Otra 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
|
|
- Raúl Farías
- hace 5 años
- Vistas:
Transcripción
1 M.L.G. Ana M. Bianco FCEyN 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 queremos testear H0 : Modelo restringido ω H1 : Modelo Saturado Ω, el cociente estaría dado por Λ= máx ω L máx Ω L Si consideramos G 2 = 2 log Λ queda definido el estadístico como G 2 = 2logΛ=2[l(p, X) l( ˆπ, X)] =2 N X i log pi N X i log ˆπi i=1 i=1
2 M.L.G. Ana M. Bianco FCEyN =2 N =2 N i=1 X i log p i ˆπi i=1 X i log X i n ˆπi Por lo tanto G 2 =2 N i=1 X i log X i n ˆπi Probaremos que bajo H0 la distribución ĺımite de G 2 es también χ 2 con N 1 #{ parámetros bajo ω} es decir la misma distribución ĺımite que la del estadístico de Pearson. Para derivar la distribución asintótica, probaremos que G 2 χ 2 p 0. Una ventaja de G 2 es que tiene sentido en modelos más generales.. En el ejemplo de Identificación Partidaria vs. Sexo, G 2 = 7, que da también un p valor de 0.03.
3 M.L.G. Ana M. Bianco FCEyN Efecto de observar ceros Si en alguna celda se observa un 0, el estadístico χ 2 puede calcularse sin problemas, siempre que las ˆπ s sean todas positivas. Sin embargo, el estadístico G 2 tiene problemas, pues si Xi = 0, entonces Xi log X i no está definido. Si n ˆπi reescribimos a G 2 como G 2 = 2logΛ=2log =2log N i=1 Xi/n ˆπi X i L(p, X) L( ˆπ, X) una celda con un 0 aporta un 1 al producto y por lo tanto puede ser ignorada. Luego podemos calcular a G 2 como 2 X i log X i i: x i >0 n ˆπi Si alguna ˆπi es 0, los dos estadísticos se rompen.
4 M.L.G. Ana M. Bianco FCEyN Cuán grande debe ser n para tener una buena aproximación? Sabemos que a medida que n se hace más grande la distribución de χ 2 ydeg 2 se aproximan a una distribución ĺımite χ 2, sin embargo nos preguntamos cuán grande es grande. Una vieja regla conocida para las binomiales dice que la aproximación χ 2 es buena si n ˆπi 5, i =1,...,N. Otra regla más permisiva establece que la aproximación χ 2 es buena si a lo sumo el 20 % de las casillas tienen n ˆπi < 5, i =1,...,N y ninguna casilla tiene n ˆπi < 1. En tablas sparse (esparcidas????)(por ejemplo, n/n < 5) la aproximación χ 2 es pobre. En realidad, si los datos están distribuidos en la tabla de foma muy desigual, en el sentido de que hay zonas de la tabla que son sparse, la aproximación χ 2 también puede ser pobre, aún cuando el n total sea grande. Hemos probado que los dos estadísticosseaproximana0,sielmodeloes cierto. Si el modelo no es cierto, ambos crecen, pero la diferencia entre ambos también puede crecer. De manera, que si el modelo tiene un ajuste pobre los
5 M.L.G. Ana M. Bianco FCEyN dos estadísticos pueden ser grandes y estar lejos uno de otro, i.e., χ 2 G 2 no necesariamente tiende a 0 con n. Aún en esa situación, los correspondientes p valores pueden estar cerca de 0 y podemos llegar a la misma conclusión a partir de ellos. Para ser más precisos, consideremos una sucesión de situaciones πn para las cuales la falta de ajuste disminuye con n, es decir trabajaremos con alternativas contiguas. Supongamos que el modelo bajo la hipótesis nula es π, peroen realidad πn = f(θ)+δ/ n, entonces si δ =0,elmodeloescierto. Para estas alternativas contiguas, Mitra (1958) demostró que el estadístico de Pearson tiene distribución asintótica χ 2 no central, con N 1 q grados de libertad, con parámetro de no centralidad dado por
6 M.L.G. Ana M. Bianco FCEyN λ = n N i=1 (πni fi(θ)) 2 fi(θ) Notemos que λ tiene la forma del estadístico χ 2 en el que se reemplazó ap por πn ya ˆπ por f(θ). Análogamente, utilizando los mismos reemplazos obtenemos el parámetro de no centralidad de G 2. Haberman (1974) demostró que bajo ciertas condiciones χ 2 y G 2 tienen el mismo parámetro de no centralidad, pero éste no es siempre el caso, (ver Agresti,2002, pag 590). Residuos de Pearson y deviance Como ya hemos visto podemos escribir al estadístico de Pearson como χ 2 = n N i=1 e2 i. A ɛi = n p i ˆπi ˆπi = n i ˆmi ˆmi se lo conoce como el i ésimo residuo de Pearson.
7 M.L.G. Ana M. Bianco FCEyN Estos residuos se comportan de alguna manera como los residuos estandarizados que conocimos en regresión lineal. Es común que se compare a ɛi con 2, indicándose falta de ajuste en la i ésima casilla si ɛi > 2. El análisis de estos residuos puede sugerirnos en que sentido los datos se apartan del modelo ajustado. De la misma forma, la deviance puede interpretarse como una suma de cuadrados de residuos G 2 = N r i 2 i=1 donde ri = 2Xi log X i n ˆπi sgn(xi n ˆπi) que se conocen como componentes de la deviance.
8 M.L.G. Ana M. Bianco FCEyN Medidas de Asociación A fin de describir el grado de asociación entre las variables de una tabla de contingencia es frecuente que se usen distintas medidas. Comenzaremos con tablas de 2 2, como las que siguen Y X 1 2 Total 1 π11 π12 π1+ 2 π21 π22 π2+ Total π+1 π+2 1 Y X 1 2 Total 1 n11 n12 n1+ 2 n21 n22 n2+ Total n+1 n+2 1 Consideremos la siguiente tabla que corresponde a un informe sobre la relación entre el uso de aspirina y el infarto de miocardio realizado por el Physicians Health Study Research Group de Harvard Medical School:
9 M.L.G. Ana M. Bianco FCEyN Infarto de Miocardio si no Total Aspirina Placebo Diferencia de Proporciones o Riesgo Atribuible Miremos a Y como variable de respuesta y a X como variable explicativa, tal como seríıa natural en un muestreo de producto multinomial en que n11 Bi(n1+, π 11 π1+ independientes. La diferencia de proporciones se define como )yn21 Bi(n2+, π 21 π2+ ) δ = P (Y =1 X =1) P (Y =1 X =2) = π 11 π 21 π1+ π2+ = π 1 1 π 1 2
10 M.L.G. Ana M. Bianco FCEyN Podemos estimar a δ como d = n 11 n 21 n1+ n2+ = p 1 1 p 1 2 En el ejemplo de Infarto de Miocardio tenemos d = 104/ /11034 = = Observemos que E(d) =E(p 1 1 p 1 2 )=π 1 1 π 1 2 V (d) =V (p 1 1 p 1 2 )= π 1 1(1 π 1 1 ) n1+ + π 1 2(1 π 1 2 ) n2+ siendo la última igualdad cierta por la independencia entre las filas. Si n1+ y n2+ son grandes, d es aproximadamente normal, es decir (p 1 1 p 1 2 ) (π 1 1 π 1 2 ) π 1 1 (1 π 1 1 ) n1+ + π 1 2 (1 π 1 2 ) n2+
11 M.L.G. Ana M. Bianco FCEyN es aproximadamente N(0, 1). Por lo tanto haciendo un plug in para estimar la varianza podemos obtener un intervalo asintótitco para δ de nivel 1 α como d ± z α/2 p 1 1 p 1 2 ± z α/2 p 1 1 (1 p 1 1 ) n1+ p 1 1 (1 p 1 1 ) n1+ + p 1 2(1 p 1 2 ) n2+ + p 1 2(1 p 1 2 ) n2+ Riesgo Relativo Notemos que que la diferencia entre 41 % y 40.1 % es la misma que entre 1 % y 0.1 %. Sin embargo, 1 % es diez veces 0.1 %. Este es un problema de la diferencia de proporciones como medida. Si estamos trabajanos con eventos poco frecuentes π 1 1 y π 1 2 serán muy pequeñas y δ será cercano a 0, aún cuando el efecto sea importante, como en el ejemplo anterior. Esto es frecuente en epidemiología en donde la prevalencia de ciertas enfermedades es muy baja.
12 M.L.G. Ana M. Bianco FCEyN Esto sugiere la conveniencia de considerar una medida relativa como el riesgo relativo RR = P (Y =1 X =1) P (Y =1 X =2) = π 11/π1+ π21/π2+ El riesgo relativo es una medida no negativa y un riego relativo igual a 1 corresponde a independencia. El EMV de RR es En el ejemplo quedaría: rr = n 11/n1+ n21/n2+ rr = =0.55, esto significa que el riesgo de infarto de miocardio en el grupo tratado con aspirina es aproximadamente la mitad que en grupo que recibió placebo. Dado que podemos aproximar mediante una normal a su logaritmo suele usarse
13 M.L.G. Ana M. Bianco FCEyN como medida log(rr), que se estima por log(rr)=logp 1 1 log p 1 2. Sabemos que n D i+(p 1 i π 1 i ) N(0,π1 i (1 π 1 i )), luego usando el método Δ obtenemos que n D i+(log p 1 i log π 1 i ) N 0, (1 π 1 i ) π 1 i Por la independencia entre las filas, obtenemos que la varianza asintótica de log(rr)es V (log(rr)) (1 π 1 1) + (1 π 1 2) n1+π 1 1 n2+π 1 2 y se puede estimar haciendo un plug in por. ˆ V (log(rr)) (1 p 1 1) + (1 p 1 2) n1+ p 1 1 n2+ p n11 n1+ n21 n2+
14 M.L.G. Ana M. Bianco FCEyN Un intervalo de nivel asintótico 1 α para log(rr) es log(rr) ± z α/2 ˆ V (log(rr)) Como log(rr)noexistesialgún p 1 i = 0 suele usarse log log( rr)=log n11 +1/2 n1+ +1/2 n21 +1/2 n2+ +1/2 Odds Ratio (Producto Cruzado) El riesgo relativo es el cociente de dos probabilidades. Podríamos comparar la probabilidad de si ydeno en un mismo estrato. Eso nos lleva a la definición de odss o chance. El odds de un suceso es odds = probabilidad 1 probabilidad y toma cualquier valor mayor o igual a 0. En el ejemplo, tenemos que para el grupo tratado el odds estimado resulta
15 M.L.G. Ana M. Bianco FCEyN /( ) = / = , mientras que para el grupo placebo el odds estimado es /( ) = / = En el grupo que recibió placebo la chance de tener infarto es la de no tener infarto, mientras que en el grupo tratado la chance de infarto es la de no tener infarto. Dicho de otra manera, la chance de tener infarto respecto de la de no tenerlo en el grupo placebo es aproximadamente el doble que la obtenida en en el grupo tratado. el grupo tratado, la chance de no Podríamos comparar los dos odds, por ejemplo considerando su cociente, esto da origen a
16 M.L.G. Ana M. Bianco FCEyN θ = odds ratio = / P (Y =1 X =1)/P (Y =2 X =1) P (Y =1 X =2)/P (Y =2 X =2) = π11 π1+ π21 π12 π1+ / π22 π2+ π2+ = π 11π22 π12π21 Esta medida función de P (Y X), la inferencia es válida para los tres muestreos vistos. El EMV es ˆ θ = n 11n22 n12n21 Las propiedades de θ ˆ son fáciles de deducir bajo muestreo multinomial, pero
17 M.L.G. Ana M. Bianco FCEyN también son válidas con muestreo Poisson o Producto Multinomial en el que los totales marginales por filas o bien por columnas están fijos. Como con el riesgo relativo podemos deducir un intervalo de nivel asintótico 1 α para log( θ) ˆ donde log( θ) ˆ ± z α/2 ˆ V (log( θ)) ˆ = 1 n ˆ V (log θ) ˆ n n Notemos además que si intercambiamos los roles de X e Y, obtenemos θ = π 11π22 π12π21 por lo que también puede ser visto como función de P (X Y ), que correspondería a tener n+j fijos. El hecho de que los roles de X e Y puedan ser intercambiados es una propiedad interesante, pues puede ser de gran utilidad pues permite usar estudios restropectivos. n22
Inferencia 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 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 detallesj = 1,..., q donde i rs = {I 1 } rs Z j = N p i π i (θ 0 ) θ j
MLG Ana M. Bianco FCEyN 2008 75 Comenzaremos por probar el siguiente resultado auxiliar. Lema: Supongamos que θ 0, valor verdadero del parámetro, es un punto interior del espacio paramétrico, π i (θ 0
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 detallesMLG Ana M. Bianco FCEyN
MLG Ana M. Bianco FCEyN 2008 44 Propiedades de los Estimadores de Máxima Verosimilitud Recordemos que si la variable aleatoria Y tiene función de densidad (f.d.)o probabilidad puntual (f.p.p.)f(y, θ),
Más detalles1) Características del diseño en un estudio de cohortes.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Estudios de cohortes CONCEPTOS CLAVE 1) Características del diseño en un estudio de cohortes. ) Elección del tamaño
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 detallesAplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
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 detallesModelo Lineal Generalizado. 1er. Cuatrimestre de 2010
Modelo Lineal Generalizado 1er. Cuatrimestre de 2010 0 M.L.G. Ana M. Bianco FCEyN 2010 52 Estimación y Tests de Bondad de Ajuste Supongamos que tenemos un muestreo multinomial y obtenemos la tabla (X,Y)ennindividuos.
Más detallesComportamiento asintótico de estimadores
Comportamiento asintótico de estimadores Seguimos con variable X con función de densidad/masa f (x; θ). Queremos estimar θ. Dada una muestra aleatoria, definimos un estimador T = h(x 1,..., X n ) Esperamos/deseamos
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 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 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 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 detallesVariables aleatorias
Variables aleatorias Un poco más general: si ahora S n está dada por la suma de variables independientes de la forma: S n =c 1 X 1 +... +c n X n, entonces la función generatriz viene dada por: Variables
Más detallesContrastes basados en el estadístico Ji Cuadrado
Capítulo 10 Contrastes basados en el estadístico Ji Cuadrado 10.1. Introducción Existen multitud de situaciones en el ámbito de la salud en el que las variables de interés, las cuales no pueden cuantificarse
Más detallesINFERENCIA PARÁMETRICA: RELACIÓN ENTRE DOS VARIABLES CUALITATIVAS
. Metodología en Salud Pública INFERENCIA PARÁMETRICA: RELACIÓN ENTRE DOS VARIABLES CUALITATIVAS Autor: Clara Laguna 7.1 INTRODUCCIÓN Los datos categóricos o variables cualitativas son muy frecuentes en
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 detallesEn general tendremos:
Modelo Log Lineales Hasta los años 60 las tablas de contingencia de 2 2 eran analizadas calculando estadísticos tipo χ 2 para testear independencia. Cuando las tablas involucraban más variables se solía
Más detallesValidación de hipótesis de un proceso de Poisson no homogéneo
Validación de hipótesis de un proceso de Poisson no homogéneo Georgina Flesia FaMAF 9 de junio, 2011 Proceso de Poisson no homogéneo H 0 ) Las llegadas diarias a un sistema ocurren de acuerdo a un Proceso
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
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 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 detallesModelo Lineal Generalizado
Modelo Lineal Generalizado Propiedades de los Estimadores de Máxima Verosimilitud Recordemos que si la variable aleatoria Y tiene función de densidad o probabilidad puntual f(y, θ), la verosimiltud L(θ,
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 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 detallesEXAMEN DE ESTADISTICA Junio 2007
EXAMEN DE ESTADISTICA Junio 2007 Apellidos: Nombre: DNI GRUPO: 1. Grupos A, B, C, D y E Describa los siguientes histogramas en términos de centralidad, dispersión y asimetría. Sitúe sobre la gráfica, y
Más detalles1. Modelos Loglineales tablas de 2 entradas
1. Modelos Loglineales tablas de 2 entradas Los modelos loglineales para tablas de 2 2 describen las asociaciones entre dos variables discretas digamos X y Y. El modelo loglineal nos dice cuan grande es
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 detallesEXAMEN DE ECONOMETRÍA
EXAMEN DE ECONOMETRÍA UNIVERSIDAD CARLOS III DE MADRID CURSO 2015-1 Responda todas las preguntas en 2 horas y media. Valores críticos al final del examen. 1 A partir de una muestra aleatoria de compra-venta
Más detallesEstadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con
Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental
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 detallesSoluciones al examen de Estadística Aplicada a las Ciencias Sociales Junio 2008 Primera semana
Soluciones al examen de Estadística Aplicada a las Ciencias Sociales Junio 008 Primera semana Ejercicio 1. Para analizar la asociación entre el nivel de estudios y la renta calcularemos el estadístico
Más detallesEl Bootstrap paramétrico y no parametrico y su aplicación en los modelos log-lineal Poisson
El Bootstrap paramétrico y no parametrico y su aplicación en los modelos log-lineal Poisson Antonio Bravo Quiroz * Universidad Ricardo Palma 23 de noviembre de 2017 Índice 1. Conceptos Preliminares 6 1.1.
Más detalles2 Contraste de independencia
2 Contraste de independencia 2 Independencia entre variables cualitativas Consideremos dos variables cualitativas X e Y con I y J modalidades cada una respectivamente, y sea N IJ la tabla de contingencia
Más detallesCap. 7 : Pruebas de hipótesis
Cap. 7 : Pruebas de hipótesis Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 20 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de sistemas,
Más detallesPérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.
Pérdida Esperada Uno de los objetivos de este estudio es construir una función de pérdidas para el portafolio de la cartera de préstamos que ofrece la entidad G&T Continental, basados en el comportamiento
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 3. Contrastes de bondad
Más detallesEXAMEN DE ESTADÍSTICA Junio 2012
EXAMEN DE ESTADÍSTICA Junio 2012 Apellidos: Nombre: DNI: GRUPO: 1. En una población se han realizado 120 observaciones sobre las variables X e Y, obteniéndose la siguiente tabla de frecuencias absolutas
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 detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesEconometría Avanzada FLACSO 2014
Econometría Avanzada FLACSO 2014 Hemos cubierto: Mapa Planteamiento de una pregunta económica de interés Diferencias entre econometría y estadística Métodos: Lineales (MCO) revisión, variables instrumentales
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 detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
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 detallesDESCRIPCIÓN DE DATOS POR MEDIO DE GRÁFICAS
ÍNDICE Introducción: Entrene su cerebro para la estadística... 1 La población y la muestra... 3 Estadísticas descriptivas e inferenciales... 4 Alcanzar el objetivo de estadísticas inferenciales: los pasos
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 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 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 detalles1 CÁLCULO DE PROBABILIDADES
1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que
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 detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detallesAnálisis de Correspondencias Simple
1 Capítulo 4 Análisis de Correspondencias Simple 41 INTRODUCCIÓN El Análisis de Correspondencias Simple permite describir las relaciones entre dos variables categóricas dispuestas en una tabla de contingencia
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 detallesTema 13: Contrastes No Paramétricos
Tema 13: Contrastes No Paramétricos Presentación y Objetivos. La validez de los métodos paramétricos depende de la validez de las suposiciones que se hacen sobre la naturaleza de los datos recogidos. La
Más detallesModelo Lineal Generalizado GAMMA. Distribución gamma: Otra parametrización mediante el parámetro de forma y la media:
Modelo Lineal Generalizado GAMMA Distribución gamma: Otra parametrización mediante el parámetro de forma y la media: La distribución gamma es de tipo exponencial: 1 Supongamos que se dispone de r subpoblaciones
Más detallesPractica 1. Análisis de Tablas de Contingencia
Practica 1 A n á l i s i s d e T a b l a s d e C o n t i n g e n c i a Análisis de Tablas de Contingencia 1.- Partimos de dos variables, que suponemos relacionadas, entre las que examinaremos si existe
Más detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesRelación entre tests de hipótesis bilaterales e intervalos de confianza
Relación entre tests de hipótesis bilaterales e intervalos de confianza Introduciremos esta relación a través de un ejemplo. Sea X 1, X,..., X n una m.a. de una distribución N ( µ, σ ). Sabemos que, cuando
Más detallesEl análisis de correspondencias. Ana María López Jiménez Dept. Psicología Experimental (USE)
El análisis de correspondencias Ana María López Jiménez Dept. Psicología Experimental (USE) 4. El análisis de correspondencias 4.. Introducción 4.2. Tabla de correspondencias 4.3. Dependencia e independencia
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detalles4.2 Conceptos básicos de Estadística II
UNEDENSISCIII Unidades Docentes de la Escuela Nacional de Sanidad 4.2 Conceptos básicos de Estadística II Métodos para el estudio de la Proporción de individuos que presentan una determinada característica
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Más 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 detallesHipótesis Alternativa H 1 : ϑ Θ 1
INFERENCIA ESTADÍSTICA Tema 3.3: Contrastes de signicación Objetivos Dominar el esquema conceptual y el lenguaje propios de los contrastes de hipótesis. Construir contrastes de hipótesis para los parámetros
Más detallesTema 4: Estimación por intervalo (Intervalos de Confianza)
Tema 4: Estimación por intervalo (Intervalos de Confianza (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/ y A. Alonso (http://www.est.uc3m.es/amalonso/ 1 Planteamiento del problema: IC
Más detallesÍndice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables
Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población
Más detallesa. Poisson: los totales marginales y el total muestral varían libremente.
TEMA 2º: TABLAS DE CONTINGENCIA BIDIMENSIONALES 1º Distribución de frecuencias observadas El único aspecto cuantificable en el análisis cualitativo es el número de individuos que presenta una combinación
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 detallesDistribuciones de parámetros conocidos
10.3. CONTRASTE DE BONDAD DE AJUSTE PARA DISTRIBUCIONES265 350 300 observaciones esperado(x) 250 Frecuencias esperadas 200 150 100 Frecuencias observadas 50 0 55 60 65 70 75 80 85 90 Figura 10.2: En los
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 detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Transformación de datos Introducción La idoneidad de las inferencias realizadas depende de la validez de los supuestos del modelo propuesto. Los tres supuestos
Más detallesDescripción de tablas de contingencia
GoBack Descripción de Guillermo Ayala Gallego Universidad de Valencia 15 de octubre de 2008 1 / 40 Un ejemplo Distribución conjunta y tabla de Distribución condicional Independencia y homogeneidad Tablas
Más detallesSoluciones a los nuevos ejercicios propuestos
Soluciones a los nuevos ejercicios propuestos 1 Soluciones a los nuevos ejercicios propuestos 1. Sea X la cantidad de calcio en sangre del paciente (en mg. por cada 100 ml. de sangre). X N(µ, σ 2 ). Tenemos
Más detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesEconometría Aplicada
Econometría Aplicada y función de Verosimilitud Víctor Medina Los objetivos de esta parte del curso principalmente son: 1. Dar algunos ejemplos de decisiones económicas donde la variable dependiente es
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesEstadística. Para el caso de dos variables aleatorias X e Y, se puede mostrar que. Pero y son desconocidos. Entonces. covarianza muestral
Para el caso de dos variables aleatorias X e Y, se puede mostrar que Pero y son desconocidos. Entonces donde covarianza muestral Estimación de intervalos de confianza Cuál es el intervalo (de confianza)
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
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 detallesUNIVERSIDAD CARLOS III DE MADRID Grado en Ingeniería Industrial Estadística 15 de mayo de 2013
UNIVERSIDAD CARLOS III DE MADRID Grado en Ingeniería Industrial Estadística 15 de mayo de 2013 Apellidos Nombre N o lista Grupo El fichero datos 15m.sgd contiene información sobre las siguientes variables:
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 detallesC L A S E N 5 I N S E M E S T R E O T O Ñ O,
Unidad 1 a. Probabilidades y Estadística 1 C L A S E N 5 I N 3 4 0 1 S E M E S T R E O T O Ñ O, 2 0 1 2 Características de las v.a 2 Parámetros v.a. La función de densidad o la distribución de probabilidad
Más detallesFacultad de Matemáticas Departamento de Estadística e Investigación Operativa TRABAJO FIN DE GRADO. Tablas de Contingencia
Facultad de Matemáticas Departamento de Estadística e Investigación Operativa TRABAJO FIN DE GRADO Tablas de Contingencia Inmaculada Millán Díaz Sevilla, Septiembre 2017 Abstract Contingency tables show
Más detallesPROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT
PROGRAMA DE CURSO Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal
Más detallesCurso Inferencia. Miguel Ángel Chong R. 3 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 3 de septiembre del 013 Definamos más formalmente que entenderémos por una muestra. Definción Sea X la v.a. correspondiente a una población
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 detallesRelación de Problemas. Tema 5
Relación de Problemas. Tema 5. Supongamos que tenemos una muestra aleatoria simple de tamaño n de una v.a. X que sigue una distribución geométrica con función de probabilidad P (X = k) = p( p) k Calcular
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesPercentiles. El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple:
Percentiles 130 El percentil p de una variable aleatoria X es número más pequeño, que denominaremos x u que cumple: el percentil es, por tanto, el valor de la variable aleatoria para el cual la función
Más detallesPrincipales leyes de distribución de variables aleatorias
Capítulo 6 Principales leyes de distribución de variables aleatorias 6.1. Introducción Como complemento al capítulo anterior en el que definimos todos los conceptos relativos a variables aleatorias, describimos
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 detallesEscuela Nacional de Estadística e Informática ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA
ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA Lima Perú 2013 DISEÑO COMPLETAMENTE ALEATORIZADO Es el diseño más simple y sencillo de realizar, en el cual los tratamientos
Más detalles