Este documento describe el modelo de regresión lineal simple. Explica que la regresión lineal estima la relación entre una variable dependiente y una independiente a través de una ecuación de regresión. También describe cómo se usan los datos muestrales para estimar los parámetros de la ecuación de regresión y obtener la ecuación de regresión estimada, la cual puede usarse para predecir valores de la variable dependiente. Finalmente, incluye ejemplos de aplicación del modelo de regresión lineal simple.
0 calificaciones0% encontró este documento útil (0 votos)
29 vistas15 páginas
Este documento describe el modelo de regresión lineal simple. Explica que la regresión lineal estima la relación entre una variable dependiente y una independiente a través de una ecuación de regresión. También describe cómo se usan los datos muestrales para estimar los parámetros de la ecuación de regresión y obtener la ecuación de regresión estimada, la cual puede usarse para predecir valores de la variable dependiente. Finalmente, incluye ejemplos de aplicación del modelo de regresión lineal simple.
Este documento describe el modelo de regresión lineal simple. Explica que la regresión lineal estima la relación entre una variable dependiente y una independiente a través de una ecuación de regresión. También describe cómo se usan los datos muestrales para estimar los parámetros de la ecuación de regresión y obtener la ecuación de regresión estimada, la cual puede usarse para predecir valores de la variable dependiente. Finalmente, incluye ejemplos de aplicación del modelo de regresión lineal simple.
Este documento describe el modelo de regresión lineal simple. Explica que la regresión lineal estima la relación entre una variable dependiente y una independiente a través de una ecuación de regresión. También describe cómo se usan los datos muestrales para estimar los parámetros de la ecuación de regresión y obtener la ecuación de regresión estimada, la cual puede usarse para predecir valores de la variable dependiente. Finalmente, incluye ejemplos de aplicación del modelo de regresión lineal simple.
Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
Descargar como pptx, pdf o txt
Está en la página 1/ 15
Modelo de Regresión Lineal Simple
Regresión 1. Ecuación de regresión 2. Método de mínimos cuadrados Coeficiente de correlación de Pearson Mide el grado de covariación entre dos variables relacionadas linealmente. El coeficiente de correlación de Pearson es para variables cuantitativas mínimo a nivel de medición de intervalo. Puede ser que las variables tienen fuerte relación entre ellas de una forma que no sea lineal como entre ansiedad y rendimiento en forma de U invertida, entre nivel socioeconómico y número de hijos en forma de U, entre población y tiempo de forma exponencial. INTERPRETACIÓN DEL r Proporción de variabilidad compartida o explicada. 0.82 = 0.64 es la proporción de varianza compartida entre ambas variables Puede interpretarse como un 64% del rendimiento es debido a la inteligencia o que la inteligencia y el rendimiento comparten un 64% de elementos o variabilidad explicada y 36% del rendimiento queda sin explicación se denomina coeficiente de no explicación o de alienación; variabilidad no explicada. Si incrementamos las variables explicativas con motivación y personalidad quizás aumentemos la variabilidad explicada de ello se ocupa la correlación múltiple. Ruta: Analizar, correlaciones bivariadas, insertar variables y aceptar CORRELACIÓN Y CAUSALIDAD Correlación entre dos variables sólo significa que ambas variables comparten información. Determinar la fuente de la variabilidad – la causa – no puede resolverse con recursos exclusivamente matemáticos En los estudios experimentales no representa mucha dificultad se mantiene todas las variables implicadas constantes y manipular la que es de interés para ver su posible efecto. En los estudios de campo es más complicado determinar la causa. 1. Modelo de regresión lineal simple
– Coeficientes Betas Contiene
– Errortoda la información que no puede ser explicada – Parámetros – Residual por la variable X
y 0 1 x
– Variable dependiente – Variable independiente
– Variable explicada – Variable explicativa – Variable respuesta – Variable de control – Regresando – Regresor Grafica A: Relación lineal positiva Grafica B: Relación lineal negativa
E(y) E(y) Recta de regresión Recta de regresión b0 Intercepto
