PROCEDIMIENTO DE GRAFICACIÓN DE LAS ECUACIONES DE REGRESIÓN MÚLTIPLE Y SU RESPECTIVA DESCRIPCIÓN

UNIVERSIDAD TÉCNICA DE AMBATO

FACULTAD CIENCIAS ADMINISTRATIVAS

MERCADOTECNIA

[pic 1][pic 2]

ALUMNO: Masaquiza Criollo William Bladimir

DOCENTE: Ing. William Teneda

MÓDULO: Métodos Cuantitativos

PROCEDIMIENTO DE GRAFICACIÓN DE LAS ECUACIONES DE REGRESIÓN MÚLTIPLE Y SU RESPECTIVA DESCRIPCIÓN

NIVEL: Cuarto “B”

Análisis de regresión múltiple

Tiene una ecuación que es muy fundamental para poder resolver, la cual consta de dos variables independientes adicionales[pic 3]

Para poder encontrar y obtener las variables de las ecuaciones de regresión múltiple se debe calcular mediante 3 ecuaciones que se obtienen por el método de mínimo de cuadrados las cuales son:

        [pic 4]

[pic 5]

        [pic 6]

Al momento de aplicar la regresión múltiple lo más común es que tanto la variable dependiente como la variable independiente deben ser variables continuas con una escala de intervalo o razón.

Existen pasos para la regresión lineal múltiple, los cuales son 4 en donde los dos primeros pasos son importantes, los pasos a seguir son:

1. Significación de F-test: si la cantidad es menor de 0,05, quiere decir que el modelo es estadísticamente significativo y por lo cual la variables independientes explican “algo”
2. R al cuadrado: indica el porcentaje de la varianza de la variable dependiente explicado por el conjunto de variables independientes. Cuanto mayor sea la R-cuadrado más explicativo y mejor es el modelo causal.
3. Significación de t-test: si es menor de 0,05 es que esa variable independiente se relaciona de forma significativa con la variable dependiente, por tanto, influye sobre ella
4. Coeficiente beta (β): indica la intensidad y la dirección de la relación entre esa variable independiente (VI) y la variable dependiente (VD)

Existen ciertos requerimientos para utilizar la técnica de regresión múltiple:

• Linealidad: Si la respuesta no aparenta ser lineal, debemos introducir en el modelo componentes no lineales.
• Normalidad y equidistribución de los residuos: incluir al menos 20 observaciones por cada variable independiente Números inferiores nos llevarán posiblemente a no poder obtener conclusiones y errores.
• Colinealidad: Una técnica muy simple para detectar la linealidad consiste en examinar los coeficientes del modelo para ver si se vuelven inestables al introducir la nueva variable.

La valoración de la capacidad predictiva de la ecuación de Regresión Múltiple se puede hacer con el Coeficiente de Determinación, que se interpretado de forma semejante a como ha sido explicado para la ecuación de Regresión Simple: Da la proporción de variación explicada por el conjunto de variables predictores (o explicativas). El Coeficiente de Determinación es el cuadrado del coeficiente de Correlación Múltiple, que es la correlación de Pearson entre la variable Y y la variable Y' (la variable que contiene las predicciones de Y)

...