Regresión por pasos

¿Qué es la regresión por pasos?

La regresión paso a paso es la construcción iterativa paso a paso de un modelo de regresión que implica la selección de variables independientes que se utilizarán en un modelo final. Implica agregar o eliminar variables explicativas potenciales en sucesión y probar la significación estadística después de cada iteración.

La disponibilidad de paquetes de software estadístico hace posible la regresión por pasos, incluso en modelos con cientos de variables.

Tipos de regresión por pasos

El objetivo subyacente de la regresión por pasos es, a través de una serie de pruebas (p. ej., pruebas F, pruebas t ), encontrar un conjunto de variables independientes que influyan significativamente en la variable dependiente. Esto se hace con computadoras a través de la iteración, que es el proceso de llegar a resultados o decisiones pasando por rondas o ciclos repetidos de análisis. La realización de pruebas de forma automática con la ayuda de paquetes de software estadístico tiene la ventaja de ahorrar tiempo y limitar los errores.

La regresión por pasos se puede lograr probando una variable independiente a la vez e incluyéndola en el modelo de regresión si es estadísticamente significativa o incluyendo todas las posibles variables independientes en el modelo y eliminando aquellas que no son estadísticamente significativas. Algunos usan una combinación de ambos métodos y, por lo tanto, existen tres enfoques para la regresión por pasos:

1. La selección directa comienza sin variables en el modelo, prueba cada variable a medida que se agrega al modelo y luego conserva las que se consideran estadísticamente más significativas, repitiendo el proceso hasta que los resultados sean óptimos.

2. La eliminación hacia atrás comienza con un conjunto de variables independientes, eliminando una a la vez y luego probando para ver si la variable eliminada es estadísticamente significativa.

3. La eliminación bidireccional es una combinación de los dos primeros métodos que prueban qué variables deben incluirse o excluirse.

Ejemplo

Un ejemplo de una regresión paso a paso utilizando el método de eliminación hacia atrás sería un intento de comprender el uso de energía en una fábrica utilizando variables como el tiempo de funcionamiento del equipo, la antigüedad del equipo, el tamaño del personal, las temperaturas exteriores y la época del año. El modelo incluye todas las variables; luego, cada una se elimina, una a la vez, para determinar cuál es menos significativa estadísticamente. Al final, el modelo podría mostrar que la época del año y las temperaturas son más importantes, lo que posiblemente sugiera que el consumo máximo de energía en la fábrica es cuando el uso del aire acondicionado es más alto.

Limitaciones de la regresión paso a paso

El análisis de regresión, tanto lineal como multivariante, se usa ampliamente en el mundo de la economía y las inversiones en la actualidad. A menudo, la idea es encontrar patrones que existieron en el pasado y que también podrían repetirse en el futuro. Una regresión lineal simple, por ejemplo, podría analizar las relaciones precio/beneficio y los rendimientos de las acciones durante muchos años para determinar si las acciones con relaciones P/E bajas (variable independiente) ofrecen rendimientos más altos (variable dependiente). El problema con este enfoque es que las condiciones del mercado a menudo cambian y las relaciones que se han mantenido en el pasado no necesariamente se mantienen verdaderas en el presente o en el futuro.

Mientras tanto, el proceso de regresión por pasos tiene muchas críticas e incluso hay llamadas para dejar de usar el método por completo. Los estadísticos señalan varios inconvenientes del enfoque, incluidos los resultados incorrectos, un sesgo inherente en el proceso mismo y la necesidad de un poder de cómputo significativo para desarrollar modelos de regresión complejos a través de la iteración.

Reflejos

• Sin embargo, la regresión por pasos tiene sus desventajas, ya que es un enfoque que ajusta los datos en un modelo para lograr el resultado deseado.

• El método de eliminación hacia atrás comienza con un modelo completo cargado con varias variables y luego elimina una variable para probar su importancia en relación con los resultados generales.

• La regresión por pasos es un método que examina iterativamente la importancia estadística de cada variable independiente en un modelo de regresión lineal.

• El enfoque de selección directa comienza con nada y agrega cada nueva variable de forma incremental, probando la significancia estadística.