a:

En las estadísticas, la regresión lineal modela la relación entre una variable dependiente y una o más variables explicativas usando una función lineal. Si dos o más variables explicativas tienen una relación lineal con la variable dependiente, la regresión se denomina regresión lineal múltiple. La regresión múltiple, por otro lado, es una clase más amplia de regresiones que abarca regresiones lineales y no lineales con múltiples variables explicativas.

El análisis de regresión es una forma común de descubrir una relación entre variables dependientes y explicativas. Sin embargo, esta relación estadística no significa que las variables explicativas causen la variable dependiente; más bien habla de alguna asociación significativa en los datos. La regresión lineal intenta dibujar una línea que se acerca más a los datos al encontrar la pendiente y la intersección que definen la línea y minimizar los errores de regresión. Sin embargo, muchas relaciones en los datos no siguen una línea recta, por lo que los estadísticos utilizan la regresión no lineal en su lugar.

Es raro que una variable dependiente se explique solo por una variable. En este caso, un analista utiliza la regresión múltiple, que intenta explicar la variable dependiente usando más de una variable independiente. Las regresiones múltiples pueden ser lineales y no lineales.

Considere un analista que desee establecer una relación lineal entre el cambio diario en los precios de las acciones de una empresa y otras variables explicativas, como el cambio diario en el volumen de operaciones y el cambio diario en los rendimientos del mercado. Si ejecuta una regresión con el cambio diario en los precios de las acciones de la compañía como una variable dependiente y el cambio diario en el volumen de negociación como una variable independiente, esto sería un ejemplo de una regresión lineal simple con una variable explicativa. Si el analista agrega el cambio diario en los retornos del mercado a la regresión, sería una regresión lineal múltiple.