INSTITUTO TECNOLÓGICO SUPERIOR

DE SALVATIERRA

“PORTAFOLIO DE EVIDENCIAS TEMA I REGRESION LINEAL

MULTIPLE”

Elaborado por:
Vanesa Calderón Herrera

Carrera:
INGENIERIA EN GESTION EMPRESARIAL
Asesora:
Ana Bertha Alvarado Rodríguez

Materia:
Estadistica Inferencial II

Salvatierra, Gto. Noviembre, 2022

 INTRODUCCION
La regresión lineal múltiple es la extensión del modelo de regresión lineal simple.

Este tipo de regresión puede utilizarse cuando queremos conocer la fuerza del efecto que las

variables independientes tienen en una variable dependiente.

También se utiliza para entender cómo cambia la variable dependiente cuando

cambiamos las variables independientes. Por ejemplo, puede indicar cuánto aumenta la

presión arterial de una persona por cada cambio en el índice de masa corporal (IMC),

manteniendo constante otros factores.

Estudio conjunto de varias variables (más de dos).

Varias variables independientes xi se utilizan para explicar otra dependiente y

utilizamos toda la información disponible.

DESARROLLO
 INSTITUTO TECNOLOGICO SUPERIOR DE
SALVATIERRA

Carrera:
Ingeniería en Gestión Empresarial

Grado: 5to semestre Grupo: MYGE501

Materia: Estadística inferencial ll

Tema: 1 Actividad: 1

“Investigación”

Asesora:
Ana Bertha Rodríguez Alvarado

Elaborado por:
Vanesa Calderón Herrera

Yuriria, Gto. 18 de Septiembre del 2022

Introducción:
La regresión lineal múltiple es la forma más común de análisis de regresión lineal.

Como investigación clarificadora, la numerosa recaída directa se utiliza para aclarar la

conexión entre una variable de sala incesante y al menos dos factores autónomos. Los

factores autónomos pueden ser incesantes o absolutos (codificados de forma falsa como

adecuados). (Trackside, 2020)

Los modelos de regresión se utilizan para describir las relaciones entre variables

ajustando una línea a los datos observados. La regresión le permite estimar cómo cambia una

variable dependiente a medida que cambian las variables independientes. (Trackside, 2020)

El modelo de regresión lineal múltiple es una generalización del modelo de regresión

lineal simple. En el caso estudiado en el tema anterior, el modelo de regresión simple,

partíamos de una variable Y que queríamos explicar, y para ello disponíamos de una variable

X. En el caso del modelo de regresión lineal múltiple (MRLM), seguiremos teniendo una

variable a explicar, Y, que será la variable endógena del modelo, pero dispondremos no de

una sino de varias variables explicativas o exógenas, a parte del término de perturbación

aleatoria. (Trackside, 2020)

Regresión lineal múltiple

Hipótesis básicas del MRLM

Las hipótesis básicas del modelo de regresión lineal múltiple son las mismas que las

que vimos para el caso del modelo de regresión lineal simple, incorporando alguna otra

debido a que en este caso estamos trabajando con más de una variable explicativa.

Recordemos cuales eran estas hipótesis:

1. Existe una relación lineal estocástica entre la variable endógena y las variables

que conforman la matriz X y la matriz U. Los elementos de la matriz ß son

fijos y miden el peso de cada una de las variables exógenas en la explicación

de la variabilidad de Y. (Moreno, 2019)

2. Las variables explicativas incluidas en la matriz X son de tal forma que

ninguna de ellas se puede obtener como combinación lineal de las demás. En

términos matemáticos, ello equivale a decir que el rango de la matriz X es

igual a k+1, lo cual a su vez implica que (k+1) (Moreno, 2019)

3. Las variables que forman la matriz X son no estocásticas

4. El modelo de regresión está bien especificado, existe permanencia estructural

y las variables estimadas se miden sin errores. (Moreno, 2019)

La regresión lineal múltiple hace todas las mismas suposiciones que la regresión

lineal simple:

 Homogeneidad de varianza (homoscedasticidad): el tamaño del error en

nuestra predicción no cambia significativamente a través de los valores de la

variable independiente. (Moreno, 2019)

  Independencia de las observaciones: las observaciones en el conjunto de datos

fueron recolectadas utilizando métodos estadísticamente válidos, y no hay

relaciones ocultas entre las variables., en la regresión lineal múltiple, es

posible que algunas de las variables independientes estén realmente

correlacionadas entre sí, por lo que es importante comprobarlas antes de

desarrollar el modelo de regresión. Si dos variables independientes están

demasiado correlacionadas (r2 > ~0.6), entonces solo se debe usar una de ellas

en el modelo de regresión. (Moreno, 2019)

 Normalidad: los datos siguen una distribución normal. Linealidad: la línea de

mejor ajuste a través de los puntos de datos es una línea recta, en lugar de una

curva o algún tipo de factor de agrupación. (Moreno, 2019)

Planteamiento del modelo

Pretendemos estudiar el comportamiento de una variable  (variable respuesta) para

valores dados de otras variables, que denotaremos por 1 2   (regresores), los cuales

pueden ser variables aleatorias cuyos valores van a ser observados de manera conjunta con

los valores de la variable  o por el contrario pueden ser variables de control cuyos valores

van a ser seleccionados por el experimentador.

Fórmula de regresión lineal múltiple

La fórmula para una regresión lineal múltiple es:

 y = el valor predicho de la variable dependiente (Moreno, 2019)

 B0 = el intercepto y (valor de Y cuando todos los demás parámetros se establecen en

0) (Moreno, 2019)
 b1x1= coeficiente de regresión (B1) de la primera variable independiente (X1), el

efecto que el aumento del valor de la variable independiente tiene sobre el valor

predicho de y) (Moreno, 2019)

 = = haga lo mismo para todas las variables independientes que esté probando

(Moreno, 2019)

 BnXn = el coeficiente de regresión de la última variable independiente (Moreno,

2019)

 e = error de modelo (también conocido como cuánta variación hay en nuestra

estimación de y) para encontrar la línea de mejor ajuste para cada variable

independiente, la regresión lineal múltiple calcula tres cosas: (Moreno, 2019)

 Los coeficientes de regresión que conducen al error general más pequeño del modelo.

(Moreno, 2019)

 La estadística t del modelo global. (Moreno, 2019)

 El valor p asociado (qué tan probable es que el estadístico t hubiera ocurrido por

casualidad si la hipótesis nula de no relación entre las variables independientes y

dependientes fuera verdadera). Luego calcula el estadístico t y el valor p para cada

coeficiente de regresión en el modelo. (Moreno, 2019)

Métodos para la selección del modelo

Un problema importante en la regresión lineal múltiple es la elección del

conjunto de regresores o predictores. (Jlguirao, 2021)

 Por una parte, es deseable que el modelo final contenga un número suficiente

de regresores de forma que sea válido su uso, por ejemplo para la predicción de

nuevas observaciones. Sin embargo, también sería conveniente usar el menor número

de variables para que el modelo sea más manejable (principio de parsimonia).

(Jlguirao, 2021)

Regresión por el mejor conjunto de regresores

Este método resulta bastante intuitivo y adecuado cuando el número de

regresores candidatos es pequeño. El método consiste en calcular todas las

regresiones posibles tomando un regresor, dos regresores,..., todos los regresores. A

continuación, se selecciona el “mejor” modelo de regresión atendiendo a algún

criterio que mida la adecuación del modelo. El principal inconveniente de este método

es que si el número de regresores candidatos es, el número de regresiones posibles

puede ser demasiado elevado (2). (Jlguirao, 2021)

Usando el coeficiente de determinación múltiple

2 Si denotamos por 2  al coeficiente de determinación de un modelo de

regresión con  coeficientes de regresión, sabemos que 2  aumenta a medida que

 crece. La selección del modelo de regresión consiste en ir añadiendo regresores al

modelo, calculando en cada caso el valor del coeficiente de determinación, hasta que

el incremento de 2 debido a la incorporación de un nuevo regresor sea pequeño. La

forma de estudiar el crecimiento del coeficiente de determinación se suele hacer por

medio de una gráfica 2 contras. (Jlguirao, 2021)

 Regresión por pasos Esta técnica se basa en introducir de forma progresiva

variables en el modelo, de forma que al introducir una nueva variable en el modelo la

influencia de las ya presentes es reevaluada mediante un contraste, pudiéndose

rechazar alguna de las variables ya incluidas. Para ello, hay que definir un criterio de

entrada y de salida para los regresores. (Jlguirao, 2021)

 Conclusión

La regresión lineal simple es una función que permite a un analista o estadístico

hacer predicciones sobre una variable en función de la información que se conoce sobre

otra variable. La regresión lineal solo se puede usar cuando uno tiene dos variables

continuas: una variable independiente y una variable dependiente. La variable

independiente es el parámetro que se utiliza para calcular la variable dependiente o el

resultado. Un modelo de regresión múltiple se extiende a varias variables explicativas.

(Fernandez, 2017)

El modelo de regresión múltiple se basa en los siguientes supuestos:

 Existe una relación lineal entre las variables dependientes y las variables

independientes.

 Las variables independientes no están demasiado correlacionadas entre sí.

 yi las observaciones se seleccionan de forma independiente y aleatoria de la

población

 Los residuos deben estar normalmente distribuidos con media 0 y varianza σ

Referencias
Fernandez, S. d. (2017). Analisis de regresion lineal multiple . Obtenido de Univerdidad Autonoma
de Madrid :
https://www.estadistica.net/ECONOMETRIA/MULTIVARIANTE/REGRE_MULTIPLE/regresio
n-multiple.pdf

Jlguirao. (2021). Regresion lineal multiple . Obtenido de Universidad politecnica de cartagena :

https://jlguirao.es/panel/archivos/tema_8_estadistica.pdf

Moreno, P. (2019). Regresion lineal multiple . Obtenido de Universidad de cantabria :

https://ocw.unican.es/pluginfile.php/1127/course/section/1352/Ppt_Ch3_G942_14-
15.pdf

Trackside, M. (22 de 12 de 2020). Regresion lineal multiple . Obtenido de Marks trackside:

https://markstrackside.com/es/una-introducci%C3%B3n-a-la-regresi%C3%B3n-lineal-
m%C3%BAltiple/