Tema 2.- Regresión lineal múltiple (I) Introducción 2.2. Especificación del modelo de regresión lineal múltiple. 2.3.
|
|
- Raúl Villalba Segura
- hace 5 años
- Vistas:
Transcripción
1 Tema.- Regresón lneal múltple (I)... Introduccón.. Especfcacón del modelo de regresón lneal múltple..3. Estmacón de los parámetros del modelo por mínmos cuadrados..4. Interpretacón de la ecuacón de regresón..5. Contraste de la regresón.5.. Componentes de varacón..5.. Bondad de ajuste Valdacón del modelo Sgnfcacón de parámetros..6. Predccón..7. Estmacón paso a paso: Correlacón semparcal..8. Térmnos de nteraccón en el modelo de regresón.
2 .. Introduccón La necesdad de amplar el modelo de regresón smple ncluyendo nuevas varales predctoras oedece a dos razones fundamentales: Dar cuenta de la complejdad de la conducta Aumentar la potenca de los contrastes de la regresón
3 ..Especfcacón del modelo de RLM...Estructura ásca del modelo Y ε 3 k Como en la regresón smple las varales predctoras o ndependentes pueden ser cuanttatvas o cualtatvas
4 ..Especfcacón del modelo de RLM Deseamos estudar la relacón entre síntomas de estrés, años traajados y salaro. En este caso las varales predctoras son cuanttatvas. Deseamos estudar la relacón entre cansanco emoconal, el sexo y el tpo de contrato laoral dstnguéndose entre contrato ndefndo y temporal. Deseamos estudar la relacón entre sorecarga en el traajo, falta de recursos, sexo y tpo de contrato dstnguéndose para la varale tpo de contrato los sguentes funconaro, laoral ndefndo y temporal.
5 Expresón matemátca del modelo en la polacón ( ) Y f + ε β + β + β +... β + ε Y$ + ε j 0 k k Y$ β0 + β + β +... β ε Y Y$ k k Y Y Y Y 3 N K K 3 3 3K β0 ε β + ε β 3 ε 3 β ε N N NK K N Y B+ e
6 Hpótess áscas del modelo de RLM. El térmno de Error es una varale aleatora con meda cero. Homocedastcdad: la varanza del térmno de error es constante 3. Los errores son ndependentes entre sí. 4. Los errores se dstruyen normalmente 5. Las varales predctoras no pueden correlaconar de manera perfecta
7 Resumen gráfco de las hpótess áscas formuladas en térmnos de la varale crtero
8 .3. Estmacón de los parámetros del modelo de RLM.3.. La ecuacón de regresón de mínmos cuadrados en puntuacones drectas y prncpales propedades Y e Y$ + e Y$ kk e Y Y$ k k Crtero de mínmos cuadrados: N N ( ) ( ) 0 k k ( ) ( ) ( ) e Y Y$ Y mn ' 'Y N
9 Propedades de la ecuacón de regresón de mínmos cuadrados ) La meda de las puntuacones predchas es gual a la meda de Y ) Los errores tenen meda cero 3) La ecuacón de regresón de mínmos cuadrados para por el centro de la nue de puntos: ( Y),,... K, (... ) K K Y ) Los errores no correlaconan n con las varale predctoras n con las puntuacones predchas
10 .4. Interpretacón de la ecuacón de regresón. Ejemplo: Estmulacón materna 0,48 Nvel de desarrollo a los 3 años 0,0 Nvel de desarrollo a los 6 años 0,6 Estmulacón paterna Y$ 0, , , 0 + 0, 6 3
11 .4. Interpretacón de la ecuacón de regresón. Modelo (Constante) Realzacón person Cansanco emocon Coefcentes a Coefcentes no estandarzados a. Varale dependente: emesttotal Coefcentes estandarzad os B Error típ. Beta t Sg. 3,6,78 5,07,000 -,05,07 -,39-3,044,003,49,0,58,75,000 y ˆ 3,6 0,05 RP+ 0, 49 CE
12 .4. Interpretacón de la ecuacón de regresón. Sexo Frecuenca Váldos,00 Mujer 4,00 Hom 73 Total 35 Modelo (Constante) Cansanco emoc Sexo Coefcentes a Coefcentes no estandarzados a. Varale dependente: emesttotal Coefcentes estandarzad os B Error típ. Beta t Sg.,987,9 6,8,000,57,0,64 4,00,000 -,700,48 -,4 -,80,005 sntomas de estrés y 0,57x +,987 y 0,57x +,87 mujer homre yˆ, ,57 CE 0,700 SEO Para las mujeres Sexo 0 yˆ, ,57 CE Para los hom res Sexo yˆ (,987 0,700) + 0,57 CE cansanco emoconal
13 Váldos.4. Interpretacón de la ecuacón de regresón. Personal,00 PAS,00 PDI Total Frecuenca yˆ 5,06 0,95 0 0, ,06 Mode yˆ 5,06 0,95 SEO 0,096 PERSONAL Para las mujeres Para las mujeres del del yˆ 5,06 0,95 0 0,096 5,06 0,096 Para los hom res del yˆ 5,06 0,95 0, ,06 0,95 Para los hom res del PAS PDI PAS PDI Coefcentes a Coefcente Coefcentes nostandarza estandarzados os B Error típ. Beta t Sg. (Constan5,06,8 8,509,000 Sexo -,95,38 -,6 -,787,006 Persona -,096,336 -,07 -,85,776 a. Varale dependente: emesttotal yˆ 5,06 0,95 0,096 5,06 0,95 0,096 Sexo Frecuenca Váldos,00 Mujer 4,00 Hom 73 Total 35
14 ecuacón de regresón en dferencales y$ x + x x k k ecuacón de regresón en estandarzadas Z$ βz + β Z β Z y k k Relacón entre j y β j regresón en estandarzadas β j j j S S y
15 .5. Contraste de la regresón.5.. Componentes de varacón..5.. Bondad de ajuste Valdacón del modelo Sgnfcacón de parámetros.
16 .5.. Componentes de varacón. N N ( ) ( ) ( ) Y Y Y$ Y + Y Y$ SC SC + SC t exp res N
17 .5.. Bondad de ajuste. R y.,,.., k SCexp SC t N N ( Y$ Y) ( Y Y) Y r 0
18 .5.. Bondad de ajuste. R y.,,.., k Y SCexp SC t N N ( Y$ Y) ( Y Y) r y r y R r y + r y r 0
19 .5.. Bondad de ajuste. R y.,,.., k Y SCexp SC t N N ( Y$ Y) ( Y Y) -R r 0 a c Ra++c r y a+c r y +c
20 .5.3. Valdacón del modelo. Fuentes de varacón Suma de Cuadrados g.l Varanza F Explcada o regresón N ( $Y Y ) K S exp SC K exp S S exp res R y.,,..., k K R y.,,..., k N K Resdual ( Y Y) N $ N-K- S res SCres N K Total N N- ( Y Y) S t SCt N
21 .5.4. Sgnfcacón de parámetros. ) Planteamento de hpótess H 0 : β j 0 H : β j 0 t S t S t S t S k k k 0 0 ) Estadístco de contraste
22 .5.4. Sgnfcacón de parámetros. 3) Regón de rechazo 4) Regla de decsón
23 Ejemplo: Estmulacón materna 0,48 Nvel de desarrollo a los 3 años 0,0 Nvel de desarrollo a los 6 años 0,6 Estmulacón paterna Y$ 0, , , 0 + 0, 6 3
24 .5.3. Valdacón del modelo. Fuentes de varacón Suma de Cuadrados g.l Varanza F Explcada o regresón 557, 3 85,7 74,05 Resdual 40, ,68 Total 63
25 .5.4. Sgnfcacón de parámetros. H 0 : β j 0 H : β j 0 t t t t , 8 S 70, 048, S 0, 05 00, S 0034, 3 06, S 00, 3 769, 9, 34 0, 4 5, 56
26 Ejemplos de Regresón lneal múltple con SPSS
27 Ejemplos de Regresón lneal múltple con SPSS Varales ntroducdas/elmnadas Modelo a.. Varales ntroducdas SEO, meses monoparenta ldad de hecho, competenca escolar (Harter), Aceptacón a socal Todas las varales solctadas ntroducdas Varale dependente: Autoconcepto gloal Varales elmnadas. Introducr Método Bondad de ajuste Modelo a. Resumen del modelo R cuadrado Error típ. de la R R cuadrado corregda estmacón.546 a Varales predctoras: (Constante), SEO, meses monoparentaldad de hecho, competenca escolar (Harter), Aceptacón socal Coefcente de correlacón múltpe: R y.,,3,.., k r yyˆ R R corregda k N ( R ) k
28 Ejemplos de Regresón lneal múltple con SPSS Modelo Modelo ANOVA Suma de Meda cuadrados gl cuadrátca F Sg. Regresón a Resdual Total a. Varales predctoras: (Constante), SEO, meses monoparentaldad d competenca escolar (Harter), Aceptacón socal. Varale dependente: Autoconcepto Coefcentes gloal a (Constante) competenca escolar (Harter) Aceptacón socal meses monoparentaldad de hecho SEO Coefcentes no estandarzados a. Varale dependente: Autoconcepto gloal Varanza Explcada Coefcentes estandarzad os Varanza resdual B Error típ. Beta t Sg B t Error tp
29 Ejemplos de Regresón lneal múltple con SPSS En el cuadro de coefcentes oservamos que los coefcentes de regresón parcal de las varales monoparentaldad de hecho y sexo no son estadístcamente dstntos de cero en consecuenca dchas varales deen elmnarse del modelo y volver a estmar la ecuacón de regresón con las varales harter total y competenca escolar. Este procedmento de nclur todas las varales que el nvestgador consdera relevantes en la explcacón de la varale dependente en SPSS se conoce como método Introducr. Es el nvestgador, una vez analzados estadístcamente los coefcentes estmados, el que dee depurar la ecuacón elmnando las varales no sgnfcatvas. Deen elmnarse una a una. Es decr en prmer lugar elmnamos sexo y volvemos a estmar con las que quedan y s todas son sgnfcatvas esa sería la ecuacón válda. En cualquer otro caso haría que elmnar la sguente no sgnfcatva. Este proceso acaa cuando todas las varales son estadístcamente sgnfcatvas. Para selecconar las varales relevantes en un modelo de regresón se puede proceder como hemos comentado en el párrafo anteror o se pueden utlzar otros procedmentos. De los procedmentos dsponles para construr un modelo de regresón e mplementados en SPSS comentaremos el de estmacón paso a paso o pasos sucesvos porque junto al anteror es de los que más se utlzan en nvestgacón.
30 .7. Estmacón paso a paso: correlacón semparcal al cuadrado (más nformacón en: Paso. Se estma una ecuacón de regresón smple con la varale ndependente tenga la mayor correlacón con la varale dependente: Y ˆ 0 + Paso. Se usca la varale ndependente que dsmnuya más la proporcón de varaldad resdual de la prmera ecuacón. Paso 3. Se recalcula la ecuacón de regresón utlzando las dos varales ndependentes que mejor explcan a la varale dependente, y se examna el valor parcal F de la varale orgnal del modelo para ver s todavía realza una contrucón sgnfcatva. S no lo hace, se elmna. S lo hace, la ecuacón queda: Y ˆ Paso 4. Contnua este procedmento con todas las varales ndependentes restantes para ver s deerían nclurse en la ecuacón. S se ncluye alguna, hay que examnar las varales prevamente ncludas para juzgar s deen mantenerse. Vamos a utlzar el procedmento de estmacón paso a paso o pasos sucesvos para estmar la ecuacón de regresón de la varale estrés total (emes_total) utlzando como varales ndependentes sexo, personal y competenca. Para utlzar este procedmento en el cuadro de regresón lneal selecconamos pasos suc en método.
31 .7. Estmacón paso a paso: correlacón semparcal al cuadrado Resumen del modelo Modelo Estadístcos de camo R cuadrado Error típ. de la Camo en Sg. del R R cuadrado corregda estmacón R cuadrado Camo en F gl gl camo en F,30 a,096,093 7,0505,096 3,75 98,000,379,44,38 6,8487,048 6,543 97,000 a. Varales predctoras: (Constante), competenca. Varales predctoras: (Constante), competenca, Sexo Modelo Regresón Resdual Total Regresón Resdual Total ANOVA c Suma de Meda cuadrados gl cuadrátca F Sg. 566,96 566,96 3,75,000 a 4706, ,35 673, ,93 7,46 4,975, , , , a. Varales predctoras: (Constante), competenca. Varales predctoras: (Constante), competenca, Sexo c. Varale dependente: emest_total Modelo Coefcentes a Coefcentes no estandarzados Coefcentes estandarzad os B Error típ. Beta t Sg. (Constante) 6,77,40,47,000 competenca -,38,068 -,30-5,635,000 (Constante) 9,4,49,089,000 competenca -,40,066 -,36-6,06,000 Sexo -3,4,797 -,9-4,067,000 a. Varale dependente: emest_total
32 .7. Estmacón paso a paso: correlacón semparcal al cuadrado De los resultados otendos con el procedmento de estmacón paso a paso comentaremos aquellos de la tala Resumen del modelo que son nuevos con respecto a los otendos con el método Introducr. Como en el método anteror la prmera tala es: Resumen del modelo Modelo Estadístcos de camo R cuadrado Error típ. de la Camo en Sg. del R R cuadrado corregda estmacón R cuadrado Camo en F gl gl camo en F,30 a,096,093 7,0505,096 3,75 98,000,379,44,38 6,8487,048 6,543 97,000 a. Varales predctoras: (Constante), competenca. Varales predctoras: (Constante), competenca, Sexo En esta tala en la columna Modelo los valores y corresponden a las ecuacones estmadas en los dos pasos de la aplcacón del método. En el paso se estma la ecuacón de regresón smple (modelo ) con la varale competenca como predctora por que es la que tene una correlacón (R0,30) mayor con la varale dependente. En el paso se ha estmado la ecuacón de regresón múltple con las varales competenca y sexo. De las dos varales ndependentes restantes: personal y sexo la que ncrementa más la proporcón de varaldad explcada de Y es sexo por tanto esta se ncluye y se excluye personal. La varale personal se ha excludo por no resultar sgnfcatva. En la Columna R cuadrado dsponemos de la ondad de ajuste del modelo de regresón smple estmado en el paso R y 0,096 y que puede ser representada en un dagrama de Venn por el sguente gráfco: 0,096 Y R y 0,096
33 .7. Estmacón paso a paso: correlacón semparcal al cuadrado (más nformacón en: El segundo valor de la columna de R cuadrado es la ondad de ajuste del modelo de regresón múltple fnal: R y. 0,44 Como ocurre sempre la ondad de ajuste de la ecuacón de regresón múltple es mayor que la de la ecuacón de regresón smple (0,44>0,096). La dferenca es el ncremento en proporcón de varaldad explcada dedo a la nclusón en el segundo paso de la varale sexo. Luego la varale sexo aporta a la varaldad explcada de la varale dependente: R y. r y 0,44 0,096 0,048 a este ncremento se le denomna coefcente de correlacón semparcal al cuadrado y se le denota como R R r y(.) y. y El dagrama de Venn correspondente a la ondad de ajuste anteror sería: Y R y 0,096 R y( 0,048.)
34 .7. Estmacón paso a paso: correlacón semparcal al cuadrado La segunda parte de la tala Resumen del modelo concretamente en la columna Camo en R cuadrado de nuevo otenemos la ondad de ajuste de la regresón smple R y 0,096 y el ncremento en varaldad explcada deda a la Inclusón de la varale sexo R y(.) 0,048. Además, como para que una varale se ncluya en la ecuacón la varaldad explcada tene que ser estadístcamente sgnfcatva en la columna Camo en F se calculan dchos valores para el modelo de regresón Smple y para el ncremento dedo a la varale sexo. La últma columna corresponde a la sgnfcacón de la F para la valdacón del modelo de regresón smple y para el ncremento en varaldad explcada deda a la varale sexo respectvamente. La sguente tala resume la nformacón más mportante que en la tala Resumen del modelo nos proporcona el procedmento de estmacón paso a paso. Paso Ecuacón Bondad de ajuste Proporcón de F varaldad explcada por: Y ˆ + 0 R y R y R y R y N K R y Y ˆ R y. R y(.) R R y(.) y. N K
35 .7. Otro ejemplo de Regresón lneal múltple con SPSS y estmacón paso a paso Resumen del modelo Modelo 3 R cuadrado Error típ. de la R R cuadrado corregda estmacón,450 a,03,99 6,336,508,58,5 6,46,5 c,73,63 6,0758 a. Varales predctoras: (Constante), conflrol Conflcto de rol. Varales predctoras: (Constante), conflrol Conflcto de rol, sorecar Sorecarga c. Varales predctoras: (Constante), conflrol Conflcto de rol, sorecar Sorecarga, superesp Superespecalzacón R y 0,03 Y R y( 0,05 3.) Coefcentes a Modelo 3 (Constante) conflrol Conflcto de rol (Constante) conflrol Conflcto de rol sorecar Sorecarga (Constante) conflrol Conflcto de rol sorecar Sorecarga superesp Superespecalzacón Coefcentes no estandarzados a. Varale dependente: emesttot emest_total Coefcentes estandarzad os B Error típ. Beta t Sg. 4,93,59 4,40,000,83,04,450 7,679,000,350,80,836,068,3,07,303 4,59,000,35,033,77 4,38,000,559,50,37,7,089,03,0,87,004,59,034,36 4,655,000,5,069,4,93,09 3 R y( 0,055.)
36 .8. Térmnos de nteraccón en el modelo de regresón (más nformacón en Interaccón entre varales cualtatvas Interaccón entre una varale cualtatva y una cuanttatva Interaccón entre varales cuanttatvas
37 .8. Interaccón entre varales cualtatvas: ausenca de nteraccón,00 0,00 Mujer () y,46x + 6,6 :Sexo Y:Rendmento 8,00 6,00 4,00,00 0,00 Homre (0) y,46x + 4,08 0 Motvacón aja Motvacón alta ˆ Sexo Motvacón Coefcentes Y Y sexo, motva 0 (Homre) 0 (Baja) 4,08 ( ) :Motvacón Yˆ Yˆ 0 0 Yˆ ( 0 + ) + 4,08 0 (Mujer) 0 ( Baja) 6,6 6,6-4,08,08 0 (Homre) ( Alta) 6,54 8,6-6,6,46 (Mujer) (Alta) 8,6
38 .8. Interaccón entre varales cualtatvas y,5x + 4,7 y -0,886x + 3, turno conflcto fjo varale Implcacón alta () Implcacón aja (0) Y: Conflcto :Turno : Implcacón Varale Moderadora Y: Conflcto :Turno : Implcacón ( ) ( ) ( ) ( ) ˆ ) ( ˆ ) 0 ( ˆ ˆ Y Alta Y Baja Y Y e Y
39 .8. Interaccón entre varales cualtatvas Matrz de Datos Resumen del modelo Modelo Modelo R cuadrado Error típ. de la R R cuadrado corregda estmacón,838 a,70,677,845 a. Varales predctoras: (Constante), x nteraccón, mplcacón, turno Regresón Resdual Total ANOVA Suma de Meda cuadrados gl cuadrátca F Sg. 8,07 3 4,67 8,77,000 a 54,37 36,509 8, a. Varales predctoras: (Constante), x nteraccón, mplcacón, turno. Varale dependente: conflcto Modelo (Constante) turno mplcacón x nteraccón a. Varale dependente: conflcto Coefcentes a Coefcentes no estandarzados Coefcentes estandarzad os B Error típ. Beta t Sg. 4,70,388 37,867,000,500,549,585 4,55,000 -,354,549 -,37 -,465,09-3,386,777 -,687-4,358,000
40 .8.Interaccón entre varales cualtatvas Modelo (Constante) turno mplcacón x nteraccón a. Varale dependente: conflcto Coefcentes a Coefcentes no estandarzados Coefcentes estandarzad os B Error típ. Beta t Sg. 4,70,388 37,867,000,500,549,585 4,55,000 -,354,549 -,37 -,465,09-3,386,777 -,687-4,358,000 Y e Yˆ ,7 +,5,354 3,386 Yˆ 0( Baja) Yˆ 0 + ( Alta) 4,7+,5 ( 0 + ) + ( + 3 ) ( 4,7,354) + (,5 3,386) 3,356 0,886
41 .8.Interaccón entre varale una varale cualtatva y una cuanttatva 00 y 0,5984x + 83,8 CI total y -,406x + 53, :Edad : Ansedad Y: CItotal edad en dferencales (centrada) sn ansedad con ansedad Varale Moderadora : ansedad Yˆ Yˆ 0 + ( ) ( ) ( 0 + ) + ( + 3 )( ) 0( Snansedad) Yˆ 0 + ( ) ( Conansedad) Yˆ ( + ) + ( + )( ) 0 3 :Edad Y: CITotal
42 .8. Interaccón entre una varale cualtatva y una cuanttatva Matrz de Datos Estadístcos descrptvos edad N váldo (según lsta) N Mínmo Máxmo Meda Desv. típ. 48 6,00 8,00 0,8750 3, Modelo Modelo Resumen del modelo R cuadrado Error típ. de la R R cuadrado corregda estmacón,969 a,939,935 4,0700 a. Varales predctoras: (Constante), nteraccon, ansedad, edaddf Regresón Resdual Total ANOVA Suma de Meda cuadrados gl cuadrátca F Sg. 47, ,805 6,697,000 a 74, ,867 3, a. Varales predctoras: (Constante), nteraccon, ansedad, edaddf. Varale dependente: ct
43 .8. Interaccón entre dos varales cuanttatvas Varale Moderadora Y: Intencón :Acttud : Presón Y: Intencón :Acttud : Presón ( ) ( ) ( )( ) ( ) ( ) ( ) ( )( ) ˆ ˆ Y Y
44 .8. Interaccón entre una varale cualtatva y una cuanttatva Modelo (Constante) edaddf ansedad nteraccon a. Varale dependente: ct Coefcentes a Coefcentes no estandarzados Coefcentes estandarzad os B Error típ. Beta t Sg. 83,8,838 99,34,000,598,4,30,478,07-30,000,86 -,940-5,304,000 -,000,34 -,308-5,857,000 Yˆ 83,8 + 0,598 0( Sn ansedad) Yˆ 83,8 + 0,598 ( Con ansedad) Yˆ ( ) 30 ( ) ( ) ( 83,8 30) + ( 0,598 )( ) 53,8,40( )
45 .8. Interaccón entre dos varales cuanttatvas Matrz de Datos Estadístcos descrptvos acttud preson N váldo (según lsta) N Mínmo Máxmo Meda Desv. típ. 5,00 5,00 3,0000,4990 5,00 5,00 3,0000, Modelo Resumen del modelo R cuadrado Error típ. de la R R cuadrado corregda estmacón,968 a,938,936,43740 a. Varales predctoras: (Constante), nteraccón, presondf, acttuddf Modelo Regresón Resdual Total ANOVA Suma de Meda cuadrados gl cuadrátca F Sg. 3750, , ,000,000 a 50,000, ,000 4 a. Varales predctoras: (Constante), nteraccón, presondf, acttuddf. Varale dependente: ntencón
46 .8. Interaccón entre dos varales cuanttatvas Coefcentes a Modelo Yˆ Yˆ (Constante) acttuddf presondf nteraccón + 3( ) ( ) ( )( ) ( ( )) + ( 3 ( ))( ) Coefcentes no estandarzados a. Varale dependente: ntencón B Error típ. Beta t Sg.,000,9 85,560,000 3,000,09,750 33,000,000 -,000,09 -,500 -,000,000 -,000,064 -,354-5,556,000 Coefcentes estandarzad os ntencón y 5x + 5 y 4x + 3 y 3x + y x + 9 y x + 7 presón acttud en dferencales presón - presón - presón 0 presón presón
47 Para termnar: Multcolnealdad Uno de los prolemas más graves que podemos encontrarnos a la hora de construr un modelo de regresón es el de la multcolnealdad que tene que ver con la eleccón de varales ndependentes o predctoras altamente correlaconadas. Cuando esto ocurre podemos tener un modelo váldo y nngún coefcente de regresón sgnfcatvo. Esto se dee a que, en presenca de colnealdad, los errores estándar son muy grandes y los coefcentes nestales. Para detectar multcolnealdad podemos utlzar dferentes índces dos de los más frecuentes e mplementados en los paquetes estadístcos son el factor de nflacón de varanza (FIV) y el índce de condcón (IC). Respecto al factor de nflacón de la varanza (FIV) se sugere como regla que nngún FIV sea mayor que 4 (otros autores stúan el valor de FIV en 0). En cuanto al índce de condcón se consdera que valores mayores que 30 ndcan multcolnealdad alta, entre 0 y 30 moderada y menos de 0 aja.
Regresión múltiple k k
Métodos de Regresón Estadístca Ismael Sánchez Borrego Regresón múltple El modelo de regresón múltple es la extensón a k varables explcatvas del modelo de regresón smple estudado en el apartado anteror.
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 7 de Mayo de 08 9:00 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta A B C En Blanco
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septembre de 01 15:30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta 1 A B C
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Juno de 3 9: horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta A B C En Blanco Pregunta
Más detallesExamen Final de Econometría Grado
Examen Fnal de Econometría Grado 17 de Mayo de 2016 15.30 horas Apelldos: Grado (ADE/ ECO): Nombre del profesor(a): Nombre: Grupo: Emal: Antes de empezar a resolver el examen, rellene TODA la nformacón
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesModelo Lineal Múltiple. Clase 03. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial
Unversdad Austral de Chle Escuela de Ingenería Comercal ICPM050, Econometría Clase 03 Modelo Lneal Múltple Profesor: Carlos R. Ptta Econometría, Prof. Carlos R. Ptta, Unversdad Austral de Chle. Análss
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 20 DE JUNIO DE horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 0 DE JUNIO DE 018 15.30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta 1 A B C En Blanco
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detallesHeight (altura) Extraction (extracción)
Regresón Posson Resumen El procedmento Regresón Posson está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado relacona Y con
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesTODO ECONOMETRIA. Variables cualitativas
TODO ECONOMETRIA Varables cualtatvas Índce Defncón de las varables dummy (o varables fctcas) Regresón con varables explcatvas dummy Varables dummy S queremos estudar s los hombres ganan más que las mujeres,
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesLección 4. Ejercicios complementarios.
Introduccón a la Estadístca Grado en Tursmo Leccón 4. Ejerccos complementaros. Ejercco 1 (juno 06). La nformacón relatva al mes de enero sobre los ngresos (X) y los gastos (Y), expresados en mles de euros,
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesllamadas variables independientes, d e es, tomando valores en R las p+1 variables consideradas.
Análss de Regresón Lneal Mª Dolores Cubles de la Vega Departamento de Estadístca e Investgacón Operatva Unversdad de Sevlla El Análss de Regresón es un conjunto de técncas estadístcas cuyo objetvo es nvestgar
Más detallesRegresión de Datos de Vida
Regresón de Datos de Vda Resumen El procedmento Regresón de Datos de Vda está dseñado para ajustar un modelo estadístco paramétrco relaconado con tempos de falla a una o más varables predctoras. Los predctores
Más detallesTema 2: El modelo clásico de regresión
CURSO 010/011 Tema : El modelo clásco de regresón Aránzazu de Juan Fernández ECONOMETRÍA I ESQUEMA DEL TEMA Presentacón del modelo Hpótess del modelo Estmacón MCO Propedades algebracas de los estmadores
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesRegresión Binomial Negativa
Regresón Bnomal Negatva Resumen El procedmento Regresón Bnomal Negatva está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesLicenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL
INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesEjercicios y Talleres. puedes enviarlos a
Ejerccos y Talleres puedes envarlos a klasesdematematcasymas@gmal.com www.klasesdematematcasymas.com EJERCICIOS DE REGRESIONES Y ANALISIS DE COVARIANZA Analzar la nformacón recoplada por medo de los dferentes
Más detallesEl Impacto de las Remesas en el PIB y el Consumo en México, 2015
El Impacto de las Remesas en el y el Consumo en Méxco, 2015 Ilana Zárate Gutérrez y Javer González Rosas Cudad de Méxco Juno 23 de 2016 1 O B J E T I V O Durante muchos años la mgracón ha sdo vsta como
Más detallesRelación 2: Regresión Lineal.
Relacón 2: Regresón Lneal. 1. Se llevó a cabo un estudo acerca de la cantdad de azúcar refnada (Y ) medante un certo proceso a varas temperaturas dferentes (X). Los datos se codfcan y regstraron en el
Más detallesINTRODUCTION TO ECONOMETRICS
INTRODUCTION TO ECONOMETRICS Abstract Econometrcs s one of the most mportant applcatons to the mathematcal statstcs and a fundamental tool n the economc research and n the desgn and analyss of economc
Más detallesPrueba de Evaluación Continua
Estadístca Descrptva y Regresón y Correlacón Prueba de Evaluacón Contnua 1-III-18 1.- Dada la varable x y la nueva varable y=a+bx, ndcar (demostrándolo) la expresón exstente entre las respectvas medas
Más detallesDISEÑO COMPLETAMENTE ALEATORIZADO
DISEÑO COMPLETAMENTE ALEATORIZADO yj µ + τ + uj ; :,..., I ; j:,..., n µ : Meda general ; τ : Efecto del tratamento esmo u j : Errores expermentales HIPOTESIS DEL MODELO La meda sea cero: La varanza sea
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesRegresión Logística. StatFolio Muestra: logistic.sgp
Regresón Logístca Resumen El procedmento de Regresón Logístca está dseñado para ajustarse a un modelo de regresón en el que la varable dependente Y caracterza un evento con sólo dos posbles resultados.
Más detallesAnálisis cuantitativo aplicado al Comercio Internacional y el Transporte
Máster de Comerco, Transporte y Comuncacones Internaconales Análss cuanttatvo aplcado al Comerco Internaconal y el Transporte Ramón úñez Sánchez Soraya Hdalgo Gallego Departamento de Economía Introduccón
Más detallesRegresión y correlación simple 113
Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesRegresión y correlación Tema 8. 1.1 Contraste sobre β 1.2 Regresión en formato ANOVA. 2. Correlación. Contraste sobre ρ xy
Unversdad Autónoma de Madrd 1 Regresón y correlacón Tema 8 1. Regresón lneal smple 1.1 Contraste sobre β 1. Regresón en formato ANOVA. Correlacón. Contraste sobre ρ xy Análss de Datos en Pscología II Tema
Más detallesCAPÍTULO IV. IV.1 Correlación de los resultados experimentales
CAPÍTULO IV IV. Correlacón de los resultados expermentales La aplcacón de modelos de solucón para correlaconar los resultados que se obtenen en los expermentos, resulta de gran mportanca para amplar la
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesVariables Dummy (parte I)
Varables Dummy (parte I) Fortno Vela Peón Unversdad Autónoma Metropoltana fvela@correo.xoc.uam.mx Octubre, 2010 19/10/2010 Méxco, D. F. 1 Introduccón Algunas de las varables son por su naturaleza propa
Más detallesDiseño y Análisis de Experimentos en el SPSS 1
Dseño y Análss de Expermentos en el SPSS EJEMPLO. Los sguentes datos muestran las meddas de hemoglobna (gramos por 00 ml) en la sangre de 40 ejemplares de una espece de truchas marrones. Las truchas se
Más detallesPUBLICACIONES DE 4º CURSO
PUBLICACIONES DE 4º CURSO Grado: DERECHO-ADE Asgnatura: ECONOMERÍA Grupos: Únco ema: ESQUEMA EMA Profesores: Inmaculada Vllanúa Departamento de ANÁLISIS ECONÓMICO Curso Académco 04/5 ema : El Modelo Lneal
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallese i para construir el modelo econométrico que se escribe a continuación:
5.3 Especfcacón del modelo empírco Para este análss se formló n modelo econométrco de seccón crzada, porqe las observacones corresponden a las característcas de las personas encestadas en n msmo período
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesUSOS Y EXTENSIONES DEL MODELO LINEAL CON K VARIABLES
Unversdad de San Andrés Departamento de Economía Econometría Semestre de otoño USOS Y ETENSIONES DEL MODELO LINEAL CON K VARIABLES Marana Marchonn marana@depeco.econo.unlp.edu.ar Varables explcatvas bnaras
Más detallesRiesgos Proporcionales de Cox
Resgos Proporconales de Cox Resumen El procedmento Resgos Proporconales de Cox esta dseñado para ajustar un modelo estadístco sem-parámetrco a los tempos de falla de una o mas varables predctoras. Los
Más detallesTema 5: Incumplimiento de las Hipótesis sobre el Término de Perturbación
Tema 5: Incumplmento de las Hpótess sobre el Térmno de Perturbacón TEMA 5: INCMPLIMIENTO DE LAS HIPÓTESIS SOBRE EL TÉRMINO DE PERTRBACIÓN 5.) Introduccón 5.) El Modelo de Regresón Lneal Generalzado 5.3)
Más detallesSolución Taller No. 10 Econometría II Prof. Bernal
Solucón Taller No. 0 Econometría 2007 II Prof. Bernal. a. El modelo que hay que estmar es el sguente: partcpa = B + B edad _ nno + B genero _ nno + B * edad _ mama + B secundara + B casada + B trabaja
Más detallesMaterial del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez
IV-1 UNIVERSIDAD DE JAÉN Materal del curso Análss de datos procedentes de nvestgacones medante programas nformátcos Manuel Mguel Ramos Álvarez Índce MAATTEERRIIAALL IIV EXXPPLLIICCAACCIIÓÓNN CCOONN REEGGRREESSIIÓÓNN
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesCapítulo 2: ANALISIS EXPLORATORIO de DATOS Estadística Computacional 1º Semestre 2003
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo : ANALISIS EXPLORATORIO de DATOS Estadístca Computaconal º Semestre 003 Profesor :Héctor Allende Págna : www.nf.utfsm.cl/~hallende
Más detallesCASO PRÁCTICO TEORÍA. 1 i (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS)
Caso 6: Calbrado para fosfato y predccón nversa 43 Caso 6 : Calbrado para fosfato y predccón nversa (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS) CASO PRÁCTICO Al hacer calbrados con
Más detallesBoletín de la Tendencia Laboral del Desarrollo Humano
Boletín de la Tendenca Laboral del Desarrollo Humano Notas técncas AÑO 05 NÚMERO 6 PROGRAMA DE LAS NACIONES UNIDAS PARA EL DESARROLLO MÉXICO Nota técnca Índce de Compettvdad Socal (cs) El cs es una medda
Más detallesSolución de los Ejercicios de Práctica # 1. Econometría 1 Prof. R. Bernal
Solucón de los Ejerccos de ráctca # 1 Econometría 1 rof. R. Bernal 1. La tabla de frecuencas está dada por: Marca A Marca B
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesUNIDAD 12: Distribuciones bidimensionales. Correlación y regresión
Matemátcas aplcadas a las Cencas Socales UNIDAD 1: Dstrbucones bdmensonales. Correlacón regresón ACTIVIDADES-PÁG. 68 1. La meda la desvacón típca son: 1,866 0,065. Los jugadores que se encuentran por encma
Más detallesTema 9. Análisis de Varianza de un factor. Análisis de la Varianza (ANOVA) Conceptos generales
Tema 9 Análss de la Varanza (ANOVA) Conceptos generales La técnca del Análss de la Varanza consste en descomponer la varabldad de una poblacón (representada por su varanza) en dversos sumandos según los
Más detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesLas hipótesis en las que vamos a basar el funcionamiento del Modelo Lineal General
CAPÍULO. EL MODELO LINEAL GENERAL. Introduccón. Hpótess del modelo Las hpótess en las que vamos a basar el funconamento del Modelo Lneal General son las sguentes. Suponemos que tenemos una muestra de valores
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesCEDE. Ramón Antonio Rosales Álvarez Jorge Alexander Bonilla Londoño INTRODUCCIÓN A LA ECONOMETRÍA
APUNTES DE CLASE CEDE ISSN 1909-444 INTRODUCCIÓN A LA ECONOMETRÍA Ramón Antono Rosales Álvarez Jorge Alexander Bonlla Londoño 3 OCTUBRE DE 006 CEDE Centro de Estudos sobre Desarrollo Económco Facultad
Más detallesIN540: Métodos Estadísticos para economía y gestión Profesores: Marcelo Henríquez, Felipe Avilés Auxiliares: José Miguel Carrasco
Departamento de Ingenería Industral Facultad de Cs. Físcas y Matemátcas Unversdad de Chle IN540: Métodos Estadístcos para economía y gestón Profesores: Marcelo Henríquez, Felpe Avlés Auxlares: José Mguel
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesErratas y modificaciones
Erratas y modfcacones Págna 39 Tabla fnal: Dce: Expermental T Debe decr: Expermental T Págna 40 Tabla comenzo: Dce: T 0 Debe decr: T Dce: 3 T Debe decr: 3 T Págna 05 Párrafo : Debe qutarse el acento de
Más detallesEstimación de incertidumbres en calibración de Osciladores
Estmacón de ncertdumbres en calbracón de Oscladores J. Maurco López R. Dvsón de Tempo Frecuenca Centro Naconal de Metrología maurco.lopez@cenam.mx Resumen La frecuenca de salda de los oscladores debe ser
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detalles1.-Especificaciones lineales de las variables explicativas
Tema 6: Especfcacón De La Forma Funcona De La Ecuacón. Interpretacon Aplcacones.-Especfcacones lneales de las varables explcatvas.- Especfcacón cuadrátca 3.- Especfcacón lneal o cuadrátca con un térmno
Más detallesSEMANA 13. CLASE 14. MARTES 20/09/16
SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.
Más detallesDISEÑO SEVERO. PALACIOS C. SEVERO Consultor Metalúrgico. Lima Perú
DISEÑO SEVERO PALACIOS C. SEVERO Consultor Metalúrgco espc@yahoo.com Lma Perú RESUMEN: Se ha desarrollado un nuevo dseño de mucha utldad para los procesos ndustrales al cual he denomnado Dseño Severo.
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesMEDIDAS DE ASOCIACIÓN: COEFICIENTES DE CORRELACIÓN Y DE REGRESIÓN I.- Introducción En el tema I estudiamos las medidas descriptivas para una
MEDIDAS DE ASOCIACIÓ: COEFICIETES DE CORRELACIÓ DE REGRESIÓ I.- Introduccón En el tema I estudamos las meddas descrptvas para una varable, y además, planteamos que tales meddas tambén exsten para dos o
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
Más detallesa) DIAGRAMA DE DISPERSION
SIS 335 - A EJEMPLO.- Se ha recogdo datos de una localdad medante sendas encuestas sobre el consumo (Y) de productos de hogar y de la renta (X) de los consumdores consultados, obtenéndose los sguentes
Más detallesEJERCICIOS: Tema 3. Los ejercicios señalados con.r se consideran de conocimientos previos necesarios para la comprensión del tema 3.
EJERCICIOS: Tema 3 Los ejerccos señalados con.r se consderan de conocmentos prevos necesaros para la comprensón del tema 3. Ejercco 1.R Dos bblotecas con el msmo fondo bblográfco especalzado ofrecen las
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesEnlaces de las Series de Salarios. Metodología
Enlaces de las eres de alaros Metodología ntroduccón La Encuesta de alaros en la ndustra y los ervcos (E, cuyo últmo cambo de base se produjo en 996) ha sufrdo certas modfcacones metodológcas y de cobertura,
Más detallesINTEGRACIÓN DE CENSOS Y ENCUESTAS DE HOGARES DIRECCIÓN GENERAL DE ESTADÍSTICA, ENCUESTAS Y CENSOS PARAGUAY
253 INTEGRACIÓN DE CENSOS Y S DE HOGARES DIRECCIÓN GENERAL DE ESTADÍSTICA, S Y CENSOS PARAGUAY 254 Integracón de Censos y Encuestas de Hogares ANTECEDENTES Con el Censo del 82 se elaboró (en 1991) un Mapa
Más detallesModelo de Variables Instrumentales
Modelo de Varables Instrumentales Contraste de endogenedad El estmador de MCE es menos efcente que el de MCO cuando las varables explcatvas son exógenas. Las estmacones de MCE pueden tener errores estándar
Más detallesModelo de Regresión Lineal Múltiple. Heterocedasticidad. Dr. Víctor Aguirre
Modelo de Regresón Lneal Múltple. Heterocedastcdad. Dr. Víctor Agurre Propósto Estudar el caso en que la varanza condconal de Y dado no sea constante. Veremos Porqué sucede? Consecuencas sobre el EMC Deteccón.
Más detallesTema 5: PROBLEMAS EN LA ESTIMACIÓN DEL MODELO DE REGRESIÓN LINEAL SIMPLE
Introduccón a la Econometría Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO DE REGRESIÓ LIEAL SIMPLE. Problemas en la especfcacón del modelo. La prmera etapa de
Más detalles