MODELOS DE PRONOSTICOS Primer semestre 2010 Modelo de Regresión con dos variables.

Presentación del tema: "MODELOS DE PRONOSTICOS Primer semestre 2010 Modelo de Regresión con dos variables."— Transcripción de la presentación:

1 MODELOS DE PRONOSTICOS Primer semestre 2010 Modelo de Regresión con dos variables

2  En la práctica es frecuente encontrar una relación entre 2 variables.  Por ejemplo, el consumo (o gasto) de una familia y su ingreso.  O el salario de una persona y los años de instrucción.  Se dice que una variable depende de la otra. Introducción

3  Por ejemplo, el consumo (o gasto) de una familia va a depender de su ingreso.  El salario de una persona depende de los años de instrucción.  Debido a esto a una se le llama variable dependiente y a la otra variable independiente.

4 Análisis de regresión  La variable dependiente es la variable que se desea explicar o predecir y se le designa por Y.  La variable independiente es la variable explicativa y se designa por X.  El análisis de regresión se relaciona con la estimación y/o predicción de la media (poblacional) o valor promedio de la variable dependiente, con base en los valores conocidos o fijos de la variable explicativa.

5 Análisis de regresión  Ejemplo: Los datos siguientes se refieren a una población total de 60 familias de una comunidad hipotética, así como a su ingreso semanal (X) y a su gasto de consumo semanal (Y) en dólares.  Las 60 familias se dividen en 10 grupos de ingresos (de $80 a $260).  Luego, se tienen 10 valores fijos de X y los correspondientes valores Y para cada uno de los valores X, así que hay 10 subpoblaciones Y.

6 Análisis de regresión

7  Se observa una variación considerable en el gasto de consumo semanal para cada uno de los grupos de ingreso.  Sin embargo, a pesar de la variabilidad del gasto de consumo semanal para cada ingreso considerado en promedio el consumo semanal se incrementa en la misma medida que el ingreso.  Como se ve en la figura siguiente.

8 Análisis de regresión

9  A estos valores medios los conocemos como valores esperados condicionales, ya que dependen de los valores dados a la variable (condicional) X.  Se denotarán E(Y/X) lo cual se lee como el valor esperado de Y dado el valor de X.  Se deben distinguir dichos valores condicionales esperados del valor esperado incondicional del gasto de consumo semanal E(Y) que se obtiene sumando los gastos de consumo semanales de las 60 familias dividido por 60.

10 Análisis de regresión  Al unir los valores de las medias condicionales se obtiene lo que se conoce como la recta de regresión poblacional o de una manera más general la curva de regresión poblacional.  Con palabras más sencillas es la regresión de Y sobre X.  La figura siguiente muestra que para cada X (el nivel de ingresos) existe una población de valores Y (gastos de consumo semanal) que se dispersan alrededor de la media (condicional) de dichos valores Y.

11 Análisis de regresión

12  Por simplicidad, se supone que tales valores Y están distribuidos simétricamente alrededor de sus respectivos valores medios (condicionales).  Es claro que la media condicional E(Y/X i ) es función de X i  Como una primera aproximación supondremos que es lineal (función de regresión poblacional lineal)

13 Análisis de regresión  Donde y son parámetros no conocidos pero fijos que se denominan coeficientes de regresión.  Es claro que a medida que el ingreso familiar aumenta en promedio el consumo familiar también aumenta.  Pero para una familia individual esto no es necesariamente cierto.

14 Análisis de regresión  Donde es el término de error estocástico o perturbación estocástica.  Representa todas las variables ignoradas que puedan afectar a Y pero que no están incluidas en el modelo de regresión.  Por motivos de vaguedad de teoría, no disponibilidad de información de las variables, por consideraciones de costo, por aleatoriedad intrínseca del comportamiento humano, por ppio. de parsimonia (modelo más sencillo posible), etc.  Se espera que el efecto combinado pueda ser tratado como una variable aleatoria.

15 Análisis de regresión  Luego, el gasto de una familia individual tiene 2 componentes: 1. Un componente determinístico o sistemático 2. Un componente aleatorio o no sistemático

16 Análisis de regresión  Así, el supuesto de que la recta de regresión pasa a través de las medias condicionales de Y implica que las medias condicionales de son cero.  Luego, si

17 Análisis de regresión  En la práctica se tiene una muestra de valores de Y que corresponden a algunos valores fijos de X.  El problema es estimar la función de regresión poblacional con base en información muestral.  Supóngase que se tiene una muestra de valores de Y seleccionados aleatoriamente para valores dados de X.  Ahora se tiene un solo valor de Y correspondiente a los valores de X.  Cada Y es seleccionada aleatoriamente de Y “similares” correspondiente a las mismas X.

18 Análisis de regresión  ¿Se puede estimar la forma de la FRP a partir de la información muestral?  La precisión varía respecto a las fluctuaciones muestrales. YX 7080 65100 90120 95140 110160 115180 120200 140220 155240 150260  Esto se aprecia considerando otra muestra de la población estudiada YX 5580 88100 90120 80140 118160 120180 145200 135220 145240 175260

19 Análisis de regresión  Revisando las rectas de regresión para cada muestra, cabe la pregunta cual es la verdadera, y evidente habrá N rectas de regresión para N muestras distintas.

20 Análisis de regresión  Al igual que la FRP se establece la FRM  Para la FRM se define entonces  Al igual que la FRP, la FRM tiene su forma estocástica:

21 Análisis de regresión  es el término residual (muestral).  Es una estimación de  El objetivo principal en el análisis de regresión es estimar la FRP con base en la FRM  Luego la FRM es una aproximación de FRP

22 Análisis de regresión