UNIVERSIDAD PERUANA LOS ANDES

Facultad de Ciencias Administrativas y Contables

Modalidad Semipresencial

TEMA: REGRESIÓN LINEAL MÚLTIPLE

DOCENTE:
CARLOS LUIS LAPA ZARATE

INTEGRANTE:
PEÑARES BALBIN SHIRLEY

Slide
1
REGRESIÓN LINEAL MÚLTIPLE

Slide
2
Slide
3
Slide
4
 Método de Mínimos Cuadrados

 Criterio de Mínimos Cuadrados

min  ( y i  y^i )2
 Cálculo de Valores de los Coeficientes
Las fórmulas para determinar los coeficientes de
regresión b0, b1, b2, . . . bp implican el uso del álgebra
de matrices. Se pueden usar paquetes de software
computarizado para desarrollar estos cálculos.
 Nota sobre la Interpretación de los Coeficientes de
Regresión
bi representa una estimación del cambio en y
correspondiente a un cambio unitario en xi cuando
todas las otras variables independientes se
mantienen constantes.
Slide
5
 Estimación de los Coeficientes de Regresión

 Los coeficientes de regresión para 2 variables

independientes se obtienen resolviendo el sistema de
ecuaciones normales siguiente por cualquier método
apropiado para resolver sistemas de ecuaciones
lineales:

∑Y = na + b1 ∑X1 + b2 ∑X2
∑X1Y = a∑X1 + b1∑X²1 + b2 ∑X1 X2
∑X2Y = a∑X2 + b1∑X1 X2 + b2 ∑X²2

Slide
6
 Ejemplo

 Al propietario de Showtime Movies Theaters, Inc., le

gustaría estimar el ingreso bruto semanal como una
función de los gastos de publicidad. Los datos
históricos para una muestra de ocho semanas son los
siguientes:
Ingreso bruto Publicidad en Publicidad en
semanal ($1000s) televisión ($1000s) periódicos ($1000s)
96 5.0 1.5
90 2.0 2.0
95 4.0 1.5
92 2.5 2.5
95 3.0 3.3
94 3.5 2.3
94 2.5 4.2
94 3.0 2.5

Slide
7
 Ejemplo:

Para una mezcla cuyas intensidades de rayos X son X1 =

1.091, X2 = 0.855, X3 = 0.758 y X4 = 1.005, la
concentración estimada del componente A es

y = -0.3004 + (0.5387) (1.091) + (0.1770) (0.855) – (0.0704)

(0.758) + (0.1506) (1.005)

y = 0.5366.

Slide
8
 Estimación de los Coeficientes de Regresión

 El estimador de β por mínimos cuadrados es

β = (Xᵀ X)ˉ¹ (Xᵀ y)

donde
Xᵀ es la matriz transpuesta de la matriz X
(Xᵀ X)ˉ¹ es la matriz inversa del producto de Xᵀ X

Slide
9
 Multicolinealidad en la Regresión Múltiple

 El términos multicolinealidad se refiere a la

correlación entre las variables independientes.
 Cuando las variables independientes están altamente
correlacionadas (es decir, |r | > 0.7), no es posible
determinar el efecto separado de cualquier variable
independiente particular sobre la variable
dependiente.
 Si la ecuación de regresión estimada se usa para
propósitos predictivos, la multicolinealidad
normalmente no es un problema serio.
 Debe hacerse cada intento para evitar incluir
variables independientes que estén altamente
correlacionadas.

Slide
10
 Análisis Residual

 Residual para la Observación i

yi - y^i
 Residual Estandarizado para la Observación i
y i  y^i
syi  y^i
donde
sy i  y^i  s 1  hi
El residual estandarizado para la observación i en
el análisis de regresión múltiple es demasiado
complejo para hacerlo a mano. Sin embargo, es parte
de la solución de la mayoría de los paquetes de
software estadístico.

Slide
11
 Detección de valores atípicos
• Un valor atípico es una observación que es inusual
en comparación con los otros datos.
• Minitab clasifica una observación como un valor
atípico si su valor residual estandarizado es < -2 o
> +2.
• Esta regla para residuales estandarizados a veces
falla al identificar una observación inusualmente
grande como un valor atípico.
• Este defecto de la regla puede soslayarse mediante
el uso de residuales estudentizados borrados.
• El |i ésimo residual estudentizado borrado| será
mayor que el |i ésimo residual estandarizado|.

Slide
12