sin embargo, es posible que
una de las variables explicativas Xi se pueda expresar como
combinacion lineal de las restantes y que su correlacion con cada
una de estas otras sea baja (ver Pe
na 2002).
1
0.731 0.431
1
0.889
R = 0.731
0.431 0.889
1
Tema 4: Regresi
on m
ultiple
31
Diagnosis del modelo

Se realiza igual que en regresion simple: mediante el analisis de los
ei
, donde hi = x0i (X0 X)1 xi .
residuos estandarizados ei =
sR 1 hi
Bajo las hipotesis del modelo de regresion m
ultiple, los ei siguen
aproximadamente una N(0,1).
Tema 4: Regresi
on m
ultiple
32
Las hipotesis de linealidad y homocedasticidad se comprueban con

un grafico de residuos estandarizados ei frente a valores previstos
yi . Este grafico tambien sirve para detectar datos atpicos.
Tema 4: Regresi
on m
ultiple
33
Transformaci
on de los datos
Ejemplo 4.3: Harrison y Rubinfeld (1978), Hedonic Housing
Prices and the Demand for Clean Air, Journal of Environmental
Economics and Management, observaron las siguientes variables
para n = 506 secciones censales del area metropolitana de Boston.
Su objetivo era estudiar si los precios de las casas dependan de la
contaminacion en la zona (regresion hedonica).
MEDV
DIS
RAD
INDUS
CHAS
NOX
RM
AGE
CRIM
ZN
TAX
PT
B
LSTAT
Mediana del precio de las casas (en miles de $)

Media ponderada de distancias a 5 centros de trabajo
Accesibilidad a autopistas radiales
Proporci
on de superficie de la zona dedicada a empresas e industria
1 junto al ro Charles, 0 si no
Concentraci
on de
oxido ntrico (p.p.109 )
N
umero medio de habitaciones en las casas
proporci
on de casas construidas antes de 1940
Tasa de delincuencia per capita
Proporci
on de superficie residencial dividida en parcelas de m
as de 25000 pies2
Tasa de impuestos de las propiedades por cada $10,000
No de estudiantes por profesor
1000(pB 0.63)2 , siendo pB la proporci
on de habitantes de raza negra
Porcentaje de poblaci
on con bajo nivel adquisitivo
Tema 4: Regresi
on m
ultiple
34
Los datos estan disponibles en

http://lib.stat.cmu.edu/datasets/boston.
Estudiemos MEDV en funcion de NOX, RM y LSTAT.
Tema 4: Regresi
on m
ultiple
35
Regresi
on lineal de MEDV en funci
on de NOX, RM y LSTAT:
Resumen del modelob
R cuadrado
Error tp. de la
Modelo
R
R cuadrado
corregida
estimacin
a
1
,799
,639
,637
5,54310
a. Variables predictoras: (Constante), RM, NOX, LSTAT
b. Variable dependiente: MEDV
ANOVAb
Suma de
Media
cuadrados
gl
cuadrtica
Regresin
27291,884
3
9097,295
Residual
15424,411
502
30,726
Total
42716,295
505
a. Variables predictoras: (Constante), LSTAT, NOX, RM
b. Variable dependiente: MEDV
Modelo
1
F
296,079
Sig.
,000a
Coeficientesa
Coeficientes no
estandarizados
Modelo
B
Error tp.
1
(Constante)
-,767
3,286
RM
5,124
,447
NOX
-1,846
2,651
LSTAT
-,623
,052
a. Variable dependiente: MEDV
Coeficientes
estandarizado
s
Beta
,391
-,023
-,484
t
-,233
11,471
-,696
-11,994
Sig.
,816
,000
,487
,000
Tema 4: Regresi
on m
ultiple
36
Tema 4: Regresi
on m
ultiple
37
Ahora estudiemos log(MEDV) en funcion de NOX2 , RM2 y

Resumen del modelob
log(LSTAT).
R cuadrado
Error tp. de la
Modelo
R
R cuadrado
corregida
estimacin
1
,835a
,698
,696
,22536
a. Variables predictoras: (Constante), LOG_LSTAT, NOX2, RM2
b. Variable dependiente: LOG_MEDV
ANOVAb
Suma de
Media
cuadrados
gl
cuadrtica
Regresin
58,882
3
19,627
Residual
25,495
502
,051
Total
84,376
505
a. Variables predictoras: (Constante), LOG_LSTAT, NOX2, RM2
b. Variable dependiente: LOG_MEDV
Modelo
1
F
386,467
Sig.
,000a
Coeficientesa
Coeficientes no
estandarizados
Modelo
B
Error tp.
1
(Constante)
3,841
,104
NOX2
-,243
,087
RM2
,008
,001
LOG_LSTAT
-,446
,026
a. Variable dependiente: LOG_MEDV
Coeficientes
estandarizado
s
Beta
-,083
,183
-,656
t
37,054
-2,776
5,493
-17,116
Sig.
,000
,006
,000
,000
Tema 4: Regresi
on m
ultiple
38
Tema 4: Regresi
on m
ultiple
39

Tema 4

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 4

Cargado por

Copyright:

Formatos disponibles

Tema 4.

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Objetivos del tema

una variable respuesta cuantitativa Y simultaneamente

cuales son significativos para explicar la respuesta.

futuro de esta para unos valores prefijados de las variables

basicas del modelo. Proponer alternativas si no es as.

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Ejemplo 4.1: Variable respuesta Y = Temperatura (en o F)

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Ejemplo 4.1 (cont.):

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Ejemplo 4.2: Se estudia Y = la tasa de respiracion (no moles

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Ejemplo 4.2 (cont.):

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Tenemos una muestra de n individuos en los que observamos las

donde las perturbaciones Ui verifican las hipotesis

Las hipotesis (a)-(d) se pueden reexpresar as: los individuos de la

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Cada coeficiente i (i 1) mide el efecto marginal que, sobre la

Ejemplo 4.2 (cont.):

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Al derivar la VNE respecto a 0 , 1 , . . . , K e igualar las derivadas

Los residuos tienen n K 1 grados de libertad.

Ejemplo 4.2 (cont.):

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Ejemplo 4.2: Plano de regresin

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Inferior 95% Superior 95% Inferior 95,0%Superior 95,0%

Anlisis de los residuales

Pronstico para Y ResiduosResiduos estndares

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Ejemplo 4.1 (cont.):

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Un estimador insesgado de 2 es la varianza residual

Ejemplo 4.1 (cont.):

Ejemplo 4.2 (cont.):

Por tanto, si K = 2, el plano de regresion pasa por el punto de

Inferencia sobre los par

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Por tanto, para cualquier j = 0, 1, . . . , K ,

calcular intervalos de confianza para los parametros j de la

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

(Xj no influye sobre Y )

(Xj influye sobre Y )

La region de rechazo de H0 al nivel de significacion es

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

(el modelo no es explicativo:

ninguna de las variables explicativas influye en la respuesta)

(el modelo es explicativo:

al menos una de las variables Xj influye en la respuesta)

Tabla ANOVA para el contraste de la regresi

Bajo H0 : 1 = . . . = K = 0 el estadstico F sigue una

Ejemplo 4.2. (cont.):

Todas las Xi explicativas

Todas las Xi explicativas

Estadstica (CC. Ambientales). Profesora: Amparo Ballo

No conviene utilizar el coeficiente de determinacion para comparar

2 solo disminuye al introducir una nueva

Contrastes de grupos de coeficientes