Estadística para

Administradores

Capítulo 15
Introducción a la Regresión
Curvilínea

Lic. Orlando Daniel Fortuna Chap 15-1

 Relaciones No-Lineales

 La relación entre las variables explicativas y

explicada no es lineal
 Se verifica en un diagrama de puntos la “no
linealidad” de la relación
 Pueden ser modelos, por ejemplo,
Cuadráticos o Exponenciales

Chap 15-2
 Modelo de Regresión Cuadrática

Ecuación de Regresión cuadrática:

Yi  β0  β1X1i  β2 X  εi 2
1i

 donde:
β0 = Ordenada al origen
β1 = Coeficiente del efecto lineal
β2 = Coeficiente del efecto cuadrático
εi = Error aleatorio en Y para la observación i

Chap 15-3
 Ajuste Lineal vs. Ajuste No-lineal

Y Y

X X

residuals
residuals

X X

El ajuste lineal no nos da El ajuste no-lineal nos

residuos aleatorios
 da residuos aleatorios
Chap 15-4
 Modelo de Regresión Cuadrática
DCOVA
Yi  β0  β1X1i  β2 X  εi
2
1i

El modelo cuadrático puede ser considerado cuando el

diagram de puntos nos da, por ejemplo estas formas:
Y Y Y Y

X1 X1 X1 X1
Y Y

X1 X1 Chap 15-5
 Prueba de significación del
modelo cuadrático
DCOVA
 La función de estimación del model
cuadrático es:

Ŷi  b0  b1X1i  b2 X 2
1i

 La prueba de significación total es:

H0: β1 = β2 = 0 (no hay relación entre X e Y)
H1: β1 and/or β2 ≠ 0 (Hay relación entre X e Y)

MSR
F= MSE

Chap 15-6
Prueba de significación del efecto
cuadrático
DCOVA
 Evalúa el efecto cuadrático

 Compara la ecuación de regression cuadrática

Yi  b0  b1X1i  b2 X 2
1i

con la ecuación de regression lineal

Yi  b0  b1X1i

Chap 15-7
 Prueba de significación del efecto
cuadrático

 Testea el efecto cuadrático

 Consideramos la ecuación de regression
cuadrática
Yi  b0  b1X1i  b2 X1i2
Hipótesis:
H0: β2 = 0 (El efecto cuadrático no mejora el modelo)
H1: β2  0 (El efecto cuadrático mejora el modelo)

Chap 15-8
Prueba de significación del efecto
cuadrático

El estadístico es:

b2  β2
t STAT 
Sb
2

d.f.  n  3

Chap 15-9
 Prueba de significación del
efecto cuadrático

 Testing the Quadratic Effect

Compara el r2 ajustado del model de regression lineal

contra el r2 ajustado del modelo cuadrático

 Si el r2 del modelo cuadrático es más grande que el

r2 del modelo lineal, entonces el modelo cuadrático
es el adecuado.

Chap 15-10
 Uso de transformaciones en el
análisis regresional
DCOVA

Idea:
 Transformar modelos no-lineales en
modelos lineales
 Transformar X, Y o ambas variables sin
violar los supuestos de la regresión

Chap 15-11
 Transformación de la raíz
cuadrada
DCOVA
 Transformación de la raíz cuadrada

Yi  β0  β1 X1i  ε i

Chap 15-12
 Transformación de la raíz
cuadrada (continued)

DCOVA
Yi  β0  β1 X1i  ε i Yi  β0  β1X1i  ε i
 Forma de la relación original  Forma de la relación
transformada
Y Y b1 > 0

X X
Y Y

b1 < 0
X X Chap 15-13
 Transformación logarítmica

Modelos multiplicativos:

 Modelo original  Modelo transformado

Yi  β0 X1iβ1 ε i log Yi  log β0  β1 log X1i  log ε i

Modelos exponenciales:

 Modelo original  Modelo transformado

Yi  e
β 0 β1X1i β 2 X 2i
εi ln Yi  β0  β1X1i  β2 X2i  ln ε i

Chap 15-14
 Modelo Exponencial
DCOVA
Supongamos el siguiente modelo:

β 0 β1X1i β 2 X 2i
Yi  e εi
La transformación sería:

ln Yi  β0  β1X1i  β2 X2i  ln ε i

Copyright ©2012 Pearson Education, Inc. publishing as Prentice Hall Chap

Chap
15-15
15-15
 Modelo Exponencial

Supongamos
y= b0eb1X1

Aplicando logaritmos

LnY=b1X+lnb0 ó LnY=lnb0+ b1X

Y luego las transformaciones matemáticas…

Chap 15-16
 Bibliografía

 LEVINE, DAVID M., KREHBIEL, TIMOTHY C.

Y MARK L. BERENSON -Estadística para
administración. Cuarta edición -PEARSON
EDUCACIÓN, México, 2006

Chap 15-17