Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DEFINICIN
El modelo de Regresin Lineal Simple nos permite construir un modelo para explicar la relacin entre dos variables.
Ejemplo: - Ingreso y Consumo - Tasa de Inflacin y Tasa de Expansin Monetaria - Dficit y Tasa de inters
El Objetivo es explicar el comportamiento de una variable Y (variable dependiente, explicada o endgena), a partir de otra variable X (variable independiente, explicativa o exgena), formando l siguiente modelo: Y = 0 + 1 X
Laplace
Gauss
Galton
yi = 0 + 1xi + ui
y3 y2
u2{
.}u
y1
.}u
x1
x2
x3
x4
Peso en Kg.
61 60 78 62 66 60 54 84 68 ...
Dichas observaciones pueden ser representadas en un diagrama de dispersin (scatterplot). En ellos, cada individuos es un punto cuyas coordenadas son los valores de las variables. Nuestro objetivo ser intentar reconocer a partir del mismo si hay relacin entre las variables, de qu tipo, y si es posible predecir el valor de una de ellas en funcin de la otra.
100 90 80 70 60
Pesa 50 kg. Mide 187 cm.
Pesa 76 kg.
190
200
170
180
190
200
Incorrelacin
90 80 70 60 50 40 30
140
150
160
170
180
190
200
Para valores de X por encima de la media tenemos valores de Y por encima y por debajo en proporciones similares. Incorrelacin.
Para los valores de X mayores que la media le corresponden valores de Y mayores tambin. Para los valores de X menores que la media le corresponden valores de Y menores tambin.
100
Poca relacin
90 80 70 60 50 40 30
140
150
160
170
180
190
200
Dado un valor de X no podemos decir gran cosa sobre Y. Mala relacin. Independencia.
Conocido X sabemos que Y se mueve por una horquilla estrecha. Buena relacin. Lo de horquilla estrecha hay que entenderlo con respecto a la dispersin que tiene la variable Y por si sola, cuando no se considera X.
1 S xy ( xi x )( yi y ) n i
El signo de la covarianza nos dice si el aspecto de la nube de puntos es creciente o no, pero no nos dice nada sobre el grado de relacin entre las variables.
S xy SxS y
Propiedades de r
Es adimensional. Slo toma valores en [-1,1]. Las variables son incorreladas r = 0. Relacin lineal perfecta entre dos variables r = +1 o r = -1. Excluimos los casos de puntos alineados horiz. o verticalmente. Cuanto ms cerca est r de +1 o -1 mejor ser el grado de relacin lineal. Siempre que no existan observaciones anmalas.
Variables incorreladas
-1
+1
r=0,1
150 160 170 180 190 200
r=0,4
150 160 170 180 190 200
r=0,6
190 200
r=0,8
190 200
r=0,9
190 200
r=0,99
190 200
r=1
190 200
80 70 60 50 40 30 20
r=-0,5
150 160 170 180 190 200
10 0 140 80 70 60 50 40 30 20
r=-0,7
150 160 170 180 190 200
80 70 60 50 40 30 20 10 0 140
r=-0,95
150 160 170 180 190 200
10
r=-0,999
150 160 170 180 190 200
0 140
Si r = 0 eso quiere decir que las variables son independientes? En la prctica, casi siempre s, pero no tiene por qu ser cierto en todos los casos. Lo contrario si es cierto: Independencia implica incorrelacin. Me ha salido r = 1,2 La relacin es superlineal [sic]? Superqu? Eso es un error de clculo. Siempre debe tomar un valor entre -1 y +1. A partir de qu valores se considera que hay buena relacin lineal? Es difcil dar un valor concreto (mirad los grficos anteriores). Para este curso digamos que si |r| > 0,7 hay buena relacin lineal y que si |r| > 0,4 hay cierta relacin (por decir algo... la cosa es un poco ms complicada: observaciones anmalas,...)
X = Variable independiente
predictora, controlada, no es una variable aleatoria. explicativa
buscamos encontrar una funcin de X muy simple (lineal) que nos permita aproximar Y mediante = b0 + b1X
b0 (ordenada en el origen, constante) b1 (pendiente de la recta)
Y e rara vez coincidirn por muy bueno que sea el modelo de regresin. A la cantidad e = Y- se le denomina residuo o error residual.
22
= b0 + b1X
b0 = 85 cm (No interpretar como altura de un hijo cuyo padre mide 0 cm Extrapolacin salvaje!) b1= 0,5 (En media el hijo gana 0,5 cm por cada cm del padre.)
b1=0,5
b0=85 cm
b1=0,5
b0=85 cm
24