Y
=
Ŷ
+
e
Y = Ŷ + (Y − Ŷ)

Ŷ = 35 + 3X
47

ŶY
11,50
Ŷ = −8,5 + 0,15X
Y=10 · Ŷ=9,5

Ŷ = A + BX

(120; 10) · (100; 9) · (90; 4) · (110; 6)
Ŷ = −8,5 + 0,15 X

R² = 60 %

13
—
—
—

Y = Ŷ + (Y − Ŷ)
13 / 17

Var(Y) = Var(Ŷ) + Var(error)
196,00
117,60
78,40

R² = Var(Ŷ) / Var(Y)
0,60 = 60 %

60 % 40 %.

Ŷ = A + B₁X₁
Ŷ = A + B₁X₁ + B₂X₂
Ŷ = A + B₁X₁ + B₂X₂ + B₃X₃

POCO SOLAPAMIENTO

X₁ · Práctica + X₂ · Sueño

Poco solapamiento: los predictores se cruzan con Y Dos círculos de predictores cortan parcialmente el círculo de Y y se solapan muy poco entre ellos. Y X₁ X₂

Cada predictor aporta información bastante distinta sobre la memoria.

MUCHO SOLAPAMIENTO

X₁ · Práctica + X₂ · Repaso

Mucho solapamiento: los predictores se cruzan con Y Dos círculos de predictores cortan parcialmente el círculo de Y y se solapan mucho entre ellos. Y X₁ X₂ X₁ ∩ X₂

Las dos variables repiten pistas: cuesta separar sus contribuciones.

∩
↗
X₁ y X₂ apenas se parecen

Cada predictor aporta información relativamente diferente.

—
VIF X₁—

Ŷ = A + B₁X₁ + B₂X₂
—

R²—
—

💡

RR²

F

BtVIF

Y = Ŷ + e
Ŷ = A + B₁X₁ + B₂X₂ (+ B₃X₃)
R² = 1 − SCE/SCT
βᵢ = Bᵢ · (sₓᵢ/sᵧ)
VIFᵢ = 1/(1 − R²₍ₓᵢ₎)