1. Ademas de la ecuación de regresión y de la calidad de ajuste, un analisis de regresión no debe de renunciar a la obtención de algunos estadísticos descriptivos elementales como la matriz de correlación la media y la desviación típica de cada variable.
2. Los estadísticos t y sus niveles críticos (sig) nos permiten contrastar la hipótesis nulas de que los coeficientes de regresión valen 0 en la población. Estos estadísticos t se obtienen dividiendo los coeficientes de regresión entre sus correspondientes errores típicos.
3. ¿Cuáles son las restricciones que se deben cumplir y cómo se verifica que las cumplan?
4. ¿Qué estadísticos se utilizan?
5. ¿Cómo se verifica que sea un buen modelo?
6. Para qué se utiliza la tabla ANOVA?
7. La variable Y se llama variable respuesta La variable X se llama variable regresora o explicativa
7.1. En un problema de regresión (a diferencia de cuando calculamos el coeficiente de correlación) el papel de las dos variables no es simétrico.
8. de la variable Y a partir del valor de la variable X.
9. existente entre ambas de forma que podamos predecir o aproximar el valor
10. Observamos dos variables, X e Y , el objetivo es analizar la relaci´on
11. El objetivo de un modelo de regresión es tratar de explicar la relación que existe entre una variable dependiente (variable respuesta) Y un conjunto de variables independientes (variables explicativas) X1,..., Xn.
12. Cómo se establece un modelo?
13. ¿Qué implicaciones tiene?
14. ¿Cómo se verifica que los datos que se utilizan sean significativos?
15. ¿Cómo se definen las variables a utilizar?
15.1. Tanto en el caso de dos variables (regresión simple) como en el de dos o más variables, el analisis de regresión lineal puede utilizarse para explorar o cuantificar la relación entre una variable llamada dependiente o criterio (Y) y una o mas variables llamadas independientes o predictorias (X, X1, X2). Así como para desarrollar una ecuación lineal.
