Regresión lineal para estadísticas empresariales - Curso Virtual - Coursera Verified listing

El análisis de regresión es quizás la herramienta de estadísticas comerciales más importante utilizada en la industria.

La regresión es el motor detrás de una multitud de aplicaciones de análisis de datos que se utilizan para muchas formas de pronóstico y predicción.

Este es el cuarto curso de la especialidad "Estadística y Análisis Empresarial".

El curso lo introduce a la herramienta muy importante conocida como Regresión lineal.

Aprenderá a aplicar varios procedimientos, como regresiones de variables ficticias, variables de transformación y efectos de interacción.

Todo esto se presenta y explica usando ejemplos fáciles de entender en Microsoft Excel.

El enfoque del curso es la comprensión y la aplicación, en lugar de derivaciones matemáticas detalladas.

Nota: este curso utiliza la caja de herramientas 'Análisis de datos' que es estándar con la versión de Windows de Microsoft Excel.

También es estándar con la versión Mac 2016 o posterior de Excel.

Sin embargo, no es estándar con versiones anteriores de Excel para Mac.

SEMANA 1 Módulo 1: Análisis de regresión: una introducción En este módulo se le presentará el modelo de regresión lineal.

Construiremos un modelo de regresión y lo estimaremos usando Excel.

Usaremos el modelo estimado para inferir relaciones entre varias variables y usaremos el modelo para hacer predicciones.

El módulo también introduce la noción de errores, residuos y R-cuadrado en un modelo de regresión.

Los temas cubiertos incluyen: • Introducción a la regresión lineal • Construcción de un modelo de regresión y estimación mediante Excel • Realización de inferencias utilizando el modelo estimado • Uso del modelo de regresión para hacer predicciones • Errores, residuos y R-cuadrado SEMANA 2 Módulo 2: Análisis de regresión: Pruebas de hipótesis y bondad de ajuste Este módulo presenta diferentes pruebas de hipótesis que podría realizar utilizando la salida de regresión.

Estas pruebas son una parte importante de la inferencia y el módulo las presenta mediante ejemplos basados ​​en Excel.

Los valores p se introducen junto con las medidas de bondad de ajuste R-cuadrado y el R-cuadrado ajustado.

Hacia el final del módulo presentamos la 'regresión de variable ficticia' que se utiliza para incorporar variables categóricas en una regresión.

Los temas cubiertos incluyen: • Prueba de hipótesis en una regresión lineal • Medidas de 'bondad de ajuste' (R-cuadrado, R-cuadrado ajustado) • Regresión de variable ficticia (usando variables categóricas en una regresión) SEMANA 3 Módulo 3: Análisis de regresión: Variables ficticias , Multicolinealidad Este módulo continúa con la aplicación de la Regresión de variables ficticias.

Puede comprender la interpretación de la salida de Regresión en presencia de variables categóricas.

Se elaboran ejemplos para reforzar varios conceptos introducidos.

El módulo también explica qué es la multicolinealidad y cómo tratarla.

Los temas cubiertos incluyen: • Regresión de variables ficticias (usando variables categóricas en una regresión) • Interpretación de coeficientes y valores p en presencia de variables ficticias • Multicolinealidad en modelos de regresión SEMANA 4 Módulo 4: Análisis de regresión: varias extensiones El módulo amplía su comprensión de la regresión lineal, introduciendo técnicas como el centrado medio de las variables y construyendo límites de confianza para las predicciones utilizando el modelo de regresión.

Se presenta una poderosa extensión de regresión conocida como 'Variables de interacción' y se explica mediante ejemplos.

También estudiamos la transformación de variables en una regresión y en ese contexto presentamos los modelos de regresión log-log y semi-log.

Los temas cubiertos incluyen: • Centrado de la media de las variables en un modelo de regresión • Construcción de límites de confianza para predicciones usando un modelo de regresión • Efectos de interacción en una regresión • Transformación de variables • Los modelos de regresión log-log y semi-log