Scribd
Cargar
313 vistas2 páginas

Introducción a la Regresión Lineal Simple

Este documento describe la regresión lineal simple, que consiste en generar un modelo de regresión para explicar la relación lineal entre una variable dependiente (Y) y una variable predictora (X). El modelo se describe mediante una ecuación que relaciona los valores de Y con los de X a través de los coeficientes β0 y β1, así como un error aleatorio ε. A partir de una muestra, se obtienen las estimaciones de los coeficientes β^0 y β^1 que minimizan la suma de cuadrados residuales. La recta de regresión puede usarse para

Cargado por

Heber Zuriel Olvera
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
313 vistas2 páginas

Introducción a la Regresión Lineal Simple

Este documento describe la regresión lineal simple, que consiste en generar un modelo de regresión para explicar la relación lineal entre una variable dependiente (Y) y una variable predictora (X). El modelo se describe mediante una ecuación que relaciona los valores de Y con los de X a través de los coeficientes β0 y β1, así como un error aleatorio ε. A partir de una muestra, se obtienen las estimaciones de los coeficientes β^0 y β^1 que minimizan la suma de cuadrados residuales. La recta de regresión puede usarse para

Cargado por

Heber Zuriel Olvera
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

Marco teorico

Regresión lineal simple


La regresión lineal simple consiste en generar un modelo de regresión (ecuación
de una recta) que permita explicar la relación lineal que existe entre dos variables.
A la variable dependiente o respuesta se le identifica como Y y a la variable
predictora o independiente como X.
El modelo de regresión lineal simple se describe de acuerdo con la ecuación:

Siendo β0 la ordenada en el origen, β1 la pendiente y ϵϵ el error aleatorio. Este


último representa la diferencia entre el valor ajustado por la recta y el valor real.
Recoge el efecto de todas aquellas variables que influyen en Y pero que no se
incluyen en el modelo como predictores. Al error aleatorio también se le conoce
como residuo.
En la gran mayoría de casos, los valores β0 y β1 poblacionales son desconocidos,
por lo que, a partir de una muestra, se obtienen sus estimaciones β^0 y β^1. Estas
estimaciones se conocen como coeficientes de regresión o least square coefficient
estimates, ya que toman aquellos valores que minimizan la suma de cuadrados
residuales, dando lugar a la recta que pasa más cerca de todos los puntos.
(Existen alternativas al método de mínimos cuadrados para obtener las
estimaciones de los coeficientes).

Donde Sy y Sx son las desviaciones típicas de cada variable y R el coeficiente de


correlación. β^0 es el valor esperado la variable Y cuando X = 0, es decir, la
intersección de la recta con el eje y. Es un dato necesario para generar la recta,
pero en ocasiones, no tiene interpretación práctica (situaciones en las que  X no
puede adquirir el valor 0).
Una recta de regresión puede emplearse para diferentes propósitos y
dependiendo de ellos es necesario satisfacer distintas condiciones. En caso de
querer medir la relación lineal entre dos variables, la recta de regresión lo va a
indicar de forma directa (ya que calcula la correlación). Sin embargo, en caso de
querer predecir el valor de una variable en función de la otra, no solo se necesita
calcular la recta, sino que además hay que asegurar que el modelo sea bueno.

También podría gustarte