18/06/2010 REGRESIÓN LINEAL MULTIVARIADA. Descripción. Objetivos
|
|
- Mario Castillo García
- hace 7 años
- Vistas:
Transcripción
1 TALLERES DE VERANO EN MÉTODOS DE INVESTIGACIÓN EN POBLACIÓN Y TERRITORIO REGRESIÓN LINEAL MULTIVARIADA Fortino Vela Peón fvela@correo.xoc.uam.mx Juan F. Islas Aguirre jfislas@correo.xoc.uam.mx Junio, 2010 Descripción En este curso se desarrollan técnicas de regresión lineal que permiten cuantificar relaciones entre variables, contrastar hipótesis y predecir valores futuros de ciertas variables en función del modelo considerado. El curso tiene un carácter aplicado y se aprende a utilizar Stata. Objetivos Ofrecer los elementos básicos vinculados a las técnicas de regresión lineal simple y múltiple Dotar del manejo básico del Stata para poder llevar a cabo un análisis empírico basado en los conocimientos teóricos adquiridos. 1
2 Temario Tema Contenido 1 Conceptos básicos 2 Modelo de Regresión Lineal Simple 3 Modelo de Regresión Lineal Múltiple 4 El Modelo de Regresión Lineal Simple y Múltiple con Stata 5 Contrastes de restricciones lineales y predicción 6 Errores en la especificación 7 Multicolinealidad 8 Variables cualitativas 9 Diagnóstico del modelo Tema 1. Conceptos básicos 1.- Introducción. 2.- Qué es el análisis de regresión (lineal)? 3.- Preeliminares estadísticos. 4.- Análisis de datos: introducción a Stata Tema 2. Modelo de regresión lineal simple (MRLS) 1.- Introducción. 2.- Elementos del modelo de regresión simple. 3.- Supuestos del modelo. 4.- Estimación por mínimos cuadrados ordinarios. 5.- Contrastes de hipótesis e intervalos de confianza. 6.- Resumen y ejemplos. 2
3 Tema 4. MRLS y MRLM con Stata 1. Ejemplo 2. Estimación por mínimos cuadrados ordinarios utilizando Stata 3. Análisis de los resultados mostrados 4. Bondad de ajuste y selección de modelos 5. Contrastes de hipótesis e intervalos de confianza con Stata. 6. Presentación de los resultados. Tema 5. Contrastes de restricciones lineales y predicción 1.- Contrastes de restricciones lineales. 2.- Contrastes utilizando Stata. 3.- Estimación bajo restricciones lineales. 4.- Estadísticos equivalentes. 5.- Predicción. Tema 6. Errores de especificación 1.- Introducción. 2.- Efectos de omisión de variables relevantes. 3.- Efectos de inclusión de variables irrelevantes. 3
4 Tema 7. Multicolinealidad 1.- Multicolinealidad perfecta. 2.- Multicolinealidad de grado alto. 3.- Identificación con Stata. Tema 8. Variables cualitativas 1.- Introducción. Un ejemplo. 2.- Modelo con una variable cualitativa. 3.- Modelo con dos o más variables cualitativas. 4.- Contraste de cambio estructural. 5.- Implementación en Stata. Tema 9. Diagnóstico del modelo 1.- Introducción. Un ejemplo. 2.- Modelo con una variable cualitativa. 3.- Modelo con dos o más variables cualitativas. 4.- Contraste de cambio estructural. 5.- Implementación en Stata. 4
5 Bibliografía James y Mark W. Watson (2002). Introduction to Econometrics, Addison-Wesley-Pearson, Estados Unidos / S8642in /13016/ cw/index.html Kutner Michael H. et. al. (2005). Applied Linear Statistical Models, 5ª. ed., McGraw-Hill, Singapur /www/nachtsheim/5th/ Gujarati, Damodar y Dawn Porter (2010). Econometría, 5ª. ed., McGraw-Hill, México / G969e/ iew0/data_sets.html Fox, John (2008). Applied Regression Analysis and Generalized Linear Models, 2ª. ed., Sage, Estados Unidos. x/books/applied-regression- 2E/datasets/index.html Bowerman, Bruce L.; Richard T. O Connell et al. (2007). Pronósticos, series de tiempo y regresión: Un enfoque aplicado, CENGAGE, México. etail.php?isbn= Metodología Se pone a disposición de los alumnos un conjunto de notas o lecturas que apoyan los contenidos del curso. mregresion.wordpress.com Preferentemente se emplearan datos disponibles para su utilización en el programa Stata. Bases de datos Applied Regression, Generalized Linear Models, and Related Methods, Second Edition lied-regression-2e/datasets/index.html Procedimiento: 1. Entrar a la pagina. 2. Guardar el archivo con extensión.txt 3. Agregar, si fuese necesario, la etiqueta de la variable id para el identificador. 4. Utilizar el comando insheet de la siguiente manera insheet using LOCALIZACIÓN/ARCHIVO.txt", clear 5
6 Tema 1. Conceptos básicos 6
7 Clasificación de las variables Nivel de medición Discretas Continuas Escala de medición Nominales Ordinales Intervalo Continuas Función en la investigación Dependiente(s) Independiente(s) Grado de abstracción Conceptuales o abstractas Intermedias Empíricas u observables Escalas de medición de las variables Nominales: nombres o clasificaciones que se utilizan para datos en categorías distintas y separadas. Ordinales: son las que clasifican las observaciones en categorías con un orden significativo. Intervalo: medidas numéricas en la cual el valor cero es arbitrario pero la diferencia entre valores es importante. Razón: medidas numéricas en las cuales el valor cero es un valor fijo y la diferencia entre valores es importante. 7
8 Qué es el análisis de regresión? Es una metodología estadística que es utiliza la relación entre dos o más variables, de manera tal que la variable de respuesta o de resultado, puede ser predecida a partir de otra(s) variable(s). Es una herramienta utilizada en distintas áreas del conocimiento. Sirve también como medio en la contrastación de hipótesis y/o teorías con la realidad a través de modelos estadísticos. Análisis de regresión Relación funcional vs relación estadística. Linealidad vs no linealidad Selección de variables predictoras. Formafuncional. Estrategia del análisis de regresión Fuente: Kutner et. al (2005:14) 8
9 Tipo de datos Observación SALA EDUCA EXPER SEXO EDO O b s e rv a c ió A ñ o A L A E C A E E R O E D n S D U X P S E X O Corte transversal Un conjunto de datos de una muestra de individuos, hogares, empresas, ciudades, estados o países tomados en un punto del tiempo en particular. Serie de tiempo Observaciones de distintas variables efectuadas en el tiempo. Observación Año PRECASA ANTI CUARTOS AREA , , , , , , , Panel Es la combinación de datos de corte transversal con datos en series de tiempo donde tienen como característica principal que las unidades de observación son siempre los mismos. Stata es una herramienta computacional diseñada para realizar análisis estadístico la cual fue creada en 1985 por StataCorp. El denominativo de Stata es una abreviación de las palabras Statistics" y"data". Actualmente es utilizado tanto en instituciones académicas como en empresas donde sus usuarios se ubican en las áreas de la economía, sociología, ciencia política, ciencias de la salud y epidemiología. 9
10 Sus capacidades incluyen : - Manejo y organización de datos - Graficación. - Análisis estadístico. - Simulación. - Programación de tareas. Actualmente, en el mercado se encuentra la versión 11. Su lenguaje computacional es C. Existen versiones para plataformas en Windows, Mac, UNIX y LINUX. Tema 2. El modelo de regresión lineal simple (MRSL) 10
11 Temas Modelo de regresión lineal simple. Estimaciones puntuales de los mínimos cuadrados. Estimaciones puntuales y predicciones puntuales. Suposiciones del modelo y el error estándar. Prueba de significancia individual para la pendiente y la ordenada al origen. Intervalos de confianza y de predicción. Coeficientes de determinación y correlación simples. Una prueba F para el modelo. Modelo de regresión lineal simple Requisitos básicos: i) las variables dependiente (y) e independiente (x) son métricas; ii) la relación entre la variable dependiente (y) y la variable independiente (x) es aproximadamente en forma de una línea recta. Modelo de regresión lineal simple work Diagrama de dispersión lot Fuente: Kutner et. al. (2005:19). observamos: - tendencia positiva - puntos dispersos alrededor de la línea 11
12 Modelo de regresión lineal simple Diagrama de dispersión l ot w o rk Fuente: Kutner et. al. (2005:19). F itte d v al ue s Modelo de regresión lineal simple mortality Diagrama de dispersión g n pp c Fuente: Fox (2008: 62). Modelo de regresión lineal simple y = µ y x + ε = β 0 + β 1 x + ε donde µ y x = β 0 + β 1 x es el valor medio de la variable dependiente y cuando el valor de la variable independiente es x. β 0 = ordenada al origen (valor medio de y cuando x = 0) β 1 = pendiente ( valor medio de y cuando x una unidad) ε es un término de error: describe los efectos de todos los factores no incluidos en el modelo 12
13 Modelo de regresión lineal simple Siβ 0 = y β 1 = 3.57, entonces cuando lot = 60, el valor medio estimado de horas trabajadas µ y x = β 0 + β 1 x = (65) = horas trabajadas. Modelo de regresión lineal simple β 0 yβ 1 se llaman parámetros de regresión. Ya que no conocemos los valores reales de β 0 yβ 1, debemos estimarlos con los datos de la muestra. La interpretación de β 0 en ocasiones no es aplicable. Importante: observamos que estas variables se mueven juntas, mas no podemos deducir claramente una relación causa-efecto. Estimaciones puntuales de los mínimos cuadrados Estimación puntual de los mínimos cuadrados de la pendiente β 1 SS b1 = SS donde SS y SS xy xx = = xy xx ( xi x )( y i y ) 2 ( xi x ) = = 2 ( xi ) n x y i i xi n y i 13
14 Estimaciones puntuales y predicciones puntuales Estimación puntual del valor medio de la variable dependiente cuando el valor de la variable independiente es x 0 se predice ε = 0 y ˆ = b + b x Estimaciones puntuales y predicciones puntuales Se puede demostrar que estas estimaciones puntuales dan un valor de la suma de los errores cuadráticos (SSE) que es menor que la que se obtiene con cualesquiera otros valores de b 0 y b 1. Se les llaman estimaciones puntuales de los mínimos cuadrados. La recta se llama recta de regresión de mínimos cuadrados La ecuación se llama ecuación de predicción de mínimos cuadrados. Suposiciones del modelo y el error estándar Suposiciones 1. A cualquier valor dado de x, la media de la población de los valores potenciales del término error es igual a cero. 2. Suposición de varianza constante. A cualquier valor dado de x, ε tiene una varianza que no depende del valor de x. 3. Suposición de normalidad. A cualquier valor dado de x, ε tiene una distribución normal. 4. Suposición de independencia. Cualquier valor del término error ε es estadísticamente independiente de cualquier otro valor de ε. 14
15 Suposiciones del modelo y el error estándar En otras palabras dado un valor de x, la población de valores potenciales del término de error tiene una distribución normal, con valor medio 0 y varianzaσ 2 que no depende de x. La población de valores potenciales de y x tiene distribución normal con valor medio de β 0 + β 1 x y varianzaσ 2 que no depende de x. Es más probable que la suposición de independencia se viole cuando se utilizan series de tiempo en un estudio de regresión. Suposiciones del modelo y el error estándar Error cuadrático medio = estimación puntual de σ 2 2 s = SSE vary x n 2 error estándar = estimación puntual de σ SSE = n SSE s = n 2 n 2 2 ( yi yˆ i ) = yi b0 yi + b1 i= 1 i= 1 i= 1 i= 1 n n xi yi Prueba de la significancia de la pendiente y la ordenada al origen Hipótesis nula: β 1 = 0 nivel de significancia α (0.10, 0.05, 0.01) los valores p se basan en n-2 grados de libertad Se rechaza la hipótesis nula si se cumple la condición de punto de rechazo de alguna de las hipótesis alternativas, o si p < α 15
16 Prueba de la significancia de la pendiente y la ordenada al origen Si se cumplen los supuestos de la regresión, entonces la población de todos los valores posibles de b 1 es normalmente distribuida con valor medio β 1 y desviación estándar σ σ b = 1 SS cuya estimación puntual es s = b1 s SS xx xx Prueba de la significancia de la pendiente y la ordenada al origen y la población de todos los valores posibles de la estadística de prueba t t = s b 1 tiene una distribución t con n 2 grados de libertad. b 1 Prueba de la significancia de la pendiente y la ordenada al origen Hipótesis alternativa H a : β 1 0 H a : β 1 > 0 H a : β 1 < 0 Condición de punto de rechazo t > t[ ( n 2 ] ) α / 2 t ( ) [ α ] > t n 2 ( n 2) t < t[ α ] Valor p 2 (área bajo la curva t a la derecha de t ) área bajo la curva t a la derecha de t área bajo la curva t a la izquierda de t 16
17 Intervalos de confianza y de predicción Si se cumplen las suposiciones de la regresión, un intervalo de confianza de 100(1-α)% para la pendiente verdadera β 1 es [ b t s ] ( n 2) [ / 2] 1 ± α b 1 Intervalos de confianza y de predicción Si se cumplen las suposiciones de la regresión, un valor de distancia (v.d.) para un valor particular x 0 de x (para la regresión lineal simple) es 2 1 ( x0 x) v. d. = + n SS xx Intervalos de confianza y de predicción Si se cumplen las suposiciones de la regresión, un intervalo de confianza de 100(1-α)% para el valor medio de y cuando la variable independiente es x 0 es ( n 2) [ 2] yˆ ± t α / s v. d. 17
18 Intervalos de confianza y de predicción La población de todos los errores posibles de predicción está normalmente distribuida con media cero y desviación estándar La estimación puntual es σ 1 + valor de distancia s 1 + valor de distancia Se llama error estándar del error de predicción Intervalos de confianza y de predicción Si se cumplen las suposiciones de la regresión, un intervalo de predicción 100(1-α)% para un valor individual de y cuando la variable independiente es x 0 es yˆ ( n 2) [ α 2] ± t / s 1+ v. d. Intervalos de confianza y de predicción Nótese que el intervalo de predicción es mayor que el intervalo de confianza: mayor incertidumbre acerca del término de error. Entre más alejado del valor medio es x i, mayores son los intervalos de confianza y de predicción. 18
19 Coeficientes de determinación y correlación simples En el caso del modelo de regresión lineal simple, 1. Variación total = Σ(y i -y) 2 2. Variación explicada = Σ(y i -y) 2 3. Variación inexplicada = Σ(y i -y i ) 2 4. Variación total = Variación explicada + Variación inexplicada 5. El coeficiente de determinación simple es r 2 = (variación explicada)/(variación total) 6. El r 2 es la proporción de la variación total en los n valores observados de la variable dependiente que explica el modelo de regresión lineal simple Coeficientes de determinación y correlación simples Coeficiente de correlación simple (r) entre y y x 2 si b 1 > 0 r = + r 2 si b 1 < 0 r = r donde b 1 es la pendiente de la recta de mínimos cuadrados que relaciona y con x. Este coeficiente de correlación mide la fuerza de la relación lineal entre y y x. Coeficientes de determinación y correlación simples También se puede calcular mediante la fórmula r = SS SS xx xy SS yy 19
20 Coeficientes de determinación y correlación simples La correlación de la población de todas las combinaciones posibles de valores observados de x e y se denominaρ. Para probar la hipótesis nula H 0 : ρ = 0, utilizamos la estadística de prueba r t = n 2 1 r 2 Prueba F para el modelo Estadística F global Variación inexplicada F(modelo) = (Variación explicada)/(n-2) Podemos rechazar H 0 :β 1 =0 y aceptar H a : β 1 0 en el nivel de significancia α si se cumple alguna de: F(modelo)>F [α] Valor p < α En el punto F [α] se basa en 1 grado de libertad para el numerador y n-2 grados de libertad para el denominador. Tema 3. Modelo de regresión lineal múltiple (MRLS) 20
21 Modelo de Regresión Lineal Múltiple Se emplean más de una variable independiente. Relaciona y con x 1, x 2,..., x k Modelo: y µ + ε = β + β x + β x + L+ β x + ε k = y x1, x2,..., x k k Valor medio de y cuando los valores de las variables independientes son x 1, x 2,..., x k : y µ = β + β x + β x + L+ β x + ε k = y x1, x2,..., x k k Parámetros: β 0, β 1, β 2,..., β k Término de error: ε Suposiciones del modelo de regresión lineal: 1. Para cualquier combinación dada de valores de x 1, x 2,..., x k, la media de la población de los valores potenciales de ε = Varianza constante del error. 3. Normalidad de errores. 4. Independencia de los errores. 5. Ninguna relación entre las variables independientes. 21
22 Ejemplo El gerente de una compañía desea evaluar el desempeño de su fuerza de ventas en el territorio de actuación. Recopila información sobre cinco variables, que según su criterio, podrían ejercer alguna influencia sobre las ventas. Tomando una muestra aleatoria de 25 vendedores, se plantea el siguiente modelo de regresión lineal: y = β + β x + β x + β x + β x + β x + ε i 0 1 1i 2 2i 3 3i 4 4i 5 5i i y= ventas anuales en miles de dólares (sales). x 1 = número de meses de empleado en la compañía (time). x 2 = ventas del producto de la compañía y productos de la competencia en el territorio (mktpoten). x 3 = gasto en publicidad (adver). x 4 = promedio ponderado de la participación en el mercado de la compañía en el territorio en los últimos cuatro años (mktshare). x 5 =cambio en la participación en el mercado de la compañía en el territorio en los últimos cuatro años (change). ε= termino de error aleatorio. Interpretación geométrica del modelo de regresión Región experimental: combinaciones de los valores observados de x 1, x 2,..., x k Plano de medias 22
23 Interpretación de los parámetros de regresiónβ 0,β1,...,βk Los parámetros relacionan la media de la variable dependiente con las variables independientes en un sentido global. β 0 : ordenada al origen (valor de y cuando x 1 =x 2 = x k =0). β i : cambio en la variable dependiente asociado con el incremento de una unidad de la variable x i manteniendo las k-1 variables restantes sin cambio alguno ( i=1,2,...,k-1). Estimación de mínimos cuadrados: estimación puntual y predicción Estimación puntual del valor medio y de un valor individual de la variable dependiente y cuando los valores de las variables independientes son x 01, x 02,..., x 0k. Se predice ε = 0 ˆ + y = b b x b x b x L k 0k Esta ecuación se llama la ecuación de regresión o de predicción de mínimos cuadrados Estimadores MCO utilizando algebra matricial ˆ 1 = ( X ' X ) ' β X Y donde donde y1 y 2 Y =... yn X 1 x11... xk1 1 x... x x1n... xkn 12 k 2 = β0 ˆ β 1 β =... βk 23
24 Ejemplo 4.2 Matriz de diagramas de dispersión sa les tim e m k tpoten adv er m k ts hare Estimadores MCO Source SS df MS Number of obs = F( 5, 19) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = sales Coef. Std. Err. t P> t [95% Conf. Interval] time mktpoten adver mktshare change _cons Error Cuadrático Medio y Error Estándar Una estimación puntual de σ 2 es el error cuadrático medio: ˆ SCE k σ 2 = n Una estimación puntual de σ es el error estándar: ˆ σ = SCE n k 24
25 Utilidad del Modelo: R 2, R 2 Ajustada y la Prueba F Global En el caso del modelo de regresión lineal múltiple, 1. Variación total = ( Y ) 2 i Y 2. Variación explicada = ( Yˆi Y ) Variación inexplicada = ( Y ˆ i Yi ) 4. Variación total = Variación explicada + Variación inexplicada 5. El coeficiente de determinación múltiple es R 2 = (variación explicada)/(variación total) 6. El R 2 es la proporción de la variación total de los valores observados de la variable dependiente que es explicada por las variables independientes incluidas en el modelo de regresión. 7. Coeficiente de correlación múltiple: R = R 2 R 2 Ajustada donde 2 2 k 1 n 1 R = R n 1 n k R 2 es el coeficiente de determinación múltiple n es la cantidad de observaciones y k es la cantidad de coeficientes estimados en el modelo Prueba F de significancia global H 0 :β 0 = β 1 = β 2 =... = β k = 0 H a : por lo menos uno de los β 0, β 1, β 2,..., β k 0 Estadística F global: F(mod elo) = ( Variación _exp licada ) /( k 1) ( Variación _ inexp licada ) /[ n k] 25
26 Se puede rechazar H 0 y aceptar H a en el nivel de significancia α si se mantiene alguna de las condiciones siguientes: Estadística F (modelo) > F [α] donde el punto F [α] se basa en k-1 grados de libertad para el numerador y n-k para el denominador. valor p (de F) < α Prueba de significancia individual Defina la estadística de una prueba bj t = ee( ˆ σ ) b j y asuma que las suposiciones de regresión se mantienen. Hipótesis alternativa Condición de punto de rechazo Valor p H a : β j 0 t > t ( n ( k+ 1)) [ α / 2] 2 (área bajo la curva t a la derecha de t ) H a : β j > 0 H a : β j < 0 t > t t < [ ( n ] ( k +1) ) α [ ( n ] ( k t +1) ) α área bajo la curva t a la derecha de t área bajo la curva t a la izquierda de t 26
27 Intervalo de Confianza para β j Si se cumplen las suposiciones de la regresión, un intervalo de confianza de 100(1-α)% para el parámetro de regresión β j es ˆ β j ± t ( n k ) [ α / 2] ee( ˆ β j ) Intervalos de Confianza para valores esperados y de predicción Para calcular el valor de distancia en un modelo de regresión múltiple, se requiere de álgebra de matrices. Valor de distancia. Valor de distancia = x ( X ' X ) x ' donde x 0 = [ x x x ] k Si se cumplen las suposiciones de la regresión, un intervalo de confianza de 100(1-α)% para el valor medio de y cuando los valores de las variables independientes son x 01, x 02,..., x 0k es ( n k ) [ α / 2] yˆ ± t ˆ σ v. d. 27
28 Si se cumplen las suposiciones de la regresión, un intervalo de predicción 100(1-α)% para un valor individual de y cuando los valores de las variables independientes son x 01, x 02,..., x 0k es ( n k ) [ α / 2] yˆ ± t s 1 + v. d. Tópicos Modelo de regresión cuadrática. Términos de interacción. Uso de variables ficticias para modelar variables independientes cualitativas. Modelo de regresión cuadrática El modelo de regresión cuadrática que relaciona y con x es: 2 y = β + β x + β + ε x µ y x µ y x µ y x x x x µ y x µ y x µ y x x x x 28
29 Interacción Se introduce un término de interacción cuando se cree que una variable (x i ) influye en la relación entre otra variable (x j ) independiente y la variable dependiente, y. y β + β x + β x + β x + ε = x2 Uso de variables ficticias para modelar variables independientes cualitativas Cuando se quiere incluir una variable cualitativa, se pueden utilizar variables ficticias (variables indicadoras, dummies). Toman el valor de 1 o 0. Esta variable influye en el intercepto. Ejemplo La cadena de tiendas Sonny -que comercializa equipos de audio y video- desea conocer el impacto que tiene sobre sus ventas, y, (en miles de dólares), tanto el número de hogares alrededor del área de las tiendas, x, (en miles), así como la ubicación de las tiendas, D, ya sea que estás se encuentren: i) en el centro de la ciudad; ii) dentro de un centro comercial o, iii) fuera de un centro comercial (nótese que D es una variable cualitativa). 29
30 Para comparar el efecto de las tres ubicaciones sobre las ventas, se plantea el siguiente modelo: y = β + β x + β D + β D + ε donde se define M 3 D D M = D D = 1 si la tienda está en un centro comercial. 0 en cualquier otra parte. 1 si la tienda se ubica en el centro de la ciudad. 0 en cualquier otra parte. Se deduce entonces que: 1. Para las tiendas en la calle, el volumen medio de las ventas esta dado por: y = β + β x + β D + β D = β + β x + β (0) + β (0) = β M 3 D β x 1 2. En el caso de las tiendas ubicadas en el centro comercial, el volumen medio de las ventas esta dado por: y = β + β x + β D + β D = β + β x + β (1) + β (0) = β β β M 3 D x 1 ( ) 3. Las tiendas ubicadas en el centro de la ciudad, el volumen medio de las ventas esta dado por: y = β + β x + β D + β D = β + β x + β (0) + β (1) = ( ) M 3 D x 1 Interpretación geométrica del modelo: 30
31 yˆ = x D M D D Source SS df MS Number of obs = F( 3, 11) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = y Coef. Std. Err. t P> t [95% Conf. Interval] x dm dd _cons Prueba F parcial: Prueba de la significancia de una parte de un modelo de regresión Permite probar la significancia de un subconjunto seleccionado de las variables independientes. Sea, por ejemplo, el modelo y = + x + x + x + Podría ser de interés saber si las variables x 2 y x 3 son relevantes en el modelo. H 0 : β 2 =β 3 =0 H a : por lo menos una de β 2 y β 3 0 β β β β ε Se puede pensar en términos de dos modelos rivales: Modelo completo Modelo reducido y = β + β x + β x + β x + ε c y = β + β x + ε R Se busca establecer si: H 0 : β 2 =β 3 =0 vs. H a : por lo menos una de β 2 y β
32 El estadístico de prueba esta dado por donde C [ ] [ + ] ( SCE R SCE )/ k g F = SCE / n ( k 1) C k= número de variables independientes del modelo completo. g= número de coeficientes del modelo reducido Rechazar H o ssi F > F (α), o bien, Valor p(f) < α Para comparar el efecto de las tres ubicaciones sobre las ventas, se plantea el siguiente modelo: β + β x + β D M + β D + ε y = D esto es yˆ = x D M D D Tema 7: Multicolinealidad 32
33 Temas Multicolinealidad. Comparación de los modelos de regresión. con base en R 2, σ, R 2 ajustada, longitud del intervalo de predicción y estadística C p. Regresión por pasos y eliminación hacia atrás. Multicolinealidad Las variables independientes están relacionadas entre sí o dependen una de otra. No se trata de un problema de presencia o ausencia sino de grado. Cuando existe la multicolinealidad entre dos o más variables independientes, la principal consecuencia es que se dificulta o impide obtener estimaciones precisas de los efectos individuales de cada variable independiente sobre la dependiente. Infla los valores de los errores estándar de β j estimados. Identificación de la multicolinealidad Son varias la formas que pueden utilizarse para identificar un alto grado de multicolinealidad. La más sencilla es utilizando la matriz de correlación. - La multicolinealidad es fuerte si por lo menos uno de los coeficientes de correlación simple entre las variables independientes es mayor o igual a 0.9. Otra forma es a través de los factores de inflación de la varianza ó VIF. Existe también la regla práctica, el índice de tolerancia (TOL), entre otros. 33
34 De nuevo el ejemplo 4.2 (pp. 146 y 222). El gerente de una compañía desea evaluar el desempeño de su fuerza de ventas en el territorio de actuación. Para ello, se agregan al análisis efectuado en el capitulo anterior, la información sobre tres variables adicionales (a las cinco ya existentes), que según el criterio del gerente, podrían ejercer alguna influencia sobre las ventas. La muestra continua siendo de 25 vendedores, y ahora se plantea el siguiente modelo de regresión lineal: y = β + β x + β x + β x + β x + β x i 0 1 1i 2 2i 3 3i 4 4i 5 5i + β x + β x + β x + ε 6 6i 7 7i 8 8i i y= sales. x 1 = time. x 2 = mktpoten. x 3 = adver. x 4 = mktshare. x 5 = change. x 6 = cantidad de cuentas que maneja el representante (accts). x 7 = carga de trabajo promedio (wkload). x 6 = calificación sobre desempeño (rating). ε= termino de error aleatorio. (Ver tabla 5.1) pwcorr,sig star (.05) Matriz de correlación y valores p asociados (en Stata) (instrucción en Stata) sales time mktpoten adver mktshare change accts wkload rating sales time * mktpoten * * adver * mktshare * change * Observe que r accts,time presenta un valor moderado accts * * * * wkload rating * * *
35 Factores de Inflación de la Varianza Los factores de inflación de la varianza, FIV, (o VIF) se definen como: R j2 es el coeficiente de determinación múltiple para el modelo que relaciona x j con el resto de las variables independientes (regresión auxiliar). Si R j2 =0 entonces VIF j = 1 1 VIFj = 1 R 2 j La multicolinealidad es grave si: 1. el VIF más grande > el VIF medio es sustancialmente > 1 Ejemplo 4.2. VIF y multicolinealidad regress sales time mktpoten adver mktshare change accts wkload rating Source SS df MS Number of obs = F( 8, 16) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = sales Coef. Std. Err. t P> t [95% Conf. Interval] time mktpoten adver mktshare change accts wkload rating _cons
36 Ejemplo 4.2. (continua) vif (instrucción en Stata) Variable VIF 1/VIF accts time mktshare mktpoten adver wkload rating change Mean VIF Note que el valor mas alto de es el correspondiente a VIF accts =5.64, lo que indica que no existe un alto grado de multicolinealidad en el modelo. - Por otra parte, el promedio de los VIF es Regla práctica para detectar multicolinealidad Cuando no se tiene acceso a la matriz de correlación o a los VIF, se puede considerar la siguiente regla práctica para identificar un alto grado de multicolinealidad: Observar una R 2 ajustada alta y pocos (o ningún) coeficiente de regresión estimados significativos Índice de tolerancia (TOL) Se define como j (para j = 1, 2,... K variables) o bien 1 TOL = VIF TOL = 1 R Si TOL cercano a cero existe alta multicolinealidad. 2 j 36
37 Soluciones posibles para la alta multicolinealidad Algunos autores (Blanchard, 1998) consideran que si el objetivo final es el pronóstico no se debe hacer nada. La solución más común, aunque no siempre la mejor, eliminar una de las variables que se considere provoca el problema. Transformación de variables. Ejemplo: Datos de la NBA Se busca establecer la influencia que diferentes acciones de los jugadores de la NBA ejercen sobre el número de puntos que anotan en promedio por partido (pts). Para ello se selecciona al azar a un equipo de la NBA (Chicago Bulls) y se plantea el siguiente modelo de regresión (temporada ): PTS= β + β GP + β MIN + β AST + β STL + β BLK + β TO + β PF + ε donde 0 1 i 2 i 3 i 4 i 5 i 6 i 7 i i PTS= puntos anotados GP = partidos jugados MIN= minutos jugados AST= asistencias STL = robos de balón BLK = bloqueos TO= balones perdidos PF= faltas personales Matriz de correlación pwcorr,sig star (.05) gp min pts ast stl blk to pf gp min * pts * * ast * * * stl * * * blk * to * * * * * pf * * * * * * *
38 Regresión regress pts gp min ast stl blk to pf Source SS df MS Number of obs = F( 7, 11) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = pts Coef. Std. Err. t P> t [95% Conf. Interval] gp min ast stl blk to pf _cons VIF vif Variable VIF 1/VIF min to pf ast stl blk gp Mean VIF 5.76 Eliminando la variable min se tiene regress pts gp ast stl blk to pf Source SS df MS Number of obs = F( 6, 12) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = pts Coef. Std. Err. t P> t [95% Conf. Interval] gp ast stl blk to pf _cons
39 vif Variable VIF 1/VIF pf to ast stl blk gp Mean VIF 3.72 Construcción de modelos Qué hay que hacer para encontrar un modelo adecuado? Son diversos los criterios que la literatura señala para elegir entre modelos rivales. Dos (o más) modelos son rivales si estos presentan la misma variable dependiente aunque las variables independientes no sean las mismas. Ejemplo: sales= β + β time+ β rating+ ε sales= β + β time+ β mktpoten+ β wkload+ ε Criterios para la construcción de modelos Existen diversos criterios que se emplean para elegir entre modelos rivales con propósitos de pronóstico. Comparación de los modelos de regresión con base en R 2, σ, R 2 ajustada, longitud del intervalo de predicción y estadística C p entre otros. Todos estos criterios pretenden minimizar la SCE (o incrementar R 2 ), y salvo el primero de ellos, los demás imponen una penalización al incluir más variables independientes. 39
40 Primer criterio R 2 = (variación explicada)/(variación total) R 2 al el número de variables Segundo criterio ˆ σ = SCE n k al el número de variables, se pierden grados de libertad si al introducir otra variable independiente al modelo, el σ, no debemos sumar la variable independiente al modelo. Tercer criterio 2 2 k + 1 n 1 R = R n 1 n k al el número de variables, se pierden grados de libertad si al introducir otra variable independiente al modelo, el R 2 ajustada, no debemos sumar la variable independiente al modelo. 40
41 Cuarto criterio Estadística C (o C p ) de Mallow Considérese un modelo con k coeficientes de regresión (incluyendo la constante, i. e. β 0 ). 2 Sea σˆ el verdadero estimador s 2. Suponga que solo se ha elegido p variables independientes (incluyendo β 0 ), donde p k, y se obtiene SCE utilizando a las p variables independientes. Cuarto criterio Estadística C (o C p ) de Mallow SSE C = n k σ [ ] 2 2 ˆp Queremos que C sea pequeña. Queremos que C sea casi igual a k + 1. Si C > k, el modelo tiene un sesgo notable. Si C < k, el modelo no tiene sesgo y es deseable. Ejemplo 5.1 (p. 228). A continuación se presentan los resultados en STATA para el calculo de R-squared, el 2 estadístico C de Mallows, SEE( σˆ ) y MSE( σˆ ) para todos los posibles modelos de regresión del ejemplo 4.2 ampliado propuesto en este capítulo. Para ello se deben seguir los pasos siguientes: 41
42 Paso 1. Una vez cargado el archivo t5-1 sales territory complete.dta, escribir en la ventana de comandos findit rsquare, entrar dentro de la sección Web resources from Stata and other users a rsquare from y descargar los archivos rsquare.ado y rsquare.hlp Paso 2. Estimar el modelo: sales vs. time mktpoten adver mktshare change accts wkload rating. Paso 3. Después de la estimación, se escribe en la ventana de comandos: rsquare sales time mktpoten adver mktshare change accts wkload rating y se obtiene: Regression models for dependent variable : sales R-squared Mallows' C SEE MSE models with 1 variable e e+06 time e e+06 mktpoten e e+06 adver e e+06 mktshare e e+06 change e e+05 accts e e+06 wkload e e+06 rating R-squared Mallow's C SEE MSE models with 2 variables e e+05 time mktpoten e e+05 time adver e e+05 time mktshare e e+05 time change e e+05 time accts e e+06 time wkload e e+05 time rating e e+05 mktpoten adver e e+05 mktpoten mktshare e e+05 mktpoten change e e+05 mktpoten accts e e+06 mktpoten wkload e e+06 mktpoten rating e e+05 adver mktshare e e+06 adver change e e+05 adver accts e e+06 adver wkload e e+06 adver rating e e+06 mktshare change e e+05 mktshare accts e e+06 mktshare wkload 42
43 R-squared Mallow's C SEE MSE models with 3 variables e e+05 time mktpoten adver e e+05 time mktpoten mktshare e e+05 time mktpoten change e e+05 time mktpoten accts e e+05 time mktpoten wkload e e+05 time mktpoten rating e e+05 time adver mktshare e e+05 time adver change e e+05 time adver accts e e+05 time adver wkload e e+05 time adver rating e e+05 time mktshare change e e+05 time mktshare accts e e+05 time mktshare wkload e e+05 time mktshare rating e e+05 time change accts e e+05 time change wkload e e+05 time change rating e e+05 time accts wkload e e+05 time accts rating e e+05 time wkload rating e e+05 mktpoten adver mktshare e e+05 mktpoten adver change e e+05 mktpoten adver accts e e+05 mktpoten adver wkload e e+05 mktpoten adver rating e e+05 mktpoten mktshare change R-squared Mallow's C SEE MSE models with 3 variables e e+05 mktpoten mktshare accts e e+05 mktpoten mktshare wkload e e+05 mktpoten mktshare rating e e+05 mktpoten change accts e e+06 mktpoten change wkload e e+06 mktpoten change rating e e+05 mktpoten accts wkload e e+05 mktpoten accts rating e e+06 mktpoten wkload rating e e+05 adver mktshare change e e+05 adver mktshare accts e e+06 adver mktshare wkload e e+05 adver mktshare rating e e+05 adver change accts e e+06 adver change wkload e e+06 adver change rating e e+05 adver accts wkload e e+05 adver accts rating e e+06 adver wkload rating e e+05 mktshare change accts e e+06 mktshare change wkload e e+06 mktshare change rating e e+05 mktshare accts wkload e e+05 mktshare accts rating e e+06 mktshare wkload rating e e+05 change accts wkload e e+05 change accts rating e e+06 change wkload rating e e+05 accts wkload rating R-squared Mallow's C SEE MSE models with 4 variables e e+05 time mktpoten adver mktshare e e+05 time mktpoten adver change e e+05 time mktpoten adver accts e e+05 time mktpoten adver wkload e e+05 time mktpoten adver rating e e+05 time mktpoten mktshare change e e+05 time mktpoten mktshare accts e e+05 time mktpoten mktshare wkload e e+05 time mktpoten mktshare rating e e+05 time mktpoten change accts e e+05 time mktpoten change wkload e e+05 time mktpoten change rating e e+05 time mktpoten accts wkload e e+05 time mktpoten accts rating e e+05 time mktpoten wkload rating e e+05 time adver mktshare change e e+05 time adver mktshare accts e e+05 time adver mktshare wkload e e+05 time adver mktshare rating e e+05 time adver change accts e e+05 time adver change wkload e e+05 time adver change rating e e+05 time adver accts wkload e e+05 time adver accts rating e e+05 time adver wkload rating e e+05 time mktshare change accts e e+05 time mktshare change wkload e e+05 time mktshare change rating e e+05 time mktshare accts wkload e e+05 time mktshare accts rating e e+05 time mktshare wkload rating e e+05 time change accts wkload e e+05 time change accts rating e e+05 time change wkload rating e e+05 time accts wkload rating e e+05 mktpoten adver mktshare change e e+05 mktpoten adver mktshare accts e e+05 mktpoten adver mktshare wkload e e+05 mktpoten adver mktshare rating e e+05 mktpoten adver change accts e e+05 mktpoten adver change wkload 43
44 R-squared Mallow's C SEE MSE models with 4 variables e e+05 mktpoten adver change rating e e+05 mktpoten adver accts wkload e e+05 mktpoten adver accts rating e e+05 mktpoten adver wkload rating e e+05 mktpoten mktshare change accts e e+05 mktpoten mktshare change wkload e e+05 mktpoten mktshare change rating e e+05 mktpoten mktshare accts wkload e e+05 mktpoten mktshare accts rating e e+05 mktpoten mktshare wkload rating e e+05 mktpoten change accts wkload e e+05 mktpoten change accts rating e e+06 mktpoten change wkload rating e e+05 mktpoten accts wkload rating e e+05 adver mktshare change accts e e+05 adver mktshare change wkload e e+05 adver mktshare change rating e e+05 adver mktshare accts wkload e e+05 adver mktshare accts rating e e+05 adver mktshare wkload rating e e+05 adver change accts wkload e e+05 adver change accts rating e e+06 adver change wkload rating e e+05 adver accts wkload rating e e+05 mktshare change accts wkload e e+05 mktshare change accts rating e e+06 mktshare change wkload rating e e+05 mktshare accts wkload rating e e+05 change accts wkload rating R-squared Mallow's C SEE MSE models with 5 variables e e+05 time mktpoten adver mktshare change e e+05 time mktpoten adver mktshare accts e e+05 time mktpoten adver mktshare wkload e e+05 time mktpoten adver mktshare rating e e+05 time mktpoten adver change accts e e+05 time mktpoten adver change wkload e e+05 time mktpoten adver change rating e e+05 time mktpoten adver accts wkload e e+05 time mktpoten adver accts rating e e+05 time mktpoten adver wkload rating e e+05 time mktpoten mktshare change accts e e+05 time mktpoten mktshare change wkload e e+05 time mktpoten mktshare change rating e e+05 time mktpoten mktshare accts wkload e e+05 time mktpoten mktshare accts rating e e+05 time mktpoten mktshare wkload rating e e+05 time mktpoten change accts wkload e e+05 time mktpoten change accts rating e e+05 time mktpoten change wkload rating e e+05 time mktpoten accts wkload rating e e+05 time adver mktshare change accts e e+05 time adver mktshare change wkload e e+05 time adver mktshare change rating e e+05 time adver mktshare accts wkload e e+05 time adver mktshare accts rating e e+05 time adver mktshare wkload rating e e+05 time adver change accts wkload e e+05 time adver change accts rating e e+05 time adver change wkload rating e e+05 time adver accts wkload rating e e+05 time mktshare change accts wkload e e+05 time mktshare change accts rating e e+05 time mktshare change wkload rating e e+05 time mktshare accts wkload rating e e+05 time change accts wkload rating e e+05 mktpoten adver mktshare change accts e e+05 mktpoten adver mktshare change wkload e e+05 mktpoten adver mktshare change rating e e+05 mktpoten adver mktshare accts wkload e e+05 mktpoten adver mktshare accts rating R-squared Mallow's C SEE MSE models with 5 variables e e+05 mktpoten adver mktshare wkload rating e e+05 mktpoten adver change accts wkload e e+05 mktpoten adver change accts rating e e+05 mktpoten adver change wkload rating e e+05 mktpoten adver accts wkload rating e e+05 mktpoten mktshare change accts wkload e e+05 mktpoten mktshare change accts rating e e+05 mktpoten mktshare change wkload rating e e+05 mktpoten mktshare accts wkload rating e e+05 mktpoten change accts wkload rating e e+05 adver mktshare change accts wkload e e+05 adver mktshare change accts rating e e+05 adver mktshare change wkload rating e e+05 adver mktshare accts wkload rating e e+05 adver change accts wkload rating e e+05 mktshare change accts wkload rating R-squared Mallow's C SEE MSE models with 8 variables e e+05 time mktpoten adver mktshare change accts wkload rating 44
Pronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detalles16/02/2010 ANÁLISIS DE MICRODATOS CON STATA. Objetivos. Metodología de trabajo
ANÁLISIS DE MICRODATOS CON STATA Fortino Vela Peón fvela@correo.xoc.uam.mx Juan Francisco Islas Aguirre jfislas@correo.xoc.uam.mx Febrero, 2010 Objetivos Que el participante aplique el paquete estadístico
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 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 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 detallesESTADÍSTICA DESCRIPTIVA CON STATA JUAN FRANCISCO ISLAS AGUIRRE FORTINO VELA PEÓN UAM-X
ESTADÍSTICA DESCRIPTIVA CON STATA JUAN FRANCISCO ISLAS AGUIRRE FORTINO VELA PEÓN UAM-X Abril, 2012 J. F. ISLAS / F. VELA CECAD-UAMX Objetivos Que el participante maneje el paquete estadístico Stataa nivel
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
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 detallesESTADÍSTICA DESCRIPTIVA CON STATA JUAN FRANCISCO ISLAS AGUIRRE FORTINO VELA PEÓN UAM-X
ESTADÍSTICA DESCRIPTIVA CON STATA JUAN FRANCISCO ISLAS AGUIRRE FORTINO VELA PEÓN UAM-X J. F. ISLAS / F. VELA CECAD-UAMX Objetivos Que el participante maneje el paquete estadístico Stata a nivel básico
Más detallesMÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez.
MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I Profesor: Noé Becerra Rodríguez Objetivo general: Introducir los aspectos fundamentales del proceso de construcción
Más detallesEjercicio 1 (20 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Examen Montevideo, 15 de diciembre de 2015. Nombre: C.I.: EXAMEN Libre Reglamentado El examen consta de dos partes. La primera parte debe ser realizada
Más detallesEl Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesCoeficiente de Correlación
Coeficiente de Correlación Al efectuar un análisis de regresión simple (de dos variables) necesitamos hacer las siguientes suposiciones. Que las dos variables son mensurables Que la relación entre las
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesINSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5
INSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5 PROGRAMA ACADÉMICO: LICENCIATURA EN INGENIERIA INDUSTRIAL TIPO EDUCATIVO: INGENIERIA MODALIDAD: MIXTA SERIACIÓN: NINGUNA CLAVE DE LA ASIGNATURA: 126 CICLO: QUINTO
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 detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
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 detallesRepaso de estadística básica. Juan D. Barón Santiago de Chile, 8 de abril de 2013
Repaso de estadística básica Juan D. Barón Santiago de Chile, 8 de abril de 2013 1 I. CONCEPTOS ESTADÍSTICOS BÁSICOS 2 Las decisiones se toman bajo incertidumbre Las decisiones se basan en información
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 detallesCapítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R
Capítulo 6 Multicolinealidad Luis Quintana Romero Objetivo Identificar la multicolinealidad en un modelo econométrico, así como las pruebas de detección de la multicolinealidad y correcciones. Introducción
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesEJERCICIOS CAPITULO 9. GUJARATI-PORTER (2010)
EJERCICIOS CAPITULO 9. GUJARATI-PORTER (2010) 9.21 a) clear edit tsset year list +-------------------------------+ year savings income dum ------------------------------- 1. 1970 61 727.1 0 2. 1971 68.6
Más detallesIntroducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
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 detallesUNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL. Tema:
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL Tema: Correlación múltiple y parcial. Ecuaciones y planos de regresión La Plata, septiembre
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
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 detallesDiplomado en Estadística Aplicada
Diplomado en Estadística Aplicada Con el propósito de mejorar las habilidades para la toma de decisiones, la División de Estudios de Posgrado de la Facultad de Economía ha conjuntado a profesores con especialidad
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
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 detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesPRINCIPIOS DE ECONOMETRÍA
PRINCIPIOS DE ECONOMETRÍA 2009-2010 I. IDENTIFICACIÓN Asignatura: Duración: Titulación: Ciclo: Departamento: Profesor: Principios de Econometría Semestral (Primer semestre) Licenciatura en Economía Primer
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesEstadística Inferencial. Sesión No. 9 Regresión y correlación lineal
Estadística Inferencial Sesión No. 9 Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión se estudia
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. 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 detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesANÁLISIS ESTADÍSTICO CORRELACIÓN LINEAL
ANÁLISIS ESTADÍSTICO CORRELACIÓN LINEAL Jorge Fallas jfallas56@gmail.com 2010 1 Temario Concepto de correlación Diagramas de dispersión Correlación: dirección, intensidad Coef. Correlación lineal de Pearson
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 detallesRegresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
Más detalles4. Regresión Lineal Simple
1 4. Regresión Lineal Simple Introducción Una vez conociendo las medidas que se utilizan para expresar la fuerza y la dirección de la relación lineal entre dos variables, se tienen elementos base para
Más detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más detallesAnálisis de Datos y Métodos Cuantitativos para la D.T. VI versión MGM
Universidad Católica del Norte Escuela de Negocios Mineros Magister en Gestión Minera Análisis de Datos y Métodos Cuantitativos para la D.T. VI versión MGM Antofagasta, Junio de 2013 Profesor: Fernando
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detallesObligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo
Carta descriptiva Datos de identificación Programa Nombre de la asignatura Tipo de Asignatura Maestría en Economía Aplicada Econometría I Ciclo Primer semestre Obligatoria Optativa Extracurricular Curso
Más detalles3. Correlación. Introducción. Diagrama de dispersión
1 3. Correlación Introducción En los negocios, no todo es el producto, pueden existir factores relacionados o externos que modifiquen cómo se distribuye un producto. De igual manera, la estadística no
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
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 detallesInformación general. Obligatoria básica o de fundamentación X. Obligatoria profesional. Horas de trabajo independiente del estudiante
Guía de asignatura Formato institucional Rev. Abril 2013 Información general Asignatura E S T A D I S T I C A Código 73210011 Tipo de asignatura Obligatoria X Electiva Tipo de saber Número de créditos
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Medicina Veterinaria y Zootecnia. Licenciatura en Medicina Veterinaria y Zootecnia
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Medicina Veterinaria y Zootecnia Licenciatura en Medicina Veterinaria y Zootecnia Clave 1212 Modalidad del curso: Carácter Métodos estadísticos en medicina
Más detallesEjercicio 1(10 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Segundo Parcial Montevideo, 4 de julio de 2015. Nombre: Horario del grupo: C.I.: Profesor: Ejercicio 1(10 puntos) La tasa de desperdicio en una empresa
Más detallesPRUEBA DE FALTA DE AJUSTE (Lack-of-fit Test) Fortino Vela Peón fvela@correo.xoc.uam.mx
PRUEBA DE FALTA DE AJUSTE (Lack-of-fit Test) Fortino Vela Peón fvela@correo.xoc.uam.mx Octubre, 2011 Introducción Un supuesto básico del modelo es la existencia de una relación lineal entre la variable
Más detallesEstadísticas II. M. en E. M. Milagros Eugenia Faci. 15 de julio de 2010
2010 Estadísticas II M. en E. M. Milagros Eugenia Faci 15 de julio de 2010 2 Estadísticas II CONTENIDO UNIDAD III. CORRELACIÓN Y REGRESIÓN...3 III.1 CARACTERÍSTICAS DE UNA CORRELACIÓN...3 METODO DE MÍNIMOS
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS
ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS
Más detallesLectura No. 7. Contextualización. Nombre: Métodos de Análisis ANÁLISIS FINANCIERO 1
Análisis financiero ANÁLISIS FINANCIERO 1 Lectura No. 7 Nombre: Métodos de Análisis Contextualización Los diferentes métodos de análisis que se pueden utilizar para evaluar y, en su defecto, emitir un
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. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
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 detallesUNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA
UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA LICENCIATURA: ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS CURSO: CUARTO
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesModelo de Análisis de la Covarianza. Introducción al modelo de Medidas Repetidas
Modelo de Análisis de la Covariza. Introducción al modelo de Medidas Repetidas Modelo de Análisis de la Covariza Introducción El diseño por bloques se considera para eliminar el efecto de los factores
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesPRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI
PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI 2014 Para qué es útil la estadística inferencial? Se utiliza para probar hipótesis y generalizar los resultados obtenidos en la muestra a la población o universo.
Más detallesTEMA 5: Especificación y Predicción en el MRL
EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso
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 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 detallesEconometría. Auxiliar 4. Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A.
Econometría Auxiliar 4 Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A. Pregunta 1 El archivo salarios.xls contiene observaciones mensuales en US$ del salario (Wage) de 935
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 detallesPráctica 3: Regresión simple con R
Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 3: Regresión simple con R 1. El fichero de datos Vamos a trabajar con el fichero salinity que se encuentra en el paquete boot. Para cargar
Más detallesMuestreo e inferencia
Images created with STATA software. 1 Muestreo e inferencia Calidad de los datos y las mediciones Razones para hablar de muestreo Formación académica de la población Comprender los datos que se van a utilizar
Más detallesManual de bolsillo del MegaStat * * MegaStat es un complemento estadístico para el Excel elaborado por el profesor J. B. Orris de Butler University.
Manual de bolsillo del MegaStat * * MegaStat es un complemento estadístico para el Excel elaborado por el profesor J. B. Orris de Butler University. Estadísticas con MegaStat AgeCat Gender Seconds 1 2
Más detallesCORRELACIÓN Y REGRESIÓN. Juan José Hernández Ocaña
CORRELACIÓN Y REGRESIÓN Juan José Hernández Ocaña CORRELACIÓN Muchas veces en Estadística necesitamos saber si existe una relación entre datos apareados y tratamos de buscar una posible relación entre
Más detallesGráfico de Desgaste de Herramientas
Gráfico de Desgaste de Herramientas Resumen El procedimiento Gráfico de Desgaste de Herramientas crea cuadros de control para una sola variable numérica donde se espera que cambien las cantidades en un
Más detallesANÁLISIS DE REGRESIÓN N LINEAL
ANÁLISIS DE REGRESIÓN N LINEAL Varias partes tomadas de Julio H. Cole "Nociones de Regresión Lineal" en Enciclopedia Multimedia Virtual de Economía EMVI. http://eumed.net/cursecon/medir/index.htm Análisis
Más detallesEstadística; 3º CC. AA. Examen final, 23 de enero de 2009
Estadística; 3º CC. AA. Examen final, 3 de enero de 9 Apellidos Nombre: Grupo: DNI. (5 ptos.) En un estudio sobre las variables que influyen en el peso al nacer se han obtenido utilizando SPSS los resultados
Más detallesPROGRAMA DE ASIGNATURA Prosecución de estudios en Economía Segundo semestre de 2016
PROGRAMA DE ASIGNATURA Prosecución de estudios en Economía Segundo semestre de 2016 ECONOMETRIA I Asignatura Carrera Ingeniería Comercial Código 351472 Créditos 7 SCT Tbjo. Directo: 6 hrs. pedag. Tbjo.
Más detallesElaboró: Luis Casas Vilchis
Correlación de Pearson (r P, r) Una correlación se define como la coincidencia en el patrón de valores altos de una variable con los valores altos en la otra variable, y bajos con bajos y moderados con
Más detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más detallesINDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas
INDICE Prefacio XIII 1. Introducción 1.1. la imagen de la estadística 1 1.2. dos tipos de estadísticas 1.3. estadística descriptiva 2 1.4. estadística inferencial 1.5. naturaleza interdisciplinaria de
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesCARGA HORARIA Horas totales: 80 Horas totales de resolución de problemas de aplicación: 32
PROBABILIDAD Y ESTADISTICA OBJETIVOS: 1. Extraer y sintetizar información de un conjunto de datos. 2. Aprehender los conceptos de aleatoriedad y probabilidad. 3. Estudiar los modelos más importantes de
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
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 detallesUNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 45 a 57 UNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K JOSÉ A. JIMÉNEZ M.* Resumen En este artículo mediante el método de los
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detalles