Paso 2: Estimacion Minimos Cuadrados para el Modelo de Regresion Lineal

 Construyendo la Línea: Estimación y Coeficientes

Descubriendo la "Mejor Línea"

Aquí profundizamos en cómo se calcula esa línea recta y qué significan sus partes. La interacción con los datos es clave para entender este proceso.

"Cómo Encontramos la 'Mejor' Línea: El Método de Mínimos Cuadrados"

Estimación por Mínimos Cuadrados Ordinarios

El método de Mínimos Cuadrados Ordinarios (MCO) es una técnica de optimización que determina los coeficientes de un modelo de regresión minimizando la suma de los cuadrados de los residuos (SSR), es decir, la suma de las diferencias al cuadrado entre los valores observados de la variable dependiente y los valores predichos por el modelo.

Imagina todos tus puntos de datos dispersos en un gráfico. Hay infinitas líneas que podrías dibujar. ¿Cómo elegimos la mejor? El método de Mínimos Cuadrados Ordinarios (MCO) es como un "juez" que busca la línea que tenga la menor cantidad de "errores" posibles. ¿Qué es un error aquí? La distancia vertical desde cada punto real a la línea. El MCO minimiza la suma de los cuadrados de estas distancias (para que los errores positivos y negativos no se anulen y los errores grandes sean más penalizados).

Ecuaciones de Normalidad

Las ecuaciones de normalidad son un conjunto de ecuaciones lineales que se derivan al aplicar el principio de mínimos cuadrados para encontrar los valores de los coeficientes de regresión (β0​ y β1​) que minimizan la suma de los cuadrados de los residuos.

¿Qué son? Estas son las fórmulas matemáticas que la computadora usa para calcular el valor exacto de nuestra "mejor línea". No necesitas calcularlas a mano, pero es importante saber que existen y son la base de los cálculos que hacen programas como Excel o software estadístico. Son el "cerebro" detrás del cálculo de la línea de regresión.

Interpretación de los Coeficientes del Modelo Lineal Simple

Los coeficientes del modelo lineal simple son β0​ (el intercepto) y β1​ (la pendiente), los cuales cuantifican la relación lineal estimada entre la variable independiente (X) y la variable dependiente (Y)

Nuestra línea de regresión tiene una ecuación simple: $Y={\beta }_0+{\beta }_{1}X$

El Intercepto (${\beta }_0$): Imagina que es el punto donde la línea toca el eje Y (cuando X es cero). Representa el valor esperado de Y cuando la variable X es cero. A veces tiene sentido práctico (ej. ventas base sin publicidad), a veces no (ej. el peso de un bebé con altura cero).

La Pendiente (${\beta }_1$): ¡Esta es la estrella! Nos dice cuánto cambia la variable Y (nuestro efecto) por cada unidad de cambio en la variable X (nuestra causa). Si la pendiente es positiva, Y sube cuando X sube. Si es negativa, Y baja cuando X sube.

Ejemplo Práctico: Si β1​ = 2 y X es "horas de estudio" e Y es "nota de examen", significa que por cada hora extra de estudio, la nota promedio esperada sube 2 puntos.

Videos