LINEAR MODELS

 Los modelos lineales predicen un objetivo basándose en relaciones lineales entre el objetivo y uno o más predictores. Los modelos lineales son relativamente simples y proporcionan una fórmula matemática fácil de interpretar para la puntuación.

Distribución Normal Multivariante - Formas cuadraturas - M. Regresión simple

En probabilidad y estadística, una distribución normal multivariante, también llamada distribución Gaussiana multivariante, es una generalización de la distribución normal unidimensional a dimensiones superiores.

Normal Multivariada (descargue aquí )

Formas Cuadraticas (descargue aquí )

Modelo de Regresión Lineal Simple (descargue aquí)

Ejercicios Resueltos Introductorios (descargue aquí)

Modelo de Regresión Lineal Múltiple 

    Es evidente que lo más económico y rápido para modelar el comportamiento de una variable y es usar una sola variable predictora y usar un modelo lineal. Pero, algunas veces es bastante obvio de que el comportamiento de y es imposible que sea explicada en gran medida por solo una variable. Por ejemplo, es imposible tratar de explicar el rendimiento de un estudiante en un examen, teniendo en cuenta solamente el número de horas que se preparó para ella. Claramente, el promedio académico del estudiante, la carga académica que lleva, el año de estudios, son tres de las muchas otras variables que pueden explicar su rendimiento. Tratar de explicar el comportamiento de y con más de una variable predictora usando una funcional lineal es el objetivo de regresión lineal múltiple.

Además de construir un modelo de predicción, es posible que deseemos evaluar el alcance de la relación entre las variables y y x. Para este propósito, usamos el coeficiente de correlación múltiple R

NOTA: En el siguiente documento encontraras lo necesario para poder estudiar el modelo de regresión lineal múltiple, es importante mencionar que también encontraras una guía de ejercicio resueltos al final del documento .

Modelo de regresión lineal múltiple  (descargue aquí) 

Regresión Lineal Múltiple: Validación y Diagnostico - x's Aleatorias - Inferencia Bayesiana 

En las secciones del modulo anterior, discutimos algunas consecuencias de la especificación incorrecta del modelo. En este capítulo consideramos varios enfoques para verificar el modelo y los supuestos correspondientes para determinar su adecuación y validez. Algunas propiedades de los residuos y la matriz sombrero se desarrollan en las secciones 1.2 y 1.3. Discutimos los valores atípicos, la influencia de las observaciones individuales y el apalancamiento en las secciones 1.4 y 1.5.

Validación y diagnostico - x's aleatorias - inferencia bayesiana (descargue aquí)

Bibliografía 

(Wiley Series in Probability and Statistics) Alvin C. Rencher, G. Bruce Schaalje - Linear Models in Statistics-Wiley-Interscience (2008).pdf

REGRESIÓN APLICADA USANDO R (Edgar Acuña Fernandez)