REGRESIN LINEAL

INTRODUCCIN

El anlisis de regresin lineal es una tcnica estadstica utilizada para estudiar la relacin entre variables.

En el contexto de la investigacin de mercados puede utilizarse para determinar en cual de diferentes medios de comunicacin puede resultar ms eficaz invertir, o para predecir el nmero de ventas de un determinado producto.

Existen dos tipos de regresin: Simple: anlisis de dos variables Mltiple: anlisis de ms de dos variables.

Este anlisis puede utilizarse para explorar y cuantificar la relacin entre una variable llamada dependiente o criterio(Y) y una o ms variables llamadas independientes o predictoras.

Esta anlisis tiene el doble propsito de:

Averiguar en que medida la variable dependiente puede estar explicada por la(s) variable(s) independientes Obtener predicciones en la variable dependiente a partir de las variables independientes.

GRFICO DE DISPERSIN

Este ofrece una idea aproximada sobre el tipo de relacin existente entre dos variables.

Puede ser empleado tambin como una forma de cuantificar el grado de relacin lineal existente entre dos variables, ya que basta con observar el grado en el que la nube de puntos se ajusta a una lnea recta.

Al tener nuestra muestra se puede estudiar el grado de asociacin de las variables por medio de algunos indicadores.

REGRESIN LINEAL SIMPLE

Ya que se sabe que hay una relacin lineal de las variables: X (causa) Y (efecto)
Se establece un modelo para explicar la causa (Y) en trminos del efecto (X)

Yi =a+bXi

para i = 1,2,.,n

Para estimar a y b se utiliza el mtodo de mnimos cuadrados

X i Y i Xi Y i b= 2 2 n Xi Xi a=ybx

MEDIDAS DE ASOCIACIN DE VARIABLES

Covarianza
1 cov X,Y = n xi x 1 yi y = Sxy n Resultado: Positivo Ambas variables tienden a variar de la misma forma. Asociacin positiva. Negativo Significa que si una aumenta la otra tiende a disminuir y viceversa. Cercana a cero Indica que no hay asociacin entre las variables. Tiene el inconveniente de que es difcil juzgar si el resultado es grande o pequeo

Coeficiente de correlacin lineal

Es igual a la covarianza dividida por las desviaciones estndar. cov(X,Y) corr X,Y = = dsXdsY sxy xi x yi y = Sxx Syy 2 2 xi x yi y

Resultado: El valor de correlacin es un numero entre -1 y 1.

Interpretacin del Coeficiente de correlacin.

REGRESIN LINEAL MLTIPLE

Este permite utilizar mas de una variable independiente. En este anlisis ya no define una recta en el plano, sino un hiperplano en un espacio multidimensional. Con mas de una variable independiente, la representacin grafica de las relaciones presentes en un modelo de regresin representa una solucin poco til.

Por lo tanto es mucho mejor hacer uso de la ecuacin correspondiente al modelo: Y=a+b1 X1 +b2 X2 ++bk Xk + De acuerdo a este modelo, la variable dependiente se interpretara como una combinacin lineal de un conjunto de K variables independientes Xk cada una de las cuales va acompaada de un coeficiente bk que indica el peso relativo de esa variable en la ecuacin. La ecuacin incluye adems a una constante (a) y un componente aleatorio(los residuos ) que recogen todo lo que las variables independientes no son capaces de explicar.

EJERCICIO DE APLICACIN

DATOS

Tabla 1. Compresin Vs presin para un material aislante Espcimen 1 2 3 4 Presin x 1 2 3 4 Compresin y 1 1 2 2

Calcule las estimaciones de mnimos cuadrados para 0 (a) y 1 (b) con los datos de la Tabla 1
D una interpretacin prctica de los resultados

PARA LA PRIMERA PARTE.

Tabla 2. Clculos preliminares para el ejemplo de compresin de aislante xi 1 2 yi 1 1 xi2 1 4 xiyi 1 2 yi2 1 1

3 4
5 TOTALES xi= 15

2 2
4 yi = 10

9 16
25 xi2 = 55

6 8
20 xiyi = 37

4 4
16 yi2 = 26

Para la pendiente: b= Por lo que si: xi n xi n 2 yi 15 10 =37 =7 5 SSxy SSxx

SSxy = y SSxx =

xi yi

xi 2

15 2 =55 =10 5

Se obtiene que la pendiente es:

b= SSxy SSxx = 7 = 0.7 10

Para la ordenada al origen:

yu xi a=ybx= b n n

Sustituyendo los valores ya obtenidos:

10 15 a= 0.7 =0.1 5 5

Por lo que la lnea de mnimos cuadrados es:

4.5 4

y=a+bx
Compresin

3.5 3 2.5 2 1.5 1 0.5 0 -0.5 0 2 4 Presin 6 8

y=0.1+0.7x