El caso. Idealista quiere estimar el precio de una vivienda (y, en miles de €) a partir de su tamaño (x, en m²). Trazas una recta: subes o bajas la altura con β₀ (intercepto) y la inclinas con β₁ (pendiente, € por m²). Ajustar el modelo es buscar la recta que deja los puntos lo más cerca posible.

1. Deja β₀ quieto y mueve β₁ hacia la pendiente óptima del readout. El MSE se desploma hacia su mínimo y la R² sube.
2. Desajusta β₀ (súbelo o bájalo). La recta se traslada en bloque y todos los residuos grises crecen a la vez.
3. Compara tu MSE con el óptimo OLS que muestra el readout. Ninguna recta que pruebes a mano bate ese MSE mínimo.
Comprueba que lo entiendes
¿Por qué elevamos al cuadrado los residuos? Porque penaliza más los errores grandes (un fallo de 20 pesa cuatro veces uno de 10) y porque hace el MSE una parábola con un único mínimo resoluble por fórmula cerrada, sin cancelaciones de signo.

Lee así. Cada punto dorado es una vivienda; el segmento gris vertical es su residuo (lo que la recta se equivoca). Mueve un dial y el término correspondiente de la ecuación, β₀ o β₁, se enciende.

La idea. Ajustar una regresión lineal es elegir la recta que minimiza el MSE. Como el error es una parábola en cada coeficiente, hay un fondo único: el punto dorado de la curva marca el β₁* óptimo.

Negocio. Es el modelo que interpreta un directivo sin esfuerzo: "cada m² añade β₁ miles de € al precio". Precio de vivienda, ventas por gasto en publicidad, demanda por temperatura: la recta da una regla legible y una previsión inmediata.

El dial clave. La pendiente β₁ es el efecto marginal, el número que cuentas al negocio. El intercepto β₀ solo fija la altura. Y no hay que tantear: los mínimos cuadrados dan β* en fórmula cerrada.

Y ahora. Con varias señales (m², habitaciones, barrio…) esto se convierte en regresión múltiple, la misma idea con un plano en lugar de una recta, y es la base sobre la que se apoya casi todo lo demás.