La regresión múltiple generalmente explica la relación entre múltiples variables independientes o predictoras y una variable dependiente o de criterio. Una variable dependiente se modela en función de varias variables independientes con coeficientes correspondientes, junto con el término constante. La regresión múltiple requiere dos o más variables predictoras, y es por eso que se llama regresión múltiple.
Alinear el marco teórico, la recopilación de artículos, sintetizar brechas, articular una metodología y plan de datos claros, y escribir sobre las implicaciones teóricas y prácticas de su investigación son parte de nuestros servicios integrales de edición de tesis.
- Rastree todos los cambios, luego trabaje con usted para lograr una escritura académica.
- Apoyo continuo para abordar los comentarios del comité, reduciendo las revisiones.
La ecuación de regresión múltiple explicada anteriormente toma la siguiente forma:
Aquí, los BI (i = 1,2… n) son los coeficientes de regresión, que representan el valor al que cambia la variable de criterio cuando la variable predictor cambia.
Como ejemplo, supongamos que la puntuación de prueba de un estudiante en un examen dependerá de varios factores como su enfoque mientras asiste a la clase, su ingesta de alimentos antes del examen y la cantidad de sueño que recibe antes del examen. Usando esta prueba, uno puede estimar la relación apropiada entre estos factores.
¿Qué significa regresión múltiple?
La regresión múltiple es una herramienta estadística utilizada para derivar el valor de un criterio de varias otras variables independientes o predictoras. Es la combinación simultánea de múltiples factores para evaluar cómo y en qué medida afectan un cierto resultado.
Esta técnica se descompone cuando la naturaleza de los factores en sí es de naturaleza imperdible o pura.
Las instancias de regresión múltiple abundan en la vida real. Por ejemplo, un planificador zonal quiere saber cómo el valor de las casas se ve afectado por factores como el ingreso familiar promedio en el área, los pies cuadrados de la casa, la superficie terrestre de la casa y el año en que fue construido. Después de trazar todo esto en un sistema que puede realizar una regresión múltiple, descubre que los factores que más afectan el precio de venta de una casa son los pies cuadrados y los ingresos promedio en el área. La regresión múltiple incluso puede ir más allá y mostrarle que las casas de alto precio se ven afectadas por los mismos dos factores en mayor medida que las casas de menor y medio y mediano.
Otro ejemplo es una empresa de reclutamiento que intenta determinar la compensación adecuada. Encuentra que las variables predictoras para el salario son salarios actuales, el número de personas que un empleado ha supervisado y la cantidad de responsabilidad que se le da al empleado. La empresa puede usar una regresión múltiple para descubrir que el salario actual de un empleado potencial es el determinante más importante del salario que la persona estará dispuesta a aceptar en un nuevo trabajo.
Sin embargo, la regresión múltiple no es confiable en los casos en que hay una alta probabilidad de que los resultados sean afectados por factores imperdibles o por pura casualidad. Por ejemplo, no podemos utilizar con precisión la regresión para calcular en qué medida varios factores (estado de la economía, inflación, ingresos promedio disponibles, pronósticos de ganancias de las empresas, etc.) influirán en el índice del mercado de valores en exactamente 20 años. Simplemente hay demasiadas incógnitas en la mecánica de estos factores externos.
¿Por que usar regresion multiple?
El análisis de regresión múltiple es una técnica de análisis estadístico multivariante que tiene como objetivo determinar la relación entre una variable considerada como un «objetivo» de investigación (variable dependiente) y un conjunto de variables explicativas (o variables independientes).
En términos prácticos, esta técnica se utiliza para predecir una serie de datos temporales futuros para alcanzar hipótesis o relaciones de dependencia también mediante el uso de estadísticas inferenciales.
En el caso de que la relación entre las variables involucradas se conozca exactamente, la respuesta de la variable que depende de las solicitudes de las variables explicativas podría definirse perfectamente, pero este caso ocurre raramente especialmente en la realidad económica. De hecho, existe que todas las variables explicativas relevantes rara vez se conocen; Además, algunas de estas variables pueden no ser medibles o ser medibles solo con error; La forma funcional de la relación aún no se puede conocer. En otras palabras, empíricamente la relación entre las variables de los empleados y las variables explicativas se puede conocer a menos que un error; Para tener en cuenta estas condiciones, se deben usar modelos probabilísticos: uno de estos modelos es precisamente el modelo de regresión múltiple. Aquí, por lo tanto, que un gerente puede estar interesado en saber cómo las ventas de un producto en particular están relacionadas con su precio, al precio de los productos competitivos, la cantidad de costos de publicidad y promoción realizados por su empresa y otras compañías en el sector o , en el campo macroeconómico, un economista puede estar interesado en evaluar la elasticidad del producto interno bruto en el variable de gastos públicos o inversiones en el sector privado. Tenemos que la serie de datos temporales relacionados con el precio de un producto o la elasticidad del PIB que representa las variables objetivas, es el resultado de un grupo de variables explicativas, como los precios ofrecidos por la competencia o los costos publicitarios en el primer caso, gasto público o inversiones privadas en el segundo caso.
¿Qué es la regresión lineal múltiple ejemplos?
Ahora que comprende el principio detrás de la regresión lineal simple y sabe cómo interpretar los resultados, es hora de discutir sobre la regresión lineal múltiple.
También comenzamos con el principio subyacente de la regresión lineal múltiple, luego mostramos cómo interpretar los resultados, cómo probar las condiciones de aplicación y terminar con temas más avanzados.
La regresión lineal múltiple es una generalización de la regresión lineal simple, en el sentido de que este enfoque hace posible relacionar una variable con varias variables a través de una función lineal en sus parámetros.
La regresión lineal múltiple se usa para evaluar la relación entre dos variables mientras tiene en cuenta el efecto de otras variables. Al tener en cuenta el efecto de otras variables, cancelamos el efecto de estas otras variables para aislar y medir la relación entre las dos variables de interés. Este punto es la principal diferencia con la regresión lineal simple.
Para ilustrar cómo realizar una regresión lineal múltiple en R, usamos el mismo conjunto de datos que el utilizado para regresión lineal simple (MTCARS). Debajo de una breve vista previa:
Hemos visto que existe una relación lineal significativa y negativa entre la distancia que un automóvil puede conducir con un galón y su peso ( ( widehat beta_1 = ) -5.34, (p ) -valor <0.001).
Sin embargo, uno puede preguntarse si en realidad no hay otros factores que puedan explicar el consumo de combustible de un automóvil.
¿Qué es la regresión lineal múltiple y para qué sirve?
Lo primero que debe saber antes de leer esta publicación es que una relación se establece por una línea recta, es decir, una regresión lineal simple. Por lo tanto, si el número de variables independientes es mayor que una, la regresión se llama múltiplo. En este artículo encontrará cómo definir un modelo de regresión lineal múltiple.
La regresión lineal múltiple intenta adaptar modelos lineales o lineales entre una variable dependiente y más que una variable independiente. En este tipo de modelo, es esencial probar la heterocestabilidad, la multicelinaridad y la especificación.
La laregresión lineal múltiple es una técnica estadística utilizada para predecir el resultado de una variable basada en el valor de dos o más variables. La variable que se prevé es la variable dependiente.
La regresión múltiple puede tomar dos formas: regresión lineal y regresión no lineal.
Es esa variable que cambia según el valor de otra variable o variable independiente.
- Yi: variable dependiente o predecible
- β0: Intercetta y, es decir, el valor de y cuando Xi y X2 son 0.
- β1 y β2: coeficientes de regresión que representan la variación de y en comparación con la variación de una unidad de Xi1 y Xi2, respectivamente.
- Βp: coeficiente de pendiente para cada variable independiente
- ϵ: Término de error aleatorio (residual) del modelo.
- La regresión lineal de gran importancia es de gran importancia, ya que le permite predecir el valor de una variable utilizando la información disponible en otra variable.
Artículos Relacionados:
- Análisis de regresión múltiple: ¿qué es y cómo funciona?
- Regresion lineal simple y multiple: ¿cuál es la diferencia?
- Análisis de regresión múltiple: Ejemplos y explicación paso a paso
- ¿Qué es la regresión? Definición y ejemplos de análisis de regresión
- La extraccion simple y multiple es una tecnica de analisis quimico
