📐 Mínimos Cuadrados Ordinarios (MCO)
Método que minimiza la suma de cuadrados de los residuos. Encuentra los coeficientes β que hacen la línea de regresión más cercana a todos los puntos simultáneamente. Fórmula: β = (X'X)⁻¹X'Y.
📊 R² Ajustado
Versión penalizada del R² que castiga por cada predictor adicional. Sube solo si el nuevo predictor realmente mejora el modelo. Fórmula: R²adj = 1 - (1-R²)(n-1)/(n-k-1).
🔗 Multicolinealidad
Ocurre cuando dos o más predictores están altamente correlacionados entre sí. Infla los errores estándar de los coeficientes y hace inestables las estimaciones. Se detecta con VIF > 5 o > 10.
📏 VIF (Variance Inflation Factor)
Mide cuánto se infla la varianza de un coeficiente por la correlación con otros predictores. VIF = 1/(1-R²ⱼ). Valores > 5 indican multicolinealidad moderada; > 10, severa.
Explora los conceptos con ejemplos practicos disponibles en la simulacion interactiva de este modulo.
Intuicion
Los modelos predictivos usan datos historicos para pronosticar valores futuros o desconocidos.
Formula clave
Cada modelo tiene su formulacion matematica para relacionar predictores con respuesta.
Paso a paso
Sigue la metodologia: entrenamiento, validacion, evaluacion.
Error comun: Sobreajuste
El sobreajuste ocurre cuando el modelo aprende ruido en vez de senal.
Ejemplo concreto
Aplica cada modelo a problemas reales de prediccion.
Conexion
Estos modelos avanzan hacia ML (Curso 5) y aplicaciones (Curso 6).