MULTIPLE ESTADISTICA INFERENCIAL II INTEGRANTES. • JAMANGAPE VELASCO OCTAVIO • MORENO GARCIA ROGER SERVANDO • PEREZ DIAZ JULIO CESAR • FERNANDEZ FLORES LUIS IVAN • ESPINOSA RINCON LUIS DANIEL REGRESION MULTIPLE
Cuando existe una posible relación entra varias variables independientes y otra dependiente se hace necesario el uso de la REGRESIÓN MULTIPLE. La regresión múltiple se usa con mayor frecuencia en las publicaciones de las investigaciones cuando se requiere crear un modelo donde se seleccionan variables que pueden influir en la respuesta, descartando aquellas que no aportan información, cuando se requiere detectar la interacción entre variables independientes que afectan a la variable y cuando se requiere identificar variables confusoras. REGRESION MULTIPLE
Aplicaciones de la regresión simple.
Es cierto que la regresión múltiple se utiliza para la predicción de respuestas a partir de variables explicativas. Los usos que con mayor frecuencia encontraremos en las publicaciones son los siguientes: Identificación de variables explicativas. Nos ayuda a crear un modelo donde se seleccionan las variables que puedan influir en la respuesta, descartando aquellas que no aporten información. Detección de interacción. Entre variables independientes que afectan a la variable de respuesta. Un ejemplo de interacción clásico es el de estudiar la respuesta de un paciente al alcohol y a un barbitúrico, y observar que cuando se ingieren ambos, el efecto es mucho mayor del esperado como suma de los dos REGRESION MULTIPLE Hay ciertos requerimientos que la variable necesarios para poder utilizar la técnica de regresión múltiple: Linealidad: Se supone que la variable respuesta depende linealmente de las variables explicativas. Normalidad y edquidistribucion de los residuos: Se llaman residuos las diferencias entre los valores calculados por el modelo y los realmente observados entre los valores calculados por el modelo y los realmente observados en la variable dependiente. Numero de variables independientes: Podemos estar tentados en incluir en el modelo cualquier cosa que tengamos en una base de datos, con la esperanza de que cuantas variables incluyamos, mas probabilidades de concluir una correlación múltiple Colinealidad: Si dos variables independientes están estrechamente relacionada.s y ambas son incluidas en el modelo, muy posiblemente ninguna de las dos sea considerada significativa, aunque si hubiésemos incluido una de ellas, si. REGRESION MULTIPLE El modelo de regresión lineal múltiple es idéntico al modelo de regresión lineal simple, con la única diferencia de que aparecen más variables explicativas: Modelo de regresión simple Y=𝜷0+𝜷1· x+μ Modelo de regresión múltiple 𝒀𝒊 = 𝜷𝟎 + 𝜷𝟏 𝑿𝒊𝟏 + 𝜷𝟐 𝑿𝒊𝟐 +. . . + 𝜷𝒌 𝑿𝒊𝒌 Donde 𝑌 es la variable respuesta cuantitativa para el i-ésimo objeto, este es un valor estimado. 𝛽𝑘 Son los parámetros poblacionales (valores constantes fijos) llamados coeficientes. Siendo “n” el número de objetos u observaciones donde i = 0, 1, 2,..., n. Se espera que la variable dependiente varíe linealmente con las variables independientes. CORRELACION MULTIPLE
Una correlación múltiple es el coeficiente de correlación entre una variable
criterio (Y) y la combinación linear de las variables llamadas predictoras que también se pueden denominar (X), y es más claro, variables independientes. La combinación linear es la suma algebraica de las variables predictoras o independientes ponderadas por sus coeficientes beta; estos coeficientes son análogos a los coeficientes b y se calculan utilizando puntuaciones típicas. La correlación múltiple se simboliza como R e incluye el cálculo de los coeficientes beta de cada variable. Una expresión sencilla de esta correlación múltiple es: ∑𝜷ir1i Se multiplica el coeficiente beta de cada variable independiente por su correlación con la variable “Y” y se suman los productos. La raíz cuadrada de esta suma es el coeficiente de correlación múltiple. CORRELACION MULTIPLE
El coeficiente de correlación múltiple se 𝑟𝑦.𝑥1 𝑥2…𝑥𝑘 puede definir de manera general
como la raíz cuadrada de la suma de los cuadrados explicados por la regresión sobre la suma de los cuadrados totales. ∑𝒏𝒊=𝟏(ෝ 𝒚− 𝒚ഥ)𝟐 𝒓𝒚.𝒙𝟏 𝒙𝟐..𝒙𝒌 = ∑𝒏𝒊=𝟏(𝒚 − 𝒚 ഥ)𝟐
Este coeficiente tiene una desventaja, su valor se incrementa cuando se
introducen nuevas variables independientes en el modelo, por tanto resulta engañoso para el análisis cuando se tienen muchas variables independientes. CORRELACION MULTIPLE
De manera general es posible encontrar una ecuación general de
coeficiente de correlación múltiple que incluye “k” variables independientes, esta se puede construir a partir de los coeficientes de correlación parciales: 2 2 2 2 2 1 − 𝑟𝑦.𝑥1 𝑥2 …𝑥𝑘 = 1 − 𝑟𝑦𝑥1 1 − 𝑟𝑦𝑥 2 .𝑥1 1 − 𝑟𝑦𝑥3 .𝑥1 𝑥2 … 1 − 𝑟𝑦𝑥𝑘 .𝑥1 …𝑥𝑘−1
