Medidas Estadísticas Bivariantes de Regresión y Correlación Simple

Relación funcional: relación matemática exacta entre dos variables

Relación estadística: existe una relación aproximada entre las dos variables

Regresión: indican como están asociadas las variables entre si y permite construir un modelo para explicar la relación entre ellas

Correlación: grado de relación entre dos variables sin suponer que una alteración de una cause cambio en la otra variable

Regresión lineal simple: estima una ecuación lineal que describe la relación

Correlación: Mide la fuerza de la relación lineal

Análisis de regresión múltiple: intervienen dos o mas variables independientes, donde una variable viene explicada por la acción simultanea de otras variables

Representación grafica de la existencia de relación entre las variables

Análisis de correlación

Mide el grado de relación entre las variables

Mide la cercanía de la relación entre dos o mas variables

Análisis de correlación simple

Mide la relación entre solo una variable independiente (X) y la variable dependiente (Y)

Determina la cantidad de variación conjunta que presenta dos variables aleatorias de una distribución bidimensional

Análisis de correlación múltiple

Muestra el grado de asociación entre dos o mas variables independientes y la variable dependiente

Modelos de regresión lineal simple

Modelos de regresión simple no lineales

Modelo cuadrático

Modelo cubico

Transformaciones de modelos de regresión no lineales

Modelos exponenciales

Análisis de regresión

Se usa para derivar una ecuación que relaciona la variable de criterio con una o mas variables de predicción

Error estándar de la estimación

Se refiere al valor absoluto de la variación en la variable de criterios que no cuenta en la ecuación de regresión ajustada

Coeficiente de determinación

Denota la proporción relativa de la variación total en la variable de criterio que puede explicarse mediante la ecuación de regresión ajustada

Permite averiguar el efecto simultaneo de varias variables independientes en una variable dependiente utilizando el principio de los mínimos de cuadrados

Aplicación de la teoría

Desarrollo del modelo

Se emplea el método de mínimo cuadrado

Los coeficientes estimados se identifican en la salida de los programas informáticos

El coeficiente de determinación es múltiple

Supuestos del modelo

Pruebas de significación

Regla de decisión del contraste de hipótesis

El problema de la multicolinealidad