Regresión Flashcards
La regresión lineal multiple pretende
Formular una ecuación lineal que explique el comportamiento de una VD en función de varias VI, la cual sea más completa, se realiza una valoración conjunta y se averigua el peso que tiene cada una de las variables en el fenomeno
En RLMultiple la nube de puntos es
Tridimensional que gallito, por lo q resulta poco intuitivo a la hora de analizar el comportamiento
B0 es
El punto de origen de la recta o el valor esperado de vd cuando todas las vi toman por valor 0
Los coeficientes de correlación parciales
No refleja el peso de las variables en la ecuación de regresion
Los coeficientes de regresión tipificados
Si q hablamos de un aumento o disminución de las desviaciones típicas en las puntuaciones por lo que hablamos de un peso en la recta
La recta de regresión tipificada muestra un
Conjunto de variables y un interceptor de 0
Para conocer la calidad de una ecuación de regresión tenemos que
Interpretar la correlación (Pearson) y el coeficiente de determinación que muestra la proporción de reducción de errores a causa del empleo del nuevo modelo(cuadrado de coeficiente de correlación), hay que mirar el corregido
Para contrastar la hipótesis y ver si la relación entre variables es significativa
Hay q mirar si es significativo el p valor asociado al estadístico F
El MCE
Es el error típico de estimación de residuos y es el error medio cometido al efectuar pronósticos con la recta de regresión
Entre dos ecuaciones rivales elegiremos la que tenga un MCE
Menor, ya que se buscará que la variable disminuya la suma de errores cuadráticos medios en la recta propuesta
La significacion de los coeficientes de regresión
Se mira en la tabla de coeficientes del modelo el p valor para ver la significacion de cada uno. La no significacion implicaría que eliminar la variable no afectaría al ajuste del modelo.
Cómo evaluamos el peso relativo de una variable
Depende de lo que entendamos por importancia de la variable.
Si la variable importante es la que más contribuye a explicar el cambio en la independiente se miran los coeficientes de regresión tipificados
Si lo q se busca con la variable es reducir el error del modelo (mayor contribución al ajuste global)vamos a mirar la R de Pearson del coeficiente de correlación semiparcial
Como se suele elegir las variables que se van o se quedan
Lo más importante es mirar la hipótesis de partida del investigador.
Lo segundo sería tirar de lo que crees que aporta y luego se quita lo no significativo. Eso da problemas porq no se ve el comportamiento individual de las variables eliminadas
Estrategia jerárquica de elección
Es la misma estrategia que al principio pero los vas eliminando en orden los más chiquitos primero para ver que pasa
Principio de parsimonia
Cuantas menos variables mejor todo más limpito
Principio de máximo ajuste
Intentemos meter todas las variables posibles pa explicar bn el comportamiento de la VD
