Está en la página 1de 10

Este modelo de regresión es una alternativa cuando el modelo lineal no logra un coeficiente de

determinación apropiado, o cuando el fenómeno en estudio tiene un comportamiento que puede


considerarse potencial o logarítmico. La forma más simple de tratar de establecer la tendencia es a
través de un diagrama de dispersión o nube de puntos, tal como la siguiente:

Este modelo también es conocido como potencial, Cobb-Douglas de primer grado o exponencial
inverso.

2. Ecuación Característica.

La función que define el modelo es la siguiente:

Yi=A*XBi* E

En la cuál:

Yi : Variable dependiente, iésima observación


A, B: Parámetros de la ecuación, que generalmente son desconocidos
E: Error asociado al modelo
Xi : Valor de la í-esima observación de la variable independiente

Al sustituir los parámetros por estimadores, el modelo adopta la siguiente forma:

yi=a*xbi

la ecuación se transforma aplicando logaritmos de ambos lados, con lo cual se convierte a una
forma lineal:

Ln yi= Ln a +b*Ln xi
3. Tabla de datos

Para el ajuste de un
conjunto de datos al
modelo geométrico de
regresión, se construye la
siguiente tabla de datos:

Debido a las propiedades de los logaritmos, ningún valor de x ni de y puede ser negativo. En tal
caso, lo que se hace es
definir un valor de x o de
y muy pequeño (Ej:
0.00000001)
Se puede trabajar con
logaritmos naturales o
logaritmos base 10.

4. Estimadores del
modelo
Los estimadores para el ajuste del modelo se calculan de la siguiente manera:

5. Análisis de varianza para la regresión


Con el objeto de determinar si el modelo explica o no el fenómeno en estudio, se realiza el análisis
de varianza, que se calcula de la siguiente manera:

Ho: El modelo no explica el fenómeno en estudio


Ha: El modelo sí explica el fenómeno en estudio

 Para buscar en la tabla la F tabulada, se


usan el el numerador los grados de
libertad de regresión y en el
denominador, de acuerdo al nivel de
significancia escogido (los más usuales
son al 5% y al 1%)

 Si el valor de F calculada es mayor que el de F tabulada, se rechaza Ho, en caso contrario


se acepta

6. Grado de ajuste del modelo

Para determinar el grado de ajuste del modelo, se calcula el coeficiente de determinación, de la


siguiente manera:

El valor de r2 tiene un rango entre 0 y 1. No puede obtenerse valores negativos.

7. Pruebas de Hipótesis para el modelo

7.1 Para el coeficiente b

Para probar la hipótesis


de que el coeficiente b es
igual a un valor b´, ser
igual a cero, se procede de la siguiente manera:

 Se plantea la hipótesis Ho:b=b´ y la alternativa Ha: b≠ b´


 Se calcula el estadístico :
Sb es conocido como el error standard de b y se calcula de la siguiente manera:

El cuadrado medio del error se obtiene del


anàlisis de varianza.

 Se busca en la tabla de t de student el


valor tabulado para los siguientes
datos:

n-2 grados de libertad y un nivel α/2

 Si el valor de t calculado es mayor que el tabulado, se rechaza la Ho, en caso


contrario, se acepta.

7.2 Para el coeficiente a

Se puede probar la hipótesis de que el coeficiente a es igual a un valor a´, para lo cual se hace el
siguiente procedimiento:

i) Se define la hipótesis: Ho: a=a´ y la alternativa Ha: a≠a´


ii) Se calcula el error standard para a con la siguiente fórmula:

El cuadrado medio del error se obtiene del análisis de


varianza

iii) Se calcula el estadístico de prueba:


iv) Se obtiene en la tabla de t de student el estadístico comparador, con los siguientes datos: n-2
grados de libertad y nivel α/2

v) Si el valor de t calculado es mayor que el tabulado, se rechaza la Ho, en caso contrario, la


hipótesis se acepta

8. Intervalos de confianza

8.1 Para el coeficiente b


El intervalo de confianza para el coeficiente b se calcula así:

El cuadrado medio del error se obtiene del análisis de varianza


El valor de t se obtiene de la tabla de t de student con n-2 grados de libertad y un
nivel α/2

8.2 Para el coeficiente a


El intervalo de confianza para el coeficiente a se calcula así:

El cuadrado medio del error se obtiene del análisis de varianza


El valor de t se obtiene de la tabla de t de student con n-2 grados de libertad y un
nivel α/2

8.3 para la media de y


Un intervalo de confianza para la
respuesta media de y, dado x0
sería:
El cuadrado medio del error se obtiene del análisis de varianza
El valor de t se obtiene de la tabla de t de student con n-2 grados de libertad y un
nivel α/2
El valor de xm que aparece en la fórmula es el promedio de
valores de los logaritmos de x

8.4 para la estimación de y


El intervalo de confianza para la estimación de y, dado un valor de x0
se obtiene de la siguiente manera:

El cuadrado medio del error se obtiene del análisis de varianza


El valor de t se obtiene de la
tabla de t de student con n-2 grados
de libertad y un
nivel α/2
El valor de xm que aparece en la fórmula es el promedio de valores de x

9. Càlculo de estimadores, coeficiente de determinaciòn y anàlisis de varianza mediante el uso de


matrices
Un mètodo alternativo para realizar los càlculos, es el uso de matrices. En este caso, el
procedimiento es el siguiente:

i) formar la matriz x: (matriz de variable independiente), agregando la primera columna formada


por unos:

ii) Formar el vector de logaritmos de y


iii) Formar la matriz x transpuesta ( x´)

iv) Calcular el producto matricial x´x


V) Calcular la inversa del producto [ o sea (x´x)-1]
vi) Calcular el producto x´y
vii) Calcular el producto (x´x)-1*(x´y)=b
El resultado de esta operaciòn es el vector de coeficientes de regresiòn (el primero es el logaritmo
de a y el segundo es b). El valor de b sale directamente, mientras que el de a está en forma
logarìtmica, de modo que para formar la ecuaciòn original se obtiene el antilogaritmo.
viii) Para el càlculo del anàlisis de varianza, se tienen las siguientes operaciones
matriciales:

El valor de ym que aparece en las


fórmulas es el promedio de los logaritmos de y

ix) Finalmente, el coeficiente de determinaciòn por matrices se obtiene de la


siguiente manera:

r2= {b´(x´)(y)- nym2}/(y´y- nym2)


Ejemplo:

Se realizó un estudio
comparativo del nivel de
ruido (en decibeles)
producido por discotecas
rodantes, se procedió a
evaluar diferentes niveles
de potencia (en vatios). Los datos finales fueron:

En base a los
datos anteriores:
a) Construya un diagrama de dispersión
b) Efectúe la estimaciòn del modelo logarítmico

a) Diagrama de dispersión

El diagrama de dispersión muestra una tendencia logarítmica, pues aunque hay incrementos
fuertes de potencia, los niveles de ruido no crecen excesivamente.

b) Estimadores del modelo

i) Tabla de Datos:
ii) Estimadores del modelo

Regresión exponencial

Será aquella en la que la función


de ajuste será una función
exponencial del tipo

y = a.bx

La regresión exponencial aunque


no es lineal es linealizable
tomando logaritmos ya que

haciendo el cambio de variable

v = log y tendremos que la función anterior nos generaría:

v = log y = log( a.bx) = log a + x log b

la solución de nuestro problema vendría de resolver la regresión lineal entre v ý x, y una

vez obtenida supuesta ésta:

v* = A + B x ; obviamente la solución final será:


a = antilog A y b = antilog B.

Ejemplo 1