TEMA 4 Modelo de regresión múltiple
|
|
- Adrián Reyes Blázquez
- hace 7 años
- Vistas:
Transcripción
1 TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología
2 Estructura de este tema Modelo de regresión múltiple. Ejemplos. Estimación e inferencia sobre los parámetros del modelo. Tabla ANOVA y contraste de la regresión. Regresión polinómica. Variables regresoras dicotómicas. Multicolinealidad. Diagnóstico del modelo.
3 Ejemplo Se estudia Y = la tasa de respiración (moles O 2 /(g min)) del liquen Parmelia saxatilis bajo puntos de goteo con un recubrimiento galvanizado. El agua que cae sobre el liquen contiene zinc y potasio, que utilizamos como variables explicativas. (Fuente de datos: Wainwright (1993), J. Biol. Educ..) Tasa de respiración Potasio (ppm) Zinc (ppm)
4 Ejemplo 4.2 (cont.): Tasa respiración Zinc Potasio 600 Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 6
5 Zinc Potasio Tasa_resp Tasa_resp Potasio Correlaciones Tasa_resp Correlación de Pearson 1 Sig. (bilateral) N 9 Correlación de Pearson,686 Sig. (bilateral),041 Potasio,686, Zinc,653,057 9,443,232 N Zinc Correlación de Pearson,653,443 1 Tasa_resp Potasio Zinc Sig. (bilateral) N,057 9,
6 Modelo de regresión lineal múltiple En la regresión lineal múltiple de Y sobre X 1,..., X k se supone que la función de regresión tiene la expresión Y β 0 + β 1 x β k x k. Cuando k = 2 la función de regresión es un plano Ejemplo 4.2: Plano de regresión Tasa respiración Zinc Potasio 600
7 Modelo de regresión lineal múltiple Tenemos una muestra de n individuos en los que observamos las variables Y y X 1,..., X k. Para el individuo i, tenemos el vector de datos (Y i, x i1, x i2,..., x ik ). El modelo de regresión lineal múltiple supone que Y i = β 0 + β 1 x i β K x ik + u i, i = 1,..., n, donde las variables de error U i verifican a) u i tiene media cero, para todo i. b) Var(u i ) = σ 2, para todo i (homocedasticidad). c) Los errores son variables independientes. d) u i tiene distribución normal, para todo i. e) n k + 2 (hay más observaciones que parámetros). f) Las variables X i son linealmente independientes entre sí (no hay colinealidad).
8 Modelo de regresión lineal múltiple Las hipótesis (a)-(d) se pueden reexpresar así: las observaciones Y i son independientes entre con distribución normal: Y i N(β 0 + β 1 x i β k x ik, σ). El modelo admite una expresión equivalente en forma matricial: Y 1 1 x x 1k β 0 u 1 Y 2 1 x x 2k β 1 u 2. Y n =.. 1 x n1... x nk. β k +. u n
9 Estimación de los parámetros del modelo Parámetros desconocidos: β 0, β 1,..., β k, σ 2. Estimamos β 0, β 1,..., β K por el método de mínimos cuadrados, es decir, los estimadores son los valores para los que se minimiza la suma: n [Y i (β 0 + β 1 x i β k x ik )] 2. i=1 Cada coeficiente β i mide el efecto que tiene sobre la respuesta un aumento de una unidad de la variable regresora x i cuando el resto de las variables permanece constante.
10 Estimación de los parámetros del modelo Al derivar la suma anterior respecto a β 0, β 1,..., β k e igualar las derivadas a 0 obtenemos k + 1 restricciones sobre los residuos: n e i = 0, i=1 n e i x i1 = 0,..., i=1 n e i x ik = 0. i=1 A partir de este sistema de k + 1 ecuaciones es posible despejar los estimadores de mínimos cuadrados de β 0, β 1,..., β k. Las hipótesis (e) y (f) hacen falta para que el sistema tenga una solución única. Llamamos ˆβ 0, ˆβ 1,..., ˆβ k a los estimadores. Le media de los residuos es cero. La correlación entre los residuos y cada una de las k variables regresoras es cero. Los residuos tienen n k 1 grados de libertad.
11 Estimación de los parámetros del modelo Ejemplo 4.2: Plano de regresión Tasa respiración Zinc Potasio 600
12 Estimación de la varianza Un estimador insesgado de σ 2 es la varianza residual S 2 R. Como en los modelos anteriores, SR 2 se define como la suma de los residuos al cuadrado, corregida por los gl apropiados: S 2 R = 1 n k 1 n ei 2. i=1 Siempre se verifica ȳ = ˆβ 0 + ˆβ 1 x ˆβ k x k, siendo ȳ = 1 n n y i, i=1 x 1 = 1 n n x i1,..., x k = 1 n i=1 n x ik. i=1 Por ejemplo, si k = 2, el plano de regresión pasa por el punto de medias muestrales ( x 1, x 2, ȳ).
13 Inferencia sobre los parámetros del modelo Distribución de los estimadores de los coeficientes: Todos los estimadores ˆβ j verifican: ˆβ j β j error típico de ˆβ j t n k 1, donde el error típico de ˆβ j es un valor que se calcula con SPSS. Intervalos de confianza para los coeficientes: Para cualquier j = 0, 1,..., k, ( ) IC 1 α (β j ) = ˆβ j t n k 1;α/2 error típico de ˆβ j.
14 Contrastes de hipótesis individuales sobre los coeficientes Estamos interesados en determinar qué variables X j son significativas para explicar Y. H 0 : β j = 0 (X j no influye sobre Y ) H 1 : β j 0 (X j influye sobre Y ) La región crítica de cada H 0 al nivel de significación α es { } β j R = > t n k 1;α/2. error típico de ˆβ j El cociente ˆβ j /(error típico de ˆβ j ) se llama estadístico t asociado a β j.
15 Salida SPSS Resumen del modelo Modelo R R cuadrado R cuadrado corregida Error típ. de la estimación 1,789 a,622,496 12,907 a. Variables predictoras: (Constante), Zinc, Potasio ANOVA b Modelo 1 Regresión Residual Total Suma de cuadrados 1644, , ,000 gl Media cuadrática 822, ,602 F 4,935 Sig.,054 a a. Variables predictoras: (Constante), Zinc, Potasio b. Variable dependiente: Tasa_resp Modelo 1 (Constante) Potasio Zinc Coeficientes no estandarizados Coeficientes tipificados B Error típ. Beta t Sig. 15,978 15,304 1,044,337,053,013 a. Variable dependiente: Tasa_resp Coeficientes a,030,009,494,434 1,763 1,549,128,172
16 Descomposición de la variabilidad Como en modelos anteriores: Y i = Ŷ i + e i Y i Ȳ = (Ŷ i Ȳ ) + e i n (Y i Ȳ ) 2 = n (Ŷ i Ȳ ) 2 + i=1 i=1 SCT = SCE + SCR n i=1 e 2 i SCT mide la variabilidad total (tiene n 1 gl) SCE mide la variabilidad explicada por el modelo (tiene k gl) SCR mide la variabilidad no explicada o residual (tiene n k 1 gl)
17 El contraste de la regresión H 0 : β 1 =... = β k = 0 (el modelo no es explicativo: ninguna de las variables explicativas influye en la respuesta) H 1 : β j 0 para algún j = 1,..., k (el modelo es explicativo: al menos una de las variables X j influye en la respuesta) Comparamos la variabilidad explicada con la no explicada mediante el estadístico F : SCE/k F = SCR/(n k 1). Bajo H 0 el estadístico F sigue una distribución F k,n k 1. La región de rechazo de H 0 al nivel de significación α es R = {F > F k,n k 1;α }
18 El coeficiente de determinación Es una medida de la bondad del ajuste en el modelo de regresión múltiple R 2 = SCE SCT. Propiedades: 0 R 2 1. Cuando R 2 = 1 existe una relación exacta entre la respuesta y las k variables regresoras. Cuando R 2 = 0, sucede que ˆβ 0 = ȳ y ˆβ 1 =... = ˆβ k = 0. No existe relación lineal entre Y y las X i. Podemos interpretar R 2 o como un coeficiente de correlación múltiple entre Y y las k variables regresoras. Se verifica que F = R2 n k 1 1 R 2. k
19 El coeficiente de determinación ajustado El coeficiente de determinación para comparar distintos modelos de regresión entre sí tiene el siguiente inconveniente: Siempre que se añade una nueva variable regresora al modelo, R 2 aumenta, aunque el efecto de la variable regresora sobre la respuesta no sea significativo. Por ello se define el coeficiente de determinación ajustado o corregido por grados de libertad R 2 = 1 SCE/(n k 1) SCT/(n 1) = 1 S 2 R SCT/(n 1) R 2 sólo disminuye al introducir una nueva variable en el modelo si la varianza residual disminuye.
20 Regresión polinómica Podemos utilizar el modelo de regresión múltiple para ajustar un polinomio: Y β 0 + β 1 x + β 2 x β k x k. Basta considerar las k variables regresoras x, x 2,..., x k x y
21 Regresión polinómica Resumen del modelo R cuadrado Error típ. de la Modelo R R cuadrado corregida estimación 1,926 a,858,857 19,04222 a. Variables predictoras: (Constante), x Modelo 1 (Constante) x a. Variable dependiente: y Coeficientes no estandarizados Coeficientes tipificados B Error típ. Beta t Sig. -14,376 3,762-3,822,000 15,904 Resumen del modelo Coeficientes a,650 R cuadrado Error típ. de la Modelo R R cuadrado corregida estimación 1,947 a,896,894 16,36427 a. Variables predictoras: (Constante), x2, x Modelo 1 (Constante) x x2 a. Variable dependiente: y Coeficientes no estandarizados,926 Coeficientes tipificados 24,472,000 B Error típ. Beta t Sig. 6,846 4,790 1,429,156 3,042 1,286 Coeficientes a 2,214,214,177,774 1,374 6,004,172,000
22 y Regresión polinómica Estimación curvilínea Variable dependiente:y Ecuación Lineal R cuadrado,858 Resumen del modelo y estimaciones de los parámetros Resumen del modelo F 598,866 gl1 gl2 Sig.,000 Cuadrático, , ,000 La variable independiente esx. Variable dependiente:y Ecuación Lineal Estimaciones de los parámetros Constante -14,376 b1 15,904 Cuadrático 6,846 3,042 1,286 La variable independiente esx. b2 1 Resumen del modelo y estimaciones de los parámetros 99 y 200,00 150,00 100, Observado Lineal Cuadrático 50,00 0, x
23 Regresión polinómica ajustados1 residuos ajustados2 residuos2
24 Regresión polinómica: rentas y fracaso escolar Resumen del modelo y estimaciones de los parámetros Variable dependiente:fracaso Ecuación Lineal Cuadrático R cuadrado,550,586 Resumen del modelo F 25,658 14,183 gl1 1 2 gl2 21 Sig.,000 Constante 38,494 Estimaciones de los parámetros 61,088 b1-1,347-4,614 Potencia,610 32, , ,923-1,066 La variable independiente esrenta. 20,000 b2,109 Fracaso 40,0 30,0 Observado Lineal Cuadrático Potencia 20,0 10,0 0,0 8,000 10,000 12,000 14,000 16,000 18,000 20,000 22,000 Renta
25 Regresión polinómica y sobreajuste y y y y y Radj 2 = 0.88 R 2 = Radj 2 = 0.87 R 2 = Radj 2 = 0.85 R 2 = Radj 2 = 0.83 R 2 = Radj 2 = 0.85 R 2 = 0.92 y y y y y Radj 2 = 0.83 R 2 = Radj 2 = 0.81 R 2 = Radj 2 = 0.72 R 2 = Radj 2 = 0.67 R 2 = Radj 2 = NaN R 2 = 1
26 Curvas estimadas a partir de 50 muestras de 10 datos Mucho sesgo y poca varianza z z Polinomio de grado k=9 300 k=2 (reg. cuadrática) 300 k=2 (reg. simple) Modelo verdadero Poco sesgo y mucha varianza 5 10
27 Variables regresoras dicotómicas Mezclar subpoblaciones en regresión no es adecuado x1 y x2 y2 En qué se diferencian los dos ejemplos anteriores?
28 Modelo aditivo Resumen del modelo Modelo R R cuadrado R cuadrado corregida 1,963 a,928,923 a. Variables predictoras: (Constante), x1z1, z1, x1 Error típ. de la estimación ANOVA b Modelo 1 Regresión Residual Total Suma de cuadrados 438,063 34, ,104 gl Media cuadrática 146,021,740 F 197,319 Sig.,000 a a. Variables predictoras: (Constante), x1z1, z1, x1 b. Variable dependiente: y1 Modelo 1 (Constante) x1 z1 x1z1 a. Variable dependiente: y1 Coeficientes no estandarizados Coeficientes tipificados B Error típ. Beta t Sig.,277,177 1,560,126,927 3,620,142 Coeficientes a,080,247,114,647,589,068 11,632 14,649 1,241,000,000,221
29 Modelo con interacciones Resumen del modelo Modelo R R cuadrado R cuadrado corregida 1,987 a,975,973 a. Variables predictoras: (Constante), x2z2, z2, x2 Error típ. de la estimación ANOVA b Modelo 1 Regresión Residual Total Suma de cuadrados 1533,096 39, ,700 gl Media cuadrática 511,032,861 F 593,559 Sig.,000 a a. Variables predictoras: (Constante), x2z2, z2, x2 b. Variable dependiente: y2 Modelo 1 (Constante) x2 z2 x2z2 a. Variable dependiente: y2 Coeficientes no estandarizados Coeficientes tipificados B Error típ. Beta t Sig. -,235,189-1,243,220,796 3,025 3,288 Coeficientes a,115,267,152,247,270,781 6,902 11,320 21,599,000,000,000
30 Multicolinealidad El cálculo de los estimadores de los parámetros en regresión múltiple requiere resolver un sistema de k + 1 ecuaciones con k + 1 incógnitas. Cuando una de las X j es combinación lineal de las restantes variables regresoras, el sistema es indeterminado. Entonces diremos que las variables explicativas son colineales. En la práctica esto nunca pasa de manera exacta, aunque sí es posible que en un conjunto de datos algunas de las variables regresoras se puedan describir muy bien como función lineal de las restantes variables. Este problema, llamado multicolinealidad, hace que los estimadores de los parámetros ˆβ i tengan alta variabilidad (errores típicos muy grandes) y sean muy dependientes entre sí.
31 Multicolinealidad y x1 x Y X1 X2 X1 Y Y Correlaciones Y Correlación de Pearson 1 Sig. (bilateral) N 20 Correlación de Pearson,906 X1 X1,906, X2,902,000 20,987 X2 Sig. (bilateral),000,000 N X2 Correlación de Pearson,902,987 1 Sig. (bilateral),000,000 N
32 Multicolinealidad Resumen del modelo Modelo R R cuadrado R cuadrado corregida Error típ. de la estimación 1,907 a,823,803,84071 a. Variables predictoras: (Constante), X2, X1 ANOVA b Modelo 1 Regresión Residual Total Suma de cuadrados 56,049 12,015 68,065 gl Media cuadrática 28,025,707 F 39,651 Sig.,000 a a. Variables predictoras: (Constante), X2, X1 b. Variable dependiente: Y Modelo 1 (Constante) X1 X2 a. Variable dependiente: Y Coeficientes no estandarizados Coeficientes tipificados B Error típ. Beta t Sig. -,041,202 -,205,840 1,360,648 Coeficientes a 1,426 1,319,601,309,954,491,354,630
Estructura 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. 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 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 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 detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más 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 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 detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
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 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 detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
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 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 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 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 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 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 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 detallesTema 4. Modelo de regresión múltiple. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 1
Tema 4. Modelo de regresión múltiple Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 1 Objetivos del tema Construir un modelo que represente la dependencia lineal de
Más detallesEXTENSIONES DEL MODELO DE REGRESIÓN
EXTENSIONES DEL MODELO DE REGRESIÓN 1. Regresión exponencial 2. Regresión polinómica 3. Regresión con variables cualitativas M. Carmen Carollo, Beatriz Pateiro Página 1 1. Regresión exponencial Al tratar
Más detallesTEMA 4 FASE ESTADÍSTICO-ANALÍTICA: RECURSOS PARA EL ANÁLISIS DE DATOS
TEMA 4 FASE ESTADÍSTICO-ANALÍTICA: RECURSOS PARA EL ANÁLISIS DE DATOS FASES EN EL ANÁLISIS DE LOS DATOS DE UNA INVESTIGACIÓN SELECCIÓN HIPÓTESIS DE INVESTIGACIÓN Modelo de Análisis Técnica de Análisis
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesEstadística; 3º CC. AA. Examen final, 23 de enero de 2009
Estadística; 3º CC. AA. Examen final, 3 de enero de 9 Apellidos Nombre: Grupo: DNI. (5 ptos.) En un estudio sobre las variables que influyen en el peso al nacer se han obtenido utilizando SPSS los resultados
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 detallesSPSS Aplicación práctica: Base de datos del HATCO
Aplicación práctica: Base de datos del HATCO Datos: observaciones de variables obtenidos desde encuentas a clientes de un distribuidor industrial. Variables de interés en la aplicación: Percepciones de
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 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 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 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 detallesMÉTODOS ESTADÍSTICOS 4º Biológicas Septiembre 2009 PRIMER EJERCICIO
MÉTODOS ESTADÍSTICOS 4º Biológicas Septiembre 2009 PRIMER EJERCICIO Resultados obtenidos por los hombres ganadores de las medallas de oro en salto de longitud y salto de altura en las olimpiadas desde
Más detallesModelo Muestra Aleatoria
Las técnicas de regresión lineal múltiple parten de k+1 variables cuantitativas: La variable respuesta (y) Las variables explicativas (x 1,, x k ) Y tratan de explicar la y mediante una función lineal
Más detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
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 detallesTema 2: Regresión. Grado en Fisioterapia, 2010/11. Jesús Montanero Fernández. Cátedra de Bioestadística Universidad de Extremadura
Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 8 de noviembre de 2010 Índice 1 Regresión lineal simple 2 3 Índice 1 Regresión lineal simple 2 3 Índice 1 Regresión lineal
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 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 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 detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesy = b 0 + b 1 x 1 + + b k x k
Las técnicas de Regresión lineal multiple parten de k+1 variables cuantitativas: La variable respuesta (y) Las variables explicativas (x 1,, x k ) Y tratan de explicar la y mediante una función lineal
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesECONOMETRÍA 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 detallesEjemplo 7.1. Heterocedasticidad. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 7.1 Heterocedasticidad Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 7.1. Heterocedásticidad 1 / 22 Enunciado.
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. 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 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 detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
Más 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 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 detallesEl Modelo de Regresión Lineal General Estimación
Tema 5 El Modelo de Regresión Lineal General Estimación Pilar González y Susan Orbe Dpto Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Tema 5 MRLG: Estimación 1
Más detallesLucila Finkel Temario
Lucila Finkel Temario 1. Introducción: el análisis exploratorio de los datos. 2. Tablas de contingencia y asociación entre variables. 3. Correlación bivariada. 4. Contrastes sobre medias. 5. Regresión
Más 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 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 detallesTema 6. Multicolinealidad. Contenido Multicolinealidad perfecta Multicolinealidad de grado alto
Tema 6 Multicolinealidad Contenido 6.1. Multicolinealidad perfecta...................... 108 6.. Multicolinealidad de grado alto................... 110 108 Tema 6. Multicolinealidad A la hora de estimar
Más detallesRegresión con variables independientes cualitativas
Regresión con variables independientes cualitativas.- Introducción...2 2.- Regresión con variable cualitativa dicotómica...2 3.- Regresión con variable cualitativa de varias categorías...6 2.- Introducción.
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 13 - Septiembre - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
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 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. 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 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 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 detallesDefinición de Correlación
Definición de Correlación En ocasiones nos puede interesar estudiar si existe o no algún tipo de relación entre dos variables aleatorias: Estudiar cómo influye la estatura del padre sobre la estatura del
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 detallesAnálisis de la varianza. Magdalena Cladera Munar Departamento de Economía Aplicada Universitat de les Illes Balears
Análisis de la varianza Magdalena Cladera Munar mcladera@uib.es Departamento de Economía Aplicada Universitat de les Illes Balears CONTENIDOS Análisis de la varianza de un factor. Análisis de la varianza
Más detallesCurs de Modelització Estadística Bàsica amb Deducer. Anabel Blasco Ana Vázquez Anna Espinal Llorenç Badiella Oliver Valero
Curs de Modelització Estadística Bàsica amb Deducer Anabel Blasco Ana Vázquez Anna Espinal Llorenç Badiella Oliver Valero 1. Model de Regressió Lineal 2. Model ANOVA 3. Model Lineal General 4. Model de
Más 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 detallesEl modelo Lineal General
El Lineal General Román Salmerón Gómez Universidad de Granada RSG El lineal uniecuacional múltiple 1 / 68 Estimación del Validación del Explotación del Estimación del Validación del Explotación del RSG
Más detallesPrueba t para muestras independientes
Prueba t para muestras independientes El procedimiento Prueba t para muestras independientes compara las medias de dos grupos de casos. Para esta prueba, idealmente los sujetos deben asignarse aleatoriamente
Más detallesModelo de Regresión Lineal Múltiple
Tema 3 Modelo de Regresión Lineal Múltiple Contenido 3.1. Introducción. Un ejemplo...................... 52 3.2. Estimación de Mínimos Cuadrados Ordinarios utilizando Gretl. 54 3.3. Análisis de los resultados
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 detallesMétodos Estadísticos por Ordenador Curso
Métodos Estadísticos por Ordenador Curso 013-014 Tema : Métodos de Regresión Estadística.1 Regresión simple El objetivo del Análisis de regresión es determinar una función matemática sencilla que describa
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 detallesTema VII. La predicción de variables
7.1. La ecuación lineal de regresión: - Variable dependiente e independiente (fijas ó aleatorias):. Fijas (modelo I de regresión). Aleatorias (modelo II; más complejo) - Objetivo predictivo (básico en
Más detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesIntroducción al modelo de regresión logística
Introducción al modelo de regresión logística JOSÉ R BERRENDERO DEPARTAMENTO DE MATEMÁTICAS UNIVERSIDAD AUTÓNOMA DE MADRID INTRODUCCIÓN Y MOTIVACIÓN El modelo de regresión logística se utiliza para investigar
Más detallesEstadística Inferencial. Sesión No. 9 Regresión y correlación lineal
Estadística Inferencial Sesión No. 9 Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión se estudia
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 detallesUna vez realizados estos procesos conviene verificar que han aparecido las dos nuevas variables (columnas) en el archivo de datos.
ECONOMETRÍA 09 PRACTICA 1: REPASO DE SPSS 1. Cuántas variables hay en el fichero? Y cuántas observaciones? Qué representa cada observación? Distingue entre variables cualitativas y cuantitativas. El fichero
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
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 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 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 detallesIndica qué variables están correlacionadas y el signo de la correlación.
ACTIVIDAD DE CORRELACIÓ 1) Obtén la matriz correlaciones para las variables: - Costes totales (población total) en euros. - Calidad la farmacéutica. % fármacos con U.T.B. (sobre el total fármacos prescritos).
Más detallesCapítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R
Capítulo 6 Multicolinealidad Luis Quintana Romero Objetivo Identificar la multicolinealidad en un modelo econométrico, así como las pruebas de detección de la multicolinealidad y correcciones. Introducción
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesEstadística Básica. Mayo Regresión lineal. Francisco Montes Departament d Estadística i I. O. Universitat de València
Estadística Básica. Mayo 2004 1 Regresión lineal Francisco Montes Departament d Estadística i I. O. Universitat de València http://www.uv.es/~montes Recta de regresión Estadística Básica. Mayo 2004 2 Estadística
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 detallesPrácticas Tema 5. Ampliaciones del Modelo lineal básico
Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de
Más detallesEstimación del modelo lineal con dos variables
Estimación del modelo lineal con dos variables el método de mínimos cuadrados ordinarios (MCO) Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Estimación del modelo lineal por MCO 1
Más detalles14 horas. 20 horas
EJERCICIOS PROPUESTOS ANALISIS DE VARIANZA. Se realiza un ANOVA para comparar el tiempo que demora en aliviar el dolor de cabeza de varios tipos de analgésicos. Se obtiene como resultado un test observado
Más detallesTécnicas de regresión: Regresión Lineal Simple
Investigación: 1/7 Técnicas de regresión: Regresión Lineal Simple Pértega Díaz S., Pita Fernández S. Unidad de Epidemiología Clínica y Bioestadística. Complexo Hospitalario Juan Canalejo. A Coruña. Cad
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 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 detallesCUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
Más detalles1 El Análisis de Varianza
1 El Análisis de Varianza Objetivo: Explicar (controlar las variaciones de una v.a. Y continua (numérica, mediante factores (variables cualitativas que definen categorías que controlamos (no aleatorios.
Más detallesRegresión. Notas. Página 1 13-DEC :24:11. Salida creada Comentarios
REGRESSION /DESCRIPTIVES MEAN STDDEV CORR SIG N /MISSING LISTWISE /STATISTICS COEFF OUTS CI(95) R ANOVA COLLIN TOL CHANGE /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT P504 /METHOD=ENTER P505 P506
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 detallesEjemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 6.2 Inferencia en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia
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 detalles