Análisis de datos Categóricos
|
|
- Belén Espinoza Jiménez
- hace 5 años
- Vistas:
Transcripción
1 Regresión logística Universidad Nacional Agraria La Molina
2 Regresión logística simple Interpretación de parámetros Inferencia Para una variable aleatoria respuesta Y y una variable explicativa X, sea: π(x) = Pr (Y = 1 X = x) = 1 Pr (Y = 0 X = x) El modelo de regresión logística es: que es equivalente a: π(x) = exp{β 0 + β 1 x} 1 + exp{β 0 + β 1 x} log π(x) 1 π(x) = β 0 + β 1 x
3 Interpretación de parámetros Interpretación de parámetros Inferencia El signo del coeciente β 1 determina si π(x) aumenta o disminuye conforme x aumenta. Si β 1 = 0 entonces Y es independiente de X. El odds se incrementa de forma proporcional a e β 1 por cada unidad adicional en x. El parámetro β 0 no suele ser de mayor interés. Si π(x) = 1/2 entonces x = β 0 /β 1. El valor anterior es llamado LD50 y corresponde a la dosis con un 50 % de posibilidades de tener resultados letales. La tangente en un punto particular de x tiene una pendiente igual a β 1 π(x)(1 π(x)).
4 Inferencia Regresión logística simple Interpretación de parámetros Inferencia Para el modelo con un solo predictor: log π (x) 1 π (x) = β 0 + β 1 x las pruebas de signicancia se enfocan en H 0 : β 1 = 0, la hipótesis de independencia. Se pueden utilizar la prueba de Wald, score y razón de verosimilitud. Para muestras grandes las tres pruebas anteriores dan resultados similares, sin embargo se preere usar la prueba de razón de verosimilitud ya que usa mayor información.
5 Inferencia Regresión logística simple Interpretación de parámetros Inferencia Los intervalos de conanza suelen ser más ecientes. El intervalo de Wald es: ˆβ 1 ± z 1 α/2 EE( ˆβ 1 ) Un intervalo de conanza para logitπ(x 0 ) es: ˆβ 0 + ˆβ 1 x 0 ± z 1 α/2 EE( ˆβ 0 + ˆβ 1 x 0 ) donde EE es la raíz cuadrada de: Var( ˆβ 0 + ˆβ 1 x 0 ) = Var( ˆβ 0 ) + x 2 0 Var( ˆβ 1 ) + 2x 0 Cov( ˆβ 0, ˆβ 1 )
6 Ejemplo Regresión logística simple Interpretación de parámetros Inferencia Ejemplo: Pulso Suponga que se desea determinar el efecto del peso (en libras) de un grupo de pacientes sobre su tasa de pulso en reposo. La variable respuesta es Y = 1 si la tasa de pulso es alta y Y = 0 si la tasa de pulso es baja. Estimar el modelo de regresión logística simple y probar si la tasa de pulso es independiente del peso del paciente. Hallar un intervalo de conanza del 95 % para el coeciente de regresión asociado al peso del paciente. Hallar un intervalo de conanza del 98 % para la probabilidad que tiene un paciente de 140 libras de tener una tasa de pulso alta.
7 Pruebas y medidas de bondad de ajuste Residuales El modelo de regresión logística simple se puede extender hacia un modelo que permita incluir múltiples variables explicativas. Suponga que el modelo para π (x) = Pr(Y = 1), donde x = (x 1, x 2,, x p ), es: ( ) π (x) log = β 0 + β 1 x 1 + β 2 x β p x p 1 π (x) El parámetro β i representa el efecto de x i en el logaritmo del odds para Y = 1 controlando las otras x j. El efecto multiplicativo sobre el odds por cada unidad adicional en x i es exp{β i }, manteniendo jas las otras x j.
8 Ejemplo Regresión logística simple Pruebas y medidas de bondad de ajuste Residuales Ejemplo: Diabetes Se tiene información proveniente de un estudio con 768 pacientes mujeres del Instituto Nacional de enfermedades Digestivas, Diabetes y de Riñón. Las variables independientes involucradas son: número de embarazos, concentración de glucosa en plasma en una prueba de tolerancia oral (mmol/l), presión arterial diastólica (mmhg), grosor del pliegue del tríceps (mm), suero de insulina en dos horas (muu/ml), índice de masa corporal, función pedigrí de diabetes, edad (años). La variable respuesta diabetes cuyo valor 1 es interpretado como prueba de diabetes positiva.
9 Prueba de Hosmer y Lemeshow Pruebas y medidas de bondad de ajuste Residuales La idea es agrupar las observaciones en categorías de acuerdo a las probabilidades estimadas usando g grupos cada uno con aproximadamente la misma cantidad de observaciones. Con 10 grupos, el primer grupo de conteos observados y sus correspondientes conteos estimados esta formado con las n/10 observaciones con las probabilidades más altas y así sucesivamente. El valor estimado es la suma de las probabilidades estimadas en cada grupo. Sea y ij la observación j en el grupo denido por la partición i, i = 1, 2,, g y j = 1, 2,, n i.
10 Pruebas y medidas de bondad de ajuste Residuales Prueba de Hosmer y Lemeshow Sea ˆπ ij las probabilidades estimadas con la data no agrupada. El estadístico de Hosmer y Lemeshow es: X 2 HL = g i=1 ( j y ij j ˆπ ij) 2 ( ( ( ) ) j ij) ˆπ 1 j ˆπ ij /n i cuya distribución es aproximadamente chi-cuadrado con g 2 grados de libertad. Si el valor es grande puede ser evidencia de una falta de ajuste en el modelo.
11 Medidas de bondad de ajuste Pruebas y medidas de bondad de ajuste Residuales Es posible comparar el logaritmo de la verosimilitud del modelo estimado y el modelo minimal que es aquel donde todas las probabilidades son iguales. Sea ˆπ i las probabilidades estimadas para y i bajo el modelo de interés. La estadística chi-cuadrado de razón de verosimilitud es: Otra estadística usada es: C = 2 (l(ˆπ, y) l( π, y)) χ 2 p pseudo R 2 = l( π, y) l(ˆπ, y) l( π, y)
12 Residuales de Pearson Pruebas y medidas de bondad de ajuste Residuales El residual de Pearson es: e i = y i n i ˆπ i ni ˆπ i (1 ˆπ i ) i = 1, 2,, n tal que X 2 = e 2 i. El residual estandarizado de Pearson es: r i = e i (1 ĥi) donde ĥ i es el leverage obtenido de la matriz hat.
13 Residuales de Devianza Pruebas y medidas de bondad de ajuste Residuales El residual de devianza es: donde: d i = 2 g i = d i signo(y i n i ˆπ i ) [ ( ) ( )] yi ni y i y i log + (n i y i ) log n i ˆπ i n i n i ˆπ i Se cumple que: G 2 = g 2 i
14 Regresión logística simple Forward, Backward y AIC ¾Como seleccionar un modelo de regresión logística adecuado? El proceso de selección se hace difícil cuando el número de variables explicativas aumenta, porque aumentan a su vez los posibles efectos e interacciones. Hay dos objetivos contrapuestos: el modelo debe ser lo sucientemente complejo como para adaptarse bien a los datos, sin embargo los modelos más simples son más fáciles de interpretar. ¾Cuantas variables predictoras se deben introducir en el modelo? Los datos se dice que son no balanceados en la variable respuesta si y = 1 o y = 0 aparecen pocas veces.
15 Forward, Backward y AIC Forward, Backward y AIC Lo mencionado anteriormente limitara el número de variables predictoras cuyos efectos se pueden estimar de manera precisa. Se considera que deberá haber al menos 10 observaciones de 1 o 0 por cada variable predictora. Por ejemplo, si y = 1 solo 30 veces en n = 1000 observaciones, el modelo no deberá tener más de tres variables predictoras, aunque el tamaño total de la muestra fuera grande. Se pueden usar métodos de selección hacia adelante (forward), selección hacia atrás (backward), selección stepwise y el criterio de informacion de Akaike (AIC).
Análisis de datos Categóricos
Regresión logística Universidad Nacional Agraria La Molina 2014-2 Regresión logística simple Interpretación de parámetros Gracando las proporciones Inferencia Introducción Para una variable aleatoria respuesta
Más detallesAnálisis de datos Categóricos
Introducción Universidad Nacional Agraria La Molina 2017-1 Variable cualitativa Variable respuesta cualitativa Variable respuesta y explicativa Variable de conteo y proporción Escalas de medición Una variable
Más detallesGuillermo Ayala Gallego Universidad de Valencia
GoBack Regresión logística Guillermo Ayala Gallego Universidad de Valencia 4 de febrero de 2009 1 / 22 Puede que sea el procedimiento estadístico más utilizado. Con aplicaciones frecuentes en Medicina
Más detallesAnálisis de datos categóricos
Regresión multinomial Universidad Nacional Agraria La Molina 2017-1 Distribución multinomial Distribución multinomial Considere una variable aleatoria Y con J categorías cuyas probabilidades respectivas
Más detallesAnálisis de datos Categóricos
Inferencia para tablas de contingencia Universidad Nacional Agraria La Molina 2013-1 Odds ratio Diferencia de proporciones Riesgo relativo Ejemplo Odds ratio El odds ratio muestral es: El estimador modicado
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
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 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 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 detallesTécnicas Multivariadas Avanzadas
Más alla de la linealidad Universidad Nacional Agraria La Molina 2014-2 Introducción Introducción Las relaciones entre variables casi nunca son lineales. Sin embargo el supuesto de linealidad casi siempre
Más detallesCapítulo 8. Selección de variables Introducción
Capítulo 8 Selección de variables 8.1. Introducción En muchos problemas de regresión es posible considerar un número importante de variables predictoras. Un empresario podría estudiar los factores que
Más detallesg(e (y)) = α + β 1 x β k x k
Modelos lineales generalizados Especifica la función para E (y) = μ g(.) = Función liga o conectora Conecta los componentes aleatorio y sistemático g(e (y)) = α + β 1 x 1 + + β k x k Componente Aleatorio
Más detallesEstadística Bayesiana
Universidad Nacional Agraria La Molina 2017-1 Teoría de la decisión Riesgo de Bayes La teoría de decisión es un área de suma importancia en estadística ya que muchos problemas del mundo real pueden tomar
Más detallesAnálisis de datos Categóricos
Pruebas Chi-cuadrado para tablas de dos vías Universidad Nacional Agraria La Molina 2017-1 Independencia y Homogeneidad Independencia y Homogeneidad Prueba de Pearson y G 2 Una prueba de independencia
Más detalles1. Modelos para conteos
1. Modelos para conteos En esta sección se modelarán conteos, que resultan de diversas situaciones, por ejemplo: el número de accidentes en una carretera, el número de caries que tiene una persona, el
Más detalles(x) = 1 si P (Y = 1 X = x) P (Y = 0 X = x) P (Y = 0 X = x) > P (Y = 1 X = x) P (X = x Y = 0)P (Y = 0) > P (X = x Y = 1)P (Y = 1)
1 1. Conceptos generales de clasificación 2. Clasificador k-vecino más cercano 3. Clasificador Bayesiano óptimo 4. Análisis discriminante lineal (LDA) 5. Clasificadores lineales y el Modelo perceptrón
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesCurso online de Supervivencia y Regresión Lineal, Logística y de Cox 2018
MANUAL DE IDENTIDAD VSUAL CORPORATIVA PROGRAMA: Curso online de Supervivencia y Regresión Lineal, Logística y de Cox 2018 Departamento de Formación Médica Continuada (ICOMEM) SUPERVIVENCIA Y REGRESIÓN
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 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 4 Regresión logística
TEMA 4 Regresión logística José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Variable respuesta dicotómica. Ejemplo. El
Más detallesConstrucción y aplicación de modelos de
GoBack Construcción y aplicación de s de regresión logística Guillermo Ayala Gallego Universidad de Valencia 8 de marzo de 2009 1 / 15 selección del Un debe ser suficientemente complejo para que ajuste
Más detallesTEMA 5. Modelos para Datos de Conteo
TEMA 5. Modelos para Datos de Conteo Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Datos de Conteo 2 Regresión de Poisson 3 Extensiones Datos de Conteo Variable de
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 Logística usando R
Universidad Nacional Agraria La Molina Departamento de Estadística e Informática Ciclo 2012 1 Grupo E Data Cangrejo Regresión Logística usando R > Cangrejo
Más detallesTema 13: Regresión Logística p. 1/20 Tema 13: Regresión Logística Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del
Más detallesAnálisis de datos Categóricos
Tablas de contingencia de dos vías Universidad Nacional Agraria La Molina 2017-1 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios
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 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 detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más 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 detallesIntroducción a la regresión ordinal
Introducción a la regresión ordinal Jose Barrera jbarrera@mat.uab.cat 20 de mayo 2009 Jose Barrera (UAB) Introducción a la regresión ordinal 20 de mayo 2009 1 / 11 Introducción a la regresión ordinal 1
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 detallesUNIVERSIDAD DE ANTIOQUIA FACULTAD NACIONAL DE SALUD PÚBLICA Héctor Abad Gómez ldbello@saludpublica.udea.edu.co Facultad Nacional de Salud Pública Héctor Abad Gómez www.leondariobello.com www.ciemonline.info/moodle
Más detallesModelos Lineales Generalizados
Modelos Lineales Generalizados 1 DefinicióndeunMLG Y1,Y2,...,Yn,conmediasµ1,µ2,...,µn,Yi, i=1,...,n,tienefdpmiembrodela familia exponencial a un parámetro, con las siguientes propiedades: 1.LadistribucióndecadaunodelosYi,paratodoi,estáenlaformacanónica,i.e.:
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 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 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 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 detallesEstimación Probit. Microeconomía Cuantitativa. R. Mora. Departmento de Economía Universidad Carlos III de Madrid
Probit Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid R. Mora Probit Esquema El Modelo de Utilidad Aleatoria 1 El Modelo de Utilidad Aleatoria 2 3 R. Mora Probit
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 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 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 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 detallesAnálisis estadístico de los factores de riesgo que influyen en la enfermedad Angina de Pecho. Flores Manrique, Luz CAPÍTULO IV ANALISIS DE LOS DATOS
CAPÍTULO IV ANALISIS DE LOS DATOS 4.1 DESCRIPCIÓN DE LOS DATOS Como ya se mencionó anteriormente, el tamaño de la población con la que se está trabajando es de 149 observaciones, 69 de ellas presentan
Más detallesEstadística Bayesiana
Introducción Universidad Nacional Agraria La Molina 2017-1 Introducción Introducción La estadística Bayesiana le debe su nombre al trabajo pionero del reverendo Thomas Bayes titulado: An Essay towards
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 detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE ESTADÍSTICA Desnutrición crónica estudio de las características, conocimientos y aptitudes de la madre sobre nutrición
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesRegresión polinomial y factores
Capítulo Regresión polinomial y factores.. Regresión polinomial Si una función media tiene un predictor X pueden usarse sus potencias enteras para aproximar E (Y X). El caso más simple es la regresión
Más detallesEstadística Computacional. M. González
Estadística Computacional M. González Facultad de Medicina. Universidad de Extremadura M. González (UEx) Estadística Computacional 1 / 23 Índice Modelos Lineales Generalizados Bioensayos: Modelos Dosis-Respuesta
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 Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
Más detallesInferencia en tablas de contingencia
GoBack Inferencia en tablas de contingencia Guillermo Ayala Gallego Universidad de Valencia 15 de octubre de 2008 1 / 36 Distribución condicionada exacta Intervalo para los odds ratio Intervalo de la diferencia
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 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 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 detallesVariables indicadoras
Universidad Nacional Agraria La Molina 2011-2 Algunas veces se hace necesario el uso de variables cualitativas en el análisis de regresión. Por ejemplo: Turno, Situación laboral, Género, etc. Se debe asignar
Más detallesOtra medida alternativa para la distancia entre ˆπ y p muy usada es la deviance. Λ= máx ω. Si queremos testear. el cociente estaría dado por
M.L.G. Ana M. Bianco FCEyN 2010 96 Estadístico G 2 Otra medida alternativa para la distancia entre ˆπ y p muy usada es la deviance G 2, que es un estadístico basado en el cociente de verosimilitud. Si
Más detallesModelos con variable dependiente limitada
Modelos con variable dependiente limitada Universidad Iberoamericana Diciembre 2014 Y es variable aleatoria, toma solo dos valores, uno o cero, asociada a la ocurrencia de un evento (1 ocurre, 0 si no).
Más detallesEstadística; 3º CC. AA. Examen final, 23 de enero de 2009
Estadística; 3º CC. AA. Examen final, 3 de enero de 9 Apellidos Nombre: Grupo: DNI. (5 ptos.) En un estudio sobre las variables que influyen en el peso al nacer se han obtenido utilizando SPSS los resultados
Más detallesMODELO DE REGRESIÓN LOGÍSTICA
Instituto Valenciano de Investigaciones Agrarias Seminario MÉTODOS ESTADÍSTICOS PARA LA INVESTIGACIÓN AGRONÓMICA Tema 10 MODELO DE REGRESIÓN LOGÍSTICA Tema 10 MODELO DE REGRESIÓN LOGÍSTICA 1. Modelos de
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 detallesPrefacio... xvii. 1 La imaginación estadística... 1
ÍNDICE Prefacio... xvii 1 La imaginación estadística... 1 Introducción... 1 Pensamiento proporcional... 3 La imaginación estadística... 8 Enlace de la imaginación estadística con la imaginación sociológica...
Más detallesTaller Análisis de Datos Multinivel
Taller Análisis de Datos Multinivel Sergio R. Muñoz, Ph.D. CIGES & Departamento Salud Publica Facultad de Medicina Universidad de La Frontera munozs@ufro.cl 12-25 de Mayo, 2012 Datos Pacientes en clínicas
Más detallesEstadística Inferencial. Sesión No. 9 Regresión y correlación lineal
Estadística Inferencial Sesión No. 9 Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión se estudia
Más detallesMétodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández
Métodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández El método incluye diferentes elementos Justificación Planteamiento del problema
Más 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 detallesPredicción del bajo peso al nacer utilizando variables antropométricas y demográficas de la madre
Predicción del bajo peso al nacer utilizando variables antropométricas y demográficas de la madre Tablas La forma analítica en que la probabilidad objeto de interés se vincula con las variables explicativas
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 detallesEconomía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid
Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:
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 detallesRegresión de Poisson. Microeconomía Cuantitativa. R. Mora. Departmento de Economía Universidad Carlos III de Madrid
en gretl Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción en gretl 1 Introducción 2 3 4 en gretl en gretl Introducción en gretl Ejemplo 1
Más detallesECONOMETRÍA I. Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación
ECONOMETRÍA I Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
Más detallesModelos lineales generalizados
GoBack Modelos lineales Guillermo Ayala Gallego Universidad de Valencia 20 de enero de 2009 1 / 57 Verosimilitud de Ajuste de un GLM mediante Fisher Scoring Method s de un modelo lineal generalizado Identifica
Más detallesPrueba de Hipótesis. Bondad de Ajuste. Tuesday, August 5, 14
Prueba de Hipótesis Bondad de Ajuste Conceptos Generales Hipótesis: Enunciado que se quiere demostrar. Prueba de Hipótesis: Procedimiento para determinar si se debe rechazar o no una afirmación acerca
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE. ESTADÍSTICA Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
Más detallesUNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL. Tema:
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL Tema: Correlación múltiple y parcial. Ecuaciones y planos de regresión La Plata, septiembre
Más detallesRegresión logística bivariable para tablas de contingencia usando metodología GSK.
Regresión logística bivariable para tablas de contingencia usando metodología GSK KELLY JOHANA HENAO ZULUAGA Director: PhD Juan Carlos Correa Morales Profesor Asociado Escuela de Estadística Universidad
Más detallesContrastando Hipótesis después de la Estimación Probit
Contrastando Hipótesis después de la Estimación Probit Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 El modelo Probit
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 detallesEstadística Bayesiana
Modelos uniparamétricos Universidad Nacional Agraria La Molina 2017-1 Modelos uniparamétricos Se tiene una secuencia de ensayos independientes de Bernoulli y 1,, y n. Sea y el número total de éxitos en
Más detallesMuestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
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 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 Logísticos de Regresión de Respuesta Binaria Índice 1. Planteamiento de modelo 2. Estimación
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 detallesModelos de elección discreta Aplicaciones en ordenador
Modelos de elección discreta Aplicaciones en ordenador Román Salmerón Gómez Para ilustrar cómo abordar el análisis de Modelos de elección discreta con el software econométrico Gretl resolveremos el siguiente
Más detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
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 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 Nacional Autónoma de México Facultad de Psicología
Universidad Nacional Autónoma de México Facultad de Psicología PROGRAMA DE ASIGNATURA Nombre de la asignatura Clave Semestre Estadística Inferencial 0186 4 Número de créditos 8 Horas teoría 4 Horas práctica
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 detallesAnálisis de Regresión.
Análisis de Regresión http://www.academia.utp.ac.pa/humberto-alvarez/diseno-deexperimentos-y-regresion Introducción Tiene como objetivo modelar en forma matemática el comportamiento de una variable de
Más detallesINDICE. Prologo Introducción El sistema SPSS Análisis estadístico con el SPSS Estadista avanzada Guía de lectura Parte I Programación
INDICE Prologo Introducción El sistema SPSS Análisis estadístico con el SPSS Estadista avanzada Guía de lectura Parte I Programación 3 1. Una sesión básica con el SPSS para Windows: trabajando con lo distintos
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 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 detalles