MODELOS DE ANÁLISIS DE REGRESIÓN.

Modelo de regresión lineal.

La regresión lineal simple es la técnica más utilizada, es una forma que permite modelar
una relación entre dos conjuntos de variables. El resultado es una ecuación que se puede
utilizar para hacer proyecciones o estimaciones sobre los datos.
Este modelo se considera un predictor x y una variable dependiente o
respuesta Y. Imagina que la verdadera relación entre Y y x es una línea recta y que la
observación Y en cada nivel x es una variable aleatoria.
Algunos consejos que puedes tomar en cuenta al utilizar el modelo de regresión lineal
simple son:
Debes tener cuidado al seleccionar las variables con las que se construyen las
ecuaciones de regresión y determinar la forma del modelo.
Las relaciones de regresión sólo son válidas para los valores del regresor que
están dentro del rango de los datos originales.
Modelo de regresión no lineal.
La regresión no lineal es un proceso más complicado donde puede ocurrir que en el
número de parámetros no coincida con el de variables explicativas.
En muchas ocasiones se pueden transformar las variables originales para convertir la
función no lineal en una lineal y así, aplicar dichas técnicas. Por lo tanto, si la no
linealidad afecta solamente a las variables explicativas, pero no a los coeficientes, se
pueden definir nuevas variables. [ CITATION Quesf1 \l 2058 ]
Modelo de regresión múltiple.
La regresión lineal múltiple trata de ajustar modelos lineales o linealizables entre una
variable dependiente y más de unas variables independientes. En este tipo de modelos es
importante testar la heterocedasticidad, la multicolinealidad y la especificación. En el
modelo de regresión lineal múltiple se supone que la función de regresión que relaciona
la variable dependiente con las variables independientes es lineal. [ CITATION Reg12 \l
2058 ]
PREGUNTAS
¿Qué nos permite hacer el modelo de regresión lineal?
¿Qué puede ocurrir en el modelo de regresión no lineal?
CONCLUSIONES.
  Para terminar el análisis de regresión es la dependencia estadística de una
variable, la variable dependiente, sobre una o más variables, las variables
explicativas.
 De todo lo anterior el análisis es estimar o predecir la media o el valor promedio
de la variable dependiente con base en los valores conocidos o determinados de
las variables explicativas.
 Concluyendo en la práctica el éxito del análisis de regresión depende de la
disponibilidad de la información apropiada. En este capítulo se analizó la
naturaleza, las fuentes y limitaciones de los datos que están disponibles para la
investigación, especialmente en las ciencias sociales.

Bibliografía
Múltiple, R. L. (2012). Obtenido de
http://eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOS-PHP-
DPTO/MATERIALES/Mat_50140128_RegresionMultiple.pdf

QuestionPro. (s.f.). Obtenido de https://www.questionpro.com/blog/es/analisis-de-

regresion/