ECONOMETRIA

EMPRESARIAL
Docente: Alex Acuña Berrospi
REGRESION LINEAL SIMPLE
El análisis de regresión es un procedimiento
poderoso y flexible para conocer las relaciones
asociativas entre una variable dependiente métrica y
una o más variables independientes. Se puede
utilizar de las siguientes maneras:
1. Para determinar si las variables independientes
explican una variación significativa en la variable
dependiente: para saber si existe una relación.
2. Para determinar qué cantidad de la variación de
la variable dependiente puede explicarse
mediante las variables independientes: la fuerza
de la relación.
3. Para determinar la estructura o forma de la
relación: la ecuación matemática que
relaciona las variables independiente y
dependiente.
4. Para predecir los valores de la variable
dependiente.
5. Para controlar otras variables independientes
al evaluar las contribuciones de una variable
específica o de un conjunto de variables.
Aunque las variables independientes pueden explicar
la variación de la variable dependiente, esto no
necesariamente implica causalidad. El uso de los
términos variables dependientes o de criterio, y de
variables independientes o predictivas en el análisis
de regresión, surge de la relación matemática entre
las variables. Estos términos no implican que la
variable criterio sea dependiente de las variables
independientes en un sentido causal. El análisis de
regresión se refiere a la naturaleza y al grado de
asociación entre variables y no implica ni asume
causalidad alguna.
 REGRESION BIVARIADA
• Procedimiento para derivar una relación
matemática, en forma de ecuación, entre una sola
variable dependiente métrica y una sola variable
independiente métrica.
• En muchos aspectos, el análisis es similar al
cálculo de la correlación simple entre dos
variables.
 OBJETIVO
• Estudiar la asociación entre dos variables,
asociación simple, en forma descriptiva. Aplicar los
métodos descriptivos de muestras bivariantes
cuantitativas (cada unidad estadística se observan
dos características cuantitativas medibles X e Y,
ejem. Salarios y gastos mensuales.
 REGRESION
• La primera forma del estudio de la asociación
entre las variables X e Y.
• Consiste en determinar la relación funcional lineal
(recta de regresión) entre ellas, con el fin de
predecir el valor de una variable en base a la otra.
• Variable dependiente, es la variable a predecir;
variable independiente, que es la variable base de
la predicción.
EJEMPLOS DE APLICACIÓN:
1. ¿Es posible explicar las variaciones en las
ventas, en términos de la variación de los
gastos publicitarios? ¿Cuáles son la
estructura y la forma de esta relación, y se
puede modelar matemáticamente usando
una ecuación que describa una línea recta?
2. ¿Es posible explicar la variación en la
participación de mercado con el
tamaño de la fuerza de ventas?
3. ¿Las percepciones de calidad de los
consumidores determinan sus
percepciones acerca del precio?
 PROCEDIMIENTO DE LOS MINIMOS
CUADRADOS
• Técnica para ajustar una línea recta a un diagrama
de dispersión, disminuyendo lo más posible el
cuadrado de las distancias verticales de todos los
puntos a partir de la línea.
 CORRELACION
• Segunda forma de estudio de la asociación entre las
variables X e Y.
• Consiste en determinar la variación conjunta de las dos
variables, su grado o nivel de relación, y su sentido
(positivo o negativo).
• La medida del nivel de relación se denomina coeficiente o
índice de correlación.
• El cuadrado del índice de correlación se denomina
coeficiente de determinación.
 LA COVARIANZA
• La covarianza de los datos observados en una muestra es la
estadística que mide el nivel de variabilidad (dispersión o
concentración) conjunta de los datos de las variables en
pareja (X,Y) con respecto a sus medias respectivas (x media
e y media).
 EL COEFICIENTE DE
CORRELACION
• En estadística, el coeficiente de correlación de Pearson es
una medida lineal entre dos variables aleatorias
cuantitativas. A diferencia de la covarianza, la correlación
de Pearson es independiente de la escala de medida de las
variables.
• De manera menos formal, podemos definir el coeficiente de
correlación de Pearson como un índice que puede utilizarse
para medir el grado de relación de dos variables siempre y
cuando ambas sean cuantitativas y continuas.
 EL COEFICIENTE DE
DETERMINACION
• En estadística, el coeficiente de determinación,
denominado R² y pronunciado R cuadrado, es un estadístico
usado en el contexto de un modelo estadístico cuyo principal
propósito es predecir futuros resultados o probar una
hipótesis. El coeficiente determina la calidad del modelo para
replicar los resultados, y la proporción de variación de los
resultados que puede explicarse por el modelo.
EJERCICIO N° 1