Mínimos cuadrados

ordinarios
https://stephanievazquezg.com/
2 Objetivo

 Revisar el método que se utilizó para realizar el análisis de regresión en

Excel.
3 Contenido

 Introducción
 Mínimos cuadrados ordinarios
 Referencias
4 Introducción

 Antes de continuar, debemos examinar el método que utilizamos para realizar

análisis de regresión en Excel. A eso lo llamamos mínimos cuadrados ordinarios
(OLS).
 Ésta es la forma más común de estimar la ecuación de regresión lineal. Los
mínimos cuadrados básicamente representan el error cuadrático medio.
 Sabemos que un error menor da como resultado un mejor poder explicativo
del modelo de regresión. Entonces este método tiene como objetivo encontrar
una línea que minimice la suma de los errores al cuadrado.
 Echemos un vistazo más de cerca al gráfico ahora.
 Normalmente podemos encontrar muchas líneas
que se ajusten a los datos. OLS, sin embargo,
determina cuál tiene el menor error.
5 Mínimos cuadrados ordinarios

 En el gráfico, es el que está más cerca de

todos los puntos simultáneamente.
 Pero ¿cómo interpretamos la fórmula? Bueno,
este es un problema de minimización que
utiliza cálculo y álgebra lineal para determinar
la pendiente y la intersección de la recta.
 Después de calcular los números, encontrarás
que la intersección es ß0 y la pendiente es ß1.
 Conociendo los coeficientes, puedes obtener
fácilmente la ecuación de regresión.
 Podemos intentar minimizar la suma al
cuadrado de los errores en papel, pero con
conjuntos de datos que comprometan miles
de valores esto es casi imposible.
 Hoy en día, los profesionales pueden
simplemente dejar que el software haga los
cálculos y el análisis de regresión estará listo en
poco tiempo.
6 Mínimos cuadrados ordinarios

 Los estadísticos suelen preferir Excel, SPSS, SARS y Stata para sus cálculos.
 Mientras que los analistas y científicos de datos prefieren lenguajes de
programación como R y Python porque ofrecen capacidades ilimitadas y una
velocidad inigualable.
 Por supuesto, existen otros métodos para determinar la línea de regresión, pero
tendemos a usarlos en diferentes contextos.
 Algunos de los enfoques más comunes incluyen los mínimos cuadrados
generalizados, la estimación de máxima verosimilitud, la regresión bayesiana, la
regresión del kernel y la regresión del proceso gaussiano.
 Aun así, el método de mínimos cuadrados sigue siendo el favorito de todos los
tiempos para muchos.
 Es simple pero lo suficientemente potente para la mayoría de los problemas
lineales.
7 Referencias

 Remenyi, D., Onofrei, G., English, J. (2011). An Introduction to Statistics Using

Microsoft Excel: Research Textbook Collection. Reino Unido: Academic
Conferences Publishing International.
 Mount, G. (2021). Advancing Into Analytics. Estados Unidos: O'Reilly Media.
Gracias
https://stephanievazquezg.com/