S09 ad4001
- 1. Sesión 9 Regresión Lineal Simple Estadística en las organizaciones AD4001 Dr. Jorge Ramírez Medina
- 2. Tabla ANOVA Dr Jorge Ramírez Medina EGADE Business School 2 1 s n 2
- 3. Tabla Anova Fuente de variación Suma de cuadrados Grados de libertad Cuadrado Medio F p-value Tratamientos SCTR k-1 CMR=SCTR/(k-1) F=CMTR/CME tablas Error SCE nT-k CME=SCE/(nT-k) Total STC nT-1 Dr. Jorge Ramírez Medina EGADE Business School
- 4. Qué tipo de relación se examina? Cuántas son las variables a predecir? Dependencia Interdependencia Múltiples relaciones de Variables dependientes e independientes Varias variables Cuál es la escala de medición de la variable dependiente? Cuál es la escala de medición de la variable dependiente? Cuál es la escala de medición de la variable predictora? SEM dependientes en una sola relación Una variable dependientes en una sola relación Correlación canónica Análisis Multivariado de varianza (Manova) Correlación canónica con variables dummy Regresión múltiple Análisis Conjoint Análisis discriminante múltiple Modelos de probabilidad lineal (logit Analysis) Métrica No Métrica Métrica No Métrica Métrica No Métrica
- 5. Correlación canónica Y1+Y2+Y3+…+Yn = X1+X2+X3+…+Xn métrica, no métrica métrica, no métrica Manova Y1+Y2+Y3+…+Yn = X1+X2+X3+…+Xn métrica no métrica Análisis de Varianza Y1 = X1+X2+X3+…+Xn métrica no métrica Análisis discriminante múltiple Y1= X1+X2+X3+…+Xn no métrica (dicotómica) métrica Análisis de regresión múltiple Y1= X1+X2+X3+…+Xn métrica métrica, no métrica Análisis Cojoint Y1= X1+X2+X3+…+Xn métrica, no métrica no métrica SEM Y1 = Y2 = Ym = X11+X12+X13+…+X1n X21+X22+X23+…+X2n Xm1+Xm2+Xm3+…+Xmn métrica métrica, no métrica Relación entre los métodos de dependencia multivariados
- 6. Revisión de Tarea Anova Dr Jorge Ramírez Medina EGADE Business School
- 7. Modelo de regresión lineal simple Dr. Jorge Ramírez Medina EGADE Business School
- 8. Método de mínimos cuadrados Dr. Jorge Ramírez Medina EGADE Business School
- 9. Calculando b0 y b1 Dr. Jorge Ramírez Medina EGADE Business School
- 10. Ejemplo Dr. Jorge Ramírez Medina EGADE Business School
- 11. Suma de cuadrados debido al error Dr. Jorge Ramírez Medina EGADE Business School
- 12. Suma total de cuadrados Dr. Jorge Ramírez Medina EGADE Business School
- 13. SCE y STC Dr. Jorge Ramírez Medina EGADE Business School
- 14. Suma de cuadrados debido a la regresión Dr. Jorge Ramírez Medina EGADE Business School
- 15. ¿Qué tan bien se ajustan los datos a la regresión? Dr. Jorge Ramírez Medina EGADE Business School
- 16. Suposiciones del modelo • E(e)=0 • Varianza de e, (que es 2) es la misma para todos los valores de x. • Los valores de e son independientes. • e es una variable distribuida normalmente Dr. Jorge Ramírez Medina EGADE Business School
- 17. ¿Cómo comprobamos el ajuste del modelo? • Usando r2 • Usando una prueba de hipótesis H0: b1= 0 Ha: b1 ≠ 0 Estadístico de prueba F=CMR/ECM Regla rechazo p-value<=a Dr. Jorge Ramírez Medina EGADE Business School
- 18. Coeficiente de determinación Dr. Jorge Ramírez Medina EGADE Business School
- 19. Coeficiente de correlación Dr. Jorge Ramírez Medina EGADE Business School
- 20. En el ejemplo 푟2 = 푆퐶푅 푆퐶푇 Dr. Jorge Ramírez Medina EGADE Business School = 푆푇퐶 − 푆퐶퐸 푆퐶푇 푟푥푦
- 21. Usando la prueba F Fuente de variación Suma de cuadrados Dr. Jorge Ramírez Medina EGADE Business School Grados de libertad Cuadrado Medio F p-value Regresión SCR 1 CMR=SCR/1 F=CMR/CME tablas Error SCE n-2 CME=SCE/(n-2) Total STC n-1
- 22. En el ejemplo 퐹 = 퐶푀푅 퐸퐶푀 Dr. Jorge Ramírez Medina EGADE Business School 퐶푀푅 = 푆퐶푅 퐹 = 74.25 푁표. 푣푎푟푖푎푏푙푒푠 푠2 = 퐸퐶푀 = 푆퐶퐸 푛 − 2 14200 1 15300 10−2 = 191.25 p-value 2.54887E-05
- 23. Análisis de residuos Dr. Jorge Ramírez Medina EGADE Business School (푦푖 − 푦 )
- 24. Residuales (푦푖 − 푦 ) -12 15 -12 18 -3 -3 -3 9 -21 Dr. Jorge Ramírez Medina EGADE Business School
- 25. Tarea de la sesión Dr. Jorge Ramírez Medina EGADE Business School
- 26. Fin Sesión Nueve
Notas del editor
- #3: Ejemplo ANOVA. Sacar tabla
- #5: -- a dependent variable -- is generally predicted or explained by means of the other(s) -- independent variables and covariates. These are called dependence methods. Ejemplo: multiple regression and analysis of variance
- #6: Multiple regression analysis enables the researcher to predict the level of magnitude of a dependent variable based on the levels of more than one independent variable. Multiple discriminant analysis enables the researcher to predict group membership on the basis of two or more independent variables. Conjoint analysis provides a basis to estimate the utility that consumers associate with different product features or attributes.
- #7: Aquí hacer pausa y preguntar qué es estadística, inferencial, parámetro Correlación!!
- #18: Si se rechaza Ho => b1 es diferente de cero Por lo que aplica y=bo+b1x+e X y Y están reñlacionadas linealmente
- #21: ECM= Error cuadrado medio. Estimación de S^2
- #23: CMR= Cuadrado Medio de la regresión ECM = error cuadrado medio-> error estándar de estimación Error típico = raíz(s^2)