Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Y = β0 +β1x 1 +β2x 2 ,
Correlación
En esta sección se estudia el método para ajustar una recta de regresión estimada a
los datos, lo cual equivale a determinar los estimados b0 para β0 y b1 para β1. Por
supuesto, esto permite el cálculo de los valores pronosticados a partir de la recta
ajustada ˆy = b0+ b1x, y otros tipos de análisis y de información diagnóstica que
determinarán la fuerza de la relación, así como la adecuación y el ajuste del modelo.
Antes de analizar el método de estimación de los mínimos cuadrados es importante
presentar el concepto de residual. En esencia, un residual es un error en el ajuste del
modelo ˆy = b0 + b1x.
ei = yi − ˆyi , i = 1, 2,. . . , n .
yi = b0 +b1x i +ei.
Método de mínimos cuadrados
Debemos calcular b0 y b1, los estimados de β0 y β1, de manera que la suma de los
cuadrados de los residuales sea mínima. La suma residual de los cuadrados con
frecuencia se denomina suma de los cuadrados del error respecto de la recta de
regresión y se denota como SCE. Este procedimiento de minimización para estimar
los parámetros se denomina método de mínimos cuadrados. Por lo tanto, debemos
calcular a y b para minimizar
coeficiente de determinación
Y X1 X2
Rectorado Zona I Zona II
6,66 2,52 1,6
6,58 7,606 2,7
6,42 1,389 2,7
6,47 6,987 5,5
6,58 6,999 5,5
5,24 6,847 7,3
6,11 2,236 9,1
6,49 8,133 4,6
5,09 6,608 3,7
5,39 8,23 15,9
5,26 5,592 15,9
7 3,056 4,2
6,88 10,308 20,8
6,29 3,343 15,1
5,97 9,184 2,7
5,93 0 2,7
6,2 0 4
0 0 4,9
0 0 2
0 0 4,6
0 0 5,5
0 0 9,1
0 0 2,1
0 0 2
0 0 5,1
0 0 5,1
0 0 8,8
Aplicación Del Paquete Estadístico Excel
Estadísticas de la regresión
0,6968384
Coeficiente de correlación múltiple 98
0,4855838
Coeficiente de determinación R^2 93
0,4427158
R^2 ajustado 84
Error típico 2,2859093
04
Observaciones 27
ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados
Regresión 2 118,3801663 59,19008313
Residuos 24 125,4091523 5,225381344
Total 26 243,7893185
F Valor crítico de F
11,32741885 0,00034338
Coeficientes
Intercepción 2,171938394
Variable X 1 0,612209097
Variable X 2 -0,049608604
Regresión
Variables entradas/eliminadasa
Variables Variables
Modelo introducidas eliminadas Método
b
1 X2, X1 . Intro
a. Variable dependiente: Y
b. Todas las variables solicitadas introducidas.
Correlación
Correlación
Distribución F
ANOVAa
Suma de Media
Modelo cuadrados Gl cuadrática F Sig.
Total 243,789 26
a. Variable dependiente: Y
b. Predictores: (Constante), X2, X1
Pruebas T
Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados
a. Variable dependiente: Y
Conclusiones
En parte general de todos los estudios realizados por medio de los 2 programas
estadísticos Excel y SPSS nos sirvieron de mucha ayuda para la solución del
problema estadístico asignado a nuestro grupo. En énfasis que si relacionan entre sí
dos variables cuando el cambio de una categoría a otra estaremos hablando de
variables cualitativas y que cuando ocurre de un valor a otro es variables
cuantitativas, mientras que cuando se provoca un cambio en los valores o categoría de
la otra variable hablando de variables independientes.
R² = 0.480049782474455
0
0 2 4 6 8 10 12
Variable X 1
Y Linear (Y)
Pronóstico para Y
2 R² = 0.0434213927366573
0
0 5 10 15 20 25
2
0
0 20 40 60 80 100 120
Muestra percentil