Tarea análisis de regresión múltiple

Objetivo:

 Comprender de forma teórica el análisis de regresión múltiple para posteriormente aplicarlo a un pequeño ejercicio para entender de mejor manera su utilidad; de igual forma conocer los conceptos básicos de las series de tiempo.

Procedimiento:

1. Revisar cada uno de los puntos solicitados en la tarea para identificar la información que nos solicitan.

2. Dar un breve repaso a las explicaciones de tema para recordar y entender los conceptos a analizar.

3. Redactar las respuestas a las preguntas y presentarlas en el siguiente apartado.

4. Resolver el ejercicio de la parte práctica.

5. Redactar conclusiones.

Resultados:

1. Regresión lineal múltiple:

a. ¿Qué es?

La regresión lineal múltiple es la que estima los coeficientes de la ecuación lineal, con una o más variables independientes, que mejor prediga el valor de la variable dependiente. Por ejemplo, se puede intentar predecir el total de facturación lograda por servicios prestados en una IPS cada mes (la variable dependiente) a partir de variables independientes tales como: Tipo de servicio, edad, frecuencia del servicio, tipo de usuario y los años de antigüedad en el sistema del usuario.

b. ¿Qué es el coeficiente de determinación y el coeficiente de correlación?

Coeficiente de Correlación. Representa el porcentaje de variabilidad de la Y que explica el modelo de regresión; es decir, establece una medida del grado de asociación lineal entre la variable respuesta y la variable predictora, concretamente entre la variable respuesta y la recta de regresión estimada.

Coeficiente de Determinación. Nos indica el grado en que la variable independiente influye o determina la dependiente; este coeficiente es muy importante pues determina qué porcentaje (en tantos por uno) de la varianza de la variable dependiente es explicado por el modelo de regresión.

c. ¿Cuáles son las desventajas de la multicolinealidad? La multicolinealidad es la relación entre dos variables aparentemente independientes. La desventaja radica en que podemos considerar como independientes variables que no lo son tanto, entonces como las influencias de las variables independientes están fuertemente relacionadas los pronósticos estimados no serán fiables.

d. ¿Por qué es recomendable comparar modelos de regresión? Porque al emitir un pronóstico podremos estar más seguros de la confiabilidad resultado, además de que utilizándolo dicho resultado está más apegado a la realidad; además de que representara ahorro de recursos

...