MLR_PARAM - Parámetros de regresión lineal múltiple

Calcula los valores de los coeficientes de regresión OLS en Ingles, en Español MCO mínimos cuadrados ordinarios.

 

Sintaxis

MLR_PARAM(X, Mask, Y, Intercept, Return_type, Parameter Index, Alpha)

X es la matriz de datos de variables independientes (exsplicativas), de manera que cada columna representa una variable.

Mask es la matriz booleana para escoger las variables explicativas en el modelo. Si falta, todas las variables en X son incluidas.

Y es la respuesta o matriz de datos variable dependiente (una matriz unidimensional de celdas (Ej. filas o columnas.)).

Intercept es la constante o el valor del intercepto para ajustar(Ej. cero). Si falta, un intercepto no se ajustara y es calculado normalmente.

Return_type es un switch para seleccionar una salida de retorno (1 = valor (defecto), 2 = Error estándar, 3 = t-stat, 4 = P-value, 5 = Límite Superior (CI), 6 = Límite Inferior (CI))

Metodo Descripción
1 Valor de la Media
2 Error estándar
3 Prueba T
4 Valor - P
5 Límite Superior
6 Límite Inferior

Parameter Index es un switch para designar el parámetro objetivo (0 = intercepto (defecto), 1 = primera variable, 2 = 2da variable, etc.).

Alpha es la significancia esatdística de la prueba (Ej. alpha). Si falta o es omitido, se toma un valor alpha de 5%.

 

Observaciones

  1. El modelo subyacente se describe aquí.
  2. $$ \mathbf{y} = \mathbf{X}\boldsymbol\beta + \boldsymbol\varepsilon $$

    $$\hat{\boldsymbol\beta} = (\mathbf{X}^{\rm T}\mathbf{X})^{-1} \mathbf{X}^{\rm T}\mathbf{y} = \big(\, \tfrac{1}{n}{\textstyle\sum} \mathbf{x}_i \mathbf{x}^{\rm T}_i \,\big)^{-1} \big(\, \tfrac{1}{n}{\textstyle\sum} \mathbf{x}_i y_i \,\big).$$

    Where:
    • $\hat{\boldsymbol\beta}$ is the estimated regression coefficients.
  3. Los datos de la muestra pueden incluir valores faltantes.
  4. Cada columna en la matriz de entrada corresponde a una variable separada..
  5. Cada fila en la matriz corresponde a una observación.
  6. Observaciones (Ej. filas) con valores faltantes en X o Y son eliminados.
  7. El número de filas de la variable de respuesta (Y) debe ser igual al número de filas de las variables explicativas (X).
  8. The MLR_PARAM function is available starting with version 1.60 APACHE.

Ejemplos de archivos

Referencias

  • Hamilton, J .D.; Time Series Analysis , Princeton University Press (1994), ISBN 0-691-04289-6
  • Kenney, J. F. and Keeping, E. S. (1962) "Linear Regression and Correlation." Ch. 15 in Mathematics of Statistics, Pt. 1, 3rd ed. Princeton, NJ: Van Nostrand, pp. 252-285
¿Tiene más preguntas? Enviar una solicitud

0 Comentarios