Análisis de RegresiónCaso Easton Realty<br />
Precio versus Área<br />
Precios con tres áreas diferentes<br />
Modelo: Recta de los Promedios<br />El precio promedio varía con el área.<br />Podemos establecer una relación entre el pr...
Análisis de Regresión<br />¿Qué es el Problema de Regresión?<br />Estimar el valor promedio de una variable en términos de...
Modelo desde otra perspectiva<br />Para cada área hay un precio promedio pero también hay un conjunto de posibles valores ...
Primer análisis: Diagramas de Dispersión<br />
Coeficiente de Correlación de la muestra<br />Mide la asociación entre dos variables, indicando el sentido de la asociació...
Correlación inversa perfecta (-1)<br />
Correlación = -0.9<br />
Correlación = -0.5<br />
Correlación = 0.02<br />
Correlación = 0.8<br />
Correlación = 0.96<br />
Nuestro caso: Precio vs Área<br />
Modelo Lineal<br />
Tres casos que hay que diferenciar<br />Ecuación del modelo para los promedios:<br />E(Y) = A + B X<br />Es la ecuación ge...
Nuestra Recta: Precio vs Área<br />b= pendiente<br />a=intercepto<br />
Método de los Mínimos Cuadrados<br />
Valor estimado del precio Yest<br />EE<br />La diferencia es el error e<br />EE<br />Valor real del precio<br />Error Está...
Coeficiente de Determinación (r2)<br />Es el porcentaje de variación de Y explicada por el modelo<br />Indica fuerza de as...
Supuestos del Modelo<br />La relación entre las variables es lineal<br />Las observaciones son independientes<br />La disp...
Inferencia en regresión<br />¿Es la relación mostrada en la muestra generalizable a la población?<br />
Prueba de hipótesis en la regresión<br />
Pruebas acerca de la Pendiente<br />
Resultado de una Regresión Simple<br />Ecuación de regresión simple<br />El precio se incrementa en 34.9 por pie2<br />La ...
Análisis de Residuales<br />Residuales versus valor estimado<br />Normalidad de los errores<br />
Regresión Múltiple<br />En este caso tenemos más una variable independiente o explicativa<br />
Regresión Múltiple<br />Estudia la relación entre <br />Una variable dependiente, y<br />Más de una variable independiente...
Detalles del modelo<br />Y = A + B X1 + C X2 + D X3 +…+ error<br />Se asume relación lineal <br />Los términos A, B, C y l...
Ejemplo: Sueldos de graduados<br />
Preguntas<br />¿Cuál es el impacto de tener una maestría en el sueldo del ejecutivo?<br />¿Qué variables son explicativas ...
Sueldos: Matriz de correlación<br />Observar que Maestría no es una variable cuantitativa<br />La interpretación de la cor...
Gráfica: Sueldos Vs. Experiencia<br />
Gráfica: Sueldos Vs. Calificación<br />
Gráfica: Sueldos Vs. Maestría<br />
Ejemplo Sueldos: Estimación<br />Significativo?<br />
Otros indicadores<br />Multicolinealidad?<br />
Próxima SlideShare
Cargando en…5
×

19 regresion

6.446 visualizaciones

Publicado el

1 comentario
3 recomendaciones
Estadísticas
Notas
  • Muy bueno, me aclaró un montón, es justo lo que estaba buscando. Muchas gracias
       Responder 
    ¿Estás seguro?    No
    Tu mensaje aparecerá aquí
Sin descargas
Visualizaciones
Visualizaciones totales
6.446
En SlideShare
0
De insertados
0
Número de insertados
10
Acciones
Compartido
0
Descargas
283
Comentarios
1
Recomendaciones
3
Insertados 0
No insertados

No hay notas en la diapositiva.

19 regresion

  1. 1. Análisis de RegresiónCaso Easton Realty<br />
  2. 2. Precio versus Área<br />
  3. 3. Precios con tres áreas diferentes<br />
  4. 4. Modelo: Recta de los Promedios<br />El precio promedio varía con el área.<br />Podemos establecer una relación entre el precio y el área<br />
  5. 5. Análisis de Regresión<br />¿Qué es el Problema de Regresión?<br />Estimar el valor promedio de una variable en términos del valor conocido de otra variable (o valores conocidos de otras variables) <br />¿Qué es la Ecuación de regresión?<br />Es la Expresión matemática que establece la relación entre dos variables<br />¿Qué incluye el Análisis de Regresión?<br />Estimar la fuerza de la asociación entre variables<br />Determinar la relación apropiada<br />Determinar el nivel de significancia de la relación<br />Evaluar qué tan apropiada es la ecuación de regresión<br />
  6. 6. Modelo desde otra perspectiva<br />Para cada área hay un precio promedio pero también hay un conjunto de posibles valores alrededor de este promedio. <br />Esta variación es producida por otros factores<br />
  7. 7. Primer análisis: Diagramas de Dispersión<br />
  8. 8. Coeficiente de Correlación de la muestra<br />Mide la asociación entre dos variables, indicando el sentido de la asociación.<br />Tiene el mismo sentido ( es decir signo) que la pendiente del modelo<br />Puede evaluarse su significancia<br />
  9. 9. Correlación inversa perfecta (-1)<br />
  10. 10. Correlación = -0.9<br />
  11. 11. Correlación = -0.5<br />
  12. 12. Correlación = 0.02<br />
  13. 13. Correlación = 0.8<br />
  14. 14. Correlación = 0.96<br />
  15. 15. Nuestro caso: Precio vs Área<br />
  16. 16. Modelo Lineal<br />
  17. 17. Tres casos que hay que diferenciar<br />Ecuación del modelo para los promedios:<br />E(Y) = A + B X<br />Es la ecuación general, aplicable para los promedios<br />Ej. El precio promedio de una casa de 200m2<br />Ecuación del modelo para valores individuales<br />Y = A + B X + error, <br />Es aplicable para cada casa<br />Ej. El precio de una casa individual de 200m2<br />Ecuación estimada <br />Y = a + b X<br />Es la ecuación estimada a través de una muestra de observaciones (lo que producen los datos)<br />
  18. 18. Nuestra Recta: Precio vs Área<br />b= pendiente<br />a=intercepto<br />
  19. 19. Método de los Mínimos Cuadrados<br />
  20. 20. Valor estimado del precio Yest<br />EE<br />La diferencia es el error e<br />EE<br />Valor real del precio<br />Error Estándar del Estimador EE Desviación Típica de los Residuos<br />
  21. 21. Coeficiente de Determinación (r2)<br />Es el porcentaje de variación de Y explicada por el modelo<br />Indica fuerza de asociación lineal<br />Se le usa como indicador de la capacidad predictiva del modelo <br />Uso muy común pero no es lo único que debe considerarse<br />Existe una versión mejorada llamado <br /> R2-ajustado<br />
  22. 22. Supuestos del Modelo<br />La relación entre las variables es lineal<br />Las observaciones son independientes<br />La dispersión es constante en la recta<br />Normalidad: Cada distribución en cada valor de X es normal (necesaria para inferencia)<br />
  23. 23. Inferencia en regresión<br />¿Es la relación mostrada en la muestra generalizable a la población?<br />
  24. 24. Prueba de hipótesis en la regresión<br />
  25. 25. Pruebas acerca de la Pendiente<br />
  26. 26. Resultado de una Regresión Simple<br />Ecuación de regresión simple<br />El precio se incrementa en 34.9 por pie2<br />La pendiente es significativa<br />La variable área capacidad predictiva<br />La correlación es positiva igual que la pendiente<br />Error estándar del modelo de regresión<br />El área explica el 48% de la variación del precio<br />
  27. 27. Análisis de Residuales<br />Residuales versus valor estimado<br />Normalidad de los errores<br />
  28. 28. Regresión Múltiple<br />En este caso tenemos más una variable independiente o explicativa<br />
  29. 29. Regresión Múltiple<br />Estudia la relación entre <br />Una variable dependiente, y<br />Más de una variable independiente (explicativa)<br />Se utiliza:<br />Para describir la naturaleza de una relación<br />Para predecir la variables dependiente a partir del valor de las independientes<br />
  30. 30. Detalles del modelo<br />Y = A + B X1 + C X2 + D X3 +…+ error<br />Se asume relación lineal <br />Los términos A, B, C y los demás se interpretan como contribuciones marginales a la variación de Y<br />Una herramienta útil es la matriz de correlaciones<br />Idealmente X1, X2, X3 y las demás variables explicativas son independientes entre sí<br />Problema potencial es la multicolinealidad<br />
  31. 31. Ejemplo: Sueldos de graduados<br />
  32. 32. Preguntas<br />¿Cuál es el impacto de tener una maestría en el sueldo del ejecutivo?<br />¿Qué variables son explicativas de las diferencias en el sueldo?<br />Ofrezca una explicación razonable para el resultado hallado<br />
  33. 33. Sueldos: Matriz de correlación<br />Observar que Maestría no es una variable cuantitativa<br />La interpretación de la correlación tiene dificultades<br />
  34. 34. Gráfica: Sueldos Vs. Experiencia<br />
  35. 35. Gráfica: Sueldos Vs. Calificación<br />
  36. 36. Gráfica: Sueldos Vs. Maestría<br />
  37. 37. Ejemplo Sueldos: Estimación<br />Significativo?<br />
  38. 38. Otros indicadores<br />Multicolinealidad?<br />
  39. 39. Modelo final (sin variable Maestría<br />El modelo explica el 90.32% de la variación de los sueldos<br />
  40. 40. Dificultades en la Regresión<br />Multicolinealidad<br />Cuando hay mucha correlación entre las variables independientes (explicativas)<br />Autocorrelación<br />Falta de independencia de los errores<br />Los valores de Y están relacionados con valores subsecuentes en otros periodos<br />Heteroscedasticidad<br />La varianza de los errores no es constante<br />

×