La regresión lineal es una técnica de modelización estadística que se emplea para describir una variable de respuesta continua a modo de función de una o varias variables predictivas. Puede ayudarle a comprender y predecir el comportamiento de sistemas complejos o a analizar datos experimentales, financieros y biológicos.
Las técnicas de regresión lineal permiten crear un modelo lineal. Este modelo describe la relación entre una variable dependiente \(y\) (también conocida como la respuesta) a modo de función de una o varias variables independientes \(X_i\) (denominadas predictores). La ecuación general correspondiente a un modelo de regresión lineal es:
\[y = \beta_0 + \sum \ \beta_i X_i + \epsilon_i\]
Donde \(\beta\) representa las estimaciones de parámetros lineales que se deben calcular y \(\epsilon\) representa los términos de error.
Existen varios tipos de modelos de regresión lineal:
- Simple: modelo con un único predictor
- Múltiple: modelo con varios predictores
- Multivariante: modelo para varias variables de respuesta
La regresión lineal simple se suele realizar en MATLAB®. Para obtener más información sobre la regresión lineal múltiple y multivariante, consulte Statistics and Machine Learning Toolbox™. Permite a la regresión múltiple, por pasos, robusta y multivariante:
- Generar predicciones
- Comparar ajustes de modelos lineales
- Representar gráficamente los valores residuales
- Evaluar la bondad del ajuste
- Detectar valores atípicos
Para crear un modelo lineal que permita ajustar curvas y superficies a sus datos, consulte Curve Fitting Toolbox™.
