RegressioLab Pro

Regresión Simple y Múltiple (OLS, Robust HC0–HC4, VIF & Diagnóstico)

🎯 Misión Analítica & Pregunta Gancho Econometría rigurosa y filtrado de modelos, no manipulación pasiva de sliders.

Este simulador no es un mero juego interactivo de mover sliders o alternar variables al azar, sino una estación econométrica rigurosa para ejecutar el protocolo oficial de la cátedra (Etapas Exploratoria $2^k-1$ y Confirmatoria) respondiendo a estos desafíos analíticos fundamentales:

Desafío 1: Multicolinealidad & Determinante D

Carga el caso de 4 predictores: ¿por qué un determinante de correlación $D \le 0.10$ y un $VIF > 5$ invalidan la significancia individual de los estimadores aun cuando el $R^2$ global supere el 0.90?

Desafío 2: Mallows Cp vs PRESS

En el ranking de modelos candidatos, ¿cuándo un $C_p/p \ge 5.0$ delata sesgo sistemático por omisión de variables, y por qué se exige que el estadístico PRESS sea mínimo para extrapolación?

Desafío 3: Cook & Apalancamiento

Identifica en la tabla de diagnósticos las observaciones con Distancia de Cook $D_i > 4/n$: ¿cómo se reconfigura la matriz $(X^T X)^{-1}$ y los errores estándar al aislar el punto atípico?

Parámetros del Modelo

Múltiple (k=4)
Filas: [Y / X...]
0 filas detectadas
$\alpha$:

Robust Standard Errors

White / MacKinnon

Predicción Multivariante

IC / IP 95%

Ingresa valores para los predictores $(X_1, X_2, \dots)$:

R² (Determinación)
--
R² Ajustado: --
R Múltiple
--
Ajuste global: --
Error Estándar (se)
--
n = -- | GL = --
F-Statistic
--
p-valor: --
Ecuación Estimada del Modelo
Errores: OLS Ordinarios
$\hat{Y} = \beta_0 + \sum_{j=1}^k \beta_j X_j$

Pruebas Diagnósticas de Supuestos (Excel / Real Statistics)

Gauss-Markov & Residuos

White Test

Homocedástico
LM stat --
df --
p-value --
F stat --
df1 --
df2 --
p-value --

Heteroskedasticity Testing (Breusch-Pagan)

Homocedástico
Sample size: -- Indep var: --
LM stat --
df --
p-value --
F stat --
df1 --
df2 --
p-value --

Durbin-Watson Test

--
Alpha 0.05
D-stat --
D-lower ($d_L$) --
D-upper ($d_U$) --
sig --

Evalúa correlación serial en el orden de las observaciones.

Normality Tests

Normal
Shapiro-Wilk Test
W-stat --
p-value --
alpha 0.05
normal --
d'Agostino-Pearson Test
DA-stat --
p-value --
alpha 0.05
normal --

Tabla de Coeficientes, Inferencia & Colinealidad (VIF)

Diagnóstico de multicolinealidad: $VIF > 5$ indica colinealidad moderada; $VIF > 10$ severa.

Confianza: 95%
Variable Coeficiente Error Est. t-stat p-valor Lím. Inf. Lím. Sup. VIF Tolerancia

Análisis de Varianza (ANOVA)

F-Test Global
Fuente de Variación GL Suma Cuadrados (SC) Cuadrado Medio (CM) F Calculado Valor p
1. Principio de Parsimonia

Entre dos modelos de desempeño predictivo equivalente, se debe elegir siempre el más sencillo (menor número de parámetros $p$).

2. Indicadores de Rechazo Directo

$\text{DET} > 0.1$: Determinante de correlación. Si es $\le 0.1$, se descarta por colinealidad.
$\frac{C_p}{p} < 5$: Colin Mallows. Si es $\ge 5$, se descarta por sesgo o subespecificación.

3. Criterios de Calidad Predictiva

$\text{PRESS}$: Suma de cuadrados de predicciones excluidas ($\sum d_i^2$). Cuanto más bajo, mejor para extrapolación.
$R^2_{\text{adj}}$ alto, $S^2$ bajo y $\text{VIF} < 10$.

4 candidatos / 15 evaluados
Modelo p $\sum |d_i|$ PRESS $R^2$ $R^2_{\text{adj}}$ $S^2$ DET $C_p$ $C_p / p$ $\text{VIF}_{\max}$ Diagnóstico Acción
Conclusión del Proceso Exploratorio (Caso 20 Observaciones)

Entre los 15 modelos posibles generados por la macro, solo 4 modelos superan la depuración ($\text{DET} > 0.1$ y $\frac{C_p}{p} < 5$). El modelo candidato con mejor desempeño predictivo global es $Y = f(X_1, X_3, X_4)$ con $\text{PRESS} = 19.34$, $R^2_{\text{adj}} = 98.85\%$ y $S^2 = 0.6974$. Al pasar a la segunda etapa (Análisis Confirmatorio), se verifica que la variable $X_1$ posee un $p$-valor de $0.1197 > 0.05$ (no significativa individualmente), por lo cual el modelo final parsimonioso confirmado se reduce óptimamente a $Y = f(X_3, X_4)$.