REGRESIÓN LINEAL SIMPLE

Slides:

Advertisements

Presentaciones similares

Regresión Lineal Verificación de Supuestos

Advertisements

Tema 6: Regresión lineal.

Tema.9.Predicción y estimación. Concepto. Cálculo de la ecuación de regresión lineal. Modelo general lineal. Evaluación del modelo. Diagnóstico del modelo.

Regresión lineal simple

Regresión mínimo cuadrada (I)

REGRESION LINEAL SIMPLE

Error Estándar de la Media

Correlación ©1997-Sep-06 Pedro Juan Rodríguez Esquerdo Departamento de Matemáticas UPR Río Piedras.

ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL

MÉTODOS DE MEDICIÓN DE COSTOS.

ESTUDIO DE MERCADO. MÉTODOS DE PROYECCIÓN

UNIVERSIDAD AUTÓNOMA DEL CARIBE

Ingeniería Industrial II CicloEducativo 2011

REGRESION Y CORRELACION LINEALES. REGRESION LINEAL SIMPLE Finalidad Estimar los valores de y (variable dependiente) a partir de los valores de x (variable.

ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL

Econometria 2. Modelo de Regresión Lineal Simple

Modelo básico de regresión Lineal (MBRL)

Modelo básico de regresión Lineal

ALGUNOS CONCEPTOS PREVIOS

Regresión y correlación

Correlación 1.

Estadística Administrativa II

Estadística Descriptiva: 4. Correlación y Regresión Lineal

Tema 1- Regresión lineal simple.

Estadística Descriptiva: 4. Correlación y Regresión Lineal Ricardo Ñanculef Alegría Universidad Técnica Federico Santa María.

Regresión lineal Es un modelo matemático para predecir el efecto de una variable sobre otra, ambas cuantitativas. Una variable es la dependiente y otra.

Regresión Lineal Simple

9 Regresión Lineal Simple

Análisis de Correlación y de Regresión lineal simple

ANÁLISIS EXPLORATORIO DE DATOS

Distribuciones bidimensionales. Tablas de contingencia

Prueba para la Bondad de ajuste Validación de Modelo

BIOMETRIA II TEMA 2 El Modelo de Regresión.

Módulo 5 Análisis de Regresión y Series de Tiempo.

Pronósticos, Series de Tiempo y Regresión

Pronósticos, Series de Tiempo y Regresión

Modelo de regresión con dos variables: Estimación

Métodos de calibración: regresión y correlación

Titular: Agustín Salvia

Normalidad, Variabilidad y estimación del Modelo de Regresión

Introducción a la Inferencia Estadística

Estadística Descriptiva

RELACIÓN ENTRE VARIABLES

Regresión lineal simple

Regresión lineal múltiple

Estadística Aplicada a las Ciencias Políticas

REGRESION LINEAL II Mario Briones L. MV, MSc

Definición del Modelo de Regresión Simple Estimaciones por MCO Método de MCO Valores Esperados y Varianzas por MCO.

ANÁLISIS DE REGRESIÓN SIMPLE

Análisis de los Datos Cuantitativos

Titular: Agustín Salvia

Regresión Lineal Simple

CORRELACIÓN Y REGRESIÓN EMPLEANDO EXCEL

MANUAL DE LABORATORIO DE CÓMPUTO ECONOMETRÍA I MODELO DE REGRESIÓN GENERAL 1 Profesor: Barland A. Huamán Bravo 2011 UNIVERSIDAD NACIONAL AGRARIA DE LA.

REGRESION LINEAL SIMPLE. REGRESION LINEAL  En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación.

Regresión lineal simple Nazira Calleja

Unidad 4 Análisis de los Datos.

TEMA : ANALISIS DE REGRESION

Capítulo 10 Análisis de los datos.

Supuestos en el análisis de regresión Miles, J. & Shervin, M. (2011). Applyng regression & correlation. A guide for students and researchers. London: Sage.

Germán Fromm R. 1. Objetivo Entender los diseños metodológicos predictivos 2.

Departamento de Informática Universidad Técnica Federico Santa María EconometríaEconometría Capitulo II.

ECONOMETRIA 2. MODELO LINEAL SIMPLE Hernán Delgadillo Dorado

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE. Temas Introducción Análisis de regresión (Ejemplo aplicado) La ecuación de una recta Modelo estadístico y suposiciones Estimación.

Introducción a la Estadística Inferencial con SPSS Juan José Igartua Perosanz Universidad de Salamanca

REGRESIÓN LINEAL SIMPLE TEMA INTRODUCCIÓN Determinar la ecuación de regresión sirve para: – Describir de manera concisa la relación entre variables.

1 REGRESIÓN CON VARIABLES DICOTÓMICAS TEMA 1 (CONTINUACIÓN)

14 Introducción al Análisis de Correlación y de Regresión Lineal

M.E. ADA PAULINA MORA GONZALEZ. Esta parte describe las técnicas para ajustar curvas en base a datos para estimaciones intermedias. Una manera de hacerlo.

Transcripción de la presentación:

REGRESIÓN LINEAL SIMPLE RESUMEN

REPASO El objeto del análisis de regresión lineal simple es investigar: La relación entre dos variables dependientes cuantitativas y dos variables independientes cualitativas La relación entre dos variables cualitativas dependientes y una cuantitativa independiente La relación entre una variable dependiente cuantitativa y una variable independiente cuantitativa La relación entre dos variables dependientes cuantitativas y una o más variables independiente cualitativas.

REPASO En cuales de los siguientes casos se puede determinar que la estimación de β1 no aporta información al modelo de regresión. El coeficiente de correlación es cercano a 1. β1 es igual a 0 El coeficiente de correlación es cercano a -1. Ninguna de las anteriores.

REPASO De las siguientes relaciones entre variables se esperaría que tuviera un coeficiente de correlación r cercano a 0. 1 2 3 4 1 y 4 1 y 3 3 y 4 Todas.

REPASO ¿Cuál de las siguientes afirmaciones es incorrecta? El coeficiente de correlación está relacionado con el coeficiente de determinación. El método de mínimos cuadrados garantiza la recta que mejor se ajusta a los datos. r2 se puede interpretar como el porcentaje de la variación explicada por x. La correlación implica causalidad.

REPASO ¿En RLS, A través de que métodos estadísticos se puede determinar la utilidad del estimador β1? Intervalo de confianza de β1. Coeficiente de determinación β1. El método de los mínimos cuadrados. Analizando la gráfica de los residuos.

PASOS PARA REALIZAR UNA REGRESIÓN LINEAL SIMPLE Identifique la variable dependiente y la variable independiente. Grafique un diagrama de dispersión, analice que posible comportamiento presentan los datos. Si es lineal prosiga con un modelo de RLS. A través del método de mínimos cuadrados (manual o asistido con herramientas estadísticas) estime la pendiente (β1) y el corte con el eje de la variable dependiente (β0). Determine la utilidad del modelo: Análisis de la varianza – Coeficiente de determinación. Prueba de hipótesis acerca de la pendiente de la línea (β1) Compruebe que se cumplan los supuestos acerca del error. Teniendo en cuenta que el error debe ser una variable aleatoria con distribución normal, media cero y homocedasticidad (es decir varianza constante). Surtidas las pruebas, proceder a pronosticar por medio del modelo estimado. Advertencia: No se recomienda realizar pronósticos más allá del dominio de la variable independiente en los datos utilizados para modelar.