30932601
Medidas estadísticas
Bivariantes de regresión y
correlación.
- Regreson lineal
multiple
- modelo
de regresión múltiple
- cuando hay mas
de dos variables
- La regresión lineal es una técnica estadística destinada a
analizar por qué pasan las cosas o cuáles son las principales
explicaciones de algún fenómeno. A partir de los análisis de
regresión lineal múltiple podemos
- comparar y comprobar
modelos explicativos
- predecir valores de una variable, es decir, a
partir de unas características predecir de
forma aproximada un comportamiento o
estado
- si el conjunto de variables independientes
(explicaciones) se relacionan con la variable
dependiente (resultado)
- Los dos siguientes pasos hacen referencia a la
influencia de cada una de las variables
independientes:
- 4 – Coeficiente beta (β): indica la intensidad
y la dirección de la relación entre esa
variable independiente (VI) y la variable
dependiente (VD):
- cuanto más se aleja de 0 más fuerte es la relación
- el signo indica la dirección (signo + indica que al
aumentar los valores de la VI aumentan los valores
de la VD; signo – indica que al aumentar los valores
de la VI, los valores de la VD descienden)
- cuanto más se aleja de 0 más fuerte es la relación
- 3 – Significación de t-test: si es menor de
0,05 es que esa variable independiente se
relaciona de forma significativa con la
variable dependiente, por tanto, influye
sobre ella, es explicativa, ayuda a predecirla
- 4 – Coeficiente beta (β): indica la intensidad
y la dirección de la relación entre esa
variable independiente (VI) y la variable
dependiente (VD):
- 2 – R cuadrado: es cuánto las variables
independientes explican la variable dependiente,
indica el porcentaje de la varianza de la variable
dependiente explicado por el conjunto de variables
independientes. Cuanto mayor sea la R-cuadrado
más explicativo y mejor será el modelo explicativo.
- 1 – Significación de F-test: si es menor de 0,05 es que el
modelo es estadísticamente significativo y por tanto las
variables independientes explican “algo” la variable
dependiente, cuánto “algo” es la R-cuadrado
- Los dos siguientes pasos hacen referencia a la
influencia de cada una de las variables
independientes:
- si el conjunto de variables independientes
(explicaciones) se relacionan con la variable
dependiente (resultado)
- identificar que variables independientes (causas)
explican una variable dependiente (resultado)
- comparar y comprobar
modelos explicativos
- modelo
de regresión múltiple
- Regresion
lineal simple
- Analisis de regresion:
Objetivos
- Identificar un modelo funcional que describa cómo se modifica la
variable dependiente Y frente a cambios la variable independiente X
- Estimar los parámetros del modelo (constantes) a partir de una
muestra aleatoria de observaciones en Y y en X
- Validar el modelo mediante contrastes de
hipótesis que pongan a prueba la bondad
de ajuste del mismo
- Predecir el valor esperado de la variable
dependiente Y cuando la variable independiente X
toma un valor particular
- Identificar un modelo funcional que describa cómo se modifica la
variable dependiente Y frente a cambios la variable independiente X
- Análisis de
regresión: Modelo
- cuando hay dos variables
- Analisis de regresion:
Objetivos
- Diagrama de
dispersion
- Los Diagramas de Dispersión o Gráficos
de Correlación permiten estudiar la
relación entre 2 variables.
- Dadas 2 variables X y Y, se dice que existe una
correlación entre ambas si cada vez que
aumenta el valor de X aumenta
proporcionalmente el valor de Y (Correlación
positiva)
- si cada vez que aumenta el
valor de X disminuye en
igual proporción el valor de Y
(Correlación negativa).
- Se usa para descubrir y mostrar las relaciones
entre dos conjuntos asociados de datos y
confirmar relaciones anticipadas entre dos
conjuntos asociados de datos
- Dadas 2 variables X y Y, se dice que existe una
correlación entre ambas si cada vez que
aumenta el valor de X aumenta
proporcionalmente el valor de Y (Correlación
positiva)
- Los Diagramas de Dispersión o Gráficos
de Correlación permiten estudiar la
relación entre 2 variables.
- Correlación
- Es un tipo de asociación entre dos variables
numéricas, específicamente evalúa la tendencia
(creciente o decreciente) en los datos.
- La correlación nos permite medir el signo y
magnitud de la tendencia entre dos variables
- El signo nos indica la dirección de la relación, como
hemos visto en el diagrama de dispersión.
- un valor positivo indica una
relación directa o positiva
- un valor negativo indica relación
indirecta, inversa o negativa
- un valor nulo indica que no existe una tendencia entre
ambas variables (puede ocurrir que no exista relación o
que la relación sea más compleja que una tendencia, por
ejemplo, una relación en forma de U).
- un valor positivo indica una
relación directa o positiva
- La magnitud nos indica la fuerza de la relación, y
toma valores entre -1 a 1
- si la correlación vale 1 o -1 diremos que
la correlación es “perfecta”,
- si la correlación vale 0
diremos que las variables no
están correlacionadas.
- si la correlación vale 1 o -1 diremos que
la correlación es “perfecta”,
- El signo nos indica la dirección de la relación, como
hemos visto en el diagrama de dispersión.
- Tenemos el coeficiente de correlación lineal de Pearson que se
sirve para cuantificar tendencias lineales, y el coeficiente de
correlación de Spearman que se utiliza para tendencias de
aumento o disminución, no necesariamente lineales pero sí
monótonas
- La correlación nos permite medir el signo y
magnitud de la tendencia entre dos variables
- Es un tipo de asociación entre dos variables
numéricas, específicamente evalúa la tendencia
(creciente o decreciente) en los datos.
- Regresion y
correlacion
- La correlación cuantifica como de relacionadas están dos variables,
mientras que la regresión lineal consiste en generar una ecuación
(modelo) que, basándose en la relación existente entre ambas variables,
permita predecir el valor de una a partir de la otra
- La correlación cuantifica como de relacionadas están dos variables,
mientras que la regresión lineal consiste en generar una ecuación
(modelo) que, basándose en la relación existente entre ambas variables,
permita predecir el valor de una a partir de la otra
Media attachments
Want to create your own Mind Maps for free with GoConqr? Learn more.