Cómo realizar una regresión lineal múltiple en Stata

La regresión lineal múltiple es un método que puede utilizar para comprender la relación entre varias variables explicativas y una variable de respuesta.

Este tutorial explica cómo realizar regresiones lineales múltiples en Stata.

Ejemplo: regresión lineal múltiple en Stata

Suponga que queremos saber si las millas por galón y el peso afectan el precio de un automóvil. Para probar esto, podemos realizar una regresión lineal múltiple usando millas por galón y peso como las dos variables explicativas y el precio como variable de respuesta.

Realice los siguientes pasos en Stata para realizar una regresión lineal múltiple utilizando el conjunto de datos llamado auto , que contiene datos sobre 74 automóviles diferentes.

Paso 1: cargue los datos.

Cargue los datos escribiendo lo siguiente en el cuadro de comando:

use http://www.stata-press.com/data/r13/auto

Paso 2: obtenga un resumen de los datos.

Obtenga una comprensión rápida de los datos con los que está trabajando escribiendo lo siguiente en el cuadro Comando:

resumir

Podemos ver que hay 12 variables diferentes en el conjunto de datos, pero las únicas que nos importan son el mpg , el peso y el precio .

Podemos ver los siguientes estadísticos de resumen básicos sobre estas tres variables:

precio |media = $ 6,165, mínimo = $ 3,291, máximo $ 15,906

mpg |media = 21,29, min = 12, max = 41

peso |media = 3,019 libras, min = 1,760 libras, max = 4,840 libras

Paso 3: Realice una regresión lineal múltiple.

Escriba lo siguiente en el cuadro Comando para realizar una regresión lineal múltiple usando mpg y peso como variables explicativas y el precio como variable de respuesta.

retroceso precio mpg peso

A continuación se explica cómo interpretar los números más interesantes en la salida:

Problema> F: 0,000. Este es el valor p de la regresión general. Dado que este valor es menor a 0.05, esto indica que las variables explicativas combinadas de mpg y peso tienen una relación estadísticamente significativa con la variable de respuesta precio .

R cuadrado: 0,2934. Esta es la proporción de la varianza en la variable de respuesta que puede explicarse por las variables explicativas. En este ejemplo, el 29.34% de la variación en el precio se puede explicar por mpg y peso.

Coef (mpg): -49,512. Esto nos dice el cambio promedio en el precio asociado con un aumento de una unidad en el mpg, asumiendo que el peso se mantiene constante . En este ejemplo, cada aumento de una unidad en mpg se asocia con una disminución promedio de aproximadamente $ 49.51 en el precio, asumiendo que el peso se mantiene constante.

Por ejemplo, suponga que los autos A y B pesan 2,000 libras. Si el auto A obtiene 20 mpg y el auto B solo obtiene 19 mpg, esperaríamos que el precio del auto A sea $ 49.51 menos que el precio del auto B.

P> | t | (mpg): 0,567. Este es el valor p asociado con la estadística de prueba para mpg. Dado que este valor no es menor a 0.05, no tenemos evidencia para decir que el mpg tenga una relación estadísticamente significativa con el precio.

Coef (peso): 1.746. Esto nos dice el cambio promedio en el precio asociado con un aumento de peso de una unidad, suponiendo que el mpg se mantenga constante . En este ejemplo, cada aumento de peso de una unidad está asociado con un aumento promedio de aproximadamente $ 1.74 en el precio, suponiendo que el mpg se mantenga constante.

Por ejemplo, suponga que los autos A y B obtienen 20 mpg. Si el automóvil A pesa una libra más que el automóvil B, se espera que el automóvil A cueste $ 1.74 más.

P> | t | (peso): 0,008. Este es el valor p asociado con la estadística de prueba para el peso. Dado que este valor es menor que 0.05, tenemos evidencia suficiente para decir que el peso tiene una relación estadísticamente significativa con el precio.

Coef (_cons): 1946.069. Esto nos dice el precio promedio de un automóvil cuando tanto el mpg como el peso son cero. En este ejemplo, el precio promedio es $ 1,946 cuando tanto el peso como el mpg son cero. En realidad, esto no tiene mucho sentido de interpretar, ya que el peso y las millas por galón de un automóvil no pueden ser cero, pero se necesita el número 1946.069 para formar una ecuación de regresión.

Paso 4: Informe los resultados.

Por último, queremos informar los resultados de nuestra regresión lineal múltiple. A continuación, se muestra un ejemplo de cómo hacerlo:

Se realizó una regresión lineal múltiple para cuantificar la relación entre el peso y las millas por galón de un automóvil y su precio. En el análisis se utilizó una muestra de 74 automóviles.

Los resultados mostraron que hubo una relación estadísticamente significativa entre peso y precio (t = 2.72, p = .008), pero no hubo una relación estadísticamente significativa entre mpg y precio (y mpg (t = -.57, p = 0.567) .

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