Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more ➡
Download
Standard view
Full view
of .
Add note
Save to My Library
Sync to mobile
Look up keyword
Like this
229Activity
×
0 of .
Results for:
No results containing your search query
P. 1
Regresión múltiple

Regresión múltiple

Ratings: (0)|Views: 29,223|Likes:
Published by odel007

More info:

Categories:Types, Maps
Published by: odel007 on Apr 12, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, DOCX, TXT or read online from Scribd
See More
See less

10/29/2013

pdf

text

original

 
Regresión múltiple
Muchos problemas de regresión involucran más de una variable regresiva. Tales modelos sedenominan de regresión múltiple. La regresión múltiple es una de las técnicas estadísticas masampliamente utilizadas. Este capítulo presenta las técnicas básicas de la estimación de parámetros,de la estimación del intervalo de confianza y de la verificación de la suficiencia del modelo para laregresión múltiple. Presentamos también algunos problemas encontrados con frecuencia en el uso práctico de la regresión múltiple, incluyendo la construcción del modelo y la selección de variables,la autocorrelación en los errores, y la multicolinearidad y la dependencia casi lineal entre losregresores.
15-1 Modelos de regresión múltiple
El modelo de regresión que involucra más de un variable regresadora se llama modelo de regresiónmúltiple. Como un ejemplo, supóngase la vida eficaz de una herramienta de corte depende de lavelocidad y del ángulo de corte. Un modelo de regresión múltiple que podrá describir esta relaciónes(15-1)Donde
 y
representa la vida de la herramienta,
 x1
, la rapidez de corte y,
 x2
, el ángulo de corte. Estees un modelo de regresión lineal múltiple con dos regresores. El término ³lineal´ se emplea debidoa que la ecuación 15-1 es la función lineal de los parámetros desconocidos 0, 1 y 2. Nótese queel modelo describe un plano en el espacio bidimensional
 x1
,
 x2
. Parámetro 0 define la ordenada alorigen del plano. Unas veces llamados a 1 y 2 coeficientes de regresión parciales,Porque 1 mide el cambio esperado en
 y
por un cambio unitario en x1 cuando x2 se mantieneconstante, y 2 cambio esperado en y por cambio unitario x2 cuando x1 se mantiene constante.En General la variable dependiente o respuesta y puede relacionarse con k variables independientes.El modelo de regresión múltiple (lineal)(15-2)Se denomina modelos de regresión lineal múltiple con k variables independientes. Los parámetrosj, j= 0, 1, . . . , k, se llaman coeficientes de regresión . Este modelo describe un hiperplano en elespacio k-dimensional de las variables regresoras {xj}. El parámetro j representa el cambioesperado en la respuesta y por cambio unitario en xj todas las variables independientes restantes xj(ij) se mantienen constantes. Los parámetros j, j = 1, 2, . . . , k, se denominan algunas vecescoeficientes de regresión parciales, porque ellos describen el efecto parcial de una variableindependiente cuando las otras variables independientes en el modelo se mantienen constantes.Los modelos de regresión lineal múltiple se utilizan a menudo como funciones de aproximación.Esto es, la verdadera relación funcional entre y y x1, x2,«. Se desconoce, aunque sobre ciertosintervalos de las variablwes independientes «««..
Variable independiente (regresiva o regresora) Variable dependiente (Respuesta) 
(Indeendiente 
 
Y= vida de la herramienta  X1= rapidez de corte  X2nulo de corte Coeficientes de regresión 
 
 
 
En general, cualquier modelo de regresión que es lineal en los parámetros (los parámetros ) es unmodelo de regresión lineal, sin importar la forma de la superficie que genera.
15-2 Estimación de parámetros
El método de mínimos cuadrados puede utilizarse para estimar los coeficientes de regresión en laecuación 15-2. Supóngase que se disponen n > k observaciones, y dejese que
 xij
denoten laobservación iésima o el nivel de la variable xj. Los datos aparecn en la tabla 15.1 suponemos que eltermino del error en el modelo tiene E()= 0, V()=² y que las {  j} son variable aleatorias nocorrelacionadasPodemos describir el modelo, ecuación 15-2, en términos de las observaciones como(15-7)La función de mínimos cuadrados es(15.8)La función L se minimizara con respecto a 0, 1, . . . , k. los estimadores de mínimos cuadradosde 0, 1, . . . , k debe satisfacerse
(15-10)
V(E)= varianza del error= 
²
E(e)= valor esperado del error= 
0
Ecuaciones normales de mínimos cuadrados 
 
 
 Nótese que hay p = k + 1 ecuaciones normales, una para cada una de los coeficientes de regresióndesconocidos. Las solución para las ecuaciones normales serán los estimadores de mínimoscuadrados de los coeficientes de regresión, 0, 1, . . . , k.Es más simple resolver las ecuaciones normales si ellas se expresan en notación de matriz. Daremosahora un desarrollo matricial de las ecuaciones normales que es afin al desarrollo de la ecuación 15-10. El modelo en términos de las observaciones, ecuaciones 15-7, puede expresarse en notaciónmatricial comoDondeEn general
 y
es un vector (n X 1) de las observaciones,
X
es un matriz (
 x
X p) de los niveles de lasvariables independientes,  es un vector (p X 1) de los coeficientes de regresión, y  es un vector (nX 1) de los errores aleatorios.Deseamos encontrar el vector de los estimadores de mínimos cuadrados, , que minimice Nótese que L puede expresarse como(15-11)Puesto ¶
X
 y
es una matriz de (1 X 1), o un escalar, y su transpuesta (¶
X
 y
)¶=
 y
µ
X
 es el mismoescalar. Los estimadores de mínimos cuadrados deben satisfacer 
Y= vector (n X 1) obs. X=matriz (x X p) de los niveles de las variables B= vector ( p x 1) E= vector ( n x 1 ) E= errores aleatorios 
 
K= numero de variables independientes 
 
 
Filas columnas 
 

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->