Semana 4 - 1. Regresión Múltiple

¿Cuál es el objetivo principal de la regresión múltiple?

• Modelar la relación entre variables categóricas

• Minimizar la suma de los cuadrados de los residuos

• Establecer una ecuación no lineal entre variables dependientes e independientes

• Predecir el valor de una variable dependiente en función de variables independientes

¿Qué método se utiliza comúnmente para estimar los parámetros en un modelo de regresión múltiple?

• Mínimos Cuadrados Ordinarios (MOC)

• Método de Regresión Logística

• Análisis de Varianza (ANOVA)

• Método de Componentes Principales

¿Qué representa el coeficiente de intercepción (β0) en la regresión múltiple?

• La diferencia entre los valores observados y predichos de Y

• El valor predicho de Y cuando todas las variables independientes son iguales a cero

• El cambio en el valor predicho de Y por unidad de cambio en una variable independiente

• La fuerza de la relación entre dos variables independientes

¿Qué indica un valor positivo del coeficiente de regresión (βj) en la regresión múltiple?

• Un aumento en Xj produce una disminución en Y

• Un aumento en Xj produce un aumento en Y

• Xj es una variable independiente categórica

• No hay relación entre Xj e Y

¿Qué refleja la magnitud del coeficiente de regresión (βj) en la regresión múltiple?

• La fuerza de la relación entre la variable independiente Xj y la variable dependiente Y

• La cantidad de variables independientes en el modelo

• La correlación entre las variables independientes

• El valor de Y cuando no hay influencia de las variables X

¿Cuál es la interpretación del coeficiente de determinación (R^2) en la regresión múltiple?

• La proporción de la variabilidad de la variable dependiente explicada por el modelo

• El valor predicho de la variable dependiente cuando todas las variables independientes son cero

• La pendiente de la línea de regresión ajustada

• La diferencia entre los valores observados y predichos de la variable dependiente

¿Qué implica un valor de p pequeño en el análisis de regresión múltiple?

• Que las variables independientes no tienen efecto en la variable dependiente

• Que el modelo de regresión es poco preciso

• Que al menos una de las variables independientes es significativa para predecir la variable dependiente

• Que el modelo de regresión es lineal

¿Por qué es importante verificar la multicolinealidad en un modelo de regresión múltiple?

• Para asegurar que la relación entre las variables independientes y dependientes es lineal

• Para evitar la inclusión de variables irrelevantes en el modelo

• Para garantizar que las variables independientes no estén correlacionadas entre sí

• Para evaluar la precisión de las predicciones del modelo

¿Cuál es la importancia de la validación cruzada en la regresión múltiple?

• Para evaluar la precisión del modelo al predecir datos no vistos

• Para determinar la relación entre las variables independientes y dependientes

• Para calcular el coeficiente de determinación ajustado (R^2)

• Para identificar la variable independiente más influyente en el modelo

¿Qué representa el coeficiente de determinación ajustado (R^2 ajustado) en la regresión múltiple?

• La proporción de la variabilidad de la variable dependiente explicada por el modelo

• El valor predicho de la variable dependiente cuando todas las variables independientes son cero

• La pendiente de la línea de regresión ajustada

• La medida de ajuste del modelo que penaliza la inclusión de variables irrelevantes