Tipos de regresio n actividad 7 disen o y analisis de experimentos
Esta es una extensión lógica de la regresión lineal simple, aplicada en situaciones en las que hay mas de una variable predictora:
Es la misma ecuación base pero se leagregan predictores, cada uno asociado a su propio coeficiente y predice la variable dependiente a partir de una convinaciín de todas las variables más un residuo, ei, la diferencia entre el valorobservado de Y en la i-ésima observación.
ßi= el efecto medio sobre la dependiente al aumentar en una unidad el valor de la predictora Xi, i=1,…,k.
ß0= e valor medio de la variable dependiente cuandolas predictoras son cero.
Regresión Polinomial:
Cuando se ajusta mejor una curva a los datos se recomienda usar este modelo, básicamente se extiende y ajusta el procedimiento de mínimos cuadradosa un polinomio de grado m.
la suma de los cuadrados queda:
se puede decir que el problema de determinar polinomios de grado m son mínimos cuadrados es equivalente a resolver un sistema de m+1ecuaciones lineales simultaneas. El error de la regresión polinomial se puede cuantificar mediante el error estándar de aproximación, donde m es el grado del polinomio que queremos ajustar.
Elcoeficiente de determinación se puede calcular de la misma manera que para el caso lineal.
Regresión exponencial:
Para obtener la curva exponencial de mejor ajuste de la forma se usa:
Y=Arx
Losprocedimientos son simples, primero se obtiene la recta de regresión usando los datos (x, log y). Segundo se concluye que los coeficientes deseados Ay r son entonces:
r = 10m
A = 10b
Donde m y b son lapendiente y la intersección de la recta de regresión.
Referencias:
(SCG), S. S. C. G. (2013). Multiple Linear Regression (R). San Diego State University. Retrieved Agosto 27, 2015, fromhttp://scg.sdsu.edu/mlr-r/
Ferrari, D., & Head, T. (2010). Regression in R. Part I: Simple Linear Regression. UCLA Department of Statistics Statistical Consulting Center. Retrieved Agosto 27, 2015, from...
Regístrate para leer el documento completo.