Análisis de Regresión

¿Qué es la Regresión?
El análisis de regresión es una técnica de análisis que va calcular la
relación entre una variable dependiente o varias variables explicativas. Permite
examinar la relación entre dos o más variables e identificar cuáles son las que
tienen mayor impacto en un tema de interés.

Cuando realizamos una regresión nos permite determinar cuáles son los
factores más importantes, cuáles se pueden ignorar y cómo influyen entre sí.

Estos factores se denominan variables los cuales se van a clasificar en variables

dependiente e independientes.

- Variables dependientes, este será uno de los factores más importantes, ya

que se dará a entender de que está tratando o predecir.
- Variables independientes, en este es el factor que nosotros creemos que
puede impactar en tu variable dependiente.

Tipos de análisis de regresión

✓ Modelo de regresión lineal simple.

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.
E(Y/x) = 0 + β1 x
Donde la ordenada al origen β0 y la pendiente β1 son coeficientes
desconocidos de la regresión.
✓ Modelo de regresión lineal múltiple:
Este método permite identificar cuáles son las variables independientes
son las que pueden explicar una variable independiente, comprobar las
causas y predecir de forma aproximada los valores.
Ejemplo que describe la ecuación:
 Y = 0 + β1X1 + β2X2 + … + βnXn + ε
Donde Y es una variable dependiente, β representa sus estimadores y la ε
representa el residuo o error.
✓ 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.
Ejemplo de un modelo no lineal dado por la siguiente función exponencial:
Υ= αΧβ
Si la no linealidad afecta solamente a las variables explicativas, pero no a
los coeficientes, se pueden definir nuevas variables.
La importancia del análisis de regresión es útil para una organización, ya que
permite determinar el grado en que las variables independientes influyen en
las variables dependientes. Además, permite explicar un fenómeno y
predecir cosas acerca del futuro, además de obtener información empresarial
valiosa y accionable.
https://www.varsitytutors.com/hotmath/hotmath_help/spanish/topics/correlat
ion-and-causal-
relation#:~:text=Una%20correlaci%C3%B3n%20es%20una%20medida,es%
20llamado%20una%20correlaci%C3%B3n%20positiva.
Análisis de Correlación
¿Qué es la Correlación?
La correlación es una medida estadística que expresa hasta qué punto dos
variables están relacionadas linealmente (esto es, cambian conjuntamente a
una tasa constante.
Es una herramienta común para describir relaciones simples sin hacer
afirmaciones sobre causa y efecto.
La correlación es útil para describir relaciones simples entre datos.
¿Cómo se mide la correlación?
El coeficiente de correlación de la muestra, r, cuantifica la intensidad de la
relación. Las correlaciones también se someten a pruebas para establecer
su significancia estadística.

¿Cuáles son algunas limitaciones del análisis de correlación?

 La correlación no puede medir la presencia o el efecto de otras variables
aparte de las dos que se están explorando. Es importante saber que la
correlación no nos informa sobre causas y efectos. Además, la correlación
no puede describir con precisión las relaciones curvilíneas.
Tipos de Correlación
1. Correlación directa

2. Correlación inversa

3. Correlación nula

https://medlineplus.gov/spanish/hypoglycemia.html
En relación la correlación cuantifica como de relacionadas están dos variables, mientras
que la regresión lineal consiste en generar una ecuación (modelo) que, basándose en la
relación existente entre ambas variables, permita predecir el valor de una a partir de la
otra.