Análisis de Regresión múltiple
implica el uso de más de una variable independiente para predecir
una variable dependiente.
Diversas variables Explicatvas
Matriz de Correlación
click to edit
Investigación
Análisis
Estadística
se elabora calculando los coeficientes de correlación simple de cada combinación de
pares de variables.
Modelo de regresión multiple
En el análisis de regresión múltiple, las variables independientes se
denotan mediante X con subíndices
Función: mY = b0 + b1X1 + b2X2 + Á + bkXk
Modelo Estadístico: mY = b0 + b1X1 + b2X2 + Á + bkXk
Interpretación de los coeficientes de regresión
mide el cambio promedio de la variable dependiente
por unidad de cambio en la variable independiente relevante
Inferencias en modelos de regresión multiple
La inferencia en los modelos de regresión múltiple es análoga a la de la regresión lineal simple.
Observación = Ajuste + Residuo
El error estándar de la estimación es la desviación estándar de los residuos
Variables Ficticias
Las variables ficticias, o indicadores ficticios, se utilizan para determinar las relaciones
entre variables independientes cualitativas y una variable dependiente.
Multicolinealidad
es la situación en la cual las variables independientes de una
ecuación de regresión múltiple están sumamente intercorrelacionadas.
Diagnóstico de Regresión
Un examen de los residuos es un componente crucial de la determinación de la idoneidad del
modelo.
. Estas herramientas están diseñadas para identificar observaciones que
son atípicas o extremas
Advertencias del pronóstico
El sobreajuste se refiere al hecho de agregar variables independientes a la función de regresión
Referencias: John E. Hanke, . (Dean W. Wichern). PRONÓSTICOS EN LOS NEGOCIOS. México: Pearson.
Pedro Fabian Frausto Rdz. #333957