Está en la página 1de 5

16/03/2011

6. El modelo de regresión lineal simple -…

[Siguiente][Anterior][Arriba]

6.6 Tabla ANOVA. El contraste de regresión.

En este apartado se descompone la variabilidad de la variable respuesta en variabilidad explicada por el modelo más variabilidad no explicada o residual, esto permitirá contrastar si el modelo es significativo o no. Bajo la hipótesis de que existe una relación lineal entre la variable respuesta y la regresora, se quiere realizar el siguiente contraste de hipótesis,

se quiere realizar el siguiente contraste de hipótesis, frente a la alternativa por tanto, si se

frente a la alternativa

siguiente contraste de hipótesis, frente a la alternativa por tanto, si se acepta H 0 ,

por tanto, si se acepta H 0 , la variable regresora no influye y no hay

relación lineal entre ambas variables. En caso contrario, si existe una dependencia lineal de la variable respuesta respecto a la regresora.

Para todos los datos muestrales se hace la siguiente descomposición

los datos muestrales se hace la siguiente descomposición elevando al cuadrado y sumando se obtiene, en

elevando al cuadrado y sumando se obtiene,

descomposición elevando al cuadrado y sumando se obtiene, en base a la ortagonalidad de los vectores

en base a la ortagonalidad de los vectores se obtiene que los productos cruzados son cero, de donde se sigue la siguiente igualdad (Teorema de Pitágoras) que permite descomponer la variabilidad de la variable

respuesta

regresión

el modelo ajustado

de la variable respuesta regresión el modelo ajustado en la variabilidad explicada por la recta de
de la variable respuesta regresión el modelo ajustado en la variabilidad explicada por la recta de

en la variabilidad explicada por la recta de

más la variabilidad residual o no explicada por

,
,
explicada por la recta de más la variabilidad residual o no explicada por , dm.udc.es/asignaturas/…/sec6_6.html 1/2

16/03/2011

6. El modelo de regresión lineal simple -…

Ahora se puede construir siguiente tabla ANOVA

Tabla ANOVA del modelo de regresión simple

 

Fuente de

Suma de

Grados de

 

Varianzas

Variación

Cuadrados

Libertad

 
 

scE =

  s c E = i = 1 n

i = 1 n

  s c E = i = 1 n

Por la recta

2

2

 

1

Por la recta 2   1 e 2 =

e 2 =

 

scR =

  s c R = i = 1 n  

i = 1 n

 
  s c R = i = 1 n  

Residual

2

2

n

- 2

Residual 2 n - 2 R 2 =

R 2 =

 

scG =

  s c G = i = 1 n

i = 1 n

  s c G = i = 1 n

Global

2

2

n

-

1

Global 2 n - 1 Y 2 =

Y 2 =

Si H 0 es cierta (la variable X no influye), la recta de regresión es

aproximadamente horizontal y se verifica que aproximadamente i , y

por tanto scE 0. Pero scE es una medida con dimensiones y no puede utilizarse como medida de discrepancia, para resolver este inconveniente se divide por la varianza residual y como estadístico del contraste de regresión se utiliza el siguiente

del contraste de regresión se utiliza el siguiente Por la hipótesis de normalidad y bajo H
del contraste de regresión se utiliza el siguiente Por la hipótesis de normalidad y bajo H
del contraste de regresión se utiliza el siguiente Por la hipótesis de normalidad y bajo H

Por la hipótesis de normalidad y bajo H 0 se deduce que el estadístico

normalidad y bajo H 0 se deduce que el estadístico R sigue una distribución F (

R sigue una distribución F (Contraste de la F) con 1 y n - 2 grados de

libertad.

a F ) con 1 y n - 2 grados de libertad. (6.14) Sí el p

(6.14)

Sí el p - valor = P

2 grados de libertad. (6.14) Sí el p - valor = P es grande (mayor que

es grande (mayor que

)
)

se acepta H 0 .

El Contraste de la F es un contraste unilateral (de una cola) pero en este modelo proporciona exactamente el mismo resultado que se obtiene por el contraste individual de la t relativo al coeficiente de regresión 1 (Contraste de la t) estudiado en el apartado anterior.

[Siguiente][Anterior][Arriba]

16/03/2011

6. El modelo de regresión lineal simple -…

[Siguiente][Anterior][Arriba]

6.7 El contraste de linealidad.

Si para cada valor de la variable explicativa

valores de la variable respuesta (algo normal en los modelos de regresión de diseño fijo) la muestra es de la siguiente forma , que se puede ordenar como en la

tabla adjunta

forma , que se puede ordenar como en la tabla adjunta se dispone de varios X

se dispone de varios

puede ordenar como en la tabla adjunta se dispone de varios X 1 X 2 X
X 1 X 2 X k
X 1 X 2 X k

X 1

X 1 X 2 X k
X 1 X 2 X k

X 2

X 2
X 2
X 1 X 2 X k
X 1 X 2 X k

X k

 

Y 11

Y

21

Y

k1

Y 12

Y

22

Y

k2

Y 1n 1 Y 2n 2 Y kn k

Y 1n 1

Y 1n 1 Y 2n 2 Y kn k

Y 2n 2

Y 2n 2
Y 1n 1 Y 2n 2 Y kn k

Y kn k

El tamaño

muestral es n 1 + n 2 +

+ n k = n, y para cada valor de X = x i , i =

1,2,

,k

se puede calcular la media condicionada muestral de la variable

respuesta:

la media condicionada muestral de la variable respuesta: lo que permite descomponer los residuos de la

lo que permite descomponer los residuos de la siguiente forma

que permite descomponer los residuos de la siguiente forma Un razonamiento análogo al realizado anteriormente permite

Un razonamiento análogo al realizado anteriormente permite descomponer la variabilidad no explicada como sigue,

anteriormente permite descomponer la variabilidad no explicada como sigue, dm.udc.es/asignaturas/…/sec6_7.html 1/3

16/03/2011

6. El modelo de regresión lineal simple -…

Ahora la descomposición de la variabilidad total es la siguiente,

la descomposición de la variabilidad total es la siguiente, En base a esta igualdad se puede

En base a esta igualdad se puede construir la siguiente tabla ANOVA, más completa que la anterior,

Tabla ANOVA del modelo de regresión simple

 

Fuente de

Suma de

Grados de

Varianzas

Variación

Cuadrados

Libertad

 

scE =

s c E = i = 1 k n i

i = 1 k n i

     
  s c E = i = 1 k n i      

Recta

 
2

2

 

1

e 2 =

e 2 =

 

scR(1) =

scR (1) = i = 1 k n i

i = 1 k n i

   

R,1 2 = 1 2 =

R, 1 2 =

scR(1)

 
2

2

k

- 2

scR(2)

scR(2) =

scR (2) = i = 1 k 1 n i

i = 1 k

1 n i

scR (2) = i = 1 k 1 n i
2

2

j =

n

- k

R,2 2 = 2 2 =

R, 2 2 =

scR

scR =

i = 1 k

i = 1 k

i = 1 k

j = 1 n i

n - 2

R 2 =

R 2 =

scR s c R = i = 1 k j = 1 n i n -
2

2

 

Global

Global

i = 1 n

i = 1 n

2

n -

1

Y 2 =

Global Global i = 1 n 2 n - 1 Y 2 =

A partir de esta tabla ANOVA se puede contrastar la hipótesis de que la función de regresión es lineal frente a la alternativa de que no es lineal, esto es,

16/03/2011

frente a la alternativa

6. El modelo de regresión lineal simple -…

la alternativa 6. El modelo de regresión lineal simple -… Si H 0 es cierto, las

Si H 0 es cierto, las medias condicionadas estarán próximas a la recta de

regresión: i i , y

tiene dimensiones y no es válida para utilizar como medida de

discrepancia, para resolver el problema se compara con

cociente de ambas cantidades se utiliza como estadístico del contraste en estudio.

la scR(1) = i = 1 k n i 2 0. De nuevo esta medida

= 1 k n i 2 0 . De nuevo esta medida R , 2 2
= 1 k n i 2 0 . De nuevo esta medida R , 2 2
= 1 k n i 2 0 . De nuevo esta medida R , 2 2
= 1 k n i 2 0 . De nuevo esta medida R , 2 2

R,2 2 y el

i 2 0 . De nuevo esta medida R , 2 2 y el Bajo la

Bajo la hipótesis de normalidad y H 0 (hipótesis de linealidad) se

deduce que

y H 0 (hipótesis de linealidad) se deduce que L sigue una distribución F k -

L sigue una distribución F k - 2, n - k (Contraste de la F).

k ( C o n t r a s t e d e l a F

Este contraste de linealidad de la F es unilateral. Si el p-valor = P

de linealidad de la F es unilateral. Si el p - valor = P es grande

es grande (mayor que

regresión es lineal.

[Siguiente][Anterior][Arriba]

regresión es lineal. [ Siguiente ][ Anterior ][ Arriba ] ) se acepta que la curva

) se acepta que la curva de