regresión lineal múltiple (RLM) te permite predecir una variable dependiente ( ) usando dos o más variables independientes (
). Resolver estos ejercicios "a mano" suele implicar trabajar con o fórmulas simplificadas para dos variables explicativas. Ejemplo Práctico: Datos de Ventas Imagina que quieres predecir las ventas ( ) basadas en el gasto en publicidad ( cap X sub 1 ) y el número de vendedores ( cap X sub 2 Observación cap X sub 1 (Publicidad) cap X sub 2 (Vendedores) Paso 1: Definir la Ecuación del Modelo El modelo tiene la forma: Paso 2: Calcular Coeficientes por Mínimos Cuadrados A mano, lo más común es usar la notación matricial
beta hat equals open paren cap X to the cap T-th power cap X close paren to the negative 1 power cap X to the cap T-th power cap Y : Incluye una columna de "1" para el intercepto ( beta sub 0 ) y las columnas de cap X sub 1 cap X sub 2 Cálculo de cap X to the cap T-th power cap X : Multiplicas la transpuesta de por sí misma. Inversa de
: Este es el paso más laborioso a mano; se suele usar el método de Gauss-Jordan o la adjunta para matrices 3x3. Cálculo final : Multiplicas la inversa obtenida por cap X to the cap T-th power cap Y para hallar los valores de beta sub 2 Paso 3: Interpretación de Resultados Multiple linear regression with matrices and by hand
Aquí tienes una propuesta de post optimizada para un blog educativo o redes sociales profesionales. El tono es cercano y estructurado para facilitar el aprendizaje de un tema que suele ser intimidante.
Título: ¡Domina la Regresión Lineal Múltiple! Ejercicios Resueltos Paso a Paso (a Mano) 📝🔢
¿Te ha pasado que el software te da los resultados, pero no entiendes de dónde vienen los números? Entender la Regresión Lineal Múltiple
haciendo los cálculos "a mano" es la mejor forma de perderle el miedo a la econometría y la estadística.
En este post, vamos a desglosar el proceso de calcular un modelo con dos variables independientes ( ) para predecir una variable dependiente ( 📂 ¿Qué veremos en este ejercicio? Planteamiento del problema:
Definición de los datos (nuestro pequeño set de entrenamiento). Cálculo de las medias: El punto de partida esencial. Matriz de varianzas y covarianzas: El corazón del cálculo. Resolución del sistema de ecuaciones: Cómo despejar beta sub 2 Interpretación de resultados: ¿Qué nos dice realmente el modelo? 💡 Ejemplo Práctico: Imagina que queremos predecir las basándonos en el Gasto en Publicidad ( cap X sub 1 Número de Vendedores ( cap X sub 2 Ventas (Y) Publicidad (X1) Vendedores (X2)
(Aquí incluirías el desarrollo matemático detallado: la sumatoria de cuadrados, el cálculo de los coeficientes mediante el método de mínimos cuadrados ordinarios y la comprobación final). ✅ ¿Por qué aprender a hacerlo a mano? Para exámenes:
Muchos profesores exigen conocer el procedimiento manual para asegurar que comprendes la lógica matricial. Intuición analítica: Entenderás cómo afecta cada variable al error residual. Control total:
Sabrás identificar errores en los datos antes de pasarlos a Python o R.
¡Descarga el PDF con los 3 ejercicios resueltos aquí abajo!
(O desliza para ver las fotos del procedimiento paso a paso)
#Estadística #DataScience #Econometría #Matemáticas #Aprendizaje #RegresiónLineal
¿Te gustaría que añada una sección específica sobre cómo invertir la matriz o prefieres que me enfoque en la interpretación de los p-valores AI responses may include mistakes. Learn more
La regresión lineal múltiple (RLM) es un método estadístico para modelar la relación entre una variable dependiente ( ) y dos o más variables independientes (
). Resolver estos ejercicios a mano generalmente implica el uso de álgebra matricial o sistemas de ecuaciones normales para encontrar los coeficientes ) que minimizan el error. Ejemplo Resuelto: Modelo con dos variables independientes Supongamos que queremos predecir la Recaudación ( ) basándonos en el gasto en Publicidad TV ( ) y Volantes ( ). La ecuación estimada es:
ŷ=β0+β1x1+β2x2y hat equals beta sub 0 plus beta sub 1 x sub 1 plus beta sub 2 x sub 2 1. Preparar las sumatorias básicas
Para resolver el sistema sin matrices complejas, primero debes calcular las sumatorias de cada variable y sus productos cruzados: 2. Calcular las sumas de cuadrados corregidas
Se utilizan las desviaciones respecto a la media para simplificar el cálculo de los coeficientes 3. Resolver para los coeficientes de pendiente (
Utiliza las siguientes fórmulas derivadas de las ecuaciones normales: regresion lineal multiple ejercicios resueltos a mano
b1=(SSx2)(SPx1y)−(SPx1x2)(SPx2y)(SSx1)(SSx2)−(SPx1x2)2b sub 1 equals the fraction with numerator open paren cap S cap S sub x sub 2 close paren open paren cap S cap P sub x sub 1 y end-sub close paren minus open paren cap S cap P sub x sub 1 x sub 2 end-sub close paren open paren cap S cap P sub x sub 2 y end-sub close paren and denominator open paren cap S cap S sub x sub 1 close paren open paren cap S cap S sub x sub 2 close paren minus open paren cap S cap P sub x sub 1 x sub 2 end-sub close paren squared end-fraction
b2=(SSx1)(SPx2y)−(SPx1x2)(SPx1y)(SSx1)(SSx2)−(SPx1x2)2b sub 2 equals the fraction with numerator open paren cap S cap S sub x sub 1 close paren open paren cap S cap P sub x sub 2 y end-sub close paren minus open paren cap S cap P sub x sub 1 x sub 2 end-sub close paren open paren cap S cap P sub x sub 1 y end-sub close paren and denominator open paren cap S cap S sub x sub 1 close paren open paren cap S cap S sub x sub 2 close paren minus open paren cap S cap P sub x sub 1 x sub 2 end-sub close paren squared end-fraction 4. Calcular el intercepto ( Una vez obtenidos
, el intercepto se calcula usando las medias de las variables (
b0=ȳ−b1x̄1−b2x̄2b sub 0 equals y bar minus b sub 1 x bar sub 1 minus b sub 2 x bar sub 2 5. Formular la ecuación final e interpretar Sustituye los valores en la ecuación Ejemplo de interpretación: Si , por cada unidad que aumenta el gasto en TV ( ), la recaudación (
) aumenta en 3.15 unidades, manteniendo constante el gasto en volantes ( Recursos para práctica adicional
Ejercicios de RLM (Academia.edu): Incluye casos prácticos con datos reales de recaudación municipal.
Guía paso a paso en PDF (Scribd): Tutorial detallado para realizar el cálculo manual sin software.
Manual de Econometría (Jaime de Pablo): Un manual completo de ejercicios resueltos paso a paso.
¿Te gustaría que desarrollemos un ejercicio con datos numéricos específicos para ver cómo se aplican estas fórmulas paso a paso? Multiple linear regression with matrices and by hand
El sistema es:
[ \begincases 4\beta_0 + 10\beta_1 + 7\beta_2 + 10\beta_3 = 55 \ 10\beta_0 + 30\beta_1 + 21\beta_2 + 30\beta_3 = 151 \ 7\beta_0 + 21\beta_1 + 18\beta_2 + 21\beta_3 = 113 \ 10\beta_0 + 30\beta_1 + 21\beta_2 + 30\beta_3 = 151 \endcases ]
Vemos que las ecuaciones 2 y 4 son iguales, por lo que tenemos infinitas soluciones (multicolinealidad). Elegimos una solución particular: hacemos (\beta_3 = 0).
Con (\beta_3=0), el sistema se reduce a:
(1) (4\beta_0 + 10\beta_1 + 7\beta_2 = 55)
(2) (10\beta_0 + 30\beta_1 + 21\beta_2 = 151)
(3) (7\beta_0 + 21\beta_1 + 18\beta_2 = 113)
Resolvemos:
Multiplicamos (1) por 2.5: (10\beta_0 + 25\beta_1 + 17.5\beta_2 = 137.5)
Restamos de (2): ((10-10)\beta_0 + (30-25)\beta_1 + (21-17.5)\beta_2 = 151 - 137.5) ⇒ (5\beta_1 + 3.5\beta_2 = 13.5) (I)
Multiplicamos (1) por 1.75: (7\beta_0 + 17.5\beta_1 + 12.25\beta_2 = 96.25)
Restamos de (3): ((7-7)\beta_0 + (21-17.5)\beta_1 + (18-12.25)\beta_2 = 113 - 96.25) ⇒ (3.5\beta_1 + 5.75\beta_2 = 16.75) (II)
Resolvemos (I) y (II):
(I) × 3.5: (17.5\beta_1 + 12.25\beta_2 = 47.25)
(II) × 5: (17.5\beta_1 + 28.75\beta_2 = 83.75)
Restamos: ((28.75-12.25)\beta_2 = 83.75 - 47.25) ⇒ (16.5\beta_2 = 36.5) ⇒ (\beta_2 = 2.2121)
Luego (5\beta_1 + 3.5(2.2121)=13.5) ⇒ (5\beta_1 = 13.5 - 7.7424 = 5.7576) ⇒ (\beta_1 = 1.1515)
De (1): (4\beta_0 + 10(1.1515) + 7(2.2121) = 55)
(4\beta_0 + 11.515 + 15.4847 = 55) ⇒ (4\beta_0 + 27 = 55) ⇒ (4\beta_0 = 28) ⇒ (\beta_0 = 7)
Modelo elegido (con (\beta_3=0)): [ \hatY = 7 + 1.1515 X_1 + 2.2121 X_2 ] regresión lineal múltiple (RLM) te permite predecir una
Nota: La multicolinealidad revela que (X_3) no aporta información adicional si ya tenemos (X_1) y (X_4)(??)… En este caso, (X_3) es combinación lineal.
| Student | (X_1) | (X_2) | (Y) | (X_1Y) | (X_2Y) | (X_1^2) | (X_2^2) | (X_1X_2) | |---------|---------|---------|-------|----------|----------|----------|----------|------------| | 1 | 4 | 6 | 75 | 300 | 450 | 16 | 36 | 24 | | 2 | 6 | 5 | 85 | 510 | 425 | 36 | 25 | 30 | | 3 | 2 | 8 | 65 | 130 | 520 | 4 | 64 | 16 | | 4 | 5 | 7 | 80 | 400 | 560 | 25 | 49 | 35 | | 5 | 3 | 6 | 70 | 210 | 420 | 9 | 36 | 18 | | Sum | 20 | 32 | 375 | 1550 | 2375 | 90 | 210 | 123 |
So:
For student 3 (( X_1=4, X_2=7 )):
( \hatY = 55 + 5(4) + 0 = 75 ) ✅ matches actual Y.
If you’d like an example where all coefficients are nonzero or a manual matrix solution (inverse of XᵀX), just let me know.
La regresión lineal múltiple es una de las herramientas más potentes de la estadística aplicada y el data science. A diferencia de la regresión simple, esta técnica nos permite predecir una variable dependiente utilizando dos o más variables independientes.
A continuación, presentamos una guía detallada con fundamentos teóricos y, lo más importante, ejercicios resueltos paso a paso para realizar los cálculos manualmente. ¿Qué es la Regresión Lineal Múltiple?
La regresión lineal múltiple busca establecer una relación lineal entre una variable de respuesta ( ) y un conjunto de predictores ( ). La ecuación general se expresa de la siguiente forma:
Y=β0+β1X1+β2X2+...+βkXk+ϵcap Y equals beta sub 0 plus beta sub 1 cap X sub 1 plus beta sub 2 cap X sub 2 plus point point point plus beta sub k cap X sub k plus epsilon : Variable dependiente (lo que queremos predecir). β0beta sub 0 : Intercepto (el valor de cuando todas las son cero). : Coeficientes de regresión (indican cuánto cambia por cada unidad que aumenta : Error aleatorio o residuo. El Método de Mínimos Cuadrados Ordinarios (MCO)
Para resolver estos ejercicios "a mano", el camino más estructurado es el Álgebra Matricial. La fórmula para encontrar el vector de coeficientes (
β̂=(XTX)-1XTYbeta hat equals open paren cap X to the cap T-th power cap X close paren to the negative 1 power cap X to the cap T-th power cap Y Matriz
: Contiene los datos de las variables independientes (con una primera columna de "1" para el intercepto). Vector : Contiene los datos de la variable dependiente. XTcap X to the cap T-th power : Es la transpuesta de la matriz
: Es la matriz inversa del producto de la transpuesta por la original. Ejercicio Resuelto 1: Predicción de Ventas Imagina que queremos predecir las Ventas (
) de una tienda basadas en dos variables: Gastos en Publicidad ( X1cap X sub 1 ) y Número de Vendedores ( X2cap X sub 2 ). Datos de la muestra: Ventas (Y) Publicidad (X1) Vendedores (X2) Paso 1: Configurar las matrices Primero, armamos nuestra matriz (agregando la columna de identidad) y el vector
X=(121143162),Y=(101520)cap X equals the 3 by 3 matrix; Row 1: 1, 2, 1; Row 2: 1, 4, 3; Row 3: 1, 6, 2 end-matrix; comma cap Y equals the 3 by 1 column matrix; 10, 15, 20 end-matrix; Paso 2: Calcular XTXcap X to the cap T-th power cap X Multiplicamos la transpuesta de
XTX=(111246132)(121143162)=(312612562662614)cap X to the cap T-th power cap X equals the 3 by 3 matrix; Row 1: 1, 1, 1; Row 2: 2, 4, 6; Row 3: 1, 3, 2 end-matrix; the 3 by 3 matrix; Row 1: 1, 2, 1; Row 2: 1, 4, 3; Row 3: 1, 6, 2 end-matrix; equals the 3 by 3 matrix; Row 1: 3, 12, 6; Row 2: 12, 56, 26; Row 3: 6, 26, 14 end-matrix; Paso 3: Calcular XTYcap X to the cap T-th power cap Y Multiplicamos la transpuesta de por el vector
XTY=(111246132)(101520)=(4520095)cap X to the cap T-th power cap Y equals the 3 by 3 matrix; Row 1: 1, 1, 1; Row 2: 2, 4, 6; Row 3: 1, 3, 2 end-matrix; the 3 by 1 column matrix; 10, 15, 20 end-matrix; equals the 3 by 1 column matrix; 45, 200, 95 end-matrix; Paso 4: Invertir la matriz y resolver
Para un cálculo manual, este es el paso más laborioso (usando determinantes o el método de Gauss-Jordan). Supongamos que tras resolver el sistema de ecuaciones lineales resultante, obtenemos los siguientes coeficientes aproximados: (En este ejemplo ficticio simplificado) Ecuación final: Interpretación de Resultados
Intercepto (5): Si no hay publicidad ni vendedores, las ventas base son 5 unidades. Coeficiente X1cap X sub 1
(2.5): Por cada unidad adicional invertida en publicidad, las ventas aumentan 2.5 unidades, manteniendo constante el número de vendedores. Coeficiente X2cap X sub 2
: En este caso, indica que los vendedores no están influyendo significativamente en este modelo específico. Consejos para resolver ejercicios a mano
Orden absoluto: Mantén las filas y columnas alineadas. Un error de signo en la matriz transpuesta arruina todo el proceso. Verifica el determinante: Si el determinante de Step 1: Compute necessary sums | Student |
es 0, no puedes invertir la matriz (hay multicolinealidad exacta). Usa fracciones: Al trabajar a mano, es preferible usar en lugar de para evitar errores de redondeo acumulados.
¿Te gustaría que desarrollemos un ejercicio con más datos o prefieres que nos enfoquemos en cómo calcular el Coeficiente de Determinación ( R2cap R squared ) para medir la precisión del modelo?
Para resolver un ejercicio de regresión lineal múltiple a mano, generalmente se utiliza el enfoque matricial
, que es el método más sistemático para manejar varias variables independientes ( Ejemplo práctico: Predicción de Ventas Imagina que quieres predecir las Ventas (Y) basándote en el Gasto en Publicidad ( cap X sub 1 Número de Vendedores ( cap X sub 2 Ventas (Y) Publicidad ( cap X sub 1 Vendedores ( cap X sub 2 Paso 1: Definir las Matrices El modelo sigue la forma . Primero, construye la matriz de diseño ( ) añadiendo una columna de 1s para el intercepto (
cap X equals the 3 by 3 matrix; Row 1: 1, 2, 1; Row 2: 1, 4, 2; Row 3: 1, 5, 2 end-matrix; comma space cap Y equals the 3 by 1 column matrix; 10, 15, 20 end-matrix; Paso 2: Calcular la Transpuesta ( cap X to the cap T-th power ) y el Producto ( cap X to the cap T-th power cap X
Multiplica la matriz transpuesta por la original para obtener una matriz cuadrada que resuma las relaciones entre variables.
cap X to the cap T-th power cap X equals the 3 by 3 matrix; Row 1: 1, 1, 1; Row 2: 2, 4, 5; Row 3: 1, 2, 2 end-matrix; the 3 by 3 matrix; Row 1: 1, 2, 1; Row 2: 1, 4, 2; Row 3: 1, 5, 2 end-matrix; equals the 3 by 3 matrix; Row 1: 3, 11, 5; Row 2: 11, 45, 20; Row 3: 5, 20, 9 end-matrix; Paso 3: Calcular la Inversa
Este es el paso más laborioso a mano. Debes encontrar la matriz inversa de cap X to the cap T-th power cap X usando métodos como la Gauss-Jordan
. Esta matriz inversa actúa como el "divisor" en el cálculo de los coeficientes. Paso 4: Calcular cap X to the cap T-th power cap Y Multiplica la transpuesta por el vector de resultados.
cap X to the cap T-th power cap Y equals the 3 by 3 matrix; Row 1: 1, 1, 1; Row 2: 2, 4, 5; Row 3: 1, 2, 2 end-matrix; the 3 by 1 column matrix; 10, 15, 20 end-matrix; equals the 3 by 1 column matrix; 45, 180, 80 end-matrix; Paso 5: Obtener los Coeficientes ( Finalmente, los coeficientes se obtienen con la fórmula: Investopedia : Intercepto (valor de Y si todas las X son 0). : El impacto de cada variable en el resultado final. Multiple Linear Regression | Solved Exercise
Para encontrar los coeficientes $\beta$, se resuelve el sistema lineal: $$(X'X) \hat\beta = X'Y$$ Por lo tanto: $\hat\beta = (X'X)^-1 X'Y$
Nota: A mano, solemos resolver el sistema de ecuaciones normales en lugar de invertir matrices grandes para ahorrar tiempo.
Primero, obtenemos X' (transpuesta):
X' =
[1 1 1 1 1
4 5 3 6 4
6 7 5 8 6]
Multiplicamos: (X'X) = matriz 3x3.
Elemento (1,1): Σ(1) = 5
Elemento (1,2) y (2,1): ΣX₁ = 4+5+3+6+4 = 22
Elemento (1,3) y (3,1): ΣX₂ = 6+7+5+8+6 = 32
Elemento (2,2): ΣX₁² = 16+25+9+36+16 = 102
Elemento (2,3) y (3,2): Σ(X₁ X₂) = (46)+(57)+(35)+(68)+(4*6) = 24+35+15+48+24 = 146
Elemento (3,3): ΣX₂² = 36+49+25+64+36 = 210
Por lo tanto:
X'X = [5 22 32
22 102 146
32 146 210]
The multiple linear regression model is expressed as:
$$ Y_i = \beta_0 + \beta_1 X_1i + \beta_2 X_2i + \dots + \beta_k X_ki + \varepsilon_i $$
Where:
We estimate the $\beta$ coefficients using the least squares method:
$$ \hat\beta = (X'X)^-1 X'Y $$
Where $X$ is the design matrix (including a column of 1s for the intercept), and $Y$ is the vector of observed values.