Sesión 5
“Estadística Descriptiva e Inferencial
Mediante el uso de Minitab”
Instructor: Mtro. Francisco Antonio Torres Espriú
Sesión 5
• Regresión Lineal Múltiple
• Prueba de normalidad
• Ajuste de modelo de regresión
• Gráficas factoriales
• Predicción
• Optimizador de respuesta
• Modelos de Regresión No Lineal
• Regresión Múltiple con Interacciones
Sesión 5
Regresión
Lineal
Múltiple
Regresión Lineal Múltiple
• Regresión Lineal Múltiple
• Examina las relaciones lineales entre una respuesta continua y dos o más predictores.
• Si el número de predictores es grande, antes de ajustar un modelo de regresión con
todos los predictores, se deberían utilizar las técnicas de selección de modelo paso a
paso o de los mejores subconjuntos para excluir los predictores que no estén
asociados con las respuestas.
• Modelo de Regresión Lineal Múltiple
𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑛 𝑥𝑛 + 𝜀
Regresión Lineal Múltiple
• Consideraciones
• Los predictores pueden ser continuos o categóricos.
• La variable de respuesta debe ser continua.
• La recolección de datos debe ser adecuada.
• La correlación entre los predictores, también conocida como multicolinealidad (FIV), no
debe ser severa.
• El modelo debe proveer un ajuste adecuado a los datos.
• Se posee un tamaño de muestra adecuado.
• Normalidad en los datos.
Regresión Lineal Múltiple
• Práctica 16
• Análisis de Regresión Lineal Múltiple
Regresión Lineal Múltiple
• Un investigador químico desea entender cómo se asocian diferentes predictores y la
resistencia a las arrugas de la tela de algodón. El químico examina 32 piezas de
celulosa de algodón a diferentes configuraciones de tiempo de curado, temperatura de
curado, concentración de formaldehído y relación de catalizador. Se registró la
calificación del planchado permanente, una medida de resistencia a las arrugas, para
cada producto.
• El químico realiza un análisis de regresión múltiple para ajustar un modelo con los
predictores y eliminar los predictores que no tienen una relación estadísticamente
significativa con la respuesta. Realice el análisis correspondiente.
Regresión Lineal Múltiple
1. Prueba de Normalidad
2. Ajustar Modelo de Regresión
3. Gráficas Factoriales
4. Predictor
5. Optimizador de Respuesta
Prueba de Normalidad
Prueba Uso
Detectar desviaciones en las colas de la
Anderson-Darling
distribución
Muestras menores o iguales a 50
Ryan-Jones (similar a Shapiro-Wilk)
elementos
Kolmogorov-Smirnov Muestras mayores a 50 elementos
• Hipótesis
• 𝐻0 : Los datos siguen la distribución especificada
• 𝐻1 : Los datos no siguen la distribución especificada
Prueba de Normalidad
• Abrir “Estadísticas” / • Introducir en “Variable”, • Seleccionar la prueba de
“Estadísticas Básicas” / la columna “Calificación” normalidad a emplear
“Prueba de Normalidad” (en este caso, usaremos
“Anderson-Darling”)
Prueba de Normalidad
Decisión Estadística:
𝑯𝟎 se rechaza, dado
que 𝒑 < 𝜶
Conclusión:
Los datos no presentan
una distribución normal
Ajustar Modelo de Regresión
• Abrir “Estadísticas” / “Regresión” / “Regresión” / “Ajustar Modelo de Regresión”
Ajustar Modelo de Regresión
• En “Respuestas”, introducir “Calificación”; en “Predictores Continuos”, introducir desde
“Concentración” hasta “Tiempo”
Ajustar Modelo de Regresión
• En la opción “Gráficas”, seleccionar “Pareto”;
en “Residuos para Gráficas” seleccionar
“Estandarizado” y en “Gráficas de residuos”,
seleccionar “Residuos vs ajustes”
Ajustar Modelo de Regresión
Análisis:
• Ecuación: 𝒚ෝ = −. 𝟕𝟓𝟔+. 𝟏𝟓𝟒𝟓𝒙𝟏+. 𝟐𝟏𝟕𝟏𝒙𝟐+. 𝟎𝟏𝟎𝟖𝟏𝒙𝟑+. 𝟎𝟗𝟒𝟔𝒙𝟒
• Los términos significativos en el modelo son: la
concentración, la relación y la temperatura,
dado que 𝒑 < 𝜶; el término constante y el
tiempo no son significativos.
• El ajuste del modelo no es adecuado, dado que
únicamente el 68.90% de la variación de la
variable respuesta se atribuye al predictor
analizado (mínimo debe ser 70%).
Ajustar Modelo de Regresión
Análisis:
• El modelo de regresión es significativo,
dado que 𝒑 < 𝜶. En este caso como sólo
tiene un predictor, sus valores son similares
al modelo.
• Los predictores significativos del modelo
son: concentración, relación y temperatura.
• La suma de cuadrados del error es alta; por
ello la falta de ajuste del modelo.
Ajustar Modelo de Regresión
Análisis:
• Los predictores significativos
son los factores A, B y C.
Ajustar Modelo de Regresión
Análisis:
• Los residuos no presentan
una distribución en
particular, ya que se
encuentran aleatorizados.
Ajustar Modelo de Regresión
• Abrir “Estadísticas” / “Regresión” / “Regresión” / “Ajustar Modelo de Regresión”
Ajustar Modelo de Regresión
• En “Respuestas”, introducir “Calificación”; en “Predictores Continuos”, introducir desde
“Concentración” hasta “Tiempo”
Ajustar Modelo de Regresión
• En “Modelo”, desmarcar “Incluir el • En “Paso a paso”, elegir “Eliminación hacia
término de constante en el modelo”. atrás”, con un alfa a retirar de “.05”.
Ajustar Modelo de Regresión
• En la opción “Gráficas”, seleccionar “Pareto”;
en “Residuos para Gráficas” seleccionar
“Estandarizado” y en “Gráficas de residuos”,
seleccionar “Residuos vs ajustes”
Ajustar Modelo de Regresión
Análisis:
• Ecuación: 𝒚
ෝ =. 𝟏𝟒𝟎𝟏𝒙𝟏 +. 𝟐𝟏𝟑𝟑𝒙𝟐 +. 𝟎𝟎𝟖𝟖𝟔𝒙𝟑
• Los términos significativos en el modelo son: la
concentración, la relación y la temperatura,
dado que 𝒑 < 𝜶.
• Existen variables que presentan
multicolinealidad.
• El ajuste del modelo es adecuado, dado que el
94.99% de la variación de la variable respuesta
se atribuye a los predictores analizados.
Ajustar Modelo de Regresión
Análisis:
• El modelo de regresión es significativo,
dado que 𝒑 < 𝜶.
• La suma de cuadrados del error es baja; se
presenta un alto ajuste del modelo.
• Existe una observación con residuo grande.
Ajustar Modelo de Regresión
Análisis:
• Los predictores significativos
son los factores A, B y C.
Ajustar Modelo de Regresión
Análisis:
• Los residuos no presentan
una distribución en
particular, ya que se
encuentran aleatorizados.
Ajustar Modelo de Regresión
• Abrir “Estadísticas” / “Regresión” / “Regresión” / “Ajustar Modelo de Regresión”
Ajustar Modelo de Regresión
• En “Respuestas”, introducir “Calificación”; en “Predictores Continuos”, introducir desde
“Concentración” hasta “Tiempo”
Ajustar Modelo de Regresión
• En “Modelo”, eliminar “Conc” de “Términos en el modelo”.
Ajustar Modelo de Regresión
Análisis:
• Ecuación: 𝒚
ෝ =. 𝟐𝟐𝟓𝟑𝒙𝟐 +. 𝟎𝟏𝟒𝟎𝟓𝒙𝟑
• Los términos significativos en el modelo son: la
relación y la temperatura, dado que 𝒑 < 𝜶.
• Existen variables que presentan
multicolinealidad.
• El ajuste del modelo es adecuado, dado que el
94.26% de la variación de la variable respuesta
se atribuye a los predictores analizados.
Ajustar Modelo de Regresión
Análisis:
• El modelo de regresión es significativo,
dado que 𝒑 < 𝜶.
• La suma de cuadrados del error es baja; se
presenta un alto ajuste del modelo.
• Existe una observación con residuo grande.
Ajustar Modelo de Regresión
Análisis:
• Los predictores significativos
son los factores B y C.
Ajustar Modelo de Regresión
Análisis:
• Los residuos no presentan
una distribución en
particular, ya que se
encuentran aleatorizados.
Gráficas Factoriales
• Abrir “Estadísticas” / “Regresión” / “Regresión” / “Gráficas Factoriales”
Gráficas Factoriales
• En “Respuestas”, seleccionar “Calificación”; en • En el botón “Gráficas”, seleccionar
“Variables que serán incluidas en las gráficas”, “Gráfica de efectos principales”
seleccionar todas las variables.
Gráficas Factoriales
Análisis:
• Ambos predictores son
positivos, de forma que a
mayor valor del predictor,
mayor será también la
variable respuesta.
Predictor
• Abrir “Estadísticas” / “Regresión” / “Regresión” / “Predecir”
Optimizador de Respuesta
• Abrir “Estadísticas” / “Regresión” / “Regresión” / “Optimizador de respuesta”
Receso
• Volvemos en 15 minutos
Sesión 5
Modelos de
Regresión No Lineal
– Regresión
Múltiple con
Interacciones
Dudas
• Preguntas
• Comentarios
• Quejas
• Sugerencias
• Traumas Múltiples
Gracias Por su Asistencia
¡Felicidades! Terminamos