Métodos Estadísticos Multivariados
|
|
- Javier Botella San Segundo
- hace 7 años
- Vistas:
Transcripción
1 Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
2 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
3 Una técnica para analizar la relación entre una variable dependiente y varias variables independientes. Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
4 Una técnica para analizar la relación entre una variable dependiente y varias variables independientes. Consideremos un conjunto de n observaciones y (respuesta), las cuales suponemos, dependen de cierta cantidad d de variables x (predictores) que consideramos fijas. En el modelo de regresión clásico, cada respuesta y como una función lineal de las x s mas un error aleatorio ɛ: y 1 = β 0 + β 1 x 11 + β 2 x β d x 1d + ɛ 1 y 2 = β 0 + β 1 x 21 + β 2 x β d x 2d + ɛ 2... y n = β 0 + β 1 x n1 + β 2 x n2 + + β d x nd + ɛ n Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
5 O en forma más compacta como y 1 y 2. y n y = Xβ + ɛ (1) 1 x 11 x 12 x 1d β 0 ɛ 1 = 1 x 21 x 22 x 2d β ɛ 2., 1 x n1 x n2 x nd β n ɛ n donde hacemos los siguientes supuestos: E(ɛ) = 0 cov(ɛ) = σ 2 I Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
6 Los anteriores supuestos implican que: Ey = Xβ, es decir, el modelo es lineal y no se necesitan más términos para predecir y. Cualquier otra variación en y es aleatoria. Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
7 Los anteriores supuestos implican que: Ey = Xβ, es decir, el modelo es lineal y no se necesitan más términos para predecir y. Cualquier otra variación en y es aleatoria. cov(y) = σ 2 I, lo que implica que las y s están decorrelacionadas, consecuencia de que los errores también tienen esta característica. Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
8 Cómo estimar los parámetros β? Mínimos cuadrados Máxima verosimilitud (supuestos distribucionales en ɛ) Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
9 Cómo estimar los parámetros β? Mínimos cuadrados Máxima verosimilitud (supuestos distribucionales en ɛ) Resultado (Estimación por mínimos cuadrados) Sea X una matriz de rango completo d + 1 n, entonces, la estimación por mínimos cuadrados de β está dada por La demostración en clase... ˆβ = (X T X) 1 X T y Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
10 Estimación por máxima verosimilitud Supongamos que ɛ N (0, Σ) e independiente de X, la log-verosimilitud para y está dada por (recordar notas anteriores): l(β, Σ) = n 2 log 2πΣ 1 2 tr(y Xβ)Σ 1 (y Xβ) T Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
11 Resultado Los estimadores de máxima verosimilitud, según la función de log-verosimilitud dada anteriormente están dados por donde P = I X(X T X) 1 X T La demostración en clase... ˆβ = (X T X) 1 X T y ˆΣ = 1 n (yt Py)I Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
12 Algunos resultados importantes sobre el modelo de regresión lineal. Resultado El estimador ˆβ es insesgado para β Cov(ˆβ) = σ 2 (X T X) 1 E(ˆɛ) = 0, Cov(ˆɛ) = σ 2 (I H), donde H = X(X T X) 1 X T es la llamada hat matrix. Recuerda que ˆɛ = y ŷ. E(SSE) = E(ˆɛ T ˆɛ) = σ 2 (n q 1), donde q d, y d es la dimensión de x. Define s 2 = SSE n q 1, entonces s2 es un estimador insesgado de σ 2. Si asumimos que ɛ N (0, σ 2 I), el estimador por mínimos cuadrados para β es también el estimador de máxima verosimilitud. Bajo el supuesto anterior, ˆβ y ˆɛ son normales multivariadas e independientes. Las demostraciones se incluirán en la tarea (son fáciles) Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
13 Algunos resultados importantes sobre el modelo de regresión lineal. Resultado (Gauss-Markov) Considera el modelo de regresión lineal (1) y los supuestos dados sobre el modelo. El estimador por mínimos cuadrados ˆβ es de varianza mínima entre todos los estimadores lineales insesgados. Para una demostración, ver Multivariate Analysis de Mardia, Kent & Bibby, Academic Press.2 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
14 Observa también que, como el modelo es lineal en los coeficientes β, podemos incluir transformaciones de las variables de entrada x, por ejemplo, x t para cualquier t o (x ij ) (x ik ). Nuestra matriz de covariables (o matriz de diseño) será entonces de la forma 1 x 11 x 12 x 1q 1 x 21 x 22 x 2q X = x n1 x n2 x nq para q 1 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
15 El esquema general para el análisis de regresión múltiple podriamos escribirlo en la siguiente forma: 1 Crear la matriz de diseño X apropiada. 2 Estimar los coeficientes de regresión ˆβ y la varianza σ 2. 3 Verificar el impacto de cada variable (a través de su coeficiente respectivo) en la respuesta y. 4 Verificar el ajuste del modelo. 5 Seleccionar el modelo adecuado ( podemos reducir el número de variables predictoras?). Usualmente esto requiere algunas iteraciones entre el paso anterior y este. 6 Realizar predicciones de nuevas observaciones. Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
16 1. Crear la matriz de diseño X apropiada. Podemos empezar con las variables con las que disponemos y utilizar métodos exploratorios para verificar las relaciones entre las covariables y las respuestas (scatterplot matrix, boxplots, etcétera). Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
17 1. Crear la matriz de diseño X apropiada. Podemos empezar con las variables con las que disponemos y utilizar métodos exploratorios para verificar las relaciones entre las covariables y las respuestas (scatterplot matrix, boxplots, etcétera). Es lógico suponer interacciones entre las variables? Podria mejorar esto el ajuste? Son lógicas las interacciones? Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
18 1. Crear la matriz de diseño X apropiada. Podemos empezar con las variables con las que disponemos y utilizar métodos exploratorios para verificar las relaciones entre las covariables y las respuestas (scatterplot matrix, boxplots, etcétera). Es lógico suponer interacciones entre las variables? Podria mejorar esto el ajuste? Son lógicas las interacciones? Por supuesto, para contestar lo anterior hace falta ajustar un modelo tomando en cuenta las interacciones, pero la persona que investiga el fenómeno puede recurrir a su experiencia e información apriori para responder algunas de estas preguntas. Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
19 2. Estimar los coeficientes de regresión ˆβ y la varianza σ 2. Ya vimos usando mínimos cuadrados obtenemos el mejor estimador para β. Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
20 2. Estimar los coeficientes de regresión ˆβ y la varianza σ 2. Ya vimos usando mínimos cuadrados obtenemos el mejor estimador para β. También tenemos un estimador insesgado para σ 2 = SSE n q 1 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
21 3. Verificar el impacto de las variables en la respuesta y. Un aspecto importante respecto al impacto de las variables es averiguar primero si estas nos ayudan a predecir y, considerandolas todas en conjunto. Usando el supuesto de normalidad en los errores, podemos establecer una prueba de hipótesis al respecto, junto con su estadístico de prueba correspondiente. Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
22 3. Verificar el impacto de las variables en la respuesta y. Un aspecto importante respecto al impacto de las variables es averiguar primero si estas nos ayudan a predecir y, considerandolas todas en conjunto. Usando el supuesto de normalidad en los errores, podemos establecer una prueba de hipótesis al respecto, junto con su estadístico de prueba correspondiente. Partiendo de la definición de SSE podemos expresar la suma de cuadrados total (SST) alrededor de la media como donde SST = y T y nȳ 2 SST = SSR + SSE SSR = (ŷ nȳ 2 ) = ( ˆβ T X T y nȳ 2 ), es la suma de cuadrados de la regresión y SSE es la suma de cuadrados del error. Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
23 3. Verificar el impacto de las variables en la respuesta y. Ahora, para probar la hipótesis podemos usar el estadístico F = H 0 : β = 0, SSR/q SSE/(n q 1), el cual puede mostrarse que tiene una distribución de probabilidad F q,n q 1 bajo la hipótesis nula. Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
24 3. Verificar el impacto de cada variable en la respuesta y. Si suponemos que los errores ɛ son iid con distribución normal, podemos obtener un estadístico para la prueba de hipótesis: H 0 : β i = 0 para i = 1, 2,..., q Bajo el supuesto de normalidad en los errores (van a mostrar que), los coeficientes ˆβ tienen una distribución normal multivariada con matriz de covarianzas S β = s 2 (X T X) 1, por lo tanto, s ˆβ = diag(s β ) Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
25 3. Verificar el impacto de cada variable en la respuesta y. Si suponemos que los errores ɛ son iid con distribución normal, podemos obtener un estadístico para la prueba de hipótesis: H 0 : β i = 0 para i = 1, 2,..., q Bajo el supuesto de normalidad en los errores (van a mostrar que), los coeficientes ˆβ tienen una distribución normal multivariada con matriz de covarianzas S β = s 2 (X T X) 1, por lo tanto, s ˆβ = diag(s β ) También, puede mostrarse que ˆβ i β i s ˆβ i t n q 1, bajo la hipótesis nula, es decir, cuando β i = H 0. Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
26 3. Verificar el impacto de cada variable en la respuesta y. Si suponemos que los errores ɛ son iid con distribución normal, podemos obtener un estadístico para la prueba de hipótesis: H 0 : β i = 0 para i = 1, 2,..., q Bajo el supuesto de normalidad en los errores (van a mostrar que), los coeficientes ˆβ tienen una distribución normal multivariada con matriz de covarianzas S β = s 2 (X T X) 1, por lo tanto, s ˆβ = diag(s β ) También, puede mostrarse que ˆβ i β i s ˆβ i t n q 1, bajo la hipótesis nula, es decir, cuando β i = H 0. Esta prueba de hipótesis ya la conocemos! Recuerden los intervalos de confianza simultáneos. Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
27 4. Verificar el ajuste del modelo Una medida para verificar qué tan bien se ajusta nuestro modelo está dada por la cantidad de variación que es explicada por nuestro modelo. Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
28 4. Verificar el ajuste del modelo Una medida para verificar qué tan bien se ajusta nuestro modelo está dada por la cantidad de variación que es explicada por nuestro modelo. Recordemos que, la predicción más sencilla (y la menos exacta también) que podemos hacer sobre y es mediante el promedio, si es que no tuvieramos ninguna otra covariable. Entonces, qué tanto mejora nuestra predicción respecto al promedio al agregar más covariables? Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
29 4. Verificar el ajuste del modelo Una medida para verificar qué tan bien se ajusta nuestro modelo está dada por la cantidad de variación que es explicada por nuestro modelo. Recordemos que, la predicción más sencilla (y la menos exacta también) que podemos hacer sobre y es mediante el promedio, si es que no tuvieramos ninguna otra covariable. Entonces, qué tanto mejora nuestra predicción respecto al promedio al agregar más covariables? ŷ nȳ 2 y T y nȳ 2 = SSR SST = R2 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
30 4. Verificar el ajuste del modelo Una medida para verificar qué tan bien se ajusta nuestro modelo está dada por la cantidad de variación que es explicada por nuestro modelo. Recordemos que, la predicción más sencilla (y la menos exacta también) que podemos hacer sobre y es mediante el promedio, si es que no tuvieramos ninguna otra covariable. Entonces, qué tanto mejora nuestra predicción respecto al promedio al agregar más covariables? ŷ nȳ 2 y T y nȳ 2 = SSR SST = R2 La medida R 2 es llamado coeficiente de determinación. También puede escribirse como R 2 = 1 SSE SST, y nos da la proporción de la variación total en la respuesta atribuible a la introducción de los predictores X Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
31 4. Verificar el ajuste del modelo R 2 ajustada: Una medida de ajuste que toma en cuenta los grados de libertad de la variación y evita dar una medida alta de ajuste R 2 que podria deberse, por ejemplo, a introducir más covariables en el modelo R 2 adj = 1 MSE MST donde, MSE y MST son los errores cuadrados promedio según la tabla anova: Source df SS MS Total n 1 SST MST = SST /n 1 Regression q SSR MSR = SSR/q Residual n q 1 SSE MSE = SSE/n q 1 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
32 5. Seleccionar el modelo adecuado Supongamos que tenemos un modelo reducido, denotado por β r, y un modelo con todas las variables, donde hay algunas de ellas que queremos eliminar, el cual denotaremos con β d. Entonces β = (β r, β d ) T, y queremos probar H 0 : β d = 0 Para esto, ajustamos el modelo con todas las variables y el modelo reducido. Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
33 5. Seleccionar el modelo adecuado El modelo reducido es y = X r β r + (ɛ y hacemos la comparación ˆβ T X T y = ˆβ T r X T r y = SSR F SSR r La prueba de hipótesis se realiza mediante F = SSR F SSR r /h SSE F /(n q 1) F h,n q 1, donde h es el número de parámetros a eliminar Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre / 20
ANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más 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 detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesRegresión 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 detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
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 detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesModelo de Análisis de la Covarianza. Introducción al modelo de Medidas Repetidas
Modelo de Análisis de la Covariza. Introducción al modelo de Medidas Repetidas Modelo de Análisis de la Covariza Introducción El diseño por bloques se considera para eliminar el efecto de los factores
Más detallesEconometría Aplicada
Econometría Aplicada Especificación y problemas con la data Víctor Medina Introducción Hasta el momento hemos considerado el modelo como dado y nos hemos preguntado cosas del estilo Dado el modelo y =
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más 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 detallesUNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 45 a 57 UNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K JOSÉ A. JIMÉNEZ M.* Resumen En este artículo mediante el método de los
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
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 detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesRegresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
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 detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesEstadística II Examen final junio - 17/06/16 Curso 2015/16 Soluciones Duración del examen: 2 h. y 45 min.
Estadística II Examen final junio - 17/06/16 Curso 201/16 Soluciones Duración del examen: 2 h. y 4 min. 1. (3, puntos) La publicidad de un fondo de inversión afirma que la rentabilidad media anual del
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesModelos de suavizado, aditivos y mixtos
Carmen Armero 1 de junio de 2011 Introducción Introducción Modelos lineales, LM Modelos aditivos, AM Modelos lineales generalizados, GLM GAM I Un modelo lineal generalizado (GAM) es un modelo lineal generalizado
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 detallesModelos lineales. Tema 2: Inferencia en el modelo de regresión lineal simple. 6 de febrero de Carmen Armero
Carmen Armero 6 de febrero de 2012 Introducción Distribuciones en el muestreo Intervalos de confianza Contrastes de hipótesis El modelo de regresión lineal simple El modelo de regresión lineal simple para
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
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 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 detallesRegresión con errores autocorrelacionados
Series de tiempo Gerardo Ortega Miguel Pluma Luis Osorio Johnatan García 09 de diciembre de 2013 Contenido 1 Introducción Idea intuitiva 2 Algoritmo 3 Propiedades de los estimadores 4 Estadístico de Durbin-Watson
Más detallesMínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesUn modelo para representar una relación aproximadamente
Regresión Se han visto algunos ejemplos donde parece que haya una relación aproximadamente lineal entre dos variables. Supongamos que queremos estimar la relación entre las dos variables. Cómo ajustamos
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 detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación
Más detallesTema 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 detallesModelos de regresión multinivel
Luis Guillermo Díaz Leonardo Trujillo Julio 2011 Estructura de datos multinivel Los investigadores de las ciencias sociales y naturales, se enfrentan al problema de modelar estructuras de datos complejas,
Más detallesANOVA. Análisis de la Varianza. Univariante Efectos fijos Muestras independientes
ANOVA Análisis de la Varianza Univariante Efectos fijos Muestras independientes De la t a la F En el test de la t de Student para muestras independientes, aprendimos como usar la distribución t para contrastar
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesEconometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
Más 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 detallesFormulación matricial del modelo lineal general
Formulación matricial del modelo lineal general Estimadores MCO, propiedades e inferencia usando matrices Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Formulación matricial del modelo
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Abril 2013 Aniel Nieves-González () Time Series Abril 2013 1 / 15 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por
Más detallesECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45
Más detallesEstadística 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 detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesTema 3. El modelo lineal general multivariante
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. Tema 3. El modelo lineal general multivariante 3.1. Presentación del modelo. En este tema vamos a
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesUNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL. Tema:
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL Tema: Correlación múltiple y parcial. Ecuaciones y planos de regresión La Plata, septiembre
Más detallesTEMA 5: Especificación y Predicción en el MRL
EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.
MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesPRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado
PÁCTICA 3. EGESIÓN LINEAL SIMPLE CON SPSS 3.1. Gráfico de dispersión 3.2. Ajuste de un modelo de regresión lineal simple 3.3. Porcentaje de variabilidad explicado 3.4 Es adecuado este modelo para ajustar
Más detallesModelos lineales. Tema 1: Modelo de regresión lineal simple. 6 de febrero de Carmen Armero
Carmen Armero 6 de febrero de 2012 Introducción Un poco de historia Definición y propiedades Mínimos cuadrados Máxima verosimilitud Ejemplo: Masa muscular y edad 1.I La edad es uno de los factores determinantes
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesCoeficiente de Correlación
Coeficiente de Correlación Al efectuar un análisis de regresión simple (de dos variables) necesitamos hacer las siguientes suposiciones. Que las dos variables son mensurables Que la relación entre las
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
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 detallesEstadísticas II. M. en E. M. Milagros Eugenia Faci. 15 de julio de 2010
2010 Estadísticas II M. en E. M. Milagros Eugenia Faci 15 de julio de 2010 2 Estadísticas II CONTENIDO UNIDAD III. CORRELACIÓN Y REGRESIÓN...3 III.1 CARACTERÍSTICAS DE UNA CORRELACIÓN...3 METODO DE MÍNIMOS
Más detallesEstimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas
Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Mínimos Cuadrados en 2 Etapas 2 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M. Los modelos de regresión sirven, en general, para tratar de expresar una variable respuesta (numérica) en
Más detallesQué hacemos cuando la distribución no es normal? Qué significa ser normal? Qué significa ser normal? 1er. Simposio Metodología Seis Sigma
er. imposio Metodología eis igma Resumen Qué hacemos cuando la distribución no es normal? Qué significa ser normal? Ejemplos de situaciones normales Ejemplos de situaciones no normales Resumen Implicaciones
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 detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más 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 detalles10 Modelo de regresión lineal
0 Modelo de regresión lineal La relación matemática determinística más simple entre dos variables x e y, es una relación lineal y = 0 + x. El conjunto de pares (x; y) que veri can esta relación, determinan
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesLa línea recta: Serie1
La línea recta: En una línea recta tenemos una relación entre dos variables, la independiente (x) y la dependiente (y). La forma en que se relacionan dependerá de la función que describa dicha relación.
Más detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más detallesRevista Colombiana de Estadística ISSN: Universidad Nacional de Colombia Colombia
Revista Colombiana de Estadística ISSN: 0120-1751 revcoles_fcbog@unal.edu.co Universidad Nacional de Colombia Colombia Jiménez Moscoso, José Alfredo Un criterio para identificar datos atípicos Revista
Más detallesPrácticas Tema 2: El modelo lineal simple
Prácticas Tema 2: El modelo lineal simple Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 2.1- Se han analizado sobre una muestra de 10 familias las variables
Más detallesEl Modelo de Regresión Simple
El Modelo de Regresión Simple Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso 2007/08 C Velasco
Más detallesTécnicas Cuantitativas para el Management y los Negocios
Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis
Más detallesEl Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
Más detallesRegresión Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
Más 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 detallesEjercicio Heterocedasticidad_2
Ejercicio heterocedasticidad 2. 1 Ejercicio Heterocedasticidad_2 Tengamos los siguientes datos de los beneficios (B i ) y ventas (V i ) de 20 empresas: obs B V 1 13,2 61 2 15 78 3 22,2 158 4 15,2 110 5
Más detallesModelos matemáticos para la predicción de series temporales
Capítulo 2 Modelos matemáticos para la predicción de series temporales 2.1. Modelo de regresión lineal Cuando se habla de predicción, el objetivo es determinar una variable de salida y a partir de la información
Más detallesCapítulo 8. Selección de variables Introducción
Capítulo 8 Selección de variables 8.1. Introducción En muchos problemas de regresión es posible considerar un número importante de variables predictoras. Un empresario podría estudiar los factores que
Más detalles2 Modelo de Diseño de Experimentos con dos factores sin interacción. Hipótesis del modelo
MODELO DE DISEÑO DE EXPERIMENTOS (VARIOS FACTORES) Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Los modelos de diseño de experimentos sirven, en general, para tratar de explicar
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detallesEl Movimiento Browniano en la modelización del par EUR/USD
MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés
Más detallesEstimación MCO, MCI en Modelos de Ecuaciones Simultáneas
Estimación MCO, MCI en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Estimación MCO de la Forma Estructural 2 3 4 Estimador MCO de la FE Consideremos la -ésima ecuación
Más detalles