Regresión lineal múltiple

J. M. Rojo Abuín Instituto de Economía y Geografía Madrid, II-2007

José Manuel Rojo

1

Índice

I. II. III. IV. V. VI. VII. VIII.

INTRODUCCIÓN .................................................................................................. 2 EL MODELO DE REGRESIÓN LINEAL MÚLTIPLE........................................ 5 HIPÓTESIS............................................................................................................. 6 ESTIMACIÓN DE LOS PARÁMETROS POR MÍNIMOS CUADRADOS........ 7 VARIANZA RESIDUAL ..................................................................................... 11 CONTRASTE DE REGRESIÓN ......................................................................... 13 COEFICIENTE DE DETERMINACIÓN R2 ....................................................... 16 DIAGNOSIS Y VALIDACIÓN DE UN MODELO DE REGRESIÓN LINEAL MÚLTIPLE ........................................................................................................... 17
VIII.1. Multicolinealidad .................................................................................................. 17 VIII.2. Análisis de residuos .............................................................................................. 18 VIII.3. Valores de influencia (leverage) ........................................................................... 20 VIII.4. Contrastando las hipótesis básicas ........................................................................ 21 VIII.5. Homocedasticidad ................................................................................................. 22 VIII.6. Errores que deben de evitarse ............................................................................... 23

IX. X.

SELECCIÓN DE LAS VARIABLES REGRESORAS ....................................... 24 EJEMPLO 1 .......................................................................................................... 25

José Manuel Rojo

1

I.

Introducción

En el capitulo anterior se ha estudiado el modelo de regresión lineal simple, donde se analizaba la influencia de una variable explicativa X en los valores que toma otra variable denominada dependiente (Y). En la regresión lineal múltiple vamos a utilizar más de una variable explicativa; esto nos va a ofrecer la ventaja de utilizar más información en la construcción del modelo y, consecuentemente, realizar estimaciones más precisas.

Al tener más de una variable explicativa (no se debe de emplear el término independiente) surgirán algunas diferencias con el modelo de regresión lineal simple.

Una cuestión de gran interés será responder a la siguiente pregunta: de un vasto conjunto de variables explicativas: x1, x2, …, xk, la variable dependiente Y. cuáles son las que más influyen en

En definitiva, y al igual que en regresión lineal simple, vamos a considerar que los valores de la variable dependiente Y han sido generados por una combinación lineal de los valores de una o más variables explicativas y un término aleatorio: y = b0 + b1 ⋅ x1 + b2 ⋅ x2 + ... + bk ⋅ xk + u Los coeficientes son elegidos de forma que la suma de cuadrados entre los valores observados y los pronosticados sea mínima, es decir, que se va a minimizar la varianza residual.

Esta ecuación recibe el nombre de hiperplano, pues cuando tenemos dos variables explicativas, en vez de recta de regresión tenemos un plano:

José Manuel Rojo

2

5 68..5 71 67 73 X4 43 40 41 42 44 44. x5 y la variable peso (Y).5 d_cráneo X5 55 55 54. Vamos a ir introduciendo los elementos de este análisis a través de un sencillo ejemplo. Consideramos una muestra de personas como la que sigue a continuación: Registr o 1 2 3 4 5 6 7 8 sexo mujer mujer mujer mujer mujer mujer mujer mujer estatura l_roxto X1 158 152 168 159 158 164 156 167 X6 39 38 43 40 41 40 41 44 pie X2 36 34 39 36 36 36 36 37 l_brazo a_espald X3 68 66 72. José Manuel Rojo 3 ..A A Linear Regression e + 1. y así sucesivamente. vamos a construir un modelo para predecir el peso de una persona (Y).5 68.41 * a_espald A A A A A A A A A A A A A A AA A A A A A A A A A Con tres variables explicativas tendríamos un espacio de tres dimensiones.. Esto equivale a estudiar la relación existente entre este conjunto de variables x1 .5 57 57 54 56 58 peso Y 43 45 48 49 50 51 52 52 En base a estos datos.5 36 41..

Algunos criterios que deben de cumplir serán los siguientes: Tener sentido numérico. No deberá de haber variables repetidas o redundantes Las variables introducidas en el modelo deberán de tener una cierta justificación teórica. La relación entre variables explicativas en el modelo y casos debe de ser como mínimo de 1 a 10. proporcional. José Manuel Rojo 4 .En primer lugar tenemos que la variable dependiente es el peso. es decir. En la práctica deberemos de elegir cuidadosamente qué variables vamos a considerar como explicativas. La relación de las variables explicativas con la variable dependiente debe de ser lineal. y las variables que vamos a utilizar para predecir el peso reciben el nombre de variables independientes o explicativas.

. estos coeficientes van a tener las correspondientes unidades de medida. José Manuel Rojo 5 . El Modelo de regresión lineal múltiple El modelo de regresión lineal múltiple es idéntico al modelo de regresión lineal simple.. Por lo tanto. + bk ⋅ xk + u Siguiendo con nuestro ejemplo. con la única diferencia de que aparecen más variables explicativas: Modelo de regresión simple: y = b0 + b1 ⋅ x + u Modelo de regresión múltiple: y = b0 + b1 ⋅ x1 + b2 ⋅ x2 + b3 ⋅ x3 + . si consideramos el peso como variable dependiente y como posibles variables explicativas: estatura pie l_brazo a_espald d_craneo El modelo que deseamos construir es: peso = b0 + b1 ⋅ estatura + b2 ⋅ pie + b3 ⋅ l _ brazo + b4 ⋅ a _ espald + b5 ⋅ d _ craneo Al igual que en regresión lineal simple.II. los coeficientes b van a indicar el incremento en el peso por el incremento unitario de la correspondiente variable explicativa.

∀i ≠ j d) Normalidad: la distribución de la perturbación aleatoria tiene distribución normal: U ≈ N (0. Hipótesis Para realizar un análisis de regresión lineal múltiple se hacen las siguientes consideraciones sobre los datos: a) Linealidad: los valores de la variable dependiente están generados por el siguiente modelo lineal: Y = X * B +U b) Homocedasticidad: todas las perturbaciones tienen las misma varianza: V (ui ) = σ 2 c) Independencia: las perturbaciones aleatorias son independientes entre sí: E (ui ⋅ u j ) = 0. José Manuel Rojo 6 .III. σ 2 ) e) Las variables explicativas Xk se obtienen sin errores de medida. en el sentido que los parámetros estimados van a estar centrados y van a ser de mínima varianza. Si admitimos que los datos presentan estas hipótesis entonces el teorema de Gauss-Markov establece que el método de estimación de mínimos cuadrados va a producir estimadores óptimos.

. Estimación de los parámetros por mínimos cuadrados Vamos a calcular un hiperplano de regresión de forma que se minimice la varianza residual: Min∑ ( y j − y j ) 2 ˆ Donde: y j = b0 + b1 * x1. j + .. ⎥ ⎢un ⎥ ⎢ yn − yn ⎥ ˆ ⎦ ⎣ ⎦ ⎣ José Manuel Rojo 7 .1 + b2 * x2. ⎥ =⎢ .⎥ ⎢ . j ˆ Utilizando notación matricial: ⎡ u1 ⎤ ⎡ y1 − y1 ⎤ ˆ ⎢u ⎥ ⎢ y − y ⎥ ⎢ 2 ⎥ ⎢ 2 ˆ2 ⎥ u =⎢ . ⎥ = y− y ˆ ⎢ ⎥ ⎢ ⎥ ⎢.bk * xk .IV.

. .n − ..1 ⎤ ⎡b0 ⎤ xk .⎥ ⎢ ⎢u n ⎥ ⎢ yn − b0 − b1 * x1. la varianza residual es una función del vector de parámetros b y la condición para que tenga un mínimo será: ∂φ (b) =0 ∂b José Manuel Rojo 8 .Y teniendo en cuenta la definición de y : ˆ ⎡ u1 ⎤ ⎡ y1 − b0 − b1 * x1. 2 ⎥ ⎢ b1 ⎥ ⎥ ⎢ ⎥ ⎥ * ⎢ ..1 ⎢ y ⎥ ⎢1 x 1. ⎥=⎢ ˆ ⎥ ⎢ ⎥ ⎢ . . ⎥ = y − X *b ⎥ ⎢ ⎥ ⎥ ⎢.1 ⎤ ⎢u ⎥ ⎢ y − b − b * x − b * x − b * x − .⎥ xk .n − b3 * x3..2 ⎥ ⎢ 2 ⎥ ⎢ 2 0 1 1. xk . − bk * xk . 2 ⎥= y− y .n − b2 * x2.n ⎥ ⎣ ⎦ ⎣ ⎦ Por lo tanto: ⎡ y1 ⎤ ⎡1 x1. 2 3 3.. 2 ⎢ 2⎥ ⎢ u = ⎢ ⎥−⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ yn ⎥ ⎢1 x1. .n ⎥ ⎢bk ⎥ ⎦ ⎣ ⎦ Por lo tanto la varianza residual se puede expresar de la siguiente forma: n * σ 2 = u′ * u = ( y − X * b)′ * ( y − X * b) Es decir: Φ(b) = ∑ ( y j − y j ) 2 = u′ * u ˆ Por tanto. . ⎥ ⎢.1 − b2 * x2.1 − b3 * x3. .. 2 2 2.1 − . − b * x ⎥ k k .n ⎣ ⎦ ⎣ . u=⎢ . − bk * xk .

José Manuel Rojo 9 . tenemos: X ′ *Y = X ′ * X * B Multiplicando por ( X ′ * X ) −1 ( X ′ * X ) −1 X ′ * Y = ( X ′ * X ) − 1 X ′ * X * B ( X ′ * X ) −1 X ′ * Y = I * B B = ( X ′ * X ) −1 * X ′ * Y Ésta es la expresión del estimador de parámetros B .Antes de derivar vamos a simplificar la expresión de la varianza residual: n * σ 2 = u ′ * u = ( y − x * b )′ * ( y − x * b ) = y ′ * y − y ′ * x * b − b ′ * x ′ * y + b ′ * x ′ * x * b Por lo tanto: Φ (b) = ∑ ( y j − y j ) 2 = u ′ * u = y′ * y − y ′ * x * b − b′ * x′ * y + b′ * x′ * x * b ˆ ∂ φ (b ) ∂ ( y − X * b ) ′ * ( y − X * b ) = −2 * X ′ * Y + 2 * X ′ * X * B = ∂b ∂b Igualando a cero y despejando: X ′ *Y = X ′ * X * B y si X ′ * X es matriz no singular y por lo tanto tiene inversa.

este caso va a producir una inestabilidad en la solución del estimador. en general. José Manuel Rojo 10 . el determinante no será cero pero tendrá un valor muy próximo a cero. se va a producir un aumento en su varianza. Nota Es importante observar que si las variables explicativas X están muy correlacionadas entre si. En estos casos se impone la utilización de un método de selección de variables explicativas. la matriz ( X ′ * X ) va a tener el determinante con valor cero o muy cercano a cero. ingresos anuales) el determinante de esta matriz es cero y dicha matriz será singular y por lo tanto no tendrá inversa. pero están fuertemente correlacionadas. los residuos obtenidos del modelo estimado por mínimos cuadrados no van a estar correlacionados con las variables explicativas. Si hay al menos una variable que puede ser expresada como combinación lineal del resto (ingresos mensuales.Además X ′ *Y = X ′ * X * B X ′ *Y − X ′ * X * B = 0 X ′ * (Y − X * B ) = 0 X ′ *U = 0 Es decir. A los problemas provocados por la fuerte correlación entre las variables explicativas se les llama multicolinealidad. Si no hay variables que sean combinación lineal de las demás.

que la suma de cuadrados de la variable Y respecto a su media se puede descomponer en términos de la varianza residual. Varianza residual Al igual que en el caso de regresión lineal simple. la variabilidad de Y es la suma cuadrática de los valores que toma la variable respecto a la media de la variable.V. Consideramos la variabilidad de la variable dependiente como: n *σ 2 = ∑ ( yi − Y ) 2 Es decir. De esta expresión se deduce que “la distancia de Y a su media se descompone como la distancia de Y a su estimación más la distancia de su estimación a la media”. vamos a descomponer la variabilidad de la variable dependiente Y en dos componentes o fuentes de variabilidad: una componente va a representar la variabilidad explicada por el modelo de regresión y la otra componente va a representar la variabilidad no explicada por el modelo y. Sumando y restando el valor pronosticado por el modelo de regresión obtenemos la siguiente expresión: ) ) ∑ ( y − y) = ∑ ( y − y) + ∑ ( y − y ) 2 2 i i i i 2 Es decir. atribuida a factores aleatorios. Teniendo en cuenta que el último término representa la varianza no explicada. tenemos: VT = VE + VNE José Manuel Rojo 11 . por tanto.

Gráficamente es fácil ver la relación: Dividiendo la variabilidad total entre sus grados de libertad obtenemos la varianza de la variable dependiente Y : SY2 = VT n −1 Dividiendo la variabilidad no explicada entre sus grados de libertad obtenemos la varianza residual de la variable dependiente Y : 2 SR = VNE n − (k + 1) Tabla resumen Suma de cuadrados VT VE VNE Grados de libertad n-1 k-1 2 SY = ∑ ( y − y) ˆ ∑ ( y − y) ) ∑ ( y − y) 2 2 VT n −1 VNE n − k −1 2 n-k-1 2 SR = José Manuel Rojo 12 .

Contraste de regresión Como estamos sacando conclusiones de una muestra de un conjunto mucho más amplio de datos. a veces este conjunto será infinito. pero al menos existe uno distinto de cero. es obvio que distintas muestras van a dar distintos valores de los parámetros. Un caso de especial interés es asignar una medida de probabilidad a la siguiente afirmación o hipótesis: H 0 ≡ b1 = b2 = . = bk = 0 La afirmación contraria sería: H 1 ≡ ∃b j ≠ 0 Nota La hipótesis nula es que todos los coeficientes menos b0 son nulos y la hipótesis alternativa o complementaria es que existe al menos uno que es distinto de 0. es decir.. José Manuel Rojo 13 .VI. los valores de las variables explicativas X no van a influir en la variable Peso. puede haber varios que sean nulos. Se denomina contraste de regresión al estudio de la posibilidad de que el modelo de regresión sea nulo..

05 se acepta que el modelo de regresión es significativo. n − ( k +1) 2 SR Es decir.Construcción del contraste Si los residuos siguen una distribución normal y b1 = b2 = . pues el modelo sería nulo. Nota En general si el p-value es menor de 0. este cociente tendrá un valor muy superior a 1. Además. en caso contrario no podemos hablar de regresión.. por lo tanto. tenemos que: VT σ 2 2 ≈ χ n −1 VE σ2 ≈ χ12 VNE σ 2 2 ≈ χ n − ( k +1) Por tanto: VE VNE 1 = n − (k + 1) VE ≈ F1. José Manuel Rojo 14 . al seguir una distribución F. el cociente entre la varianza explicada y la varianza no explicada será aproximadamente 1.. En caso contrario la varianza no explicada será muy inferior a la varianza explicada y. podemos asignar una medida de probabilidad (p-value) a la hipótesis de que la varianza explicada es igual a la varianza no explicada. = bk = 0 .

es habitual mostrar el p-value. por ejemplo: Encontramos que este modelo de regresión es estadísticamente significativo con un p-value de 0.Si aceptamos que el modelo de regresión es significativo.0003 José Manuel Rojo 15 .

está influida por su unidad de medida. En general. por ello. de este modo. esta varianza está influida por la varianza de la variable dependiente. el coeficiente de determinación permanecerá invariante.5 Regular 0. Si todos los puntos están sobre la recta de regresión. si cambiamos las unidades de medida. José Manuel Rojo 16 .3 a 0. se pueden clasificar los valores de R 2 de la siguiente manera: Menor de 0.4 Malo 0.5 a 0.3 Muy malo 0. a su vez. Por lo tanto. y por lo tanto: R2 = 0 VE = 1− =1 VT VT Este coeficiente es muy importante pues determina qué porcentaje (en tantos por uno) de la varianza de la variable dependiente es explicado por el modelo de regresión. una medida adecuada es la proporción de la varianza explicada (VE) entre la varianza total (VT).VII. Coeficiente de determinación R2 Vamos a construir un coeficiente (estadístico) que mida la bondad del ajuste del 2 modelo. este coeficiente será siempre positivo. la cual. la varianza no explicada será 0. este coeficiente es adimensional. esto quiere decir que no está afectado por transformaciones lineales de las variables.85 Sospechoso Además. definimos el coeficiente de determinación R 2 : VE VT − VNE VNE = = 1− VT VT VT R2 = Por ser cociente de sumas de cuadrados.4 a 0. a diferencia de la varianza residual. Si bien la varianza residual ( S R ) nos indica cómo están de cerca las estimaciones respecto de los puntos.85 Bueno Mayor de 0.

este problema va a afectar incrementando la varianza de los estimadores.1.VIII.. Este problema se detecta fácilmente: • • • Solicitando el determinante de la matriz de varianzas-covarianzas.401 775.667 df 6 20 26 Mean Square 580. d_cráneo.265 4260.900 38. Calculando para cada variable el coeficiente de determinación ( R 2 ) de dicha variable con el resto. En general.763 F 14. que estará cercano a cero. estatura b. a_espald.000a Regression Residual Total a. Calculando el cociente entre el primer y último autovalor de la matriz de varianzas-covarianzas que será mayor de 50. En general. La solución es eliminar del modelo aquellas variables explicativas que dependen unas de otras. l_ brazo. Diagnosis y validación de un modelo de regresión lineal múltiple VIII. l_roxto Longitud de rodilla a tobillo. ANOVAb Model 1 Sum of Squares 3485. Multicolinealidad Si las variables explicativas se pueden expresar como una combinación lineal: α1 x1 + α 2 x2 + .. Predictors: (Constant). Dependent Variable: peso José Manuel Rojo 17 . pie. + α k xk + α 0 = 0 Se dice que tenemos un problema de multicolinealidad. los métodos de selección de variables solucionan automáticamente este problema.986 Sig. .

752 1.001 Collinearity Statistics Tolerance VIF .445 2.435 .2.616 1.003 . por tanto no se puede determinar si es grande o pequeño a simple vista.489 .933 4.922 -.007 .621 1.724 Model 1 (Constant) estatura pie l_brazo a_espald d_cráneo l_roxto Longitud de rodilla a tobillo t -3. A la vista de estos resultados.095 .159 .186 -.187 1.335 .317 .283 .030 -.201 .574 6. Error -133.067 . la variable estatura esta provocando problemas de multicolinealidad.250 . La columna denominada tolerancia es: 1 − R2 Donde la variable correspondiente entra como variable dependiente y el resto de las variables explicativas actúan como regresoras. José Manuel Rojo 18 .Coefficientsa Unstandardized Coefficients B Std.323 1.157 -. .841 Standardized Coefficients Beta -.212 . Es interesante observar que si bien el contraste de regresión es significativo.261 43.997 a.985 -. Análisis de residuos Definimos como residuo del i-esimo caso a: ˆ ui = yi − yi Los residuos son variables aleatorias que siguen (¿?) una distribución normal.821 .882 8. Los residuos tienen unidades de medida y.212 13.248 .117 .072 . VIII.724 1.093 .122 . Dependent Variable: peso En esta tabla se muestra el valor de los estimadores del hiperplano de regresión.307 4.796 1. ninguna de las variables explicativas lo es.354 .517 .004 Sig.660 1.

si su residuo estandarizado es mayor de 3 en valor absoluto.69022 -1.60339 1.492 Mean 71. ⎣Zui ⎦ ≥ 3 Para evitar la dependencia entre numerador y denominador de la expresión anterior. El análisis descriptivo y el histograma de los residuos nos indicarán si existen casos que no se adapten bien al modelo lineal. también se utilizan los residuos estudentizados.00000 . y por lo tanto puede influir negativamente en el análisis.939 Maximum 138.627 3.9527 -31.877 N 27 27 27 27 a. Residuals Statisticsa Predicted Value Residual Std.Para solventar este problema se define el residuo estandarizado como: Zui = 1 ui * ˆ 1 − hii SR Se considera que un residuo tiene un valor alto.000 Std.860 -.000 . Deviation 25.2963 . Dependent Variable: peso José Manuel Rojo 19 . Residual Minimum 23.84905 2.44848 29.000 .1509 117. Predicted Value Std. SZui = 1 ui * ˆ (i ) 1 − hii S R ˆ Donde S (i ) R es la varianza residual calculada sin considerar el i-esimo caso.

3. VIII. Valores de influencia (leverage) Se considera que una observación es influyente a priori si su inclusión en el análisis modifica sustancialmente el sentido del mismo. Una observación puede ser influyente si es un outlayer respecto a alguna de las variables explicativas: José Manuel Rojo 20 . pues su valor tipificado es 3.Podemos observar que hay un caso que tiene un residuo anormal.49.

José Manuel Rojo 21 . por lo tanto se concluye que: No se encuentran diferencias estadísticamente significativas para rechazar la hipótesis de normalidad. Sig.4.0000000 .609 . Para verificar esta hipótesis se suele utilizar el histograma de los residuos y en caso necesario el test de Kolgomorov Smirnov. b. Valores cercanos a 2/n indican casos que pueden influir negativamente en la estimación del modelo introduciendo un fuerte sesgo en el valor de los estimadores. Contrastando las hipótesis básicas Normalidad de los residuos. Calculated from data. Deviation Absolute Positive Negative a.b Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Test distribution is Normal.852. En este caso no se detecta falta de normalidad.117 . el pvalue del test KS es de 0. VIII.852 N Normal Parameters a.105 . One-Sample Kolmogorov-Smirnov Test ZRE_1 Standardized Residual 27 . (2-tailed) Mean Std.Para detectar estos problemas se utiliza la medida de Leverage: 1 ( x − x )2 (1 + i 2 ) n sx l (i ) = Este estadístico mide la distancia de un punto a la media de la distribución.117 -.87705802 .

José Manuel Rojo 22 . la variabilidad de los residuos estará en función de las variables explicativas. pero como las variables explicativas están fuertemente correlacionadas con la variable dependiente. pues en muchas ocasiones es peor el remedio que la enfermedad. En general.5. La transformación más habitual para conseguir homocedasticidad es: Y ′ = log(Y ) En cualquier caso. Homocedasticidad La hipótesis de homocedasticidad establece que la variabilidad de los residuos es independiente de las variables explicativas. es conveniente examinar detenidamente las implicaciones de realizar este tipo de transformaciones. Existe una familia de transformaciones denominada Box-CCOS que se realizan sobre la variable dependiente encaminadas a conseguir homocedasticidad. Este es un claro ejemplo de falta de homocedasticidad.VIII. ya que la variable dependiente puede llegar a perder el sentido. bastara con examinar el gráfico de valores pronosticados versus residuos al cuadrado.

Al calcular los grados de libertad en los contrastes de hipótesis. no tenerlo en cuenta. Errores que deben de evitarse Errores que son fáciles pasar por alto al realizar un modelo de regresión lineal múltiple son los siguientes: • • • • • • No controlar el factor tamaño.VIII. Incluir una variable irrelevante. No incluir una variable relevante en el modelo. José Manuel Rojo 23 .6. Especificar una relación lineal que no lo es. Si hay un factor de ponderación.

Este último método es una combinación de los procedimientos anteriores.IX. Parte del modelo sin ninguna variable regresora y en cada etapa se introduce la más significativa. Introducción progresiva. José Manuel Rojo 24 . pero en cada etapa examina si todas las variables introducidas en el modelo deben de permanecer. Termina el algoritmo cuando ninguna variable entra o sale del modelo. Regresión paso a paso (Stepwise Regression). Selección de las variables regresoras Los procedimientos para seleccionar las variables regresoras son los siguientes: • • • Eliminación progresiva.

016 .044 . Error of Skewness Kurtosis Std.872 43. Ejemplo 1 Statistics l_roxto Longitud de rodilla a tobillo 27 0 43.872 38.00 53.855 .80124 .448 -.872 54.15630 .00 d_cráneo 27 0 57.4815 73.00 peso 27 0 63.0000 4.2407 57.00 pie 27 0 38.448 -.178 .605 .0000 3.427 .303 .448 -.9815 39.0000 4.00 83.8519 46.187 .448 -.249 .00 José Manuel Rojo 25 .0000 10.740 .X. Deviation Skewness Std.0000 12.00 189.0926 43.448 -1.8889 65.658 .86384 .00 61.00 52.872 152.84167 .00 a_espald 27 0 45.075 .00 45.0000 2.872 66. Error of Kurtosis Minimum Maximum Valid Missing estatura 27 0 168.00 l_brazo 27 0 73.02113 -.00 N Mean Median Std.872 34.00 91.448 1.22089 .93707 .0000 1.632 .448 .173 .872 36.7963 168.

265 4260.274 a. estatura b. d_cráneo. a_espald. l_brazo. Dependent Variable: peso ANOVAb Model 1 Sum of Squares 3485.763 Std. d_cráneo. pie.667 df 6 20 26 Mean Square 580.Model Summaryb Model 1 R R Square .986 Sig.22602 DurbinWatson 2. Predictors: (Constant). l_ brazo. . estatura b.900 38.401 775. pie. Dependent Variable: peso José Manuel Rojo 26 . l_roxto Longitud de rodilla a tobillo.763 F 14. Error of the Estimate 6.904a .000a Regression Residual Total a. l_roxto Longitud de rodilla a tobillo. Predictors: (Constant).818 Adjusted R Square . a_ espald.

007 .283 .003 .212 . .000 .724 1.616 1.841 Standardized Coefficients Beta -.574 6.319 Maximum 88. Residual Minimum 44.323 1.489 .21203 -1.335 .57816 5.187 1.882 8.004 Sig.997 a.001 Collinearity Statistics Tolerance VIF .796 1.030 -. Dependent Variable: peso Residuals Statisticsa Predicted Value Residual Std.1230 -8. Error -133.134 1.248 .317 .707 -1.072 .34415 2.445 2.122 .752 1.307 4.000 .261 43.095 .821 .435 .067 .877 N 27 27 27 27 a.46058 1.00000 .933 4.159 .724 Model 1 (Constant) estatura pie l_brazo a_espald d_cráneo l_roxto Longitud de rodilla a tobillo t -3.157 -.621 1. Dependent Variable: peso José Manuel Rojo 27 .517 .660 1.000 Std.117 .Coefficientsa Unstandardized Coefficients B Std.922 -.8889 .5975 11.250 .985 -.201 .822 Mean 63.354 .186 -. Deviation 11. Predicted Value Std.093 .212 13.

a_espald c. . Predictors: (Constant). Error of the Estimate 6. Predictors: (Constant).608 F 64.032 36.192 .219 2.008 a.667 df 1 25 26 2 24 26 Mean Square 3076. Dependent Variable: peso Coefficientsa Unstandardized Coefficients B Std.000 . .000 . pie b.065 878.667 3382.250 16.371 1691.El mismo análisis pero utilizando un algoritmo de selección de variables.777 Std.794 Adjusted R Square .004 .569 8.228 2.363 1.722 .471 -87. Predictors: (Constant). Dependent Variable: peso ANOVAc Model 1 Sum of Squares 3076. Model Summaryc Model 1 2 R R Square .000b a.687 1.285 4260. Predictors: (Constant).798 . Dependent Variable: peso José Manuel Rojo 28 .382 47.602 4260.444 Collinearity Statistics Tolerance VIF 1.213 .173 18. Error -84.376 3. a_espald c.000a 2 Regression Residual Total Regression Residual Total 46.495 .711 .421 3.382 1184.753 Model 1 2 (Constant) pie (Constant) pie a_espald t -4.000 .891b . pie.415 .000 2.753 2. pie.363 .05049 DurbinWatson 2.000 .059 -5.850a . pie b.490 Standardized Coefficients Beta .850 .88269 6.942 Sig.120 a.890 Sig.

25595 12.000 .00 .3520 87.00 2 .7827 Std.695 2.001 50.98 .53056 .055 .961 27 Model 1 a.997 Residuals Statistics . Residual Variable: peso a.004 27.270 .a Collinearity Diagnostics Variance Proportions Condition Dimension Eigenvalue (Constant) pie a_espald Index a 1 1.003 27.8889 11.000 .00 .000 .40524 2 .0027 43.2227 Residual -10.000 Std.00000 5.83 .3214 63.995 1.747 . Dependent -1.00 1. Deviation 1.778 1.000 1.00 Std.17 .02 .801 2.00 Minimum Maximum Mean N 2 Predicted Value 1 2.81312 3 . Dependent Variable: peso José Manuel Rojo 29 .071 . Predicted Value -1.

961 José Manuel Rojo 30 .99E-15 Std.Histogram Dependent Variable: peso 8 6 Frequency 4 2 0 Mean = 1. Dev. = 0.

José Manuel Rojo 31 .

Sign up to vote on this title
UsefulNot useful