regresión multiple

5
METODOS ECONOMETRICOS PRACTICA N° 01 PEREZ, Jimmy ANALISIS DE REGRESION Concepto: En estadística, el análisis de regresión es un proceso estadístico para la estimación de relaciones entre variables. En todos los casos, el objetivo es la estimación de una función de las variables independientes llamada la función de regresión. En el análisis de regresión, también es de interés para caracterizar la variación de la variable dependiente en torno a la función de regresión que puede ser descrito por una distribución de probabilidad. Objetivo El análisis de regresión tiene por objetivo estimar el valor promedio de una variable, variable dependiente, con base en los valores de una o más variables adicionales, variables explicativas. En este tipo de análisis, la variable dependiente es estocástica mientras que las variables explicativas son no estocásticas en su mayor parte. El análisis de regresión ha cobrado popularidad debido al gran número de paquetes estadísticos que lo incluyen y por ser un “proceso robusto que se adapta a un sinfín de aplicaciones científicas y ejecutivas que permite la toma de decisiones”. En este trabajo, el mejor ajuste de los modelos estará determinado por el análisis de regresión lineal. Características II. Modelo Temático Regresión lineal - Regresión lineal simple Dadas dos variables (Y: variable dependiente; X: independiente) se trata de encontrar una función simple (lineal) de X que nos permita aproximar Y mediante: Ŷ = a + bX - Regresión lineal múltiple Regresión no lineal

Upload: jimmy-perez-vargas

Post on 10-Nov-2015

5 views

Category:

Documents


1 download

DESCRIPTION

Analisís de Regresión Multiple

TRANSCRIPT

METODOS ECONOMETRICOSPRACTICA N 01PEREZ, JimmyANALISIS DE REGRESIONConcepto:En estadstica, el anlisis de regresin es un proceso estadstico para la estimacin de relaciones entre variables. En todos los casos, el objetivo es la estimacin de una funcin de las variables independientes llamada la funcin de regresin. En el anlisis de regresin, tambin es de inters para caracterizar la variacin de la variable dependiente en torno a la funcin de regresin que puede ser descrito por una distribucin de probabilidad.ObjetivoEl anlisis de regresin tiene por objetivo estimar el valor promedio de una variable, variable dependiente, con base en los valores de una o ms variables adicionales, variables explicativas. En este tipo de anlisis, la variable dependiente es estocstica mientras que las variables explicativas son no estocsticas en su mayor parte. El anlisis de regresin ha cobrado popularidad debido al gran nmero de paquetes estadsticos que lo incluyen y por ser un proceso robusto que se adapta a un sinfn de aplicaciones cientficas y ejecutivas que permite la toma de decisiones. En este trabajo, el mejor ajuste de los modelos estar determinado por el anlisis de regresin lineal.CaractersticasII. Modelo Temtico Regresin lineal Regresin lineal simpleDadas dos variables (Y: variable dependiente; X: independiente) se trata de encontrar una funcin simple (lineal) de X que nos permita aproximar Y mediante: = a + bX Regresin lineal mltiple Regresin no linealArtculo principal: Regresin no lineal Regresin segmentada2.1. Ingreso de DatosEl producto para analizar en este trabajo es de la uva verde, tanto la es producida en el Per como tambin en el pas de chile.Los datos escogidos para el trabajo propuesto se recolectaron de los diferentes precios encontrados en los distintos lugares donde uno puedo encontrar el producto a analizar. Los lugares fueron: Mercado Grau, Mercado Central, 2 de mayo y Polvos Rosados.

2.2. ExcelD(y)P(x)

53.50

93.00

112.80

122.70

152.50

2.3 StatgraphicsStatgraphics es un paquete estadstico que realiza y explica bsicos y avanzados de estadstica funciones. 2.4 ProcedimientoIII. AplicacinRegresin Simple Demanda vs Precio(El resultado Comentarios).Regresin Simple - Demanda vs. Precio

Variable dependiente: DemandaVariable independiente: PrecioLineal: Y = a + b*X

CoeficientesMnimos CuadradosEstndarEstadstico

ParmetroEstimadoErrorTValor-P

Intercepto38.42.3541616.31160.0005

Pendiente-9.655170.806238-11.97560.0013

Anlisis de VarianzaFuenteSuma de CuadradosGlCuadrado MedioRazn-FValor-P

Modelo54.069154.069143.410.0013

Residuo1.1310330.377011

Total (Corr.)55.24

Coeficiente de Correlacin = -0.989702R-cuadrada = 97.951 porcientoR-cuadrado (ajustado para g.l.) = 97.268 porcientoError estndar del est. = 0.614013Error absoluto medio = 0.452414Estadstico Durbin-Watson = 1.62111 (P=0.0883)Autocorrelacin de residuos en retraso 1 = -0.119596

El StatAdvisorLa salida muestra los resultados de ajustar un modelo lineal para describir la relacin entre Demanda y Precio. La ecuacin del modelo ajustado es Demanda = 38.4 - 9.65517*PrecioPuesto que el valor-P en la tabla ANOVA es menor que 0.05, existe una relacin estadsticamente significativa entre Demanda y Precio con un nivel de confianza del 95.0%.

El estadstico R-Cuadrada indica que el modelo ajustado explica 97.951% de la variabilidad en Demanda. El coeficiente de correlacin es igual a -0.989702, indicando una relacin relativamente fuerte entre las variables. El error estndar del estimado indica que la desviacin estndar de los residuos es 0.614013. Este valor puede usarse para construir lmites de prediccin para nuevas observaciones, seleccionando la opcin de Pronsticos del men de texto.El error absoluto medio (MAE) de 0.452414 es el valor promedio de los residuos. El estadstico de Durbin-Watson (DW) examina los residuos para determinar si hay alguna correlacin significativa basada en el orden en el que se presentan en el archivo de datos. Puesto que el valor-P es mayor que 0.05, no hay indicacin de una autocorrelacin serial en los residuos con un nivel de confianza del 95.0%.

Residuos AtpicosPrediccionesResiduos

FilaXYYResiduosStudentizados

13.55.04.60690.3931032.53

52.515.014.26210.7379314.75

El StatAdvisorLa tabla de residuos atpicos enlista todas las observaciones que tienen residuos Estudentizados mayores a 2, en valor absoluto. Los residuos Estudentizados miden cuntas desviaciones estndar se desva cada valor observado de Demanda del modelo ajustado, utilizando todos los datos excepto esa observacin. En este caso, hay 2 residuos Estudentizados mayores que 2, pero ninguno mayor que 3. Es conveniente examinar detenidamente las observaciones con residuos mayores a 3 para determinar si son valores aberrantes que debieran ser eliminados del modelo y tratados por separado.