Introducción a los modelos de regresión

El análisis de regresión es una técnica estadística que se utiliza para modelar las relaciones entre variables. Ayuda a predecir resultados y descubrir patrones en los datos.

Comprensión de la regresión lineal

La regresión lineal modela la relación entre una variable dependiente y una independiente mediante una línea recta.

model <- lm(mpg ~ hp, data=mtcars)
summary(model)

Visualización de líneas de regresión

Utilice abline() para añadir una línea de regresión a un diagrama de dispersión.

plot(mtcars$hp, mtcars$mpg)
abline(model, col='red')

Regresión lineal múltiple

La regresión múltiple incluye más de una variable independiente para explicar la variación de la variable dependiente.

model_multi <- lm(mpg ~ hp + wt, data=mtcars)
summary(model_multi)

Comprobación del ajuste del modelo

Utilice summary() para evaluar la calidad del modelo de regresión, incluidos R-cuadrado y los valores p.

summary(model_multi)

Realización de una regresión logística

La regresión logística modela resultados categóricos binarios (por ejemplo, éxito frente a fracaso).

data(mtcars)
mtcars$am <- as.factor(mtcars$am)
model_logit <- glm(am ~ hp + wt, data=mtcars, family='binomial')
summary(model_logit)

Predicción de nuevos valores

Utilice predict() para generar predicciones a partir de un modelo de regresión entrenado.

predict(model_multi, newdata=data.frame(hp=120, wt=3))

Evaluación de los supuestos del modelo

Los modelos de regresión suponen normalidad, homocedasticidad e independencia de los errores. Compruebe los gráficos de residuos para evaluar su validez.

plot(model_multi$residuals)

Resumen

En esta lección, ha aprendido:

• Cómo realizar regresiones lineales y múltiples.
• Cómo evaluar el rendimiento de un modelo de regresión.
• Cómo predecir nuevos valores mediante modelos de regresión.