11.4: Resumen
- Page ID
- 150258
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)
¡Uf! Ahora, usando álgebra matricial y cálculo, ha derivado la fórmula de minimización de errores cuadrados para regresión múltiple. No sólo eso, se puede utilizar la forma de matriz, en R, para calcular la pendiente estimada e interceptar coeficientes, predecir YY, e incluso calcular los residuales de regresión. ¡Estamos en camino hacia el verdadero Geekdome!
Siguiente parada: los supuestos clave necesarios para que OLS proporcione las mejores estimaciones lineales imparciales (AZUL) y la base para controles estadísticos utilizando múltiples variables independientes en modelos de regresión.
- Es útil tener en cuenta la diferencia entre “regresión múltiple” y “regresión multivariada”. Este último predice 2 o más variables dependientes usando una variable independiente. ↩
- El uso de “prime” en álgebra matricial no debe confundirse con el uso de prime” en la expresión de una derivada, como en X′X′. ↩