TOMA DE DECISIONES

SESIÓN Nº 15
Técnicas básicas de regresión lineal múltiple en la
toma de decisiones.

 
FACULTAD DE CIENCIAS EMPRESARIALES
ESCUELA ACADÉMICO PROFESIONAL DE ADMINISTRACIÓN
Técnicas básicas de regresión lineal múltiple
en la toma de decisiones
Se ha visto el tema del análisis de regresión simple:

Precio de la casa = β0 + β1(Área de la casa) + ε

Pero en general, una variable dependiente depende de más de una

variable independiente:

Precio de la casa puede depender de:

● Área

● Antigüedad

● Número de baños

● Área del garaje

● Etc.
15-3
Para tratar este tipo de problemas se requiere expandir el análisis de regresión:

Regresión Lineal Simple

Regresión Lineal Múltiple

y = β0 + β1x1 + ε

y = β0 + β1x1 + β2x2 + ……… + βpxp + ε

15-4
Objetivos
● Explicar la construcción de modelos usando el análisis de regresión
múltiple.

● Aplicar el análisis de regresión múltiple en la toma de decisiones de

negocios.

● Analizar e interpretar los resultados de programas estadísticos para

un modelo de regresión múltiple.

● Evaluar la significancia de las variables indepen-dientes en un

modelo de regresión múltiple.
● Reconocer problemas potenciales en el análisis de regresión múltiple
y tomar acciones para corregirlos.
● Incorporar variables cualitativas en el modelo de regresión usando
variables dummies.
15-5
 Modelo de Regresión Múltiple

Objetivo: Examinar la relación lineal entre

una variable dependiente (y) y
dos o más variables independientes (xi)
Modelo poblacional:
Y-intercepto Pendientes Error aleatorio

y  β0  β1x1  β 2 x 2    βk x k  ε
Modelo de regresión múltiple muestral:

Valor de y y-intercepto Pendientes estimadas Error muestral

estimado

y i  b 0  b1x1i  b 2 x 2i    b k x ki  ei 15-6
 Modelo de Regresión Múltiple

Objetivo: Examinar la relación lineal entre

una variable dependiente (y) y
dos o más variables independientes (xi)
Modelo poblacional:
Y-intercepto Pendientes Error aleatorio

y  β0  β1x1  β 2 x 2    βk x k  ε
Modelo de regresión múltiple estimado:

Valor estimado o y-intercepto Pendientes estimadas

predecido de ŷ estimado

ŷ  b0  b1x1  b 2 x 2    bk x k 15-7
 Modelo de Regresión Múltiple

Modelo de dos variables:

y
ŷ  b0  b1x1  b 2 x 2

x1
ble
ri a
va
la
a ra
te
p x2
n
ie riable x 2
end para l a v a
P di en te
Pen
Llamado hiperplano de regresión

x1
15-8
 Modelo de Regresión Múltiple
(continuación)
Modelo de dos variables:

y Observación
yi
<
muestral ŷ  b0  b1x1  b 2 x 2

yi

<
e = (y – y)

x2i
x2
x1i <La ecuación de mejor ajuste,
y, es hallada minimizando la
suma de cuadrados del error,
x1 e2 15-9
 Modelo de Regresión Múltiple Poblacional

Supuestos:
● Los términos de error (ε) son realizaciones estadísticamente
independientes de una variable aleatoria para cada nivel de x.

● Para un valor dado de x, pueden existir muchos valores de y,

por lo tanto muchos valores posibles para e. La distribución de
los posibles errores del modelo para cualquier nivel de x es
normal.

● Las distribuciones de los posibles valores de los errores e tienen

igual varianza en cada nivel de x.

● Las medias de la variable dependiente y, para todos los valores

especificados de x, pueden ser conectados con una línea la cual 15-10
 Conceptos Básicos para la
Construcción de Modelos

● Los modelos son usados para evaluar cambios sin implementarlos en el

sistema real.

● Los modelos pueden ser usados para predecir “outputs” basados en

“inputs” específicos.

● El proceso de construcción de modelos consiste de 3 etapas:

■ Especificación del modelo

■ Ajuste del modelo

■ Diagnóstico del modelo

15-11
 Especificación del Modelo
● A veces referido como identificación del modelo

● Es un proceso para establecer la estructura del modelo,

decidir qué se quiere hacer y seleccionar la variable
dependiente (y).

○ Determinar las potenciales variables independientes (x)

para el modelo.

○ Recolectar los datos muestrales (observaciones) para

todas las variables. Sugerencia: Tamaño muestral de al
menos 4 veces el número de variables independientes.

15-12
 Construcción del Modelo
● Es el proceso de construir la ecuación para los datos.

● Puede incluir todas o algunas de las variables

independientes (x).
● El objetivo es explicar la variación en la variable
dependiente (y) a través de la relación lineal con las
variables independientes seleccionadas (x).

15-13
 Diagnóstico del Modelo
● Analizar la calidad del modelo (efectuar las pruebas de
diagnóstico).
● Evaluar el grado en que los supuestos se satisfacen.
● Si el modelo es inaceptable, iniciar el proceso de
construcción del modelo nuevamente.
● Usar el modelo más simple que satisfaga las
necesidades.
○ El objetivo es ayudar a tomar mejores decisiones .

15-14
 Ejemplo

Un distribuidor de pies (postres) desea evaluar

los factores que se cree influyen en la demanda

15-15
Diagramas de Dispersión

15-16
 Ejemplo:Especificación del Modelo

Un distribuidor de pies (postres) desea evaluar los

factores que se cree influyen en la demanda

● Variable dependiente: Ventas (unidades / semana)

● Variables independientes: Precio ($) y Publicidad

($100)

15-17
Modelo de Regresión múltiple Poblacional:
 Ejemplo: Construcción o Formulación del Modelo

Modelo de Regresión Múltiple (Muestral):

Ventasj = b0 + b1(Precioj) + b2(Publicidadj) + errorj

Modelo de Regresión Múltiple Lineal

Ventas = b0 + b1(Precio) + b2(Publicidad)

15-18
 Interpretación de los Coeficientes
Estimados
● Pendientes (bi)

○ Estiman el cambio en el valor promedio de “y” como bi unidades

por cada unidad de incremento en xi manteniendo las otras
variables constantes.

○ Ejemplo: Si b1 = -20, entonces se espera que las ventas promedio

(y) se reduzcan en 20 pies por semana por cada $1 en que se
incremente el precio (x1), manteniendo constante la variable
publicidad (x2).

● y-intercepto (b0)

○ Estima el valor promedio de y cuando todas las variables xi son

iguales a cero (suponiendo que el valor cero está dentro de los
rangos de valores que pueden tomar los xi). 15-19
 Formulación del Modelo

Sema- Venta Precio Publicidad

na de pies ($) ($100s)
Modelo de Regresión Múltiple:
1 350 5.50 3.3
2 460 7.50 3.3
3
4
350
430
8.00
8.00
3.0
4.5
Ventas = b0 + b1 (Precio)
5 350 6.80 3.0
6 380 7.50 4.0 + b2(Publicidad)
7 430 4.50 3.0
8 470 6.40 3.7 Matriz de correlación:
9 450 7.00 3.5
Venta de
10 490 5.00 4.0   pies Precio Publicidad
11 340 7.20 3.5 Venta de Pies 1
12 300 7.90 3.2 Precio -0.44327 1
13 440 5.90 4.0 Publicidad 0.55632 0.03044 1
14 450 5.00 3.5
15 300 7.00 2.7

15-20
15-
21
 Matriz de Correlación
● Las correlaciones entre la variable dependiente
y las variables independientes seleccionadas
pueden obtenerse usando Excel:
○ Datos / Análisis de datos / Coeficiente de correlation

● Puede evaluar la significancia estadística de la

correlación con una prueba t

15-22
 Matriz de Correlación: Ventas de
Pies
Ventas de
  pies Precio Publicidad
Ventas de pies 1
Precio -0.44327 1
Publicidad 0.55632 0.03044 1

● Ventas vs. Precio : r = -0.44327

○ Hay una asociación lineal negativa entre
las ventas y el precio

● Ventas vs. Publicidad : r = 0.55632

○ Hay una asociación lineal positiva entre las
15-23
ventas y la publicidad
Estimación de la Ecuación de Regresión Lineal
Múltiple

● Programas estadísticos (computadora) son

generalmente usados para generar estimados
de los coeficientes y medidas de bondad de
ajuste de la regresión múltiple

● Excel:
○ Datos / Análisis de datos / Regresión

15-24
Estimación de la Ecuación de Regresión Lineal
Multiple
(continuación
● Excel: )

○Datos / Análisis de datos / Regresión

15-25
Regresión Múltiple: Excel (Resultado)

Ventas  306.526 - 24.975(Precio)  74.131(Publicidad)

15-26
 Regresión Múltiple: Excel (Resultado)
(continuación)
Ecuación estimada de regresión múltiple:

Ventas  306.526 - 24.975(Precio)  74.131(Publicidad)

Donde:
Ventas (número de pies por semana)
Precio ($)
Publicidad ($100’s)

b1 = -24.975: Las ven- b2 = 74.131: Las

tas decrecerán en ventas crecerán en
promedio 24.975 pies promedio 74.131 pies
por semana por cada por semana por cada
$1 incrementado en el $100 incrementado
precio, manteniendo en publicidad,
constante la publici- manteniendo cons-
dad tante el precio
15-27
Usando el Modelo para hacer Predicciones

Predecir las ventas de una semana en la cual

el precio es $5.50 y la publicidad es $350.

Ventas  306.526 - 24.975(Precio)  74.131(Publicidad)

 306.526 - 24.975 (5.50)  74.131 (3.5)
 428.62

Nota: La publicidad
La venta pre- está en $100’s,
decida es entonces x2 = 3.5
significa $350
428.62 pies 15-28
 Coeficiente de Determinación Múltiple (R2)
● Reporta la proporción de la variación total en y
que es explicada por todas las variables (juntas) x
consideradas en el modelo

SSR Suma de cuadrados de regresión

R 
2

SST Suma total de cuadrados

15-29
Coeficiente de Determinación Múltiple (R2)

(continuación)

SSR 29460.0
R 
2
  0.52148
SST 56493.3
El 52.1% de la variación en las
ventas es explicada por la va-
riación en los precios y la publi-
cidad

15-30
 R2 Ajustado
● R2 nunca decrece cuando una nueva variable x
es añadida al modelo
○ Esto puede ser una desventaja cuando se
compara modelos
● ¿Cuál es el efecto neto de agregar una nueva
variable?
○ Se pierde un grado de libertad cuando una
nueva variable x es añadida
○ ¿La nueva variable x aporta suficiente poder
explicativo para compensar la pérdida de un 15-31
 R2 Ajustado
● Muestra la proporción explicada de la variación en y por las
variables x’s tomando en cuenta la relación entre el tamaño de
(continuación)
muestra y el número de variables independientes

 n 1 
R  1  (1  R )
2
A
2

 n  k  1
(Donde n = Tamaño muestral, k = Número de variables independientes)

○ Penaliza el uso excesivo de variables independientes no

importantes
○ Es más pequeña que el R2
○ Útil en la comparación entre modelos

15-32
Coeficiente de Determinación Múltiple: Excel
(Resultado)

R 2A  0.44172
El 44.2% de la variación en las ventas es
explicada por la variación en los precios y
la publicidad, tomando en cuenta la
relación entre el tamaño de muestra y el
número de variables independientes

15-33