Regression lineal

Plus de détails

ESTADISTICAS PARAMETRICAS

par miriam marquez

4. SENA Marco conceptual- Cualidades-hipótesis-elementos estados financieros

par yuranis sabalza

REGRESIÓN LINEAL

par César Fuentes

M5 ARGUMENTACIÓN Y TENDENCIAS JURISPRUDENCIALES EN EL DEBATE PROBATORIO DEL DERECHO CONTENCIOSO ADMINISTRATIVO COLOMBIANO

par UNIVERSIDAD SERGIO ARBOLEDA

Regression lineal

Supuestos de errores

Los errores del modelo son independientes

Los errores del modelo se distribuyen normal

Los errores del modelo tienen varianza constante

Los errores del modelo tienen media cero

Estimación de parámetros

Estimación por máxima verosimilitud (ML)

Eficiencia

Normalidad asintótica

Consistencia

es un método habitual para ajustar un modelo y estimar sus parámetros

Estimación por mínimos cuadrados ordinarios (MCO)

Tiene propiedades

La suma de los residuales ponderados por el correspondiente valor de la variable predictora es cero

La línea de regresión siempre pasa a través del centroide de los datos (x¯,y¯)

La suma de los valores observados yi es igual a la suma de los valores ajustados yˆi

La suma de los residuales del modelo de regresión con intercepto es siempre cero

βˆ0 y βˆ1 son combinaciones lineales de las variables aleatorias Y1,…,Yn

Obtener estimaciones de los parámetros de regresión, es decir hallar valores de β0 y β1 que minimicen la suma de los cuadrados de los errores S(β0,β1)

Supuestos

La varianza de los errores aleatorios es σ2,∀i=1,2,…,n (supuesto de varianza constante pero desconocida).

Los errores aleatorios εi son estadísticamente independientes.

El modelo de regresión con una muestra de n pares de datos (Xi,Yi) es: Yi=Y|Xi=E[Y|Xi]+εii=1,2,…,n

Los valores observados de la variable respuesta no se encuentran estadísticamente correlacionados. Se supone que cada valor observado de Y está constituído por un valor real y una componente aleatoria.

Si la ecuación de regresión seleccionada es correcta, cualquier variabilidad en la variable respuesta que no puede ser explicada exactamente por dicha ecuación, es debida a un error aleatorio.

El modelo de regresión es lineal en los parámetros. Es decir, ningún parámetro de la regresión aparece como el exponente o es dividido o multiplicado por otro parámetro, o cualquier otra función.

Los datos observados (xi,yi), i=1,…,n, constituyen una muestra representativa de un medio acerca del cual se desea generalizar. Si no es así, no es apropiado realizar inferencias en un rango de los datos por fuera del considerado.

la variable predictora X no es considerada como variable aletatoria, sino como un conjunto de valores fijos que representan los puntos de observación, que se seleccionan con anticipación y se miden sin error

La variable respuesta Y es una variable aleatoria cuyos valores se observan mediante la selección de los valores de la variable predictora X en un intervalo de interés.

Inferencia sobre los parámetros

Inferencias sobre la pendiente β1

Prueba de Hipótesis sobre la significancia de la pendiente

Inferencias sobre el intercepto β0

Prueba de Hipótesis sobre la significancia del intercepto

Intervalos de confianza

Donde

b pendiente de la recta

a intercepto

X variable independiente

Y variable dependiente

Para que sirve?

Sirve para encontrar la relación que pueda existir entre una variable llamada variable respuesta y un conjunto de variables independientes.