Práctica 4 EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables
|
|
- Rosa Torres Méndez
- hace 5 años
- Vistas:
Transcripción
1 EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables Marco elementos atípicos: b) Obtener la recta de regresión y comprobar que el vector de medias muestrales pertenece a la recta. Relate/One Factor/Simple Regression (linear) Interpretar la tabla de coeficientes estimados y la tabla ANOVA. b1) Obtener la recta de regresión 1
2 Solución: Recta de regresión (con todos los puntos) Peso kg = -115,18 + 1,06074*Altura cm 2
3 b2) y comprobar que el vector de medias muestrales pertenece a la recta. Peso kg Altura cm Count Average 70, ,327 Standard deviation 12,6559 8,92991 De forma aproximada en la gráfica sobre la recta de regresión con Locate: De manera más precisa mediante Forecast b3) Interpretar la tabla de coeficientes estimados y la tabla ANOVA. Coefficients Least Squares Standard T Parameter Estimate Error Statistic P-Value Intercept -115,18 10, ,4061 0,0000 Slope 1, , ,4407 0,0000 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 24046, ,2 340,06 0,0000 Residual 18880, ,7116 Total (Corr.) 42926,2 268 Peso Kg= -115,18 + 1,06074 Altura cm Rechazo a todos los niveles habituales la hipótesis de no efecto del regresor Altura (Ho: 1 =0) Cambios en la Altura provocan cambios en el peso medio correspondiente. 3
4 c) Hallar un intervalo de confianza al 95% para la pendiente. Relate/Multiple Factors/Multiple Regression (confidence interval) Intervalos de confianza del 95,0% para las estimaciones de los coeficientes Error Parámetro Estimación Estándar Límite Inferior Límite Superior CONSTANTE -115,18 10, ,062-95,2977 Altura cm 1, , , ,17399 Botón derecho > Options para modificar el nivel de confianz d) Guardar los valores ajustados, los residuos y los residuos estudentizados. Realizar un análisis de los residuos. Puedo salvar en la hoja de datos valores predichos, residuos, residuos estudentizados, leverages, limites inf y sup de Intervalos de Confianza para la respuesta y para la media en cada xi observado. No tengo los DFITS, que sí puedo conseguir dentro del módulo de Regresión Múltiple 4
5 Test de Normalidad de los residuos Test de Normalidad de los residuos estudentizados 5
6 Para identificar mejor por su número los Outliers y puntos de influencia añado un contador en la base de datos, vble caso : Count(1;269;1) e) Analizar si hay puntos de influencia y eliminarlos si es el caso. En REGRESION SIMPLE puedo obtener Residuos y Residuos Studentizados Residuos Atípicos Predicciones Residuos Fila X Y Y Residuos Studentizados ,0 84,0 66, ,7933 2, ,0 103,0 79, ,0037 2, ,0 78,0 59, ,1578 2, ,0 110,0 86, ,6393 2,87 6
7 77 175,0 91,0 70, ,5504 2, ,0 49,0 66, ,2067-2, ,0 90,0 68, ,6718 2, ,0 39,0 12,109 26,891 3, ,0 105,0 84, ,7607 2, ,0 103,0 81,057 21,943 2, ,0 120,0 67, ,7326 6,80 Práctica 4 El StatAdvisor La tabla de residuos atípicos enlista todas las observaciones que tienen residuos Estudentizados mayores a 2, en valor absoluto. Los residuos Estudentizados miden cuántas desviaciones estándar se desvía cada valor observado de Peso kg del modelo ajustado, utilizando todos los datos excepto esa observación. En este caso, hay 11 residuos Estudentizados mayores que 2, 2 mayores que 3. Es conveniente examinar detenidamente las observaciones con residuos mayores a 3 para determinar si son valores aberrantes que debieran ser eliminados del modelo y tratados por separado. y también los leverages hii (influencia potencial) PELIGRO cuando hii > 2 *(k+1)/n = 4/269= 0, (95%) (o 3* 99%) Puntos Influyentes Predicciones Residuos Fila X Y Y Studentizados Influencia ,0 39,0 12,109 3,54 0, ,0 77,0 92,7252-1,90 0, ,0 108,0 94,8467 1,59 0, ,0 45,0 49,2349-0,51 0, Influencia Media de un punto = 0, El StatAdvisor La tabla de puntos influyentes enlista todas las observaciones que tienen valores de influencia mayores que 3 veces la de un punto promedio de los datos. Valor de Influencia es un estadístico que mide que tan influyente es cada observación en la determinación de los coeficientes del modelo estimado. En este caso, un punto promedio de los datos tendría un valor de influencia igual a 0, Hay 4 puntos con más de 3 veces el valor de influencia promedio, uno con más de 5 veces. Deberían examinarse cuidadosamente aquellos puntos con más de 5 veces el valor de influencia promedio para determinar que tanto podría cambiar el modelo si no estuvieran presentes. En REGRESION MULTIPLE puedo obtener además los valores DFITS (influencia efectiva) (por el contrario, NO puedo hacer predicción (Forecast) directamente ni PlotXY) Residuos Atípicos Y Residuo Fila Y Predicha Residuo Estudentizado 22 84,0 66, ,7933 2, ,0 79, ,0037 2, ,0 59, ,1578 2, ,0 86, ,6393 2, ,0 70, ,5504 2, ,0 66, ,2067-2, ,0 68, ,6718 2, ,0 12,109 26,891 3, ,0 84, ,7607 2, ,0 81,057 21,943 2, ,0 67, ,7326 6,80 7
8 El StatAdvisor La tabla de residuos atípicos enlista todas las observaciones que tienen residuos Estudentizados mayores a 2, en valor absoluto. Los residuos Estudentizados miden cuántas desviaciones estándar se desvía cada valor observado de Peso kg del modelo ajustado, utilizando todos los datos excepto esa observación. En este caso, hay 11 residuos Estudentizados mayores que 2, 2 mayores que 3. Es conveniente examinar detenidamente las observaciones con residuos mayores a 3 para determinar si son valores aberrantes que debieran ser eliminados del modelo y tratados por separado. Puntos Influyentes Distancia de Fila Influencia Mahalanobis DFITS 26 0, , , , , , , , , , ,999 1, , , , , , , , , , , , , , , , , , , Influencia media de un solo punto = 0, PELIGRO si DFITS>2*RAIZ((k+1)/n) = 2*RAIZ(2/269)= 0, (95%) (o 3* 99%) El StatAdvisor La tabla de puntos influyentes enlista todas las observaciones que tienen valores de influencia mayores que 3 veces la de un punto promedio de los datos, ó que tienen un valor inusual de DFITS. Valor de Influencia es un estadístico que mide que tan influyente es cada observación en la determinación de los coeficientes del modelo estimado. DFITS es un estadístico que mide que tanto podrían cambiar los coeficientes estimados si la observación se eliminara del conjunto de datos. En este caso, un punto promedio de los datos tendría un valor de influencia igual a 0, Hay 4 puntos con más de 3 veces el valor de influencia promedio, uno con más de 5 veces. Deberían examinarse cuidadosamente aquellos puntos con más de 5 veces el valor de influencia promedio para determinar que tanto podría cambiar el modelo si no estuvieran presentes. Hay 9 datos con valores inusualmente grandes de DFITS. e2) Elimino las observaciones siguientes: 279 DFITS=0, >0, DFITS=1,4677 leverage hii=0, > Selecciono en el gráfico el punto a suprimir y pincho botón +/- 8
9 Regresión Simple - Peso kg vs. Altura cm Variable dependiente: Peso kg Variable independiente: Altura cm Lineal: Y = a + b*x Coeficientes Mínimos Cuadrados Estándar Estadístico Parámetro Estimado Error T Valor-P Intercepto -131,613 9, ,3726 0,0000 Pendiente 1, , ,5822 0,0000 Análisis de Varianza Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P Modelo 24295, ,2 423,62 0,0000 Residuo 15197, ,3507 Total (Corr.) 39493,1 266 Coeficiente de Correlación = 0, R-cuadrada = 61,5175 porciento R-cuadrado (ajustado para g.l.) = 61,3723 porciento Error estándar del est. = 7,57302 Error absoluto medio = 5,86925 Estadístico Durbin-Watson = 1,55717 (P=0,0001) Autocorrelación de residuos en retraso 1 = 0, Número de filas excluídas: 2 Recta de regresión (eliminados los puntos 122 y 279) Peso kg = -131, ,15265*Altura cm f) Con el modelo final, proporcionar un intervalo de confianza al 90% para la respuesta media y otro al 99% para la predicción del peso de una alumna nueva que mide cm. En el plot XY de Regresión Simple, además de la recta ajustada, con Opciones, controlo si quiero las bandas o cotas de la confianza deseada, para Ey/ X=xo y/o para la respuesta y/x=xo En tabla Forecast, introduzco el valor x=166.5 y 90% Valores Predichos 90,00% 90,00% Predicciones Límite Predicción Límite Confianza X Y Inferior Superior Inferior Superior 166,5 60, , , , ,437 I.de C. del 90% para la Respuesta Media 9
10 Subo la confianza al 99% para el I. de C. de la respuesta Valores Predichos 99,00% 99,00% Predicciones Límite Predicción Límite Confianza X Y Inferior Superior Inferior Superior 166,5 60, , , , ,0851 I.de C. del 99% para la respuesta APENDICE Ajustando por separado Hombres y Mujeres: 10
11 2.- REGRESIÓN LINEAL MÚLTIPLE Se ha diseñado un experimento para explicar la producción de oxígeno (O2UP), medida en miligramos de oxígeno por minuto, basándose en 5 medidas químicas: Demanda biológica de oxígeno; BOD. Nitrógeno total; TKN. Sólido total; TS. Sólidos volátiles totales; TVS. Demanda química de oxígeno; COD. Todas estas variables están medidas en miligramos por litro. Los datos están en el fichero Oxigeno.sgd. Plantea y valida un modelo de regresión múltiple que relacione la producción de oxígeno con las otras 5 variables. Interprétalo y utilízalo para realizar predicciones de la producción de oxígeno. Relate/Multiple Factors/Multiple Regression... Suprimo la observación 1 11
12 Normalidad de los residuos: 12
13 Saco TVS del modelo Quedan 4 variables Práctica 4 Dependent variable: O2UP Independent variables: BOD TKN TS COD Standard T Parameter Estimate Error Statistic P-Value CONSTANT -6, , , ,0000 BOD -0, , , ,1787 TKN 0, , , ,0511 TS 0, , , ,0001 COD 0, , , ,1420 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 69, , ,62 0,0000 Residual 10, , Total (Corr.) 79, R-squared = 87,094 percent R-squared (adjusted for d.f.) = 83,4065 percent Standard Error of Est. = 0, Mean absolute error = 0, Durbin-Watson statistic = 2,81821 (P=0,9322) Lag 1 residual autocorrelation = -0, Number of excluded rows: 1 The StatAdvisor The output shows the results of fitting a multiple linear regression model to describe the relationship between O2UP and 4 independent variables. The equation of the fitted model is O2UP = -6, , *BOD + 0, *TKN + 0, *TS + 0, *COD Unusual Residuals Predicted Studentized Row Y Y Residual Residual 7 1,3 2,8389-1,5389-2,28 Influential Points Mahalanobis Row Leverage Distance DFITS 2 0, ,8377 1, , , , , , , , , ,13757 Peligros: Leverage > 2* (k+1)/n=10/20= 0.5 GFITS> 2*raiz((k+1)/n)=1 13
14 Saco BOD del modelo Quedan 3 variables Multiple Regression - O2UP Dependent variable: O2UP Independent variables: TKN TS COD Standard T Parameter Estimate Error Statistic P-Value CONSTANT -6,7775 1, , ,0000 TKN 0, , , ,0080 TS 0, , , ,0001 COD 0, , , ,4143 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 68, , ,89 0,0000 Residual 11, ,78669 Total (Corr.) 79, R-squared = 85,2461 percent R-squared (adjusted for d.f.) = 82,2953 percent Standard Error of Est. = 0, Mean absolute error = 0, Durbin-Watson statistic = 2,66236 (P=0,8731) Lag 1 residual autocorrelation = -0, Number of excluded rows: 1 The StatAdvisor The output shows the results of fitting a multiple linear regression model to describe the relationship between O2UP and 3 independent variables. The equation of the fitted model is O2UP = -6, , *TKN + 0, *TS + 0, *COD Saco COD del modelo Quedan 2 variables Multiple Regression - O2UP Dependent variable: O2UP Independent variables: TKN TS Standard T Parameter Estimate Error Statistic P-Value CONSTANT -6, , , ,0000 TKN 0, , , ,0084 TS 0, , , ,0000 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 67, ,813 43,79 0,0000 Residual 12, ,77219 Total (Corr.) 79, R-squared = 84,5525 percent 14
15 R-squared (adjusted for d.f.) = 82,6216 percent Standard Error of Est. = 0, Mean absolute error = 0, Durbin-Watson statistic = 2,78633 (P=0,9326) Lag 1 residual autocorrelation = -0, Práctica 4 Number of excluded rows: 1 The StatAdvisor The output shows the results of fitting a multiple linear regression model to describe the relationship between O2UP and 2 independent variables. The equation of the fitted model is O2UP = -6, , *TKN + 0, *TS Unusual Residuals Predicted Studentized Row Y Y Residual Residual 4 5,2 3, , ,14 Influential Points Mahalanobis Row Leverage Distance DFITS 2 0, ,3933 1,57973 Average leverage of single data point = 0, Multiple Regression - O2UP Dependent variable: O2UP Independent variables: TKN TS COD Standard T Parameter Estimate Error Statistic P-Value CONSTANT -6,7775 1, , ,0000 TKN 0, , , ,0080 TS 0, , , ,0001 COD 0, , , ,4143 Analysis of Variance Source Sum of Squares Df Mean Square F-Ratio P-Value Model 68, , ,89 0,0000 Residual 11, ,78669 Total (Corr.) 79, R-squared = 85,2461 percent R-squared (adjusted for d.f.) = 82,2953 percent Standard Error of Est. = 0, Mean absolute error = 0, Durbin-Watson statistic = 2,66236 (P=0,8731) Lag 1 residual autocorrelation = -0, Number of excluded rows: 1 The StatAdvisor The output shows the results of fitting a multiple linear regression model to describe the relationship between O2UP and 3 independent variables. The equation of the fitted model is O2UP = -6, , *TKN + 0, *TS + 0, *COD 15
ANÁLISIS 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 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 detallesPrimera práctica de REGRESIÓN.
Primera práctica de REGRESIÓN. DATOS: fichero practica regresión 1.sf3 1. Objetivo: El objetivo de esta práctica es aprender cuándo se puede utilizar el análisis de regresión. En la primera parte se presentan
Más detallesModelos Lineales. Regresión Lineal Múltiple. Práctica 5
Práctica 5 Vamos a analizar con STATGRAPHICS el problema de estimación, descomposición de la variabilidad, contraste de regresión, intervalos de confianza para los parámetros, y predicciones, sobre un
Más detallesLos datos siguientes contienen indicadores demográficos y criminales sobre 47
Los datos siguientes contienen indicadores demográficos y criminales sobre 47 estados de EEUU. Los datos fueron recogidos por la Uniform Crime Report del FBI y otras agencies del gobierno para determinar
Más detallesConsidere la tasa de nacimiento (B) como la variable respuesta y la actividad económica de las mujeres (W) como variable regresora.
ESTADISTICA (Q) - Ejercicio de regresión - Junio 2010 El archivo tasa_nacimiento.sx contiene datos de tasas de nacimiento y otras variables para 26 naciones. Fuente: Statistical Abstract of the United
Más detallesEstadística II Curso 2010/11. Guión de la Práctica 2 El modelo de regresión lineal y su tratamiento en Statgraphics
Estadística II Curso 2010/11 Guión de la Práctica 2 El modelo de regresión lineal y su tratamiento en Statgraphics 1. Contenidos de la práctica - Introducción - El modelo de regresión lineal simple o Estimación
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 detallesEXAMEN DE ECONOMETRÍA 08/07/99-1
EXAMEN DE ECONOMETRÍA 08/07/99 - TEORÍA (2p) T- Metodología Box-Jenkins. CUESTIONES (2p) C- Tratar de formular al menos dos modelos ARIMA para la serie CONSUMO DE ENERGÍA ELÉCTRICA, de la cual conocemos
Más detallesSegunda práctica de REGRESIÓN.
Segunda práctica de REGRESIÓN. DATOS: fichero practica regresión 2.sf3. Objetivo: El objetivo de esta práctica es interpretar una regresión y realizar correctamente la diagnosis. En la primera parte se
Más detallesJavier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo
Javier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo 30/10/2013 Modelos Lineales de Regresión Índice 1. Planteamiento de modelo Caso práctico 2. Estimación y
Más detallesANALISIS DE LA ESTATURA
ANALISIS DE LA ESTATURA OBJETIVO El objetivo de este trabajo es realizar un estudio de la de distintos individuos. DATOS Se realizan los distintos análisis de regresión simple, así como el análisis de
Más detallesEstadística I Solución Examen Final- 19 de junio de Nombre y Apellido:... Grupo:...
Estadística I Examen Final- 19 de junio de 2009 Nombre y Apellido:... Grupo:... (1) La siguiente tabla muestra las distribuciones de frecuencias absolutas de la variable altura (en metros) de n = 500 estudiantes
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 detallesEstadística I Examen Final - 19 de junio de Nombre:... Grupo:...
Estadística I Examen Final - 19 de junio de 2009 Nombre:... Grupo:... Realizar los cálculos intermedios con 4 decimales y redondear el resultado final a 2 decimales. 1. La siguiente tabla muestra las distribuciones
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
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 detallesEXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES
EXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES REGRESIÓN A TRAVÉS DEL ORIGEN Y Y i = β 1 + β 2X i + ε i Y i = β 2X i + ε i X A MENOS QUE EXISTA UNA EXPECTATIVA A PRIORI MUY FUERTE ES ACONSEJABLE
Más detallesAjuste de Regresión Lineal Simple
Ajuste de Regresión Lineal Simple Hugo Alberto Brango García 1 1 Universidad de Córdoba Estadística II Mayo de 2014 Análisis de Regresión Mayo de 2014 1 / 33 Supuestos sobre los residuales del modelo Normalidad
Más detallesModelos Lineales. Regresión Lineal Simple. Práctica 3. Vamos a analizar el problema de contraste de las hipótesis básicas de un modelo de regresión
Práctica 3 Vamos a analizar el problema de contraste de las hipótesis básicas de un modelo de regresión lineal simple. STATGRAPHICS proporciona algunos resultados en este sentido, pero resulta insuficiente.
Más detalles5-4 Modelos de Regresión
Departamento de Estadística e Investigación Operativa Aplicadas y Calidad UD 5 Introducción a la Inferencia Estadística 5-4 Modelos de Regresión www.upv.es Por dónde vamos? muestreo Población Conclusiones
Más detallesEstadística II Ejercicios Tema 4
Estadística II Ejercicios Tema 4 1. Los siguientes datos muestran la estatura (en cm.) y el peso (en Kg.) para una muestra de cinco alumnos de una clase: estatura (cm.) peso (Kg.) 154 60 158 62 162 61
Más detallesModelos de Calibración
Modelos de Calibración Resumen El procedimiento Modelos de Calibración esta diseñado para construir un modelo estadístico que describe la relación entre variables, X y Y, donde construir un modelo es construir
Más detallesAjustando Curva SnapStat
STATGRAPHICS Rev. 9/14/26 Ajustando Curva SnapStat Resumen El procedimiento Ajustando Curva SnapStat crea un resumen de una pagina que describe la relación entre un solo factor cuantitativo X y una variable
Más detallesBioestadística. Curso Práctica: La recta de regresión
Bioestadística. Curso 2012-2013 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. El diagrama de dispersión 2 3. Covarianza 4 4. Coeciente de correlación
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 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 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 detallesUn modelo para representar una relación aproximadamente
Regresión Se han visto algunos ejemplos donde parece que haya una relación aproximadamente lineal entre dos variables. Supongamos que queremos estimar la relación entre las dos variables. Cómo ajustamos
Más detallesRegresión Polinomial. StatFolio de Ejemplo: polynomial reg.sgp
Regresión Polinomial Resumen El procedimiento Regresión Polinomial está diseñado para construir una modelo estadístico que describa el impacto de un solo factor cuantitativo X en una variable dependiente
Más detallesEstadística I Solución Examen Final - 28 Mayo de 2009
Estadística I Examen Final - 28 Mayo de 2009 (1 (10 puntos A 16 estudiantes de Filosofía se les preguntó cuántas clases de esta asignatura habían perdido durante el cuatrimestre. Las respuestas obtenidas
Más detallesGuía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA.
Guía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA. Debe ser resuelta a mano, citar bibliografía (no usar internet). Términos clave 1. Ceteris Paribus 2. Grado de libertad 3.
Más detallesLa distribucio n normal multivariante. Estadı stica II Tema 4: Regresio n mu ltiple. Ejemplos de densidades normales en dimensio n 2
La distribucio n normal multivariante El vector aleatorio X es normal (p-dimensional) con vector de medias µ y matriz de covarianzas Σ (notacio n: X N(µ, Σ)) si tiene densidad dada por: f (x) = Σ / (π)
Más detallesPRÁCTICA 2: LA RECTA DE REGRESIÓN
PRÁCTICA 2: LA RECTA DE REGRESIÓN Los contenidos están organizados para que pueda avanzar a la vez que hacer los ejercicios propuestos en la práctica 2 del cuadernillo de práticas. Asegúrate de entender
Más detallesEjemplo de Regresión Lineal Simple
Ejemplo de Regresión Lineal Simple Países Porcentaje de Inmunización (x) Tasa de mortalidad (y) Bolivia 77 8 Brazil 69 65 Cambodia 3 84 Canada 85 8 China 94 43 Czech_Republic 99 Egypt 89 55 Ethiopia 3
Más detallesEstadística I Examen Final - 28 Mayo de 2009 Tiempo: 2.5h - Total: 40 puntos. Nombre:... Grupo:...
Estadística I Examen Final - 28 Mayo de 2009 Tiempo: 2.5h - Total: 40 puntos Nombre:... Grupo:... Realizar los cálculos intermedios con 4 decimales y redondear el resultado final a 2 decimales. 1. (10
Más detallesANEXO 3-A LA LECTURA DE UNA ESPECIE DE COMPUTADORA
ANEXO 3-A LA LECTURA DE UNA ESPECIE DE COMPUTADORA La presente sección busca echar un vistazo en el mundo del análisis de regresión. Presentamos, pues, tres extractos de salidas de computadora que provienen
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 detallesRegresión No Lineal. StatFolio de ejemplo: nonlinear reg.sgp
Regresión No Lineal Resumen El procedimiento Regresión No Lineal ajusta una función especificada por el usuario relacionando una sola variable dependiente Y con una o más variables independientes X. El
Más detallesRESPUESTAS BREVES A LA PRÁCTICA 7
RESPUESTAS BREVES A LA PRÁCTICA 7 EJERCICIO 1 Las salidas que proporciona el programa son: Unweighted Least Squares Linear Regression of X Puntaje en Inteligencia Predictor Variables Coefficient Std Error
Más detallescon los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
Más detallesRelación 3 de problemas
ESTADÍSTICA II Curso 2016/2017 Grado en Matemáticas Relación 3 de problemas 1. La Comunidad de Madrid evalúa anualmente a los alumnos de sexto de primaria de todos los colegios sobre varias materias. Con
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 12 REGRESIÓN LINEAL Mediante la regresión lineal se busca hallar la línea recta que mejor explica la relación entre unas variables independientes o variables de exposición y una variable dependiente
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 detallesCLAVE Lab 11 - Regresión Lineal Simple y Polinomial
Escala común CLAVE Lab 11 - Regresión Lineal Simple y Polinomial 1. A mano, construya los siguientes gráficos: a. Grafique la línea recta correspondiente a la ecuación y 2x 1 b. Grafique la línea recta
Más detallesDepartamento de Estadística e Investigación Operativa Aplicadas y Calidad. Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V.
Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V. ECONOMETRÍA CONVOCATORIA ORDINARIA - 18/01/2007 NOMBRE Y APELLIDOS
Más detallesVamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y
Regresión Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y X Y
Más detallesINTRODUCCIÓN A REGRESIÓN LINEAL. Simple y Múltiple
1 INTRODUCCIÓN A REGRESIÓN LINEAL Simple y Múltiple 2 Introducción Aprendizaje Supervisado Predicción: estimar una función f(x) de forma que y = f(x) Donde Y puede ser: Número real: Regresión Categorías:
Más detallesModelo 1: MCO, usando las observaciones 1994: :03 (T = 218) Variable dependiente: INFLACION
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA 1º El investigador especifica el modelo siguiente: EXAMEN PARCIAL DE ECONOMETRIA I Se le pide estimar el modelo por el método
Más detallesEL ANÁLISIS DE GRUPOS EN LA HOMOLOGACIÓN DE COMPARABLES Área Temática Valoración Urbana y del Patrimonio Arquitectónico
EL ANÁLISIS DE GRUPOS EN LA HOMOLOGACIÓN DE COMPARABLES Área Temática Valoración Urbana y del Patrimonio Arquitectónico Oscar Pérez Veyna pveyna@cantera.reduaz.mx Fidel Álvarez González consuava@prodigy.net.mx
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 detallesNOMBRE: I. TEST (debe marcar sólo un resultado como válido en cada pregunta)
ECONOMETRÍA I Examen DADE 20 de enero de 2005 NOMBRE: I. TEST (debe marcar sólo un resultado como válido en cada pregunta) 1. El contraste del predictor Sirve para determinar si las predicciones del modelo
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesAplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas
Aplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento Centro 1 Estadística e Investigación
Más detallesSelección del Modelo de Regresión
Selección del Modelo de Regresión Resumen El procedimiento Selección del Modelo de Regresión está diseñado para ayudar a elegir las variables independientes que se usarán para construir un modelo de regresión
Más detallesTécnicas Cuantitativas para el Management y los Negocios
Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis
Más detallesIntroducción al Tema 3. Tema 3. Correlación y regresión Covarianza y correlación. Propiedades y relación con el diagrama de dispersión. Regresión.
Introducción al Tema 3 1 Tema 2. Análisis de datos Representaciones y gráficos. Resumen numérico. Relaciones entre variables. bivariantes Extensión a dos variables cuantitativas Tema 3. Correlación y regresión
Más detallesEjemplo de Regresión Lineal Simple.
Ejemplo de Regresión Lineal Simple. El archivo sargos.csv contiene datos morfométricos de una muestra de 200 sargos. Estos datos pueden leerse en R mediante la sintaxis: sargos=read.table(file="http://dl.dropbox.com/u/7610774/sargos.csv",
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2010/11
Estadística II Tema 4. Regresión lineal simple Curso 010/11 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesREGRESIÓN CON DOS VARIABLES: ESTIMACIÓN DE INTERVALOS Y PRUEBA DE HIPÓTESIS
REGRESIÓN CON DOS VARIABLES: ESTIMACIÓN DE INTERVALOS Y PRUEBA DE HIPÓTESIS Teoría de la estimación: Estimación puntual Estimación por intervalos ESTIMACIÓN DE INTERVALOS: IDEAS BÁSICAS 1 Lo que se busca
Más detallesEjemplo de Análisis de la Covarianza
Ejemplo de Análisis de la Covarianza Utilizando los datos del archivo sargos.csv representamos la itud desde el morro hasta la aleta dorsal frente a la itud total del pez: > sargos = read.table(file =
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesDepartamento de Estadística e Investigación Operativa Aplicadas y Calidad. Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V.
Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V. ECONOMETRÍA CONVOCATORIA EXTRAORDINARIA - 05/05/2006 NOMBRE
Más detallesRegresión múltiple. Efecto de varias variables ambientales sobre una especie de ganso migratorio. Luz
Nombre: AGRO 6600 LAB 12 Regresión múltiple Los datos adjuntos se tomaron para estudiar el efecto de varias variables ambientales sobre el tiempo en el que una especie de ganso migratorio deja su nido
Más detallesModelo de Regresión Lineal Múltiple. Normalidad. Dr. Víctor Aguirre Torres ITAM
Modelo de Regresión Lineal Múltiple. Normalidad Dr. Víctor Aguirre Torres ITAM Temas Porqué ocurre falta de normalidad Consecuencias Detección Enfoques para manejarla Guión 18. Dr. V. Aguirre Porqué ocurre?
Más detallesSERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 2006
SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 20 Se presenta a continuación el estudio de la serie de tiempo, para la Tasa Pasiva Referencial fuente Banco Central de Ecuador
Más detallesEstadística. Convocatoria ordinaria. 23 de mayo de Nombre Grupo.. Titulación.Número de Examen..
Estadística Convocatoria ordinaria. 23 de mayo de 2017 Nombre Grupo.. Titulación.Número de Examen.. Ejercicio 1 Se dispone de un test para detectar la presencia de contaminantes en una materia prima. Hay
Más detallesAnálisis de datos estructurados. Santiago Ulloa Datos proporcionados por: Vinicio Uday (Infostat)
Análisis de datos estructurados Santiago Ulloa Datos proporcionados por: Vinicio Uday (Infostat) Los datos Bloque Tratamiento Rendimiento 1 0 2010 1 75 2915 1 150 3049 1 225 3199 1 300 3381 2 0 1832 2
Más detallesEjemplos del Suplemento 1 resueltos con Minitab
O1 Ocho pasos para el desarrollo de una investigación Ejemplos del Suplemento 1 resueltos con Minitab O2 Tabla de Contenido Prueba de Normalidad... 3 Regresión Lineal... 7 Prueba t... 10 Prueba Z... 13
Más detallesLinear Regression and the Least-squares problem
Linear Regression and the Least-squares problem Aniel Nieves-González Abril 2013 Aniel Nieves-González () Linear Regression and the LSP Abril 2013 1 / 25 Variables cuantitativas y relaciones entre estas
Más detallesAnálisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática
Análisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento
Más detallesRegresión. Notas. Página 1 13-DEC :24:11. Salida creada Comentarios
REGRESSION /DESCRIPTIVES MEAN STDDEV CORR SIG N /MISSING LISTWISE /STATISTICS COEFF OUTS CI(95) R ANOVA COLLIN TOL CHANGE /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT P504 /METHOD=ENTER P505 P506
Más detallesInfoStat. Software estadístico. Dagoberto Salgado Horta
InfoStat. Software estadístico InfoStat. Software estadístico Para recibir, sin cargo, una clave de activación estudiantil de InfoStat complete el siguiente formulario. La clave se le enviará por correo
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 detallesLinear Regression and the Least-squares problem
Linear Regression and the Least-squares problem Aniel Nieves-González Aniel Nieves-González () Linear Regression and the LSP 1 / 25 Variables cuantitativas y relaciones entre estas (Repaso) Recuerde que
Más detallesRegresión Múltiple b=read.table("datoempleado.dat",header=t,sep="\t")
Regresión Múltiple b=read.table("datoempleado.dat",header=t,sep="\t") Ejemplo: (archivo datoempleado.dat) Fh (Referencia=Mujer) variables en el archivo names(b) [1] "id" "sexo" "fechnac" "educ" "catlab"
Más detallesAPENDICE 2. Regresiones múltiples y correlaciones lineales
APENDICE 2 Regresiones múltiples y correlaciones lineales Se corrieron regresiones múltiples y correlaciones lineales entre los factores dependientes e independientes. Al correr las correlaciones lineales
Más detallesTEMA N 1.- ANÁLISIS DE REGRESIÓN Y MÉTODO DE MÍNIMOS CUADRADOS
UNIVERSIDAD DE ORIENTE NÚCLEO DE ANZOÁTEGUI EXTENSIÓN REGIÓN CENTRO-SUR ANACO, ESTADO ANZOÁTEGUI Asignatura: Estadística II Docente: Ing. Jesús Alonso Campos TEMA N 1.- ANÁLISIS DE REGRESIÓN Y MÉTODO DE
Más detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesAGRO Examen Final. Nombre:
Examen Final Nombre: AGRO 6600 2008 Instrucciones: Apague celulares. Se descontarán puntos si su celular suena durante el examen. Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden
Más detallesRegresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
Más detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.15 ECONOMETRÍA 2 Econometría.weebly.com Wilhem.weebly.com Ejercicio 19.15 Considérese
Más detallesESTADISTICA AVANZADA MODULO I
ESTADISTICA AVANZADA MODULO I Análisis de Regresión Modelo Supuestos Multiple 20.0 25.0 30.0 35.0 40.0 45.0 50.0 55.0 60.0 65.0 70.0 75.0 80.0 85.0 Consumo Energetico Gráfico de Dispersión 110.000 105.000
Más detallesSPSS Aplicación práctica: Base de datos del HATCO
Aplicación práctica: Base de datos del HATCO Datos: observaciones de variables obtenidos desde encuentas a clientes de un distribuidor industrial. Variables de interés en la aplicación: Percepciones de
Más detallesECONOMETRÍA I LICENCIATURA EN ECONOMÍA, Curso PRÁCTICA 1 (LECCIÓN 1): EN BUSCA DE ESPECIFICACIÓN Por Beatriz González López-Valcárcel
ECONOMETRÍA I LICENCIATURA EN ECONOMÍA, Curso 2003-2004 PRÁCTICA 1 (LECCIÓN 1): EN BUSCA DE ESPECIFICACIÓN Por Beatriz González López-Valcárcel En esta práctica, aplicaremos los contrastes de especificación
Más detallesCAPÍTULO 5. Proyecciones de las Fuentes de Empleo Características Generales del Modelo de Regresión Lineal Múltiple de las Fuentes
CAPÍTULO 5 Proyecciones de las Fuentes de Empleo 5.1. Características Generales del Modelo de Regresión Lineal Múltiple de las Fuentes de Empleo a Nivel Nacional. Para la proyección de las fuentes de empleo
Más detallesPRACTICA 3. CONTRASTES Y PREDICCION.
ECONOMETRIA I (LADE). CURSO 2001/2002 PRACTICA 3. CONTRASTES Y PREDICCION. En el archivo prac3.xls disponemos de las siguientes observaciones correspondientes a un país: Y: consumo privado, medido en millones
Más detallesModelos de elección discreta Aplicaciones en ordenador
Modelos de elección discreta Aplicaciones en ordenador Román Salmerón Gómez Para ilustrar cómo abordar el análisis de Modelos de elección discreta con el software econométrico Gretl resolveremos el siguiente
Más detallesTM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.
TM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.. CÓMO DETECTAR Y MEDIR EL GRADO DE MULTICOLINEALIDAD. 3. SOLUCIONES: CÓMO AFRONTAR EL PROBLEMA EN
Más detallesRegresión. Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y
Regresión Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y X Y
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 detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallesVamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y
Regresión Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y X Y
Más detalles5. MODELO PARA LA ESTIMACIÓN DE LA CAPACIDAD
5. MODELO PARA LA ESTIMACIÓN DE LA CAPACIDAD 5.. INDEPENDENCIA DELAS VARIABLES El primer paso a dar en la generación de un modelo estadístico que permita la estimación de la capacidad, es la correcta elección
Más detallesExamen Final. Class Level Information Class Levels Values trat Number of Observations Used 15
Examen Final Nombre: AGRO 6600 2013 Instrucciones: Apague celulares. Se descontarán puntos si su celular suena durante el examen. Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 13 - Septiembre - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
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 detalles