Guia & Ejemplos


Correlacion lineal


 

Coeficiente de Pearson



Diagrama de Dispersión


Regresipon y Supuestos Basicos


                             Estimación Mínimos Cuadrados 


                                   Ecuaciones de Normalidad


                              Inferencia Estadística para el Modelo Lineal Simple




                         
                          Significancia Global Y Individual





                                    Analisis de los Residuos




                                  Verificación de los Supuestos





                          Graficos de Dispersión para los Residuos







                                                      Durbin-Watson










Comentarios

Publicar un comentario

Entradas populares de este blog

Significancia Global

La significancia global en un modelo de regresión lineal se refiere a si al menos uno de los predictores en el modelo está relacionado significativamente con la variable de respuesta. En otras palabras, la significancia global indica si el modelo en su conjunto es estadísticamente significativo. Para evaluar la significancia global, se utiliza el análisis de varianza (ANOVA) para comparar la variabilidad explicada por el modelo con la variabilidad no explicada. La hipótesis nula es que todos los coeficientes de regresión son iguales a cero, lo que significa que el modelo no tiene efecto sobre la variable de respuesta. La hipótesis alternativa es que al menos un coeficiente de regresión es diferente de cero, lo que significa que el modelo tiene un efecto significativo sobre la variable de respuesta. El valor p de la prueba ANOVA se utiliza para evaluar la significancia global del modelo. Si el valor p es menor que el nivel de significancia predefinido (por ejemplo, 0.05), entonces se re...
Leer más

Verificación de los Supuestos

Imagen
     La verificación de los supuestos en un modelo de regresión lineal es importante para asegurarnos de que las condiciones necesarias para aplicar el modelo son satisfechas. Los supuestos principales son los siguientes: Linealidad: La relación entre las variables debe ser lineal. Homocedasticidad: La varianza de los errores debe ser constante para todos los valores de la variable independiente. Normalidad: Los errores deben seguir una distribución normal. Independencia: Los errores deben ser independientes entre sí.      Para verificar estos supuestos, se pueden realizar varios análisis gráficos y estadísticos, como los siguientes: Gráfico de dispersión: Se puede graficar los valores observados contra los valores predichos por el modelo. Si los puntos están dispersos aleatoriamente alrededor de una línea recta, la linealidad se cumple. Gráfico de residuos vs. valores ajustados: Se puede graficar los valores de los residuos (errores) contra los valores aju...
Leer más

Significancia Individual

     La significancia individual en el modelo de regresión lineal se refiere a la importancia de cada variable predictora en el modelo. Para evaluar la significancia individual de una variable predictora se realiza una prueba de hipótesis para el coeficiente de regresión correspondiente a esa variable.      La hipótesis nula establece que el coeficiente de regresión es igual a cero, lo que significa que esa variable no tiene efecto sobre la variable de respuesta. La hipótesis alternativa afirma que el coeficiente de regresión es diferente de cero, lo que significa que la variable predictora sí tiene un efecto significativo sobre la variable de respuesta.      Para realizar esta prueba de hipótesis, se utiliza el valor t de Student y su correspondiente p-valor. Si el p-valor es menor que el nivel de significancia elegido, normalmente 0.05, se rechaza la hipótesis nula y se concluye que la variable predictora es significativa en el modelo. ...
Leer más