1. El Análisis de Regresión Lineal Múltiple nos permite establecer la relación que se produce entre una variable dependiente Y y un conjunto de variables independientes (X1, X2, ... XK).
1.1. Este tipo se presenta cuando dos o más variables influyen sobre una variable dependiente. Ejemplo: Y = f (x, w, z).
1.2. la serie de variables que, directa e indirectamente, participan en su concreción.
1.2.1. La anotación matemática del modelo o la ecuación de la regresión lineal múltiple es la que sigue:
1.2.1.1. Y = a + b1x1 + b2x2 + ... + bnxn + e ó presente = a + b1pasado + b2futuro + e
2. Análisis de Regresión Múltiple
2.1. son los datos marcados en las Estadísticas de la regresión,
2.1.1. Coeficiente de correlación múltiple: = 0,95804402 Coeficiente de determinación R ^ 2: = 0,917848345 R ^ 2 ajustado: = 0,897310431 Error típico: = 765,9173652
2.2. El cálculo mostrado para el coeficiente de correlación múltiple (R) será la raíz cuadrada del coeficiente de determinación R ^ 2
2.2.1. R ^ 2 ajustado y el R ^ 2 'normal' debe ser un valor entre 0 y 1 .. cuanto más próximo a 1 mejor reflejaría una correlación
3. El Error Estándar de Regresión Múltiple
3.1. En los resultados de Excel se llama error típico y para explicar la relación del aprendizaje de PHP que se viene desarrollando es de 0.861
3.2. El coeficiente de determinación múltiple (r2)
4. Clases de regresión
4.1. La regresión puede ser lineal y curvilínea o no lineal
4.1.1. pueden ser a su vez
4.1.1.1. Coeficiente de Regresión
4.1.1.1.1. Indica el número de unidades en que se modifica la variable dependiente "Y" por efecto del cambio de la variable independiente "X" o viceversa en una unidad de medida.
4.1.1.2. Clases de coeficiente de regresión:
4.1.1.2.1. El coeficiente de regresión puede ser: Positivo, Negativo y Nulo.