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 71 67 73 X4 43 40 41 42 44 44.A A Linear Regression e + 1. vamos a construir un modelo para predecir el peso de una persona (Y)..5 36 41.5 68.5 57 57 54 56 58 peso Y 43 45 48 49 50 51 52 52 En base a estos datos.5 68. 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..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. Vamos a ir introduciendo los elementos de este análisis a través de un sencillo ejemplo.5 d_cráneo X5 55 55 54. y así sucesivamente.. José Manuel Rojo 3 . x5 y la variable peso (Y). Esto equivale a estudiar la relación existente entre este conjunto de variables x1 .

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

. El Modelo de regresión lineal múltiple El modelo de regresión lineal múltiple es idéntico al modelo de regresión lineal simple. estos coeficientes van a tener las correspondientes unidades de medida. los coeficientes b van a indicar el incremento en el peso por el incremento unitario de la correspondiente variable explicativa.II. 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. + bk ⋅ xk + u Siguiendo con nuestro ejemplo. Por lo tanto.. José Manuel Rojo 5 .

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. σ 2 ) e) Las variables explicativas Xk se obtienen sin errores de medida. José Manuel Rojo 6 . 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.III. ∀i ≠ j d) Normalidad: la distribución de la perturbación aleatoria tiene distribución normal: U ≈ N (0. en el sentido que los parámetros estimados van a estar centrados y van a ser de mínima varianza.

. j ˆ Utilizando notación matricial: ⎡ u1 ⎤ ⎡ y1 − y1 ⎤ ˆ ⎢u ⎥ ⎢ y − y ⎥ ⎢ 2 ⎥ ⎢ 2 ˆ2 ⎥ u =⎢ . ⎥ ⎢un ⎥ ⎢ yn − yn ⎥ ˆ ⎦ ⎣ ⎦ ⎣ José Manuel Rojo 7 . 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.⎥ ⎢ .IV. ⎥ = y− y ˆ ⎢ ⎥ ⎢ ⎥ ⎢.bk * xk .. ⎥ =⎢ .1 + b2 * x2. j + .

− b * x ⎥ k k .1 − .1 − b3 * x3.. . ⎥=⎢ ˆ ⎥ ⎢ ⎥ ⎢ .n ⎥ ⎣ ⎦ ⎣ ⎦ Por lo tanto: ⎡ y1 ⎤ ⎡1 x1. 2 ⎥ ⎢ b1 ⎥ ⎥ ⎢ ⎥ ⎥ * ⎢ .1 ⎤ ⎡b0 ⎤ xk . 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 .⎥ ⎢ ⎢u n ⎥ ⎢ yn − b0 − b1 * x1..2 ⎥ ⎢ 2 ⎥ ⎢ 2 0 1 1.1 ⎢ y ⎥ ⎢1 x 1. 2 ⎢ 2⎥ ⎢ u = ⎢ ⎥−⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢ ⎢ yn ⎥ ⎢1 x1. 2 2 2. .1 ⎤ ⎢u ⎥ ⎢ y − b − b * x − b * x − b * x − . . u=⎢ ..1 − b2 * x2. .n − b3 * x3. 2 ⎥= y− y .. 2 3 3. − bk * xk . ..n − .⎥ xk .n ⎣ ⎦ ⎣ . ⎥ ⎢.Y teniendo en cuenta la definición de y : ˆ ⎡ u1 ⎤ ⎡ y1 − b0 − b1 * 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. xk . ⎥ = y − X *b ⎥ ⎢ ⎥ ⎥ ⎢.n − b2 * x2. − bk * xk .

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 . José Manuel Rojo 9 .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.

en general. el determinante no será cero pero tendrá un valor muy próximo a cero. 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.Además X ′ *Y = X ′ * X * B X ′ *Y − X ′ * X * B = 0 X ′ * (Y − X * B ) = 0 X ′ *U = 0 Es decir. la matriz ( X ′ * X ) va a tener el determinante con valor cero o muy cercano a cero. pero están fuertemente correlacionadas. Nota Es importante observar que si las variables explicativas X están muy correlacionadas entre si. este caso va a producir una inestabilidad en la solución del estimador. En estos casos se impone la utilización de un método de selección de variables explicativas. José Manuel Rojo 10 . se va a producir un aumento en su varianza. 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. ingresos anuales) el determinante de esta matriz es cero y dicha matriz será singular y por lo tanto no tendrá inversa.

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”. la variabilidad de Y es la suma cuadrática de los valores que toma la variable respecto a la media de la variable. tenemos: VT = VE + VNE José Manuel Rojo 11 . 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. por tanto. Consideramos la variabilidad de la variable dependiente como: n *σ 2 = ∑ ( yi − Y ) 2 Es decir. que la suma de cuadrados de la variable Y respecto a su media se puede descomponer en términos de la varianza residual.V. Varianza residual Al igual que en el caso de regresión lineal simple. atribuida a factores aleatorios. 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. Teniendo en cuenta que el último término representa la varianza no explicada.

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. pero al menos existe uno distinto de cero. a veces este conjunto será infinito. es decir.VI. puede haber varios que sean nulos.. los valores de las variables explicativas X no van a influir en la variable Peso. Un caso de especial interés es asignar una medida de probabilidad a la siguiente afirmación o hipótesis: H 0 ≡ b1 = b2 = . es obvio que distintas muestras van a dar distintos valores de los parámetros.. Se denomina contraste de regresión al estudio de la posibilidad de que el modelo de regresión sea nulo. José Manuel Rojo 13 . = 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.

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

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

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

. + α k xk + α 0 = 0 Se dice que tenemos un problema de multicolinealidad.000a Regression Residual Total a. pie. l_roxto Longitud de rodilla a tobillo. ANOVAb Model 1 Sum of Squares 3485.763 F 14.667 df 6 20 26 Mean Square 580.900 38.VIII. que estará cercano a cero. este problema va a afectar incrementando la varianza de los estimadores.265 4260. Calculando para cada variable el coeficiente de determinación ( R 2 ) de dicha variable con el resto. . los métodos de selección de variables solucionan automáticamente este problema. Multicolinealidad Si las variables explicativas se pueden expresar como una combinación lineal: α1 x1 + α 2 x2 + .. Este problema se detecta fácilmente: • • • Solicitando el determinante de la matriz de varianzas-covarianzas.1. Predictors: (Constant). En general. d_cráneo. En general. a_espald. Dependent Variable: peso José Manuel Rojo 17 . La solución es eliminar del modelo aquellas variables explicativas que dependen unas de otras. estatura b. l_ brazo. Diagnosis y validación de un modelo de regresión lineal múltiple VIII.986 Sig.401 775. Calculando el cociente entre el primer y último autovalor de la matriz de varianzas-covarianzas que será mayor de 50.

Coefficientsa Unstandardized Coefficients B Std. Error -133.489 .159 .093 .248 .030 -.435 . 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.922 -.616 1.003 .660 1.283 .323 1.317 .335 .212 13.250 . por tanto no se puede determinar si es grande o pequeño a simple vista. José Manuel Rojo 18 . A la vista de estos resultados.307 4.117 .212 . la variable estatura esta provocando problemas de multicolinealidad.997 a.841 Standardized Coefficients Beta -. 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. .157 -.007 . ninguna de las variables explicativas lo es.186 -.187 1.354 .796 1.882 8.261 43. Es interesante observar que si bien el contraste de regresión es significativo.821 .933 4.2.001 Collinearity Statistics Tolerance VIF . Los residuos tienen unidades de medida y.072 . VIII. Dependent Variable: peso En esta tabla se muestra el valor de los estimadores del hiperplano de regresión.724 1.752 1.095 .574 6.445 2.724 Model 1 (Constant) estatura pie l_brazo a_espald d_cráneo l_roxto Longitud de rodilla a tobillo t -3.122 .621 1.004 Sig.067 .201 .517 .985 -.

627 3.939 Maximum 138.000 Std.84905 2. ⎣Zui ⎦ ≥ 3 Para evitar la dependencia entre numerador y denominador de la expresión anterior.2963 .00000 .60339 1.44848 29. Residuals Statisticsa Predicted Value Residual Std. Dependent Variable: peso José Manuel Rojo 19 .1509 117. 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.492 Mean 71. y por lo tanto puede influir negativamente en el análisis. si su residuo estandarizado es mayor de 3 en valor absoluto.860 -. también se utilizan los residuos estudentizados.69022 -1. Residual Minimum 23. Deviation 25.000 .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. El análisis descriptivo y el histograma de los residuos nos indicarán si existen casos que no se adapten bien al modelo lineal.000 . Predicted Value Std.9527 -31.877 N 27 27 27 27 a.

VIII.3. Una observación puede ser influyente si es un outlayer respecto a alguna de las variables explicativas: José Manuel Rojo 20 . 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.Podemos observar que hay un caso que tiene un residuo anormal. pues su valor tipificado es 3.49.

Calculated from data.0000000 .852. 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. (2-tailed) Mean Std.4.117 -. Test distribution is Normal. Deviation Absolute Positive Negative a.117 . Sig.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.852 N Normal Parameters a.105 . VIII. por lo tanto se concluye que: No se encuentran diferencias estadísticamente significativas para rechazar la hipótesis de normalidad.b Most Extreme Differences Kolmogorov-Smirnov Z Asymp. En este caso no se detecta falta de normalidad. b. Para verificar esta hipótesis se suele utilizar el histograma de los residuos y en caso necesario el test de Kolgomorov Smirnov. One-Sample Kolmogorov-Smirnov Test ZRE_1 Standardized Residual 27 .609 .87705802 . el pvalue del test KS es de 0. José Manuel Rojo 21 . Contrastando las hipótesis básicas Normalidad de los residuos.

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

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. Incluir una variable irrelevante.VIII. Especificar una relación lineal que no lo es.6. no tenerlo en cuenta. Si hay un factor de ponderación. Al calcular los grados de libertad en los contrastes de hipótesis. José Manuel Rojo 23 . No incluir una variable relevante en el modelo.

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

00 53.303 .0000 10.93707 .178 . Deviation Skewness Std.00 N Mean Median Std.448 -.86384 .872 34.84167 .0000 3.00 52.00 pie 27 0 38.855 . Error of Skewness Kurtosis Std.872 43.658 .8889 65.0000 1.80124 .872 38.075 .0000 4.00 l_brazo 27 0 73.22089 .0000 4. Error of Kurtosis Minimum Maximum Valid Missing estatura 27 0 168.00 a_espald 27 0 45.872 66. Ejemplo 1 Statistics l_roxto Longitud de rodilla a tobillo 27 0 43.448 .00 peso 27 0 63.427 .016 .8519 46.632 .00 189.00 91.15630 .872 36.249 .02113 -.7963 168.00 83.448 -.448 -.00 61.605 .00 José Manuel Rojo 25 .4815 73.9815 39.044 .00 d_cráneo 27 0 57.187 .872 152.0000 12.0926 43.740 .448 1.448 -1.0000 2.173 .X.2407 57.448 -.872 54.00 45.

a_ espald. Dependent Variable: peso ANOVAb Model 1 Sum of Squares 3485. a_espald.274 a.667 df 6 20 26 Mean Square 580.265 4260. Error of the Estimate 6. l_roxto Longitud de rodilla a tobillo. d_cráneo. .900 38.22602 DurbinWatson 2.000a Regression Residual Total a.401 775. Predictors: (Constant).904a . estatura b. l_brazo. estatura b.763 Std. l_roxto Longitud de rodilla a tobillo. l_ brazo.818 Adjusted R Square . d_cráneo. Dependent Variable: peso José Manuel Rojo 26 . pie.763 F 14. pie. Predictors: (Constant).Model Summaryb Model 1 R R Square .986 Sig.

933 4.796 1.354 .57816 5.21203 -1.707 -1.000 .319 Maximum 88.007 .307 4.46058 1. .000 Std.997 a.095 .821 . Error -133. Dependent Variable: peso Residuals Statisticsa Predicted Value Residual Std.030 -.616 1.003 .335 .248 .621 1.117 .8889 .187 1.261 43. Dependent Variable: peso José Manuel Rojo 27 .724 Model 1 (Constant) estatura pie l_brazo a_espald d_cráneo l_roxto Longitud de rodilla a tobillo t -3.1230 -8.201 .212 .822 Mean 63.445 2.841 Standardized Coefficients Beta -.250 .660 1. Residual Minimum 44.5975 11.001 Collinearity Statistics Tolerance VIF .093 . Predicted Value Std. Deviation 11.283 .186 -.752 1.34415 2.435 .517 .317 .004 Sig.000 .877 N 27 27 27 27 a.724 1.159 .134 1.922 -.Coefficientsa Unstandardized Coefficients B Std.00000 .882 8.323 1.122 .157 -.574 6.489 .212 13.072 .067 .985 -.

219 2. Dependent Variable: peso Coefficientsa Unstandardized Coefficients B Std.890 Sig.382 47.942 Sig.004 . Error of the Estimate 6.777 Std.798 .667 df 1 25 26 2 24 26 Mean Square 3076. a_espald c.032 36.000 .000 . . pie b.891b .173 18.363 .444 Collinearity Statistics Tolerance VIF 1. . Predictors: (Constant).228 2. a_espald c.850a .371 1691.120 a.213 . Predictors: (Constant). Dependent Variable: peso ANOVAc Model 1 Sum of Squares 3076. Predictors: (Constant).192 .687 1.285 4260.000 .608 F 64.495 .753 2. Model Summaryc Model 1 2 R R Square .000b a. pie.602 4260.850 .376 3. Dependent Variable: peso José Manuel Rojo 28 .794 Adjusted R Square . Predictors: (Constant).059 -5.250 16.667 3382.05049 DurbinWatson 2.363 1.753 Model 1 2 (Constant) pie (Constant) pie a_espald t -4.490 Standardized Coefficients Beta .711 .008 a.000 .065 878.382 1184. pie b.415 .000a 2 Regression Residual Total Regression Residual Total 46.569 8.421 3.471 -87.000 2. Error -84.722 .88269 6.El mismo análisis pero utilizando un algoritmo de selección de variables. pie.

81312 3 .00 Minimum Maximum Mean N 2 Predicted Value 1 2.a Collinearity Diagnostics Variance Proportions Condition Dimension Eigenvalue (Constant) pie a_espald Index a 1 1.00 2 .3520 87.997 Residuals Statistics .00 Std.02 .270 . Dependent -1.000 .001 50.7827 Std.25595 12.98 .801 2.695 2.000 .83 .17 . Predicted Value -1.003 27.778 1. Residual Variable: peso a.000 1.747 .000 Std.2227 Residual -10. Deviation 1.40524 2 .004 27.00 .995 1.000 .53056 .00000 5.00 1. Dependent Variable: peso José Manuel Rojo 29 .071 .0027 43.00 .055 .8889 11.3214 63.961 27 Model 1 a.

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