REGRESION LINEAL

1. Características

1.1. Características como modelo descriptivo:

- El modelo ha de estar correctamente especificado.
- No se excluyen variables independientes relevantes.
- No se incluyen variables independientes irrelevantes.
- La variable independiente ha de haber sido medida sin error.
1.2. Características estadísticas:
- Linealidad.
- Homocedasticidad: las varianzas de Y para cada valor de X son todas iguales.
- Ausencia de autocorrelación: las variables Y son independientes entre sí
(problema en estudios longitudinales).
- Normalidad
2. Caso
^

Supongamos que tenemos la ecuación de regresión: Y  600  300 X . Donde X es el

número de años de experiencia profesional, e Y es el sueldo mensual.

A. Interpreta a y b.

B . Una persona con 3 años de experiencia laboral, ¿qué sueldo mensual tendrá? Interpreta
el resultado.

C. Si una persona con 3 años de experiencia laboral tiene un sueldo mensual de 1700 €,
¿cuál será su error asociado? Interpreta el resultado

SOLUCION

A. b=300  cambio en Y por cada unidad de cambio en X. Por cada año de experiencia
laboral, el sueldo mensual aumenta 300 €.
a=600  valor medio de Y cuando X=0. Sueldo medio de aquellas personas sin
experiencia laboral.
^

B. X  3  Y  600  300 * 3  1500

^
Y  1500 valor promedio previsto para todos los sujetos que han obtenido en la
variable X un valor de Xi. Las personas con 3 años de experiencia tienen un sueldo
promedio de 1500 €.
^

C. e  Y  Y  1700  1500  200 El modelo estimó un sueldo de 1500 € para una

persona con 3 años de experiencia laboral. Si esta persona concreta tiene un sueldo de
1700 €, esta diferencia de 200 € es el error; aquello que el modelo no explica.
 3. Regresión múltiple como herramienta para detectar causalidad

- La regresión múltiple también nos puede servir para entender la relación funcional
entre la variable dependiente y las variables independientes y estudiar cuales
pueden ser las causas de la variación de Y.
Por ejemplo, si planteamos un modelo de regresión lineal simple que explique la
densidad de escarabajo en función del tamaño de la arena, seguramente
encontremos una relación significativa entre ambas variables. Y lo mismo si
planteamos un modelo de regresión lineal simple que explique la densidad en
función de la exposición al oleaje (pese a que seguramente el oleaje no sea el
causante de los cambios en la densidad del escarabajo y lo que esté pasando es que
la exposición al oleaje esté altamente correlacionada con el tamaño de la arena). La
regresión múltiple nos permite controlar este tipo de situaciones ya que podremos
determinar si, manteniendo las mismas condiciones en el tamaño de arena, la
exposición al oleaje realmente afecta a la densidad de la especie.
4. EJEMPLO
-

REFERENCIAS

http://eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOS-PHP-
DPTO/MATERIALES/Mat_50140128_RegresionMultiple.pdf

https://www.slideshare.net/breiniack/ejercicios-de-anlisis-de-regresin-mltiple