Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 34 vistas

    Investigacion

    Cargado por

    JOSMAR ALVAREZ HERNANDEZ
    Este documento trata sobre pruebas de hipótesis, intervalos de confianza y predicción en regresión lineal múltiple. Explica conceptos como coeficientes de regresión, factores que influyen en los intervalos de confianza y cómo predecir valores usando regresión.

    Copyright:

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

    Investigacion

    Cargado por

    JOSMAR ALVAREZ HERNANDEZ
    34 vistas5 páginas
    Este documento trata sobre pruebas de hipótesis, intervalos de confianza y predicción en regresión lineal múltiple. Explica conceptos como coeficientes de regresión, factores que influyen en los intervalos de confianza y cómo predecir valores usando regresión.

    Título original

    investigacion

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento trata sobre pruebas de hipótesis, intervalos de confianza y predicción en regresión lineal múltiple. Explica conceptos como coeficientes de regresión, factores que influyen en los intervalos de confianza y cómo predecir valores usando regresión.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    34 vistas5 páginas

    Investigacion

    Cargado por

    JOSMAR ALVAREZ HERNANDEZ
    Este documento trata sobre pruebas de hipótesis, intervalos de confianza y predicción en regresión lineal múltiple. Explica conceptos como coeficientes de regresión, factores que influyen en los intervalos de confianza y cómo predecir valores usando regresión.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    Está en la página 1de 5

    TECNOLÓGICO NACIONAL DE MÉXICO

    INSTITUTO TECNOLÓGICO SUPERIOR DE


    MISANTLA

    TRABAJO DE LA MATERIA:

    Estadística Inferencial

    “TITULO DEL TEMA A INVESTIGAR:


     Hipótesis de regresión lineal múltiple
     Intervalos de confianza
     Predicción en regresión múltiple
    NOMBRE DEL ALUMNO:

    JOSMAR ÁLVAREZ HERNÁNDEZ

    NOMBRE DEL DOCENTE:

    MISANTLA, VERACRUZ, 10 ABRIL 2022


    Prueba de hipótesis en regresión lineal múltiple
    La regresión lineal múltiple permite generar un modelo lineal en el que el valor de
    la variable dependiente o respuesta (YY) se determina a partir de un conjunto de
    variables independientes llamadas predictores (X1X1, X2X2, X3X3…). Es una
    extensión de la regresión lineal simple, por lo que es fundamental comprender
    esta última. Los modelos de regresión múltiple pueden emplearse para predecir
    el valor de la variable dependiente o para evaluar la influencia que tienen los
    predictores sobre ella (esto último se debe que analizar con cautela para no
    malinterpretar causa-efecto).
    Los modelos lineales múltiples siguen la siguiente ecuación:

    Yi=(β0+β1X1i+β2X2i+⋯+βnXni)+eiYi=(β0+β1X1i+β2X2i+⋯+βnXni)+ei

     β0β0: es la ordenada en el origen, el valor de la variable


    dependiente YY cuando todos los predictores son cero.
     βiβi: es el efecto promedio que tiene el incremento en una unidad de la
    variable predictora XiXi sobre la variable dependiente YY, manteniéndose
    constantes el resto de variables. Se conocen como coeficientes parciales
    de regresión.
     eiei: es el residuo o error, la diferencia entre el valor observado y el
    estimado por el modelo.

    Es importante tener en cuenta que la magnitud de cada coeficiente parcial de


    regresión depende de las unidades en las que se mida la variable predictora a la
    que corresponde, por lo que su magnitud no está asociada con la importancia de
    cada predictor. Para poder determinar qué impacto tienen en el modelo cada una
    de las variables, se emplean los coeficientes parciales estandarizados, que se
    obtienen al estandarizar (sustraer la media y dividir entre la desviación estándar)
    las variables predictoras previo ajuste del modelo.

     Para cada variable: Considere el número de casos válidos, la media y la


    desviación estándar.  
     Para cada modelo: Tenga en cuenta los coeficientes de regresión, la
    matriz de correlación, las correlaciones parciales y semiparciales, múltiple
    R, R2, R2 ajustado, cambio en R2, error estándar de la estimación, tabla de
    análisis de varianza, valores previstos y residuales. Además, considere
    intervalos de confianza de 95 por ciento para cada coeficiente de regresión,
    matriz de varianza-covarianza, factor de inflación de la varianza, tolerancia,
    prueba de Durbin-Watson, medidas de distancia (Mahalanobis, Cook y
    valores de apalancamiento), DfBeta, DfFit, intervalos de predicción e
    información de diagnóstico sobre cada caso.  
     Gráficos: Considere diagramas de dispersión, gráficos parciales y de
    probabilidad normal, e histogramas.
     Datos: Las variables dependientes e independientes deben ser
    cuantitativas. Las variables categóricas, como la religión, el campo principal
    del estudio o la región de residencia, deben volver a codificarse para ser
    variables binarias (ficticias) u otros tipos de variables de contraste.  
     Otras hipótesis: Para cada valor de la variable independiente, la
    distribución de la variable dependiente debe ser normal. La varianza de la
    distribución de la variable dependiente debe ser constante para todos los
    valores de la variable independiente. La relación entre la variable
    dependiente y cada variable independiente debe ser lineal; además, todas
    las observaciones deben ser independientes.

    Así pueden comprobarse estas hipótesis:

    1. Las variables deben medirse a un nivel continuo. Algunas variables


    continuas son el tiempo, las ventas, el peso y las puntuaciones de las
    pruebas.  
    2. Utilice un diagrama de dispersión para determinar rápidamente si hay una
    relación lineal entre estas dos variables.
    3. Las observaciones deben ser independientes entre sí (es decir, no debe
    haber ninguna dependencia).
    4. Los datos no deberían tener valores atípicos significativos.  
    5. Comprobar la homocedasticidad, un concepto estadístico en el que las
    varianzas de la línea de regresión lineal de mejor ajuste siguen siendo
    similares a lo largo de toda esa línea.
    6. Los residuales (errores) de la línea de regresión de mejor ajuste siguen el
    patrón de una distribución normal.

    Intervalos de confianza

    Un intervalo de confianza es una técnica de estimación utilizada en inferencia


    estadística que permite acotar un par o varios pares de valores, dentro de los
    cuales se encontrará la estimación puntual buscada (con una determinada
    probabilidad).

    Un intervalo de confianza nos va a permitir calcular dos valores alrededor de una


    media muestral (uno superior y otro inferior). Estos valores van a acotar
    un rango dentro del cual, con una determinada probabilidad, se va a localizar el
    parámetro poblacional.

    Intervalo de confianza = media +- margen de error

    Conocer el verdadero poblacional, por lo general, suele ser algo muy complicado.
    Pensemos en una población de 4 millones de personas. ¿Podríamos saber el
    gasto medio en consumo por hogar de esa población? En principio sí.
    Simplemente tendríamos que hacer una encuesta entre todos los hogares y
    calcular la media. Sin embargo, seguir ese proceso sería tremendamente
    laborioso y complicaría bastante el estudio.

    Factores de los que depende un intervalo de confianza


    El cálculo de un intervalo de confianza depende principalmente de los siguientes
    factores:
     Tamaño de la muestra seleccionada: Dependiendo de la cantidad de datos
    que se hayan utilizado para calcular el valor muestral, este se acercará más
    o menos al verdadero parámetro poblacional.
     Nivel de confianza: Nos va a informar en qué porcentaje de casos nuestra
    estimación acierta. Los niveles habituales son el 95% y el 99%.
     Margen de error de nuestra estimación: Este se denomina como alfa y nos
    informa de la probabilidad que existe de que el valor poblacional esté fuera
    de nuestro intervalo.
     Lo estimado en la muestra (media, varianza, diferencia de medias…): De
    esto va a depender el estadístico pivote para el cálculo del intervalo.

    Predicción en regresión múltiple

    El análisis de la regresión lineal se utiliza para predecir el valor de una variable


    según el valor de otra. La variable que desea predecir se denomina variable
    dependiente. La variable que está utilizando para predecir el valor de la otra
    variable se denomina variable independiente.
    Esta forma de análisis estima los coeficientes de la ecuación lineal, involucrando
    una o a más variables independientes que mejor predicen el valor de la variable
    dependiente. La regresión lineal se ajusta a una línea recta o a una superficie que
    minimiza las discrepancias entre los valores de salida previstos y reales. Hay
    calculadoras de regresión lineal simple que utilizan el método de “mínimos
    cuadrados” para determinar la línea que mejor se ajusta para un conjunto de datos
    pareados. A continuación, se calcula el valor de X (variable dependiente) con
    respecto a Y (variable independiente).

    Es posible realizar la regresión lineal en Microsoft Excel o utilizar paquetes de


    software estadísticos, como IBM SPSS® Statistics, que simplifican enormemente
    el proceso de ecuaciones, modelos y la fórmula de regresión lineal. SPSS
    Statistics puede utilizarse para aplicar técnicas, como la regresión lineal simple y
    la regresión lineal múltiple.

    También podría gustarte