Documentos de Académico
Documentos de Profesional
Documentos de Cultura
it happen
eae.es
Índice
01. Modelos de previsión.
01.01. Modelos de regresión lineal simple (MRLS)
01.02. Modelos de regresión lineal múltiple (MRLM)
2
01. Modelos de Previsión:
Regresión Lineal Simple
eae.es
3
Recta de Regresión
220
𝒚
200
ෝ = 𝒃𝟎 + 𝒃𝟏 𝒙
𝒚
180 𝐑𝐞𝐬𝐢𝐝𝐮𝐨: 𝒆𝒊
Weight (in pounds)
160
𝒃𝟏
140
𝟏
120
𝒃𝟎
100
60 62 64 66 68 70 72 74 76
x
Height (in inches)
𝒚 = 𝒃𝟎 + 𝒃𝟏 𝒙
4
Posibles criterios de
ajuste
Minimizar la Minimizar la
Minimizar la suma de los suma de los
suma, de los residuos cuadrados
residuos en valor absoluto de los residuos
10 10 10
9 9 9
8 8 8
-1
7 +2 7 7 +2
+3
6 -6 6 6
5 +4 5 5
y
y
4 4 4
-1
3 3 3
2 2 2
1 1 1
0 0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
x x x
5
Hipótesis del
modelo
Linealidad
Los datos deben ser razonablemente rectos:
6
Hipótesis del
modelo
Variancia constante
La dispersión de los datos debe ser constante
7
Hipótesis del
modelo
Normalidad
Se asume que 𝒚𝒊 ȁ𝒙𝒊 ~ 𝑵 𝜷𝟎 + 𝜷𝟏 𝒙𝒊 ; 𝝈
𝒚
𝒙 𝒊 , 𝒚𝒊
𝒆𝒊 ●
● 𝜺𝒊
● ●
● ●
●
● ●
𝑬 𝒚 𝒙 = 𝜷𝟎 + 𝜷𝟏 𝒙
● ●
ෝ = 𝒃𝟎 + 𝒃𝟏 𝒙
𝒚
𝑥𝑖 𝒙
8
Hipótesis del
modelo
Independencia
9
Hipótesis del
modelo
𝟎 ≤ 𝑹𝟐 ≤ 𝟏
𝑹𝟐 = 𝒓𝟐𝑿𝒀
R2: Es el porcentaje de la
variabilidad de y explicada
por el modelo
11
Resultados con
Excel
SUMMARY
OUTPUT
Regression Statistics
Multiple R 0,122553683
R Square 0,015019405
Adjusted R Square -0,005501024
Standard Error 14,14854409
Observations 50
ANOVA
Significance
df SS MS F F
Regression 1 146,517 146,517 0,73192452 0,3965105
Residual 48 9608,7 200,181
Total 49 9755,22
12
Resultados con
Excel
𝒃𝟏 𝒔𝒃𝟏
13
Resultados con
Excel
14
Validación del
modelo: Análisis de
residuos
Verificar las 4 hipótesis del modelo
Para asegurar que la inferencia sobre los
parámetros se correcta
𝑌𝑖
𝑒𝑖
Sugerir mejoras del modelo
𝑌𝑖
Residuos no aleatorios = > las hipótesis de
modelo no se cumplen. También puede ser
que se pueda sacar más información de los
datos
25
Y
0 1 2 3 4 5
X
16
Validación del
modelo: Análisis de
residuos Fitted Line Plot
Y = 14,24 + 4,023 X
35
35 S 0,528825
R-Sq 99,3%
30
R-Sq(adj) 99,3%
30 Y Fi
25 = tted
Y
14 Li
,2 ne
4
+ Pl o
4,
25 20 02 t
Y
3
X
15
20
S
0
Residual Plots for Y
R-
15 R- S q
Sq
1 (a 0,
dj 52
0 1 2 3 4 5 ) 8
99 825
X 2 99 ,3%
ity Plot Versus Fits X
,3
%
3
4
1,0
5
0,5
Residual
0,0
-0,5
Ajusta mejor un
Tenemos que ver -1,0 modelo
patrón 1,0
0,5 aleatorio 15 20 25 30 35 cuadrático
Fitted Value
17
Mejora del modelo:
Transformaciones
La
Histogram of X^2
transformación
puede ser de la 𝒙,
350
300
250
de la 𝒚 o de les
Frequency
200
150
100
dos. Si se ve, una
50
𝒙 parábola, probar
de introducir X2
0
9 18 27 36 45 54 63
X^2
Histogram of X
Histogram of e^x
350
1200
1000
300
800
𝐥𝐧(𝒙) 250
Frequency
Frequency
600
200
400
150
200
100
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
e^x 50
0
1,8 2,7 3,6 4,5 5,4 6,3 7,2 8,1
Histogram of 1/X
X
600
500
400
Frequency
300
200
𝟏ൗ
𝒙
100
0
0,12 0,18 0,24 0,30 0,36 0,42 0,48 0,54
1/X
18
01. Modelos de Previsión:
Regresión Lineal Múltiple
eae.es
19
Regresión Lineal
Múltiple
20
Regresión Lineal
Múltiple
22
El valor de R2 vs
R2-adj
23
Multicolinealidad
24
Multicolinealidad
25
Multicolinealidad
26
Multicolinealidad
27