Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 9 vistas

    17-Regresion Lineal Simple (Parte 1)

    Cargado por

    2009594
    Este documento presenta los supuestos y metodología de la regresión lineal simple. Explica que la regresión lineal estima los parámetros β0 y β1 de la ecuación poblacional μy/x = β0 + β1x a través de los estimadores b0 y b1 obtenidos por mínimos cuadrados. También describe cómo calcular los estimadores y comprobar los supuestos del modelo utilizando los residuos estándares.

    Copyright:

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

    17-Regresion Lineal Simple (Parte 1)

    Cargado por

    2009594
    9 vistas12 páginas
    Este documento presenta los supuestos y metodología de la regresión lineal simple. Explica que la regresión lineal estima los parámetros β0 y β1 de la ecuación poblacional μy/x = β0 + β1x a través de los estimadores b0 y b1 obtenidos por mínimos cuadrados. También describe cómo calcular los estimadores y comprobar los supuestos del modelo utilizando los residuos estándares.

    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 los supuestos y metodología de la regresión lineal simple. Explica que la regresión lineal estima los parámetros β0 y β1 de la ecuación poblacional μy/x = β0 + β1x a través de los estimadores b0 y b1 obtenidos por mínimos cuadrados. También describe cómo calcular los estimadores y comprobar los supuestos del modelo utilizando los residuos estándares.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    9 vistas12 páginas

    17-Regresion Lineal Simple (Parte 1)

    Cargado por

    2009594
    Este documento presenta los supuestos y metodología de la regresión lineal simple. Explica que la regresión lineal estima los parámetros β0 y β1 de la ecuación poblacional μy/x = β0 + β1x a través de los estimadores b0 y b1 obtenidos por mínimos cuadrados. También describe cómo calcular los estimadores y comprobar los supuestos del modelo utilizando los residuos estándares.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 12

    REGRESION

    LINEAL
    SIMPLE
    SUPUESTOS DEL MODELO
    𝜇𝑦/𝑥 = 𝐸 𝑦 = 𝛽0 + 𝛽1 𝑥
    𝜇 𝑦 𝑥 = 2000 𝒚 = 𝜷𝟎 + 𝜷𝟏 𝒙 + 𝒆𝒊
    𝜇 𝑦 𝑥 = 1000

    𝑽𝒆𝒏𝒕𝒂𝒔
    ECUACION DEL MODELO 𝝁 𝒚 𝒙 = 𝑬 𝒚 = 𝜷𝟎 + 𝜷𝟏 𝒙

    𝝁 𝒚 𝒙 = 𝑬 𝒚 = 𝜷𝟎 + 𝜷𝟏 𝒙

    SUPUESTOS DEL MODELO

    Están referidos siempre al comportamiento de los errores del modelo


    𝜷𝟎
    1. 𝐸(𝑒𝑖 ) = 𝑐𝑒𝑟𝑜
    2. 𝑒𝑖 𝑠𝑜𝑛 ℎ𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑜𝑠
    3. 𝑒𝑖 𝑠𝑜𝑛 𝑁𝑜𝑟𝑚𝑎𝑙𝑒𝑠
    4. 𝑒𝑖 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠
    𝑥1 = 1000 𝑥2 = 2000 𝑥𝑛 = 10000
    𝑰𝒏𝒗𝒆𝒓𝒔𝒊𝒐𝒏
    𝑷𝒖𝒃𝒍𝒊𝒄𝒊𝒕𝒂𝒓𝒊𝒂 𝒆𝒊 ~𝑵(𝟎; 𝝈𝟐 )

    𝒆𝒊 = 𝒚𝒊 − 𝑬(𝒚) Error poblacional


    Regresion NO Lineal
    ECUACION DE REGRESION LINEAL SIMPLE POBLACIONAL

    𝝁 𝒚 𝒙 = 𝑬 𝒚 = 𝜷𝟎 + 𝜷𝟏 𝒙 Parámetros: 𝜷𝟎 𝒚 𝜷𝟏

    ESTIMACION MUESTRAL

    ෝ = 𝒃𝟎 + 𝒃𝟏 𝒙
    𝒚 Estimadores: 𝒃𝟎 𝒚 𝒃𝟏

    COMO CALCULAMOS LOS ESTIMADORES ? HAY ALGUNA FORMULA ? De donde se obtiene?


    Trabajemos con un ejemplo
    La siguiente es una muestra de los sueldos de diecisiete médicos clínicos de un determinado hospital. El equipo de investigación del hospital esta
    colaborando con el equipo de RRHH del hospital para encontrar las variables que influyen en el sueldo normal y habitual de los médicos que
    trabajan en la institución.

    Anti güeda d
    Ca s o Nro en a ños Sdo Ci ruja no
    1 25 67,24
    2 14 63,00
    3 11 60,71
    4 15 67,43
    5 18 68,17
    6 7 35,81
    7 8 39,51
    8 5 43,99
    9 5 50,00
    10 14 47,50
    11 20 70,00
    12 18 65,71
    13 9 53,00
    14 14 66,45
    15 7 56,70
    16 14 53,40
    17 19 60,45
    𝑦ො1
    𝑦ො2
    𝑦ො3
    𝑦ො4

    𝑦ො = 𝑏0 + 𝑏1 𝑥

    ෢𝟐
    ෝ)𝟐 = 𝐦𝐢𝐧 σ 𝒆
    MINIMOS CUADRADOS = MINσ(𝒚𝒊 − 𝒚 𝒊
    𝟐
    MINIMOS CUADRADOS = MINσ(𝒚𝒊 − 𝒚
    ෝ)

    MINσ(𝒚𝒊 − (𝒃𝟎 + 𝒃𝟏 𝒙))𝟐

    ෍(𝒚𝒊 − 𝒃𝟎 − 𝒃𝟏 𝒙)𝟐 Encontrar el mínimo de esta función

    𝝏 σ(𝒚𝒊 − 𝒃𝟎 + 𝒃𝟏 𝒙)𝟐 𝝏 σ(𝒚𝒊 − 𝒃𝟎 + 𝒃𝟏 𝒙)𝟐


    𝝏𝒃𝟎 𝝏𝒃𝟏

    𝑏𝑜 = 𝑦ത − 𝑏1 𝑥ҧ
    𝑐𝑜𝑣(𝑥, 𝑦)
    𝑏1 =
    𝑠𝑥2
    Anti güeda d
    Ca s o Nro en a ños Sdo Ci ruja no
    1 25 67,24 𝑦 = 𝑠𝑢𝑒𝑙𝑑𝑜 𝑚𝑒𝑑𝑖𝑐𝑜 𝑐𝑙𝑖𝑛𝑖𝑐𝑜
    2 14 63,00
    3 11 60,71 𝑥 = 𝑎ñ𝑜𝑠 𝑑𝑒 𝑎𝑛𝑡𝑖𝑔𝑢𝑒𝑑𝑎𝑑 𝑒𝑛 𝑙𝑎 𝑖𝑛𝑠𝑡𝑖𝑡𝑢𝑐𝑖𝑜𝑛
    4 15 67,43
    5 18 68,17 𝑠𝑥2 = 33,24 𝑠𝑦2 =114,16 𝐶𝑜𝑣 𝑥, 𝑦 = 𝑠𝑥,𝑦 = 46,39
    𝑥ҧ = 13 𝑦ത = 57
    6 7 35,81
    7 8 39,51
    8 5 43,99
    9 5 50,00
    10 14 47,50 𝟒𝟔, 𝟑𝟗 𝒃𝟎 = 𝟓𝟕 − 𝟏, 𝟒 ∗ 𝟏𝟑 = 𝟑𝟖, 𝟕
    𝒃𝟏 = = 𝟏, 𝟒
    11 20 70,00 𝟑𝟑, 𝟐𝟒
    12 18 65,71
    13 9 53,00
    14 14 66,45
    15
    16
    7
    14
    56,70
    53,40
    ෝ = 𝒃𝟎 + 𝒃𝟏 𝒙 = 𝟑𝟖, 𝟕 + 𝟏, 𝟒 𝒙
    𝒚
    17 19 60,45

    Ahora que tenemos los 𝒚ෝ 𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔 𝒚𝒂 𝒆𝒔𝒕𝒂𝒎𝒐𝒔 𝒆𝒏 𝒄𝒐𝒏𝒅𝒊𝒄𝒊𝒐𝒏𝒆𝒔 𝒅𝒆 𝒑𝒐𝒅𝒆𝒓 𝒄𝒂𝒍𝒄𝒖𝒍𝒂𝒓 𝒍𝒐𝒔 𝒓𝒆𝒔𝒊𝒅𝒖𝒐𝒔.
    Cada 𝒓𝒆𝒔𝒊𝒅𝒖𝒐 𝒆𝒔 𝒆𝒍 𝒊𝒏𝒔𝒕𝒓𝒖𝒎𝒆𝒏𝒕𝒐 𝒒𝒖𝒆 𝒖𝒕𝒊𝒍𝒊𝒛𝒂𝒎𝒐𝒔 𝒑𝒂𝒓𝒂 𝒑𝒓𝒐𝒃𝒂𝒓 𝐥𝐨𝐬 𝐬𝐮𝐩𝐮𝐞𝐬𝐭𝐨 𝐝𝐞𝐥 𝐦𝐨𝐝𝐞𝐥𝐨 .
    Los residuos son valores sumamente importantes y juegan un rol fundamental en el análisis de regresión lineal.
    Error Residuo

    𝑒𝑖 = 𝑦𝑖 − 𝐸(𝑦) 𝒆ෝ𝒊 = 𝒚𝒊 − 𝒚
    ෝ
    SUPUESTOS DEL MODELO COMPROBACION 𝑥ҧ − 𝜇 𝑒𝑖
    𝑧= =
    𝜎𝑥ҧ 𝜎𝑥ҧ
    𝒆ෝ𝒊 = 𝒚𝒊 − 𝒚
    ෝ
    𝑒ෝ𝑖 𝑦𝑖 − 𝑦ො
    𝑧𝑖 = = Los supuestos se comprueban utilizando los residuos.
    𝑠𝑒ෝ𝑖 𝑠(𝑦𝑖 −𝑦)
    ො
    Todo las comprobaciones se realizan a través de gráficos
    𝒔𝒆ෝ𝒊 = 𝒔 ∗ 𝟏 − 𝒉𝒊

    ො 2
    σ(𝑦𝑖 −𝑦) σ 𝑒෢
    𝑖
    2 ෢
    𝑆𝐶𝐸
    𝑠= = =
    𝑛−2 𝑛−2 𝑛−2

    𝟏 ഥ)𝟐
    (𝒙𝒊 − 𝒙
    𝒉𝒊 = +
    𝒏 σ(𝒙𝒊 − 𝒙ഥ)𝟐

    Graficar son los residuos estándares


    Con los supuestos del modelo cumplidos, como determino si el modelo tiene un buen ajuste?

    𝑉𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑇𝑜𝑡𝑎𝑙 = 𝑦𝑖 − 𝑦ത
    𝑦
    𝑉𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝐸𝑥𝑝𝑙𝑖𝑐𝑎𝑑𝑎 = 𝑦ො − 𝑦ത
    𝑦𝑖 𝑦ො = 𝑏0 + 𝑏1 𝑥
    VNE 𝑉𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑛𝑜 𝐸𝑥𝑝𝑙𝑖𝑐𝑎𝑑𝑎 = 𝑦𝑖 − 𝑦ො

    VT VT=VE+VNE 𝒚 )= (ෝ
    (𝒚𝒊 −ഥ ഥ )+ (𝒚𝒊 −ෝ
    𝒚−𝒚 𝒚)
    VE
    𝑦ത

    ෍(𝑦𝑖 −𝑦ത ) 2 = ෍(𝑦ො − 𝑦ത ) 2 + ෍(𝑦𝑖 −𝑦)


    ො 2

    𝑥
    SCT = SCR + SCE
    Coeficiente de DETERMINACION “𝑅2 "
    𝑦 𝑦𝑖 𝑦ො = 𝑏0 + 𝑏1 𝑥 SCT = SCR + SCE
    VNE
    VT
    VE 𝑆𝐶𝑅 σ(𝑦ො − 𝑦)
    ത
    2
    𝑦ത 𝑅2 = =
    𝑆𝐶𝑇 σ(𝑦𝑖 − 𝑦) 2
    ത

    𝑥 0 ≤ 𝑅2 ≤ 1

    1- Que significa que este coeficiente de un valor cero?


    2- Que significa que este coeficiente de un valor 1?
    3- Cual seria el resultado que deberíamos esperar?

    También podría gustarte