Scribd
Cargar
81 vistas4 páginas

Coefcorrelacion

1) El coeficiente de correlación simple mide la proporción de varianza de una variable explicada por otra. 2) Los coeficientes de correlación parcial miden la correlación entre dos variables cuando se elimina la influencia de una tercera. 3) El coeficiente de correlación múltiple mide la proporción de varianza de una variable explicada por múltiples variables en un modelo de regresión.

Cargado por

MARIEL MARCELA PEÑARRIETA GONZALES
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 PDF, TXT o lee en línea desde Scribd
81 vistas4 páginas

Coefcorrelacion

1) El coeficiente de correlación simple mide la proporción de varianza de una variable explicada por otra. 2) Los coeficientes de correlación parcial miden la correlación entre dos variables cuando se elimina la influencia de una tercera. 3) El coeficiente de correlación múltiple mide la proporción de varianza de una variable explicada por múltiples variables en un modelo de regresión.

Cargado por

MARIEL MARCELA PEÑARRIETA GONZALES
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 PDF, TXT o lee en línea desde Scribd

Coeficientes de correlación simples, parciales y múltiples

3. Coeficiente de correlación simple


Se define como:
cov( X , Y ) 2 cov 2 ( X , Y )
rY , X = ; r Y ,X =
S X SY S X2 SY2

-Dadas dos variables Y y X, el coeficiente de correlación simple


al cuadrado mide la proporción de la varianza de Y que queda
explicada por X.
- Nota: en regresión simple, el coeficiente de correlación simple al
cuadrado coincide con el coeficiente de determinación.

4. Coeficientes de correlación parciales.


- Miden el grado de correlación que queda entre dos variables
cuando se elimina de ambas la correlación que en común puede
estar creando una tercera variable X2 a un modelo en el que ya
estaba X1.

a) Corr. Parcial de primer orden:


(X3 se añade a un modelo en el que ya estaba X2)
2
rYX X3 •
expresa el % de varianza no explicada de Y por X2 que
2

explica X3.

rYX − rYX rX X2
rYX X2 = 3 2 3

3 •
1 − rX2 X
3 2
2
1 − rYX 2

b) Corr. Parcial de segundo orden:


2
rYX X X expresa la proporción de la varianza de Y explicada por
4 • 3 2

X4 que no explicaba ni X3 ni X2.

2
rYX 3 •
X2X4 expresa la proporción de la varianza de Y explicada por
X3 que no explicaba ni X2 ni X4.
rYX =
rYX 3•
X2 − rYX ( X 2 rX 3 X 4• X 2
4•
)
X2X4 2
1 − rYX 1 − rX23 X 4• X 2
3 •

4•
X2
En general:

r12 345... p = •
[
r12 34..( p −1) − r1 p 34..( p −1) r2 p 34..( p −1) • •
]
1 − r12p 34...( p −1) 1 − r22p 34...( p −1)
•

• •

* Coeficiente de correlación múltiple


Dado un modelo: Yi = β1 + β 2 X 2i + β 3 X 3i + β 4 X 4i + ui
el coeficiente de corr. Múltiple se expresa: rYX X X coincidiendo 2 3 4

el coef. de corr. Múltiple al cuadrado con el coef. de


2 2
determinación: rYX X X = RYX X X 2 3 4 2 3 4

2 2
- rYX 2
X3X4 = RYX X X expresa la proporción de la varianza de Y
2 3 4

que viene explicada por X2,X3 y X4.

- Dado el modelo: Yi = β1 + β 2 X 2i + β 3 X 3i + ui

a) Si introducimos en primer lugar sólo X2:


Yi = β1 + β 2 X 2i + ui

2
rYX es la proporción de la varianza de Y explicada por X2.
(1 − r ) es la proporción de la varianza de Y no explicada por
2

2
YX 2
X2

2
rYX 2
+ 1 − rYX =1
2
( 2
)
SY2 rYX
2 2 2 2
+ SY 1 − rYX = SY
2
( 2
)
Varianza de Y Varianza de Y no
explicada por X2 explicada por X2
b) Añadiendo ahora X3: Yi = β1 + β 2 X 2i + β 3 X 3i + ui
2
rYX 3 •
X 2 es la proporción de la varianza de Y no explicada por X2
que es explicada por X3.

2
rYX X2 ( 2
+ 1 − rYX X2 )= 1
( )
3 • 3•

SY2 1 − rYX
2 2
rYX 2 3•
X 2 => varianza de Y explicada por X3

Varianza de Y no explicada
por X2

(
SY2 1 − rYX
2 2
(1 −rYX 2
) 3•
X2 ) ( 2
≡ 1 − RYX 2
X3 )SY2 => varianza de Y no
explicada por la inclusión de X3

Regresión Varianza explicada Varianza residual


Y=f(X2,X3) SY2 R 2 (1 − R 2 ) SY2
Y=f(X2) SY2 rYX
2
(
SY2 1 − rYX
2
)
( ) rYX2 X SY2 (1 − rYX2 )(1 − rYX2 X )SY2
2 2

Y=f(X2,X3) 2
1 − rYX 2 3• 2 2 3• 2

(1 − R 2 ) SY2 = 1 − rYX
2 2
1 − rYX ( 2
)( 3•
X2 )SY2
despejando:

R 2 = rYX
2 2
+ 1 − rYX
2
( 2
) rYX2 X 3• 2

También podría gustarte