TECNOLÓGICO NACIONAL DE MÉXICO

Instituto Tecnológico de Lerma

Ing. en Administración

Estadística II

Unidad 3. Análisis de regresión, correlación

lineal simple y múltiple

Mc. José Alfredo Solís Echeverría

Mayo 2021
CONTENIDO 3.1. Regresión lineal y correlación
3.1.1. Método de mínimos cuadrados
3.1.2. Coeficientes de correlación, de determinación y
el del error estándar de la estimación
3.1.3. Intervalos de confianza y de predicción
3.1.4. Análisis de varianza para la regresión
3.1.5. Análisis de residuales
3.2. Regresión y correlación Múltiple
3.2.1 Análisis de regresión múltiple y el método de los
mínimos cuadrados
3.2.2. El coeficiente de determinación Múltiple y el
error estándar múltiple de estimación
3.2.3. Análisis de varianza para la regresión Múltiple
3.2.4. Análisis de residuales
3.3. Aplicaciones.
 Entregables Mayo 28, 2021

 
Productos
%  
Prácticas 40

Ejercicios 30

Exámen 30
3.2. Regresión y Correlación Múltiple.

El análisis de regresión múltiple estudia la relación de una

variable dependiente y con dos o más variables independientes.
A la ecuación que describe cómo está relacionada la variable
dependiente y con las variables independientes x1, x2, . . . , xn y
un término de error se le conoce como modelo de regresión
múltiple.
 3.2. Regresión y
Correlación Múltiple.

El análisis de regresión múltiple es más adecuado

para un análisis debido a que permite controlar de
manera explícita muchos otros factores que afectan en
forma simultánea a la variable dependiente.
Esto es importante tanto para probar teorías
económicas como para evaluar los efectos de una
política cuando hay que apoyarse en datos no
experimentales.
Debido a que los modelos de regresión múltiple
pueden aceptar diversas variables explicativas que tal
vez estén correlacionadas, puede esperarse inferir
causalidad en casos en los que el análisis de regresión
simple podría no dar buenos resultados.
3.2. Regresión y Correlación Múltiple

Si al modelo se le agregan factores que pueden ser útiles

para explicar y, entonces puede explicarse más de la
variación en y. Por tanto, el análisis de regresión múltiple
puede emplearse para construir mejores modelos para
predecir la variable dependiente.
El modelo de regresión múltiple sigue siendo el vehículo
más empleado para el análisis empírico en la economía y en
otras ciencias sociales. Asimismo, el método de mínimos
cuadrados ordinarios se usa de manera general para estimar
los parámetros del modelo de regresión múltiple.
 El modelo de regresión lineal múltiple esta represenatdo por:
 

  el modelo de regresión múltiple, , , son los parámetros y el término de

En
error (la letra griega épsilon) es una variable aleatoria. Este modelo es
una función lineal de x1,x2,...,xn (la partede ) más el término de error.
3.2. Regresión y Este último corresponde a la variabilidad en y que no puede ser explicada
Correlación Múltiple. por el efecto lineal de las n variables indenpendientes.

Una consecuencia de este supuesto implica que el valor medio o esperado

de y, que se denota E(y), es igual a . A la ecuación que describe cómo
está relacionado el valor medio de y con x1, x2, . . . , xn se le conoce
como ecuación de regresión múltiple.

 
 Proceso de la estimación de la Regresión Múltiple

3.1. Regresión y
Correlación
Múltiple

Ecuación de la Regresión Múltiple estimada

 
 Ecuación de la Regresión Múltiple estimada

 
donde:
b0, b1, b2, . . . , bn son las estimaciones de
yˆ =valor estimado de la variable dependiente

3.1. Regresión y
Correlación
Múltiple
 3.1. Regresión lineal y Correlación Múltiple
Supuestos : el modelo de regresión múltiple se basa en los siguientes supuestos:
 Linealidad : La media E [y] de la variable dependiente y se puede expresar como una combinación lineal de las variables
independientes x 1 ,…, x k .
 Independencia : las observaciones y i se seleccionan de forma independiente y aleatoria de la población

 Normalidad : las observaciones y i  se distribuyen normalmente

 Homogeneidad de las diferencias : Observaciones y que  tienen la misma varianza

Estos supuestos se pueden expresar en términos de las variables aleatorias de error:

 Linealidad : El ε i  tiene una media de 0

 Independencia : Los ε i  son independientes

 Normalidad : Los ε i  se distribuyen normalmente

 Homogeneidad de varianzas : El ε i  tiene la misma varianza  σ2