Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 59 vistas

    Guia Regresion Lineal

    Cargado por

    Juan P
    Este documento presenta una guía sobre regresión lineal con 10 ejercicios. Los ejercicios incluyen calcular rectas de regresión a partir de datos dados, analizar significatividad de estimaciones, interpretar coeficientes de regresión y efectos de agregar variables en el R-cuadrado. Los temas cubiertos son conceptos básicos de regresión lineal simple y múltiple.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Guia Regresion Lineal

    Cargado por

    Juan P
    59 vistas4 páginas
    Este documento presenta una guía sobre regresión lineal con 10 ejercicios. Los ejercicios incluyen calcular rectas de regresión a partir de datos dados, analizar significatividad de estimaciones, interpretar coeficientes de regresión y efectos de agregar variables en el R-cuadrado. Los temas cubiertos son conceptos básicos de regresión lineal simple y múltiple.

    Descripción original:

    Guia de Estadistica 2 UBA

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta una guía sobre regresión lineal con 10 ejercicios. Los ejercicios incluyen calcular rectas de regresión a partir de datos dados, analizar significatividad de estimaciones, interpretar coeficientes de regresión y efectos de agregar variables en el R-cuadrado. Los temas cubiertos son conceptos básicos de regresión lineal simple y múltiple.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    59 vistas4 páginas

    Guia Regresion Lineal

    Cargado por

    Juan P
    Este documento presenta una guía sobre regresión lineal con 10 ejercicios. Los ejercicios incluyen calcular rectas de regresión a partir de datos dados, analizar significatividad de estimaciones, interpretar coeficientes de regresión y efectos de agregar variables en el R-cuadrado. Los temas cubiertos son conceptos básicos de regresión lineal simple y múltiple.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 4

    Estadı́stica II

    Guı́a 8: Regresión lineal

    Daniel Miliá y Javier Tasso

    P
    1. A partir
    P de2 los siguientes
    P datos construya la recta de regresión. Xi Yi = 384 X = 12,5 Y =
    2,375 Xi = 2250 Xi = 150.

    2. Siga trabajando con el ejercicio anterior. Suponga que el error estándar de la estimación de β1
    es 0.015908. ¿Es la estimación significativa al 5 %? Arme un intervalo de confianza del 95 %.

    3. Las variables X e Y representan la edad (en años cumplidos) y el ingreso mensual (en miles) de
    cuatro personas respectivamente.

    X Y
    35 19
    49 30
    33 22
    23 29

    a) Calcule las medias y las varianzas muestrales de ambas variables.


    b) Calcule la covarianza y el coeficiente de correlación e interprete.
    c) Obtenga la recta de regresión entre X e Y y estime el ingreso mensual de una persona de
    25 años.
    d ) Si el error tı́pico de la estimación de la pendiente es 0.3488, analice la significatividad de la
    estimación.

    4. De los siguientes modelos, ¿cuáles son lineales en los parámetros?

    Yi = β0 + β1 lnXi + ui
    Yi = β0 + β1 ln(Xi ) + ui
    Yi = β0 + β1 Xi2 + ui

    5. El objetivo de este ejercicio es ilustrar el funcionamiento de la regresión lineal múltiple. En la


    tabla que se envı́a en el archivo hay datos para 20 personas que incluyen el ingreso mensual (Y),
    la edad (X1) y una variable (X2) que toma valor 1 si la persona completó estudios terciarios o 0
    en otro caso. Se sugiere trabajar con Excel o algún otro programa que permita hacer regresiones.

    a) Haga un diagrama de dispersión entre el ingreso y la edad. ¿Existe relación lineal entre esas
    variables? Haga la regresión entre Y y X1 para verificar esta relación lineal.
    b) Verifique (con la función COEF.DE.CORREL) que la edad está correlacionada con el hecho
    de haber completado o no estudios terciarios. ¿De qué signo es la correlación? ¿Cree que
    tener estudios terciarios es importante para explicar el ingreso?
    c) Regrese la variable Y contra X1 y X2. ¿Es la estimación del coeficiente asociado a X1
    significativa? ¿Qué cree que está sucediendo?

    1
    d ) Volveremos a hacer lo pedido en el punto (c), pero en varias etapas.
    Primero regrese la variable X1 en X2. Obtendrá 22.667 para el intercepto y 10.424 para
    la pendiente.
    Genere una nueva columna en donde se presente el pronóstico de la edad dado si la
    persona tiene o no estudios terciarios. Por ejemplo, para la primera fila el pronósti-
    co será 22.667+10.424*0, para la segunda fila será 22.667+10.424*1, para la tercera
    22.667+10.424*0 y ası́ sucesivamente según el valor que tome la variable X2 en cada
    fila.
    Genere otra columna en donde esté la diferencia entre la edad (X1) y el pronóstico de
    la edad en base a la tenencia o no de estudios terciarios que acaba de obtener.
    Note que esto último representa aquella parte de la edad de las personas de la muestra
    que no está explicada por el hecho de tener o no estudios terciarios. Para finalizar haga
    la regresión entre Y y esta nueva variable. Compare los resultados obtenidos con los de
    la parte (c).

    6. Considere el modelo yi = µ + ui donde ui son errores independientes con media 0 y varianza σ 2 .


    Muestre que el estimador de mı́nimos cuadrados de µ es Y .

    7. Considere las siguientes variables.

    x .34 1.38 -.65 .68 1.40 -.88 -.30 -1.18 .50 -1.75
    y .27 1.34 -.53 .35 1.28 -.98 -.72 -.81 .64 -1.59

    a) Haga la regresión entre y y x donde y es la variable dependiente.


    b) Haga la regresión entre x e y donde x es la variable dependiente.
    c) Dibuje las rectas en un mismo plano.

    8. Discuta qué efectos tendrán sobre el R2 las siguientes situaciones.

    Agregar una variable X2, tal que cov(X2; Y ) 6= 0


    Agregar una variable X2, tal que cov(X2; Y ) = 0
    Agregar una variable X2, tal que cov(X2; Y ) = 0 pero cov(X1; X2) 6= 0
    Agregar una variable X2, tal que cov(X2; Y ) 6= 0 pero cov(X1; X2)) = 0
    Agregar una variable X2, tal que cov(X2; Y ) 6= 0 pero cov(X1; X2) 6= 0 y R- cuadrado de
    la regresión de X1 contra X2 es igual a 1
    Agregar una variable X2, tal que cov(X2; Y ) 6= 0 pero cov(X1; X2) 6= 0 y R- cuadrado de
    la regresión de X1 contra X2 es igual a 0,23
    Agregar una variable X2, tal que cov(X2; Y ) 6= 0 pero cov(X1; X2) 6= 0 y R- cuadrado de
    la regresión de X1 contra X2 es igual a 0

    9. Considere el siguiente modelo de regresión simple yi = β0 + β1 xi + ui y considere el estimador


    de la pendiente que obtuvo en clase usando el método de mı́nimos cuadrados. Muestre que el
    estimador visto en clase es equivalente a:
    P
    (xi − x)(yi − y) cov(x,
    ˆ y)
    β̂1 = P 2
    =
    (x − x) V (x)

    10. Considere el modelo de regresión simple yi = β0 +β1 xi +ui bajo los siguientes supuestos E(ui ) = 0
    y E(xi ui ) = 0. Utilice el método de momentos para encontrar estimadores de los parámetros β0
    y β1 .

    2
    11. Considere la siguiente ecuación estimada donde p es el precio de una casa y dist es la distancia
    a un basural recientemente construido.

    ˆ = 9,4 + 0,312ln(dist)
    ln(p) n = 135 R2 = 0,162

    a) Interprete el coeficiente asociado a la variable dist. ¿Tiene el signo esperado?


    b) ¿Considera que la regresión simple provee una estimación insesgada para el coeficiente
    asociado a dist? Piense en la decisión de la ciudad sobre donde construir el basural.
    c) ¿Qué otros factores pueden afectar el precio de una casa? ¿Están relacionados con la dis-
    tancia a un basural?

    3
    Respuestas

    1. Ŷi = 1,45 + 0,074Xi

    2. Lo es. EP=4.65. (0.03544, 0.10944)

    3. Los promedios son 35 y 25. Las varianzas 114.67 y 28.67. La covarianza es 9.33 y el coeficiente de
    correlación 0.1627. Ŷ =22.151163+0.081395X. La estimación de la pendiente no es significativa.

    4. El primero y el tercero.

    5. A cargo del alumno.

    6. A cargo del alumno.

    7. Las rectas si bien son similares no coinciden exactamente. Resulta que estamos minimizando
    distintos errores según si tomamos una u otra como variable dependiente.

    8. A cargo del alumno.

    9. A cargo del alumno.


    P
    10. β̂0 = y − β̂1 x y β̂1 = P xi2yi −nxy2
    xi −n(x)

    11. Tiene el signo esperado. No provee una estimación insesgada: posiblemente la ciudad haya deci-
    dido construir el basural en algún lugar donde los terrenos (y las casas) son más baratas. Esto
    evidencia una correlación entre la distancia y el error del modelo, donde el error incluye entre
    otros factores, la elección de la ciudad.

    También podría gustarte