Anomalías en regresión y medidas remediales
|
|
- Julián Campos Iglesias
- hace 5 años
- Vistas:
Transcripción
1 Universidad Nacional Agraria La Molina C:/Users/moranjara/Desktop/trabajo_inf
2 Introducción Introducción En este capítulo se estudiarán algunas medidas de diagnóstico que permitirán vericar si los supuestos del modelo de regresión se cumplen. Algunas de estas medidas de diagnóstico están basados en los diferentes tipos de residuales. Consideremos el modelo de regresión lineal múltiple: Y = Xβ + ε donde E(ε) = 0 y Var(ε) = σ 2 I n.
3 Introducción estudiantizados internamente estudentizados externamente Se tiene que ^Y = X^β donde ˆβ = (X X) 1 X Y, entonces: ^Y = X(X X) 1 X Y = HY Esta es la razón porque a la matriz H se le llama matriz HAT, ya que actúa como una transformación de Y a ^Y. Luego, el vector de residuales es: e = Y ^Y = Y HY = (I H)Y
4 Media del vector de residuales estudiantizados internamente estudentizados externamente Nótese que: E(e) = E [(I H) Y] = (I H) E(Y) = (I H) Xβ = Xβ HXβ = Xβ Xβ Finalmente: E(e) = 0
5 Varianza del vector de residuales estudiantizados internamente estudentizados externamente Por otro lado: Finalmente: Var(e) = Var [(I H) Y] = (I H) Var (Y) (I H) = σ 2 (I H) (I H) = σ 2 (I H) 2 Var(e) = σ 2 (I H)
6 Estimación de la varianza estudiantizados internamente estudentizados externamente En particular Var(e ij ) = σ 2 (1 h ij ) la cual es estimada por S(1 h ij ) siendo S 2 = CMRes También Cov[e i, e j ] = h ij σ 2. Tanto los errores como los residuales tienen media 0. La varianza de los errores es constante, pero la de los residuales no lo es. Los errores no están correlacionados, pero los residuales si lo están.
7 estudiantizados internamente estudentizados externamente Outliers, punto leverage alto y valores inuenciales Una observación (y, x 1,, x k ) es considerada un outlier si se encuentra muy alejado del resto de los datos sea en la dirección vertical u horizontal. Sin embargo muchos textos llaman outlier a un valor alejado solamente en la dirección vertical y punto de leverage alto a una observación alejada solamente en la dirección horizontal. Una observación es considerada un valor inuencial si su presencia afecta de manera importante el comportamiento del modelo. En el caso de la regresión lineal simple remover un valor inuencial podría cambiar dramáticamente el valor de la pendiente.
8 estudiantizados internamente estudiantizados internamente estudentizados externamente Para reducir el efecto de las varianzas de los residuales es conveniente trabajar con versiones estandarizadas de ellos. El residual estudiantizado internamente se dene por: r i = e i σ 1 h ii La covarianza de los residuales estudentizados internamente es: ( Cov(r i, r j ) = Cov e i σ 1 h ii, ) e j = σ 1 h jj h ij 1 hii 1 hjj Cov(e i,e j) σ 1 h ii σ 1 h jj =
9 estudiantizados externamente estudiantizados internamente estudentizados externamente Supongamos que la i-ésima observación es eliminada del conjunto de datos y que se ajusta el modelo lineal con las observaciones restantes. Sean β (i) y s (i) 2 las estimaciones de los parámetros del modelo y de la varianza de los errores respectivamente. Usando la siguiente identidad debido a Gauss: (X (i) X (i)) 1 = (X X) 1 + (X X) 1 x i x i (X X) 1 1 h ii X (i) representa la matriz X sin su i-ésima la x i.
10 estudiantizados externamente estudiantizados internamente estudentizados externamente Se pueden establecer las siguientes relaciones: ˆβ (i) = ˆβ (X X) 1 x i ê i 1 h ii s 2 (i) = n p 1 n p 2 s2 ê 2 i (n p 2)(1 h ii ) Sea ỹ i = x i ˆβ(i), entonces el residual estudiantizado externamente es: t i = y i ỹ i s (i) 1 + x (i) (X (i) X (i)) 1 x i
11 estudiantizados externamente estudiantizados internamente estudentizados externamente La relación entre el residual usual y el residual usando el modelo sin la i-ésima observación es: y i ỹ i = êi 1 h ii Se puede establecer la siguiente relación entre el residual estudiantizado externamente e internamente: ( ) 1/2 t i = r n p 1 i n p r 2 i
12 estudiantizados internamente estudentizados externamente Si h ii > 2 (p/n) donde p es el número de parámetros, entonces la i-ésima observación es considerado un punto leverage y podría ser inuencial. Si t i > 2 entonces la i-ésima observación es considerada un outlier y también puede ser inuencial. Si r i > 2 entonces la i-ésima observación también es considerada un outlier y también puede ser inuencial.
13 La distancia de Cook DFFITS DFBETAS COVRATIO La distancia de Cook Mide el cambio que ocurriría en el vector de coecientes estimados de regresión si la i-ésima observación fuera omitida. Se calcula por: CD 2 i = ( ˆβ ˆβ (i) ) X X( ˆβ ˆβ (i) ) ps 2 = (ŷ ŷ (i)) X X(ŷ ŷ (i) ) = r 2 i ps 2 h ii p(1 h ii )
14 La distancia de Cook DFFITS DFBETAS COVRATIO La distancia de Cook Un CD 2 > 1 indica que la i-ésima observación es un valor potencialmente inuencial. Un CD 2 < 0,1 indica que la i-ésima observación no merece ninguna discusión. Un CD 2 < 0,5 indica que la i-ésima observación merece un poco de atención. Especícamente, si CD 2 > F (0,5,p,n p) la observación es considerada como un valor inuencial.
15 La distancia de Cook DFFITS DFBETAS COVRATIO DFFITS Es similar a la distancia de Cook excepto por un factor de escala y el reemplazo de la varianza estimada s 2 por s 2 (i). La varianza estimada del error excluyendo la i-ésima observación en los cálculos: DFFITS i = ŷi ŷ (i) s 2 (i) h ii, para i = 1,..., n ŷ (i) es el valor ajustado de y i obtenido sin considerar la i-ésima observación. Un DFFITS i > 2 p n indica un posible valor inuencial.
16 La distancia de Cook DFFITS DFBETAS COVRATIO DFBETAS Mide la inuencia de la i-ésima observación en cada uno de los coecientes de regresión. Se calcula por: (DFBETAS) ji = ˆβ j ˆβ j(i) s (i) c(j+1)(j+1), para i = 1,..., n para j = 1,..., k c (j+1)(j+1) es el j+1-ésimo elemento de la diagonal de (X X) 1. Un DFBETAS ji > 2 n indica un posible valor inuencial.
17 La distancia de Cook DFFITS DFBETAS COVRATIO COVRATIO Mide el efecto en la variabilidad de los coecientes de regresión al remover la i-ésima observación. Se dene por: [ det s (i) 2 COVRATIO i = det ( ) ] 1 X (i) X (i) para i = 1,..., n [s 2 (X X) 1]
18 La distancia de Cook DFFITS DFBETAS COVRATIO COVRATIO Usando propiedades de determinantes, se puede obtener la siguiente fórmula equivalente: ( ) s 2 p (i) 1 COVRATIO i = s 2 (1 h ii ) Si COVRATIO i > 1 + ( ) p 3 n o si COVRATIOi < 1 ( ) p 3 n entonces la i-ésima observación es un valor inuencial importante.
El 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 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 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 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 detallesTM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.
TM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.. CÓMO DETECTAR Y MEDIR EL GRADO DE MULTICOLINEALIDAD. 3. SOLUCIONES: CÓMO AFRONTAR EL PROBLEMA EN
Más detallesRegresión 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 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 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 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 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 detallesComparación de la Regresión GINI con la Regresión de Mínimos Cuadrados Ordinarios y otros Modelos de Regresión Lineal Robustos
Comparación de la Regresión GINI con la Regresión de Mínimos Cuadrados Ordinarios y otros Modelos de Regresión Lineal Robustos Gloria Patricia Carmona Florez Universidad Nacional de Colombia Facultad de
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 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 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 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 detallesDiagnosis en el modelo de regresión lineal normal
Diagnosis en el modelo de regresión lineal normal Log L (θ ) θ 0 θ θ Log L (θ ) Log L B (θ 0 ) Elementos de diagnosis, interpretación y análisis Log L (θ A 0 ) Α Β Justificación del tema Hasta ahora hemos
Más detallesRegresión lineal múltiple
Regresión lineal múltiple Tema 6 Estadística 2 Curso 08/09 Tema 6 (Estadística 2) Regresión lineal múltiple Curso 08/09 1 / 91 Introducción Introducción Consideramos ahora la extensión del modelo de regresión
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 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 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 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 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 detallesSolución de sistemas lineales
Solución de sistemas lineales Felipe Osorio http://www.ies.ucv.cl/fosorio Instituto de Estadística Pontificia Universidad Católica de Valparaíso Marzo 31, 2015 1 / 12 Solución de sistemas lineales El problema
Más detallesEconometría Aplicada
Econometría Aplicada Regresión Lineal Simple Víctor Medina Regresión Lineal Simple Regresión Lineal Simple Regresión Lineal Simple Introducción La economía sugiere muchas relaciones entre variables económicas.
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 detallesModelo de Análisis de la Covarianza. Introducción al modelo de Medidas Repetidas
Modelo de Análisis de la Covariza. Introducción al modelo de Medidas Repetidas Modelo de Análisis de la Covariza Introducción El diseño por bloques se considera para eliminar el efecto de los factores
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 detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
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 detallesAnálisis 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 detallesModelo Lineal: Diagnóstico. Cómo verificamos todos los supuestos que hemos realizado?
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
Más detallesOBSERVACIONES INFLUYENTES
3 REGRESIÓN LINEAL MÚLTIPLE II 3. DIAGNOSIS DE RESIDUOS OBSERVACIONES INFLUYENTES Una observación (punto muestral) es in uyente si los resultados de la estimación de un modelo cambian notablemente al eliminar
Más detallesECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45
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 detallesModelos de regresión multinivel
Luis Guillermo Díaz Leonardo Trujillo Julio 2011 Estructura de datos multinivel Los investigadores de las ciencias sociales y naturales, se enfrentan al problema de modelar estructuras de datos complejas,
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 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 detallesDISEÑO EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES RESPUESTAS 2 - SELECCIÓN DE FACTORES
DISEÑO EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES RESPUESTAS 2 - SELECCIÓN DE FACTORES M.S Cámara M.M. De Zan L. Vera Candioti H. Goicoechea 2016 FBCB UNL ETAPAS-OPTIMIZACIÓN Identificación
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 detallesAnálisis de datos Categóricos
Regresión logística Universidad Nacional Agraria La Molina 2016-1 Regresión logística simple Interpretación de parámetros Inferencia Para una variable aleatoria respuesta Y y una variable explicativa X,
Más detallesANÁLISIS DE COMPONENTES PRINCIPALES
ANÁLISIS DE COMPONENTES PRINCIPALES INTRODUCCIÓN El objetivo principal de la mayoría de las técnicas numéricas de análisis multivariado, es reducir la dimensión de nuestros datos. Por supuesto, si esta
Más detallesTema 5: Regresión con datos de sección cruzada. Universidad Complutense de Madrid Marzo de 2012
Tema 5: Regresión con datos de sección cruzada Universidad Complutense de Madrid Marzo de 2012 Introducción (I) En este tema se trata el incumplimiento de dos hipótesis del MLG, aparentemente no relacionadas,
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 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 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 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 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 detallesUNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 45 a 57 UNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K JOSÉ A. JIMÉNEZ M.* Resumen En este artículo mediante el método de los
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 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 detallesModelo Lineal PRACTICA 5
Modelo Lineal PRACTICA 5 1. La Tabla 3 (gener2.txt) contiene un conjunto de 30 datos generados correspondientes a dos variables: X e Y. a) Ajuste un modelo lineal utilizando la variable Y como respuesta
Más detallesEconometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de 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 detallesEdgar Acuna/ ESMA 6665 Lecc La SVD y Componentes Principales
Edgar Acuna/ ESMA 6665 Lecc 7 75 6.2 La SVD y Componentes Principales El objetivo de componentes principales es hacer una reducción de la información disponible. Es decir, la información contenida en p
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 5: Regresión con datos de sección cruzada. Universidad Complutense de Madrid 2013
Tema 5: Regresión con datos de sección cruzada Universidad Complutense de Madrid 2013 1 Introducción (I) En este tema se trata el incumplimiento de dos hipótesis del MLG, aparentemente no relacionadas,
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 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 detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesRevista Colombiana de Estadística ISSN: Universidad Nacional de Colombia Colombia
Revista Colombiana de Estadística ISSN: 0120-1751 revcoles_fcbog@unal.edu.co Universidad Nacional de Colombia Colombia Jiménez Moscoso, José Alfredo Un criterio para identificar datos atípicos Revista
Más detallesIntroduccion a los Modelos de Regresion
(wsosa@udesa.edu.ar) Universidad de San Andres Referencias Hayashi (2000) Capitulo 1, pp. 3-46. Cualquier texto basico de econometria (con matrices!!!) Introduccion Modelo lineal: y i = β 1 + β 2 x 2i
Más detallesEconometría Aplicada
Econometría Aplicada Especificación y problemas con la data Víctor Medina Introducción Hasta el momento hemos considerado el modelo como dado y nos hemos preguntado cosas del estilo Dado el modelo y =
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 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 detallesAnálisis de la Varianza (ANOVA).
{ H0 : µ = µ 2 = = µ p Análisis de la Varianza (ANOVA) Planteamiento del problema Se desea contrastar si las medias de p poblaciones independientes son todas iguales o si existen diferencias entre al menos
Más detallesRegresión Lineal Múltiple
Unidad 3 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Estadística II Semestre 2018-1 1 / 54 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable
Más detallesTema 5: Calibración de modelos. Modelado y simulación en Ingeniería Química. Manuel Rodríguez
Tema 5: Calibración de modelos 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
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 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 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 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 detallesMínimos Cuadrados Parciales
Mínimos Cuadrados Parciales Resumen El procedimiento Mínimos Cuadrados Parciales (PLS Partial Least Squares) está diseñado para construir un modelo estadístico que relaciona múltiples variables independientes
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 III. Propiedades del modelo de regresión lineal Propiedades en muestras finitas I A. Propiedades del
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 detalles6 Variables aleatorias independientes
6 Variables aleatorias independientes Edgar Acuna ESMA 4 Edgar Acuna Dos variables aleatorias son independientes si para todo a b P[
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 detallesSantiago, Abril 2009
cvalle@inf.utfsm.cl Departamento de Informática - Universidad Técnica Federico Santa María Santiago, Abril 2009 1 / 51 Temario 1 2 3 4 5 6 7 Métodos que generan entradas alternativas 8 y extensiones 2
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 detallesAjustando Curva SnapStat
STATGRAPHICS Rev. 9/14/26 Ajustando Curva SnapStat Resumen El procedimiento Ajustando Curva SnapStat crea un resumen de una pagina que describe la relación entre un solo factor cuantitativo X y una variable
Más 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 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. El modelo de regresión caracteriza la relación entre una variable respuesta que depende de k variables independientes o regresoras.
Regresión Lineal Los factores envueltos en la experimentación pueden ser de tipo cuantitativos o cualitativos Un factor cuantitativo es aquel que sus niveles pueden ser asociados con puntos dentro de una
Más detallesModelos de Calibración
Modelos de Calibración Resumen El procedimiento Modelos de Calibración esta diseñado para construir un modelo estadístico que describe la relación entre variables, X y Y, donde construir un modelo es construir
Más 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 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 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 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 detallesCOMPARACIÓN DE TRES MÉTODOS DE REGRESIÓN LINEAL USANDO PROCEDIMIENTOS DE SIMULACIÓN
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 33 a 43 COMPARACIÓN DE TRES MÉTODOS DE REGRESIÓN LINEAL USANDO PROCEDIMIENTOS DE SIMULACIÓN JUAN C. TORRES C. * Resumen Cuando desea ajustarse
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 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 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 detallesCapítulo 6. Análisis de la covarianza ANÁLISIS DE LA COVARIANZA UNIFACTORIAL INTRODUCCIÓN
Capítulo 6 Análisis de la covarianza INTRODUCCIÓN Es una combinación de dos técnicas: Análisis de la Varianza y Análisis de Regresión. En el Análisis de la Covarianza: F La variable respuesta es cuantitativa
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 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 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 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 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 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 detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detalles