TEMA V ANÁLISIS DE REGRESIÓN LOGÍSTICA
|
|
- Salvador Ortega Acosta
- hace 7 años
- Vistas:
Transcripción
1 TEMA V ANÁLISIS DE REGRESIÓN LOGÍSTICA
2 LECTURA OBLIGATORIA Regresión Logística. En Rial, A. y Varela, J. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas Modelos Multivariantes 2
3 INTRODUCCIÓN Predecir la probabilidad de que un evento ocurra Gran utilidad en medicina y Ps. Clínica: identificar factores de riesgo y factores de protección, estimar cuánto aumenta la probabilidad de sufrir una patología si se dan una serie de característica o condiciones, Logística Binaria y Logística Multinomial Por qué recurrir a la RL? Posibilidad de incorporar VI categóricas Modelos Multivariantes 3
4 EJEMPLOS ESTIMAR LA PROBABILIDAD DE QUE UN INDIVIDUO SUFRA UN INFARTO A PARTIR DE: Nivel de colesterol Edad Presión arterial Sexo Antecedentes familiares ESTIMAR LA PROBABILIDAD DE QUE UN DETERMINADO SUJETO SUFRA ESQUIZOFRENIA, EN FUNCIÓN DE UNA SERIE DE VIs PREDECIR EL ÉXITO O FRACASO DE UNA TERAPIA CONOCER LAS VARIABLES QUE EXPLICAN LA ABSTENCIÓN ELECTORAL, el absentismo laboral, el burnout, etc. Modelos Multivariantes 4
5 FILOSOFÍA Qué hace la RL? A partir de las puntuaciones de los sujetos en diferentes VIs, se estiman probabilidades para poder hacer pronósticos. Se estima la probabilidad (P) de que la VD presente uno de los dos valores posibles ( 0= No se rehabilita; 1= Se rehabilita) en función de cómo se comporta en determinadas VI. Si la probabilidad estimada es menor de 0.5 la predicción será No se rehabilita. Modelos Multivariantes 5
6 TÉRMINOS QUE DEBES DOMINAR Se compara la probabilidad de ocurrencia de un evento con la probabilidad de que no ocurra. Al cociente entre ambos se le denomina ODD. P( Y Se trata de identificar aquellas variables que implican cambios en ese ratio de probabilidad, aumentándolo o disminuyéndolo de forma significativa. La ODD RATIO sería la razón o cociente entre dos ODDs. Permite comparar el pronóstico realizado bajo dos situaciones o condiciones distintas (Ej: La proporción de éxito/fracaso escolar es 5 veces menor en familias desectructuradas que en familias estructuradas). Lo que la regresión logística pretende es identificar aquellas VI que hacen variar esa ODD. Modelos Multivariantes 6 1 P( Y 1) 1)
7 TÉRMINOS QUE DEBES DOMINAR Lo que se estima en la Regresión Logística para cada sujeto no es un valor de Y, sino un LOGIT, es decir, el logaritmo de la probabilidad de que le ocurra un evento, frente a la probabilidad de que no le ocurra. Se puede definir también como el Logaritmo de la ODD de cada sujeto, esto es: Ln P( Y El LOGIT es, precisamente, la VD en la Regresión Logística. 1 P( Y 1) 1) Modelos Multivariantes 7
8 EL MODELO Dado que debemos llegar a un cociente de Probabilidades, el modelo debe asumir una expresión matemática particular, concretamente logarítmica: Ln 1 P( Y P( Y 1) 1) 1 X 1 2 X 2... n X n La regresión logística utiliza una Función de Enlace Logarítmica, para pasar de los valores cualesquiera en las VI a predicciones en términos de un cociente probabilidades y, de ahí a una Probabilidad (entre 0 y 1) y, finalmente a un pronóstico concreto. El modelo de regresión logística asume que existe una relación lineal entre los predictores y el logaritmo de la probabilidad de ocurrencia de un evento, frente a la no ocurrencia de dicho evento (LOGIT). Modelos Multivariantes 8
9 SUPUESTOS Menos exigente que el A.D. No es necesario que las VI sean métricas, normales, y ni siquiera cuantitativas. 1. El modelo debe estar especificado correctamente, con las VI relevantes 2. La relación entre cada VI y el Logaritmo de las ODD debe ser lineal 3. Que no exista multicolinealidad Modelos Multivariantes 9
10 ESTIMACIÓN DEL MODELO Cómo se estima el modelo en la RL? En la Regresión Lineal se hacía siguiendo el criterio de Mínimos Cuadrados, mientras que en la RL se hace siguiendo el de Máxima Verosimilitud. Se generan Coeficientes Logísticos para las distintas VI. Dichos coeficientes de la ecuación ( 1, 2, 3,...) se utilizan para hacer las estimaciones de probabilidad de que ocurra el evento objeto de estudio. Al igual que en la Regresión Lineal disonemos del método directo (ENTER) y el de Pasos (STEPWISE: Adelante Wald). Modelos Multivariantes 10
11 EVALUACIÓN DEL AJUSTE Un primer indicador es el valor de 2LL, que vendría a ser como la parte no explicada por el modelo. Excesivamente rudimentario: no está acotado. Cuanto más próximo a cero mejor será el ajuste. SPSS facilita también un contraste 2 para saber si la capacidad explicativa del modelo puede considerarse o no estadísticamente significativa. También disponemos de un % de sujetos correctamente clasificados (debemos de ganarle al menos ¼ al azar: al menos 62.5%). También tenemos dos R 2 : R 2 de Cox y Snell (de 0 a 1, pero no suele alcanzar el 1 aunque el modelo sea perfecto) R 2 de Nagelkerke (versión corregida del anterior) Modelos Multivariantes 11
12 INTERPRETACIÓN Qué VI son buenos predictores? En la Regresión Lineal se recurría a un contraste t para saber si cada uno de los predictores eran o no significativamente distintos de cero. En la RL se recurre al Estadístico de Wald. Un coeficiente positivo implica un aumento en la probabilidad de ocurrencia del evento y negativo una disminución. Además Un negativo se corresponde con un ODD RATIO menor de 1 (una desventaja ). El SPSS le llama Exp(b) Justamente el valor de Exp(b) indica cuánto mejor o peor es el pronóstico en función de los valores que asume la VI. La VENTAJA o desventaja de una poseer una determinada característica, condición o factor. Nos permite identificar: FACTORES DE RIESGO y FACTORES DE PROTECCIÓN Modelos Multivariantes 12
13 PARALELISMOS CON LA RLM Contrastes globales: F Anova 2 Contrastes particulares t Student Wald Método de estimación Mínimos cuadrados Máxima verosimilitud Modelos Multivariantes 13
14 EJEMPLO 70 pacientes víctimas de accidentes de tráfico y con daño cerebral (TCE) Se desea saber si variables como el Tipo de Lesión, la Atención, el Apoyo Familiar, o laedad del sujeto influyen en la rehabilitación del paciente VD dicotómica: REHABILITACIÓN 0 (NO SE REHABILITA) 1 (SE REHABILITA) 3 Variables explicativas cualitativas (dicotómicas) APOYO: 0 (SIN APOYO FAMILIAR) 1 (CON APOYO FAMILIAR) LESIÓN: 0 (DIFUSA) 1 (FOCALIZADA) ATENCIÓN 0 (NO INMEDIATA) 1 (INMEDIATA) 1 Variable explicativa cuantitativa: EDAD Modelos Multivariantes 14
15 EJEMPLO Sea 0= No se rehabilita y 1= Se rehabilita. A partir de los datos de una tabla de contingencia podemos calcular 4 probabilidades: La probabilidad de que el sujeto se rehabilite frente a la probabilidad de que no se rehabilite (ODD para la rehabilitación) La probabilidad de que el sujeto se rehabilite frente a la probabilidad de que no se rehabilite, si es que se trata de una lesión focalizada (ODD para la rehabilitación con lesión focalizada) La probabilidad de que el sujeto se rehabilite frente a la probabilidad de que no se rehabilite, si es que se trata de una lesión difusa (ODD para la rehabilitación con lesión difusa) El cociente entre las dos ODD, la obtenida para una lesión focalizada y la obtenida para una lesión difusa (ODD RATIO). Modelos Multivariantes 15
16 EJEMPLO Tabla de contingencia REHABILITACAIÓN * LESIÓN LESIÓN DIFUSA FOCALIZADA Total REHABILIT ACAIÓN NO SE REHABILITA Recuento % de LESIÓN 57,6% 21,6% 38,6% SE REHABILITA Recuento % de LESIÓN 42,4% 78,4% 61,4% Total Recuento % de LESIÓN 100,0% 100,0% 100,0% La probabilidad de que el sujeto se rehabilite frente a la probabilidad de que no se rehabilite (ODD para la rehabilitación). P/1-P 43/27=1.59, o lo que es lo mismo 43/70 27/70 Es decir, por cada individuo no rehabilitado encontramos 1.59 rehabilitados Modelos Multivariantes 16
17 EJEMPLO Tabla de contingencia REHABILITACAIÓN * LESIÓN LESIÓN DIFUSA FOCALIZADA Total REHABILIT ACAIÓN NO SE REHABILITA Recuento % de LESIÓN 57,6% 21,6% 38,6% SE REHABILITA Recuento % de LESIÓN 42,4% 78,4% 61,4% Total Recuento % de LESIÓN 100,0% 100,0% 100,0% La probabilidad de que el sujeto se rehabilite frente a la probabilidad de que no se rehabilite, si es que se trata de una lesión FOCALIZADA (ODD para la rehabilitación con lesión focalizada) 29/8= 3.62 PRIMER DATO: como la ODD focalizada es mayor que la ODD global (ese nivel de la variable hace que aumente la probabilidad de rehabilitación), se trataría de un FACTOR DE PROTECCIÓN Modelos Multivariantes 17
18 EJEMPLO Tabla de contingencia REHABILITACAIÓN * LESIÓN LESIÓN DIFUSA FOCALIZADA Total REHABILIT ACAIÓN NO SE REHABILITA Recuento % de LESIÓN 57,6% 21,6% 38,6% SE REHABILITA Recuento % de LESIÓN 42,4% 78,4% 61,4% Total Recuento % de LESIÓN 100,0% 100,0% 100,0% La probabilidad de que el sujeto se rehabilite frente a la probabilidad de que no se rehabilite, si es que se trata de una lesión difusa (ODD para la rehabilitación con lesión DIFUSA) 14/19= 0.73 SEGUNDO DATO: si la ODD difusa es menor que la global, ese nivel de la variable hace que disminuya la probabilidad de rehabilitación y, por tanto, se trataría de un FACTOR DE RIESGO Modelos Multivariantes 18
19 EJEMPLO El cociente entre las ODDs obtenidas con LESIÓN FOCALIZADA Vs. DIFUSA es 3.62/0.73=4.92; esto es, La ODD RATIO par la variable tipo de lesión sería La proporción de rehabilitados es CASI 5 VECES MAYOR en el caso de una lesión focalizada que de una difusa. Paso 1 a LESIÓN Constante Variables en la ecuación B E.T. Wal d gl Sig. Exp(B) 1,593,532 8,952 1,003 4,920 -,305,352,752 1,386,737 a. Variable(s) introducida(s) en el paso 1: LESIÓN. ODD RATIO TERCER DATO: si para una determinada característica la ODD RATIO>1, poseer dicha característica supondría una ventaja de cara a la probabilidad de ocurrencia de un evento, en este caso rehabilitarse. Si fuese similar a 1, se trataría de una variable irrelevante en términos de pronóstico. Modelos Multivariantes 19
20 Veamos el modelo completo Variables en la ecuación Paso 1 a Paso 2 b EDAD Constante LESIÓN EDAD Constante B E.T. Wal d gl Sig. Exp(B) -,152,040 14,808 1,000,859 4,697 1,130 17,272 1, ,623 1,770,665 7,086 1,008 5,872 -,154,041 13,736 1,000,858 3,950 1,177 11,258 1,001 51,915 a. Variable(s) introducida(s) en el paso 1: EDAD. b. Variable(s) introducida(s) en el paso 2: LESIÓN. Modelos Multivariantes 20
21 Si sustituimos los parámetros Variables en la ecuación Paso 1 a Paso 2 b EDAD Constante LESIÓN EDAD Constante B E.T. Wal d gl Sig. Exp(B) -,152,040 14,808 1,000,859 4,697 1,130 17,272 1, ,623 1,770,665 7,086 1,008 5,872 -,154,041 13,736 1,000,858 3,950 1,177 11,258 1,001 51,915 a. Variable(s) introducida(s) en el paso 1: EDAD. b. Variable(s) introducida(s) en el paso 2: LESIÓN. ln[ odd ( Y 1)] ( Edad) 1.77( Lesión ) Para el Sujeto nº 1 (de 19 años y con lesión difusa) el logaritmo de la ODD de rehabilitarse sería: ln[ odd ( Y 1)] (19) 1.77(0) 1.1 Modelos Multivariantes 21
22 INTERPRETACIÓN DEL LOGIT Para pasar de un LOGIT (que es un logaritmo) a una razón de probabilidades (la ODD entre rehabilitarse y no rehabilitarse), se recurre a la INVERSA DEL LOGARITMO, en este caso: Inv Log (1.1) =3 INTERPRETACIÓN: para un sujeto con estas características la probabilidad de rehabilitarse es 3 veces mayor que de no rehabilitarse. Pero, cuál es concretamente la probabilidad que tiene de rehabilitarse?. Habría que despejar la ecuación: ODD P 1 P P 3(1 P) 3 3P 3 3 P Modelos Multivariantes 22
23 Y si es una lesión FOCALIZADA? Repitamos el cálculo ahora para el caso de una lesión FOCALIZADA. El resto de las condiciones son iguales: ln[ odd ( Y 1)] (19) Inv Log (2.87) = (1) 2.87 INTERPRETACIÓN: En el caso de UNA LESIÓN FOCALIZADA por cada paciente no rehabilitado tendríamos 17 rehabilitados. En el caso de LESIÓN DIFUSA por cada paciente no rehabilitado tenemos 3 rehabilitados. Los ingleses apostarían: Si es difusa, 3 a 1 a que se rehabilita; si es focalizada 17 a 1. Existe una manera de cuantificar esa ventaja: la ODD RATIO Modelos Multivariantes 23
24 INTERPRETACIÓN DEL EXP(B) Si dividimos la ODD para focalizada entre la ODD para difusa, obtendremos la ventaja (o desventaja) de tener una lesión focalizada a la hora de hacer un pronóstico de rehabilitación. Veamos: ODD (focalizada) = 17.6 ODD (difusa) = / 3= 5.87 que es exactamente el valor de EXP(B) Variables en la ecuación Paso 1 a Paso 2 b EDAD Constante LESIÓN EDAD Constante B E.T. Wal d gl Sig. Exp(B) -,152,040 14,808 1,000,859 4,697 1,130 17,272 1, ,623 1,770,665 7,086 1,008 5,872 -,154,041 13,736 1,000,858 3,950 1,177 11,258 1,001 51,915 a. Variable(s) introducida(s) en el paso 1: EDAD. b. Variable(s) introducida(s) en el paso 2: LESIÓN. Modelos Multivariantes 24
UNIVERSIDAD DE ANTIOQUIA FACULTAD NACIONAL DE SALUD PÚBLICA Héctor Abad Gómez ldbello@saludpublica.udea.edu.co Facultad Nacional de Salud Pública Héctor Abad Gómez www.leondariobello.com www.ciemonline.info/moodle
Más detallesTEMA VI ANÁLISIS DE SUPERVIVENCIA
TEMA VI ANÁLISIS DE SUPERVIVENCIA LECTURA OBLIGATORIA Análisis de Supervivencia. En Rial, A. y Varela, J. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesLucila Finkel Temario
Lucila Finkel Temario 1. Introducción: el análisis exploratorio de los datos. 2. Tablas de contingencia y asociación entre variables. 3. Correlación bivariada. 4. Contrastes sobre medias. 5. Regresión
Más detallesBioestadística para Reumatólogos
Bioestadística para Reumatólogos Xavier Barber Vallés Mabel Sánchez Barrioluengo Colaboradores - Umh Todos los datos que se muestran son ficticios Tablas 2x2: Riesgos Relativos y Odds ratio En cada sociedad
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesAnálisis Estadístico. Dra. Adela Del Carpio Rivera Doctor En Medicina
Análisis Estadístico Dra. Adela Del Carpio Rivera Doctor En Medicina ANTE LA GRAN CANTIDAD DE INFORMACIÓN Debemos saber discernir entre: Cuál es la información que necesitamos Si el estudio tiene real
Más detallesCurs de Modelització Estadística Bàsica amb Deducer. Anabel Blasco Ana Vázquez Anna Espinal Llorenç Badiella Oliver Valero
Curs de Modelització Estadística Bàsica amb Deducer Anabel Blasco Ana Vázquez Anna Espinal Llorenç Badiella Oliver Valero 1. Model de Regressió Lineal 2. Model ANOVA 3. Model Lineal General 4. Model de
Más detallesGuillermo Ayala Gallego Universidad de Valencia
GoBack Regresión logística Guillermo Ayala Gallego Universidad de Valencia 4 de febrero de 2009 1 / 22 Puede que sea el procedimiento estadístico más utilizado. Con aplicaciones frecuentes en Medicina
Más detallesMetodología cuantitativa IV
Departamento de Ciencias Políticas y Sociales Grado en Ciencias Políticas y de la Administración Universitat Pompeu Fabra Metodología cuantitativa IV Clase 8: regresión logística binaria Bruno Arpino (Despacho:
Más detallesIntroducción al modelo de regresión logística
Introducción al modelo de regresión logística JOSÉ R BERRENDERO DEPARTAMENTO DE MATEMÁTICAS UNIVERSIDAD AUTÓNOMA DE MADRID INTRODUCCIÓN Y MOTIVACIÓN El modelo de regresión logística se utiliza para investigar
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesEl modelo de azar proporcional: la regresión de Cox
El modelo de azar proporcional: la regresión de Cox Alfonso Luis Palmer Pol y Jose Maria Losilla Vidal El Análisis de la Supervivencia (Palmer, 1988) engloba una variedad de técnicas estadísticas que permiten
Más detallesEficacia de las Tutorías del Centro de Apoyo al Estudiante (CAE): Resultados y Notas Técnicas Por: Fernando Vázquez Calle * y José A.
Introducción Por más de una década el Centro de Apoyo al Estudiante (CAE) de la Universidad de Puerto Rico en Cayey viene ofreciendo servicios de tutoría académica en aproximadamente 20 cursos diferentes,
Más detallesDESEMPEÑO ACADEMICO DE ESTUDIANTES DE INGENIERIA: ANALISIS DE FACTORES INCIDENTES
DESEMPEÑO ACADEMICO DE ESTUDIANTES DE INGENIERIA: ANALISIS DE FACTORES INCIDENTES GT 04 Modelagem Matemática María del Carmen Ibarra Facultad de Ingeniería Universidad Nacional de Misiones- UNaM ibarra@fio.unam.edu.ar
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesRegresión con variables independientes cualitativas
Regresión con variables independientes cualitativas.- Introducción...2 2.- Regresión con variable cualitativa dicotómica...2 3.- Regresión con variable cualitativa de varias categorías...6 2.- Introducción.
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesGuía docente 2007/2008
Guía docente 2007/2008 Plan 247 Lic.Investigación y Tec.Mercado Asignatura 43579 METODOS CUANTITATIVOS PARA LA INVESTIGACION DE MERCADOS Grupo 1 Presentación Métodos y técnicas cuantitativas de investigación
Más detallesDISEÑO Y ANÁLISIS DE DATOS EN PSICOLOGÍA II
DISEÑO Y ANÁLISIS DE DATOS EN PSICOLOGÍA II PÁCTICA 8 Problema.- En una determinada investigación aplicada a una muestra de sujetos se estudia el efecto de las variables Ejercicio (horas al día), Edad
Más detallesRegresión con variables independientes categóricas
Regresión con variables independientes categóricas 1.- Introducción... 2 2.- Regresión y contrate de medias... 2 2.1.- Contrate de medias... 2 2.2.- Regresión... 3 3.- Regresión y análisis de la varianza...
Más detallesINFERENCIA PARÁMETRICA: RELACIÓN ENTRE DOS VARIABLES CUALITATIVAS
. Metodología en Salud Pública INFERENCIA PARÁMETRICA: RELACIÓN ENTRE DOS VARIABLES CUALITATIVAS Autor: Clara Laguna 7.1 INTRODUCCIÓN Los datos categóricos o variables cualitativas son muy frecuentes en
Más detallesPrácticas Tema 4: Modelo con variables cualitativas
Prácticas Tema 4: Modelo con variables cualitativas Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 4.1- Se dispone de información sobre 16 familias sobre
Más detallesTEMA II EL ANÁLISIS PRELIMINAR DE LOS DATOS
TEMA II EL ANÁLISIS PRELIMINAR DE LOS DATOS LECTURA OBLIGATORIA Capítulo 2: Preparación del Archivo de datos. En Rial, A. y Varela, J. (2008). Estadística Práctica para la Investigación en Ciencias de
Más detallesEvaluar, 6 (2006), ISSN
Evaluar, 6 (2006), 52 67 ISSN 1667-4545 Laboratorio de Evaluación Psicológica y Educativa ARTICULO METODOLÓGICO Fundamentos del Análisis de Regresión Logística en la Investigación Psicológica Ana María
Más detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
Más detallesOdds = = e. UD1: El modelo de regresión logística 1. 1 e
RE2. Regresión logística binaria, multinomial, de Poisson y binomial negativa Curso 204/5 Solución resumida de la prueba de evaluación Unidad didáctica (D) La regresión logística puede utilizarse en cualquiera
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesIntroducción a la regresión ordinal
Introducción a la regresión ordinal Jose Barrera jbarrera@mat.uab.cat 20 de mayo 2009 Jose Barrera (UAB) Introducción a la regresión ordinal 20 de mayo 2009 1 / 11 Introducción a la regresión ordinal 1
Más detallesEJERCICIOS RESUELTOS TEMA 4. Tarea realizada 68 (84,8) --- (---) 96 (112,8) --- (---)
Nivel de ansiedad Ansiedad INTRODUCCIÓN AL ANÁLII DE DATO EJERCICIO REUELTO TEMA 4. 4.1. Con los datos de la Tabla 1, el valor de es igual a: A) 7,17; B) 11,80 C) 16,8. Tabla 1. En un estudio se investigó
Más detallesEXTENSIONES DEL MODELO DE REGRESIÓN
EXTENSIONES DEL MODELO DE REGRESIÓN 1. Regresión exponencial 2. Regresión polinómica 3. Regresión con variables cualitativas M. Carmen Carollo, Beatriz Pateiro Página 1 1. Regresión exponencial Al tratar
Más detallesGuión Práctica III REGRESIÓN LINEAL MÚLTIPLE
Guión Práctica III REGRESIÓN LINEAL MÚLTIPLE III.0. Archivos implicados en este guión (tipo) Tiempo_Recuperacion (SPSS). Insuficiencia_Renal (SPSS). III.1: Análisis con todas las variables: Actividad 1
Más detallesRegresión con efecto interactivo
4 Regresión con efecto interactivo. Introducción El modelo de regresión múltiple tratado previamente supone la independencia de efectos de las diferentes variables predictoras, En este sentido, es un modelo
Más detallesProceso de análisis de regresión múltiple
Proceso de análisis de regresión múltiple Recolección de datos Chequeo de la calidad de los datos Diagnóstico de relaciones o interacciones fuertes entre las variables Xs Aplicación de medidas remediales
Más detallesPRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado
PÁCTICA 3. EGESIÓN LINEAL SIMPLE CON SPSS 3.1. Gráfico de dispersión 3.2. Ajuste de un modelo de regresión lineal simple 3.3. Porcentaje de variabilidad explicado 3.4 Es adecuado este modelo para ajustar
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesAplicación de modelos logit para la determinación de la influencia de los factores determinantes del modelo urbano
Aplicación de modelos logit para la determinación de la influencia de los factores determinantes del modelo urbano Report 5 Carlos Marmolejo Duarte Personal de recerca CPSV Mayo de 2011 Universitat Politècnica
Más detallesModelos elección discreta y variable dependiente limitada
Modelos elección discreta y variable dependiente limitada Profesor: Graciela Sanroman Facultad de Ciencias Económicas y Administración Año 2010 Modelos multinomiales Los modelos multinomiales son aquellos
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesENUNCIADOS DE PROBLEMAS
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I 22 de Septiembre de 2007 ENUNCIADOS DE PROBLEMAS Muy importante: Tenga en cuenta que algunos resultados de las tablas han podido ser omitidos. PROBLEMA 1:
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesDefinición de Correlación
Definición de Correlación En ocasiones nos puede interesar estudiar si existe o no algún tipo de relación entre dos variables aleatorias: Estudiar cómo influye la estatura del padre sobre la estatura del
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesANÁLISIS DE DATOS CUALITATIVOS (Curso )
GUIA DOCENTE DE LA ASIGNATURA ANÁLISIS DE DATOS CUALITATIVOS (Curso 2016-17) MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Análisis Estadístico PROFESOR(ES) Análisis de Datos Cualitativos 4º 7º 6 Optativa
Más detallesProblema 1.- Tengamos las puntuaciones de X, las predichas y las residuales:
DISEÑO Y ANÁLISIS DE DATOS II. ENEO 6. Problema.- Tengamos las puntuaciones de X, las predichas y las residuales:.- Calcular la ecuación de regresión.- Correlación entre X e Y.- Por cada punto que aumenta
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
Más detallesESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Más detallesIntroducción IMADIL /17/2014. Tema 3. Características estadísticas fundamentales (Tercera parte)
IMADIL 0 /7/0 Tema. Características estadísticas fundamentales (Tercera parte) Ignacio Martín y José Luis Padilla IMADIL 0. Introducción. Representación Gráfica. Correlación. Índice Introducción Uno de
Más detallesT4. Modelos con variables cualitativas
T4. Modelos con variables cualitativas Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto EconomíaT4. Aplicada. Modelos Universidad
Más detallesFundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I
Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................
Más detallesUna vez realizados estos procesos conviene verificar que han aparecido las dos nuevas variables (columnas) en el archivo de datos.
ECONOMETRÍA 09 PRACTICA 1: REPASO DE SPSS 1. Cuántas variables hay en el fichero? Y cuántas observaciones? Qué representa cada observación? Distingue entre variables cualitativas y cuantitativas. El fichero
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesCUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
Más detallesMétodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández
Métodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández El método incluye diferentes elementos Justificación Planteamiento del problema
Más detallesTaller 10: Modelos con variable dependiente cualitativa Econometría
Taller 10: Modelos con variable dependiente cualitativa 06216 11-04- 2011 Profesor: Carlos Giovanni González Espítia Monitores: Adriana Caicedo Jessica Echeverry Samir Aristizábal Notas: Recuerde que únicamente
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 4 4. REGRESIÓN Y CORRELACIÓN SIMPLE
PROBABILIDAD Y ESTADÍSTICA Sesión 4 4. REGRESIÓN Y CORRELACIÓN SIMPLE 4.1 Regresión lineal simple y curvilínea 4.1.1 Variable dependiente e independiente 4.1.2 Ecuación de regresión 4.1.2.1 Aplicación
Más detallesCentro de Estudio de Ciencias de la Educación Superior Universidad de Granma (UDG), Cuba.
REDVET - Revista electrónica de Veterinaria - ISSN 1695-7504 La Regresión Logística aplicada a un programa de salud en Medicina Veterinaria - The logistic regression applied to a health program in Veterinary
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesTema 2: Regresión. Grado en Fisioterapia, 2010/11. Jesús Montanero Fernández. Cátedra de Bioestadística Universidad de Extremadura
Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 8 de noviembre de 2010 Índice 1 Regresión lineal simple 2 3 Índice 1 Regresión lineal simple 2 3 Índice 1 Regresión lineal
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesEstadís6ca y Métodos Numéricos Tema 6. Modelos de Regresión
Estadís6ca y Métodos Numéricos Tema 6. Modelos de Regresión Ángel Barón Caldera Ángel Cobo Ortega María Dolores Frías Domínguez Jesús Fernández Fernández Francisco Javier González Or@z Carmen María Sordo
Más detallesLogaritmos. Logaritmo en base b de un argumento x igual a n (exponente) si y solo si b elevado a n da como resultado a x.
Logaritmos Revisadas las potencias y los radicales podemos abordar los logaritmos, los cuales están relacionados con la exponenciación a través la siguiente función. log b x = n x = b n Logaritmo en base
Más detallesDISEÑO Y ANÁLISIS DE DATOS EN PSICOLOGÍA II
DISEÑO Y ANÁLISIS DE DATOS EN PSICOLOGÍA II PRÁCTICA 5 En una determinada investigación se estudió el rendimiento en matemáticas en función del estilo de aprendizaje de una serie de estudiantes de educación
Más detallesCLASE 10: RESUMEN DEL CURSO
CLASE 10: RESUMEN DEL CURSO 10.1.-INTRODUCCIÓN Qué debemos valorar al enfrentarnos con el análisis de unos datos estadísticos? 1º TIPO DE ESTUDIO: - Datos Independientes - Datos Apareados 2º TIPO DE VARIABLES:
Más detallesTema: Análisis de valores faltantes con SPSS
Tema: Análisis de valores faltantes con SPSS 1.- Introducción Hemos de comenzar advirtiendo que el Procedimiento Valores perdidos no se incluye en el sistema Base de SPSS, por lo que solo estará disponible
Más detallesPrueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesMathias Bourel. 2 de octubre de 2016
Regresión Logística Mathias Bourel IMERL - Facultad de Ingeniería, Universidad de la República, Uruguay 2 de octubre de 2016 M.Bourel (IMERL, UdelaR) Regresión Logística 2 de octubre de 2016 1 / 28 Introducción
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesMétodos estadísticos en estudios de supervivencia
Métodos estadísticos en estudios de supervivencia Belén San José, Elia Pérez y Rosario Madero Sección de Bioestadística. Hospital Universitario La Paz. Madrid. España. bjose.hulp@salud.madrid.org; epefer@gmail.com;
Más detallesTEMA 5. Modelos para Datos de Conteo
TEMA 5. Modelos para Datos de Conteo Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Datos de Conteo 2 Regresión de Poisson 3 Extensiones Datos de Conteo Variable de
Más detallesAnálisis de datos de supervivencia
GUIA DIDÁCTICA DEL ALUMNO Análisis de datos de supervivencia Docentes: Dra. Francisca Rius Profesora de Bioestadística Facultad de Medicina Universidad de Málaga GUIA DIDACTICA DEL ALUMNO DATOS GENERALES
Más detallesEstadísticos Aplicados en el SPSS 2008
PRUEBAS ESTADISTICAS QUE SE APLICAN (SPSS 10.0) PARAMÉTRICAS:... 2 Prueba t de Student para una muestra... 2 Prueba t par muestras independientes... 2 ANOVA de una vía (multigrupo)... 2 ANOVA de dos vías
Más detallesUniversidad Nacional Autónoma de México Facultad de Psicología
Universidad Nacional Autónoma de México Facultad de Psicología PROGRAMA DE ASIGNATURA Nombre de la asignatura Clave Semestre Estadística Inferencial 0186 4 Número de créditos 8 Horas teoría 4 Horas práctica
Más detallesCurso de Estadística no-paramétrica
Curso de Estadística no-paramétrica Sesión 3: Regresión no paramétrica y Contrastes de Aleatoriedad y bondad de ajuste Facundo Muñoz Grup d Estadística espacial i Temporal Departament d Estadística en
Más detallesMEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro
Más detallesUtilidad Clínica del perfil de Anticuerpos Antifosfolipidos
Enfermedades Autoinmunes Sistémicas cómo lo hacemos en Aragón? Utilidad Clínica del perfil de Anticuerpos Antifosfolipidos Dr. José Velilla Marco UEAS. Servicio de Medicina Interna. Hospital Universitario
Más detallesIntroducción a la Estadística Avanzada
Introducción a la Estadística Avanzada Técnicas Especiales Objetivos Globales de la Estadística Médica Equivalencia entre Comparación y Asociación Comparar fármacos en cuanto a eficacia Investigar la relación
Más detallesTema 3. Relación entre dos variables cuantitativas
Tema 3. Relación entre dos variables cuantitativas Resumen del tema 3.1. Diagrama de dispersión Cuando sobre cada individuo de una población se observan simultáneamente dos características cuantitativas
Más detallesDiplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
Más detallesIntroducción a la Estadística en las Ciencias de la Vida
Objetivos Globales de la Investigación en Ciencias de la Vida Introducción a la Estadística en las Ciencias de la Vida La mayoría de las Preguntas de Investigación cuestiones en Ciencias de la Vida se
Más detallesUNIVERSIDAD DE EL SALVADOR FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICA ESCUELA DE MATEMÁTICA TESIS:
UNIVERSIDAD DE EL SALVADOR FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICA ESCUELA DE MATEMÁTICA TESIS: MODELACIÓN LOGÍSTICA MULTINOMIAL PARA CLASIFICAR LOS HOGARES DE EL SALVADOR POR NIVEL DE POBREZA PRESENTADO
Más detallesCONTENIDOS MÍNIMOS PARA LA PRUEBA EXTRAORDINARIA DE SEPTIEMBRE DE 2016 MATEMÁTICAS 1º BACHILLERATO HHCCSS IES DOMINGO PÉREZ MINIK
CONTENIDOS MÍNIMOS PARA LA PRUEBA EXTRAORDINARIA DE SEPTIEMBRE DE 2016 MATEMÁTICAS 1º BACHILLERATO HHCCSS IES DOMINGO PÉREZ MINIK BLOQUE 1. ESTADÍSTICA 1. ESTADÍSTICA UNIDIMENSIONAL Variable estadística
Más detallesEconometría II. Tema 1: Revisión del Modelo de Regresión Múltiple Ejercicios
Econometría II Tema 1: Revisión del Modelo de Regresión Múltiple Ejercicios 1. Problema En el chero "Produccio.xls" se presenta la información sobre la producción Y, trabajo X 2 y capital X 3 en el sector
Más detallesCORRELACION Y REGRESIÓN LINEAL
LECCION Nº 5 CORRELACION Y REGRESIÓN LINEAL OBJETIVOS ESPECIFICOS Diferenciar los conceptos de correlación lineal, y regresión lineal. Determinar el índice o coeficiente de correlación en una distribución
Más detallesCurso de Estadística Avanzada
Dra. (Mayo 2008) Análisis Estratificado El análisis estratificado es un tipo de análisis estadístico que estudia la posible asociación entre dos variables categóricas a través de una tabla de contingencia
Más detallesMateria: Matemáticas de 4to año. Tema: Logaritmos naturales y base 10. Marco Teórico
Materia: Matemáticas de 4to año Tema: Logaritmos naturales y base 10 Marco Teórico Aunque una función de registro puede tener cualquier número positivo como base, en realidad sólo hay dos bases que se
Más detallesMODELO DE REGRESIÓN LINEAL Y MÚLTIPLE ESTADÍSTICA APLICADA AL MEDIO AMBIENTE Grado en Ciencias Ambientales
MODELO DE REGRESIÓN LINEAL Y MÚLTIPLE ESTADÍSTICA APLICADA AL MEDIO AMBIENTE Grado en Ciencias Ambientales 3.1. En algunas reservas naturales se controla el número Y de ejemplares de cierta especie al
Más detallesEstadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 2. Modelos de regresión
Estadís5ca Tema 2. Modelos de regresión María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica bajo
Más detallesESQUEMA GENERAL DISEÑO CUASI-EXPERIMENTAL
TEMA V ESQUEMA GENERAL Definición y clasificación del diseño cuasi-experimental Estructuras básicas: Diseño pre-experimental Diseño de grupo control no equivalente: Definición Diseño de grupo control no
Más detallesEstimación PLS de modelos SEM, UMA. Modelos de Ecuaciones Estructurales con PLS (Partial Least Squares)
Estimación PLS de modelos SEM, 2015. UMA. Modelos de Ecuaciones Estructurales con PLS (Partial Least Squares) 5 de febrero de 2015 José Mondéjar Jiménez Área de Estadística Económica y Empresarial Universidad
Más detallesMÉTODOS DE INVESTIGACIÓN EN EDUCACIÓN. Tema 9
Métodos de Investigación en Educación 1º Psicopedagogía Grupo Mañana Curso 2009-2010 2010 MÉTODOS DE INVESTIGACIÓN EN EDUCACIÓN Tema 9 La regresión lineal Tema 9: La regresión lineal Objetivos Conocer
Más detallesTRABAJO FIN DE MÁSTER MÁSTER OFICIAL EN ESTADÍSTICA APLICADA UNIVERSIDAD DE GRANADA
TRABAJO FIN DE MÁSTER MÁSTER OFICIAL EN ESTADÍSTICA APLICADA UNIVERSIDAD DE GRANADA Alumna: María Ángeles Dueñas Rodríguez ÍNDICE Capítulo 1: Introducción... 1 Capítulo 2: Teoría de los modelos de regresión
Más detallesTema 13. Regresión Logística
Tema 13. Regresión Logística Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detalles