Análisis de Regresión Múltiple

1. Coeficientes de Regresión Parcial

1.1. Se puede investigarse la relación de dos variables

1.1.1. entre las ventas y el número de representantes

1.1.2. X1 anuncios de televisivos mensuaLes y X2 número de representantes de ventas

1.2. Ecuaciones de cuadrados mínimos la línea

1.3. El nivel en que el plano interseca al eje Y

1.3.1. los coeficientes de regresión parcial By1 y By 1.2 y By2.1

1.3.1.1. entendido de que se cumplió el supuesto de multicolinealidad

1.4. Es imperativo examinar lo significante de la regresión global con a prueba F

1.4.1. equivale a v1= k y v2 n-k-1

1.4.1.1. donde k variables de predicción

2. Coeficiente de Correlación Múltiple y de Determinación Múltiple

2.1. Es la media de la magnitud de la relación entre las variables de criterio y de predicción

2.2. Proporción de variación en la variable de criterio que se explica con la covariación de las variables predictivas

2.3. La raíz cuadrada del coeficiente de determinación múltiple

2.4. Se denota con Ry 123

2.4.1. Es la variable y los subíndice secundarios, las variables de predicción.

2.5. R^2 es la proporción de la variación de la variable de criterio que se compone de la covariación en las variables de predicción

3. Coeficiente de Correlación Parcial

3.1. La variación explicada estaba dada por el error estámdar de la estimación a las segunda potencia Sy-1^2

3.2. La variación total está dada por la variación de la variable de criterio Sy^2

3.3. Es el análisis de regresión múltiple e indica la proporción de variación de la variable de criterio

3.4. La raíz cuadrada del coeficiente de determinación parcial

3.5. La variable de criterio Y la variable de predicción recién añadida

3.5.1. Corresponde a las variables de predicción

3.5.1.1. Se calcularían ry2.1 ry3.1 ry1.2 ry3.2 ry1.3 y ry2.3

4. Trasformaciones de Variables

4.1. Variables con escalas clasificación y nominales a los problemas de regresión

4.2. Es simplemente un cambio en la escala con que se exprese una variable dada

4.3. Es multiplicativa la relación entre las variables de predicción Y

4.4. Se trata de un modelo lineal

4.4.1. Se puede adecuar a los procedimientos estándar de cuadrados mínimos

4.4.1.1. Es equivalente al modelo multiplicativo

5. Es un modelo que requiere el supuesto adicional de que las variables de predicción

6. Nomenclatura modificada

6.1. El modelos de regresión general con tres variables de predicción

6.2. Disyuntiva ética

6.2.1. Desarrolla un método para estimar el potencial de mercado

6.2.1.1. Productos de la compañía por regiones geográficas.

6.3. Coeficiente de regresión parcial (o neta)

6.3.1. Regresión múltiple e indica el cambio promedio en la vaiable

6.3.2. Es la coeficiente de X1 en la ecuación de regresión con Y

6.3.3. Y (123) es e´valor de Y

6.3.3.1. Se calcula a partir de la ecuación de regresión

6.3.3.1.1. Y como variable de criterio y X1, X2 y X3

6.3.4. a(123) es el parámetro

6.3.4.1. Intersección en la ecuación de regresión múltiple

6.3.4.1.1. F como variable de criterio Y X1 X2 y X3

6.3.5. B (123) es el coeficiente de X1

6.3.5.1. La ecuación de regresión

6.3.5.1.1. Y como variable de criterio y X1, X2 y X3

7. Supuesto de Multicolinealidad

7.1. Condición existente en un análisis de regresión múltiple

7.1.1. Las variables de predicción no son independientes

8. Variables Binarias

8.1. Es una variable de escala a intervalos y que la diferencia entre distribuidores malos y regulares o bueno y regulares

8.2. Asume uno de dos valores 0 o 1

8.2.1. Puede representarse con un solo dígito binario

8.2.2. Puede construir la representación numérica de atributos o características

8.2.2.1. Por ejemplo género (sexo)

8.2.2.1.1. Xi = 0 si se trata de una mujer

8.2.2.1.2. Xi = 1 si se trata de un hombre

8.2.2.2. La clasificación es de dos o más categorías

8.2.2.2.1. Por ejemplo si la persona alta, media, baja