Regresion Lineal y Correlacion
Click here to load reader
-
Upload
morris-star -
Category
Documents
-
view
5.752 -
download
20
Transcript of Regresion Lineal y Correlacion
![Page 1: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/1.jpg)
REGRESION LINEAL Y
CORRELACION
PALACION PALACIOS, Daniel SANCHEZ HUAMAN, Henry
OSORIO TELLO , Jonathan CUBA ATENCIO, Misael
MINAYA ALAYA ,Luis
![Page 2: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/2.jpg)
El diagrama de dispersión se obtiene representando cada observación
(xi, yi) como un punto en el plano cartesiano XY.
Diagramas de dispersión y curvas de regresión
El diagrama de dispersión puede presentar formas diversas:
![Page 3: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/3.jpg)
Ejemplo de las alturas y los pesos
Consideremos las observaciones de los pesos y alturas de un conjunto de 10 personas: elindividuo 1 tiene 161 cm de altura y 63 kg de peso, el individuo 2 tiene 152 cm de alturay 56 kg de peso, etc., tal como se ve en la tabla siguiente:
![Page 4: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/4.jpg)
La regresión es un método de análisis de los datos de la realidad económica que sirve para poner en evidencia las relaciones que existen entre diversas variables.
Una línea recta denominado regresión lineal, que se usa en el laboratorio en varias situaciones:
Para calcular la velocidad en una experiencia de movimiento rectilíneo .
Para calcular la constante elástica de un muelle, colocando pesas en un platillo que cuelga de su extremo libre y midiendo la deformación del muelle .
ETC.
Regresión Lineal
![Page 5: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/5.jpg)
En estadística la regresión lineal o ajuste lineal es un método matemático que modeliza la relación entre una variable dependiente Y, las variables independientes Xi y un término aleatorio ε. Este modelo puede ser expresado como:
Donde : β0 es la intersección o término "constante", Las βi son los parámetros respectivos a cada variable
independiente. P es el número de parámetros independientes a tener en cuenta
en la regresión. La regresión lineal puede ser contrastada con la regresión no lineal.
Regresión Lineal
![Page 6: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/6.jpg)
Formulas Empleadas
![Page 7: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/7.jpg)
Regresión Lineal SimpleAhora asumiremos que si hay una relación de causalidad de la variable X (causa) hacia la variable Y (efecto). Además, se sabe que esa relación es de tipo lineal, dentro del rango de los datos. Estableceremos un modelo para explicar la caiisa (Y) en términos el efecto (X), del tipo siguiente:
Donde:para t = 1,2,..., n
En que B1 y B2 son dos cantidades fijas (parámetros del modelo) y los Ut son cantidades aleatorias que representan las diferencias entre lo que postula el modelo a y lo que realmente se observa,
Por esa razón a los e los llamaremos "errores" o "errores aleatorios". Se asume que tienen valor esperado 0 y desviación standard común σ
![Page 8: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/8.jpg)
![Page 9: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/9.jpg)
Ejemplo 1Continuemos con el anterior ejemplo de las alturas y pesos de un grupo de diez personas.Para determinar la recta de regresión, calculamos la covarianza maestral Sxy, la varianza maestral y las medias y
![Page 10: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/10.jpg)
![Page 11: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/11.jpg)
Diagrama de Dispersión
![Page 12: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/12.jpg)
Para hacer un modelo de regresión necesitamos lápiz (o bolígrafo), folios y una calculadora
elemental. Nada mas. En las pr¶acticas era su¯ciente con introducir los datos
relativos a x y a y. Sin embargo, para hacer las cosas sin ordenador hay que trabajar un poquito
m¶as. Por ese motivo vamos a hacer ejercicios con pocos datos.
Ejercicio 2:
![Page 13: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/13.jpg)
Solución:X =Media de xY =Media de ySxy = Sumatoria de XY =Sxy/n – X*YSx = Sumatoria de X =Sx / n - x2 2 2
![Page 14: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/14.jpg)
Ejercicio 3:El departamento de personal de una empresa informática dedicada a la introducción de datos ha llevado a cabo un programa de formación inicial del personal. La tabla siguiente indica el progreso en pulsaciones por minuto (p.p.m.)obtenido en mecanografía de ocho estudiantes que siguieron el programa y elnúmero de semanas que hace que lo siguen:
![Page 15: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/15.jpg)
Diagrama de dispersión:
El diagrama de dispersión nos muestra que la relación entre las dos variables es lineal con pendiente positiva, de manera que cuantas más semanas pasan, mayor es la ganancia de velocidad. Por tanto, tiene sentido buscar la recta de regresión.A partir de la tabla de cálculos siguiente:
![Page 16: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/16.jpg)
![Page 17: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/17.jpg)
![Page 18: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/18.jpg)
ANALISIS DE REGRESIÓN Y DE
CORRELACIÓN
![Page 19: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/19.jpg)
Regresión y Correlación Análisis de regresión y correlación Relación entre variables Ajuste de curvas El método de los mínimos cuadrados: Relaciones lineales y no lineales Error típico de estimación Coeficiente de Correlación
![Page 20: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/20.jpg)
Regresión y Correlación Recta de regresión y el coeficiente de
correlación lineal
![Page 21: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/21.jpg)
DIAGRAMA DE DISPERSIÓN
CURVA DE APROXIMACIÓN
![Page 22: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/22.jpg)
RELACIÓN LINEAL
RELACIÓN NO LINEAL
![Page 23: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/23.jpg)
![Page 24: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/24.jpg)
![Page 25: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/25.jpg)
Ajuste de curvas Diagrama de dispersión Curva de aproximación Relación lineal Relación no lineal Curva de ajuste
![Page 26: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/26.jpg)
Ecuaciones de curvas de aproximación Linea recta Parábola Curva cúbica Curva cuártica Curva de grado n Hipérbola Exponencial Geométrica
![Page 27: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/27.jpg)
![Page 28: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/28.jpg)
![Page 29: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/29.jpg)
![Page 30: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/30.jpg)
![Page 31: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/31.jpg)
El método de los mínimos cuadrados:
![Page 32: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/32.jpg)
![Page 33: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/33.jpg)
![Page 34: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/34.jpg)
![Page 35: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/35.jpg)
Y = m X + b
![Page 36: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/36.jpg)
![Page 37: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/37.jpg)
![Page 38: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/38.jpg)
![Page 39: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/39.jpg)
![Page 40: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/40.jpg)
COEFICIENTE DE CORRELACIÓN
![Page 41: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/41.jpg)
Medidas de Correlación Cualitativa ( observación directa sobre el
diagrama de dispersión) Cuantitativa ( dispersión de los datos
alrededor de las curvas o rectas)
![Page 42: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/42.jpg)
¿Qué relación hay entre LxA de una hoja con su area?
Relación entre LxA y el área de las hojas del árbol A
0
2
4
6
8
10
12
14
16
4 6 8 10 12 14 16 18 20 22 24 26
Largo x Ancho de la hoja
Are
a d
e l
a h
oja
![Page 43: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/43.jpg)
Examina la relación
Relacion entre LxA y el area de las hojas del arbol A
0
2
4
6
8
10
12
14
16
4 6 8 10 12 14 16 18 20 22 24 26
Largo x Ancho de la hoja
Are
a d
e la
ho
ja
x
y++
- +
- - + -
yy i xxi
![Page 44: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/44.jpg)
Coeficiente de correlación
yx
xy
n
ii
n
ii
i
n
ii
ss
s
yyxx
yyxxr
1
2
1
2
1
)()(
)()(
0)()(1
yyxx i
n
ii
Si la pendiente de la recta es positiva esperamos que :
0)(
)()(
1
2
1
n
ii
i
n
ii
xx
yyxxmya que
Coeficiente de correlación
![Page 45: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/45.jpg)
![Page 46: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/46.jpg)
Significado de la correlación
n
ii
n
ii
n
ii
n
ii
i
n
ii
yy
xx
m
yyxx
yyxxr
1
2
1
2
1
2
1
2
1
)(
)(
)()(
)()(
El coeficiente de correlación y la pendiente tienen el mismo signo.
r es una medida de la dependencia estadística (numérica) lineal de la variables x, y.
![Page 47: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/47.jpg)
Ejemplos de correlación
r cerca de 0r > 0
r < 0
No hay relación lineal
![Page 48: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/48.jpg)
![Page 49: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/49.jpg)
![Page 50: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/50.jpg)
![Page 51: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/51.jpg)
Propiedades de r
r > 0 si y solo si m > 0
-1 =< r <= 1
r cerca de 1 indica dependencia lineal creciente fuerte
r cerca de 0 indica no hay dependencia estadística lineal
r cerca de -1 indica dependencia lineal decreciente fuerte
![Page 52: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/52.jpg)
Propiedades de r x, y pueden estar correlacionadas, pero no
quiere decir que x causa y o que y causa a x.
x, y pueden ser dependientes, pero su coeficiente de correlación puede ser 0:
Ejemplo:◦ x = -1, 0, 1 y = x2 r = 0◦ (la dependencia entre x , y NO es lineal)
![Page 53: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/53.jpg)
Dependientes pero no correlacionadas
-1 10
1
X
Y
numerador de r = (-1).33 + (0)0 + (1).33 = 0
![Page 54: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/54.jpg)
![Page 55: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/55.jpg)
Coeficiente de correlaciónEs la raíz cuadrada del coeficiente de
determinación:
SST
SSESST
SST
SSRRr
2
![Page 56: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/56.jpg)
Referencias Mann: Sec. 13. 6, 13.7
◦ probs: 59-67, 75-77, 80, 81,
Weiss: Sec. 13.4◦ probs: 75, 77, 79, 82, 85
Datos en hoja de Excel
![Page 57: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/57.jpg)
Correlacion formula
![Page 58: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/58.jpg)
r=1 (ó 0,99<r<=1)Dependencia funcional
directaExacta
0< r< 1Dependencia aleatoria
directa
Muy fuerte r de 0,9 a 0,99 Fuerte r de 0,7 a 0,9
Moderada r de 0,4 a 0,7
Débil r de 0,2 a 0,4
Muy Débil r de 0 a 0,2
r=0X,Y aleatoriamente
independientesNula
-1 < r < 0Dependencia aleatoria
inversa entre X, Y
Muy Débil r de -0,2 a 0 Débil r de -0,4 a -0,2
Moderada r de -0,7 a -0,4
Fuerte r de -0,9 a -0,7
Muy Fuerte r de -0,99 a -0,9
r=-1 (ó -1<=r < -0,99)Dependencia funcional
InversaExacta
![Page 59: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/59.jpg)
![Page 60: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/60.jpg)
Ejercicio
xi yi xi ·yi xi2 yi
2
2 1 2 4 13 3 9 9 94 2 8 16 44 4 16 16 165 4 20 25 166 4 24 36 166 6 36 36 367 4 28 49 167 6 42 49 368 7 56 64 4910 9 90 100 8110 10 100 100 10072 60 431 504 380
Matemáticas 2 3 4 4 5 6 6 7 7 8 10 10
Física 1 3 2 4 4 4 6 4 6 7 9 10
![Page 61: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/61.jpg)
ANÁLISIS DE DATOS EN SPSS
![Page 62: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/62.jpg)
Datos Iniciales
Notas C.Int Horas
8 120 4
7 125 3
6 100 3
8 115 4
7 120 4
4 95 2
3 80 2
1 80 1
6 100 3
5 90 3
Partimos de la información obtenida de una muestra de 10 elementos de una determinada distribución. Las variables sometidas a observación son:
• Notas Obtenidas
• Coeficiente de Inteligencia
• Horas de Estudio
![Page 63: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/63.jpg)
Objetivos Iniciales:
¿ Entendemos que las notas que saca un estudiante depende de las horas de estudio de dedicación a la asignatura o del Coeficiente de Inteligencia que tenga ? Ó ¿ de Ambas variables ?A partir de aquí nos planteamos, en primer lugar, realizar un análisis de regresión.
El primer paso es realizar el análisis por el
método introducir las dos variables
simultáneamente
![Page 64: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/64.jpg)
Matriz de Correlación
Planteamiento de que existe o no asociación lineal entre las variables
Ho : el coeficiente de correlación lineal es cero.
Si el p-valor asociado es menor que se rechaza la hip. Nula
1,000 ,900 ,959
,900 1,000 ,819
,959 ,819 1,000
, ,000 ,000
,000 , ,002
,000 ,002 ,
10 10 10
10 10 10
10 10 10
NOTAS
CI
HORAS
NOTAS
CI
HORAS
NOTAS
CI
HORAS
Correlaciónde Pearson
Sig.(unilateral)
N
NOTAS CI HORAS
Correlaciones
HORAS, CIa , IntroducirModelo1
Variablesintroducidas
Variableseliminadas Método
Variables introducidas/eliminadasb
Todas las variables solicitadas introducidasa.
Variable dependiente: NOTASb.
Nos indica las variables introducidas y el método utilizado
![Page 65: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/65.jpg)
Análisis de la Varianza
,979a ,959 ,947 ,5244Modelo1
RR
cuadrado
Rcuadradocorregida
Error típ.de la
estimación
Resumen del modelo
Variables predictoras: (Constante), HORAS, CIa.
Raíz cuadrada de la varianza residual
Coeficiente de determinación corregido. Depende del numero de variables y numero de elementos.
44,575 2 22,287 81,036 ,000a
1,925 7 ,275
46,500 9
Regresión
Residual
Total
Modelo1
Suma decuadrados gl
Mediacuadrática F Sig.
ANOVAb
Variables predictoras: (Constante), HORAS, CIa.
Variable dependiente: NOTASb.
K-1n-k
n-1
SCR= Suma de los cuadrados de la regresión
SCE= Suma de los cuadrados de los errores
)/(
)1/(
knSCE
kSCRF
La Hipótesis nula: La ecuación de regresión muestral no explica un porcentaje significativo de la varianza de la variable
Cuanto mayor sea F mas se explica que se queda por explicar
![Page 66: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/66.jpg)
CoeficientesIChorasNotas .047,053,181,3
-3,815 1,261 -3,025 ,019
4,731E-02 ,018 ,348 2,594 ,036
1,540 ,307 ,674 5,023 ,002
(Constante)
CI
HORAS
Modelo1
B Error típ.
Coeficientes noestandarizados
Beta
Coeficientes
estandarizados
t Sig.
Coeficientesa
Variable dependiente: NOTASa.
Coeficientes Coeficientes de regresión
estandarizado
y
x
S
S1
Valor tB/error típico
Cuanto mayor sea mas se explica de la variable dependiente
Al igual que en otros contrastes se rechazara la variable si se acepta que el coeficiente es igual a cero.
![Page 67: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/67.jpg)
Ganancias
4%
HORAS
92%
4%
77%
15%COEF. INTEL
81%
R2 = 96 %
¿Que aporta cada una de los regresores a la explicación de la variable dependiente?
![Page 68: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/68.jpg)
Ganancias
Método Introducir por bloques 1º horas, 2º C.Int.
![Page 69: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/69.jpg)
,959a ,919 ,909 ,6870
,979b ,959 ,947 ,5244
Modelo1
2
RR
cuadrado
Rcuadradocorregida
Error típ.de la
estimación
Resumen del modelo
Variables predictoras: (Constante), HORASa.
Variables predictoras: (Constante), HORAS, CIb.
42,725 1 42,725 90,536 ,000a
3,775 8 ,472
46,500 9
44,575 2 22,287 81,036 ,000b
1,925 7 ,275
46,500 9
Regresión
Residual
Total
Regresión
Residual
Total
Modelo1
2
Suma decuadrados gl
Mediacuadrática F Sig.
ANOVAc
Variables predictoras: (Constante), HORASa.
Variables predictoras: (Constante), HORAS, CIb.
Variable dependiente: NOTASc.
-,854 ,702 -1,216 ,259
2,191 ,230 ,959 9,515 ,000
-3,815 1,261 -3,025 ,019
1,540 ,307 ,674 5,023 ,002
4,731E-02 ,018 ,348 2,594 ,036
(Constante)
HORAS
(Constante)
HORAS
CI
Modelo1
2
B Error típ.
Coeficientes noestandarizados
Beta
Coeficientes
estandarizados
t Sig.
Coeficientesa
Variable dependiente: NOTASa.
![Page 70: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/70.jpg)
Método Introducir por bloques 1º C.Int, 2º Horas.
![Page 71: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/71.jpg)
,900a ,809 ,786 1,0527
,979b ,959 ,947 ,5244
Modelo1
2
RR
cuadrado
Rcuadradocorregida
Error típ.de la
estimación
Resumen del modelo
Variables predictoras: (Constante), CIa.
Variables predictoras: (Constante), CI, HORASb.
37,634 1 37,634 33,960 ,000a
8,866 8 1,108
46,500 9
44,575 2 22,287 81,036 ,000b
1,925 7 ,275
46,500 9
Regresión
Residual
Total
Regresión
Residual
Total
Modelo1
2
Suma decuadrados gl
Mediacuadrática F Sig.
ANOVAc
Variables predictoras: (Constante), CIa.
Variables predictoras: (Constante), CI, HORASb.
Variable dependiente: NOTASc.
-7,045 2,178 -3,234 ,012
,122 ,021 ,900 5,827 ,000
-3,815 1,261 -3,025 ,019
4,731E-02 ,018 ,348 2,594 ,036
1,540 ,307 ,674 5,023 ,002
(Constante)
CI
(Constante)
CI
HORAS
Modelo1
2
B Error típ.
Coeficientes noestandarizados
Beta
Coeficientes
estandarizados
t Sig.
Coeficientesa
Variable dependiente: NOTASa.
![Page 72: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/72.jpg)
Método por Pasos
• Método que se utiliza para la obtención semiautomatica del modelo de regresión. A través de la selección de cada una de las variables
• Se irán introduciendo las variables a partir de aquella que tenga mayor correlación.
• Se establece criterios de entrada y salida
• PIN probabilidad de entrada
• POUT probabilidad de salida (siempre es mayor que la probabilidad de entrada
• El criterio de aceptación de la variable es que se rechace la hipótesis nula de que el coeficiente sea igual a cero
![Page 73: Regresion Lineal y Correlacion](https://reader038.fdocumento.com/reader038/viewer/2022102421/5571f33a49795947648db13a/html5/thumbnails/73.jpg)
Método por Pasos
Vari abl es i nt roduci das/ el i mi nadasa
HO RAS ,Por pasos ( cr it er io: Pr obabilidad de F para ent r ar<= , 050, Probabilidad de F para salir >= , 100) .
CI ,Por pasos ( cr it er io: Pr obabilidad de F para ent r ar<= , 050, Probabilidad de F para salir >= , 100) .
Modelo1
2
Var iablesint roducidas
Var iableseliminadas Mét odo
Var iable dependient e: NO TASa.
Re s um e n de l m ode lo
,9 5 9 a ,9 1 9 ,9 0 9 ,6 8 7 0
,9 7 9 b ,9 5 9 ,9 4 7 ,5 2 4 4
Mo d e lo1
2
R R c u a d ra d oR c u a d ra d oc o rre g id a
Erro r típ . d e lae s ti ma c ió n
Va ri a b le s p re d ic to ra s : (Co n s ta n te ), HORASa .
Va ri a b le s p re d ic to ra s : (Co n s ta n te ), HORAS, CIb .
Coef i ci entesa
- , 854 , 702 -1, 216 , 259
2, 191 , 230 , 959 9, 515 , 000
-3, 815 1, 261 -3, 025 , 019
1, 540 , 307 , 674 5, 023 , 002
4, 731E-02 , 018 , 348 2, 594 , 036
(Const ant e)
HORAS
(Const ant e)
HORAS
CI
Modelo1
2
B Er ror t í p.
Coef icient es noest andar izados
Bet a
Coef icientes
est andar izados
t Sig.
Var iable dependient e: NOTASa.
Vari abl es excl ui dasb
, 348a 2, 594 , 036 , 700 , 329CIModelo1
Bet a dent r o t Sig.Cor r elación
parcial Toler ancia
Est adí st icos decolinealidad
Var iables pr edict oras en el modelo: (Const ant e) , HO RASa.
Var iable dependient e: NO TASb.
Indicador de la colinealidad existente entre las variables.
Tolerancia = ( 1-R2)
Si el valor de la tolerancia es próximo a 0, la variable será casi una combinación lineal de las restantes.