Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DE SALVATIERRA
Elaborado por:
Vanesa Calderón Herrera
Carrera:
INGENIERIA EN GESTION EMPRESARIAL
Asesora:
Ana Bertha Alvarado Rodríguez
Materia:
Estadistica Inferencial II
Este tipo de regresión puede utilizarse cuando queremos conocer la fuerza del efecto que las
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),
Carrera:
Ingeniería en Gestión Empresarial
Tema: 1 Actividad: 1
“Investigación”
Asesora:
Ana Bertha Rodríguez Alvarado
Elaborado por:
Vanesa Calderón Herrera
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
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)
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
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.
1. Existe una relación lineal estocástica entre la variable endógena y las variables
La regresión lineal múltiple hace todas las mismas suposiciones que la regresión
lineal simple:
demasiado correlacionadas (r2 > ~0.6), entonces solo se debe usar una de ellas
mejor ajuste a través de los puntos de datos es una línea recta, en lugar de una
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
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
= = haga lo mismo para todas las variables independientes que esté probando
(Moreno, 2019)
2019)
Los coeficientes de regresión que conducen al error general más pequeño del modelo.
(Moreno, 2019)
El valor p asociado (qué tan probable es que el estadístico t hubiera ocurrido por
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
(Jlguirao, 2021)
criterio que mida la adecuación del modelo. El principal inconveniente de este método
modelo, calculando en cada caso el valor del coeficiente de determinación, hasta que
rechazar alguna de las variables ya incluidas. Para ello, hay que definir un criterio de
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
(Fernandez, 2017)
Existe una relación lineal entre las variables dependientes y las variables
independientes.
población