12.

5 Inferencias en la regresión lineal múltiple 459

Sum of Mean
Source DF Squares Square F Value Pr > F
Model 3 399.45437 133.15146 30.98 <.0001
Error 9 38.67640 4.29738
Corrected Total 12 438.13077

Root MSE 2.07301 R-Square 0.9117

Dependent Mean 29.03846 Adj R-Sq 0.8823
Coeff Var 7.13885

Parameter Standard
Variable DF Estimate Error t Value Pr > |t|
Intercept 1 39.15735 5.88706 6.65 <.0001
x1 1 1.01610 0.19090 5.32 0.0005
x2 1 -1.86165 0.26733 -6.96 <.0001
x3 1 -0.34326 0.61705 -0.56 0.5916

Dependent Predicted Std Error

Obs Variable Value Mean Predict 95% CL Mean 95% CL Predict Residual
1 25.5000 27.3514 1.4152 24.1500 30.5528 21.6734 33.0294 -1.8514
2 31.2000 32.2623 0.7846 30.4875 34.0371 27.2482 37.2764 -1.0623
3 25.9000 27.3495 1.3588 24.2757 30.4234 21.7425 32.9566 -1.4495
4 38.4000 38.3096 1.2818 35.4099 41.2093 32.7960 43.8232 0.0904
5 18.4000 15.5447 1.5789 11.9730 19.1165 9.6499 21.4395 2.8553
6 26.7000 26.1081 1.0358 23.7649 28.4512 20.8658 31.3503 0.5919
7 26.4000 28.2532 0.8094 26.4222 30.0841 23.2189 33.2874 -1.8532
8 25.9000 26.2219 0.9732 24.0204 28.4233 21.0414 31.4023 -0.3219
9 32.0000 32.0882 0.7828 30.3175 33.8589 27.0755 37.1008 -0.0882
10 25.2000 26.0676 0.6919 24.5024 27.6329 21.1238 31.0114 -0.8676
11 39.7000 37.2524 1.3070 34.2957 40.2090 31.7086 42.7961 2.4476
12 35.7000 32.4879 1.4648 29.1743 35.8015 26.7459 38.2300 3.2121
13 26.5000 28.2032 0.9841 25.9771 30.4294 23.0122 33.3943 -1.7032

Figura 12.1: Salida de resultados del SAS para los datos del ejemplo 12.4.

Más sobre el análisis de varianza en la regresión múltiple (opcional)

En la sección 12.4 se estudió brevemente la partición de la suma total de cuadrados
n
(y i −ȳ) 2 en sus dos componentes, el modelo de regresión y la suma de cuadrados del
i =1
error (que se ilustran en la figura 12.1). El análisis de varianza conduce a la prueba de

H 0 : β1 = β2 = β3 = · · · = βk = 0.

El rechazo de la hipótesis nula implica una interpretación importante para el cientí-

fico o el ingeniero. (A quienes les interese profundizar en el tema del uso de matrices les
será útil estudiar el desarrollo de estas sumas de cuadrados que se usan en el ANOVA).
En primer lugar, de la sección 12.3 recuerde que b, el vector de los estimadores de
mínimos cuadrados, es dado por
b = (X X ) −1 X y .