Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Instituto De Tecnología
IUTEMBI
Análisis de Regresión
(Estadística)
Sección: M2DA
Integrantes:
Luis – CI:
Jayberly – CI:
Introducción:
El análisis de regresión, es utilizada con la finalidad para predecir el valor de una variable
según el valor de la otra, generalmente usado para explicar los fenómenos y predecir cosas
acerca del futuro, desencadenando un gran interés en el ámbito empresarial y de las
finanzas para obtener información valiosa, y tomar acción en base a ello. Siendo este
importante en el mundo de la economía nos puede ayudar a trascender también en la vida
cotidiana como por ejemplo en la medicina, química, física, mecánica, electricidad,
fabricación, construcción, experimentos, hasta en la informática, ya que parte de un solo
dato y sus variables que nos acercan a una posibilidad eficaz o inexistente.
-Análisis de Regresión lineal:
El análisis de regresión tiene aplicaciones para la vida cotidiana. Esto, desde el estudio de
accidentes de tráfico en una determinada zona geográfica hasta comprobar si un plan de
estudios es recomendable según la tasa de abandono escolar.
Por ejemplo, supongamos que tiene datos sobre sus gastos e ingresos del año pasado. Las
técnicas de regresión lineal analizan estos datos y determinan que tus gastos son la mitad de
tus ingresos. Luego calculan un gasto futuro desconocido al reducir a la mitad un ingreso
conocido futuro.
Esto dependerá del número de variables que necesitemos incluir elegir entre un modelo u
otro
El análisis de regresión lineal simple es el más utilizado y el más sencillo de todos. Se trata de
estudiar el efecto de una variable independiente sobre una única variable dependiente de la
primera —o que al menos a nivel teórico hemos considerado que es dependiente—. Empleando esta
ecuación de regresión lineal simple se puede realizar una estimación basándose en los datos
obtenidos.
En el caso de la regresión lineal múltiple nos encontramos con un modelo que sencillamente cuenta
con más de una variable independiente. Este modelo lo aplicaremos cuando tengamos razones
para creer que hay más de un factor que afecta a la variable de estudio.
Fórmula de la regresión lineal múltiple
Hay ocasiones en las que la relación que puede darse entre variables independientes y la variable
dependiente no tenga un desarrollo lineal, sino que tengan, por ejemplo, un crecimiento
exponencial. En esos casos, el modelo de regresión no lineal entra en juego y permite que
obtengamos una aproximación de los valores de la variable dependiente en un entorno no lineal.
Tengamos presente que el proceso de una regresión no lineal es más complejo, ya que puede no
coincidir el número de parámetros con el de las variables independientes.
3 Fórmulas de regresión no lineales
En muchos casos es posible modificar un modelo no lineal para convertirlo en un modelo lineal. Por
ejemplo aplicando logaritmos a su fórmula inicial.
Regresión exponencial
y = a.bx
Esta fórmula puede transformarse en una lineal mediante el uso de logaritmos. Quedando de la
siguiente manera la fórmula.
log y = log(a.bx) = log a + x log b
Regresión potencial
y = a. xb
Si volvemos a aplicar logaritmos, transformamos en un modelo lineal la fórmula inicial.
log y = log a + b log x
Regresión parabólica
y* = a0+a1x+a2 x2
Para resolver esta ecuación es necesario buscar los valores a0, a1, a2 que minimicen la fórmula:
ψ(a0,a1,a2)=Σ(Yi- (a0+a1x+a2 x2))2
El siguiente paso a realizar es igualar las derivadas parciales a cero, para así obtener ecuaciones
lineales que puedan ser resueltas. El resultado final será:
Σyi =N a0 + a1 Σxi + a2Σxi2
β^1=∑ni=1(xi−x¯¯¯)(yi−y¯¯¯)∑ni=1(xi−x¯¯¯)2=SySxRβ^1=∑i=1n(xi−x¯)
(yi−y¯)∑i=1n(xi−x¯)2=SySxR
β^0=y¯¯¯−β^1x¯¯¯β^0=y¯−β^1x¯
Donde Sy y Sx son las desviaciones típicas de cada variable y R el coeficiente de
correlación. β^0 es el valor esperado la variable Y cuando X = 0, es decir, la intersección
de la recta con el eje y. Es un dato necesario para generar la recta, pero en ocasiones, no
tiene interpretación práctica (situaciones en las que X no puede adquirir el valor 0).
Una recta de regresión puede emplearse para diferentes propósitos y dependiendo de ellos
es necesario satisfacer distintas condiciones. En caso de querer medir la relación lineal
entre dos variables, la recta de regresión lo va a indicar de forma directa (ya que calcula
la correlación). Sin embargo, en caso de querer predecir el valor de una variable en
función de la otra, no solo se necesita calcular la recta, sino que además hay que asegurar
que el modelo sea bueno.
Método de trazo libre:
Un modelo de regresión no lineal es una ecuación que describe la relación no lineal entre la
variable respuesta y la variable predictora cuando esta no puede ser formada
adecuadamente mediante una relación lineal, es decir, se utilizan cuando los datos no se
ajustan a la recta de mejor ajuste tanto como el investigador quisiera, entonces se debe de
tomar otras opciones como una relación: logarítmica, exponencial, potencial, polinomial,
entre muchas más.
3. Elegir el modelo no lineal correcto no es una tarea fácil, en muchos casos se llega al
mejor modelo a prueba y error.
Se entiende por desviación estándar como la que mide la dispersión de una distribución de
datos. Entre más dispersa está una distribución de datos, más grande es su desviación
estándar.
La desviación estándar de la regresión indica el grado de dispersión que existe entre las
variaciones de los valores observados “Y” respecto a los estimados con ese valor se puede
determinar con cierta certeza.
Para saber si un modelo es confiable, dependerá si posee un mayor coeficiente ya que con
él se podrá apreciar que la estimación de los coeficientes no es lo suficientemente
confiable.
Características:
*Sí todos los valores de la variable se multiplican por un número la desviación estándar
queda multiplicada por el mismo número.
*Dado el caso de que no se pueda hallar la media por ende, tampoco se podrá hallar la
desviación estándar.
*Cuanta más pequeña sea la desviación estándar, mayor será la concentración de datos
alrededor de la media.
Regresión no lineal es un método para encontrar un modelo no lineal para la relación entre
la variable dependiente y un conjunto de variables independientes
¿Cómo lo hacemos?
Analizar > Regresión > No lineal...
Seleccione una variable numérica dependiente de la lista de variables del conjunto de datos
activo.
Conclusión:
En el mundo de los modelos no lineales es muy extenso y existe un sinfín de diferentes
tipos de modelos, así que si sus datos no tienen un comportamiento lineal, al cual estamos
muy acostumbrados, existe otro mundo que lo puede llevar a la respuesta para encontrar la
función que le haga describir la relación que tiene su variable respuesta con respecto a las
variables predictoras mediante el uso de programas que mejoran en conjunto con la
tecnología y facilitan la manera de hacer las cosas desde una perspectiva manual y práctica
para obtener aproximaciones de datos estadísticos según sea la necesidad o circunstancia
que se requieran dentro de una empresa, negocio, país, etc.
Bibliografía:
https://economipedia.com/definiciones/analisis-de-regresion.html
https://www.sdelsol.com/glosario/analisis-de-regresion/
https://aws.amazon.com/es/what-is/linear-regression/
https://es.slideshare.net/williamleon20/anlisis-de-regresin-lineal
http://www.cca.org.mx/cca/cursos/estadistica/html/m11/desviacion_estandar.htm
https://www.grupodabia.com/post/2020-03-18-modelos-no-lineales/#:~:text=Un
%20modelo%20de%20regresi%C3%B3n%20no,ajuste%20tanto%20como%20el
%20investigador
https://www.ibm.com/docs/es/spss-statistics/saas?topic=regression-nonlinear
https://www.cienciadedatos.net/documentos/
24_correlacion_y_regresion_lineal#Regresi%C3%B3n_lineal_simple
https://es.wikipedia.org/wiki/Regresi%C3%B3n_lineal
https://es.wikipedia.org/wiki/Desviaci%C3%B3n_t%C3%ADpica