UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
|
|
- Carla Torres Hidalgo
- hace 8 años
- Vistas:
Transcripción
1 UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA La fecunddad y su relacón con varables socoeconómcas, demográfcas y educatvas aplcando el Modelo de Regresón Posson Capítulo. Modelos lneales generalzados MONOGRAFÍA Para optar el Título de Lcencado en Estadístca AUTOR Gulanna Teresa Fgueroa Arboccó LIMA PERÚ 5
2 19 CAPÍTULO II: MODELOS LINEALES GENERALIZADOS Ya conocemos la problemátca de la fecunddad a nvel socal, cultural, demográfco, etc., ahora necestamos tener el sustento teórco sobre la técnca estadístca a usar para luego proceder a la aplcacón y estudo, comenzaremos así con una revsón sobre toda la teoría estadístca, para al fnal de este trabajo monográfco poder concenzudamente dscutr y analzar los resultados obtendos y transmtr las conclusones respectvas..1 LOS MODELOS LINEALES GENERALIZADOS Los modelos l neales generalzados (MLG) son una extensón del ya conocdo Modelo Lneal General (Stgler, 1981) a una famla más general y fueron propuestos por Nelder y Wedderburn (197). Esta nueva famla unfca tanto a modelos con varables de respuesta categórca como numérca; y consdera dstrbucones como la bnomal, posson, hpergeométrca, bnomal negatva y otras, ya no úncamente la dstrbucón Normal. Como en los Modelos de Regresón Lneal, se consdera el supuesto de ndependenca para las observacones. Sn embargo, para estos modelos, a dferenca del Modelo Lneal General, las dstrbucón de la componente aleatora no necesaramente es homocedástca, es decr no se requere de un supuesto de homogenedad de varanzas. Por ejemplo en el modelo de regresón de Posson la varanza de la varable respuesta vene determnada por el valor esperado µ. Por tanto la varanza puede varar a medda que varíe este valor esperado, a dferenca del clásco modelo con dstrbucón Normal que tene dos parámetros, la meda y la varanza. (McCullagh y Nelder, 1991). Los MLG están formados por tres componentes: a) Componente aleatora: Es el vector aleatoro Y = ( Y1, Y,..., Y n )' cuyos elementos son ndependentes e déntcamente dstrbudos. La funcón de dstrbucón de este vector pertenece a la famla exponencal y tene la sguente forma:
3 yθ b( θ) fy ( y, θφ, ) = exp ( + cy (, φ) a( φ) donde b ( ) y c ( ) son funcones conocdas. (II.1) La varanza de la respuesta depende de la meda µ a través de una funcón varanza V, de tal manera que: var( y ) = φ V( µ )/ w, donde φ es el parámetro de dspersón y w es un peso conocdo para cada observacón, θ es el parámetro canónco. b) Componente sstemátca: Como en el caso de los modelos lneales está dado por el predctor lneal. η p = x jβj (II.) j= donde las x 's representan a la covarables o varables explcatvas del modelo y los β' s son parámetros cuyos valores son desconocdos y necestan ser estmados. c) Funcón de e nlace: La funcón enlace ( g ( µ )), relacona el predctor lneal ηcon el valor esperado de la varable respuesta, EY ( / X ) = µ, a través de la funcón g( µ ) = Xβ (II.3) g ( µ ) = η donde g es una funcón dferencable, monótona e nvertble..1.1 LA FUNCIÓN LOG-VEROSIMILITUD Asumendo que cada componente de Y tene una dstrbucón provenente de la famla exponencal de la forma denotada anterormente, escrbmos la funcón logverosmltud de la sguente forma: l( θφ, ; y) = log f ( y; θφ, ), (II.4) la cual es una funcón de θ y φ, dado un valor de y. n 1 l( θφ, ; y) = [ yθ b( θ)] + cy ( ; φ) = 1 a( φ ) (II.5) Y
4 1 La meda y la varanza de Y se obtenen a partr de las sguentes relacones (Dobson, 199) : l E θ l E( ) = θ l θ ( ) + E( ) = (II.6) (II.7) De estas relacones se obtene que E(Y)= µ = b'( θ) y Var(Y)= b"( θ) a( φ ), donde b"( θ ) es una funcón que depende del parámetro canónco θ y es llamada funcón varanza. La funcón a( φ) es comúnmente escrta de la forma a( φ) = φ/ w, donde φ es el parámetro de dspersón y w es una ponderacón para cada observacón..1. ESTADÍSTICA SUFICIENTE Y ENLACE CANÓNICO Cada dstrbucón tene una funcón de enlace especal que está asocada al predctor lneal η= xβ para la cual exste una estadístca sufcente con la msma dmensón de β. Estos enlaces son llamados canóncos, cuando θ= η, donde θ es el parámetro canónco. Para los enlaces canóncos, la estadístca sufcente es vectoral (McCullagh y Nelder, 1991). T X Y en notacón El logartmo de la funcón de verosmltud de los Modelos Lneales Generalzados con respuestas ndependentes se puede expresar de la forma L( β, y). Una de las ventajas de usar enlaces canóncos es que garantzan la concavdad de L( β, y) y por tanto se obtenen r esultados asntótcos más fáclmente. La concavdad de la funcón log-verosmltud garantza la uncdad de la estmacón de máxma verosmltud de ˆβ cuando ésta exste..1.3 ESTIMACIÓN DE LOS PARÁMETROS Dentro de los modelos lneales generalzados se utlzan varos métodos para estmar los parámetros, sn embargo el óptmo es el método de máxma verosmltud,
5 el cual tene las propedades de consstenca y efcenca asntótca (Cordero, ). Las estmacones que se obtenen a través de este método son smlares a un proceso de mínmos cuadrados ponderados teratvos (McCullagh y Nelder, 1991). El algortmo de estmacón medante este método utlza el método Score de Fsher, defndo como: l( β) U ( β) = (II.8) β Además de la matrz de nformacón de Fsher defnda como: l U( β) K= - E( ) = - E( ) (II.9) βr βs β Expandendo la funcón score en una sere multvarada de Taylor de prmer orden se desarrolla un proceso teratvo de la sguente forma: ( m + 1) ( m ) 1 ( ) ( ) β = β + K ( β m ) U( β m ), (II.1) donde m es el valor del térmno de la m-ésma teracón. Este es una varante del método de Newton-Raphson para el cálculo del estmador máxmo verosíml, conocdo como el método Scorng (Nelder y Wedderburn, 197). Utlzando la expresón anteror, llegamos a una expresón smlar al estmador de mínmos cuadrados ponderados teratvo. ( m 1) T ( m) 1 T ( m) ( m) β + ( X W X) X W z =, (II.11) 1/ donde z= η W + V 1/ ( y µ ) es la varable dependente modfcada, mentras W es una matrz de pesos que camba en cada paso del proceso teratvo. Por otra parte, l( β) es estrctamente cóncava como funcón de β y garantza un máxmo y únco ˆβ..1.4 PROPIEDADES Y DISTRIBUCIÓN DE ˆβ Cordero () mencona las sguentes propedades del estmador ˆβ: ) El estmador ˆβ es asntótcamente nsesgado, es decr para muestras grandes E( βˆ ) = β.
6 3 ) La matrz de varanzas y covaranzas de ˆβ para muestras grandes está dada por: Cov( βˆ) E[( βˆ β)( βˆ β)] K T 1 = = (II.1) La matrz de nformacón de Fsher K es consstentemente estmada por ˆ 1 T K = X WX (II.13) φ ) Para muestras grandes se tene que: ˆ T ( β β) K( βˆ β)~ χ o de forma equvalente ˆ ~ (, 1 N ) p K β β p.1.5 EVALUACIÓN DEL MODELO Esta seccón tene por objetvo evaluar la valdez externa del modelo ajustado, para lograr esto es necesaro verfcar la bondad del ajuste y la adecuacón (cumplmento de supuestos) del modelo ajustado BONDAD DE AJUSTE DEL MODELO Una vez estmados los parámetros, se debe valorar la magntud de la dscrepanca entre los datos observados y esperados. Según McCullagh y Nelder (1991), el ajuste de un modelo a partr de conjunto de datos observados puede ser encarado como una manera de susttur las observacones por un conjunto de valores estmados ˆµ para un modelo con un número de parámetros relatvamente pequeño. Una dscrepanca pequeña entre los datos observados y ˆµ puede ser tolerable, en cuanto que una dscrepanca grande no. De esta manera, s se admte una combnacón satsfactora de la dstrbucón de la varable respuesta y de la funcón de enlace, el objetvo es determnar cuántos térmnos son necesaros en la estructura lneal para una descrpcón razonable de los datos. Un número grande de varables explcatvas (o covarables) puede llevar a que un modelo explque ben los datos pero con un aumento de complejdad en su nterpretacón. Por otro lado, un número pequeño de varables explcatvas (o covarables) puede llevar a un modelo de fácl nterpretacón pero que se ajuste pobremente a los datos. Lo que se desea en realdad es un modelo ntermedo. En el proceso del ajuste del modelo se evalúan generalmente un conjunto de modelos
7 4 que consttuyen aproxmacones a los datos observados. Dos modelos que pueden ntervenr en las comparacones a menudo son: a) MODELO SATURADO: En este modelo el número de parámetros estmados es gual al número de observacones. En datos ndvduales, utlzar este modelo mplcaría estmar un número de parámetros gual al tamaño muestral. b) MODELO NULO: Este es un modelo muy smple, el cual se utlza como modelo de referenca. Contene como únco parámetro al valor esperado µ, para todas las observacones. Habtualmente es ncapaz de representar adecuadamente la estructura de los datos, asume un efecto nulo de las varables explcatvas FUNCIÓN DESVÍO La bondad de ajuste en un modelo lneal generalzado es evaluada a través de la funcón desvío: { } Dy ( ; µ ˆ) = lyy ( ; ) l( µ ˆ; y), (II.14) que es la dstanca entre el logartmo de la funcón verosmltud del modelo saturado (con n parámetros) y el modelo en nvestgacón (con p parámetros). Un valor pequeño del desvío ndca que para un número menor de parámetros, se obtene un ajuste tan bueno como cuando se ajuste un modelo saturado. Por tanto, el desvío es una medda de dstanca de los valores ajustados µ ˆ 's en relacón con los datos observados. El desvío es sempre mayor o gual a cero. Para probar la adecuacón de un Modelo Lneal Generalzado, el valor del desvío debe ser comparado con el percentl de alguna dstrbucón de probabldad referente. En la práctca, la funcón desvío se compara con los percentles de una dstrbucón χ (McCullagh y Nelder, 1991). n p Dyµ ˆ χ (, )~ n p
8 COEFICIENTE DE DETERMINACIÓN ( R ) La medda R es defnda como la reduccón proporconal en la ncertdumbre, debdo a la nclusón de los regresores. Bajo certas condcones, tambén puede ser nterpretada como la varanza explcada por el modelo ajustado. Se han propuesto varos R basados en las defncones de resduales, sn embargo una medda R preferda es aquella basada en el desvío, que tene la sguente forma: donde Dyµ (, ˆ ) y respectvamente. R Dy (, µ ˆ ) = 1, (II.15) Dy (, µ ˆ ) Dyµ (, ˆ ) son las funcones desvío de los modelos ajustado y nulo, Esta medda satsface las sguentes propedades: 1) R 1 ) No decrece a medda que se añaden los regresores. 3) Tene una nterpretacón en térmnos del contendo de nformacón de los datos ESTADÍSTICA CHI-CUADRADO DE PEARSON Otra medda de dscrepanca es la estadístca cual toma la sguente forma: X de Pearson generalzada, la donde X n w ( ˆ y µ ) =, (II.16) V ( µ ˆ ) = 1 V ( µ ˆ) es la funcón de varanza estmada para la dstrbucón de la varable respuesta. La estadístca X se aproxma asntótcamente a una dstrbucón χ cuando n p la dstrbucón de la varable Y es no normal. Cuando es normal, esta estadístca es la suma de cuadrados resdual de un modelo lneal clásco y tene una dstrbucón exacta. χ n p
9 ANÁLISIS PARA SUB-VECTORES DE PARÁMETROS Cuando se tene un vector de parámetros β de un Modelo Lneal Generalzado, muchas veces nteresa probar hpótess de un subconjunto de éstos, dependendo de los objetvos o de la metodología a usar para el análss de datos. Sea una partcón de vector de parámetros β = ( β T 1, β T ) T en donde β 1 es un vector de dmensón q y β tene dmensón p-q y φ es conocdo o fjo. S es de nterés probar la hpótess H : β1 = vs H1 : β1, las funcones desvío correspondentes a los modelos bajo H y H 1 son denotados por Dy ( ; µ ˆ ) y Dy ( ; µ ˆ) respectvamente, donde ˆµ es la estmacón de máxma verosmltud sobre H. La estadístca de razón de verosmltud dada por Buse (198) es: Bajo la hpótess nula 1 RV Dy Dy φ Λ = { ( ; µ ˆ ) ( ; µ ˆ)} (II.17) Λ RV ~ χ q cuando n. De forma smlar, defnmos la estadístca F (Dobson, 199): F = Dy ˆ D y ˆ q Dy ( ; µ ˆ)/( n p) { ( ; µ ) ( ; µ )}/ F q, n p (II.18) La ventaja de usar F en lugar de la estadístca de razón de verosmltud (II.17) es que F no depende del parámetro de dspersón ANÁLISIS DE COVARIABLES: PRUEBAS DE HIPÓTESIS SIMPLES Los métodos de nferenca en los Modelos Lneales Generalzados se basan fundamentalmente en la teoría de Máxma Verosmltud. Según ésta, exsten tres estadístcas para probar hpótess relatvas a los parámetros β 's que son deducdas de las dstrbucones asntótcas de las funcones adecuadas de las estmacones de los β 's.
10 7 Estas son: 1) Razón de Verosmltud. ) Wald: tambén conocda como de Máxma Verosmltud por algunos autores, se basa en la dstrbucón normal asntótca del vector ˆβ. 3) Score: obtenda a partr de la funcón score. Las hpótess smples se defnen de la sguente manera: H : β= β vs H : β β, donde 1 conocdo. β es un vector p-dmensonal y φ se asume A) TEST DE RAZÓN DE VEROSIMILITUD Está defndo por: o equvalentemente: ˆ ˆ Λ RV = { L( β; y) L( β ; y)} (II.19) 1 RV Dy Dy φ Λ = { (, µ ˆ ) (, µ ˆ)} (II.) Cabe recordar que esta estadístca se construye gual a (II.17) pero bajo dferentes hpótess. En este caso la hpótess se defne para un vector smple, mentras que la fórmula (II.17) se construye bajo la hpótess defnda para un subvector de parámetros. B) TEST DE WALD El test de Wald está defndo por: donde ˆ β. ξ βˆ β ˆ βˆ βˆ β T 1 W = [ ] Var ( )[ ], (II.1) Var ˆ ( β ˆ ) denota la estmacón de la matrz de varanza-covaranza asntótca de defnda por: Recordemos que Var ˆ ( β ˆ ) = K ( β), entonces la estadístca de Wald está 1 ˆ 1 ξ β ˆ β ˆ β ˆ β φ T T W = [ ]( X WX )[ ] (II.)
11 8 En el caso en que modelo tene un s ólo parámetro, el test de Wald es equvalente al test t usual, de tal manera que: ξ W ( βˆ β ) = Var ˆ ( βˆ ) C) TEST DE SCORE Tambén conocdo como el test de Rao, se defne: T ˆ ˆ 1 ξsr = U( β ) Var ( β) U( β ), (II.3) donde Var ˆ ˆ ( β ) es la varanza asntótca de ˆβestmada bajo H : β = β. Esta estadístca se defne tambén de la sguente forma: donde W ˆ es estmado bajo H. T T ˆ 1 ξsr = φu( β ) ( XWX ) U( β ) (II.4) Asntótcamente y bajo la hpótess nula, las tres estadístcas defndas Λ se dstrbuyen como RV, ξw y ξsr χ p. Para las hpótess relatvas a un únco coefcente β, la estadístca de Wald es la más usada. Para hpótess relatvas a varos coefcentes, la razón de Máxma Verosmltud es preferda por ser un test unformemente más poderoso (Cordero, ) INTERVALOS DE CONFIANZA PARA ˆβ Los ntervalos de confanza pueden construrse usando cualquera de estas estadístcas. Usando, por ejemplo la Estadístca de Wald, una regón de confanza para β con un nvel de confanza 1(1 α)% será: ˆ T ( β β) [ Vˆ ( βˆ)] ( βˆ β) < χ. (II.5) 1 p,1 α ESTIMACIÓN DEL PARÁMETRO DE DISPERSIÓN Para obtener el estmador de máxma verosmltud para φ, es necesaro tomar el logartmo de la funcón de verosmltud para el vector aleatoro Y. Dervando
12 9 l( θφ, ; y) con respecto a φ e gualando a cero, la solucón será el estmador de máxma verosmltud para φ. McCullagh y Nelder (1991) propuseron dos solucones más generales que conssten en estmar el parámetro de dspersón a partr de: ˆ D φ = (II.6) n p y ˆ X φ = (II.7) n p donde D es el desvío o devance y X es la estadístca defnda en (II.16) ADECUACIÓN DEL MODELO En la práctca, puede ocurrr que aún escogendo cudadosamente un modelo y después ajustando un conjunto de datos, el resultado sea nsatsfactoro. Los desvíos sstemátcos se orgnan por haber escogdo nadecuadamente la funcón de varanca, la funcón de enlace o la matrz de dseño del modelo. Las dscrepancas asladas pueden ocurrr debdo a puntos extremos, o porque estos realmente son erróneos como resultado de lecturas erróneas o por factores no controlados al momento de la toma de datos. La verfcacón de la adecuacón del modelo es un requsto fundamental que se realza sobre el conjunto de datos para analzar posbles desvíos de las suposcones hechas para el modelo, así como la exstenca de observacones extremas con alguna nterferenca desproporconada en los resultados del ajuste RESIDUALES Como en la regresón lneal, los resduos o resduales son utlzados para verfcar la adecuacón del modelo. Los resduos expresan la dscrepanca entre una observacón y su valor ajustado. Estos pueden ser usados para evaluar la adecuacón del ajuste de un modelo, con respecto a la eleccón de la funcón de varanza, la funcón enlace y en térmnos del predctor lneal. Los resduales tambén pueden ndcar la presenca de valores anormales o dscordantes que puedan requerr de una nvestgacón más detallada.
13 3 a) RESIDUAL DE PEARSON Se defnen de la sguente manera: r y µ ˆ = = 1,,..., n. (II.8) φ ˆV ( µ ˆ ) p sendo ˆφ un estmador consstente del parámetro φ. La desventaja de este resdual es que su dstrbucón es bastante asmétrca para modelos no normales. b) RESIDUAL DE PEARSON ESTUDENTIZADO r = y µ ˆ φ ˆV( µ ˆ )(1 h) p' = 1,,..., n (II.9) sendo h elemento de la dagonal de la matrz. La ventaja de usar este resdual es que capta mejor la varabldad de los datos debdo a que usa el valor de h, el cual es útl para medr la nfluenca de la -ésma observacón. c) RESIDUAL DESVÍO Pregbon (1979, Cáp. 4) defne el desvío resdual como: D r = sgn( y µ ˆ ) d, = 1,,..., n. (II.3) donde d es llamado el componente del Desvío, el cual se puede escrbr de la forma n n n, D= l( y, y ) l( µ ˆ, y ) = d = 1 = 1 = 1 d mde la dferenca de los logartmos de la funcón de verosmltud observada y ajustada para cada observacón correspondente. El resdual desvío tene una dstrbucón exacta normal en el caso de la regresón normal y en el caso de la regresón normal nversa. (Wllams, 1987). d) RESIDUAL DESVÍO ESTUDENTIZADO En los Modelos Lneales Generalzados, la matrz de proyeccón H se defne por: H W X X WX X W 1/ 1 1/ ( T T = ), (II.31) donde W es una matrz dagonal, cuyos elementos de la dagonal prncpal están dados por:
14 31 1 µ w = ( ) var( µ ) η (II.3) Entonces los resduales desvío estudentzados son defndos de la sguente manera: r D' = r D φˆ(1 h ) (II.33) donde h es el -ésmo elemento de la dagonal de la matrz H y estmacón del parámetro de dspersón. ˆ Dy (, µ ˆ ) φ = n p es la e) RESIDUALES QUANTIS Un concepto de resdual propuesto por Dunn y Smyth (1996), se basa en la dea de nvertr la funcón de dstrbucón estmada para cada observacón, así se obtenen resduos cuya dstrbucón es exactamente normal. Estos resduos se usan en Modelos Lneales Generalzados cuando exste una dspersón grande y cuando los resduales desvío pueden ser no normales. Los resduos Quants son resduos útles para datos bnomales y de Posson, s la varable respuesta asume un número pequeño de valores dstntos. Sea F( yµφ ;, ) la funcón de dstrbucón acumulada de Y. Como F es contnua, entonces F( yµφ ;, ) está unformemente dstrbuda en el ntervalo (,1). En este caso, los resduales Quants se defnen: q 1 ˆ ˆ F yµφ r =Φ { ( ;, )}, (II.34) donde Φ es funcón de dstrbucón acumulada de la Normal. S F es no contnua, los resduales Quants se defnen a partr de: r q =Φ 1 ( u), (II.35) donde u es una varable unforme defnda en el ntervalo (a,b), a = lm F( y; µφ ˆ, ˆ) y b = ( y ; µφ ˆ, ˆ). y y
15 3 q q Sea F contnua o dscreta, Er { } = y Var( r) = 1. Por tanto, s β y φ se q estmaron usando estmadores consstentes, entonces r N(,1) en probabldad. En conclusón, Perce y Schafer (1989), ctados por Lee y Nelder (1998), mostraron que para dstrbucones de la famla exponencal, la dstrbucón de los resduales desvío es la que más se aproxma a la normal y recomendan utlzar los resduales desvío estudentzados para verfcar la adecuacón del modelo VERIFICACIÓN DEL AJUSTE DEL MODELO PUNTOS DE APALANCAMIENTO O LEVERAGE La verfcacón del modelo ajustado se realza a través de un análss detallado de las observacones porque queremos verfcar s es que algunas de ellas son nfluyentes desproporconadamente en las estmacones. La dea que está detrás de los puntos de apalancamento es la de evaluar la nfluenca de y sobre su propo valor ajustado y ˆ. La matrz de proyeccón (matrz Hat) para el modelo lneal generalzado está dado por: H W X X WX X W 1/ 1 1/ ( T T = ), (II.36) donde H es smétrca e dempotente. Se sugere la utlzacón de los elementos de la dagonal prncpal de Ĥ para detectar la presenca de puntos de apalancamento en los Modelos Lneales Generalzados. Tenemos que h = traza H = p y exste una ventaja en trabajar con una forma estandarzada h = nh / p, de tal modo que ' ' h = n. Hoagln y Welsch (1978) sugeren el uso de h>p/n, es decr h > para ndcar puntos de alto apalancamento. Una gráfca de h versus los índces con un límte h = es generalmente una herramenta útl para buscar puntos de apalancamento. Cabe
16 33 notar que para los Modelos Lneales Generalzados un punto en el extremo del rango de las x s no necesaramente podría tener un valor alto de leverage s su peso es demasado pequeño MEDIDA DE INFLUENCIA Los valores nfluyentes se detectan medante el análogo del estadístco de Cook de los modelos lneales cláscos. La nfluenca puede ser medda a través del cambo en la estmacón de los parámetros cuando una -ésma observacón es retrada. De esta manera, se evalúa βˆ ˆ () β, donde β ˆ () denota la estmacón elmnando la -ésma observacón, y ˆβ aquella con este valor ncludo. En defntva es una medda de dstanca entre ˆβ y β ˆ (). La estadístca de Cook propuesta es según McCullagh y Nelder (1991): lo cual es equvalente a: LD para uso de los modelos lneales generalzados LD = ( βˆ βˆ)( X WX)( βˆ βˆ )/ pφˆ, (II.37) T () () LD = r' h p(1 h ), donde ' r es el resdual de Pearson estudentzado MÉTODOS GRÁFICOS PARA EVALUAR LA ADECUACIÓN Según Borges () y Paula (4) las técncas gráfcas más usadas para analzar la adecuacón de los Modelos Lneales Generalzados son las sguentes: a) Resduos vs. valores ajustados: Es recomendado, por ejemplo el gráfco de algún tpo de resduo estudentzado versus ˆη. El comportamento estándar de este gráfco es una dstrbucón de los resduos en torno de cero con una ampltud constante. Para errores con dstrbucón normal los contornos del vector ŷ son líneas rectas paralelas con una ampltud de ±. Este gráfco srve para verfcar la funcón de enlace. No tene sgnfcado para datos bnaros.
17 34 b) Resduos vs. varables explcatvas ncludas en el modelo: Puede mostrarse s exste una relacón sstemátca entre los resduos y una varable ncluda en el modelo. El comportamento estándar de este gráfco es una dstrbucón aleatora de meda y ampltud constante. c) Resduos vs. tempo: Deben ser hechos sempre que sea posble. Nos puede llevar a la deteccón de patrones no sospechados debdo al tempo, o alguna varable altamente correlaconada con el tempo. d) Gráfco de probabldad normal de los resduos: Medante este gráfco se puede observar la exstenca de observacones atípcas y la adecuacón del modelo. e) Gráfco de la varable dependente ajustada z vs. ˆη, el predctor lneal estmado: El patrón nulo es una recta. Srve para verfcar la adecuacón de la funcón de enlace. f) Valores absolutos de resduos estudentzados vs. valores ajustados: Srven para verfcar la funcón de varanza. El patrón nulo es una dstrbucón aleatora de meda cero y ampltud constante. Una funcón de varanza escogda erradamente mostrará una tendenca en la meda. En general, la no adecuacón de la funcón de varanza será tratada como sobredspersón, tema tratado más adelante. g) Gráfcos de h, LD vs. orden de las observacones: Útl para la vsualzacón de los puntos dscordantes e nfluyentes. Paula (4) ndca que en el caso de los Modelos de Regresón Posson, los gráfcos de estos versus los valores ajustados son más nformatvos que los gráfcos versus el orden de las observacones..1.6 SOBREDISPERSIÓN En los modelos lneales generalzados, uno de los cudados que se debe tomar en el análss de datos, prncpalmente en el caso de las varables dscretas; es que pueda ocurrr la sobredspersón. Cuando se asume que las observacones sguen una dstrbucón de la famla exponencal, la funcón de varanza defnda en la seccón.1 tene una forma conocda, por ejemplo la Var( Y ) = µ para la dstrbucón de Posson y
18 35 Var( Y) = π (1 π) para los datos bnaros, cuando φ = 1. La sobredspersón ocurre en los casos donde φ > 1. La sobredspersón puede deberse a varas causas: la varabldad del materal expermental, la correlacón entre las respuestas ndvduales, varables explcatvas omtdas, cuando la funcón de enlace no es la adecuada, cuando hay exceso de ceros en las observacones, etc. El no consderar la sobredspersón en los datos puede llevar a una estmacón ncorrecta de los errores estándar, sendo los msmos sobre o subestmados, y por consguente, una evaluacón ncorrecta de la sgnfcanca de los parámetros de regresón ndvdual. Una manera de dagnostcar sobredspersón es evaluar la relacón entre la estadístca Ch-cuadrado de Pearson y el desvío entre sus grados de lbertad.
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detalles12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández
MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández
Más detallesPUBLICACIONES DE 4º CURSO
PUBLICACIONES DE 4º CURSO Grado: DERECHO-ADE Asgnatura: ECONOMERÍA Grupos: Únco ema: ESQUEMA EMA Profesores: Inmaculada Vllanúa Departamento de ANÁLISIS ECONÓMICO Curso Académco 04/5 ema : El Modelo Lneal
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesDEFINICIÓN DE INDICADORES
DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesTema 7: Regresión Logística p. 1/1
Tema 7: Regresón Logístca Pedro Larrañaga, Iñak Inza, Abdelmalk Moujahd Departamento de Cencas de la Computacón e Intelgenca Artfcal Unversdad del País Vasco http://www.sc.ehu.es/sg/ Tema 7: Regresón Logístca
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septembre de 01 15:30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta 1 A B C
Más detallesModelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.
Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesSmoothed Particle Hydrodynamics Animación Avanzada
Smoothed Partcle Hydrodynamcs Anmacón Avanzada Iván Alduán Íñguez 03 de Abrl de 2014 Índce Métodos sn malla Smoothed partcle hydrodynamcs Aplcacón del método en fludos Búsqueda de vecnos Métodos sn malla
Más detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.
9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Juno de 3 9: horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta A B C En Blanco Pregunta
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 20 DE JUNIO DE horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 0 DE JUNIO DE 018 15.30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta 1 A B C En Blanco
Más detallesCAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS
CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS En los capítulos anterores se han analzado varos modelos usados en la evaluacón de stocks, defnéndose los respectvos parámetros. En las correspondentes fchas de ejerccos
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
Más detallesEconomía de la Empresa: Financiación
Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se
Más detallese i para construir el modelo econométrico que se escribe a continuación:
5.3 Especfcacón del modelo empírco Para este análss se formló n modelo econométrco de seccón crzada, porqe las observacones corresponden a las característcas de las personas encestadas en n msmo período
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesGuía de ejercicios #1
Unversdad Técnca Federco Santa María Departamento de Electrónca Fundamentos de Electrónca Guía de ejerccos # Ejercco Ω v (t) V 3V Ω v0 v 6 3 t[mseg] 6 Suponendo el modelo deal para los dodos, a) Dbuje
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2013 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 013 INSTITUTO NACIONAL DE ESTADÍSTICAS 015 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesProbabilidad Grupo 23 Semestre Segundo examen parcial
Probabldad Grupo 3 Semestre 015- Segundo examen parcal La tabla sguente presenta 0 postulados, algunos de los cuales son verdaderos y otros son falsos. Analza detendamente cada postulado y elge tu respuesta
Más detallesMETODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS
SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento
Más detallesPrueba de Evaluación Continua
Estadístca Descrptva y Regresón y Correlacón Prueba de Evaluacón Contnua 1-III-18 1.- Dada la varable x y la nueva varable y=a+bx, ndcar (demostrándolo) la expresón exstente entre las respectvas medas
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesInstituto Nacional de Estadísticas Chile METODOLOGÍA. Encuesta Estructural de Transporte por Carretera Año contable 2012
Insttuto Naconal de Estadístcas Cle METODOLOGÍA Encuesta Estructural de Transporte por Carretera Año contable 0 Insttuto Naconal de Estadístcas 04 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detalles, x es un suceso de S. Es decir, si :
1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detallesTema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema
Tema :Descrpcón de una varable Tema :Descrpcón de una varable. El método estadístco. Descrpcón de conjuntos de datos Dstrbucones de frecuencas. Representacón gráfca Dagrama de barras Hstograma. Meddas
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesRiesgos Proporcionales de Cox
Resgos Proporconales de Cox Resumen El procedmento Resgos Proporconales de Cox esta dseñado para ajustar un modelo estadístco sem-parámetrco a los tempos de falla de una o mas varables predctoras. Los
Más detallesMODELOS SEMIPARAMÉTRICOS PARA DATOS LONGITUDINALES: COMPORTAMIENTO DE LOS ESTIMADORES DE UN MODELO DE RE- GRESIÓN PARA MUESTRAS PEQUEÑAS
Servy, Elsa Garca, María del Carmen Var, Emlse Instuto de Investgacones Teórcas y Aplcadas, de la Escuela de Estadístca MODELOS SEMIPARAMÉTRICOS PARA DATOS LONGITUDINALES: COMPORTAMIENTO DE LOS ESTIMADORES
Más detallesDetección Bayesiana de Efectos Activos en Experimentos Factoriales con Respuesta Dicotómica.
DETECCIÓN BayesanA DE EFECTOS ACTIVOS RESPUESTA BINOMIAL Deteccón Bayesana de Efectos Actvos en Expermentos Factorales con Respuesta Dcotómca. XXI Foro Naconal de Estadístca AME y Unversdad Autónoma de
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 7 de Mayo de 08 9:00 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta A B C En Blanco
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesTERMODINÁMICA AVANZADA
ERMODINÁMICA AANZADA Undad III: ermodnámca del Equlbro Fugacdad Fugacdad para gases, líqudos y sóldos Datos volumétrcos 9/7/ Rafael Gamero Fugacdad ropedades con varables ndependentes y ln f ' Con la dfncón
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesUNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS AGRARIAS Y FORESTALES. CURSO: Modelos Lineales Generalizados Aplicados a las Ciencias Biológicas
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS AGRARIAS Y FORESTALES CURSO: Modelos Lneales Generalzados Aplcados a las Cencas Bológcas MATERIAL DE APOYO Notas sobre Modelos Lneales Generalzados:
Más detallesRegresión Binomial Negativa
Regresón Bnomal Negatva Resumen El procedmento Regresón Bnomal Negatva está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesExamen Final de Econometría Grado
Examen Fnal de Econometría Grado 17 de Mayo de 2016 15.30 horas Apelldos: Grado (ADE/ ECO): Nombre del profesor(a): Nombre: Grupo: Emal: Antes de empezar a resolver el examen, rellene TODA la nformacón
Más detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
Más detallesUNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II
UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con
Más detallesRegresión de Datos de Vida
Regresón de Datos de Vda Resumen El procedmento Regresón de Datos de Vda está dseñado para ajustar un modelo estadístco paramétrco relaconado con tempos de falla a una o más varables predctoras. Los predctores
Más detallesTÉCNICAS AUXILIARES DE LABORATORIO
TÉCNICAS AUXILIARES DE LABORATORIO I.- ERRORES 1.- Introduccón Todas las meddas epermentales venen afectadas de una mprecsón nherente al proceso de medda. Puesto que en éste se trata, báscamente, de comparar
Más detallesUnidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles
2 Undad I.. Defncón de reaccón de combustón La reaccón de combustón se basa en la reaccón químca exotérmca de una sustanca (o una mezcla de ellas) denomnada combustble, con el oxígeno. Como consecuenca
Más detallesTema 2: El modelo clásico de regresión
CURSO 010/011 Tema : El modelo clásco de regresón Aránzazu de Juan Fernández ECONOMETRÍA I ESQUEMA DEL TEMA Presentacón del modelo Hpótess del modelo Estmacón MCO Propedades algebracas de los estmadores
Más detallesRegresión lineal y correlación lineal
UNIVERSIDAD ESTATAL DEL SUR DE MANABÍ Creada medante regstro Ofcal 61 del 7 de Febrero del 001 CARRERA DE AUDITORÍA Novembre 016 abrl 017 Semnaro de Investgacón Regresón lneal y correlacón lneal Dra. Marsabel
Más detallesDiseño y Análisis de Experimentos en el SPSS 1
Dseño y Análss de Expermentos en el SPSS EJEMPLO. Los sguentes datos muestran las meddas de hemoglobna (gramos por 00 ml) en la sangre de 40 ejemplares de una espece de truchas marrones. Las truchas se
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesCAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información
IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.
Más detallesLicenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL
INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más detalles) para toda permutación (p p 1 p
09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo de
Más detalles