Regresion multivariable
Páginas: 4 (753 palabras)
Publicado: 1 de julio de 2010
Modelo de Regresión Lineal Múltiple
1
2
Observación k-dimensional en las variables regresoras
Obervaciones de la v.d.
Obervaciones de las Variables regresoras
Vector de parámetrosVector de errores
3
Vector de unos
4
5
6
Vector de estimación mínimo cuadrático para un modelo sin intercepto
7
8
9
Observación
Dada las ecuaciones normalesy El vector de estimaciones representa una solución única si existe la inversa de (X’X), esto es (X’X)-1 o también si:
10
Estimación de la varianza residual: σ2
Modelo sin intercepto
k:número de regresores
Para un modelo con intercepto k es número de parámetros
11
Expresados en miles de euros
12
Las estimaciones mínimo cuadráticas se obtiene como sigue:
13 14
Estimación por Máxima Verosimilitud (MV) de los parámetros
El método de MV consiste en encontrar aquellos valores de los parámetros
que maximizan la función de verosimilitud, es decir laprobabilidad conjunta de las observaciones de la variable dependiente.
15
En la función de verosimilitud (1) sustituyendo el vector U como función de las variables observables obtenemos la funciónde verosimilitud de la muestra Y:
16
17
18
19
Prueba de Significación Global
Tabla ANOVA del modelo de Regresión Múltiple (Modelo con intercepto) Fuente de variación Por larecta Residual Total Suma de Cuadrados SCR SCE SCT Grados de libertad k -1 n–k n-1 Región de rechazo Cuadrados Medios MCR= SCR / (k -1) MCE= SCE / (n-k) Razón F MCR/MCE
20
Test con R2 (modelo conintercepto) F= (R2/(k -1))/((1-R2)/(n-k))
21
– El R2 mide la variación explicada de Y en la muestra. Esta correlación puede ser alta pero casual (espuria), por lo que un elevado R2 es un buenindicio pero no una total garantía. – Según se añaden más variables explicativas, el R2 aumenta, aunque la variable adicionada no aporte significativamente capacidad explicativa.
22
Coeficiente...
1
2
Observación k-dimensional en las variables regresoras
Obervaciones de la v.d.
Obervaciones de las Variables regresoras
Vector de parámetrosVector de errores
3
Vector de unos
4
5
6
Vector de estimación mínimo cuadrático para un modelo sin intercepto
7
8
9
Observación
Dada las ecuaciones normalesy El vector de estimaciones representa una solución única si existe la inversa de (X’X), esto es (X’X)-1 o también si:
10
Estimación de la varianza residual: σ2
Modelo sin intercepto
k:número de regresores
Para un modelo con intercepto k es número de parámetros
11
Expresados en miles de euros
12
Las estimaciones mínimo cuadráticas se obtiene como sigue:
13 14
Estimación por Máxima Verosimilitud (MV) de los parámetros
El método de MV consiste en encontrar aquellos valores de los parámetros
que maximizan la función de verosimilitud, es decir laprobabilidad conjunta de las observaciones de la variable dependiente.
15
En la función de verosimilitud (1) sustituyendo el vector U como función de las variables observables obtenemos la funciónde verosimilitud de la muestra Y:
16
17
18
19
Prueba de Significación Global
Tabla ANOVA del modelo de Regresión Múltiple (Modelo con intercepto) Fuente de variación Por larecta Residual Total Suma de Cuadrados SCR SCE SCT Grados de libertad k -1 n–k n-1 Región de rechazo Cuadrados Medios MCR= SCR / (k -1) MCE= SCE / (n-k) Razón F MCR/MCE
20
Test con R2 (modelo conintercepto) F= (R2/(k -1))/((1-R2)/(n-k))
21
– El R2 mide la variación explicada de Y en la muestra. Esta correlación puede ser alta pero casual (espuria), por lo que un elevado R2 es un buenindicio pero no una total garantía. – Según se añaden más variables explicativas, el R2 aumenta, aunque la variable adicionada no aporte significativamente capacidad explicativa.
22
Coeficiente...
Leer documento completo
Regístrate para leer el documento completo.