4 ejemplos de uso de regresión lineal en la vida real

Actualizado por ultima vez el 26 de agosto de 2022, por Dereck Amesquita.

La regresión lineal es una de las técnicas más utilizadas en estadística. Se utiliza para cuantificar la relación entre una o más variables predictoras y una variable de respuesta.

La forma más básica de regresión lineal es conocida como regresión lineal simple , que se utiliza para cuantificar la relación entre una variable predictora y una variable de respuesta.

Si tenemos más de una variable predictora, entonces podemos usar la regresión lineal múltiple, que se usa para cuantificar la relación entre varias variables predictoras y una variable de respuesta.

Este tutorial comparte cuatro ejemplos diferentes de cuándo se usa la regresión lineal en la vida real.

Ejemplo de la vida real de regresión lineal n. ° 1

Las empresas suelen utilizar la regresión lineal para comprender la relación entre el gasto en publicidad y los ingresos.

Por ejemplo, podrían ajustarse a un modelo de regresión lineal simple utilizando el gasto en publicidad como variable de predicción y los ingresos como variable de respuesta. El modelo de regresión tomaría la siguiente forma:

ingresos = β 0 + β 1 (gasto publicitario)

El coeficiente β 0 representaría los ingresos totales esperados cuando la inversión publicitaria es cero.

El coeficiente β 1 representaría el cambio promedio en los ingresos totales cuando la inversión publicitaria aumenta en una unidad (por ejemplo, un dólar).

Si β 1 es negativo, significaría que una mayor inversión publicitaria se asocia con menos ingresos.

Si β 1 está cerca de cero, significaría que la inversión publicitaria tiene poco efecto sobre los ingresos.

Y si β 1 es positivo, significaría que una mayor inversión publicitaria se asocia con más ingresos.

Dependiendo del valor de β 1 , una empresa puede decidir disminuir o aumentar su gasto publicitario.

Ejemplo de la vida real de regresión lineal n. ° 2

Los investigadores médicos suelen utilizar la regresión lineal para comprender la relación entre la dosis del fármaco y la presión arterial de los pacientes.

Por ejemplo, los investigadores pueden administrar varias dosis de un determinado medicamento a los pacientes y observar cómo responde su presión arterial. Pueden ajustarse a un modelo de regresión lineal simple utilizando la dosis como variable predictiva y la presión arterial como variable de respuesta. El modelo de regresión tomaría la siguiente forma:

presión arterial = β 0 + β 1 (dosis)

El coeficiente β 0 representaría la presión arterial esperada cuando la dosis es cero.

El coeficiente β 1 representaría el cambio promedio en la presión arterial cuando la dosis se incrementa en una unidad.

Si β 1 es negativo, significaría que un aumento de la dosis se asocia con una disminución de la presión arterial.

Si β 1 está cerca de cero, significaría que un aumento en la dosis se asocia con ningún cambio en la presión arterial.

Si β 1 es positivo, significaría que un aumento de la dosis se asocia con un aumento de la presión arterial.

Dependiendo del valor de β 1 , los investigadores pueden decidir cambiar la dosis administrada a un paciente.

Ejemplo de la vida real de regresión lineal n. ° 3

Los científicos agrícolas suelen utilizar la regresión lineal para medir el efecto de los fertilizantes y el agua en el rendimiento de los cultivos.

Por ejemplo, los científicos pueden usar diferentes cantidades de fertilizante y agua en diferentes campos y ver cómo afecta el rendimiento de los cultivos. Pueden ajustarse a un modelo de regresión lineal múltiple utilizando fertilizantes y agua como variables predictoras y el rendimiento del cultivo como variable de respuesta. El modelo de regresión tomaría la siguiente forma:

rendimiento del cultivo = β 0 + β 1 (cantidad de fertilizante) + β 2 (cantidad de agua)

El coeficiente β 0 representaría el rendimiento esperado del cultivo sin fertilizante ni agua.

El coeficiente β 1 representaría el cambio promedio en el rendimiento del cultivo cuando el fertilizante se incrementa en una unidad, asumiendo que la cantidad de agua permanece sin cambios.

El coeficiente β 2 representaría el cambio promedio en el rendimiento del cultivo cuando el agua se incrementa en una unidad, asumiendo que la cantidad de fertilizante permanece sin cambios.

Dependiendo de los valores de β 1 y β 2 , los científicos pueden cambiar la cantidad de fertilizante y agua utilizados para maximizar el rendimiento del cultivo.

Ejemplo de la vida real de regresión lineal n. ° 4

Los científicos de datos de los equipos deportivos profesionales a menudo utilizan la regresión lineal para medir el efecto que tienen los diferentes regímenes de entrenamiento en el rendimiento del jugador.

Por ejemplo, los científicos de datos de la NBA podrían analizar cómo diferentes cantidades de sesiones semanales de yoga y sesiones de levantamiento de pesas afectan la cantidad de puntos que anota un jugador. Pueden ajustarse a un modelo de regresión lineal múltiple utilizando sesiones de yoga y sesiones de levantamiento de pesas como variables predictoras y los puntos totales anotados como variable de respuesta. El modelo de regresión tomaría la siguiente forma:

puntos obtenidos = β 0 + β 1 (sesiones de yoga) + β 2 (sesiones de levantamiento de pesas)

El coeficiente β 0 representaría los puntos esperados anotados para un jugador que participa en cero sesiones de yoga y cero sesiones de levantamiento de pesas.

El coeficiente β 1 representaría el cambio promedio en los puntos obtenidos cuando las sesiones semanales de yoga se incrementan en uno, asumiendo que el número de sesiones semanales de levantamiento de pesas permanece sin cambios.

El coeficiente β 2 representaría el cambio promedio en los puntos obtenidos cuando las sesiones de levantamiento de pesas semanales se incrementan en uno, asumiendo que el número de sesiones de yoga semanales permanece sin cambios.

Dependiendo de los valores de β 1 y β 2 , los científicos de datos pueden recomendar que un jugador participe en sesiones de yoga y levantamiento de pesas más o menos semanales para maximizar sus puntos obtenidos.

Conclusión

La regresión lineal se utiliza en una amplia variedad de situaciones de la vida real en muchos tipos diferentes de industrias. Afortunadamente, el software estadístico facilita la realización de regresiones lineales.

Siéntase libre de explorar los siguientes tutoriales para aprender a realizar regresiones lineales usando diferentes softwares:

Cómo realizar una regresión lineal simple en Excel
Cómo realizar una regresión lineal múltiple en Excel
Cómo realizar una regresión lineal múltiple en R
Cómo realizar una regresión lineal múltiple en Stata

  • https://r-project.org
  • https://www.python.org/
  • https://www.stata.com/

I’m a Bachelor of Economics gratuaded from the National University of San Agustin. I have experience in Python, R and other languages with aplications in Finance or Econometrics, I also have knowledge of statistics and econometrics. If you need help on some issues you can write to me.

Deja un comentario

El objetivo de realizar un experimento es determinar si cambiar los valores de alguna variable independiente tiene o no un…
statologos comunidad-2

You have Successfully Subscribed!