ANALISIS DE REGRECION Y CORRELACION

[pic 1][pic 2]

[pic 3]

INTRODUCCIÓN

El análisis de regresión es ampliamente utilizado en el mundo de los negocios. A través de los resultados que muestran, las empresas pueden comprender mejor qué factores tienen un mayor impacto en los resultados, qué factores afectan a otros elementos del negocio o qué factores se pueden dejar de lado.

DESARROLLO

1. Análisis de Regresión

El análisis de regresión es una herramienta de frecuente uso en estadística. La cual permite investigar las relaciones entre diferentes variables cuantitativas. Esto, mediante la formulación de ecuaciones matemáticas. Visto de otro modo, dicho análisis es un proceso o modelo que analiza el vínculo entre una variable dependiente y una o varias variables independientes.                                                                              (Javier Sánchez Galán,2016, Análisis de regresión. Economipedia.com)

     Se basa en pronósticos futuros, estos pronostico s o previsiones se realizan a través de datos extraídos previamente de algún suceso anterior, se basa más que todo en investigar o comprobar la relación que puede existir en las variables obtenidas/ extraídas, para hace determinar que factor influye en el funcionamiento de alguna de ella. Es una herramienta de gran ayuda que puede ayudar a la toma de decisiones de alguna empresa o predecir el resultado de algún partido.

     Calculo

     Se calcula la relación estimada entre una variable dependiente y una o más variables explicativas, para entender un poco más cuando nos referimos a las variables las definiremos a continuación, ya que son de vital importancia ya que dependiendo de ella es que se lleva a cabo la investigación.  

• Variables dependientes: Son aquellas que buscamos estudiar mediante la regresión estadística para comprender cómo se adapta al modificar las variables independientes.
• Variables explicativas o independiente: Son los factores que consideramos que influyen y que afectan directamente a las variables dependientes que están bajo estudio.

     Modelos de análisis de regresión

     Se llevan a cabo en función a su número de variables y la forma de interactuar entre ellas, También es posible utilizar gráficos, tales como matrices de gráficos de dispersión, histogramas y gráficos de puntos, en el análisis de regresión para analizar las relaciones y poner a prueba las suposiciones.

• Modelo de regresión lineal simple

     Es el más utilizado y el más simple de realizar, se basa en estudiar el efecto que tiene una variable independiente sobre una variable dependiente de esta primera, se usa una ecuación de regresión lineal simple, se puede hacer una predicción de lo obtenidos.

E(Y/x) = 0 + β1 x

En la cual el 0 representa la ordenada del origen, La pendiente será representada por la B1 sus valores son coeficientes desconocidos de la regresión.

Por ejemplo, un modelo de regresión lineal se dibujaría de la siguiente manera:

[pic 4]

• Modelo de regresión lineal múltiple

          Este modelo es similar a un modelo de regresión lineal simple excepto que se basa en obtener una relación lineal a través de un conjunto de variables independientes. Tiene como propósito general para evaluar las relaciones entre objetivos continuos y predictores, las predicciones pueden ser campos continuos, categóricos o derivados, por lo que también se admiten relaciones no lineales.

Y =  0 + β1X1 + β2X2 + … + βnXn + Ē

Ecuación de regresión lineal múltiple.

     De esta manera, podemos pensar en la regresión múltiple simple como una derivada de la regresión lineal simple con la única diferencia de que la múltiple requiere que cada variable independiente esté correlacionada con la variable dependiente, su gráfica también se genera en el plano cartesiano Y y X.

Por ejemplo.

    Suponga que una empresa mexicana quiere lanzar una línea de platillos típicos mexicanos en Sudamérica. Se revisaron diferentes mercados sudamericanos, teniendo en cuenta los gustos y preferencias de la gente de allí. Además, se tuvo en cuenta la penetración actual de la comida mexicana en cada país y la densidad per cápita de restaurantes de comida mexicana (variable dependiente) y algunos factores propios de la economía y factores externos, como el nivel económico, en el lugar abundan la renta per cápita, el tipo de población, el ocio de las personas y otro tipo de alimentación, etc.

    La regresión múltiple genera una ecuación que relaciona la densidad per cápita de los restaurantes mexicanos con una función de todas las demás variables.

     De manera similar, si este estudio investiga internamente el mercado sudamericano sin restaurantes mexicanos y luego de medir todas las variables independientes (como las mencionadas anteriormente), la ecuación de regresión múltiple puede usarse para predecir la densidad per cápita de restaurantes mexicanos. Los restaurantes mexicanos pueden instalarse allí si lo desean. En general, la regresión múltiple ayuda a dirigir los esfuerzos comerciales, para no desperdiciar recursos en mercados que no serán compatibles.

...