REGRESION

LINEAL
SIMPLE
SUPUESTOS DEL MODELO
𝜇𝑦/𝑥 = 𝐸 𝑦 = 𝛽0 + 𝛽1 𝑥
 𝜇 𝑦 𝑥 = 2000 𝒚 = 𝜷𝟎 + 𝜷𝟏 𝒙 + 𝒆𝒊
𝜇 𝑦 𝑥 = 1000

𝑽𝒆𝒏𝒕𝒂𝒔
ECUACION DEL MODELO 𝝁 𝒚 𝒙 = 𝑬 𝒚 = 𝜷𝟎 + 𝜷𝟏 𝒙

𝝁 𝒚 𝒙 = 𝑬 𝒚 = 𝜷𝟎 + 𝜷𝟏 𝒙

SUPUESTOS DEL MODELO

Están referidos siempre al comportamiento de los errores del modelo

𝜷𝟎
1. 𝐸(𝑒𝑖 ) = 𝑐𝑒𝑟𝑜
2. 𝑒𝑖 𝑠𝑜𝑛 ℎ𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑜𝑠
3. 𝑒𝑖 𝑠𝑜𝑛 𝑁𝑜𝑟𝑚𝑎𝑙𝑒𝑠
4. 𝑒𝑖 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠
𝑥1 = 1000 𝑥2 = 2000 𝑥𝑛 = 10000
𝑰𝒏𝒗𝒆𝒓𝒔𝒊𝒐𝒏
𝑷𝒖𝒃𝒍𝒊𝒄𝒊𝒕𝒂𝒓𝒊𝒂 𝒆𝒊 ~𝑵(𝟎; 𝝈𝟐 )

𝒆𝒊 = 𝒚𝒊 − 𝑬(𝒚) Error poblacional

Regresion NO Lineal
 ECUACION DE REGRESION LINEAL SIMPLE POBLACIONAL

𝝁 𝒚 𝒙 = 𝑬 𝒚 = 𝜷𝟎 + 𝜷𝟏 𝒙 Parámetros: 𝜷𝟎 𝒚 𝜷𝟏

ESTIMACION MUESTRAL

ෝ = 𝒃𝟎 + 𝒃𝟏 𝒙
𝒚 Estimadores: 𝒃𝟎 𝒚 𝒃𝟏

COMO CALCULAMOS LOS ESTIMADORES ? HAY ALGUNA FORMULA ? De donde se obtiene?

 Trabajemos con un ejemplo
La siguiente es una muestra de los sueldos de diecisiete médicos clínicos de un determinado hospital. El equipo de investigación del hospital esta
colaborando con el equipo de RRHH del hospital para encontrar las variables que influyen en el sueldo normal y habitual de los médicos que
trabajan en la institución.

Anti güeda d
Ca s o Nro en a ños Sdo Ci ruja no
1 25 67,24
2 14 63,00
3 11 60,71
4 15 67,43
5 18 68,17
6 7 35,81
7 8 39,51
8 5 43,99
9 5 50,00
10 14 47,50
11 20 70,00
12 18 65,71
13 9 53,00
14 14 66,45
15 7 56,70
16 14 53,40
17 19 60,45
 𝑦ො1
𝑦ො2
𝑦ො3
𝑦ො4

𝑦ො = 𝑏0 + 𝑏1 𝑥

෢𝟐
ෝ)𝟐 = 𝐦𝐢𝐧 σ 𝒆
MINIMOS CUADRADOS = MINσ(𝒚𝒊 − 𝒚 𝒊
 𝟐
MINIMOS CUADRADOS = MINσ(𝒚𝒊 − 𝒚
ෝ)

MINσ(𝒚𝒊 − (𝒃𝟎 + 𝒃𝟏 𝒙))𝟐

෍(𝒚𝒊 − 𝒃𝟎 − 𝒃𝟏 𝒙)𝟐 Encontrar el mínimo de esta función

𝝏 σ(𝒚𝒊 − 𝒃𝟎 + 𝒃𝟏 𝒙)𝟐 𝝏 σ(𝒚𝒊 − 𝒃𝟎 + 𝒃𝟏 𝒙)𝟐

𝝏𝒃𝟎 𝝏𝒃𝟏

𝑏𝑜 = 𝑦ത − 𝑏1 𝑥ҧ
𝑐𝑜𝑣(𝑥, 𝑦)
𝑏1 =
𝑠𝑥2
 Anti güeda d
Ca s o Nro en a ños Sdo Ci ruja no
1 25 67,24 𝑦 = 𝑠𝑢𝑒𝑙𝑑𝑜 𝑚𝑒𝑑𝑖𝑐𝑜 𝑐𝑙𝑖𝑛𝑖𝑐𝑜
2 14 63,00
3 11 60,71 𝑥 = 𝑎ñ𝑜𝑠 𝑑𝑒 𝑎𝑛𝑡𝑖𝑔𝑢𝑒𝑑𝑎𝑑 𝑒𝑛 𝑙𝑎 𝑖𝑛𝑠𝑡𝑖𝑡𝑢𝑐𝑖𝑜𝑛
4 15 67,43
5 18 68,17 𝑠𝑥2 = 33,24 𝑠𝑦2 =114,16 𝐶𝑜𝑣 𝑥, 𝑦 = 𝑠𝑥,𝑦 = 46,39
𝑥ҧ = 13 𝑦ത = 57
6 7 35,81
7 8 39,51
8 5 43,99
9 5 50,00
10 14 47,50 𝟒𝟔, 𝟑𝟗 𝒃𝟎 = 𝟓𝟕 − 𝟏, 𝟒 ∗ 𝟏𝟑 = 𝟑𝟖, 𝟕
𝒃𝟏 = = 𝟏, 𝟒
11 20 70,00 𝟑𝟑, 𝟐𝟒
12 18 65,71
13 9 53,00
14 14 66,45
15
16
7
14
56,70
53,40
ෝ = 𝒃𝟎 + 𝒃𝟏 𝒙 = 𝟑𝟖, 𝟕 + 𝟏, 𝟒 𝒙
𝒚
17 19 60,45

Ahora que tenemos los 𝒚ෝ 𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔 𝒚𝒂 𝒆𝒔𝒕𝒂𝒎𝒐𝒔 𝒆𝒏 𝒄𝒐𝒏𝒅𝒊𝒄𝒊𝒐𝒏𝒆𝒔 𝒅𝒆 𝒑𝒐𝒅𝒆𝒓 𝒄𝒂𝒍𝒄𝒖𝒍𝒂𝒓 𝒍𝒐𝒔 𝒓𝒆𝒔𝒊𝒅𝒖𝒐𝒔.
Cada 𝒓𝒆𝒔𝒊𝒅𝒖𝒐 𝒆𝒔 𝒆𝒍 𝒊𝒏𝒔𝒕𝒓𝒖𝒎𝒆𝒏𝒕𝒐 𝒒𝒖𝒆 𝒖𝒕𝒊𝒍𝒊𝒛𝒂𝒎𝒐𝒔 𝒑𝒂𝒓𝒂 𝒑𝒓𝒐𝒃𝒂𝒓 𝐥𝐨𝐬 𝐬𝐮𝐩𝐮𝐞𝐬𝐭𝐨 𝐝𝐞𝐥 𝐦𝐨𝐝𝐞𝐥𝐨 .
Los residuos son valores sumamente importantes y juegan un rol fundamental en el análisis de regresión lineal.
Error Residuo

𝑒𝑖 = 𝑦𝑖 − 𝐸(𝑦) 𝒆ෝ𝒊 = 𝒚𝒊 − 𝒚
ෝ
 SUPUESTOS DEL MODELO COMPROBACION 𝑥ҧ − 𝜇 𝑒𝑖
𝑧= =
𝜎𝑥ҧ 𝜎𝑥ҧ
𝒆ෝ𝒊 = 𝒚𝒊 − 𝒚
ෝ
𝑒ෝ𝑖 𝑦𝑖 − 𝑦ො
𝑧𝑖 = = Los supuestos se comprueban utilizando los residuos.
𝑠𝑒ෝ𝑖 𝑠(𝑦𝑖 −𝑦)
ො
Todo las comprobaciones se realizan a través de gráficos
𝒔𝒆ෝ𝒊 = 𝒔 ∗ 𝟏 − 𝒉𝒊

ො 2
σ(𝑦𝑖 −𝑦) σ 𝑒෢
𝑖
2 ෢
𝑆𝐶𝐸
𝑠= = =
𝑛−2 𝑛−2 𝑛−2

𝟏 ഥ)𝟐
(𝒙𝒊 − 𝒙
𝒉𝒊 = +
𝒏 σ(𝒙𝒊 − 𝒙ഥ)𝟐

Graficar son los residuos estándares

Con los supuestos del modelo cumplidos, como determino si el modelo tiene un buen ajuste?

𝑉𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑇𝑜𝑡𝑎𝑙 = 𝑦𝑖 − 𝑦ത
𝑦
𝑉𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝐸𝑥𝑝𝑙𝑖𝑐𝑎𝑑𝑎 = 𝑦ො − 𝑦ത
𝑦𝑖 𝑦ො = 𝑏0 + 𝑏1 𝑥
VNE 𝑉𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑛𝑜 𝐸𝑥𝑝𝑙𝑖𝑐𝑎𝑑𝑎 = 𝑦𝑖 − 𝑦ො

VT VT=VE+VNE 𝒚 )= (ෝ
(𝒚𝒊 −ഥ ഥ )+ (𝒚𝒊 −ෝ
𝒚−𝒚 𝒚)
VE
𝑦ത

෍(𝑦𝑖 −𝑦ത ) 2 = ෍(𝑦ො − 𝑦ത ) 2 + ෍(𝑦𝑖 −𝑦)

ො 2

𝑥
SCT = SCR + SCE
 Coeficiente de DETERMINACION “𝑅2 "
𝑦 𝑦𝑖 𝑦ො = 𝑏0 + 𝑏1 𝑥 SCT = SCR + SCE
VNE
VT
VE 𝑆𝐶𝑅 σ(𝑦ො − 𝑦)
ത
2
𝑦ത 𝑅2 = =
𝑆𝐶𝑇 σ(𝑦𝑖 − 𝑦) 2
ത

𝑥 0 ≤ 𝑅2 ≤ 1

1- Que significa que este coeficiente de un valor cero?

2- Que significa que este coeficiente de un valor 1?
3- Cual seria el resultado que deberíamos esperar?