MEDIDAS ESTADISTICAS BIVARIANTES DE REGRESION

Comienza Ya. Es Gratis
ó regístrate con tu dirección de correo electrónico
Rocket clouds
MEDIDAS ESTADISTICAS BIVARIANTES DE REGRESION por Mind Map: MEDIDAS ESTADISTICAS BIVARIANTES DE REGRESION

1. APLICACIONES DE LA REGRESIÓN MÚLTIPLE

1.1. La regresión múltiple se utiliza para la predicción de respuestas a partir de variables explicativas. Pero no es ésta realmente su aplicación más común en investigación. Sus usos más comunes son los siguientes:

1.2. Identificación de variables explicativas: nos ayuda a crear un modelo donde se seleccionen las variables que puedan influir en la respuesta, descartando las que no aporten información.

1.3. Detección de interacciones entre variables independientes que afectan a la variable respuesta.

1.4. Identificación de variables confusoras. Aunque es un problema difícil, es de interés en investigación no experimental.

2. REQUISITOS Y LIMITACIONES DE LA REGRESIÓN MÚLTIPLE

2.1. Linealidad: Se supone que la variable respuesta depende linealmente de las variables explicativas. Si la respuesta no aparenta ser lineal, debemos introducir en el modelo componentes no lineales.

2.2. Normalidad y equidistribución de los residuos: Para tener un buen modelo de regresión múltiple no es suficiente con que los residuos sean pequeños.

2.3. Número de variables independientes: Una regla que se suele recomendar es la de incluir al menos 20 observaciones por cada variable independiente que estimemos a priori interesantes en el modelo.

2.4. Colinealidad: Si dos variables independientes están estrechamente relacionadas y ambas son incluidas en un modelo, muy posiblemente ninguna de las dos sea considerada significativa, aunque si hubiésemos incluido sólo una de ellas.

2.5. Observaciones anómalas: Debemos poner especial cuidado en identificarlas y descartarlas si procede, pues tienen gran influencia en el resultado. A veces, son sólo errores en la entrada de datos, pero de gran consecuencia en el análisis.

3. REGRESION MULTIPLE

3.1. La regresión lineal múltiple es la gran técnica estadística para comprobar hipótesis y relaciones causales. Ante de empezar, una serie de condiciones que se deben cumplir para poder aplicar la regresión lineal múltiple:

3.2. La variable dependiente (resultado) debe ser ordinal o escalar, es decir, que las categorías de la variable tengan orden interno o jerarquía, p.ej. nivel de ingresos, peso, número de hijos, justificación del aborto en una escala de 1-nunca a 10-siempre.

3.3. Las variables independientes (causas) deben ser ordinales o escalares o dummy

3.4. Hay otras condiciones como: las variables independientes no puede estar altamente correlacionadas entre sí, las relaciones entre las causas y el resultado deben ser lineales, todas variables deben seguir la distribución normal y deben tener varianzas iguales.

4. Cómo analizar la regresión lineal múltiple en 4 pasos: Significación de F-test . R cuadrado. Significación de t-test. Coeficiente beta.