III CONGRESO NACIONAL DE ATENCIÓN SANITARIA AL PACIENTE CRÓNICO - 19 Y 20 DE MAYO
|
|
|
- Irene Valenzuela Villanueva
- hace 7 años
- Vistas:
Transcripción
1 MODELOS DE PREDICCIÓN Y EXPLICACIÓN DEL CONSUMO DE RECURSOS EN ATENCIÓN PRIMARIA, APLICABLES AL AUMENTO DE LA CRONICIDAD Antonio Brugos Larumbe, Francisco Guillén Grima, Concepción Fernández Martínez de Alegría. Inés Aguinaga Ontoso. Planteamiento Se hacen necesarios modelos explicativos y predictivos del consumo de recursos para establecer medidas de una planificación Objetivos: Establecer modelos explicativos y predictivos para atención primaria de la carga asistencial de medicina y enfermería, del número de patologías crónicas y del gasto de farmacia en cada edad. Analizar la asociación entre la cronicidad y el consumo de recursos Material y métodos Analizamos los datos informatizados de 7 centros de salud que atienden a una población de pacientes >=18 años mujeres (50,9 %) hombres (49,1 %) Variables recogidas: edad, género, gasto farmacia en 2008, consultas medicina y enfermería en 2008, Patologías crónicas: Enfermedad vascular establecida, Hipertensión, EPOC, Asma, Artrosis, Diabetes tipo 2 y Obesidad Mediante regresión múltiple, establecemos modelos de para explicar y predecir el gasto de farmacia y las consultas de medicina y enfermería realizadas en el año Comprobamos la validez del modelo y calculamos el coeficiente de determinación R 2 Elaboramos los modelos forzando la entrada de las variables Dos tipos de modelos de regresión: Modelos para estimar los consumos de recursos por paciente: Modelos de regresión lineal múltiple: Variables dependientes: consultas y gasto de farmacia por paciente Variables independientes: edad, género y patologías crónicas (variables Dummy con valores 0 y 1) Comprobamos la validez de los modelos y señalamos los coeficientes de determinación. Modelos para estimar los consumos medios en cada edad de los pacientes: Modelos de regresión lineal, cuadráticos y cúbicos: Variable independiente: edad Variables dependientes: número medio de consultas y gasto medio de farmacia en cada edad. Comprobamos la validez de los modelos y señalamos los coeficientes de determinación. Igualmente establecemos modelos similares para explicar el número medio de patologías crónicas en cada edad (diabetes 1 y 2, EPOC, Asma, Hipretensión, enfermedad vascular, dislipemia, obesidad y artrosis): Resultados
2 En la tabla 1 mostramos la población por centro de salud y los indicadores demográficos y de cronicidad Tabla 1 Población por centro de salud, indicadores demográficos y cronicidad % % Crónicos Edad % 65 años (IC (IC 95 %) Centro N hombres Media DS 95 %) Centro ,1 46,9 19,2 19,5 (18,8-20,2) 36,3 (35,4-37,1) Centro ,8 45,4 17,9 17,0 (16,4-17,6) 36,7 (35,9-37,4) Centro ,3 45,1 18,0 16,3 (15,1-17,2) 35,2 (33,7-36,8) Centro ,2 48,1 19,4 20,5 (19,9-21,1) 39,3 (38,6-40,0) Centro ,9 43,2 16,9 13,0 (12,4-13,6) 34,3 (33,5-35,1) Centro ,9 48,5 19,7 22,7 (21,9-23,5) 42,1 (41,2-43,0) Centro ,0 44,7 17,6 13,3 (12,6-14,0) 38,5 (37,6-39,4) ,1 46,1 18,5 17,7 (17,4-17,9) 37,6 (37,3-37,9) Modelos de regresión para la predicción individual de consumo de recursos a partir de edad y género Variables Dependientes o resultado: Gasto Farmacia, Consultas totales, Consultas médico y Consultas enfermera Variables independientes o predictoras: Edad y género Tabla 4 Modelos de regresión para la predicción individual de consumo de recursos El 15,4 % de la variabilidad por paciente en el gasto de farmacia se puede explicar a partir de la edad y género. El 16,9 % en las consultas totales, el 7,3 % en las consultas médicas y el 13,4 % en las consultas de enfermería. Modelos de regresión para la predicción individual de consumo de recursos a partir de edad, género y patologías crónicas Variable Variables R 2 R 2 Durbin- Modelo Dependiente Independientes R ajustado Watson Significación 1 Gasto Farmacia Edad y género 0,393 0,154 0,154 1,983 <0,001 2 Consultas totales Edad y género 0,411 0,169 0,169 1,936 <0,001 3 Consultas médico Edad y género 0,271 0,073 0,073 1,897 <0,001 4 Consultas enfermera Edad y género 0,367 0,134 0,134 1,963 <0,001 Modelos de regresión para la predicción individual de consumo de recursos a partir de edad género y patologías crónicas Variable Variables R 2 R 2 Durbin- Durbin- Model Dependiente Independientes R ajustado Watson Watson Gasto Edad, género y 1 Farmacia patologías crónicas 0,520 0,270 0,270 1,988 1,988 Consultas 2 totales Edad, género y patologías crónicas 0,529 0,280 0,280 1,946 1,946 Consutas 3 médico Edad, género y patologías crónicas 0,407 0,165 0,165 1,904 1,904
3 4 Consutas enfermera Edad, género y patologías crónicas 0,465 0,216 0,216 1,972 1,972 El 27,0 % de la variabilidad por paciente en el gasto de farmacia se puede explicar a partir de la edad, género y patologías crónicas. El 28,0 % en las consultas totales, el 16,5 % en las consultas médicas y el 21,6 % en las consultas de enfermería. Modelos de consumos medios por edad Variable dependiente o resultado: Gasto de farmacia Variable Independiente o predictora: Edad Tabla 5 Modelos de regresión lineal, cuadrático y cubico para el gasto medio de farmacia R 2 R 2 Durbin- Model R ajustado Watson Significación Lineal 0,934 0,873 0,871 0,234 <0,001 Cuadrático 0,971 0,942 0,941 0,526 <0,001 Cúbico 0,981 0,962 0,960 0,758 <0,001 En la figura se muestra como el gasto medio es bajo desde los 15 años hasta los 40 años, posteriormente sube de modo líneas hasta los 80 años, para bajar hasta los 90 y más años.
4 Modelo cuadrático Modelo cúbico Modelos para la carga asistencial: consultas totales, consultas médico y consultas enfermería MODELO 1: CONSULTAS TOTALES Variable dependiente o resultado: consultas totales (médicos y enfermeras) Variable independiente o predictora: edad
5 Model Summary and Parameter Estimates Dependent Variable:Media Consultas Totales Model Summary Parameter Estimates F df1 df2 Sig. Constant b1 b2 b3 Equation R 2 Lineal 0, , ,000-3,372 0,238 Cuadrático 0, , ,000 5,798-0,185 0,004 Cúbico 0, , ,000 9,366-0,451 0,01-3,60E-05 The independent variable is Años de edad. El 88,0 % de la variabilidad en las consultas medias totales se explica por la edad en un modelo lineal, el 97,7 % en un modelo cuadrático y el 98,0 % en un modelo cúbico. MODELO 2: CONSULTAS MEDICINA Variable dependiente o resultado: consultas medicina Variable independiente o predictora: edad Model Summary and Parameter Estimates Model Summary Parameter Estimates Equation R Square F df1 df2 Sig. Constant b1 b2 b3 Lineal 0, ,6 1,0 74,0 0,000 0,415 0,081 Cuadrático 0, ,6 2,0 73,0 0,000 1,865 0,014 0,001 Cúbico 0, ,9 3,0 72,0 0,000 3,923-0,14 0,004-0, The independent variable is Años de edad. El 93,70 % de la variabilidad en el número medio de consultas medias se explica por la edad en un modelo
6 lineal, el 96,0 % en un modelo cuadrático y el 96,9 % en un modelo cúbico. MODELO 3: CONSULTAS ENFERMERÍA Variable dependiente o resultado: consultas medicina Variable independiente o predictora: edad Model Summary and Parameter Estimates Dependent Variable:Número medio de consultas enfermería Model Summary Parameter Estimates Equation R Square F df1 df2 Sig. Constant b1 b2 b3 Linear 0, ,9 1,0 74,0 0,000-3,684 0,139 Quadratic 0, ,5 2,0 73,0 0,000 3,371-0,187 0,003 Cubic 0, ,4 3,0 72,0 0,000 3,679-0,210 0,004-0, The independent variable is Años de edad. El 81,9 % de la variabilidad en el número medio de consultas de enfermería se explica por la edad en un modelo lineal, el 97,6 % en un modelo cuadrático y el 97,6 % en un modelo cúbico. En la figura se muestra la distribución del número medio de consultas para medicina y enfermería. Se observa una menor carga asistencia en enfermería hasta los 70 años aproximadamente y a partir de esa edad se detecta una mayor carga de trabajo en enfermería.
7 Número medio de consultas médicas y enfermería por edad Podemos observar una menor carga asistencial en enfermería hasta los 70 años, sien do superior a partir de esa edad. MODELO 4: ESTIMACIÓN NÚMERO DE PATOLOGÍAS CRÓNICAS El número medio de patologías crónicas por edad tiene una distribución similar al gasto de medio de farmacia.
8 Modelos de regresión gasto de patologías crónicas III CONGRESO NACIONAL DE ATENCIÓN SANITARIA Model Summary and Parameter Estimates Dependent Variable:Número medio patologías crónicas Model Summary Parameter Estimates Equation R Square F df1 df2 Sig. Constant b1 b2 b3 Linear 0, ,916 1,000 74,000 0,000-0,987 0,039 Quadratic 0, ,821 2,000 73,000 0,000-0,022-0,006 0,000 Cubic 0, ,485 3,000 72,000 0,000 1,906-0,150 0,003 0,000 Observamos que la nube de puntos es similar a la del gasto medio de farmacia por edad. Se puede modelizar mediante un modelo de regresión cúbico explicando el 98,7 % de la variabilidad en la patología crónica. La correlación entre el gasto medio de farmacia y el número medio de patologías crónicas por edad es del 0,983 (p<0,001). Correlación gasto medio de farmacia por dad y número medio de patologías crónicas por edad Correlations GFAR Número medio patologías crónicas Gasto medio de farmacia Número medio patologías crónicas Pearson Correlation 1,983** Sig. (2-tailed) 0,000 N Pearson Correlation,983** 1,000 Sig. (2-tailed) 0,000 N **. Correlation is significant at the 0.01 level (2-tailed). Discusión y conclusiones Los modelos explicativos del gasto de farmacia y carga asistencial a partir de la edad y género tienen un poder explicativo muy limitado pero son significativos. Si introducimos las patologías criónicas su capacidad explicativa mejora significativamente y se acercan a modelos de case mix utilizados como los Ambulatoy Care Group. Si en lugar de intentar explicar la variabilidad de consumos de recursos individuales, intentamos explicar la variabilidad en el consumo de recursos medios para cada edad, los modelos son muy potentes, llegando a ser casi deterministas. Hemos podido establecer modelo muy potentes para explicar y predecir el consumo de recursos en atención primaria. También encontramos una significativa correlación entre edad y cronicidad que puede permitir estandarizaciones útiles para la planificación. Los modelos son de enorme sencillez cumpliendo el requisito de parsimonia. Por el principio de parsimonia deberíamos ir a escoger los modelos lineales. Estos modelos pueden ser de gran aplicabilidad para establecer ajustes presupuestarios de base capitativa para el gasto de farmacia de modo estandarizado.
9 La variable edad está fuertemente asociada a la cronicidad y carga asistencial por lo que puede ser utilizada para predecir ambas variables. Podemos afirmar que las diferencias en el gasto de farmacia o carga asistencial no debidas a la edad y relacionadas con otras características del paciente o del médico u otras, son probablemente amplias ante un paciente concreto, pero se difuminan cuando analizamos el gasto medio en cada edad, y por tanto no influyen de modo relevante en el gasto total.
7. 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
ANÁLISIS 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
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
Correlación. 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
Un 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
PRÁCTICA 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
ANALISIS 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
ESTADÍSTICA 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
Estadística 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
ESTADÍSTICA. 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
ASOCIACIÓN 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)
peso 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
SPSS 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
Tema 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
Regresión 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
INTRODUCCIÓN A REGRESIÓN LINEAL. Simple y Múltiple
1 INTRODUCCIÓN A REGRESIÓN LINEAL Simple y Múltiple 2 Introducción Aprendizaje Supervisado Predicción: estimar una función f(x) de forma que y = f(x) Donde Y puede ser: Número real: Regresión Categorías:
Definición 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
TEMA 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.
Modelos Lineales. Regresión Lineal Múltiple. Práctica 5
Práctica 5 Vamos a analizar con STATGRAPHICS el problema de estimación, descomposición de la variabilidad, contraste de regresión, intervalos de confianza para los parámetros, y predicciones, sobre un
MÉTODOS 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
Técnicas 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
Los datos siguientes contienen indicadores demográficos y criminales sobre 47
Los datos siguientes contienen indicadores demográficos y criminales sobre 47 estados de EEUU. Los datos fueron recogidos por la Uniform Crime Report del FBI y otras agencies del gobierno para determinar
EXTENSIONES 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
REGRESIÓN 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
Regresión 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
CORRELACION Y REGRESION
CORRELACION Y REGRESION En el siguiente apartado se presenta como calcular diferentes índices de correlación, así como la forma de modelar relaciones lineales mediante los procedimientos de regresión simple
Análisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática
Análisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento
Profesor: 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
Tema 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
Indica 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).
LAMPIRAN-LAMPIRAN LAMPIRAN- LAMPIRAN
LAMPIRAN-LAMPIRAN LAMPIRAN- LAMPIRAN Data penelitian Lampiran 1 Data Penelitian n t+1 t0 BANK BULAN BULAN Y X1 X2 X3 SYARIAH t+1 t0 (ROA) (BOPO) (CAR) (QR) 1 Jun-11 0,20 101,38 21,72 76,83 Mar-11 2 Sep-11
ERRORES DE CONCILIACIÓN EN EL INGRESO HOSPITALARIO:
ERRORES DE CONCILIACIÓN EN EL INGRESO HOSPITALARIO: UTILIZACIÓN DE LA HISTORIA CLÍNICA ELECTRÓNICA COMO HERRAMIENTA DE VALIDACIÓN DEL TRATAMIENTO Beatriz López Centeno Ana María Martín de Rosales Montserrat
UNIVERSIDAD AUTÓNOMA DE QUERÉTARO FACULTAD DE MEDICINA
UNIVERSIDAD AUTÓNOMA DE QUERÉTARO FACULTAD DE MEDICINA Módulo II Bioestadística Maestría en Investigación Médica PROGRAMA ACADÉMICO 2012-1 MVZ, MSc, PhD. CARLOS FRANCISCO SOSA FERREYRA 1. ASIGNATURA: MÓDULO
Universidad 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.
ANALISIS DE LA ESTATURA
ANALISIS DE LA ESTATURA OBJETIVO El objetivo de este trabajo es realizar un estudio de la de distintos individuos. DATOS Se realizan los distintos análisis de regresión simple, así como el análisis de
Capítulo 4. Análisis de Regresión Múltiple. 1. Introducción. Capítulo 4
Capítulo 4 1. Introducción El Análisis de Regresión Lineal Múltiple nos permite establecer la relación que se produce entre una variable dependiente Y y un conjunto de variables independientes (X1, X2,...
LAS RAZONES DEL PROYECTO ESTÁNDARES DE CALIDAD.
RECALMIN Aporta datos relevantes en relación con la estructura, organización y funcionamiento de las unidades de medicina interna Muestra una notable variabilidad en todos los indicadores de estructura
Tema 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
Regresión 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.
Tema 3. Relación entre dos variables cuantitativas
Tema 3. Relación entre dos variables cuantitativas Resumen del tema 3.1. Diagrama de dispersión Cuando sobre cada individuo de una población se observan simultáneamente dos características cuantitativas
3. RELACION ENTRE DOS CONJUNTOS DE DATOS.
3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. 1 Introducción En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre variables. Para lo cual existen
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ECONOMÍA SISTEMA UNIVERSIDAD ABIERTA PROGRAMA DE INTRODUCCIÓN A LA ECONOMETRÍA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE ECONOMÍA SISTEMA UNIVERSIDAD ABIERTA PROGRAMA DE INTRODUCCIÓN A LA ECONOMETRÍA Área: Métodos Cuantitativos QUINTO SEMESTRE Carácter: Obligatorio HORA/SEMANA/SEMESTRE
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
Estadística; 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
CALIFICACION: - P C: precio medio de los productos sustitutivos existentes en el mercado en euros.
6 + 10 + 3 = 19 CALIFICACION: Ventasgdt Una empresa que produce una marca de detergente líquido desea contar con un modelo para planificar su producción, estimar las necesidades de materias primas y de
TODO 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
Econometría de Económicas Ejercicios para el tema 2 y 3
Econometría de Económicas Ejercicios para el tema 2 y 3 Curso 2005-2006 Profesores Amparo Sancho Perez Guadalupe Serrano Pedro Perez 1 1- Los datos que se adjuntan hacen referencia a los datos de producción
Ejercicio 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
Doc. Juan Morales Romero
Análisis de Correlación y Regresión Lineal ANALISIS DE CORRELACION Conjunto de técnicas estadísticas empleadas para medir la intensidad de la asociación entre dos variables DIAGRAMA DE DISPERSION Gráfica
PRINCIPALES FACTORES QUE INTERVIENEN EN LA FORMACIÓN BRUTA DEL CAPITAL FIJO DEL ECUADOR
PRINCIPALES FACTORES QUE INTERVIENEN EN LA FORMACIÓN BRUTA DEL CAPITAL FIJO DEL ECUADOR Petróleo Banano Recaudación Tributaria Introducción En nuestro país la formación bruta de capital fijo está dada
Estimación PLS de modelos SEM, UMA. Modelos de Ecuaciones Estructurales con PLS (Partial Least Squares)
Estimación PLS de modelos SEM, 2015. UMA. Modelos de Ecuaciones Estructurales con PLS (Partial Least Squares) 5 de febrero de 2015 José Mondéjar Jiménez Área de Estadística Económica y Empresarial Universidad
Módulo de Estadística
Módulo de Estadística Tema 3: Estadística descriptiva bivariante y regresión lineal. Tema 3: Estadística bivariante 1 Relaciones entre variables y regresión El término regresión fue introducido por Galton
MODELO DE REGRESIÓN LINEAL Y MÚLTIPLE ESTADÍSTICA APLICADA AL MEDIO AMBIENTE Grado en Ciencias Ambientales
MODELO DE REGRESIÓN LINEAL Y MÚLTIPLE ESTADÍSTICA APLICADA AL MEDIO AMBIENTE Grado en Ciencias Ambientales 3.1. En algunas reservas naturales se controla el número Y de ejemplares de cierta especie al
Método 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,
TEMA V ANÁLISIS DE REGRESIÓN LOGÍSTICA
TEMA V ANÁLISIS DE REGRESIÓN LOGÍSTICA LECTURA OBLIGATORIA Regresión Logística. En Rial, A. y Varela, J. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas
PARTE IV: RESULTADOS CAPÍTULO 13:
PARTE IV: RESULTADOS CAPÍTULO 13: CONTRASTACIÓN DE HIPÓTESIS Y DISCUSIÓN DE RESULTADOS 251 13. Contrastación de hipótesis y discusión de resultados La contrastación de las hipótesis se ha llevado a cabo
BIOESTADÍSTICA APLICADA EN CIENCIAS DE LA SALUD (I EDICIÓN)
BIOESTADÍSTICA APLICADA EN CIENCIAS DE LA SALUD (I EDICIÓN) Datos básicos del Curso Curso Académico 2012-2013 Nombre del Curso Bioestadística Aplicada en Ciencias de la Salud (I Edición) Tipo de Curso
PERFIL DE PCC/MACA EN UN CENTRO DE SALUD REBECA RAMIREZ MOLINERO EIR FYC ABS EIXAMPLE
PERFIL DE PCC/MACA EN UN CENTRO DE SALUD REBECA RAMIREZ MOLINERO EIR FYC ABS EIXAMPLE 2014-2016 INTRODUCCIÓN El Pla de Salut 2011-2015 Programa de Prevención y Atención a la Cronicidad (PPAC). INTRODUCCIÓN
15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:
15. Regresión lineal Este tema, prácticamente íntegro, está calacado de los excelentes apuntes y transparencias de Bioestadística del profesor F.J. Barón López de la Universidad de Málaga. Te recomiendo
Estratificación del riesgo en el paciente crónico. Desarrollo de un modelo predictivo de la utilización hospitalaria.
Estratificación del riesgo en el paciente crónico. Desarrollo de un modelo predictivo de la utilización hospitalaria. 1 de julio de 2010 Terrassa AULA FAP PACIENTE CRÓNICO: La pandemia del siglo XXI L.
Scientia Et Technica ISSN: Universidad Tecnológica de Pereira Colombia
Scientia Et Technica ISSN: 01221701 scientia@utp.edu.co Universidad Tecnológica de Pereira Colombia URRUTIA MOSQUERA, JORGE ANDRÉS; SALAZAR, HEVER DARÍO; CRUZ TREJOS, EDUARDO ARTURO EVALUACIÓN DE LA ROBUSTEZ
Curs 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
ANALISIS MULTIVARIANTE DE LA PRODUCCION EN UNA EMPRESA PAPELERA RESUMEN
ANALISIS MULTIVARIANTE DE LA PRODUCCION EN UNA EMPRESA PAPELERA Carmen Gullqui Valarezo 1, John Ramírez 2 1 Ingeniero en Estadística e Informática 2001 2 Director de Tesis, RESUMEN El presente trabajo
INSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5
INSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5 PROGRAMA ACADÉMICO: LICENCIATURA EN INGENIERIA INDUSTRIAL TIPO EDUCATIVO: INGENIERIA MODALIDAD: MIXTA SERIACIÓN: NINGUNA CLAVE DE LA ASIGNATURA: 126 CICLO: QUINTO
Aplicación de Correlación en la Investigación Correlation Application in Research
Aplicación de Correlación en la Investigación Correlation Application in Research Guillen, A., M.H. Badii & M.S. Acuña Zepeda UANL, San Nicolás, N.L., México, aguillen77@yahoo.com Abstract: Se describe
7. 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
Validez predictiva del Promedio de Admisión de la Universidad de Costa Rica y sus componentes
Validez predictiva del Promedio de Admisión de la Universidad de Costa Rica y sus componentes Karol Jiménez-Alfaro Programa Permanente de la Prueba de Aptitud Académica Instituto de Investigaciones Psicológicas,
Tema 2: Análisis de datos bivariantes
Tema 2: Análisis de datos bivariantes Los contenidos a desarrollar en este tema son los siguientes: 1. Tablas de doble entrada. 2. Diagramas de dispersión. 3. Covarianza y Correlación. 4. Regresión lineal.
Estadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
CASO 5-3 MILAN FOOD COOPERATIVE (B)
CASO 5-3 MILAN FOOD COOPERATIVE (B) INTRODUCCIÓN Éste es una continuación del caso Milan Food Cooperative (A), de la parte 4 del texto. Aquí se presentan los resultados del análisis de correlación y regresión
T2. 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
Julio Deride Silva. 4 de junio de 2010
Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal
BIOESTADÍSTICA APLICADA EN CIENCIAS DE LA SALUD (V EDICIÓN)
BIOESTADÍSTICA APLICADA EN CIENCIAS DE LA SALUD (V EDICIÓN) Datos básicos del Curso Curso Académico 2016-2017 Nombre del Curso Bioestadística Aplicada en Ciencias de la Salud (V Edición) Tipo de Curso
Teoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Bioestadística. Tema 3: Estadística descriptiva bivariante y regresión lineal. Relaciones entre variables y regresión
Bioestadística Tema 3: Estadística descriptiva bivariante y regresión lineal. Tema 3: Estadística bivariante 1 Relaciones entre variables y regresión El término regresión fue introducido por Galton en
Tema 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.
CAPÍTULO IV. DESARROLLO DE LA INVESTIGACIÓN. presente capítulo. A continuación se procederá a escribir la metodología y a describir el
CAPÍTULO IV. DESARROLLO DE LA INVESTIGACIÓN La información recabada en los capítulos anteriores servirá de base para la realización del presente capítulo. A continuación se procederá a escribir la metodología
Plan de Atención al Paciente Crónico
Plan de Atención al Paciente Crónico 20-11-2.014 Situación de partida 1. Existe un número elevado de pacientes con enfermedades crónicas con un alto impacto en el consumo de recursos asistenciales. 2.
Regresión. 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
Estadística descriptiva bivariante y regresión lineal.
Estadística descriptiva bivariante y regresión lineal. 1 Relaciones entre variables y regresión El término regresión fue introducido por Galton en su libro Natural inheritance (1889) refiriéndose a la
MÉTODOS DE INVESTIGACIÓN EN EDUCACIÓN. Tema 9
Métodos de Investigación en Educación 1º Psicopedagogía Grupo Mañana Curso 2009-2010 2010 MÉTODOS DE INVESTIGACIÓN EN EDUCACIÓN Tema 9 La regresión lineal Tema 9: La regresión lineal Objetivos Conocer
Tema 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
La econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
Motivación. Motivación PRONOSTICOS DE DEMANDA
4 PRONOSTICOS DE DEMANDA Dr. Jorge Ibarra Salazar Profesor Asociado Departamento de Economía Tecnológico de Monterrey Motivación Estudio de los métodos para pronosticar las ventas a partir de datos observados.
Lección 3. Análisis conjunto de dos variables
Lección 3. Análisis conjunto de dos variables Estadística Descriptiva Parcialmente financiado a través del PIE13-04 (UMA) GARCÍA TEMA 3. ANÁLII CONJUNTO DE DO VARIABLE 3.1 COVARIANZA COEFICIENTE DE CORRELACIÓN
ATLAS DE RIESGO CARDIOVASCULAR EN ASTURIAS, 2014
ATLAS DE RIESGO CARDIOVASCULAR EN ASTURIAS, 2014 Mario Margolles Martins Roberto Sáiz Fernández Pedro Margolles García Eva García Fernández, Ignacio Donate Suárez OBJETIVOS Dentro de los objetivos de las
Coeficiente 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
CLASE 10: RESUMEN DEL CURSO
CLASE 10: RESUMEN DEL CURSO 10.1.-INTRODUCCIÓN Qué debemos valorar al enfrentarnos con el análisis de unos datos estadísticos? 1º TIPO DE ESTUDIO: - Datos Independientes - Datos Apareados 2º TIPO DE VARIABLES:
Es difícil y poco objetivo conocer el "peso seco" real de los pacientes que nos ayudaría en el manejo de volumen de esta población.
HEMODIALISIS DINAMICA DE LA VOLEMIA. Pilar Arroyo, Concepción Cuadrado, Maximiliana Gómez, Mª Isabel Gómez, Mª Del Carmen Iglesias, Mercedes López, Candelas Pérez. Hospital 12 de Octubre. Servicio de Nefrología.
1 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
CUESTIONES 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
UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA
UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA LICENCIATURA: ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS CURSO: CUARTO
Examen de Grado Sección de Econometría Agosto y se obtienen los siguientes resultados. Observe que parte de la información ha sido omitida.
Examen de Grado Sección de Econometría Agosto 2015 Pregunta 1. (40 puntos). Suponga que estamos interesados en determinar cuáles características del colegio y/o del hogar determinan el resultado de una
Figura 4.1. Fases en el método hipotético-deductivo
NIVEL EMPÍRICO NIVEL TEÓRICO OBSERVACIÓN ORGANIZACIÓN DE DATOS INDUCCIÓN DEDUCCIÓN VERIFICACIÓN DE HIPÓTESIS ELABORACIÓN DE LEYES Y TEORÍAS Figura 4.1. Fases en el método hipotético-deductivo Técnica Q
ESTUDIO DEL MERCADO AUTOMOTRIZ EN EEUU FERULLO SERGIO
ESTUDIO DEL MERCADO AUTOMOTRIZ EN EEUU FERULLO SERGIO INTRODUCCION A continuación se presenta un modelo sobre las ventas de autos de pasajeros en Estados Unidos. Se debe recordar que Estados Unidos posee
DIFERENCIAS DE GÉNERO EN LOS FACTORES DE RIESGO DE INCAPACIDAD TEMPORAL
1 2 DIFERENCIAS DE GÉNERO EN LOS FACTORES DE RIESGO DE INCAPACIDAD TEMPORAL Carlos Catalina Romero 1, Juan Carlos Sainz Gutiérrez 1, María Victoria Cortés Arcas 2, Julian Martín Barallat 2, Teresa Fernández
VARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Introducción IMADIL /17/2014. Tema 3. Características estadísticas fundamentales (Tercera parte)
IMADIL 0 /7/0 Tema. Características estadísticas fundamentales (Tercera parte) Ignacio Martín y José Luis Padilla IMADIL 0. Introducción. Representación Gráfica. Correlación. Índice Introducción Uno de