Análisis de Regresion Lineal Múltiple

Por lo tanto se puede escribir de la siguiente forma el modelo muestral de regresin que corresponde a la ecuacin antes vista:
La funcin de mnimos cuadrados es: ( )
) , , ... por
Se debe minimizar la funcin respecto a , , . . . . Los estimadores de mnimos cuadrados deben satisfacer la siguiente condicin: | Y |

Al simplificar stas ecuaciones se obtienen las ecuaciones normales de mnimos cuadrados
Ntese que hay ecuaciones normales, una para cada uno de los coeficientes desconocidos de regresin. La solucin de las ecuaciones normales sern estimadores por . mnimos cuadrados Si se expresa en notacin matricial se permite presentar de forma ms compacta el modelo como sigue:
De donde
De esta manera es un vector de variables regresoras, es un vector de .
de las observaciones, es una matriz de las de los coeficientes de regresin y es un vector de
Se desea determinar el vector de de estimadores mnimos cuadrados que minimice ( ) ( )( )
( ) Se puede expresar como sigue: ( )
Ya que es una matriz de , es decir, un escalar, y que su traspuesta ( el mismo escalar. Los estimadores de mnimos cuadrados deben satisfacer | Que se simplifica a Estas son las ecuaciones normales de mnimos cuadrados, Son la forma matricial de la presentacin escalar.
es
Para resolver las ecuaciones normales se multiplican ambos lados de la ecuacin por la inversa . As, el estimador de por mnimo cuadrado es ( )
Siempre y cuando exista la matriz inversa ( ) . La matriz ( ) siempre existe si los regresores son linealmente independientes, esto es, si ninguna columna de la matriz es una combinacin lineal de las dems columnas. La forma matricial de las ecuaciones normales es idntica a la forma escalar, escribiendo con detalle se obtiene:
Si se hace la multiplicacin matricial indicada, se obtiene la forma escalar de las ecuaciones normales. Es por ello que es una matriz simtrica de , y que es un vector columna de . El modelo ajustado de regresin que corresponde a los niveles de las variables regresoras [ ] es
El vector de valores ajustados que corresponden a los valores observados ( )
es
La matriz H se le llama matriz de sombrero siendo una matriz de observado y el valor ajustado correspondiente es el residual pueden escribir con notacin matricial como sigue: Existe otra manera de expresar el vector de residuales como sigue: Ejemplo: ( )
. La diferencia entre el valor . Los residuales se
Un embotellador de bebidas gaseosas analiza las rutas de servicio de las maquitas expendedoras en su sistema de distribucin. Le interesa predecir el tiempo necesario para que el representante de ruta atienda las mquinas expendedoras en una tienda. Esta actividad de servicio consiste en abastecer la mquina con productos embotellados, y algo de mantenimiento o limpieza. El ingeniero industrial responsable del estudio ha sugerido que las dos variables ms importantes que afectan el tiempo de entrega son la cantidad de cajas de producto abastecido, , y la distancia caminada por el representante, . El ingeniero ha reunido 25 observaciones de tiempo de entrega que se ven en la siguiente tabla. Se ajustar el modelo de regresin lineal mltiple siguiente:
Para ajustar el modelo de regresin mltiple primero se forman la matriz
y el vector
Matriz Primera Columna Segunda Columna = Cantidad de Cajas Tercera Columna = Distancia Matriz = Tiempo de Entrega en minutos
La multiplicacin de las matrices
Y el vector
es igual a
As el estimador ( )
por mnimos cuadrados es
Es decir que
El ajuste por mnimos cuadrados, con coeficientes de regresin expresados con cinco decimales, es La siguiente tabla muestra las observadas junto con los valores ajustados de la correspondientes, as como los residuales
Realizando un anlisis terico tenemos que: Es decir que a mayor nmero de cajas existe un mayor tiempo de entrega. Es correcto Es decir que a una mayor distancia es mayor el tiempo de entrega. Es correcto
1.61591 por cada caja que se reparte se incrementa 1.61591 minutos 0.001438 por cada unidad de distancia que se incrementa 0.001438 minutos
Anlisis de Varianza Estimacin de
para determinar el significado del ANOVA a partir de la suma de
Como en la regresin lineal simple, se puede desarrollar un estimador cuadrados de residuales ( )
El cuadro medio residual, o cuadrado medio de residuales es
Nota: Es posible demostrar que la suma de cuadrados de residuales tiene n-p grados de libertado asociados con ella, porque se estiman p parmetros en el modelo de regresin. El valor esperado de es , por lo que un estimador insesgado de =
Aplicado al ejemplo se estimar la varianza del error para el ajuste del modelo de regresin mltiple datos de tiempo de entrega de bebidas gaseosas. Y [ ][ ]
Por lo tanto la suma del cuadrado de residuales es :
Es por ello que es posible, el estimado de
es el cuadrado medio de residuales
Prueba de la significancia de la regresin. La prueba de la significancia de la regresin es para determinar si hay una relacin lineal entre la respuesta y cualquiera de las variables regresoras este procedimiento suele considerarse como una prueba general o global de la adecuacin del modelo.
El rechazo de la hiptesis nula implica que al menos uno de los regresores al modelo en forma significativa.
contribuye
El procedimiento de prueba es una generalizacin del anlisis de varianza anteriormente visto, .La suma total de cuadrados se divide en una suma de cuadrados debidos a la regresin, ya una suma de cuadrados de residuales, . Por lo tanto:
Para determinar el estadstico
realizamos: ( ) tiene una
Nota: Es posible demostrar que si es cierta la hiptesis nula, entonces
distribucin con la misma cantidad de grados de libertad que la cantidad de variables regresoras del modelo. Por consiguiente Para probar la hiptesis , se calcula el estadstico y se rechaza si
El procedimiento de prueba se reduce normalmente en una tabla de anlisis de varianza (ANOVA) Una frmula de clculo para es : O bien ( )
Por lo tanto, la suma de cuadrados de la regresin es ( )
La suma de cuadrados de residuales, o suma residual de cuadrados es Y la suma total de cuadrados es ( Analizando el ejemplo tratado tenemos: ( ( ) ) )
( )
Para probar
se calcula el siguiente estadstico:
Asi para
Se rechaza El modelo es aceptable en su forma general estadsticamente recordando que la varianza general del modelo es manera individual y estadstica. y se pueden verificar cada uno de los coeficientes de
Pruebas sobre coeficientes individuales de regresin Una vez determinado que al menos uno de los regresores es importante. Debemos verificar si stos sirven o no; es decir si se agrega una variable a un modelo de regresin, la suma de cuadrados de la regresin aumenta, y la suma de cuadrados residuales disminuye. Se debe decir si el aumento de la suma de cuadrados de la regresin es suficiente para garantizar el uso del regresor adicional en el modelo. La adicin de un regresor tambin aumenta la varianza de valor ajustado , por lo que se debe tener cuidado de incluir slo regresores que tengan valor para explicar la respuesta. Adems, si se agrega un regresor no importante se puede aumentar el cuadrado medio de residuales, y con eso se disminuye la utilidad del modelo. La hiptesis para probar la significancia de cualquier coeficiente individual de regresin, como por ejemplo son
Si no se rechaza quiere decir que se puede eliminar el regresor prueba para esta hiptesis es Donde es el elemento diagonal de ( si | | ) ( ) que corresponde a
del modelo. El estadstico de
Se rechaza la hiptesis nula
Haciendo el anlisis sobre nuestro ejemplo tenemos: Suponemos que deseamos evaluar la importancia de la variable regresora (distancia, ) Dado que el regresor (cajas, Las hiptesis son: ) est en el modelo.
El elemento de la diagonal principal de ( lo que el estudio estadstico | | es: (
que corresponde a
es
, por
)(
En vista de que se rechaza , y la conclusin es que el regresor (distancia, ), constituye en forma significativa al modelo, dado que el regresor (cajas, ) ya est tambin en el modelo.

Análisis de Regresion Lineal Múltiple

Cargado por

Copyright:

Formatos disponibles

Análisis de Regresion Lineal Múltiple

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Análisis de Regresion Lineal Múltiple

Cargado por

Copyright:

Formatos disponibles

Por lo tanto se puede escribir de la siguiente forma el modelo muestral de regresin que corresponde a la ecuacin antes vista:

La funcin de mnimos cuadrados es: ( )

Al simplificar stas ecuaciones se obtienen las ecuaciones normales de mnimos cuadrados

De esta manera es un vector de variables regresoras, es un vector de .

de las observaciones, es una matriz de las de los coeficientes de regresin y es un vector de

Se desea determinar el vector de de estimadores mnimos cuadrados que minimice ( ) ( )( )

( ) Se puede expresar como sigue: ( )

El vector de valores ajustados que corresponden a los valores observados ( )

. La diferencia entre el valor . Los residuales se

Para ajustar el modelo de regresin mltiple primero se forman la matriz

La multiplicacin de las matrices

por mnimos cuadrados es

Anlisis de Varianza Estimacin de

para determinar el significado del ANOVA a partir de la suma de

Como en la regresin lineal simple, se puede desarrollar un estimador cuadrados de residuales ( )

El cuadro medio residual, o cuadrado medio de residuales es

Por lo tanto la suma del cuadrado de residuales es :

Es por ello que es posible, el estimado de

es el cuadrado medio de residuales

Para determinar el estadstico

realizamos: ( ) tiene una

Nota: Es posible demostrar que si es cierta la hiptesis nula, entonces

Por lo tanto, la suma de cuadrados de la regresin es ( )

se calcula el siguiente estadstico:

del modelo. El estadstico de

Se rechaza la hiptesis nula

El elemento de la diagonal principal de ( lo que el estudio estadstico | | es: (

También podría gustarte