Regresión logística. Ejemplo: Una variable explicativa binaria
|
|
- Joaquín Miguel Molina Lucero
- hace 5 años
- Vistas:
Transcripción
1 Regresión logística Ejemlo: Una variable exlicativa binaria Datos: Tabla de arámetetro desestabilizado * Exosición al agente Recuento arámetetro desestabilizado Total no si Exosición al agente no si Total = robabilidad de que el trabajador resente cierto arámetro desestabilizado Exosición al agente = variable exlicativa binaria 1
2 Regresión logística Ejemlo: Una variable exlicativa binaria Datos: > a=read.table("ejemlo1.dat",header=t) > a resuest exosici frecue Se estructura la resuesta en una matriz formada or la columna de éxitos y la de fracasos > ma=matrix(a$frecue,ncol=2)# 2 columnas: exitos y fracasos > ma [,1] [,2] [1,] 4 12 [2,] 5 74 Declare categórica la variable binaria exosición > exos=factor(c("si","no")) 2
3 Función de ajuste del modelo Regresión logística > glm(ma~exos,family = binomial) Call: glm(formula = ma ~ exos, family = binomial) Coefficients: (Intercet) exossi Degrees of Freedom: 1 Total (i.e. Null); 0 Residual Null Deviance: Residual Deviance: 1.021e-14 AIC: 10.4 Coeficientes del modelo 3
4 Contraste de hiótesis Función de resumen del análisis > logit=glm(ma~exos,family = binomial) > summary(logit) Call: glm(formula = ma ~ exos, family = binomial) Deviance Residuals: [1] 0 0 Coefficients: Estimate Std. Error z value Pr(> z ) P-valor asociado (Intercet) e-09 *** exossi * --- Signif. codes: 0 *** ** 0.01 * (Disersion arameter for binomial family taken to be 1) Null deviance: e+00 on 1 degrees of freedom Residual deviance: e-14 on 0 degrees of freedom AIC: Number of Fisher Scoring iterations: 3 Coeficientes estimados P-valor=0.0309<0.05 Se rechaza la 4 nulidad del coeficiente exosi
5 Otro modo de testar mediante test chi-cuadrado la exosición anova(logit,test="chisq") Analysis of Deviance Table Model: binomial, link: logit Resonse: ma Terms added sequentially (first to last) Df Deviance Resid. Df Resid. Dev P(> Chi ) NULL exos e Tras la introducción de la variable binaria Exosici el estadístico 2log de la verisimititud se reduce La significatividad de la variable exosici viene dada or El estadístico con valor 4,267 que sigue un modelo chi-cuadrado con 1 g.l. El valor con 1 g.l. es significativo (.valor=0.0389) Se concluye que exos sirve ara exlicar el modelo El estadístico 2log de la verosimilitud es salvo cte la deviance ara el modelo 5
6 Modelo rouesto: Modelo ajustado: logit = ln = β 0 + β1exosici 1 log it = ln = 2, ,596exosici 1 Interretación de los coeficientes: 1,596 es el cambio eserado en el logit al asar de un trabajador No exuesto al agente (0) a uno exuesto (1). ln (RO ex/no ex) = logit(exuesto) logit (no exuesto) =1,596 RO ex/no ex = ex(1,596) = 4,931 El riesgo de arámetro desestabilizado es casi 5 veces mayor en los trabajadores exuestos que en los no exuestos 6
7 Ejemlo2: Una variable exlicativa continua La tabla siguiente clasifica a un gruo de 298 trabajadores. Muestra el nivel o grado de exosición a un agente ambiental (medido or la concentración de determinado factor en la lanta química en que desarrollan su trabajo). Tras cierto eriodo de tiemo se ha examinado a cada trabajador ara establecer si resenta o no síntomas de alergia. Datos: Tabla de contingencia Alergia * Grado o nivel de exosición Recuento Alergia no si Total Grado o nivel de exosición 1,08 1,16 1,21 1,26 1,31 1,35 Total = robabilidad de resentar síntomas de alergia Exosi=grado de exosición al algente ambiental Modelo rouesto: logit = ln = β 0 + β1exosi 1 7
8 Datos: Regresión logística binaria > a=read.table("ejemlo2.dat",header=t,dec=",") > a frec exosi res > ma=matrix(a$frec,ncol=2)# 2 columnas: exitos y fracasos > ma [,1] [,2] [1,] [2,] [3,] [4,] [5,] [6,] Se reara la matriz de exitos y fracasos denominada ma 8
9 summary: Resumen del análisis: Contrastes individuales > summary(glm(ma~exosi,family = binomial)) Call: glm(formula = ma ~ exosi, family = binomial) Deviance Residuals: Coefficients: Estimate Std. Error z value Pr(> z ) (Intercet) ** exosi ** --- Signif. codes: 0 *** ** 0.01 * (Disersion arameter for binomial family taken to be 1) Null deviance: on 5 degrees of freedom Residual deviance: on 4 degrees of freedom AIC: Number of Fisher Scoring iterations: 3 Dado el bajo valor de la significatividad (0,003), se rechaza la hiótesis de que dicho arámetro sea cero. Exosición afecta a robabilidad del suceso, or tanto sirve ara exlicar. La rueba que ermite contrastar la bondad del ajuste, frente a la alternativa de que el modelo no se ajusta, uede aroximarse mediante el estadístico de valor con 4 g.l No significativo, or lo que se aceta la bondad del ajuste 9
10 anova: Contrastes chi-cuadrado > anova(glm(ma~exosi,family = binomial),test="chisq") Analysis of Deviance Table Model: binomial, link: logit Resonse: ma Terms added sequentially (first to last) Df Deviance Resid. Df Resid. Dev P(> Chi ) NULL exosi La variable exosi (exosición) ermite reducir la deviance residual en , con 1 grado de libertad, lo que suone una significativa reducción, con -valor igual a < Se concluye que el término es imortante en el modelo La variable introducida, exosi, sirve ara exlicar la robabilidad de resentar alergia 10
11 Modelo ajustado: Interretación del arámetro estimado: log it = ln = 4, ,893exosi B=3,893 indica el cambio eserado en el logit (logaritmo de la odds o ventaja) al incrementar una unidad el nivel de exosición. El valor ex(b) = ex(3,893) = 49,051 es la RO que comara las odds aumentando una unidad en la exosici El cambio eserado en el logit al aumentar 0,1 unidades el nivel de exosición viene dado or: logit (exosi + 0,1) logit(exosi) = 3,893 0,1 = 0,3893 La RO que comara las odds aumentando 0,1 unidades en la exosici es igual a ex(0,3893) = 1,48 El riesgo de tener síntomas de alergia es aroximadamente 1,5 veces mayor al incrementar 0,1 unidades el grado o nivel de exosición 11
12 Ejemlo3: Dos variables exlicativas (una binaria y otra continua) La tabla siguiente muestra la clasificación de un gruo de trabajadores sometidos a diferentes niveles de exosición de un factor ambiental, el tiemo bajo dicha exosición (16 meses y 24 meses) y los resultados obtenidos al final del estudio según resente o no síntomas de afección resiratoria. DATOS Tabla de contingencia Síntomas resiratorios * Nivel de exosición * TIEMPO Recuento TIEMPO 16 meses 24 meses Síntomas resiratorios Síntomas resiratorios no si no si Nivel de exosición,00,45, = robabilidad de afección resiratoria Tiemo = variable binaria (0=16 meses y 1= 24 meses) Nivel de exosición = variable continua 12
13 Regresión logística Datos Lectura de datos > #No olvide oner como searador decimal la coma > a=read.table("ejemlo3.dat",header=t,dec=",") > a nivelc tiemo res frec nivel La variable nivel2 contiene los valores de nivelc al cuadrado 13
14 Regresión logística Prearación de los datos ara el análisis Datos > #Generamos un data frame con los éxitos y las variables indeendientes > ma=cbind(a1$frec,frac)# 2 columnas:total de exitos y fracasos > ma frac [1,] [2,] [3,] [4,] [5,] [6,] > #declaramos la variable tiemo como factor > tiemo=factor(a1$tiemo,labels=c("16m","24m")) 14
15 Modelo rouesto: logit = ln = β 0 + β1nivelc + β2tiemo 1 > glm(ma~a1$nivelc+tiemo,family = binomial) Call: glm(formula = ma ~ a1$nivelc + tiemo, family = binomial) Coefficients: (Intercet) a1$nivelc tiemo24m Degrees of Freedom: 5 Total (i.e. Null); 3 Residual Null Deviance: Residual Deviance: AIC: Aunque en esta tabla no se muestra ningún test, ya uede deducirse la imortancia de los términos; mediante los estadísticos Null Deviance y Residual Deviance, la gran reducción que conlleva la introducción de los dos términos en el modelo (de a 2.035) refleja esto. La residual deviance, si se aroxima a un modelo chi-cuadrado con 3 g.l., muestra también indicios de buen ajuste. Al menos una de las variables introducidas en el modelo es significativa. Reducción de la deviance: =196.4 con 5-3= 2 g.l. es altamente significativo valor ara una chi-cuadrado con 2 g.l. 15
16 Nuevo modelo rouesto más comlejo (mod2) 2 logit == β 0 + β1nivelc + β2tiemo + β3nivelc + β4nivelc* tiemo > mod1=glm(ma~a1$nivelc+tiemo,family = binomial) > mod2=glm(ma~a1$nivelc+i(a1$nivelc^2)+tiemo*a1$nivelc,family = binomial) #El término I(a1$nivelc^2) ermite evaluar reviamente la variable nivelc al cuadrado > mod2 Call: glm(formula = ma ~ a1$nivelc + I(a1$nivelc^2) + tiemo * a1$nivelc,family = binomial) Coefficients: (Intercet) a1$nivelc I(a1$nivelc^2) tiemo24m a1$nivelc:tiemo24m Degrees of Freedom: 5 Total (i.e. Null); 1 Residual Null Deviance: Residual Deviance: AIC: Aunque en esta tabla no se muestra ningún test, ya uede deducirse la imortancia de los términos; mediante los estadísticos Null Deviance y Residual Deviance, la gran reducción que conlleva la introducción de los términos en el modelo (de a ) refleja esto. La residual deviance, si se aroxima a un modelo chi-cuadrado con 1 g.l., muestra también indicios de buen ajuste. Al menos una de las variables introducidas en el modelo es significativa. 16
17 summary(mod2) 2 logit = β 0 + β1nivelc + β2tiemo + β3nivelc + β4nivelc* tiemo Permite contrastar la hiótesis de significatividad de los términos en el modelo. > summary(mod2) Call: glm(formula = ma ~ a1$nivelc + I(a1$nivelc^2) + tiemo * a1$nivelc, family = binomial) Coefficients: Estimate Std. Error z value Pr(> z ) (Intercet) e-09 *** a1$nivelc * I(a1$nivelc^2) tiemo24m * a1$nivelc:tiemo24m Signif. codes: 0 *** ** 0.01 * (Disersion arameter for binomial family taken to be 1) Null deviance: on 5 degrees of freedom Residual deviance: on 1 degrees of freedom AIC: Number of Fisher Scoring iterations: 5 El modelo se ajusta bien a los datos ero es innecesariamente comlejo En esta tabla se muestra test z, de donde uede deducirse la imortancia o no de los términos; Los términos nivelc y tiemo son significativos. No lo son nivel^2 ni la interacción entre tiemo y nivel 17
18 anova(mod1,mod2,test= Chisq ) Permite contrastar la hiótesis de significatividad de los términos añadidos en el modelo. Permite comarar modelos anidados > anova(mod1,mod2,test="chisq") #comara modelos mod1 y mod2 Analysis of Deviance Table Model 1: ma ~ a1$nivelc + tiemo Model 2: ma ~ a1$nivelc + I(a1$nivelc^2) + tiemo * a1$nivelc Resid. Df Resid. Dev Df Deviance P(> Chi ) Los resultados anova muestran que ninguno de los términos añadidos al modelo mod1 es imortante ara exlicar la variable deendiente. Sólo se obtiene una reducción de la deviance igual ( ) con 2 grados de libertad, que no es significativa (-valor= ). 18
19 Modelo ajustado log it = ln = 5, ,857nivelc + 2,099tiemo 1 > summary(mod1) Call: glm(formula = ma ~ a1$nivelc + tiemo, family = binomial) Deviance Residuals: Coefficients: Estimate Std. Error z value Pr(> z ) (Intercet) < 2e-16 *** a1$nivelc < 2e-16 *** tiemo24m e-11 *** --- Signif. codes: 0 *** ** 0.01 * (Disersion arameter for binomial family taken to be 1) Null deviance: on 5 degrees of freedom Residual deviance: on 3 degrees of freedom AIC: Number of Fisher Scoring iterations: 4 El estadístico de z muestra que todos los coeficientes son significativos con valor -valor = 0,000. Lo que ermite rechazar las hiótesis de nulidad de los mismos. 19
20 Interretación de los arámetros estimados 2,857 es el incremento eserado en el logit al aumentar una unidad la variable continua Nivelc, suuestos estables el resto de las variables 2,099 es el incremento eserado en el logit al asar del tiemo 16 meses (código 0) de la variable binaria tiemo, al eriodo de 24 meses (código 1), suuestos estables el resto de las variables Equivalentemente, 17,408 es la RO que comara las Odds de trabajadores que tienen una unidad más en el nivel de exosición. El riesgo es 17 veces mayor al incrementar una unidad el nivel de exosición. Del mismo modo, 8,157, indica que el riesgo de adecer síntomas de afección resiratoria Es aroximadamentes 8 veces mayor al asar de 16 a 24 meses de exosición 20
3 Ejemplos simples sobre regresión logística
3 Ejemplos mples sobre regreón logística 1. Ejemplo 1 (ejemplo1.dat) tabla 2x2 Una variable explicativa binaria (Solución) 2. Ejemplo 2 (ejemplo2.dat) Una variable independiente continua (Solución) 3.
Más detalles> leucemia<-read.table("a:\\leucemia",header=t) (1)
Feigl y Zelen (1965) analizaron datos de 33 acientes con leucemia ara los que se anotó si su tiemo de suervivencia era suerior a 52 semanas (de hecho, ellos anotaron el tiemo de suervivencia y no sólosieraonomayora52semanas),quecorresondería
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 detallesDatos binomiales 1.70 1.75 1.80 1.85. beetles$dosis
Datos binomiales Modelos de dosis-respuesta Carga de datos y calculo de proporciones: beetles
Más detallesCONTENIDO: Regresión logística con variables cuantitativas y cualitativas
Ejemplo simple de regresión logística CONTENIDO: Regresión logística con variables cuantitativas y cualitativas OBJETIVO: 1. Mostrar los modos en que se puede introducir la información para el análisis
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 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 detalles1)DESCRIPCIÓN DE LOS DATOS
1)DESCRIPCIÓN DE LOS DATOS ITAM-CONAC MÉTODOS ESTADÍSTICOS EN ACTUARÍA I DR. JUAN JOSÉ FERNÁNDEZ DURÁN EJEMPLO DE REGRESIÓN POISSON Y GAMMA RECLAMACIONES EN SEGUROS DE AUTOS EN SUECIA Los datos contienen
Más 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 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 Múltiple b=read.table("datoempleado.dat",header=t,sep="\t")
Regresión Múltiple b=read.table("datoempleado.dat",header=t,sep="\t") Ejemplo: (archivo datoempleado.dat) Fh (Referencia=Mujer) variables en el archivo names(b) [1] "id" "sexo" "fechnac" "educ" "catlab"
Más 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 detalles> modindepen<-glm(counts~race+believe,family=poisson,data=creencia ) > summary(modindepen)
Estos son datos acerca de sí las personas creen o no en una vida después de la muerte. race no yes ather 22 88 black 55 260 white 300 1339 Ajusto un modelo de INDEPENDENCIA > modindepen
Más detalles> y <- c(19, 57, 29, 63, 29, 49, 27, 53, 23, 47, 33, 66, 47, 55, 23, 50, + 24, 37, 42, 68, 43, 52, 30, 42) > ly <- length( y )
Preferencia por un nuevo Detergente: Para un estudio de mercado sobre las preferencias entre un nuevo detergente Xx y uno standard Mm se consideró una muestra de 1008 consumidores, a los que se preguntó
Más detallesMineria de Datos. Clasificacion Supervisada: Regresion Logistica. Dr. Edgar Acuna Departmento de Matematicas
Mineria de Datos Clasiicacion Suervisada: Regresion Logistica Dr. Edgar Acuna Deartmento de Matematicas Universidad de Puerto Rico- Mayaguez math.urrm.edu/~edgar Consideraremos or ahora que solo tenemos
Más detallesClasificación y regresión logística
Clasificación y regresión logística José R. Berrendero Universidad Autónoma de Madrid Contenidos Planteamiento del problema de clasificación supervisada Regla lineal de Fisher Regresión logística Optimalidad:
Más detallesClasificación supervisada con R
Clasificación supervisada con R Diagnóstico de cáncer de mama por imagen Los datos del fichero Wisconsin.RData proceden de un estudio sobre diagnóstico del cáncer de mama por imagen. Mediante una punción
Más detallesBOLETÍN EPIDEMIOLÓGICO DE CASTILLA-LA MANCHA FEBRERO 2007/ Vol.19 /Nº 09 LA REGRESIÓN LOGÍSTICA EN EPIDEMIOLOGÍA I (*)
BOLETÍN EIDEMIOLÓGICO DE CASTILLA-LA MANCHA FEBRERO 2007/ Vol.9 /Nº 09 LA REGRESIÓN LOGÍSTICA EN EIDEMIOLOGÍA I (*) RESUMEN La Regresión Logística es utilizada en eidemiología ara estudiar las relaciones
Más detallesMathias Bourel. 2 de octubre de 2016
Regresión Logística Mathias Bourel IMERL - Facultad de Ingeniería, Universidad de la República, Uruguay 2 de octubre de 2016 M.Bourel (IMERL, UdelaR) Regresión Logística 2 de octubre de 2016 1 / 28 Introducción
Más detallesEstadística I Solución Examen Final - 28 Mayo de 2009
Estadística I Examen Final - 28 Mayo de 2009 (1 (10 puntos A 16 estudiantes de Filosofía se les preguntó cuántas clases de esta asignatura habían perdido durante el cuatrimestre. Las respuestas obtenidas
Más detallesEstadística Inferencial
Estadística Inferencial 1 Sesión No. 11 Nombre: Regresión y correlación múltile Contextualización En la sesión anterior se resentó la regresión lineal simle y se mostró su uso en la obtención de una ecuación
Más detallesEstadística I Examen Final - 28 Mayo de 2009 Tiempo: 2.5h - Total: 40 puntos. Nombre:... Grupo:...
Estadística I Examen Final - 28 Mayo de 2009 Tiempo: 2.5h - Total: 40 puntos Nombre:... Grupo:... Realizar los cálculos intermedios con 4 decimales y redondear el resultado final a 2 decimales. 1. (10
Más 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 detallesCiencia UANL Universidad Autónoma de Nuevo León ISSN (Versión impresa): MÉXICO
Ciencia UANL Universidad Autónoma de Nuevo León rciencia@mail.uanl.mx ISSN (Versión impresa): 1405-9177 MÉXICO 2008 Peter B. Mandeville TEMA 16: LA RAZÓN DE MOMIOS 2. REGRESIÓN LOGÍSTICA Ciencia UANL,
Más detallesRegresión Logística. Introducción
Introducción En este tema estudiaremos cómo construir y analizar un modelo de regresión que retende reresentar la deendencia lineal de una variable resuesta con dos categorías (dicotómica) resecto a otras
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 detallesJavier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo
Javier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo 30/10/2013 Modelos Lineales de Regresión Índice 1. Planteamiento de modelo Caso práctico 2. Estimación y
Más detallesModelo de Regresión Logística
Modlo d Rgrsión Logística Modlo d rgrsión qu lica l comortaminto d una variabl dndint discrta, Y, dicotómica n función d una o más variabls indndints cualitativas o cuantitativas. Los valors qu toma la
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 detallesAjuste de Regresión Lineal Simple
Ajuste de Regresión Lineal Simple Hugo Alberto Brango García 1 1 Universidad de Córdoba Estadística II Mayo de 2014 Análisis de Regresión Mayo de 2014 1 / 33 Supuestos sobre los residuales del modelo Normalidad
Más detallesOdds = = e. UD1: El modelo de regresión logística 1. 1 e
RE2. Regresión logística binaria, multinomial, de Poisson y binomial negativa Curso 204/5 Solución resumida de la prueba de evaluación Unidad didáctica (D) La regresión logística puede utilizarse en cualquiera
Más detallesEstadística I Examen Final - 19 de junio de Nombre:... Grupo:...
Estadística I Examen Final - 19 de junio de 2009 Nombre:... Grupo:... Realizar los cálculos intermedios con 4 decimales y redondear el resultado final a 2 decimales. 1. La siguiente tabla muestra las distribuciones
Más detallesEjemplo de Análisis de la Covarianza
Ejemplo de Análisis de la Covarianza Utilizando los datos del archivo sargos.csv representamos la itud desde el morro hasta la aleta dorsal frente a la itud total del pez: > sargos = read.table(file =
Más detallesLa distribución de probabilidad de la variable aleatoria (v. a). Bernoulli, está dada por:
Distribución Bernoulli Una rueba o exerimento Bernoulli tiene uno de dos resultados mutuamente excluyentes, que generalmente se denotan S (éxito) y F (fracaso). Por ejemlo, al seleccionar un objeto ara
Más detallesREGRESIÓN LOGÍSTICA INTRODUCCIÓN
1 REGRESIÓN LOGÍSTICA INTRODUCCIÓN Comencemos con un ejemplo que nos servirá para ilustrar el análisis de datos binarios. Los siguientes datos tomados de Little (1978) corresponden a 1607 mujeres casadas
Más detallesMedia-Lab Prado. Modelos Lineales en para procesar encuestas de Satisfacción. Manuel Pérez Gómez 16/06/2016
Media-Lab Prado Modelos Lineales en para procesar encuestas de Satisfacción Manuel Pérez Gómez 16/06/2016 Análisis de los Sectores. TPV Caja Compras Almacén Grupos Informes TPV Caja Compras Almacén Grupos
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD Ejercicios rouestos 1. Los datos originales a menudo necesitan ser codificados (transformados) ara facilitar el cálculo. Qué consecuencias tienen en el cálculo de la media
Más detallesL FME al YoMO Se cumplen los cánones de belleza? Pedro Delicado, Lourdes Rodero 1 de marzo de 2017
L FME al YoMO 2017. Se cumplen los cánones de belleza? Pedro Delicado, Lourdes Rodero 1 de marzo de 2017 Comprobación de los cánones de belleza Canon Egipcio. Altura, Palma de la mano Canon de proporcionalidad:
Más detallesEjemplo simple de regresión lineal simple y múltiple (para realizar en el aula)
Ejemplo simple de regresión lineal simple y múltiple (para realizar en el aula) OBJETIVOS: 1. Familiarización con la terminología y funciones ligadas a un análisis de regresión lineal 2. Establecer las
Más detallesEstadística para las Ciencias del Trabajo
Estadística para las Ciencias del Trabajo M. Vargas Jiménez 2012/02/11 Índice general 3. Regresión lineal múltiple y con variables cualitativas. Regresión logística 5 3.1. Regresión y correlación lineal..................
Más 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 detallesSesión 000. Vender o No vender, esa es la cuestión: El arte de decidir 1480-Técnicas Estadísticas en Investigación de Mercados Grado en Estadística
Sesión 000. Vender o No vender, esa es la cuestión: El arte de decidir 1480-Técnicas Estadísticas en Investigación de Mercados Grado en Estadística empresaria Curso 2012-13 Segundo semestre Profesor: Xavier
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 detallesEjemplo de Regresión Lineal Simple
Ejemplo de Regresión Lineal Simple Países Porcentaje de Inmunización (x) Tasa de mortalidad (y) Bolivia 77 8 Brazil 69 65 Cambodia 3 84 Canada 85 8 China 94 43 Czech_Republic 99 Egypt 89 55 Ethiopia 3
Más detallesAnálisis de datos estructurados. Santiago Ulloa Datos proporcionados por: Vinicio Uday (Infostat)
Análisis de datos estructurados Santiago Ulloa Datos proporcionados por: Vinicio Uday (Infostat) Los datos Bloque Tratamiento Rendimiento 1 0 2010 1 75 2915 1 150 3049 1 225 3199 1 300 3381 2 0 1832 2
Más 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 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 detallesEXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES
EXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES REGRESIÓN A TRAVÉS DEL ORIGEN Y Y i = β 1 + β 2X i + ε i Y i = β 2X i + ε i X A MENOS QUE EXISTA UNA EXPECTATIVA A PRIORI MUY FUERTE ES ACONSEJABLE
Más 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 detallesHeterocedasticidad en modelos de regresión ordinal con R
Heterocedasticidad en modelos de regresión ordinal con R José Luis Cañadas Reche Instituto de Estudios Sociales Avanzados IESA-CSIC Noviembre 2011 Descripción del modelo Ajuste del modelo con Modelo logit
Más detallesEstadística I Solución Examen Final- 19 de junio de Nombre y Apellido:... Grupo:...
Estadística I Examen Final- 19 de junio de 2009 Nombre y Apellido:... Grupo:... (1) La siguiente tabla muestra las distribuciones de frecuencias absolutas de la variable altura (en metros) de n = 500 estudiantes
Más detallesEjemplo de Regresión Lineal Simple.
Ejemplo de Regresión Lineal Simple. El archivo sargos.csv contiene datos morfométricos de una muestra de 200 sargos. Estos datos pueden leerse en R mediante la sintaxis: sargos=read.table(file="http://dl.dropbox.com/u/7610774/sargos.csv",
Más 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 detallesModelos de suavizado, aditivos y mixtos
Carmen Armero 13 de junio de 11 Libreria mgcv Libreria mgcv mgcv es una librería de R diseñada para trabajar con modelos aditivos generalizados, incluyendo modelos mixtos aditivos generalizados, GAMM.
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 Señales en Geofísica
Análisis de Señales en Geofísica 4 Clase Facultad de Ciencias Astronómicas y Geofísicas, Universidad Nacional de La Plata, Argentina 1 kz cula o diolo 1 1 kz inversa de un diolo 1+kz cociente de diolos
Más detallesAnálisis del movimiento de Categorías de Desempeño Febrero, 2018
Análisis del movimiento de Categorías de Desempeño Febrero, 2018 1. Datos utilizados En este informe se consideran todos los establecimientos de la Macrozona, que comprende las regiones del Maule, Ñuble,
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 detallesTEMA V ANÁLISIS DE REGRESIÓN LOGÍSTICA
TEMA V ANÁLISIS DE REGRESIÓN LOGÍSTICA LECTURA OBLIGATORIA Regresión Logística. En Rial, A. y Varela, J. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas
Más detallesCAPÍTULO 2. En este capítulo se introducirá el marco teórico que se utilizó en la
CAPÍTULO MARCO TEÓRICO En este caítulo se introducirá el marco teórico que se utilizó en la investigación de la incidencia que tiene la Prueba de Atitud Académica (PAA) en el rendimiento académico Es decir,
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 detalles4 de Junio de Puedes responder: i) A todas las cuestiones de la Sección 1; o ii) Idem. de la Sección 2. En ambos casos puedes obtener
4 de Junio de 1.999 Puedes responder: i) A todas las cuestiones de la Sección 1; o ii) Idem. de la Sección 2. En ambos casos puedes obtener puntuación total. No puedes sin embargo escoger cosas de ambas
Más 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 detallesEstas dos clases. ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías
ANOVA I 19-8-2014 Estas dos clases ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías ANOVA II - ANOVA factorial - ANCOVA (análisis
Más detallesJorge Gómez Palacios 1, John Ramírez Figueroa 2 RESUMEN
ANÁLISIS ESADÍSICO MULIVARIADO DE LOS FACORES QUE INFLUYEN EN EL CONROL Y RAAMIENO DE LOS PACIENES CON ASMA BRONQUIAL. CASO: HOSPIAL DE LA CIUDAD DE UAYAQUIL. AÑO 003-004 orge ómez Palacios, ohn Ramírez
Más detallesMODELOS GENERALIZADOS LINEALES CON R
Luis M. Carrascal (www.lmcarrascal.eu) Depto. Biogeografía y Cambio Global Museo Nacional de Ciencias Naturales, CSIC Cómo realizarlos, buena praxis e interpretación de los resultados curso de la Sociedad
Más detallesCurs de Modelització Estadística Bàsica amb Deducer. Anabel Blasco Ana Vázquez Anna Espinal Llorenç Badiella Oliver Valero
Curs de Modelització Estadística Bàsica amb Deducer Anabel Blasco Ana Vázquez Anna Espinal Llorenç Badiella Oliver Valero 1. Model de Regressió Lineal 2. Model ANOVA 3. Model Lineal General 4. Model de
Más detallesLa distribución de Poisson es de tipo exponencial con parámetro dispersión 1.
Reclaaciones y Edad (Pawitan). Una copañía aseguradora quiere conocer cóo depende el núero de reclaaciones de los clientes con cierta póliza, de su edad. El archivo reclaaciones.txt contiene los datos
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 detallesMétodos cuantitativos de las ciencias sociales aplicados a los estudios urbanos y regionales André Lemelin
Métodos cuantitativos de las ciencias sociales aplicados a los estudios urbanos y regionales André Lemelin INDICE PREFACIO... 15 PRIMERA PARTE INTRODUCCIÓN A LA PRIMERA PARTE... 19 CAPÍTULO 1-1 EL ENFOQUE
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 detalles60370 AB= =110605
Estadística avanzada ara actuarios/ Modelos de suervivencia Master en CC Actuariales y Financieras 2012-2013 Alumno:. Para los ejercicios 2 y 3 considérense las tablas adjuntas detrás 1.- Suoniendo un
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 detallesTema 2: Estadística Bivariante Unidad 1: Correlación y Regresión
Estadística Tema 2: Estadística Bivariante Unidad 1: Correlación y Regresión Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Octubre 2010 Contenidos...............................................................
Más 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 detallesMODELO PARA EL TALLER DE REGRESION
MODELO PARA EL TALLER DE REGRESION PROBLEMA. Los datos siguientes muestran la matricula estudiantil en los primeros 5 anos de nuestra Universidad. Años (desde el 2000 al 2004) x 1 2 3 4 5 Matricula (miles
Más detallesCapítulo 8. Autocorrelación Serial Roldán Andrés Rosales. Econometría Aplicada Utilizando R
Capítulo 8. Autocorrelación Serial Roldán Andrés Rosales Objetivo El propósito de este capítulo es que el usuario conozca y aprenda a resolver el problema de la autocorrelación serial en un modelo de estimación
Más detallesCurso: Economía Ambiental del Turismo. Aplicación del Método Costo de Viaje
Curso: Economía Ambiental del Turismo Aplicación del Método Costo de Viaje Estimación de Modelos Poisson para la estimación del Excedente del Consumidor a través del Método del Costo de Viaje: El caso
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 detallesLucila Finkel Temario
Lucila Finkel Temario 1. Introducción: el análisis exploratorio de los datos. 2. Tablas de contingencia y asociación entre variables. 3. Correlación bivariada. 4. Contrastes sobre medias. 5. Regresión
Más detallesTema 6: Modelos Log-Lineales para tablas de Contingencia
Tema 6: Modelos Log-Lineales para tablas de Contingencia Introducción Habitualmente, se suelen estudiar las tablas de contingencia calculando estadísticos del tipo χ 2 para contrastar independencia entre
Más detallesANOVA. Análisis de regresión y modelo lineal
. Análisis de regresión y modelo lineal [0011] DEFAD. Métodos de contraste de hipótesis y diseño de experimentos 2014 15. Análisis de regresión y modelo lineal 1 Comparaciones múltiples 2 3. Análisis de
Más 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 detallesEstadística III (P28) Examen de Tipo: 1
Estadística III (P28) Examen de Tipo: 1 Nombre: DNI: Aula: Fecha: Sección 1. Las preguntas respondidas correctamente, valen un punto salvo que se indique lo contrario. Las preguntas incorrectas cuentan
Más detallesManual de bolsillo del MegaStat * * MegaStat es un complemento estadístico para el Excel elaborado por el profesor J. B. Orris de Butler University.
Manual de bolsillo del MegaStat * * MegaStat es un complemento estadístico para el Excel elaborado por el profesor J. B. Orris de Butler University. Estadísticas con MegaStat AgeCat Gender Seconds 1 2
Más detallesAl nivel de confianza del 95%, las puntuaciones típicas son: 2- La hipótesis alternativa es; A) ; B) ; C).
A continuación se presentan 4 situaciones. Cada situación viene seguida por una serie de preguntas referidas a la misma así como de preguntas teóricas generales. SITUACIÓN 1: La empresa SND's de sondeos
Más detallesTema 3: Modelos lineales generalizados
Tema 3: Modelos lineales generalizados Componentes de un modelo generalizado lineal (GLM) Un modelo lineal generalizado tiene tres componentes básicos: Componente aleatoria: Identifica la variable respuesta
Más detallesTema 4: Modelos avanzados con
Tema 4: Modelos avanzados con Regresión Logística Introducción Es uno de los procedimientos estadísticos más utilizados en la práctica usando datos categóricos. que Se considera una respuesta binaria Y
Más detallesREGRESIÓN CON DOS VARIABLES: ESTIMACIÓN DE INTERVALOS Y PRUEBA DE HIPÓTESIS
REGRESIÓN CON DOS VARIABLES: ESTIMACIÓN DE INTERVALOS Y PRUEBA DE HIPÓTESIS Teoría de la estimación: Estimación puntual Estimación por intervalos ESTIMACIÓN DE INTERVALOS: IDEAS BÁSICAS 1 Lo que se busca
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 detallesRegresión Lineal. 15 de noviembre de Felipe Bravo Márquez
Felipe José Bravo Márquez 15 de noviembre de 2013 Introducción Un modelo de regresión se usa para modelar la relación de una variable dependiente y numérica con n variables independientes x 1, x 2,...,
Más 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 detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesDesvanecimiento de pequeña y gran escala
Universidad Carlos III de Madrid Desvanecimiento de equeña y gran escala Modelos de gran escala Exlican el comortamiento de las otencia a distancias muco mayores que la longitud de onda (~ km). Esacio
Más detallesPruebas de bondad de ajuste
Pruebas de bondad de ajuste Área Académica: Licenciatura en Ingeniería Industrial Profesor(a): Mtra. Ma. Guadalupe Vera Correa Periodo: Julio - diciembre 2017 Pruebas de bondad de ajuste RESUMEN En esta
Más detallesPRINCIPALES DISTRIBUCIONES DISCRETAS
PRINCIPALES DISTRIBUCIONES DISCRETAS Objetivos generales del tema En este tema definiremos y discutiremos diversas e imortantes distribuciones discretas, es decir, funciones masa de robabilidad o funciones
Más detallesINFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón
Metodología de Investigación Tesifón Parrón Contraste de hipótesis Inferencia Estadística Medidas de asociación Error de Tipo I y Error de Tipo II α β CONTRASTE DE HIPÓTESIS Tipos de Test Chi Cuadrado
Más detallesPráctica 10: Introducción a Modelos Lineales Generalizados.
Práctica : Introducción a Modelos Lineales Generalizados Esta última práctica está dedicada a estudiar brevememente algunos problemas que que se formalizan mediante un modelo similar al modelo lineal normal
Más detalles