ANALÍTICA DE NEGOCIOS

Clase 5: Modelos de regresión lineal - parte I

Contenido
1. Introducción a los modelos de regresión lineal simple.
2. Estimación coeficientes mediante MCO.
3. Descomposición de la varianza.
Resultado de aprendizaje
Conoce las herramientas claves en la construcción de
modelos de regresión lineal, de esta manera podrá desarrollar
modelos coherentes para describir eventos de importancia.
 Modelos de regresión lineal simple- parte I

¿Tienes alguna duda sobre la

clase anterior?
 Modelos de regresión lineal simple- parte I

Regresión lineal

Es interesante conocer cómo ‘combinar variables’ de forma

Motivación matemáticamente apropiada y dar una correcta interpretación.

La regresión lineal forma una recta dentro de un plano cartesiano y, a

partir de ella, se pueden obtener conclusiones.

Variable Variable predictora o

dependiente covariable

Forma matemática de
regresión lineal simple

Coeficientes regresión Error aleatorio

Elaboración propia.
 Modelos de regresión lineal simple- parte I

Regresión lineal
Cada uno de los componentes de la regresión lineal tiene una forma matemática de expresarse:

Variable dependiente de otras.

Coeficientes a estimar mediante técnica de

mínimos cuadrados ordinarios.

Variable independiente.

Diferencia entre el valor real y el estimado por la

regresión lineal de la variable dependiente.
Elaboración propia.
 Modelos de regresión lineal simple- parte I

Regresión lineal

¿Qué queremos lograr en primera instancia?

a) Probar si los coeficientes betas son significativos, implica

determinar si la variable X explica a la variable Y.

Hipótesis nula Hipótesis alternativa

¿Qué pasa si es 0? ¿Qué pasa si es 0?

Elaboración propia.
 Modelos de regresión lineal simple- parte I

Regresión lineal

Supuestos de los mínimos cuadrados ordinarios MCO.

Condiciones de partida:

Elaboración propia.
 Modelos de regresión lineal simple- parte I

Regresión lineal

● Estimación de los coeficientes betas.

● Método mínimos cuadrados ordinarios.

Se requiere minimizar el error de estimación.

Elaboración propia.
 Modelos de regresión lineal simple- parte I

Regresión lineal
Con la minimización del error se obtendrán los parámetros betas de la siguiente manera:

Promedio Y
donde
Y
Promedio X

Covarianza (X,Y)

Ya se conocen los betas y

podemos realizar la estimación
de Y.

Elaboración propia. Varianza (X)

 Modelos de regresión lineal simple- parte I

Regresión lineal
Si ya conocemos los betas, ¿ahora qué?

Se debe saber estadísticamente si son o no significativos, por lo tanto,

ahora se probarán las hipótesis:

Elaboración propia.

Se realiza una prueba estadística calculando un pivote (estadístico)

para los betas y contrastando con una distribución “t” de
probabilidad, esta prueba arrojará si los coeficientes betas son
significativos o no.
 Modelos de regresión lineal simple- parte I

Regresión lineal

¿Cómo concluimos?

Si aceptamos la hipótesis nula concluimos que no Si rechazamos la hipótesis nula concluimos

hay evidencias de que haya una relación lineal entre que el modelo lineal es apropiado. Puede que
las variables y el modelo, en principio, no es exista una relación NO-LINEAL, pero los datos
apropiado. Puede haber una relación lineal en la son también consistentes con un modelo
población, pero la muestra elegida no la detecta. lineal.
 Modelos de regresión lineal simple- parte I

Regresión lineal
Si ya conocemos los betas, ¿ahora qué?
Ahora aprenderemos a ver lo robusto del modelo mediante el análisis de la varianza o ANOVA.

Variabilidad de Y respecto a su
promedio:

Descomposición de la variabilidad: Elaboración propia.

Suma cuadrado total (SCT) Suma cuadrado del modelo (SCM) Suma cuadrado del error (SCE)
 Modelos de regresión lineal simple- parte I

Regresión lineal
Tabla ANOVA (análisis de la varianza):

Fuente de Suma de Medias Prueba F

variación cuadrados cuadráticas

Modelo

Residual

Total

Elaboración propia.
 Modelos de regresión lineal simple- parte I

Regresión lineal

Coeficiente R cuadrado

Elaboración propia.

Corresponde a la proporción de variabilidad de Y que es explicada por X. Mide la

proximidad de la recta ajustada a los valores observados de Y.
 Modelos de regresión lineal simple- parte I

Regresión lineal
Supuestos al modelo de regresión lineal:

Supuesto Descripción
Linealidad o correcta especificación del modelo. Si no se tiene linealidad se dice que tenemos un
error de especificación.
No correlación de los errores. Los errores obtenidos no deben presentar relación
alguna.
Homogeneidad de la varianza de los errores. No deben existir valores alto de la varianza de los
errores.
Distribución normal de los errores. Los errores se deben distribuir normales con media
en torno al 0.

Para verificar los supuestos se recurrirá al análisis de gráficos y de pruebas estadísticas

formales mediante el software RStudio.
Bibliografía

Peña, D .(2002). Análisis de datos multivariantes. México: Editorial McGraw-Hill.

Siegel, S. (1980). Estadística no paramétrica aplicada a las ciencias de la conducta. España: Editorial Trillas.