El modelo de regresión múltiple
|
|
- Salvador Lucero Rico
- hace 5 años
- Vistas:
Transcripción
1 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 ) + E. El
2 42 El de regresión múltiple Donde: y es la variable explicada, dependiente o respuesta. x 1,..., x k son las variables explicativas, regresores o variables independientes. y = f (x 1,..., x k ) es la parte determinista del. Simple El E representa el error aleatorio. Contiene el efecto sobre y de todas las variables distintas de x 1,..., x k.
3 143 El de regresión múltiple Simple El de regresión lineal múltiple tiene la forma: y = β 0 + β 1 x β k x }{{ k } Hiperplano +E El
4 144 El de regresión múltiple Simple En el caso particular en que haya dos regresores, k = 2, el tendría la forma: y = β 0 + β 1 x 1 + β 2 x }{{} 2 Plano +E El
5 145 El de regresión múltiple Grácamente, el de regresión lineal con dos regresores supone calcular la ecuación de un plano que describa la relación de Y con X 1 y X 2, Y y = β 0 + β 1x 1 + β 2x 2 Simple El X 2 X 1
6 146 El de regresión múltiple De forma análoga al caso simple, calculado el plano, el valor de y i en cualquier punto (x 1i, x 2i, y i ) se puede descomponer en parte determinista y aleatoria, Y e i y i ŷ = ˆβ 0 + ˆβ 1x 1 + ˆβ 2x 2 Simple El ŷ i = ˆβ 0 + ˆβ 1ix 1 + ˆβ 2x 2i X 2 (x 1i, x 2i) X 1
7 147 El de regresión múltiple La estimación por mínimos cuadrados de los parámetros del consiste en calcular la ecuación del plano que hace mínimo el valor de e 2 i, con e i = y i ŷ i. e 1 Y e i e n Simple El e 2 X 2 X 1
8 148 Generalizando, al ajustar un de regresión lineal múltiple se supondrá que se verican las siguientes hipótesis: 1. Fijados los valores x 1i,..., x ki de las variables X 1,..., X k, se tiene que y i = β 0 + β 1 x 1i + + β k x ki + e i 2. Cada error e i N (0, σ 2 ). 3. Cualquier par de errores e i y e j son independientes. Simple El 4. Las variables explicativas son, algebraicamente, linealmente independientes. 5. El número de datos es mayor o igual que k + 2.
9 Las tres primeras hipótesis del se justican igual que en regresión simple. La condición de la independencia lineal algebraica de los regresores tiene por objeto ajustar la dimensión del problema, ya que si no se cumpliese se podrían eliminar regresores del. Simple El El número de datos debe ser mayor o igual que k + 2 para poder estimar todos los parámetros del.
10 Las hipótesis impuestas al comportamiento del error del tienen las siguientes consecuencias: 1. Para cada conjunto de valores, x 1i,..., x ki de X 1,..., X k, la variable aleatoria (Y X 1 = x 1i,..., X k = x ki ) tiene una distribución: (Y X 1 = x 1i,..., X k = x ki ) N(β 0 +β 1 x 1i + +β k x ki, σ 2 ) Simple El 2. Las observaciones y i de la variable Y son independientes.
11 51 Consecuentemente, ŷ i = ˆβ 0 + ˆβ 1 x 1i + + ˆβ k x ki representa la esperanza de la variable Y condicionada por los valores x 1i,... x ki de las variables X 1,..., X k, respectivamente. Además, todas las variables Y i tienen la misma varianza, σ 2. Es decir, son homocedásticas. Simple El
12 152 Supóngase que para estimar los parámetros del y = β 0 + β 1 x β k x k, se dispone del conjunto de datos: X 1 X k Y Individuo 1 x 11 x k1 y 1 Individuo 2 x 12 x k2 y 2.. Simple El Individuo n x 1n x kn y n
13 Simple Como e i = y i (β 0 + β 1 x 1i + + β k x ki ), resulta que el módulo del vector error es función de β 0,..., β k : e 2 i = S(β 0,..., β k ). El
14 154 Para que S sea mínimo deberá ser: S β 0 = 0 S β 1 = 0. S β k = 0 Simple El
15 55 Simple Llamando β = β 0 β 1.. β k, X = 1 x 11 x k1 1 x 12 x k2.. 1 x 1n x kn e Y = y 1 y 2.. y n El
16 156 Simple Resulta que: ˆβ = (X X ) 1 X Y, donde X representa la matriz transpuesta de X. El
17 Simple 1. El parámetro ˆβ i, en regresión múltiple, representa el efecto del regresor X i sobre la respuesta Y, cuando el resto de los regresores permanecen constantes. 2. Si los regresores están incorrelados, ρ ij = 0, para todo i, j, los estimadores de los coecientes de regresión estimados en el múltiple y en los distintos s simples coinciden. El
18 158 Se puede demostrar que: 1. Para todo ˆβ i, con i = 0, 1,..., k, se cumple que E( ˆβ i ) = β i. Es decir ˆβ i es un estimador centrado de β i, para todo i. 2. La matriz de varianzas y covarianzas de ˆβ 0,..., ˆβ k viene dada por la expresión: COV ( ˆβ) = σ 2 (X X ) 1 Simple El 3. ˆβ i sigue una distribución normal, para todo i = 0,..., k.
19 159 Simple Análogamente al caso de regresión simple, la realización de inferencia sobre los parámetros del requiere una estimación de σ 2. Como en el caso simple, el estimador máximo verosímil de la varianza es: ˆσ 2 = e 2 i n, que no es un estimador centrado de σ 2. El
20 La resolución del sistema, S β 0 = 0,..., S β k = 0, que se emplea para calcular los estimadores de los parámetros β i, pone de maniesto las siguientes relaciones entre los residuos: ei = 0 ei x 1i = 0. ei x ki = 0 (k + 1) restricciones. Simple El
21 61 Simple De forma similar al caso simple se dene la varianza residual como: ŝ 2 = e 2 i R n k 1, que será el estimador habitual de σ 2. El
22 62 1. ŝ 2 R es un estimador centrado de σ2. Esto es: 2. Además: E(ŝ 2 R ) = σ2. (n k 1)ŝ 2 R σ 2 χ 2 n k 1 Simple El Esta distribución permite realizar inferencia respecto de σ 2.
23 163 de En consecuencia con lo anterior, si la diagonal de la matriz, conocida, (X X ) 1 tiene la forma: D(X X ) 1 d 00 d d ii... d kk Simple El La varianza de ˆβ i será σ 2 d ii.
24 64 de Por lo tanto, de donde, y ˆβ i N(βi, σ d ii ), ˆβ i βi σ d ii N(0, 1), ˆβ i βi ŝ R d ii t n k 1. Simple El
25 65 de Simple La última expresión permite realizar, para todo i = 0,... k, el contraste individual de regresión (test de la t): ya que si β i = 0, H 0 : β i = 0 frente a H 1 : β i 0, ˆβ i ŝ R d ii t n k 1. El
26 166 de Análogamente al caso simple, la aceptación de la hipótesis nula, β i = 0, puede ser debida a que: 1. X i e Y sean independientes. 2. Entre X i e Y haya una relación de dependencia no lineal. En el primer caso, la variable X i debe ser eliminada del. Simple El En el segundo, se debe intentar una transformación que linealice la relación entre X i e Y.
27 67 de Si se denomina (X X ) 1 0 a la matriz resultante de eliminar la primera la y la primera columna de la matriz d 00 d d 11 (X.. X ) 1 =. d ii..., Simple El d kk
28 168 de se tiene que la matriz: d 11.. σ 2 (X. X ) 1 0 = σ 2 d ii... d kk es la matriz de varianzas y covarianzas de ˆβ 1,..., ˆβ k. Simple El
29 de Llamando b al vector: Se puede demostrar que: b = ˆb (X X ) 0ˆb kŝ 2 R ˆβ 1.. ˆβ k F (k,n k 1). Simple El
30 de Simple Esta distribución permite la realización del contraste fundamental de regresión múltiple: H 0 : β 1 = β 2 = = β k = 0 frente a: H 1 : Existe algún β i con i = 1,..., k tal que β i 0. El
31 171 de Simple La aceptación de la hipótesis nula del test de la F, puede ser debida a: H 0 : β 1 = β 2 = = β k = 0, Independencia de la variable explicada frente a todos los regresores. Existe dependencia no lineal de la variable explicada frente a algún regresor. El
32 de Simple El rechazo de la hipótesis nula del test de la F signica que la variable explicada depende linealmente de alguno de los regresores. Para saber cuál o cuáles de los regresores explican signicativamente a la variable dependiente es necesario atender a los contrastes individuales de la t. El
33 173 de La siguiente tabla contiene el conjunto de los casos posibles al realizar el test de la F y los contrastes de la t en regresión múltiple: Caso Test de la F individuales 1 Signicativo Todos signicativos 2 Signicativo Alguno signicativo 3 Signicativo Ninguno signicativo 4 No signicativo Todos signicativos Simple El 5 No signicativo Alguno signicativo 6 No signicativo Ninguno signicativo
34 de Caso 1: Cuando el contraste de la F es signicativo y todos los contrastes de la t también lo son, se interpreta que todos los regresores inuyen signicativamente en la variable explicada. Caso 2: Si el contraste de la F es signicativo y sólo algunos de los regresores lo son, se interpreta que los regresores no signicativos deben ser eliminados del, o bien transformados si se intuye relación de dependencia no lineal entre la variable dependiente y alguno de ellos. Simple El
35 de Caso 3: Cuando el test de la F es signicativo y ninguno de los contrastes individuales lo es, se da una situación paradójica que, frecuentemente, se origina por un problema denominado multicolinealidad. Su análisis y tratamiento se explica más adelante. Casos 4 y 5: Si el test de la F es no signicativo y todos o algunos de los contrastes individuales sí lo son, se origina igualmente una situación paradójica que responden a casos particulares de multicolinealidad. Simple El Caso 6: Si el test de la F no es signicativo y ninguno de los contrastes individuales lo es, no se detecta relación de dependencia lineal entre la variable explicada y los regresores.
36 Los casos 3, 4, y 5 citados anteriormente se deben habitualmente al problema de multicolinealidad. La multicolinealidad es consecuencia de que todos o una parte de los regresores X 1,..., X k están fuertemente correlados. La detección de la multicolinealidad se realiza a través de: La matriz de correlación de las variables explicativas. Simple El La diagonal de la inversa de esta matriz. Los autovalores de la matriz X X.
37 177 Simple El tratamiento de la multicolinealidad consiste básicamente en: Eliminar regresores del que tengan alta correlación con el resto, lo que disminuye el número de parámetros que hay que estimar. (Esta es la solución más sencilla, cuando se puede utilizar.) El Incluir información externa a los datos.
38 178 Coeficiente de Una vez estimado el de regresión múltiple, ŷ = ˆβ 0 + ˆβ 1 x ˆβ k x k, se puede completar el conjunto de datos con la nueva columna Ŷ : X 1 X k Y Ŷ Individuo 1 x 11 x k1 y 1 ŷ 1 Individuo 2 x 12 x k2 y 2 ŷ 2.. Simple El Individuo n x 1n x kn y n ŷ n Donde ŷ i = ˆβ 0 + ˆβ 1 x 1i + + ˆβ k x ki.
39 Coeficiente de Se dene el coeciente de determinación como el coeciente de correlación lineal entre las variables Y e Ŷ. El coeciente de determinación es una medida de bondad del ajuste del y se representa por R 2. La ecacia de R 2 como medida de la bondad de ajuste depende de la relación entre el número de regresores, k y el tamaño muestral, n, siendo más able cuanto menor sea el cociente k/n. Simple El
40 Coeficiente de El coeciente de determinación tiene las siguientes propiedades: 0 R 2 1. Cuando R 2 = 1, la relación entre la variable explicada y los regresores es exacta. R representa el porcentaje de variabilidad de Y explicada por el. Un valor de R bajo puede ser debido a la omisión de variables explicativas relevantes en el. R 2 aumenta siempre con la introducción de nuevas variables en el. Para evitar este inconveniente se calcula el coeciente de determinación corregido por grados de libertad. (Ver Peña 2002) Simple El En regresión simple, el coeciente de determinación es el cuadrado del coeciente de correlación lineal.
41 Simple Al igual que en el caso de la regresión simple, antes de emplear un de regresión es necesario vericar las hipótesis básicas del. Esta vericación (diagnosis) se realiza a través del análisis de los residuos. El
42 En particular: La normalidad del error se analiza con la representación de los residuos en papel probabilístico normal, o con un histograma. Las hipótesis de linealidad, homocedasticidad e independencia se verican a través del gráco de residuos frente a los valores previstos y frente a los valores de los regresores. La conveniencia de introducir una nueva variable en el se puede analizar por medio del gráco de los residuos frente a esta nueva variable. Simple El La interpretación de los grácos es similar a la que se da a los mismos en regresión simple.
43 83 Una vez estimado y validado el de regresión, se puede emplear este para hacer predicciones. 1. Se puede emplear ŷ(x 1i,..., x ki ) para predecir el valor de E(Y X 1 = x 1i,..., X k = x ki ). 2. También se puede emplear ŷ(x 1i,..., x ki ) para predecir el valor de un individuo de la variable (Y X 1 = x 1i,..., X k = x ki ). Simple El
44 Simple Obsérvese que los dos valores se estiman por el mismo número. Igual que en regresión simple, la estimación de la media se realiza con mayor precisión que el valor de un individuo concreto. Pueden consultarse los detalles del cálculo de intervalos de conanza, para ambos casos, en Peña (2002). El
45 Conceptualmente las ideas de punto atípico e inuyente coinciden con las explicadas en regresión simple. La deteccción de puntos atípicos en regresión múltiple es más compleja que en regresión simple, debido a la dimensionalidad de los datos. Se emplearán los grácos de residuos frente a las variables explicativas y a los valores previstos por el para detectar puntos atípicos, aunque estos grácos no siempre permiten encontrar estos puntos. Simple El
46 Simple Información sobre la construcción de estadísticos que permitan detectar atípicos puede encontrarse en Peña (2002). El tratamiento de los atípicos, una vez identicados, será similar al expuesto en regresión simple. El
47 Simple En ocasiones el de regresión depende de un atributo. Por ejemplo La estatura de las personas depende del sexo El consumo de los coches depende de si la fabricación es americana, europea o asiática. La esperanza de vida depende de si el pais es industrializado, en vías de desarrollo o subdesarrollado. El
48 188 En el caso de un atributo con dos posibles valores yˆ A yˆ B Simple El
49 Simple No es bueno estudiar los datos por separado, porque eso signicaría pérdida de información. En ocaciones no es posible porque dividir la muestra en subpoblaciones puede signicar que en algunas poblaciones no tenemos sucientes datos para estimar el. Incorporamos el atributo en el de regresión. El
50 190 Problemas de omitir el atributo yˆ A yˆ B yˆt Simple El
51 191 Problemas de omitir el atributo yˆt yˆ A yˆ B Simple El
52 92 Simple Si tenemos dos subgrupos en la población, denimos una variable cticia z Toma valor 0 si pertenece al grupo A Toma valor 1 si pertenece al grupo B. Introducimos la variable z en el de regresión y = β 0 + β 1 x + β 2 z + u El
53 Si una observación pertenece al grupo A, (z = 0) ŷ = β 0 + β 1 x si una observación pertenece al grupo B, (z = 1) ( β0 + β ) 2 + β 1 x ŷ = β 2 se interpreta como el efecto que tiene el atributo β 1 se estima con todas las observaciones independientemente de a qué grupo pertenezcan. Simple El
54 Simple Supongamos que tenemos que separar las observaciones en D grupos distintos Por ejemplo, un estudio por provincias, creemos que hay una inuencia geográca y queremos estudiar las provincias del norte, del sur, del este, del oeste y del centro de España. El
55 195 Simple Lo que hacemos es generar D 1 variables cticias de forma que z i { 1 si la observación pertenece al grupo i 0 si la observación no pertenece al grupo i El
56 Tenemos que escoger que grupo es el grupo de referencia. Por ejemplo, escogemos de referencia el centro de España. Denimos las variables z 1 la provincia es del norte z 2 la provincia es del sur z 3 la provincia es del este z 4 la provincia es del oeste Madrid sería (z 1, z 2, z 3, z 4 ) = (0, 0, 0, 0) Sevilla sería (z 1, z 2, z 3, z 4 ) = (0, 1, 0, 0) Valencia sería (z 1, z 2, z 3, z 4 ) = (0, 0, 1, 0) Simple El
57 El sería y = β 0 + β 1 z 1 + β 2 z 2 + β 3 z 3 + β 4 z 4 + β 5 x + u La interpretación es, si β 2 es signicativo, es que hay diferencias entre el sur y el centro de España. β 2 se interpreta como el efecto que tiene el atributo respecto al centro. Este no nos sirve para ver las diferencias entre el norte y el sur, si quisiesemos estudiar ésto, tendríamos que tomar como referencia el norte o el sur. Simple El
58 198 Interacciones Si el cambio de grupo no sólo afecta al β 0 sino que también afecta a la pendiente de la recta de regresión. yˆ A Simple El yˆ B
59 Interacciones Tenemos que introducirlo en el para poder estimarlo El es y = β 0 + β 1 x + β 2 z + β 3 xz + u Si una observación pertenece al grupo A, (z = 0) ŷ = β 0 + β 1 x si una observación pertenece al grupo B, (z = 1) ŷ = ( β0 + β ) 2 + ( β1 + β ) 3 x Simple El β 3 se interpreta como el efecto que tiene el atributo en el aumento de la pendiente.
Regresión lineal múltiple
Regresión lineal múltiple José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Índice I 1 El modelo de regresión lineal múltiple 1 El modelo de regresión múltiple. Introducción
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 detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más 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 detallesÍndice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011
Diseños factoriales José Gabriel Palomo Sánchez gabrielpalomo@upmes EUAT UPM Julio de 2011 Índice 1 Diseños factoriales con dos factores 1 Denición 2 Organización de los datos 3 Ventajas de los diseños
Más detallesAnálisis de la varianza
Análisis de la varianza José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 I 1 Introducción 1 Comparación de medias 2 El pricipio de aleatorización 2 El problema de un factor
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más 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 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 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 detallesT3. El modelo lineal básico
T3. El modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Regresión lineal múltiple Planteamiento Hipótesis
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 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 detallesMulticolinealidad Introducción. Uno de los supuestos básicos del modelo lineal general. y = Xβ + u
CAPíTULO 6 Multicolinealidad 6.1. Introducción Uno de los supuestos básicos del modelo lineal general y = Xβ + u establece que las variables explicativas son linealmente independientes, es decir, la igualdad
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 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 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 detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detalles= 15 CALIFICACION:
6 + 4 + 5 = 15 CALIFICACION: Vacacion.xls Este fichero está adaptado del fichero vacation.gdt del libro de Hill et al.(2008) que se puede descargar en: http://gretl.sourceforge.net/gretl data.html PARTE
Más detallesEstadística II. Laura M. Castro Souto
Estadística II Laura M. Castro Souto Segundo Cuatrimestre Curso 2000/2001 Modelos de Regresión Diferencias con el Diseño de Experimentos Los modelos de regresión estudian relaciones numéricas entre variables
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 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 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 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 detallesAnálisis multivariante II
Análisis multivariante II Tema 1: Introducción Pedro Galeano Departamento de Estadística Universidad Carlos III de Madrid pedro.galeano@uc3m.es Curso 2016/2017 Grado en Estadística y Empresa Pedro Galeano
Más detallesObjetivo: Proponer modelos para analizar la influencia
TEMA 3: REGRESIÓN LINEAL SIMPLE Objetivo: Proponer modelos para analizar la influencia de una variable cuantitativa sobre un fenómeno que nos interesa estudiar. 1. Modelo lineal l de regresión 2. Estimación
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
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 detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,
Más detallesEl Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
Más 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 detallesFundamentos del Análisis Econométrico. Dante A. Urbina
Fundamentos del Análisis Econométrico Dante A. Urbina Qué es la Econometría? Etimológicamente Econometría significa medición de la economía. En ese contexto, la Econometría es la aplicación de métodos
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 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 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 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 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 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 detallesFormulación matricial del modelo lineal general
Formulación matricial del modelo lineal general Estimadores MCO, propiedades e inferencia usando matrices Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Formulación matricial del modelo
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesEscuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez.
Escuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez. Econometría Regresión Múltiple: Municipio Ocupados Población Analfabeta Mayor de 10 años Total de Viviendas Bejuma 18.874 1.835
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más 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 detallesTEMA 3 Modelo de regresión simple
TEMA 3 Modelo de regresión simple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Planteamiento del problema.
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
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 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 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 detallesCALIFICACION: 287,33 218, sí 1 sí 1. Se especifica el siguiente modelo de regresión para el precio de las viviendas: G i =
6 + 5 = 11 CALIFICACION: PARTE 1 (6 puntos) Una empresa inmobiliaria desea conocer los determinantes del precio de la vivienda en una ciudad de tamaño medio Para ello recoge información sobre las siguientes
Más detallesEstadística III (P33) Exam, Tipo: A
21 de Enero de 2000 Responde a las siguientes preguntas sobre papel ordinario, de forma breve y concisa. Al entregar tu exámen, has de entregar también la Tarea 10, que no fue posible finalizar en periodo
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
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 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 detallesMétodos Estadísticos para Economía y Gestión IN 540 Clase 7
Métodos Estadísticos para Economía y Gestión IN 540 Clase 7 Perturbaciones no Esféricas 17 de junio de 2010 1 Preliminares Matriz de Varianzas y Covarianzas cuando ɛ t es un AR(1) Naturaleza y causas de
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más detallesEXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos)
EXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos) PROBLEMA 1 Se quiere comparar la cantidad de energía necesaria para realizar 3 ejercicios o actividades: andar, correr y montar en bici.
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesEstadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Más detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallesDefinición de Correlación
Definición de Correlación En ocasiones nos puede interesar estudiar si existe o no algún tipo de relación entre dos variables aleatorias: Estudiar cómo influye la estatura del padre sobre la estatura del
Más 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 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 detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
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 detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 11 - Junio - 2.010 SOLUCIONES Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que,
Más detalles2. Modelos con regresores endógenos
. Introducción ema 3. Regresores Endógenos. Bibliografía: Wooldridge, 5., 5.4 y 6.2 En este tema vamos a estudiar el modelo lineal con regresores potencialmente endógenos. Veremos primero las consecuencias
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M. Los modelos de regresión sirven, en general, para tratar de expresar una variable respuesta (numérica) en
Más detallesPrácticas Tema 4: Modelo con variables cualitativas
Prácticas Tema 4: Modelo con variables cualitativas Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 4.1- Se dispone de información sobre 16 familias sobre
Más detallesPrácticas Tema 5. Ampliaciones del Modelo lineal básico
Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 21 - Junio - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que,
Más detallesTécnicas de Trabajo Experimental:
1 M dolores.redondas@upm.es E.U. Arquitectura Técnica U.P.M. Curso académico 2009-2010 Análisis descriptivo de datos Algunos problemas básicos que suelen presentarse en la investigación cientíca son los
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 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 detalles1. Objetivos. Introducción 2. ANOVA. Tema 8: Relaciones entre variables Test de hipótesis para el ANOVA. M. Iniesta Universidad de Murcia
Tema 8: Relaciones entre variables 1. Objetivos Analizar relaciones entre variables, para un único factor en el caso del ANOVA y una sola variable independiente, en el caso de Regresión. Conocer el signicado
Más detallesInferencia Estadística. Estimación y Contrastes
y y M Dolores Redondas dolores.redondas@upm.es E.U. Arquitectura Técnica U.P.M. Curso 2009-2010 Introducción Identicación del comportamiento de una variable El reconocimiento del comportamiento de una
Más detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
Más detallesAnálisis de regresión y correlación lineal
Análisis de regresión y correlación lineal En las unidades anteriores hemos aplicado metodologías estadísticas para analizar la información de una variable desde una o más muestras utilizando las herramientas
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detalles5.5 Modelo de regresión. se especificó en los términos siguientes: (6.3.1) 1,2,3,..N. Donde:
5.5 Modelo de regresión El modelo de regresión lineal que se aplicó para explicar la relación entre producción antigüedad, edad, capital humano, apiarios y camioneta de los apicultores nayaritas se especificó
Más detallesPart I. Descripción estadística de dos variables. Estadística I. Mario Francisco. Variable. bidimensional. Distribuciones de frecuencias
Part I Descripción de dos variables Introducción Si para un mismo individuo observamos simultáneamente k obtendremos como resultado una variable k-dimensional. Nos ocuparemos del estudio de las variables
Más detallesDatos bivariantes: regresión
M. Wiper Estadística 1 / 14 Datos bivariantes: regresión Michael Wiper Departamento de Estadística Universidad Carlos III de Madrid M. Wiper Estadística 2 / 14 Objetivo Ilustrar como ajustar una recta
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 detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesGeneralmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento
5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir
Más detallesFundamentos de Biología Aplicada I Estadística Curso Práctica 5: Regresión Lineal Múltiple
Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Ajuste del modelo de regresión lineal múltiple con SPSS 2 2.1. Estimación de los parámetros del modelo.............................
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 detallesEstadística II Examen final enero 19/1/17 Curso 2016/17 Soluciones Duración del examen: 2 h y 15 min
Estadística II Examen final enero 19/1/17 Curso 016/17 Soluciones Duración del examen: h y 15 min 1. 3 puntos El Instituto para la Diversificación y Ahorro de la Energía IDAE ha publicado un estudio sobre
Más detallesTema 5. Diagnosis y validación del modelo de regresión lineal múltiple
Métodos de Regresión. Grado en Estadística y Empresa Tema 5 1/8 Tema 5. Diagnosis y validación del modelo de regresión lineal múltiple 1. Multicolinealidad 1.1 Identificación y consecuencias 1. Tratamiento.
Más detalles