Documentos de Académico
Documentos de Profesional
Documentos de Cultura
^ (b )=S2e ( x̀ x )−1 ; S 2e = ỳ y− b̀ x̀ y
V
n− p
21
[ ]
b̀ x̀ y=[ 1.038−( 0.073 ) 2.014 ] 37.7 = [ 1.038 ( 21 )−0.073 ( 37.7 )+ 2.014 ( 13.57 ) ]
13.57
n
b̀ x̀ y=46.375 ; ỳ y= [ ]
∑ y 2i =46.48 ; S2e = 46.48−46.375
i =1 7
=
0.10412
7
=0.015
pág. 1
102.95 −18.6 −106 0.072 −0.013 −0.074
^ (b )=0.015
V
[ [
1
21.5
18.6
−106
4.2
17 ][
17 = −0.013 0.0029 0.012
120 −0.074 0.012 0.084 ]
^ (b 0)=0.072 ; V
V ^ (b 1) =0.029 ; V
^ (b 2)=0.084
^ov ( b 0 b 1) =C
C ^ov ( b 1 b0 ) =−0.013
^ov ( b 0 b 2 )=C
C ^ov ( b 2 b 0 )=−0.074
^ov ( b 1 b2 ) =C
C ^ov ( b2 b1 ) =0.012
Introducción
Recordar de la estadística Matemática
Prueba de significación sobre la ecuación de regresión lineal simple. Uso del estadígrafo F
SCreg
Coeficiente de determinación R2= x 100 %
SC total
Linealidad del Modelo
Desarrollo de la Clase
Prueba de significación sobre la ecuación de regresión lineal múltiple. Prueba de F total. Se realizará la
misma por la vía matricial, la cual es aplicable para la relación funcional entre dos o más variables
independientes, mediante el análisis de varianza en la regresión (ANOVA).
Solución:
H0: B1= B2
H1: B1≠ B2
Para obtener F debemos calcular las sumas de cuadrados y para ello se calculará además la media
de valores de y:
n
SC e ỳ y −b̀ x̀ y 0.104
CM e = = = =0.015
n− p n− p 7
SC ^y b̀ x̀ ỳ−n ý 2 2.276
CM ^y = = = =1.138
p−1 p−1 2
CM ^y 1.138
F= = =75.85
CM e 0.015
Como 75.85 >4.74 se rechaza H0 con α=5% por lo que se puede concluir que la ecuación obtenida
es de buen ajuste.
SC ^y 2.276
R2= 100 %= 100=95.6 %
SC total 2.38
Interpretación: el 95.6 % de la variación del precio del producto se explica con su relación con otras
variables. Por otra parte, cuando se comparan modelos diferentes números de variables de
parámetros se acostumbra a calcularse e interpretarse el coeficiente de determinación ajustado el
cual aparece en las salidas de STATGRAF y se muestran a continuación:
SCe 0.104
n− p 7
R2 =1− =1− =0.943
SC total 2.38
n−1 9
R2 =0.943 (94.3%)
Ahora bien, serán necesarias las dos variables en el modelo para explicar el precio del producto,
para dar respuesta a esa interrogante existen varios criterios, como, por ejemplo.
a) Coeficiente de determinación
b) Le error estándar Se
c) La prueba de t parciales
Al incrementar una variable (x2) se logra aumentar sustancialmente el valor del coeficiente de
determinación, pero hay que usar este criterio con precaución ya que al agregar una variable
siempre traerá consigo un incremento en el valor R 2 debido a la expresión matemática, que lo
define, pero no indica necesariamente que aumente la precisión en la estimación de y precio
del producto y se recurre a R2ajustado.
b) El error estándar Se: La varianza del error Se2 es un estimador insesgado de σ 2. Se desea
que Se, disminuya al agregar una variable al modelo.
pág. 4
Para el ajuste ^y =2.816−0.358 x 1 se obtuvo que Se2=0.105; Se=0.324
Para el ajuste ^y =2.816−0.0730233 x 1+ 2.01395 x 2; se obtuvo que Se2=0.015; Se=0.122, o sea el
error estándar disminuye al incorporar la variable x 2 y por tanto mejora la precisión de la
estimación de ¨y¨ pero también hay que tener precaución ya que agregando variables al
modelo hacemos Se cero y R2 puede llegar a la unidad.
c) Prueba t student parciales
Una de las pruebas o dócimas que pueden realizarse, para analizar el aporte de cada variable
al modelo de regresión obtenido son las t parciales a los coeficientes b j.
Regla de decisión
Rechazar H0 si :
|t|>t ∝
(1− ;n− p )
2
No Rechazar H0 si :
|t|≤t
(1− ∝2 ; n− p)
A continuación, realizaremos la prueba de significación para los coeficientes B 1 y B2 del
ejemplo desarrollado en clase.
b 2 2.014
t = ESb = 0.288 =6.99; y como 6.99>2.36 se rechaza H0 para α=5%
2
Ahora bien, cuando se trabaja con dos variables o más variables explicativas o
independientes, se tiene que hablar de correlación lineal múltiple que en el modelo lineal
E ( y ^y )
general la definimos como : ρ( y 1 x 1 ; x 2 ; x j )= 2 2
√ E ( y )( E ý )
pág. 6