Análisis Regresión Múltiple

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL
INTRODUCCIN
Como la Estadstica Inferencial nos permite trabajar con una variable a nivel de
intervalo o razn, as tambin se puede comprender la relacin de dos o ms
variables y nos permitir relacionar mediante ecuaciones, una variable en relacin
de la otra variable llamndose Regresin Lineal y una variable en relacin a otras
variables llamndose Regresin mltiple.
Casi constantemente en la prctica de la investigacin estadstica, se encuentran
variables que de alguna manera estn relacionados entre si, por lo que es posible
que una de las variables puedan relacionarse matemticamente en funcin de otra
u otras variables.
ANLISIS DE PROGRESIN MLTIPLE

OBJETIVOS
Describir la relacin entre dos o ms variables independientes y una

variable dependiente utilizando la ecuacin de regresin mltiple.
Calcular e interpretar el error estndar mltiple de estimacin y el

coeficiente de determinacin.
PROCEDIMIENTO
o Seleccionar una muestra a partir de una poblacin.
o Listar pares de datos para cada observacin.
o Dibujar un diagrama de puntos para dar una imagen visual de la relacin.
o Determinar la ecuacin de regresin.
CONCEPTOS BSICOS
Anlisis de Regresin
Es un procedimiento estadstico que estudia la relacin funcional entre
variables. Con el objeto de predecir una en funcin de la(s) otra(s).
Regresin Mltiple
Intervienen dos o ms variables independientes.
Variable Dependiente
(Respuesta, predicha, endgena) es la variable que se desea predecir o
estimar.
Variable Independiente
(Predictoras, explicativas, exgenas), son las variables que proveen las
bases para estimar.
ANLISIS DE REGRESIN MLTIPLE

El anlisis de regresin mltiple es el estudio de la forma en que una variable
dependiente, , se relaciona con dos o ms variables independientes. En el caso
general emplearemos k para representar la cantidad de variables independientes.
Los conceptos de un modelo de regresin y una ecuacin de regresin que
presentamos en el tema anterior se pueden aplicar al caso de la regresin mltiple.
La ecuacin que describe la forma en que la variable dependiente, se relaciona
con las variables independientes 1 , 2 , y un trmino de error se llama modelo
de regresin. El modelo de regresin mltiple tiene la forma siguiente:
Ejemplos:
VARIABLE DEPENDIENTE (Y)
VARIABLES INDEPENDIENTES
(X1,X2,......)
Volumen de ventas, en unidades
Precio unitario
Gasto de Propaganda
Peso de los estudiantes
Estatura
Edad
Consumo de bienes industriales por

ao
Unidades consumidas de un bien por
familia
Ingreso disponible
Importacin de bienes de consumo
Precio unitario del bien
Ingreso
Nmero de integrantes por familia
Precio de una vivienda
N de habitaciones
N de pisos
rea construida
rea techada , etc.
La tcnica de regresin mltiple se usa frecuentemente en investigacin, se aplica

al caso en que la variable respuesta es de tipo numrico. Cuando la respuesta es
de tipo dicotmico (muere/vive; enferma/no enferma), usamos otra tcnica
denominada regresin logstica.
ANLISIS DE REGRESIN MLTIPLE PARA 2 VARIABLES INDEPENDIENTES

Para dos variables independientes, la frmula general de la ecuacin de regresin
mltiple es:
Y ' a b1 X1 b2 X 2
X1 y X2 son las variables independientes.
a es la intercepcin en Y.
b1 es el cambio neto en Y para cada cambio unitario en X1, manteniendo X2

constante. Se denomina coeficiente de regresin parcial, coeficiente de
regresin neta o bien coeficiente de regresin.
b2 es el cambio neto en Y para cada cambio unitario en X2, manteniendo X1

constante. Se denomina coeficiente de regresin parcial o bien coeficiente
de regresin.
El clculo de estos valores es por dems laborioso a mano, por ejemplo para el caso
de las dos variables independientes, para poder resolver y obtener y en una
ecuacin de regresin mltiple el clculo se presenta muy tediosa porque se tiene

atender 3 ecuaciones que se generan por el mtodo de mnimo de cuadrados:
ANLISIS DE REGRESIN MLTIPLE CON K VARIABLES INDEPENDIENTES

La ecuacin general de regresin mltiple con k variables independientes es:
Y ' a b1 X 1 b2 X 2 ...bk X k
El criterio de mnimos cuadrados se usa para el desarrollo de esta ecuacin.
Como estimar b1, b2, etc. es muy tedioso, existen muchos programas de cmputo
que pueden utilizarse para estimarlos.
ERROR ESTNDAR MLTIPLE DE LA ESTIMACIN

El error estndar mltiple de la estimacin es la medida de la eficiencia de la
ecuacin de regresin.
Est medida en las mismas unidades que la variable dependiente, es difcil
determinar cul es un valor grande y cul es uno pequeo para el error estndar.
La frmula es:
SY 12k
(Y Y ' )
n (k 1)
SSE
n (k 1)
Donde:
Y es la observacin.
Y es el valor estimado en la ecuacin de regresin.
n es el nmero de observaciones y k es el nmero de variables

independientes.
ENFOQUE MATRICIAL PARA ENCONTRAR LOS PARAMETROS DE LA

ECUACION DE REGRESION
Al ajustar un modelo de regresin mltiple es mucho ms conveniente expresar las
operaciones matemticas en forma matricial. Supongamos que existen k variables
independientes y n observaciones (Xi1 ,Xi2 ,Xi3,.,Xik ,Yi ), i=1,2,3,4,,n, y que el
modelo que relaciona las variables independientes y la variable dependiente es:
yi b0 b1xi1 b2 xi 2 ... bk xik

Este modelo es un sistema de n ecuaciones que puede expresarse en notacin
matricial como:
y X
o ENFOQUE MATRICIAL
Donde:
y1
y
2
y3

y .
.

.
y
n n 1
x
1x11x12 x13.......x1k
1x x x .......x
2k
21 22 23
1x31x32 x33.......x3k
X ........................
........................
..........
..........
....
1x x x .......x
nk n
i1 i 2 i 3
xp
b0
b
1
b2

.
.

.
b
kp 1
x
Dnde: p = k+1, nmero de parmetros
COEFICIENTE DE DETERMINACIN MLTIPLE R2

Mide la tasa porcentual de los cambios de y que pueden ser explicados por: X1,
X2, X3, simultneamente.
Una vez estimado el modelo es conveniente obtener una medida acerca de la
bondad del ajuste realizado. Un estadstico que facilita esta medida es el coeficiente
de determinacin (R2), que se define:
ANLISIS DE VARIANZA
Ecuacin Bsica para anlisis de Varianza
PRUEBA GLOBAL
Ayuda a determinar si es posible que todas las Variables Independientes tengan
coeficientes de regresin neta iguales a 0. En otras palabras podra la cantidad
de variacin explicada R2, ocurrir al azar?
La prueba global se usa para investigar si todas las variables independientes
tienen coeficientes significativos. Las hiptesis son:
H 0 : 1 2 3 ... k 0
El estadstico de prueba es la distribucin F con k (nmero de variables

independientes) y n - (k + 1) grados de libertad, donde n es el tamao de la muestra.
El estadstico de prueba se calcula con:
F = [(SCR) /(k)] /[(SCE) /(n-k+1)].
TABLA ANOVA
La tabla ANOVA proporciona la variacin de la variable dependiente (tanto de la que
est explicada por la ecuacin de regresin como de la que no lo est).
EJERCICIOS DESARROLLADOS
1. El propietario de La cadena de cines CINE PLANET desea estimar el ingreso
semanal neto en funcin de los gastos de publicidad. Los datos histricos de
una muestra de 8 semanas son los siguientes:
Ingresos Brutos semanales Anuncios en TV (en miles Anuncios en peridicos (en

(en miles de dlares)
de dlares)
miles de dlares)
96
5.0
1.5
90
2.0
2.0
95
4.0
1.5
92
2.5
2.5
95
3.0
3.3
94
3.5
2.3
94
2.5
4.2
94
3.0
2.5
Planteando matricialmente los datos
96
90

95

92
y
95

94
94

948 x1
5.0
1.5
2.0
2.0
b
b
b
0
4.0
1.5
2.5
2.5
3.0
3.3
3.5
2.3
2.5
4.2
3 x1
8x3
10
Determinando la ecuacin de regresin

El modelo es:
y b0 b1 x1 b2 x2
Entonces primero resolvemos las matrices para encontrar los parmetros:
( X X )1 X y
5,9989
-1,0389
-1,0353
-1,0389
0,2239
0,1313
-1,0353
0,1313
0,2491
( X X )
750 83.2301 b0
2401 2.2902 b
1

1856 1.3010 b2
X y
Finalmente la ecuacin es:
y 83.2301 2.2902 X1 1.3010 X 2

Coeficientesa
Coeficientes
estandarizad
os
Coeficientes no
estandarizados
Modelo
1
(Constante)
Anuncios en TV (en
miles de dlares)
Anuncios en peridicos
B
83.230
Error tp.
1.574
2.290
.304
1.301
.321
a. Variable dependiente: Ingresos Brutos semanales
Beta
Intervalo de confianza para

B al 95%
Lmite
Lmite inferior
superior
79.184
87.276
t
52.882
Sig.
.000
1.153
7.532
.001
1.509
3.072
.621
4.057
.010
.477
2.125
11
Interpretemos los parmetros estimados de las variables independientes:
Para b1: Cuando los gastos de anunciar en televisin varan una unidad y los
gastos de anunciar en peridicos se mantienen constantes, los ingresos
brutos semanales se incrementarn en 2.2902 miles de dlares.
Para b2: Cuando los gastos de anunciar en televisin se mantienen

constantes y los gastos de anunciar en peridicos varan una unidad, los
ingresos brutos semanales se incrementarn en 1.3010 miles de dlares.
Hallando el error estndar de estimacin

Para lo cual usaremos la frmula abreviada para dos variables independientes la
cual se deriva de la forma general presentada en las frmulas a utilizar. La frmula
es la siguiente:
S y. X1 X 2
b0 y b1 X 1 y b2 X 2 y
n 3
S y. X1 X 2 0.64
o Interpretacin: La distancia promedio de los valores observados alrededor
de la ecuacin de regresin es de 0.64. Es decir la dispersin de los valores
observados es 0.64.
Hallando el Coeficiente de Determinacin
Re sumen de l modelo
Modelo
1
R
R cuadrado
a
.959
.919
R cuadrado
corregida
.887
Error tp. de la
estimacin
.64259
r 0.959
r 2 0.919
a. Variables predictoras: (Constante), Anuncios en peridicos

(en miles de dlares), Anuncios en TV (en miles de dlares)
12
o Interpretacin: Aproximadamente el 91.9% de los cambios producidos en

los ingresos brutos semanales son explicados por los cambios producidos en
los gastos de publicidad (en televisin y peridicos).
2. Una desea estimar los gastos en alimentacin de una familia (Y) en base a
la informacin que proporcionan las variables regresoras X1 =ingresos
mensuales y X2 =nmero de miembros de la familia. Para ello se recoge
una muestra aleatoria simple de 15 familias cuyos resultados son los de la
tabla adjunta (El gasto e ingreso est dado en cientos de miles de pesetas)
GASTO
INGRESO
TAMAO
043
21
031
11
032
09
046
16
125
62
044
23
052
18
029
10
129
89
035
24
035
12
078
47
043
35
047
29
038
14
13
Solucin
Con estos datos se obtiene:

= 15,
1 = 42
14
= 0 160 + 0 . + 0 . +
A partir de esta ecuacin se obtienen las predicciones y los residuos

asociados a las observaciones muestrales. Para la primera observacin 1 =
2 1; 2 = 3; = 0 43 se obtiene:
= 0 160 + 0 . 2 1 + 0 . 3 = 0 3839
1
1 = 1 1 = 0 43 0 3839 = 0 0461
PREDICCIONES
038
041
033
031
057
077
036
037
051
039
139
050
107
035
036
Por tanto
15
= = (42
55
4200
18808
14080
5500
15080)
21900
8070
= (32063)
28960
De donde
=
1 360
= (0 092
0 282
0 092
0 016
0 013
0 282
8 070
0 160
0 013 ) (32 063) = ( 0 149 )

0 067
28 960
0 077
El modelo de regresin lineal que se obtiene es:

= 0 160 + 0 . + 0 . +
A partir de esta ecuacin se obtienen las predicciones y los residuos
asociados a las observaciones muestrales. Para la primera observacin
(1 = 2 1;
2 = 3;
= 0 43) se obtiene
15
1 = 0 160 +
0 . 2 1 + 0 077.3 = 0 3839
1 = 1
1 = 0 43 0 3839 = 0 0461
Razonando as en todos los puntos muestrales se obtiene
RESIDUOS
PREDICCIONES
038
041
033
-0046
-0028
-0024
031
057
077
0001
0048
-0011
036
037
051
0038
0083
0084
039
139
050
-0075
0104
0032
107
035
036
-0180
0000
-0025
Clculo de SCR
= 2 = 0 0721
2 = 0 0060 = 0 0775
Se calculan los intervalos de confianza de los parmetros del modelo al 90%
Para la varianza, 2
12.00060
2
~12
2
0072
52253 <
210298
2
00034 2 00138
La varianza de los estimadores del mdulo es

1360
2
)
( = ( ) 0 . (0092
0282
0092
0016
0013
0282
0013 )
0067
16
De donde se deduce que
(0 ) = 000816 (0) = 00903

(1 ) = 0000099 (1) = 00099
(2 ) = 000040 (2) = 00201
Intervalo de confianza para 0
12(0 05) 00903 0160 0 12(0 95) 00903
0321 0 0001
Intervalo de confianza para 1 (ingreso)
12(0 05) 00099 0149 1 12(0 95) 00099
01314 1 01666
Contrate 0 1 = 0, la variable ingreso no influye (contraste individual
de la t)
1 =
0149
= 15050~12
00099
1 = 0 000 0
Intervalo de confianza para 2 ()
12(0 05) 00201 0077 2 12(0 95) 00201
00412 2 01128
Contrate 0 2 = 0, la variable tamao no influye (contraste individual de
la t)
2 =
0 077
= 3 831~12
0 0201
2 = 0 0012 0
Tabla anova
= ( )2 = 1 4316
= = 13595
17
Con estos datos se obtiene el siguiente contraste conjunto de la F.
Ahora se calcula el contraste individual de la F respecto a la variable

x2=tamao, contraste que es equivalente al contraste indicidua de la t. para
ello, se obtiene la regresin de la variable gasto respecto a la variable
ingreso.
18
3. Como parte de un estudio para investigar la relacin entre la tensin nerviosa

(estrs) y otras variables (tamao de la
empresa, nmero de aos en la posicin actual, salario anual en miles de
dlares, edad en aos), se reunieron los siguientes datos a partir de una
muestra aleatoria simple de quince ejecutivos de una empresa.
La salida de anlisis con SPPS es:
19
A. Escriba la recta de regresin mltiple estimada a partir de estos datos.

Interprete los coeficientes de regresin.
B. Cul es el valor del coeficiente de determinacin que usara para describir
la bondad de ajuste del modelo? Interprtelo en trminos del problema de
regresin.
C. Examine los tests t de los coeficientes de regresin. Le parece que es este
un modelo adecuado para describir el estrs o propone otro?
D. Qu supuestos se deben cumplir para la utilizacin de este modelo.
E. D un estimador de la desviacin estndar poblacional. A qu se refiere
esta medida de variabilidad?
SOLUCIN
PREGUNTA A
La recta de regresin es:
Estrs= 126,505+ 0,176Tamao1,563Aos+1,575Salario+1,629Edad
Interpretacin de los coeficientes de regresin:
Intercepto= -126,505 Si el tamao de la empresa, el nmero de aos, el
salario y la edad fueran cero, es decir, si todas las variables explicativas
fueran cero, el puntaje de estrs del ejecutivo sera menos 126,505.
20
Pendiente de Tamao: Por cada unidad que aumenta el tamao de la

empresa, el estrs del ejecutivo aumenta en 0,176 unidades.
Pendiente de Aos: Por cada ao en posicin actual, el estrs del ejecutivo

disminuye en 1,563 puntos.
Pendiente de Salario: Por cada mil dlares que aumenta el salario, el estrs
del ejecutivo aumenta en 1,575 puntos.
Pendiente de la edad: por cada ao de edad, el estrs del ejecutivo aumenta

en 1,629 puntos.
PREGUNTA B
El coeficiente de determinacin que se usa en regresin lineal mltiple es el R2
ajustado, que en este caso es de 0,779.
Este coeficiente nos indica que las variables usadas en el modelo explican en
un 77,9% la variabilidad total del estrs.
PREGUNTA C
Los test t de los coeficientes de regresin sirven para docimar la hiptesis:
Ho: j = 0
H1: j 0 En este problema tenemos 4 tests de esta forma (j=1,2,3,4)
Por lo tanto este no sera un modelo adecuado para describir el estrs de los
ejecutivos, deberamos ajustar otro modelo sin la variable "Aos en posicin
actual".
Al examinar los valores p correspondientes a cada uno de los tests nos
damos cuenta que casi todas las pendientes son significativas (distintas de
21
cero), salvo la de la variable Aos en posicin actual, cuyo valor p es 0,455,

por lo tanto aceptamos la hiptesis nula, y concluimos que la pendiente es
igual a cero.
PREGUNTA D
Los supuestos que debe cumplir el modelo son:
Linealidad: La relacin entre la variable respuesta y las explicativas debe

ser lineal
Nocolinealidad: las variables explicativas no deben estar correlacionadas

entre s Normalidad de los residuos
Homocedasticidad de los residuos (varianza constante).
PREGUNTA E
Este es un estimador de
la variabilidad
del estrs considerando
las
variables explicativas del modelo, y lo podemos contrastar con el estimador

de la variabilidad del estrs de 51,164 que es la desviacin estndar del
estrs sin tomar en cuenta estas variables.
El estimador de la desviacin estndar poblacional es 24,031 o la raz de la
media cuadrtica residual: raz de 577,493= 24,03.
22
4. De una determinada empresa se conocen los siguientes datos, referidos al

volumen deventas ( en millones de pesetas) y al gasto en publicidad ( en
miles de pesetas) de los ltimos 6 aos:
a. Existe relacin lineal entre las ventas de la empresa y sus gastos en

publicidad? Razona la respuesta. Obtener las rectas de regresin mnimo
cuadrtico.
b. Qu volumen de ventas de la empresa se podra esperar en un ao que se
gaste de publicidad 60000 pesetas? Y para un gasto en publicidad de
200000 pesetas?
c. Si lo nico que interesase fuese la evolucin del volumen de ventas en
trminos de gastos en publicidad, sin tener en cuenta la cantidad concreta de
cada uno de ellas, existira correlacin ordinal entre ambas variables?
SOLUCIN
23
Ahora calculamos el coeficiente de determinacin lineal para obtener una

medida descriptiva del grado de asociacin lineal que existe entre las variables.
La expresin del coeficiente de determinacin es:
Donde Sxy representa la covarianza de las variables X e Y. Cuya expresin

simplificada es:
Para clarificar la forma de clculo construimos la siguiente tabla: ( variable X=

Gastos de publicidad y variable Y= Volumen de ventas)
X= 49.333; Y=21.5; sx=20.870; sxy=158

Substituyendo obtenemos que r2
vale 0.956 que es lo que caba esperar
despus de observar el diagrama de dispersin.
24
PREGUNTA b
Si expresamos las rectas de regresin como y*= a+bx y x*=c+dy los coeficientes
de los calculados son como:
Aplicndolas a este problema obtenemos las rectas de regresin:
Y*=3.604+0.363x ; X*=-7.356+2.637y
PREGUNTA c
Si el gasto es de 200 millones de pesetas no podemos utilizar la recta de
regresin puesto que el valor 200 esta fuera del recorrido del gasto en publicidad.
Si sustituimos nos da un valor de 76204 millones de pesetas, pues las rectas
slo son vlidas dentro del rango o para valores prximos a los extremos del
recorrido.
obtendremos un volumen de ventas de x*=3.604+0.363*60=25.384 millones de
pesetas.
Para realizar la prediccin del volumen de ventas utilizamos la recta de regresin
que tienen las ventas en funcin de los gastos en publicidad. Para un gasto en
publicidad de 60000 pesetas
25
PREGUNTA d
El coeficiente de Spearman cuando no existen empates en los rangos, como

ocurre en estos datos, tiene la siguiente expresin:
En este caso rs es 1 por tanto existe correlacin ordinal positiva y perfecta, es

decir a mayor gasto en publicidad mayor volumen de ventas.
5. Desarrollar el siguiente problema
26
Ejercio 2
27
6. Desarrollar el siguiente ejercicio
28
29
7. Desarrollar el siguiente ejercicio
30
31
r=0,928
32
8. Desaroollar el siguiente problema
33
34
9. La compaa Logical, un fabricante de ordenadores con sede en las Islas

Canarias, est intentando estimar su nivel de ventas para el prximo ao.
Para ello ha recabado la siguiente informacin, referente a sus 10
competidores ms prximos dentro del sector informtico. Podra usted dar
una prediccin de ventas si sabemos que Logical cuenta con un presupuesto
publicitario anual de 23.000 euros para atender sus 5 mercados y un precio
medio de venta de 978?
a)
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95%
Intercepcin
99.5515247 138.098504 0.72087331 0.49810014 -238.36334 437.466389
Mercados atendidos
20.761025 6.92886558 2.99630938 0.02412284 3.80670169 37.7153482
Precio de Venta-0.11162173 0.13914726 -0.80218418 0.45303883 -0.4521028 0.22885934
Presupuesto de5.28452385
publicidad
2.13181872
2.4788805 0.04787791 0.06815138 10.5008963
Y= 99.55+20.76X1+-0.11X2+5.28X3
b) Bi=0
Bi0
Valor T+- 1.943 Estado Significativo.
Mercados de atencin: Texp 1.943 Rechazo Ho.
Precio de Venta: Texp 1.943 No rechazo Ho.
Presupuesto de publicidad: Texp 1.943 Rechazo Ho.
c)
Intercepcin
Mercados atendidos
Presupuesto de publicidad
Coeficientes Error tpico

-9.57760668 23.1425301
18.8283941 6.32893699
5.93463981 1.9208976
Estadstico t Probabilidad
-0.41385305 0.69136744
2.97496943 0.02066165
3.08951389 0.01757898
Inferior 95% Superior 95%

-64.3009945 45.1457811
3.86283619 33.793952
1.39243876 10.4768409
Y= -9.57 + 18.82X1+5.93X3
35
d)
Anlisis de Regresin.
Estadsticas de la regresin
Coeficiente de correlacin mltiple
0.98980071
Coeficiente de determinacin R^2
0.97970544
R^2 ajustado
0.973907
Error tpico
29.7074579
Observaciones
10
Relacin entre Y y X es fuerte y positiva.

Grado de asociacin. El 97% de la variacin de Y se puede explicar por
la asociacin de Y con X.
Ms prximo a 1 es mejor el modelo.
Error estndar de estimacin.
RESIDUOS:
Observacin
1
2
3
4
5
6
7
8
9
10
Pronstico Ventas
124.0578931
131.4761929
275.3489463
469.760373
203.25716
232.6788861
684.6581762
403.6573576
337.0269384
524.5170765
Residuos
4.92010689
25.4208071
0.54505367
-44.115373
-1.69015995
-11.1938861
5.05582379
-15.6703576
-16.8999384
53.6279235
Y= 99.55+20.76X1+-0.11X2+5.28X3
Y= 99.55+20.76 (5)+0.11 (978)+5.28 (23.000)
Y= 99.55+103.8+107.58+121.44
Y= 432.37
36
GRAFICO:
Ventas
Mercados atendidos Curva de regresin ajustada

800
700
600
500
400
300
200
100
0
Ventas
Pronstico Ventas
10
15
20
Mercados atendidos
Presupuesto de publicidad Curva de regresin

ajustada
800
700
Ventas
600
500
Ventas
400
Pronstico Ventas
300
200
100
0
-
20.000
40.000
60.000
80.000
37
10. En una encuesta realizada a 15 estudiantes de la Universidad de Illinois, se

obtuvieron los resultados recogidos en la tabla que se muestra ms abajo.
La variable estudiada fue la puntuacin alcanzada en los exmenes (y). Para
intentar analizar su comportamiento se recogieron datos como el nmero de
horas semanales dedicadas al estudio (x1), el nmero de horas
especficamente dedicadas a los exmenes (x2), el nmero de horas
pasadas en bares o discotecas (x3), si los estudiantes tomaban apuntes en
clase (x4 =1 S, =0 No), y el nmero medio de horas de clase semanales (x5).
Intente ajustar un modelo de regresin que explique las calificaciones de los
estudiantes en funcin de los valores de las otras variables.
a)
Intercepcin
x1
x2
x3
x4
x5
Coeficientes Error tpico

0.21930858 22.5088364
-0.65888017
0.6027826
6.03734957 2.98176966
8.82244734 1.96522843
-3.33725047 6.91722163
1.58121444 0.76649084
Estadstico t Probabilidad Inferior 95%

0.00974322 0.99243871 -50.6992169
-1.09306435 0.30275813 -2.02246915
2.02475384 0.07355516
-0.707882
4.48927322
0.0015121 4.37679179
-0.48245533 0.64099986 -18.9850929
2.06292673 0.06915169 -0.1527083
Superior 95%
51.1378341
0.70470881
12.7825811
13.2681029
12.3105919
3.31513717
Y= 0.22+(-0.65X1)+6.04X2+8.82X3+(-3.34X4)+1.58X5
b)
i=0
i0
Valor T +-: 1.83
X1: Texp1.83 No rechazo Ho.
X2: Texp1.83 Rechazo Ho.
X4: Texp1.83 No Rechazo Ho
38
c)
Intercepcin
X2
X3
X5
Coeficientes
-17.7665162
6.71249014
8.08198161
1.91747858
Error tpico
17.7394755
2.89725151
1.81817859
0.71883566
Estadstico t
-1.00152432
2.31684758
4.44509779
2.66747839
Probabilidad
0.33809585
0.04080375
0.00098666
0.02189238

-56.8108386 21.2778062
0.33568257 13.0892977
4.08019753 12.0837657
0.33533197 3.49962519
Y= -17.76+6.71X2+8.08X3+1.92X5
d) Anlisis de regresin.
R^2 ajustado
Error tpico
Observaciones
0.8964573
0.80363569
0.75008179
11.6857902
15
Grado de asociacin. El 80% de la variacin de Y se puede explicar por la

asociacin de Y con X.
RESIDUOS:
Observacin
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Pronstico y
94.9674815
32.5026244
63.4610594
92.9114529
63.4610594
64.9691009
104.966942
90.7178268
86.3348825
57.2991866
54.0095863
55.3790778
100.30522
73.0484523
58.6660478
Residuos
-7.96748149
-16.5026244
-9.46105939
5.08854713
-8.46105939
-4.96910091
-7.96694169
9.28217319
-8.33488254
15.7008134
3.99041369
1.62092222
-2.30521971
16.9515477
13.3339522
Y= 0.22+(-0.65X1)+6.04X2+8.82X3+(-3.34X4)+1.58X5
39
GRAFICO:
X2 Curva de regresin ajustada

120
100
80
60
40
20
Pronstico Y
0
0
X2

120
100
80
60
Y
40
Pronstico Y
20
0
10
X3
40

120
100
80
60
Y
40
Pronstico Y
20
0
0
10
15
20
25
30
35
X5
11. La Casa Bonita, agencia inmobiliaria del barrio de la Rosilla, est intentando
estimar un modelo que pueda predecir el precio de venta de una casa. Para
ello cuenta con el cuadro que se muestra al final:
Intercepcin 8.42973317 12.6821023 0.66469525 0.52493868 -20.8152472 37.6747135
Metros cuadrados
0.30038693 0.12951636 2.31929712 0.04897313 0.00172166 0.59905219
Habitaciones 7.40185503 1.36898468 5.40682095 0.00064078 4.24497071 10.5587394
Ao del edificio0.36782657 0.24488765 1.50202173 0.17149138 -0.19688536 0.93253851
a)
Y= 8.42+0.30X1+7.40X2+0.36X3
b)
i=0
i0
Valor T +-: 1.860
Metro cuadrados: Texp1.860Rechazo Ho.
Habitaciones: Texp1.860 Rechazo Ho.
Aos del edificio: Texp1-860 No rechazo Ho.
41
c)
Intercepcin
Metros cuadrados
Habitaciones
Coeficientes
21.6877396
0.30970443
6.78126514
Error tpico
9.72095113
0.13810047
1.39324917
2.23103062 0.05260819
2.24260237 0.05162337
4.86723071 0.00088691

-0.30257955 43.6780588
-0.00270053 0.62210939
3.62951656 9.93301371
Y= 21.69+0.31X1+6.78X2
d) Anlisis de regresin.
R^2 ajustado
Error tpico
Observaciones
0.98804393
0.97623081
0.97094877
8.42457471
12

RESIDUOS:
Observacin
1
2
3
4
5
6
7
8
9
10
11
12
Pronstico Precio de Venta (1000$)

Residuos
56.95122341 -7.20122341
62.21089799 5.73910201
70.20647098
10.943529
76.70371604 4.89628396
84.43853159 7.06146841
103.2628464 -8.01284636
105.7379873 -5.38798734
104.8098095 -0.55980947
120.8495906 -8.19959064
152.3103677 -2.61036773
168.6595415 -8.00954152
221.1590169 11.3409831
42
Y= 8.42+0.30X1+7.40X2+0.36X3
Y= 8.42+0.30 (100)+7.40 (6)+0.36 (30)
Y= 8.42+30+44.4+10.8
Y= 165.62
El precio de venta de la cada seria $165.62.
GRAFICO:
Metros cuadrados Curva de regresin

ajustada
Precio de Venta (1.000$)
250
200
150
100
Pronstico Precio de Venta
(1.000$)
50
0
0
50
100
150
200
250
300
Metros cuadrados
Habitaciones Curva de regresin ajustada

250
200
150
100
Pronstico Precio de Venta
(1.000$)
50
0
0
10
15
20
Habitaciones
43
12. La empresa Casino Blues tiene su mercado dividido en 8 regiones. Para

predecir el impacto de su poltica publicitaria cuenta con un modelo
matemtico de regresin que intenta explicar las ventas de cada regin en
base a las siguientes variables:
Intercepcin
Ventas
Nmero de vendedores
Nmero de anuncios mensuales en Televisin
Minutos de radio de publicidad de la competencia
Coeficientes
121.5495081
0.099057493
0.119758613
-0.140345136
-0.319834756
-0.163972824
Error tpico
52.0870892
0.03191752
0.15953102
0.04993264
0.14956471
0.06924088
2.33358227 0.07993785
3.10354576 0.03609683
0.7506917 0.49458619
-2.81068931 0.04828306
-2.13843728 0.09926194
-2.36815061 0.07697587

-23.0674359 266.166452
0.01044024 0.18767474
-0.32317051 0.56268774
-0.27898037 -0.0017099
-0.73509297 0.09542346
-0.35621632 0.02827067
a)
Y= 121+0.10X1+0.12X2+(-0.14X3)+(-0.32X4)+(-0.16X4)
b)
i=0
i0
Valor T +-: 2.132
o Ventas: Texp 2.132 Rechazo Ho.
o Nmero de vendedores: Texp2.132 No Rechazo Ho.
o Presupuesto de publicidad: Texp2.132 Rechazo Ho.
o Nmero de anuncios mensuales en Televisin: Texp 2.132
Rechazo Ho.
o Minutos de radio de publicidad de la competencia: Texp 2.132
Rechazo Ho.
c)
Intercepcin
Ventas
Coeficientes
99.3255928
0.09219363
-0.11620067
-0.25374332
-0.13553151
Error tpico
40.9427569
0.02921468
0.03648931
0.11550912
0.05536861
2.4259625 0.05967694
3.15572998 0.02521589
-3.18451299 0.02441448
-2.19673844 0.07941948
-2.4478041 0.0580931

-5.92111426 204.5723
0.01709491 0.16729234
-0.20999942 -0.02240192
-0.55066895 0.04318232
-0.27786104 0.00679803
44
Y= 99.33 + 0.09X1+ (-0.12X3)+ (-0.25X4) + (-0.14X5)

d) Anlisis de Regresin.
R^2 ajustado
Error tpico
Observaciones
0.91580885
0.83870584
0.70967051
1.63136557
10

Error estndar de estimacin
RESIDUOS:
Observacin
1
2
3
4
5
6
7
8
9
10
Pronstico Region
1.01684559
3.046877641
3.357973188
5.238554624
4.75955471
6.430888453
5.391744294
6.690318719
10.76579894
8.301443841
Residuos
-0.01684559
-1.04687764
-0.35797319
-1.23855462
0.24044529
-0.43088845
1.60825571
1.30968128
-1.76579894
1.69855616
GRAFICOS
Ventas Curva de regresin ajustada

12
Region
10
8
6
4
Region
Pronstico Region
200
400
600
800
Ventas
45
Region
Presupuesto de publicidad Curva de

regresin ajustada
12
10
8
6
4
2
0
Region
Pronstico Region
0
200
400
600
800
Region
Nmero de anuncios mensuales en

Televisin Curva de regresin ajustada
12
10
8
6
4
2
0
Region
Pronstico Region
0
50
100
150
46
Minutos de radio de publicidad de la

competencia Curva de regresin ajustada
12
10
Region
8
6
Region
4
Pronstico Region
2
0
200
400
600
800
13. Da lluvioso, un fabricante de gafas de sol est planificando su produccin

para el ao que viene. Para ello cuenta con las ventas de los ltimos 8 aos
que se muestran a continuacin:
a)
Intercepcin
Ventas ( en miles de unidades)

-1.93991744 0.34866027 -5.56391885 0.00142759 -2.79305838 -1.0867765
0.08615274 0.0043983 19.5877581 1.1474E-06 0.0753905 0.09691498
Y= -1.93+ 0.086X1
b)
R^2 ajustado
Error tpico
Observaciones
0.99227152
0.98460276
0.98203656
0.32829966
8

47
PRUEBA DE HIPOTESIS:
1) i=0
i0
2) =0.05
3) Valor t +- 1.943 Estado significativo
Rechazo H0: Texp -1.943 o Texp1.943
No Rechazo H0:-1.943 Texp 1.943
4) Texp=19.58
5) Como Texp 1.943 entonces Rechazo H0.
6) Existe evidencia estadstica del cociente de la variable x es diferente de 0
con un nivel de significacin del 95%.
48
49
1. Se realiza un experimento para determinar la duracin de vida de ciertos

circuitos electrnicos (Y) en funcin de dos variables de fabricacin (X1) y
(X2), con los siguientes resultados.
a. Ajustar un modelo de regresin lineal.
b. Calcular el coeficiente de determinacin y la varianza residual. ES

EL AJUSTE ADECUADO?
c. Construir un intervalo de confianza al 90% para la prediccin en el

punto (0,0).
2. Los datos de la tabla adjunta indican la gravedad especifica (X1), contenido

de humedad (X2) y fuerza Y de diez vigas de madera. Encontrar el modelo
de regresin que mejor se ajusta a estos datos.
50
3. La demande de un tipo de impresoras ha cambiado debido a una rpida

variacin en el precio. Se a observado la demanda (Y) en una amplia regin
geogrfica y el precio unitario (X) (en unidades de 10 mil pesetas). Los
resultados son de la tabla adjunta. Ajustar un polinomio de regresin a estos
datos que explique el comportamiento de la demanda.
51
BIBLIOGRAFA
Esta detallada informacin ha sido obtenida de la pgina de internet:
Google.com
http://dm.udc.es/asignaturas/estadistica2/secprac_5_3.html
http://es.slideshare.net/juancasa2791/regresion-multiple2
52

Análisis Regresión Múltiple

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Análisis Regresión Múltiple

Uploaded by

Copyright:

Available Formats

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

ANLISIS DE PROGRESIN MLTIPLE

Describir la relacin entre dos o ms variables independientes y una

Calcular e interpretar el error estndar mltiple de estimacin y el

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

ANLISIS DE REGRESIN MLTIPLE

Volumen de ventas, en unidades

Peso de los estudiantes

Consumo de bienes industriales por

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

Precio de una vivienda

La tcnica de regresin mltiple se usa frecuentemente en investigacin, se aplica

ANLISIS DE REGRESIN MLTIPLE PARA 2 VARIABLES INDEPENDIENTES

X1 y X2 son las variables independientes.

b1 es el cambio neto en Y para cada cambio unitario en X1, manteniendo X2

b2 es el cambio neto en Y para cada cambio unitario en X2, manteniendo X1

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

ecuacin de regresin mltiple el clculo se presenta muy tediosa porque se tiene

ANLISIS DE REGRESIN MLTIPLE CON K VARIABLES INDEPENDIENTES

ERROR ESTNDAR MLTIPLE DE LA ESTIMACIN

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

Y es el valor estimado en la ecuacin de regresin.

n es el nmero de observaciones y k es el nmero de variables

ENFOQUE MATRICIAL PARA ENCONTRAR LOS PARAMETROS DE LA

yi b0 b1xi1 b2 xi 2 ... bk xik

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

Dnde: p = k+1, nmero de parmetros

COEFICIENTE DE DETERMINACIN MLTIPLE R2

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

Ecuacin Bsica para anlisis de Varianza

El estadstico de prueba es la distribucin F con k (nmero de variables

F = [(SCR) /(k)] /[(SCE) /(n-k+1)].

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

Ingresos Brutos semanales Anuncios en TV (en miles Anuncios en peridicos (en

Planteando matricialmente los datos

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

Determinando la ecuacin de regresin

Finalmente la ecuacin es:

y 83.2301 2.2902 X1 1.3010 X 2

a. Variable dependiente: Ingresos Brutos semanales

Intervalo de confianza para

(en miles de dlares)

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

Interpretemos los parmetros estimados de las variables independientes:

Para b2: Cuando los gastos de anunciar en televisin se mantienen

Hallando el error estndar de estimacin

a. Variables predictoras: (Constante), Anuncios en peridicos

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

o Interpretacin: Aproximadamente el 91.9% de los cambios producidos en

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

Con estos datos se obtiene:

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

A partir de esta ecuacin se obtienen las predicciones y los residuos

0 013 ) (32 063) = ( 0 149 )

El modelo de regresin lineal que se obtiene es:

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

La varianza de los estimadores del mdulo es

FACULTAD DE ARQUITECTURA URBANISMO E INGENIERA CIVIL

De donde se deduce que

(0 ) = 000816 (0) = 00903