Modelo Lineal: Diagnóstico. Cómo verificamos todos los supuestos que hemos realizado?
|
|
- Jaime Blanco Villalba
- hace 5 años
- Vistas:
Transcripción
1 Modelo Lineal: Diagnóstico Verificación de Supuestos y Diagnóstico Supongamos que tenemos una muestra(y i,x i ),,...,nquecumple: y i =x iβ+ɛ i dondeɛ i =N(0,σ 2 )sonindependientesyestimamosporelmétododemínimos cuadrados a β y realizamos todas las inferencias que necesitamos. Cómo verificamos todos los supuestos que hemos realizado? 1
2 Modelo Lineal A. M. Bianco FCEyN Los 4 supuestos que revisaremos son: 1.Linealidad:E(Y)=Xβ 2.Homoscedasticidad:Var(ɛ i )=σ 2 =cte. 3.Normalidad:ɛ i tienendistribuciónnormal 4.Independenciadeloserrores:ɛ i independientedeɛ j sii j. Comencemos por considerar los residuos: e i =y i ŷ i,...,n Como sabemos e=(i P)Y porlotanto E(e)=0 Σ e =σ 2 (I P) Porlotanto,V(e i )=σ 2 (1 p ii ),conlocuallosresiduossonheteroscedásticos.
3 Modelo Lineal A. M. Bianco FCEyN Si además, los errores son normales, como hemos supuesto antes e i N(0,σ 2 (1 p ii )) Observemos además, que los residuos no son independientes, en tanto: Definimos otros residuos relacionados: r i = y i ŷ i s (1 p ii ) ri y i ŷ i = s (i) (1 pii ) Cov(e i,e j )= σ 2 p ij residuo standarizado residuo studentizado dondes (i) eseldesvíostandardmuestralcomputadopartirdeunaregresión ajustada sin la observación i. SeaX (i) lamatrizxsinlai ésimafila:x i.probaránenlaprácticaqueson ciertas las siguientes igualdades:
4 Modelo Lineal A. M. Bianco FCEyN X (i)x (i) =X X x i x i ( X (i) X (i) ) 1 =(X X) 1 + (X X) 1 x i x i(x X) 1 conlocual ˆ β β ˆ (i) =(X X) 1 e i x i 1 p ii 1 p ii s 2 (i) = (n p)s2 e 2 i(1 p ii ) n p 1 Distribución de los Residuos A fin de estudiar la distribución de estos residuos podríamos graficar: EsquemasdeTalloyHoja Histogramas
5 Modelo Lineal A. M. Bianco FCEyN Boxplots De esta forma podríamos evaluar: simetría valores extremos valores centrales outliers posibles agrupamientos normalidad summary(salida) Call: lm(formula = BIO K + PH) Residuals: Min 1Q Median 3Q Max
6 Modelo Lineal A. M. Bianco FCEyN Coefficients: Estimate Std. Error t value Pr( t ) (Intercept) K * PH e-10 *** Residual standard error: on 42 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 2 and 42 DF, p-value: 3.074e-10 names(salida) [1] coefficients residuals effects rank fitted.values assign [8] df.residual xlevels call terms model names(lm.influence(salida)) [1] hat coefficients sigma wt.res
7 Modelo Lineal A. M. Bianco FCEyN stem(salida$res/( 401.1*sqrt(1-lm.influence(salida)$hat))) The decimal point is at the boxplot(salida$res/( 401.1*sqrt(1-lm.influence(salida)$hat))) qqnorm(salida$res/( 401.1*sqrt(1-lm.influence(salida)$hat))) Chequeando la Normalidad El QQ plot es un gráfico de percentiles muestrales vs. percentiles teóricos(bajo una cierta distribución asumida F).
8 Modelo Lineal A. M. Bianco FCEyN Figura1:Boxplotder i :DatosdeBiomasa
9 Modelo Lineal A. M. Bianco FCEyN Si la muestra proviniese de una población con distribución F los percentiles muestrales vs. los teóricoscaeŕıanaproximadamentesobreunarectaa45. Para esto ordenamos los residuos standarizados r (1) r (2)... r (n) ygraficamoslospercentilesmuestrales{1/(n+1),2/(n+1),...,n/(n+1)}contralospercentilesteóricosdeunan(0,1) { φ 1 (1/(n+1)),φ 1 (2/(n+1)),...,φ 1 (n/(n+1)) }. Si el gráfico se desviase de la recta, estaŕıamos encontrando evidencia contra la normalidad.
10 Modelo Lineal A. M. Bianco FCEyN Normal Q Q Plot Sample Quantiles Theoretical Quantiles Figura2:QQ-plotder i :DatosdeBiomasa
11 Modelo Lineal A. M. Bianco FCEyN Linealidad ŷ i vs. e i Unodelosgráficosqueserealizadespuésderealizarelajusteeseldeŷ i vs. e i Quéesperamosobservar?Consideremoselmodeloy i =β 0 +β 1 x i β p 1 x i(p 1) Siquisiéramoshacerunaregresiónentree i vs.ŷ i elestimadordelapendientetendŕıacomo numerador: n (e i e)(ŷ i y)= n e i ŷ i =Y(I P)PY=0 Encambiosilaregresiónlahiciésemosentree i vs.y i elestimadordelapendientetendŕıacomo numerador: n (e i e)(y i y)= n esdecir,lasumadecuadradosdelosresiduos. e i y i =Y (I P)Y=Y (I P)(I P)Y=e e= e 2 Más aún, el estimador del coeficiente correspondiente a la pendiente en este caso seŕıa:
12 Modelo Lineal A. M. Bianco FCEyN std.res std.res yhat x1 std.res x2 Figura 3: Linealidad: OK!!
13 Modelo Lineal A. M. Bianco FCEyN std.res std.res x1 x3 Figura 4: Linealidad: MAL!!
14 Modelo Lineal A. M. Bianco FCEyN (a) Representa la situación esperable si el modelo se cumple: una nube de residuos alrededor del 0 sin estructura. (b) y (c) Muestran gráficos en los que el supuesto de igualad de varianzas no se cumple. (d) El supuesto de linealidad no se satisface.
15 Modelo Lineal A. M. Bianco FCEyN std.res yhat Figura6:Boxplotder i :Heteroscedaticidad
16 Modelo Lineal A. M. Bianco FCEyN n e e (y i y) 2= n n (y i ŷ i ) 2 (y i y) 2= n (y i y) 2 n (ŷ i y) 2 =1 R 2 n (y i y) 2 Esdecirqueestapendienteseŕıa0sóloenelcasodeajusteperfecto. El caso(d) correspondeŕıa a un modelo inadecuado. Por ejemplo, supongamos que ajustamos y i =β 0 +β 1 x i1 +ɛ i,peroenrealidades: Luego: oseatantoe i comoy i vaŕıanconx i1. e i vs.cadavariableregresora y i =β 0 +β 1 x i1 +β 2 x i2 +ɛ i E(e i ) = E(y i ŷ i ) = E(y i ˆβ 0 +ˆβ 1 x i1 ) = h+gx i1 +kx i2 Tengamos en cuenta que por las ecuaciones normales:
17 Modelo Lineal A. M. Bianco FCEyN n (e i e)(x ij x.j )= n e i (x ij x.j )= n e i x ij = n (y i ˆβ 0 ˆβ 1 x i ˆβ p 1 x i(p 1) )x ij =0 De manera que, si el modelo elegido fuera correcto no debeŕıa aparecer ninguna estructura en elgráficodee i vs.x ij.porlotanto,losgráficosanteriorestambiénnossirvendeguíaeneste caso. Porejemplo,sienelrazonamientoanteriorreemplazásemosx i2 porx 2 i1 tendŕıamos: el gráfico quedaŕıa cercano a una parábola. e i vs.tiempo E(e i )=h+gx i1 +kx 2 i1 En principio cualquier factor podŕıa influir en Y y debeŕıa incluirse en la regresión como variable explicativa.siunfactorhasidoomitido,podŕıagraficarsee i vs.factoryversihayalguna tendencia o patrón particular. Avecesconlosdatosseregistraeltiempooelordenenquehansidotomadaslasmediciones. Puede ser de interés estudiar si los residuos tienen alguna dependencia en el tiempo.
18 Modelo Lineal A. M. Bianco FCEyN
peso 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 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 detallesMedia-Lab Prado. Modelos Lineales en para procesar encuestas de Satisfacción. Manuel Pérez Gómez 16/06/2016
Media-Lab Prado Modelos Lineales en para procesar encuestas de Satisfacción Manuel Pérez Gómez 16/06/2016 Análisis de los Sectores. TPV Caja Compras Almacén Grupos Informes TPV Caja Compras Almacén Grupos
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 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 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 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 - 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 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 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 detallesRegresión Lineal. 15 de noviembre de Felipe Bravo Márquez
Felipe José Bravo Márquez 15 de noviembre de 2013 Introducción Un modelo de regresión se usa para modelar la relación de una variable dependiente y numérica con n variables independientes x 1, x 2,...,
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 detallesL FME al YoMO Se cumplen los cánones de belleza? Pedro Delicado, Lourdes Rodero 1 de marzo de 2017
L FME al YoMO 2017. Se cumplen los cánones de belleza? Pedro Delicado, Lourdes Rodero 1 de marzo de 2017 Comprobación de los cánones de belleza Canon Egipcio. Altura, Palma de la mano Canon de proporcionalidad:
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 detallesMétodos robustos. September 7, 2017
Métodos robustos September 7, 2017 Contenidos Outliers en el análisis de regresión. M-estimadores de regresión Ejercicio de aplicación Los conjuntos de datos rara vez verifican completamente las hipótesis
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 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 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 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 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 detallesCálculos de Regresión Logística en R, Caso de una covariable.
Cálculos de Regresión Logística en R, Caso de una covariable. Carga de datos (Tabla 1.1, Hosmer-Lemeshow): CH=read.table( CHDAGE.txt,header = T) attach(ch) Gráfico de Dispersión: plot(age,chd,xlab= Edad,
Más detallesModelo Lineal A. M. Bianco FCEyN
Modelo Lineal A. M. Bianco FCEyN 2013 19 Algunos Tests Test de Rachas Si tenemos observaciones positivas y negativas ordenadas secuencialmente según el tiempo, podŕıamos preguntarnos si tienen algún patrón
Más detallesUniversidad del País Vasco
Universidad del País Vasco eman ta zabal zazu Euskal Herriko Unibertsitatea INSTRUCCIONES 1. Salvo que se indique lo contrario, las preguntas bien contestadas valen un punto. Puede haber más de una respuesta
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 detallesTema 2: Estadística Bivariante Unidad 1: Correlación y Regresión
Estadística Tema 2: Estadística Bivariante Unidad 1: Correlación y Regresión Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Octubre 2010 Contenidos...............................................................
Más detallesNombre: 1 a Prueba Ev. Continua ( ) Estadística G2 (G.Ing. Salud)
Nombre: 1 a Prueba Ev. Continua (13-4-2015) Estadística G2 (G.Ing. Salud) Ejercicio: 1 2 3 4 5 6 Total Puntos: 45 10 10 10 10 15 100 Calificación: Nota: En cada apartado de estos ejercicios, indicar los
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 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 detallesEstadística para las Ciencias del Trabajo
Estadística para las Ciencias del Trabajo M. Vargas Jiménez 2012/02/11 Índice general 3. Regresión lineal múltiple y con variables cualitativas. Regresión logística 5 3.1. Regresión y correlación lineal..................
Más detallesMODELO PARA EL TALLER DE REGRESION
MODELO PARA EL TALLER DE REGRESION PROBLEMA. Los datos siguientes muestran la matricula estudiantil en los primeros 5 anos de nuestra Universidad. Años (desde el 2000 al 2004) x 1 2 3 4 5 Matricula (miles
Más detallesAnomalías en regresión y medidas remediales
Universidad Nacional Agraria La Molina 2011-2 C:/Users/moranjara/Desktop/trabajo_inf Introducción Introducción En este capítulo se estudiarán algunas medidas de diagnóstico que permitirán vericar si los
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 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 detallesEl modelo básico de regresión lineal múltiple esta dado por:
Capítulo 7 7.1. Introducción Los diagramas de dispersión son utilizados para tomar algunas decisiones antes de estimar un modelo de regresión. Por otro lado los diagnósticos de regresión son usados luego
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesCapítulo 8. Autocorrelación Serial Roldán Andrés Rosales. Econometría Aplicada Utilizando R
Capítulo 8. Autocorrelación Serial Roldán Andrés Rosales Objetivo El propósito de este capítulo es que el usuario conozca y aprenda a resolver el problema de la autocorrelación serial en un modelo de estimación
Más detallesRegularización. agosto 2017
agosto 2017 Los métodos de selección de variables implican usar el estimador de mínimos cuadrados para ajustar un modelo lineal con sólo un subconjunto de las variables predictoras. Los métodos de regularización
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
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 detallesTema 3: Regresión lineal
Tema 3: Regresión lineal José R. Berrendero Universidad Autónoma de Madrid Estructura de este tema El modelo de regresión lineal simple Regresión lineal múltiple Estimadores de mínimos cuadrados Inferencia
Más detalles4 de Junio de Puedes responder: i) A todas las cuestiones de la Sección 1; o ii) Idem. de la Sección 2. En ambos casos puedes obtener
4 de Junio de 1.999 Puedes responder: i) A todas las cuestiones de la Sección 1; o ii) Idem. de la Sección 2. En ambos casos puedes obtener puntuación total. No puedes sin embargo escoger cosas de ambas
Más detallesGEOESTADÍSTICA APLICADA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO GEOESTADÍSTICA APLICADA Tema: Análisis Exploratorio de Datos Instructores: Dr. Martín A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar González (rcasar@imp.mx) 2009
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Más detallesPráctica 4 EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables
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
Más detallesModelos lineales. Tema 4. Diagnóstico del modelo. 9 de febrero de Carmen Armero
Carmen Armero 9 de febrero de 2011 Introducción Introducción En general, cuando utilizamos un modelo de regresión para analizar un conjunto de datos no estamos totalmente seguros de si el modelo es apropiado
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 detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesModelo Lineal A. M. Bianco FCEyN
Modelo Lineal A. M. Bianco FCEyN 2013 30 Transformaciones de Box y Cox Box y Cox(1964) propusieron una familia de funciones de potencia para la variable de respuesta con el objetivo de garantizar el cumplimiento
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Supuestos del modelo Álvaro José Flórez 1 Escuela de Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Y = β 0 + β 1 X + ε Supuestos: Correcta especificación
Más detallesModelos lineales. Tema 1: Modelo de regresión lineal simple. 6 de febrero de Carmen Armero
Carmen Armero 6 de febrero de 2012 Introducción Un poco de historia Definición y propiedades Mínimos cuadrados Máxima verosimilitud Ejemplo: Masa muscular y edad 1.I La edad es uno de los factores determinantes
Más detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
Más detalles1)DESCRIPCIÓN DE LOS DATOS
1)DESCRIPCIÓN DE LOS DATOS ITAM-CONAC MÉTODOS ESTADÍSTICOS EN ACTUARÍA I DR. JUAN JOSÉ FERNÁNDEZ DURÁN EJEMPLO DE REGRESIÓN POISSON Y GAMMA RECLAMACIONES EN SEGUROS DE AUTOS EN SUECIA Los datos contienen
Más detallesEjemplo de Modelo de efectos aleatorios
Ejemplo de Modelo de efectos aleatorios El archivo RIKZ.txt, parte del cual se muestra en la tabla 1, contiene datos recogidos por el Netherlands Institute for Coastal and Marine Management/RIKZ en verano
Más detallesRegresión Lineal con R. Prof. José Neville Díaz Caraballo
Regresión Lineal con R Prof. José Neville Díaz Caraballo 1. Qué es R? R es un sistema para la realización de cálculos estadísticos y la creación de gráficas. Este consiste en un lenguage, acceso a funciones
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 detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación
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 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 detallesEstadística: Modelos Lineales
Estadística: Modelos Lineales Final Enero 2.007, Tipo: A Apellidos y Nombre: DNI: Grupo: Profesor : Sección 1. Instrucciones 2. En un modelo ANOVA con dos tratamientos, y ijk = α + α A i + α B j + ɛ ijk
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 detallesEstadística III (P28) Examen de Tipo: 1
Estadística III (P28) Examen de Tipo: 1 Nombre: DNI: Aula: Fecha: Sección 1. Las preguntas respondidas correctamente, valen un punto salvo que se indique lo contrario. Las preguntas incorrectas cuentan
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 detallesANOVA. Análisis de regresión y modelo lineal
. Análisis de regresión y modelo lineal [0011] DEFAD. Métodos de contraste de hipótesis y diseño de experimentos 2014 15. Análisis de regresión y modelo lineal 1 Comparaciones múltiples 2 3. Análisis de
Más detallesRegresión lineal. agosto 2017
Regresión lineal agosto 2017 Resumen El modelo Ejemplo Regresión lineal simple El modelo Estimador de mínimos cuadrados Intervalos de confianza Test de significación de la regresión Bondad de ajuste Regresión
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 detallesSolución de los controles de Econometría 2013 Grupo A
Solución de los controles de Econometría 203 Grupo A Gregorio R. Serrano Índice. Control de 5 de marzo de 203.. Enunciados y soluciones...............................2. Soluciones con R..................................
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 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 detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
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 detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesTÉCNICAS COMPUTACIONALES EN LA ESTADÍSTICA BAYESIANA
TÉCNICAS COMPUTACIONALES EN LA ESTADÍSTICA BAYESIANA Luis A. Barboza Grupo de Estadística Bayesiana (GEB) Universidad de Costa Rica Julio 2014 Técnicas computacionales en Estadística Bayesiana 1 Contenidos
Más detallesRelación entre tests de hipótesis bilaterales e intervalos de confianza
Relación entre tests de hipótesis bilaterales e intervalos de confianza Introduciremos esta relación a través de un ejemplo. Sea X 1, X,..., X n una m.a. de una distribución N ( µ, σ ). Sabemos que, cuando
Más detalles= 1-ppois(30,20) 0 013
Estadística Grupo E APELLIDOS: NOMBRE: DNI:.. - UO @uniovi.es JUSTIFIQUE TODAS LAS RESPUESTAS! Debe indicar el origen de todo resultado. 1. (1 punto) Una empresa estudia el número de defectos producidos
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 detallesUniversidad del País Vasco
Universidad del País Vasco eman ta zabal zazu Euskal Herriko Unibertsitatea INSTRUCCIONES 1. Salvo que se indique lo contrario, las preguntas bien contestadas valen un punto. Puede haber más de una respuesta
Más detallesSéptima Entrega. New Workfile Daily (5 days week) 1:1:1991 a 2:16:1998. File Import Read Text Lotus Excel
Prácticas de la asignatura Series Temporales Séptima Entrega 1 Modelos de heterocedasticidad condicional A partir de la decada de los 80, muchos investigadores se han dedicado al estudio de modelos 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 detallesRegresión Lineal Múltiple en R
Regresión Lineal Múltiple en R 1 Hugo Alberto Brango García, MsC. Email: habrango@hotmail.com Web: www.habrango.jimdo.com www.ciecasesores.co Junio de 2014 ugo Alberto Brango García, MsC. (UNICORDOBA)
Más detallesÍndice Introducción Economía y Estadística Análisis de Regresión. Clase 1. Introducción a la Econometría. Profesor: Felipe Avilés Lucero
Clase 1 Introducción a la Econometría Profesor: Felipe Avilés Lucero 26 de mayo de 2010 1 Introducción 2 Economía y Estadística 3 Análisis de Regresión Función de Regresión Poblacional Función de Regresión
Más detallesANALISIS DE COVARIANCIA
1 ANALISIS DE COVARIANCIA Es una técnica que utiliza el análisis de regresión y el análisis de variancia para manejar casos particulares, en los cuales se tienen una o más variables externas al experimento
Más detallesEl modelo de regresión múltiple
El de regresión múltiple Simple El de regresión múltiple es la extensión a k variables explicativas del de regresión simple. La estructura del de regresión múltiple es la siguiente: y = f (x 1,..., x k
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 detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesRegresion lineal simple
Unidad 2 Regresion lineal simple Javier Santibáñez (IIMAS, UNAM) Estadística II Semestre 2018-1 1 / 73 Planteamiento El modelo de regresión lineal simple relaciona la variable de interés Y, llamada dependiente,
Más detallesAnálisis de Datos Categóricos. Leticia Gracia Medrano
Análisis de Datos Categóricos Leticia Gracia Medrano ii Contents 1 Modelo Logístico 1 1.1 Estimación de parámetros.................... 1 1.2 Interpretación de los parámetros................. 2 1.3 Ejemplo..............................
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.
MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
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 detallesPROYECTO FINAL DE REGRESIÓN MÚLTIPLE
PROYECTO FINAL DE REGRESIÓN MÚLTIPLE Profesor: Javier Santibañez Cortez. Alumnos: Gonzalo García Alarcón Estrada. José Guerrero Rodríguez Edgar Rodríguez Vázquez Luis Fernando Torres Pineda. 8 DE JUNIO
Más detallesECONOMETRÍA I. Tema 6: Heterocedasticidad. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 6: Heterocedasticidad Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 23 Heterocedasticidad El supuesto
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 detallesModelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
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 detalles