23  Ajuste de Modelos de Regresión Lineal Múltiple en R

En esta clase, exploraremos cómo ajustar modelos de regresión lineal múltiple en R utilizando la función lm() y cómo interpretar los resultados obtenidos. La regresión lineal múltiple nos permite analizar cómo múltiples variables independientes se relacionan con una variable dependiente y cómo contribuyen al modelo de predicción.

Ajuste del Modelo de Regresión Lineal Múltiple

Para ajustar un modelo de regresión lineal múltiple en R, utilizamos la función lm() (del inglés, linear model). Esta función toma como argumento una fórmula que especifica la relación entre la variable dependiente y las variables independientes.

# Ejemplo de ajuste de modelo de regresión lineal múltiple
modelo <- lm(y ~ x1 + x2 + x3, data = dataset)

En el ejemplo anterior, y es la variable dependiente y x1, x2 y x3 son las variables independientes. data especifica el conjunto de datos que se utilizará para ajustar el modelo.

Interpretación de los Coeficientes

Una vez ajustado el modelo, podemos obtener información sobre los coeficientes y su significancia estadística mediante la función summary().

# Obtener resumen del modelo
summary(modelo)

El resultado incluirá los coeficientes estimados (\(\beta\)), sus errores estándar, estadísticas t y p-values. Los p-values indican si un coeficiente es estadísticamente significativo. Un p-value bajo (generalmente menor que 0.05) sugiere que la variable independiente tiene un impacto significativo en la variable dependiente.

Evaluación de la Calidad del Ajuste

Es importante evaluar la calidad del ajuste del modelo de regresión lineal múltiple. Podemos utilizar medidas como el coeficiente de determinación (\(R^2\)) para entender cuánta variabilidad en la variable dependiente es explicada por el modelo.

# Obtener coeficiente de determinación (R^2)
r_squared <- summary(modelo)$r.squared

Predicciones con el Modelo

Una vez ajustado el modelo, podemos realizar predicciones utilizando nuevas observaciones.

# Nuevas observaciones
nuevas_observaciones <- data.frame(x1 = c(1, 2, 3), x2 = c(4, 5, 6), x3 = c(7, 8, 9))

# Realizar predicciones
predicciones <- predict(modelo, newdata = nuevas_observaciones)

Consideraciones Adicionales

Es importante tener en cuenta que el modelo de regresión lineal múltiple asume ciertos supuestos, como la linealidad, normalidad de los residuos y homocedasticidad. Estos supuestos deben ser evaluados para asegurar que el modelo sea apropiado para los datos.

En los ejercicios prácticos, aplicaremos estos conceptos para ajustar y evaluar modelos de regresión lineal múltiple en R.

Contenido adicional: