La regresión lineal simple nos permite estudiar la correlación entre solo dos variables:
- Una variable (x) se llama variable o predictor independiente.
- La otra variable (y) se conoce como variable dependiente o resultado.
X – El valor de la variable independiente, y – El valor de la variable dependiente. Β0 – es una constante (muestra el valor de y cuando el valor de x = 0) β1 – el coeficiente de regresión (muestra cuánto cambia y cada unidad cambia en x)
Debe estudiar la relación entre las ventas mensuales de comercio electrónico y los costos publicitarios en línea. Tiene los resultados de la encuesta para 7 tiendas en línea para el último año.
Su tarea es encontrar la ecuación de la línea recta que se adapte mejor a los datos.
La siguiente tabla representa los resultados de la encuesta de las 7 tiendas en línea.
Podemos ver que existe una relación positiva entre las ventas mensuales de comercio electrónico (Y) y los costos de publicidad en línea (X).
La correlación positiva significa que los valores de la variable dependiente (y) aumentan cuando aumentan los valores de la variable independiente (x).
Entonces, si queremos predecir las ventas mensuales de comercio electrónico de los costos publicitarios en línea, cuanto mayor sea el valor de los costos publicitarios, mayor predicción de las ventas.
Usaremos los datos anteriores para construir nuestro diagrama de dispersión.
La gráfica de dispersión muestra cuánto afecta una variable a otra. En nuestro ejemplo, la trama de dispersión anterior muestra cuánto costos de publicidad en línea afectan las ventas mensuales de comercio electrónico. Muestra su correlación.
¿Qué aplicación tiene la regresión lineal simple?
En general, el modelo de regresión lineal designa un modelo en el que la esperanza condicional de conocer X es una función afina de los parámetros. Sin embargo, también podemos considerar modelos en los que es la mediana condicional de conocer X o cualquier cuantil de la distribución de Conocimiento X, que es una refina de la función de los parámetros [1].
Aunque a menudo se presentan juntos, el modelo lineal y el método de mínimo cuadrado no designan lo mismo. El modelo lineal designa una clase de modelos que puede estimarse mediante una gran cantidad de métodos, y el método cuadrado más pequeño designa un método de estimación. Se puede utilizar para estimar diferentes tipos de modelos.
Ruđer Josip Bošković es el primer científico en calcular los coeficientes de regresión lineal, en 1755-1757, cuando se comprometió a medir la longitud de cinco meridianos terrestres minimizando la suma de valores absolutos [3]. Pierre-Simon de Laplace utiliza este método para medir a los meridianos en «en los grados medidos de los meridianos y en la longitud observada en el péndulo» en 1789 [3]. El primer uso del método de mínimo cuadrado se atribuye a Adrien-Marie Legendre en 1805
[4] o a Carl Friedrich Gauss, quien dice que lo usó desde 1795 [3].
Carl Friedrich Gauss demostró en 1821 el teorema conocido hoy bajo el nombre del teorema de Gauss-Markov que expresa la calidad de los estimadores bajo ciertas condiciones; Andrei Markov lo redescubrió en 1900 [5].
¿Cuáles son las aplicaciones de la regresión lineal?
La regresión lineal es probablemente el algoritmo más simple que uno puede realizar. No es más que combinaciones de algunas adiciones y multiplicaciones, al menos en el aspecto de la ecuación. Pero la regresión lineal es uno de los modelos predictivos más útiles y básicos.
La regresión lineal es un tipo específico de regresión donde cree que los datos forman una relación más o menos lineal. Es la relación entre la variable independiente y la variable dependiente. A veces, es posible que tenga varias variables independientes. Una línea recta puede definir la relación.
No podemos conocer la verdadera relación entre las variables dependientes e independientes. Solo podemos conocer la relación estimada entre aquellos porque solo podemos explorar esto utilizando los datos que recopilamos. Obtendremos las relaciones estimadas haciendo que los modelos de regresión se construyan utilizando los datos que recopilamos. El proceso de encontrar la relación estimada es ajustar el modelo de regresión y ajustar la línea de regresión.
Por lo tanto, un buen modelo de regresión significa que nuestra estimación es lo suficientemente cercana a la verdadera relación desconocida.
Entonces, ¿por qué la regresión lineal se llama «regresión» lineal? Estamos retrocediendo una línea de estimación contra la media minimizando los errores de las estimaciones. En el gráfico a continuación, los puntos rojos son los datos que recopilamos, mientras que la línea azul es la línea de regresión que habíamos dibujado, con la esperanza de estar lo suficientemente cerca de la relación real. Hablemos de un poco más de detalle.
¿Qué podemos utilizar con la técnica de regresión lineal simple?
Estimarse e interpretar los parámetros de una regresión lineal simple.
Verifique los supuestos de un modelo de regresión a partir de gráficos de diagnóstico.
Diferenciar el intervalo de confianza de una línea de regresión y el intervalo de predecir nuevas observaciones.
Use contrastes para representar un predictor categórico en un modelo de regresión.
Los próximos siete cursos se centrarán en los modelos de regresión. Estos modelos representan la relación matemática entre una respuesta variable y una o más variables llamadas predictores.
El análisis de regresión es particularmente útil en los siguientes casos:
Analice los resultados de una experiencia cuando una o más variables de tratamiento sean digitales (por ejemplo, temperatura, dosis).
Separe el efecto de los tratamientos discretos (variables categóricas) del de otras condiciones experimentales representadas por variables digitales. En este contexto, a menudo hablamos de análisis de covarianza.
Determine la importancia de las asociaciones entre las variables medidas en la naturaleza (sin suponer un vínculo causal).
Use asociaciones entre predictores y respuesta para predecir el valor de este último para nuevas observaciones.
El modelo matemático sigue siendo el mismo para todas estas situaciones, por lo tanto, difieren en la interpretación y el uso de los resultados.
La siguiente ecuación describe un modelo lineal para la relación entre un predictor digital (x ) y una respuesta digital (y ). Como solo hay un predictor, es una regresión lineal simple.
¿Qué aplicación o aplicaciones tiene un modelo de regresión?
1. Modelo de regresión lineal simple: la regresión lineal simple es un método estadístico que permite a los usuarios resumir y estudiar relaciones entre dos variables continuas (cuantitativas). La regresión lineal es un modelo lineal en el que un modelo que asume una relación lineal entre las variables de entrada (x) y la variable de salida única (y). Aquí la y se puede calcular a partir de una combinación lineal de las variables de entrada (x). Cuando hay una sola variable de entrada (x), el método se llama regresión lineal simple. Cuando hay múltiples variables de entrada, el procedimiento se conoce como regresión lineal múltiple.
Aplicación: Algunas de las aplicaciones más populares del algoritmo de regresión lineal están en predicción de cartera financiera, pronósticos salariales, predicciones inmobiliarias y en el tráfico para llegar a ETAS.
2. Regresión de lazo: Lasso representa el operador de contracción de selección menos absoluta en el que la contracción se define como una restricción en los parámetros. El objetivo de la regresión de Lasso es obtener el subconjunto de predictores que minimizan el error de predicción para una variable de respuesta cuantitativa. El algoritmo opera imponiendo una restricción en los parámetros del modelo que causa coeficientes de regresión para que algunas variables se encogen hacia un cero.
Las variables con un coeficiente de regresión igual a cero después del proceso de contracción se excluyen del modelo. Las variables con coeficientes de regresión distintos de cero las variables están más fuertemente asociadas con la variable de respuesta. Las variables explicativas pueden ser cuantitativas, categóricas o ambas. Este análisis de regresión de lazo es básicamente un método de contracción y selección de variables y ayuda a los analistas a determinar cuáles de los predictores son más importantes.
Aplicación: los algoritmos de regresión de Lasso se han usado ampliamente en redes financieras y economía. En finanzas, su aplicación se ve en las probabilidades de pronóstico de los modelos de pronóstico predeterminados y basados en Lasso se utilizan para evaluar el marco de riesgos de toda la empresa. Las regresiones de tipo laso también se utilizan para realizar plataformas de prueba de estrés para analizar múltiples escenarios de estrés.
¿Qué aplicaciones tiene la regresión lineal?
El aprendizaje automático debe supervisarse para que las computadoras utilicen su tiempo y esfuerzos de manera efectiva y eficiente. Una de las mejores formas de hacerlo es a través de la regresión lineal y aquí está cómo.
Incluso los gerentes más cuidadosos pueden cometer errores en las organizaciones. Pero hoy vivimos en un mundo donde la automatización está alimentando a la mayoría de las industrias, reduciendo así los costos, aumentando la eficiencia y eliminan el error humano. Esto está dominado por la aplicación creciente de aprendizaje automático e inteligencia artificial. Entonces, ¿qué le da a las máquinas la capacidad de aprender y comprender grandes volúmenes de datos? Es a través de las metodologías de aprendizaje como la regresión lineal.
Entonces, ¿qué es la regresión lineal? En pocas palabras, las máquinas deben supervisarse para aprender efectivamente cosas nuevas. La regresión lineal es un algoritmo de aprendizaje automático que permite esto. La mayor capacidad de las máquinas es que pueden aprender sobre el problema y ejecutar soluciones sin problemas. Esto reduce en gran medida y elimina el error humano.
También se usa para encontrar la relación entre el pronóstico y las variables. Una tarea se realiza en función de una variable confiable analizando el impacto de una variable independiente en ella. Aquellos competentes en software de programación como Python, C pueden aprender la biblioteca para importar el modelo de regresión lineal o crear su propio algoritmo personalizado antes de aplicarla a las máquinas. Esto significa que es altamente personalizable y fácil de aprender. Las organizaciones de todo el mundo están invirtiendo en gran medida en capacitación de regresión lineal cuando se trata de sus empleados para preparar la fuerza laboral para el futuro.
Los principales beneficios de la regresión lineal en el aprendizaje automático son los siguientes. Pronóstico
¿Cuándo se usa un modelo de regresión?
El análisis de regresión se utiliza para uno de los dos propósitos: predecir el valor de la variable dependiente cuando se conoce información sobre variables independientes o predice el efecto de una variable independiente en la variable dependiente.
Los modelos de regresión son una forma de aproximar la relación entre dos conjuntos de variables, como X e Y, utilizando modelos lineales. Los modelos de regresión son muy útiles en muchas áreas, a partir de la determinación del costo de un medicamento recetado en busca de la mejor solución para el modelo de ingresos de una empresa.
Por ejemplo, puede usar modelos de regresión para determinar cómo los diferentes tipos de campañas de marketing afectan los ingresos de su empresa. Los modelos de regresión también se utilizan para fines de pronóstico. Se puede utilizar un modelo de regresión para determinar la mejor línea de adaptación para un determinado conjunto de datos. Hay muchos tipos diferentes de modelos de regresión, pero los más comunes incluyen regresión lineal y regresión logística.
Hay numerosos enfoques de análisis de regresión disponibles para realizar pronósticos. Además, la elección de la técnica está determinada por varios parámetros, incluido el número de variables independientes, la forma de la tarifa de regresión y el tipo de variable dependiente.
Examinemos algunas de las técnicas de análisis de regresión más utilizadas:
La técnica de modelado más utilizada es la regresión lineal, que presupone una conexión lineal entre una variable de empleado (y) y una variable independiente (x). Utiliza una línea de regresión, también conocida como línea de adaptación. La conexión lineal se define como y = c + m*x + e, donde denota la intercepción, ‘me denota la pendiente de la línea y’ es el término de error.
¿Qué aplicaciones tiene la regresión lineal múltiple?
En la investigación en ciencias sociales, es raro que solo quisiéramos incluir una variable explicativa en nuestro análisis de regresión. Es más probable que queramos investigar el efecto que dos o más factores tienen en un resultado, como la confianza en la policía. Esto podría deberse a que las variables pueden medir lo mismo o tener relaciones similares: queremos saber cuál es la relación y al mismo tiempo controlar la influencia de otras variables. La regresión lineal múltiple nos permite obtener valores predichos para variables específicas bajo ciertas condiciones, como los niveles de confianza policial entre sexos, al tiempo que controlan la influencia de otros factores, como el origen étnico.
Ahora vamos a agregar variables explicativas adicionales a nuestro modelo de regresión y aprender a hacer predicciones utilizando un modelo de regresión lineal múltiple.
Utilizando el mismo procedimiento descrito anteriormente para un modelo simple, puede ajustar un modelo de regresión lineal con PoliceConF1 como la variable dependiente y las variables de sexo y ficticio para el grupo étnico como variables explicativas.
Para ajustar una regresión lineal múltiple, seleccione Analizar, regresión y luego lineal.
En el cuadro de diálogo que aparece, mueva PoliceConf1 al cuadro dependiente (s) y Sex1, mixto, asiático, negro y otros en el cuadro independiente (s). (Recuerde que todavía estamos usando el blanco como línea de base, por lo que no necesita incluir esta variable ficticia en su modelo de regresión lineal múltiple). Debe obtener tablas de salida como las de la derecha.
Artículos Relacionados:
- Aprende a realizar una regresión lineal simple con estos pasos
- Aprende a aplicar modelos de regresión lineal con estos ejemplos prácticos
- Ejemplos de regresión lineal: cómo aplicar este modelo de machine learning
- Cómo hacer una regresión lineal en R
- Ejemplos de regresión lineal simple en una empresa
