Regresin Simple
Regresin Mltiple
MTODOS PREDICTIVOS
MNIMOS CUADRADOS ORDINARIOS
Resumen de Clases
Introduccin a MP
Regresin Simple
Regresin Simple
La linea de mnimos cuadrados que mejor se ajusta
Estimaciones puntuales de mnimos cuadrados
Coeciente de determinacin y correlacin simple
Intrvalo de prediccin para un valor individual de y
Prueba F global
Prueba T
Regresin Mltiple
Introduccin
Enfoque matricial
Coeciente de determinacin mltiple R 2
Prueba F global
Prueba T
Regresin Cuadrtica
Introduccin
Ejemplo
Interaccin y V. Ficticia
Interaccin
Variable cticia
Series temporales
Introduccin
Modelado de la tendencia mediante funciones polinomiales
Fin
UNAP
Introduccin a MP
Regresin Simple
Regresin Mltiple
Regresin Mltiple
Noviembre 2015
Regresin Simple
Introduccin a MP
Regresin Simple
Regresin Mltiple
Short review
Captulo 1:
REGRESIN
MNIMOS CUADRADOS ORDINARIOS
1 9 13
20 5 6
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin a MP
Short review
Short review
Matrix Multiplication
Matrix Multiplication
A21
A=
..
.
B21
B=
..
.
B11
B12
B22
..
.
..
.
B1p
B2p
..
.
Regresin Simple
Regresin Mltiple
AB =
m
X
Aik Bkj
k=1
Introduccin a MP
Regresin Simple
Regresin Mltiple
Short review
Introduccin a MP
Regresin Simple
Regresin Mltiple
Short review
The inverse of a square matrix
Illustration:
The gure to the right illustrates diagrammatically the product of
two matrices A and B, showing how each intersection in the
product matrix corresponds to a row of A and a column of B.
42 matrix
43 matrix
a11 a12 " 23 matrix #
x12 x13
b12 b13
(1)
(2)
(3)
(4)
(5)
Introduccin a MP
Regresin Simple
Regresin Mltiple
Short review
Introduccin a MP
Regresin Simple
Regresin Mltiple
Short review
For example, consider the following matrix:
2 1
0
2 1
A = 1
0 1
2
2 1
0 1 0 0
2 1 0 1 0
[A|I] = 1
0 1
2 0 0 1
By performing row operations, one can check that the reduced row
echelon form of this augmented matrix is:
1 0 0
[I|B] = 0 1 0
0 0 1
3
4
1
2
1
4
1
2
1
4
1
2
3
4
1
1
2
Thus the product AB is dened only if the number of columns in A is equal to the number of rows in B.
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin a MP
Regresin Simple
Short review
Short review
Sea la Matriz A:
1 2 3
a11 a12 a13
a22 a23 = 4 5 6
a31 a32 a33
7 8 9
A = a21
32
a
C = 12
a32
a12
+
a22
5
+ 8
2
C =
8
2
+
5
a
a
a23
21 a23
21 a22
+
a31 a33
a31 a32
a33
a13
a33
a
+ 11
a31
a13
a33
a
11
a31
a
a
a13
11
11 a13
+
a21
a21 a23
a23
a12
a32
a12
a22
Regresin Mltiple
3
9
1
+
7
3
9
1
7
4 6
4 5
6
+
9
7 9
7 8
1 3
1
3
+
4 6
4
6
2
5
3
6
3
C = 6 12 6
3
6
3
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin a MP
Short review
Short review
Cramers rule
Propiedades
A1
1
1 T
= C =
..
..
..
..
.
.
.
A
A .
C1n C2n Cnn
Regresin Simple
Regresin Mltiple
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Pronsticos
Las predicciones de hechos y condiciones futuros se llaman
pronsticos.
Pronosticos
La informacin tranversal consta de valores observados en
un punto en el tiempo.
Notas del ltimo examen del semestre.
ndice de percepciones de corrupcin 2012, america latina.
Nmero de consultas realizadas a un Sistema Informacin
durante el ltimo mes.
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Medicin de la magnitud de los errores
et = yt yt
et = |yt yt |
Regresin Simple
Regresin Mltiple
t=1 |yt
yt |
Error cuadrtico:
(et )2 = (yt yt )2
Error cudrtico medio (ECM):
Pn
2
t=1 (et )
n
Introduccin a MP
Pn
Pn
Introduccin a MP
Regresin Simple
Pn
t=1 (yt
yt )2
Regresin Mltiple
Introduccin
Medicin de la magnitud de los errores
t=1 EAPt
100
Pn
t=1
|yt yt |
yt
Captulo 2:
Introduccin a MP
Regresin Simple
Regresin Mltiple
Regresin Simple
Introduccin a MP
Regresin Simple
Regresin Mltiple
Regresin Simple
y
Variable dependiente
Variable respuesta
Variable respuesta
Ejm: Consumo de combustible por semana
x
Variable independiente
Variable predictora
Variable regresora (Montgomery)
Ejm: Temperatura promedio por hora
durante la semana
Regresin Simple
Regresin Mltiple
Introduccin a MP
Regresin Simple
Regresin Mltiple
et2 =
(yt yt )2 =
(yt 0 1 xt )2
(yt 0 1 xt ) = 0
xt (yt 0 1 xt ) = 0
(6)
(7)
yt
xt yt
= 0 n + 1
= 0
(8)
xt
xt + 1
xt2
1 =
xi yi
xi2
xi
Pn
xi )2
n
yi
0 = y 1 x
(9)
Introduccin a MP
Regresin Simple
Regresin Mltiple
Regresin Simple
Regresin Mltiple
yi
yx=
xi
(xi x )(yi y )
P
=
(xi x )2
1 =
Introduccin a MP
xi yi
xi2
xi
yi
n
P
( xi )2
n
SSxy
SSxx
0 = y 1 x
Con objeto de simplicar la notacin, con frecuencia se omiten los
P
P
en lugar de ni=1
lmites de la sumatoria. Es decir usamos
Introduccin a MP
Regresin Simple
Regresin Mltiple
i=1
Regresin Mltiple
n
X
i=1
(yi yi )2 +
n
X
i=1
(yi y )2
variacion explicada
variacion total
Regresin Simple
n
X
Introduccin a MP
Pn
(xi x )2
Pn i=1
2
12
i=1 (yi
y)
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin a MP
Regresin Simple
Regresin Mltiple
r = + r 2 si la pendiente es positiva
r = r 2 si la pendiente es negativa
SSE
n2
s=
SSE
n2
SSxy
r=p
SSxx SSyy
Introduccin a MP
Regresin Simple
Regresin Mltiple
Regresin Simple
Regresin Mltiple
Introduccin a MP
1 (x0 x )2
+
n
SSxx
Intrvalo de conanza
Esta dado por:
(n2)
[
y t[/2] s valor de distancia]
Regresin Mltiple
Introduccin a MP
Regresin Simple
Regresin Mltiple
Sean: Muestra n = 6
Variacin inexplicada:
SSE = 13.276
q
SSE
Entonces: s = n2 = 1.8218 (error estndar)
Tambin x0 = 8 que da: y = 23,1238
2
0 x )
= 1.3238
Valor de Distancia = n1 + (xSS
xx
El intervalo de conanza de 95 % da un /2 = 2,5 % = 0,025
En la tabla de distribucin T (one-tailed test) se tiene:
(n2)
(62)
t[/2] = t[0,25] = 2,776
p
(4)
[
y t[0,25] s 1 + valor d.] = [23,1238 2,776(1,8218) 1 + 1,3238]
= [10,3; 35,9]
Regresin Simple
Introduccin a MP
25
30
35
40
45
50
55
Temperatura promedio por hora durante la semana
60
65
Introduccin a MP
Regresin Simple
Regresin Mltiple
Prueba F global
Introduccin a MP
Regresin Simple
Regresin Mltiple
Prueba F global
Variacion explicada
(Variacion inexplicada)/(n 2)
Introduccin a MP
Regresin Simple
Regresin Mltiple
Prueba F global
Introduccin a MP
Regresin Simple
Regresin Mltiple
Prueba T
Prueba T
La prueba t se utiliza para efectuar la prueba de hiptesis
sobre los coecientes de la regresin lineal simple. Se utiliza un
estadstico basado en la distribucin t para probar la hiptesis
de dos colas que la pendiente, es igual a alguna constante b.
H0 : 1 = b
H1 : 1 6= b
Donde:
t =
de(1 )
Regresin Simple
Regresin Mltiple
Prueba T
1 b
de(1 )
v P
u
(y
y )2
u
s
t
P n2 2 =
=
(x x)
SSxx
Regresin Simple
Regresin Mltiple
Prueba T
Prueba T
Condicin del punto de rechazo H0 si
(n2)
Prueba T
Proceso similar para la prueba de hiptesis del coeciente de
intercepcin (ordenada al origen). El estadstico de prueba es:
t =
(n2)
0 b
de(0 )
Donde:
de(0 )
v
"
uP
u (y y )2 1
x2
t
+P
=
n2
(x x)2
=s
1
x2
+
n SSxx
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Captulo 3:
Regresin Simple
Regresin Mltiple
Introduccin
Introduccin a MP
Introduccin
Regresin Simple
Regresin Mltiple
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Regresin Simple
Regresin Mltiple
Introduccin
Introduccin a MP
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
p<-persp(X1,X2,Z2,theta=120,phi=8,zlim=c(0,10),
xlim=c(0,10),r=4,d=0.1,xlab="X1",ylab="X2",
border="blue",col="lightblue")
points(trans3d(x,y,z,p),col="red",type="p",pch=20)
Call: lm(formula = z ~ x + y)
Residuals:
Min
1Q
Median
3Q
-0.78078 -0.39042 0.01556 0.35693
Max
0.83648
Coefficients:
Estimate Std. Error t value
(Intercept) 2.26731
0.18502 12.254
x
0.18312
0.02569
7.127
y
0.37395
0.02627 14.232
--Signif. codes: 0 *** 0.001 ** 0.01
Pr(>|t|)
1.86e-15 ***
9.57e-09 ***
< 2e-16 ***
* 0.05 . 0.1
Regresin Simple
Regresin Mltiple
Introduccin
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Introduccin a MP
Regresin Simple
Regresin Mltiple
Enfoque matricial
Y =
y1
y2
..
.
X =
yn
0
1
=
2
..
.
Regresin Simple
Regresin Mltiple
Enfoque matricial
Introduccin a MP
Regresin Simple
1
2
..
.
Introduccin a MP
Regresin Mltiple
Enfoque matricial
(X X ) X Y =
2
..
.
Y =
y1
y2
..
.
yn
X =
Introduccin a MP
Regresin Simple
Regresin Mltiple
Enfoque matricial
Introduccin a MP
Regresin Simple
Regresin Mltiple
Enfoque matricial
n
X
i=1
(yi y ) =
n
X
2
i=1 yi )
Pn
yi2
i=1
Variacin inexplicada:
SSE =
n
X
i=1
(yi yi ) =
n
X
yi2
i=1
s2 =
X Y
SSE
n (k + 1)
Variacin explicada:
s
n
X
i=1
Introduccin a MP
(
(yi y ) = X Y
2
Regresin Simple
2
i=1 yi )
Pn
Regresin Mltiple
S=
Introduccin a MP
Regresin Simple
SSE
n (k + 1)
Regresin Mltiple
Prueba F global
Pn
2
i=1 (yi y ) =
Pn
Variacin inexplicada:
P
P
SSE = ni=1 (yi yi )2 = ni=1 yi2 X Y
Pn
i=1 (yi
Variacin explicada:
y )2
2
i=1 yi
(
= X Y
Pn
Pn
y
i =1 i
y
i =1 i
n1
n (k + 1)
H0 : 1 = 2 = = k = 0
La cual establece que ninguna de las variables independientes
est relacionado signicativamente con y (la relacin de
regresin no es signicante).
variacion explicada
R =
variacion total
Introduccin a MP
Regresin Simple
Regresin Mltiple
Prueba F global
Introduccin a MP
Regresin Simple
Regresin Mltiple
Prueba T
(Variacion explicada)/k
(Variacion inexplicada)/[n (k + 1)]
Ha : j 6= 0
La estadstica de prueba.
t=
S cjj
, cjj de la matriz (X X )1
(n(k+1))
Introduccin a MP
Regresin Simple
Introduccin
Seccin 3.2:
Regresin Cuadrtica
Regresin Mltiple
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Introduccin a MP
Regresin Simple
Regresin Mltiple
Ejemplo
Introduccin a MP
Regresin Simple
Regresin Mltiple
Ejemplo
Ejemplo
Una compaia desea mejorar la cantidad de kilmetros
recorridos por galn de gasolina en los automviles que usan
su gasolina. Los qumicos de la compaa recomiendan un
aditivo (Cripton19) se mezcle con la gasolna.
Regresin Simple
Regresin Mltiple
Ejemplo
Introduccin a MP
Regresin Simple
Ejemplo
24
26
Millas recorridas
28
30
32
2
Aditivo
generate xx = x*x
regres y x xx
Regresin Mltiple
Introduccin a MP
Regresin Simple
Regresin Mltiple
Ejemplo
Introduccin a MP
Regresin Simple
Regresin Mltiple
Ejemplo
30
28
26
24
22
Unidades de aditivo
Regresin Simple
Regresin Mltiple
Introduccin a MP
Regresin Simple
Regresin Mltiple
Interaccin
Seccin 3.3:
Iteraccin
Con frecuencia los modelos de regresin mltiple contienen
variables de interaccin, que se forma al multiplicar las
variables independientes.
Es conveniente recurrir a la variable de interaccin si la
relacin entre el valor medio de la variable dependiente y y
una de las varibles independientes depende del valor de otra
variable independiente.
Introduccin a MP
Regresin Simple
Regresin Mltiple
Variable cticia
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Seccin 4
DM =
Introduccin a MP
Regresin Simple
Regresin Mltiple
Introduccin
Introduccin a MP
Regresin Simple
Regresin Mltiple
El modelado de la tendencia es
yt = TRt + t
yt = el valor de la serie temporal en el periodo t.
TRt = la tendencia en el periodo t.
es el trmino de error en el periodo t..
Tendencias tiles
Sin tendencia, que se modela como TRt = 0 , quiere decir
que no hay crecimiento o declinacin durante un largo periodo
en las series temporales.
Tendencia lineal, que se modela como TRt = 0 + 1 t,
signica que hay crecimiento lineal durante un largo periodo
en el tiempo.
Tendencia cuadrtica, que se modela como
TRt = 0 + 1 t + 2 t 2 , signica que hay crecimiento
cuadrtico durante un largo periodo en el tiempo.
Introduccin a MP
Regresin Simple
Regresin Mltiple
Regresin Simple
Fin
Regresin Simple
Regresin Mltiple
Deteccin de autocorrelacin
A.
Introduccin a MP
Introduccin a MP
Regresin Mltiple
Deteccin de autocorrelacin
Una prctica (estadstica) comn es ver los valores de la
correlacin entre y y valores rezagados de y para diferentes
periodos. Tales valores se denominan autocorrelaciones. La
autocorrelacin de rezago l es la correlacin entre y y valores
de y rezagados por l periodos (entre yt y ytl ):
Pn
Autocorrelacion(l) =
y)