MODELO DE REGRESION

𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝜀

𝑌෠ = 𝛽መ0 + 𝛽መ1 𝑋
SUPUESTOS DEL MODELO DE REGRESIÓN
1. El término de error es una variable aleatoria
distribuida normalmente
SUPUESTOS DEL MODELO DE REGRESIÓN
1. El término de error es una variable aleatoria
distribuida normalmente
Para cada valor de X, no necesariamente existe un solo
valor de Y.
Algunas veces Y estará por encima de la recta de
regresión y otras por debajo: error, los mismos que se
distribuyen en forma normal y aleatoriamente alrededor
de la recta de regresión poblacional
2. Varianzas iguales de los valores Y

M.C.O asume que las varianzas en los valores de Y es la

misma para todos los valores de X.

Supuesto de HOMOSCEDASTICIDAD

Y en la práctica?
3. Los términos de error son
independientes uno de otro
El término error encontrado para un valor de Y, no
se relaciona con el término de error para cualquier
otro valor de Y
Esto puede verse analizando el diagrama de los
errores de los datos muestrales, si no se observa
ningún patrón, se puede asumir que los términos de
error no se relacionan.
Si no cumple este supuesto, se dice que hay
autocorrelación.
MEDIDAS DE BONDAD DE AJUSTE
1. ERROR TÍPICO DE ESTIMACIÓN
2. COEFICIENTE DE DETERMINACIÓN

1. GRADO DE DISPERSION DE LAS VALORES DE Y,

ALREDEDOR DE LA RECTA DE REGRESIÓN. Se
ERROR TÍPICO DE LA ESTIMACIÓN

σ(𝑦𝑖 −𝑦ො𝑖 )2
𝑆𝑒 =
𝑛−2
𝑆𝑒 = 𝐶𝑀𝐸

𝑆𝐶𝐸
CME=
𝑛−2

(𝑆𝐶𝑥𝑦 )2
SCE= 𝑆𝐶𝑦 −
𝑆𝐶𝑥
 σ 2
2
( 𝑌)
𝑆𝐶𝑦 = ෍ 𝑌 −
𝑛
σ 2
2
( 𝑋)
𝑆𝐶𝑥 = ෍ 𝑋 −
𝑛

σ𝑋σ𝑌
𝑆𝐶𝑥𝑦 = ෍ 𝑋𝑌 −
𝑛
Publicidad Ventas
x y
0 150
15 200
30 400
45 450
50 600
60 610
70 620
Pruebas para los
coeficientes de
regresión y de
correlación
Evaluar la significancia de la pendiente de la
ecuación de regresión:
𝛽1 ≠ 0
Si es posible demostrar que la pendiente de la
recta de la población es distinta de cero, entonces
se puede concluir que al utilizar la ecuación de
regresión aumenta la capacidad de predecir o
pronosticar la variable dependiente basándose en
la variable independiente.
Pruebas para la pendiente β1

𝛽መ1 − 𝛽1
𝑡=
𝑆𝛽෡1

𝑆𝑒
𝑆𝛽෡1 =
𝑆𝐶𝑥
Paso 1
𝐻0: 𝛽1 = 0
𝐻1: 𝛽1 ≠ 0
Paso 2
𝛼 = 0,01
Paso 3
Los errores se distribuyen en forma normal y aleatoriamente
alrededor de la recta de regresión poblacional Existe
homocedasticidad, es decir la varianza en los valores de Y es la
misma para todos los valores de X.
No existe autocorrelación , es decir el término error encontrado
para un valor de Y, no se relaciona con el término de error para
cualquier otro valor de Y
Paso 4
𝛽መ1
Paso 5
෡1 −𝛽1
𝛽
t=
𝑆𝛽෡
1

Paso 6
Zonas de rechazo y no rechazo

t=-4,032 t=4,032
Paso 7
Cálculo de estadísticos necesarios
෡1 −𝛽1
𝛽
𝑆𝑒
t= 𝑆𝛽෡1 =
𝑆𝛽෡ 𝑆𝐶𝑥
1

𝛽መ1 =7,597 𝑆𝑒 =53,5973587

7,597 𝑆𝐶𝑥 =3735,71

t= = 8,663
0,8769
𝑆𝐶𝑥 = 61,12
𝑆𝛽෡1 =53,597/61,12=0,8769
Paso 8
Decisión estadística:
Con el 1% de significación
Paso 9 t=-4,032 t=4,032
Conclusiones
La pendiente es diferente de 0 con
El 99% de confianza
𝐻0: 𝛽1 = 0
𝐻1: 𝛽1 ≠ 0
Pruebas para el coeficiente de correlación (IGUAL
AL ANTERIOR)
𝑟−𝜌
t=
𝑆𝑟

1− 𝑟 2
𝑆𝑟 =
𝑛−2
Intervalos de confianza en el análisis de
regresión
Intervalo predictivo para un valor único de Y

ERROR TIPICO DE LA PREDICCION

Intervalos de confianza en el análisis de
regresión
MEDIA CONDICIONAL DE Y
Intervalos de confianza para la pendiente
Intervalo predictivo para un valor único de Y
Publicid
ERROR TIPICO DE LA PREDICCION ad Ventas
0 150
15 200
30 400
45 450
50 600
60 610
70 620

1 (50 − 39,57)2
𝑠𝑦𝑖 = 53,594 1 + + =
7 3735, 71