REGRESION LINEAL MLTIPLE

Mediante un modelo de regresin lineal mltiple (MRLM) se trata de explicar el

comportamiento de una determinada variables que se denomina variable a
explicar, variable endgena o variable dependiente, (y se representa con la letra Y)
en funcin de un conjunto de k variables explicativas X1, X2,.,Xk mediante una
relacin de dependencia lineal (suponiendo X1=1).
2.16.1. Formula
Y = 1 + 2 . X 2 ++ K . X K +U
Siendo U el trmino de perturbacin o error.
Para determinar el modelo anterior, es necesario hallar (estimar) el valor de los
coeficientes 1, 2,..., k. La linealidad en parmetros posibilita la interpretacin
correcta de los parmetros del modelo. Los parmetros miden la intensidad media
de los efectos de las variables explicativas sobre la variable a explicar y se
obtienen al tomar las derivadas parciales de la variable a explicar respecto a cada
una de las variables explicativas:
=

Y
; j=1, , k
Y j

2.16.2. Metodologa
1.-Diagnstico de la hiptesis inicial del modelo.
Se pueden utilizar diversas herramientas estadsticas para poder realizar el
diagnstico como: Histograma de los residuos, Grfico de probabilidades normales
de los residuos (probability plot) y Grficos de dispersin de los residuos sobre los
valores pronosticados.
2.- Estimacin puntual de los parmetros del modelo.
Para poder obtener estimadores puntuales de los parmetros es lo
siguiente:
Se aplica el mtodo de mxima verosimilitud, y el estimador obtenido se corrige
(En caso necesario) para que sea insesgado.
Estimacin de

^=( ^0 , ^ 1 , , ^ k ):

^=( X X )1 X Y

3.- Intervalos de confianza para estimar los parmetros del modelo.

Los estimadores puntuales son interesantes, pero son demasiado
rgidos. Cuando decimos que estimamos que el parmetro

1 vale, por

ejemplo, 1,15, lo que estamos diciendo en realidad es que pensamos

que vale, aproximadamente, 1,15. La forma en que los mtodos
estadsticos cuantifican este aproximadamente de forma automtica y
objetiva es a travs de los intervalos de confianza.
Aplicando el mtodo de la cantidad pivotal, se obtienen los siguientes
intervalos de confianza para estimar
I C 1 ( B j ) =( ^ j t

nk1;

0 , 1 , K :

(error tpico de ^ j ))

4.- Contrastes de hiptesis.

En este paso se deber de considerar los contrastes de hiptesis
necesarios para estudiar la influencia individual de cada una de las
presuntas variables explicativas.
5.- Anlisis de la varianza.
En esta seccin se considerar el contraste de hiptesis necesario para
estudiar la validez global del modelo.
Esto nos lleva al siguiente contraste de hiptesis:
H 0= 1== K =0 ( el modelo no es conjuntamente vlido )
H 1 : Algn j 0 ( el modelo s es conjuntamente vlido )
Este contraste de hiptesis, que se conoce tambin con el nombre de
contraste de la regresin, se va a abordar mediante la tcnica
estadstica del anlisis de la varianza (ANOVA).
6.- Evaluacin del ajuste proporcionado por el modelo de regresin
ajustado.

Este modelo, en algunos casos se ajustar muy bien a los datos que
tenemos, y en otros casos se ajustar peor. Cuando el ajuste sea bueno,
tendremos una cierta seguridad de que ese modelo representa
razonablemente bien la relacin entre Y y las variables explicativas
X1 , XK .