Modelos de regresión multinivel
|
|
- Gonzalo Toledo Juárez
- hace 6 años
- Vistas:
Transcripción
1 Modelos de regresión multinivel Víctor Abraira Unidad de Bioestadística Clínica Marzo 014 Objetivos Conocer los fundamentos y posibilidades de aplicación de los modelos de regresión multinivel en estudios de epidemiología clínica Aprender a aplicar, con Stata13, los modelos de regresión multinivel de variable dependiente continua y dicotómica e interpretar las salidas Revisar algunas publicaciones seleccionadas como modelos de presentación de resultados V. Abraira - Bioestadística Clínica 1
2 Programa 1ª sesión Introducción. en qué consisten los modelos dl multinivel? li i l? qué problemas resuelven? Efectos de grupo. Efectos composicionales y contextuales Modelo básico ( modelo vacío ) de componentes de la varianza Estimación con Stata. Modelo de dos niveles con variable dependiente continua y pendientes comunes entre grupos Planteamiento. Especificación de varios tipos de modelos Pull de datos Efectos fijos de grupo Efectos aleatorios en el término independiente Predicción de los efectos del grupo Ejercicios con Stata V. Abraira - Bioestadística Clínica 3 Programa ª sesión Modelo de dos niveles con variable dependiente continua y coeficientes aleatorios en las pendientes Especificación e interpretación Estrategia de especificación del modelo Ejercicios con Stata Discusión de casos (artículos publicados) 3ª sesión Modelo de regresión logística de dos niveles El Median odds ratio (MOR). Estimación con Stata Interpretación. Ejemplo AUDIPOC Generalizaciones: Tres y más niveles Clasificaciones mixtas. SMR con multinivel Ejercicios con Stata 4ª Sesión Ejercicios con Stata y Discusión de casos (artículos publicados) V. Abraira - Bioestadistica Clínica 4
3 Sinónimos Modelos lineales jerárquicos de estructuras t de la covarianza mixtos (Stata) para datos longitudinales o de panel de componentes de error de parámetros aleatorios es un caso particular de los modelos lineales generalizados V. Abraira - Bioestadística Clínica 5 Para qué? Estructura de datos jerárquica; muestreo multietápico tá i Los individuos pertenecen a grupos y los de un mismo grupo comparten características pacientes, médicos medidas repetidas de un mismo paciente Estimar los efectos de los diferentes niveles V. Abraira - Bioestadística Clínica 6 3
4 Qué problemas resuelven? Manejan la falta de independencia Estimación MCO ineficiente Significaciones espurias (ej. 10 pacientes, a cada uno le medimos mensualmente durante 1 meses) Evitan falacias por interpretar efectos a nivel equivocado Ecológica (interpretar datos agregados a nivel individual) Atomística (interpretar datos individuales a nivel agregado) Journal of Epidemiology and Community Health. 001; 55: V. Abraira - Bioestadística Clínica 7 Qué problemas resuelven? Estiman el efecto de las variables explicativas (efectos fijos) de ambos niveles, incluyendo interacciones entre niveles Estiman qué parte de la variabilidad no explicada (efectos aleatorios) es imputable a cada nivel Manejan eficientemente datos faltantes, sin imputación (diseños longitudinales) Chakraborty H, Gu H. A Mixed Model Approach for Intent to Treat Analysis in Longitudinal Clinical Trials with Missing Values. Research Triangle Park, NC: RTI Press publication No. MR ; 009. V. Abraira Bioestadística Clínica 8 4
5 Efectos del grupo Efectos composicionales: La composición de los grupos no es aleatoria, está en parte condicionada por factores asociados con el outcome (los grupos no son intercambiables) Efectos contextuales: El pertenecer a un grupo establece diferencias V. Abraira - Bioestadística Clínica 9 Efectos de grupo Información o ruido? A veces, el muestreo multietápico se hace por motivos de coste, o por factibilidad La correlación entre observaciones es ruido que dificulta el análisis Otras, se diseña para estudiar el fenómeno multinivel La correlación es información V. Abraira - Bioestadística Clínica 10 5
6 Modelo lineal Modelo multinivel de efectos aleatorios de grupo en la constante (intercept) Efectos fijos m ij Y x z u ij 0 1 ij j 0 j ij efecto aleatorio del grupo j N 0, en la constante 0 u 0 j 0 0 j 0 0 efecto aleatorio del individuo N 0, i del grupo j V. Abraira - Bioestadística Clínica 11 Modelo nulo Modelo multinivel de efectos aleatorios de grupo en la constante, sin variables explicativas Y u ij 0 0 j ij efecto aleatorio del grupo j N 0, 0 Anova de 1 vía efectos aleatorios efecto aleatorio del individuo N 0, i del grupo j V. Abraira - Bioestadística Clínica 1 6
7 Ejemplo 1 Rendimiento en matemáticas de niños ingleses (nivel 1), en distintos colegios (nivel ) Variable Obs Mean Std. Dev. Min Max school student cons minority female ses e cses e mathach size sector pracad disclim himinty alumno cole meanses e u0_m V. Abraira - Bioestadistica Clínica 13 Ejemplo 1: Hay efecto colegio? oneway mathach cole, tab Total Analysis of Variance Source SS df MS F Prob > F j 0 0 n j Between groups Within groups Total loneway mathach cole Intraclass Asy. correlation S.E. [95% Conf. Interval] Estimated SD of cole effect Estimated SD within cole Est. reliability of a cole mean (evaluated at n=44.89) 0 Componente añadida M SB MSW n j V. Abraira - Bioestadística Clínica 14 7
8 Modelo multinivel V. Abraira - Bioestadística Clínica 15 Modelo multinivel V. Abraira - Bioestadistica Clínica 16 8
9 Salida de multinivel vacio mixed mathach cole:, stddeviations Mixed-effects effects ML regression Number of obs = 7185 Group variable: cole Number of groups = 160 Obs per group: min = 14 avg = 44.9 max = 67 Y u ij 0 0 j ij Wald chi(0) =. Log likelihood = Prob > chi =. mathach Coef. Std. Err. z P> z [95% Conf. Interval] _cons Random-effects Parameters Estimate Std. Err. [95% Conf. Interval] cole: Identity sd(_cons) sd(residual) LR test vs. linear regression: chibar(01) = Prob >= chibar = Total Asy. S.E. [95% Conf. Interval] D of cole effect D within cole ility of a cole mean ated at n=44.89) V. Abraira - Bioestadística Clínica 17 Con términos fijos P.e. del niño: sexo y ses y del colegio: sector y tamaño mixed mathach female ses size sector cole: V. Abraira - Bioestadística Clínica 18 9
10 Con términos fijos Y x z u ij 0 1 ij j 0 j ij Mixed-effects ML regression Number of obs = 7185 Group variable: cole Number of groups = 160 Obs per group: min = 14 avg = 44.9 max = 67 Wald chi(4) = Log likelihood = Prob > chi = mathach Coef. Std. Err. z P> z [95% Conf. Interval] female ses size sector _cons Random-effects Parameters Estimate Std. Err. [95% Conf. Interval] cole: Identity 3, 7 var(_cons) ,7 36, var(residual) LR test vs. linear regression: chibar(01) = 9.6 Prob >= chibar = V. Abraira - Bioestadística Clínica 19 8, % Cálculo del CCI V. Abraira - Bioestadística Clínica 0 10
11 Cálculo del CCI. estat icc Residual intraclass correlation Level ICC Std. Err. [95% Conf. Interval] cole V. Abraira - Bioestadística Clínica 1 0,347 0,58 0,347 V. Abraira - Bioestadística Clínica 11
12 Práctica con Stata V. Abraira - Bioestadistica Clínica 3 Programa 1ª sesión Introducción. en qué consisten los modelos dl multinivel? li i l? qué problemas resuelven? Efectos de grupo. Efectos composicionales y contextuales Modelo básico ( modelo vacío ) de componentes de la varianza Estimación con Stata. Modelo de dos niveles con variable dependiente continua y pendientes comunes entre grupos Planteamiento. Especificación de varios tipos de modelos Pull de datos Efectos fijos de grupo Efectos aleatorios en el término independiente Predicción de los efectos del grupo Ejercicios con Stata. V. Abraira - Bioestadística Clínica 4 1
13 Repasemos el modelo Modelo pull de datos : Yij 0 1xij zj ij (asume idéntica estructura entre grupos) Modelo de efectos fijos en la constante Yij 0 j 1xij zj 1d1... k 1dk 1ij (con dummy para los grupos) Modelo multinivel Yij 0 1xij zj u0 j ij (asume grupos extraídos al azar de una población de grupos) V. Abraira - Bioestadistica Clínica 5 Pull, multinivel Source SS df MS Number of obs = 7185 F( 3, 7181) = Model Prob > F = Residual R-squared = R-squared = regress Adj Total Root MSE = mathach Coef. Std. Err. t P> t [95% Conf. Interval] female ses sector _cons mathach Coef. Std. Err. z P> z [95% Conf. Interval] female ses sector _cons mixed Random-effects Parameters Estimate Std. Err. [95% Conf. Interval] cole: Identity var(_cons) var(residual) LR test vs. linear regression: chibar(01) = Prob >= chibar = V. Abraira - Bioestadistica Clínica 6 13
14 Efectos fijos en la constante. regres mathach female ses sector i.cole note: 160.cole omitted because of collinearity Source SS df MS Number of obs = F(161, 703) = Model Prob > F = Residual R-squared = Adj R-squared = 0.5 Total Root MSE = mathach Coef. Std. Err. t P> t [95% Conf. Interval] female ses sector cole (omitted) _cons V. Abraira - Bioestadística Clínica 7 Multinivel, GEE mathach Coef. Std. Err. z P> z [95% Conf. Interval] female ses sector _cons Random-effects Parameters Estimate Std. Err. [95% Conf. Interval] cole: Identity var(_cons) var(residual) LR test vs. linear regression: chibar(01) = Prob >= chibar = GEE population-averaged model Number of obs = 7185 Group variable: cole Number of groups = 160 Link: identity Obs per group: min = 14 Family: Gaussian avg = 44.9 Correlation: exchangeable max = 67 Wald chi(3) = Scale parameter: Prob > chi = mixed xtgee mathach Coef. Std. Err. z P> z [95% Conf. Interval] female ses sector _cons V. Abraira - Bioestadistica Clínica 8 14
15 Multinivel, panel mathach Coef. Std. Err. z P> z [95% Conf. Interval] female ses sector _cons Random-effects Parameters Estimate Std. Err. [95% Conf. Interval] cole: Identity sd(_cons) sd(residual) LR test vs. linear regression: chibar(01) = Prob >= chibar = mathach Coef. Std. Err. z P> z [95% Conf. Interval] female ses sector _cons /sigma_u /sigma_e rho Likelihood-ratio test of sigma_u=0: chibar(01)= Prob>=chibar = mixed, stddev xtreg, mle V. Abraira - Bioestadística Clínica 9 Y Variables agregadas de grupo, p.e. ses medio de los niños del colegio Cuando en el modelo introducimos una variable a nivel individual y también el promedio del grupo, conviene centrar la individual, para que el coeficiente de la media del grupo sea el efecto de la media del grupo sobre el rendimiento medio de los individuos (coeficiente de regresión entre grupos) V. Abraira - Bioestadistica Clínica 30 15
16 También A veces, el tamaño del grupo es una variable explicativa Si hay missing, el % de missing. Si fuera significativo indicaría que los missing no son al azar V. Abraira - Bioestadistica Clínica 31 Ejemplo Mixed-effects ML regression Number of obs = 7185 Group variable: cole Number of groups = 160 Obs per group: min = 14 avg = 44.9 max = 67 Wald chi(5) = Log likelihood = Prob > chi = mathach Coef. Std. Err. z P> z [95% Conf. Interval] cses meanses female size sector _cons Random-effects Parameters Estimate Std. Err. [95% Conf. Interval] cole: Identity var(_cons) var(residual) LR test vs. linear regression: chibar(01) = Prob >= chibar = V. Abraira - Bioestadística Clínica 3 16
17 Estimación de efectos de grupos Una vez estimado el modelo, se pueden predecir los efectos de cada grupo: u 0j A partir del estimador empírico de Bayes, o de shrinkage, para la media del grupo que, en el modelo vacio, es la media de las medias del grupo y la total, ponderadas por la reliability de la media del grupo ( 1 l ) EB Y = ly + - Y uˆ 0 = Y -Y.. EB j j. j j.. j j V. Abraira - Bioestadística Clínica 33 V. Abraira - Bioestadística Clínica 34 17
18 Con Stata twoway (dropline res_bay cole) BLU P r.e. for cole: _cons cole V. Abraira - Bioestadística Clínica 35 O cole BLUP r.e. for cole: _cons ls_bay_res/li_bay_res twoway (scatter res_bas cole) (rbar ls_res_bay li_res bay cole) V. Abraira - Bioestadística Clínica 36 18
19 Práctica con Stata V. Abraira - Bioestadistica Clínica 37 Programa ª sesión Modelo de dos niveles con variable dependiente continua y coeficientes aleatorios en las pendientes Especificación e interpretación Estrategia de especificación del modelo Ejercicios con Stata Discusión de casos (artículos publicados) 3ª sesión Modelo de regresión logística de dos niveles El Median odds ratio (MOR). Estimación con Stata Interpretación. Ejemplo AUDIPOC Generalizaciones: Tres y más niveles Clasificaciones mixtas. SMR con multinivel Ejercicios con Stata 4ª Sesión Ejercicios con Stata y Discusión de casos (artículos publicados) V. Abraira - Bioestadistica Clínica 38 19
20 Efectos aleatorios en las pendientes Y x z u u x ij 0 1 ij j 0 j 1j ij ij u 0 j 0 0 j u 1j 1 1j Var( u ) 0 0 Var( u ) 1 1 Var( ) 01 Cov( u0, u1) ij ed values Fitte Estatus socioeconomico del alumno (media cero global) V. Abraira - Bioestadística Clínica 39 Efectos aleatorios en las pendientes Ahora la varianza de Y condicionada a x depende d de x, y por lo tanto, t varía entre individuos Por tanto, la correlación intragrupo depende de los valores de las x y es diferente entre individuos Como el modelo supone que los efectos del grupo, (u 0j +u 1j x j ) dependen de x, es conveniente centrar las X V. Abraira - Bioestadística Clínica 40 0
21 Ejemplo El efecto de la condición socioeconómica del niño influye sobre el rendimiento i escolar igual en todos los colegios? Incluyamos efecto aleatorio en la pendiente Y cses... u u cses ij j 1j ij ind: s = 0 exc: s 01 = s 0 1 ide: ambos mixed mathach cses cole: cses, covariance(unstructured) V. Abraira - Bioestadística Clínica 41 Salida Obs per group: min = 14 avg = 44.9 max = 67 Wald chi(5) = Log restricted-likelihood = Prob > chi = mathach Coef. Std. Err. z P> z [95% Conf. Interval] female cses meanses size sector _cons Random-effects Parameters Estimate Std. Err. [95% Conf. Interval] cole: Unstructured var(cses) var(_cons) cov(cses,_cons) var(residual) LR test vs. linear regression: chi(3) = Prob > chi = V. Abraira - Bioestadistica Clínica 4 1
22 Pregunta capciosa Cuál es el CCI del colegio? cole: Unstructured Hay uno para cada valor del cses var(cses) var(_cons) cov(cses,_cons) Bien, cuál es el CCI para cses=? var(residual) LR test vs. linear regression: chi(3) = Prob > chi = Eag u x u var( Eag) x x 0 j j 1j 0 j 1 j 01 var(" col " cses ),15 0, 65 0, 6 5, 79 5,79 5,79 36,51 13,7% V. Abraira - Bioestadística Clínica 43 Visualización: Ejemplo simulado presión arterial y diurético > diuretico = 0 Variable Obs Mean Std. Dev. Min Max pad > diuretico = 1 Variable Obs Mean Std. Dev. Min Max pad diuretico Y x i 0 1 i i Source SS df MS Number of obs = 500 F( 1, 498) = Prob > = Model F Residual R-squared = Adj R-squared = Root MSE = Total pad Coef. Std. Err. t [95% Conf. Interval] P> t diuretico _cons V. Abraira - Bioestadística Clínica 44
23 Hay distintos médicos diuretico Y x u ij 0 1 ij 0 j ij pad Coef. Std. Err. z P> z [95% Conf. Interval] diuretico _cons Random-effects Parameters Estimate Std. Err. [95% Conf. Interval] medico: Identity sd(_cons) sd(residual) LR test vs. linear regression: chibar(01) = Prob >= chibar = V. Abraira - Bioestadística Clínica 45 Efecto aleatorio en la pendiente Corr<0 Corr>0 0 1 diuretico Y x u u x ij 0 1 ij 0 j 1 j ij ij pad Coef. Std. Err. z P> z [95% Conf. Interval] diuretico _cons pad Coef. Std. Err. z P> z [95% Conf. Interval] diuretico _cons Random-effects Parameters Estimate Std. Err. [95% Conf. Interval] medico: Unstructured sd(diuret~o) sd(_cons) corr(diuret~o,_cons) sd(residual) linear regression: chi(3) = Prob > chi = LR test vs. Random-effects Parameters Estimate Std. Err. [95% Conf. Interval] medico: Unstructured sd(diuret~o) sd(_cons) corr(diuret~o,_cons) sd(residual) vs. linear regression: chi(3) = Prob > chi = LR test V. Abraira - Bioestadística Clínica 46 3
24 Efecto aleatorio en la pendiente Corr< Corr>0 0 1 diuretico 0 1 diuretico Corr No diuretico Sí pad Coef. Std. Err. z P> z [95% Conf. Interval] diuretico _cons Random-effects Parameters Estimate Std. Err. [95% Conf. Interval] medico: Unstructured sd(diuret~o) sd(_cons) corr(diuret~o,_cons) sd(residual) LR test vs. linear regression: chi(3) = 6.30 Prob > chi = V. Abraira - Bioestadística Clínica 47 V. Abraira - Bioestadística Clínica 48 4
25 Efectos aleatorios 49 Contrastes Cada coeficiente de la parte fija, con la t con g.l=n niv nvar niv 1. 1 Un subconjunto o todo el modelo, con test LR (en las salidas tenemos los LR test para las partes fija y aleatoria). Stata permite guardar parámetros de modelos (estimates store B) para luego hacer el test (lrtest A B). V. Abraira - Bioestadística Clínica 50 5
26 Métodos de estimación Asumiendo normalidad de todas las variables aleatorias u, u,..., 0j 1j ij Hay dos métodos de estimación: máxima verosimilitud (ML) y máxima verosimilitud restringida (REML). ML da estimadores sesgados porque no ajusta por los g.l. perdidos al estimar los coeficientes fijos. REML da estimaciones insesgadas pero no permite comparar modelos con distintas partes fijas con test basados en la deviance V. Abraira - Bioestadistica Clínica 51 Especificación de los modelos La especificacion del modelo es más compleja l dl i i l que en los modelos uninivel Hay que decidir las variables fijas y sus interacciones Qué variables tienen pendiente aleatoria La estructura de var cov No hay receta V. Abraira - Bioestadistica Clínica 5 6
27 Consejos Parsimonia Buscar apoyo en la teoría. No hacer demasiada minería de datos Pensar en qué efectos queremos contrastar (nuestra hipótesis) V. Abraira - Bioestadistica Clínica 53 Lecturas J Antimicrob Chemother 011; 66: qué se entiende del apartado de análisis? Estructura del data set y especificación del modelo cómo se estimó el efecto? Relación entre fig y tabla V. Abraira - Bioestadistica Clínica 54 7
28 Lectura J Epidemiol Community Health 001; 55: qué se entiende del apartado de análisis? cuántos modelos se estiman? especificación de los modelos qué se estima/compara? cómo? V. Abraira - Bioestadistica Clínica 55 Programa ª sesión Modelo de dos niveles con variable dependiente continua y coeficientes aleatorios en las pendientes Especificación e interpretación Estrategia de especificación del modelo Ejercicios con Stata Discusión de casos (artículos publicados) 3ª sesión Modelo de regresión logística de dos niveles El Median odds ratio (MOR). Estimación con Stata Interpretación. Ejemplo AUDIPOC Generalizaciones: Tres y más niveles Clasificaciones mixtas. SMR con multinivel Ejercicios con Stata 4ª Sesión Ejercicios con Stata y Discusión de casos (artículos publicados) V. Abraira - Bioestadistica Clínica 56 8
29 Modelo de regresión logística Generalizamos el modelo lineal, mediante la función logit como link. En lugar de: Yij 0 u0 j ij El modelo vacio: logit Pj 0 u0 j Ahora no hay varianza residual ( ij ) porque la varianza de la binomial i la fija la probabilidad (pq). V. Abraira - Bioestadistica Clínica 57 Ejemplo Prescripción de estatinas en Suecia: datos de 3345 personas en 74 centros de salud. Variable Obs Mean Std. Dev. Min Max + estatina idpaciente idcentrosa~d V. Abraira - Bioestadistica Clínica 58 9
30 Modelo nulo Integration method: mvaghermite Integration points = 7 Wald chi(0) =. Log likelihood = Prob > chi =. - estatina Coef. Std. Err. z P> z [95% Conf. Interval] _cons idcentrosalud var(_cons) LR test vs. logistic regression: chibar(01) = Prob>=chibar = melogit estatina idcentrosalud: V. Abraira - Bioestadística Clínica 59 Con más efectos fijos Integration method: mvaghermite Integration points = 7 Wald chi(5) = Log likelihood = Prob > chi = estatina Coef. Std. Err. z P> z [95% Conf. Interval] hombre pais Low-income economies Lower_middle_income_economies Higher_middle_income_economies privado _cons idcentrosalud var(_cons) LR test vs. logistic regression: chibar(01) = Prob>=chibar = V. Abraira - Bioestadistica Clínica 60 30
31 Métodos de estimación La estimación de los modelos lineales generalizados es más complicada que la de los modelos lineales jerárquicos. También son algoritmos iterativos. Generalmente, se basan en desarrollar series de Taylor de la función link. Existen varios: máxima verosimilitud (ML), quasi verosimilitud marginal (MQL), quasi verosimilitud penalizada o predictiva (PQL), Monte Carlo (MCMC), muestro de Gibs, Los métodos difieren en las estimaciones de la parte aleatoria, generalmente los resultados para la parte fija son muy similares. V. Abraira - Bioestadistica Clínica 61 Métodos de estimación El Stata usa ML, con distintos algoritmos de cuadratura adaptativade de Gauss Hermitecon 7 puntos de cuadratura. Son computacionalmente muy intensivos pero dan estimaciones menos sesgadas y se pueden hacer contrastes de razón de verosimilitud. Como la estimación puede tardar mucho, si pasara, se recomienda empezar con 1 punto (aproximación de Laplace) y pasar a 7 con el modelo final. El método de las versiones anteriores, con menos problemas de convergencia, sigue disponible como (QR decomposition) V. Abraira - Bioestadistica Clínica 6 31
32 El CCI en logística En principio, como no hay varianza residual, no hay CCI. Sin embargo, como la varianza de la distribución logística es /3, para un modelo logístico de efecto aleatorio en la constante, a veces se usa (se basa en asumir una variable latente que expresa la proclividad de éxito, cuyo residuo tiene una distribución logística) * * Yij 1siYij 0 Yij 0 1xij u0 j ij * Y 0siY 0 ij ij V. Abraira - Bioestadística Clínica 63 El MOR Otra forma alternativa de medir el efecto del grupo es el odds ratio mediano. La idea es comparar dos individuos idénticos que pertenecen a dos grupos distintos. En el modelo de intercept aleatorio, sólo varían sus u 0j El MOR se define como la mediana de la distribución de probabilidad de los u 0j, y se calcula 1 ( 3 o 4) MOR e s F F inversa de la normal F = 1 ( 3 ) = 0, Se puede interpretar como el aumento de riesgo (en mediana) que un individuo tendría si se le cambiara de un grupo a otro con mayor riesgo V. Abraira - Bioestadística Clínica 64 3
33 Ejemplo Para el modelo de las estatinas en que Var(cons)=0,50 0, 50 0,1365 0,50 3 Un 14% de la variabilidad en la prescripción es debida al Centro -1 s ( 3 o F 4) x0,50x0,6745 MOR = e = e = 1,989 La mediana de OR entre Centros es 1,99 Existe un comando de usuario xtmrho que calcula ambos (hasta la versión 1) Modificado por mi (xtmrhov13), después de opción QR V. Abraira - Bioestadistica Clínica 65 Práctica y lectura datos estatinas BMC Health Services Research 007, 7:68 Preguntas qué se entiende del apartado de análisis? cuántos modelos se estiman? especificación de los modelos Interpretar la tabla V. Abraira - Bioestadística Clínica 66 33
34 0 0 Problemas En el modelo lineal, siempre que se introducen efectos fijos, el efecto aleatorio del grupo disminuye. En el modelo logístico no siempre, puede, incluso, aumentar. Ocurre, sobre todo, si las variables introducidas se distribuyen desigualmente entre los grupos Ello introduce cierta dificultad en la interpretación del CCI y MOR. V. Abraira - Bioestadistica Clínica 67 Ejemplo AUDIPOC Muerte hospitalaria Reingreso pacientes, 19 hospitales Global: 5% Rango interhosp.: 0%, 35% 4919 pacientes Global: 37% Rango interhosp.: 0%, 6% V. Abraira - Bioestadistica Clínica 68 34
35 Analizando con modelo multinivel Modelo vacio Muerte hospitalaria Reingreso MOR = 1.80 MOR = 1.4 IC 95% (1.54 a.3) IC95% (1.15 a 1.38) ICC= ICC= Modelo con factores fijos MOR = 1.60 MOR = 1.4 IC95% (1.37 a.0) IC95% (1.15 a 1.39) V. Abraira - Bioestadistica Clínica 69 Generalizaciones Más de niveles (p.e. 3: paciente, médico, centro) Hay un CCI entre médicos del mismo centro y otro entre pacientes del mismo médico Y x z w u u ijk 0 1 ij jk 3 k 0 j 0 jk ijk u j N 0, u u N jk j 0, ; u, u N 0, 0 0 ; 0 0 ijk 0 j 0 jk 0 med pac j 0 1 ( 3 4) MOR e s - F = jk j 0 ( 1 ( 3 o ) 4) MOR e s s - + F = V. Abraira - Bioestadistica Clínica 70 35
36 Generalizaciones En Stata, hay que poner primero el nivel de mayor jerarquía.melogit lenghthstay age ib.padmission ib.smokstat country_x1: HospitalId: V. Abraira - Bioestadistica Clínica 71 Clasificaciones mixtas Ocurren cuando los niveles no se anidan. paciente, médico, centro, pero un médico puede trabajar en varios centros. Niño, colegio, barrio, si hay colegios con niños de distintos barrios Se crea un nivel con las combinaciones y se trabaja con un modelo de niveles. V. Abraira - Bioestadistica Clínica 7 36
37 SMR con multinivel Para comparar resultados binarios de centros se suele usar el SMR: cociente entre eventos observados y esperados (generalmente estimados por regresión logística uninivel) Crítica: los datos realmente tienen estructura jerárquica (multinivel) 73 SMR Byar (Poisson) STATA Código Altas OBS ESP Ratio Ratio ICI Ratio ICS CEGA Ratio [95% Conf. Interval] ,93 0,71 1, ,93 0,73 1, ,34 1,07 1, ,34 1,10 1, ,98 0,76 1, ,98 0,76 1, ,16 0,73 1, ,16 0,76 1, ,77 0,41 1, ,77 0,40 1, ,4 0,77 1, ,4 0,81 1, ,85 0,59 1, ,85 0,6 1, ,15 0,84 1, ,15 0,87 1, ,06 0,86 1, ,06 0,89 1, ,7 0,51 0, ,7 0,5 0, ,55 0,31 0, ,55 0,3 0, ,78 0,44 1,9 88 0,78 0,45 1, ,11 0,61 1, ,11 0,54 1, ,96 0,56 1, ,96 0,58 1, ,48 0,15 1, ,48 0,1 0, ,39 0,14 0, ,39 0,11 0, , ,5 17 1, ,61 0 0, 101 1, ,97 0,71 1, ,97 0,75 1, , 0,49, , 0,53 1, ,3 0,99 1, ,3 1,01 1, ,83 0,6 1, ,83 0,6 1, ,6 0,74 1, ,6 0,80 1,
38 SMR con multinivel Odds ratio de los pacientes de cada hospital respecto al promedio Compara el riesgo de cada hospital respecto al promedio 75 SMR con multinivel SMR3 se pueden interpretar como comparación del dli riesgo de cada hospital con el riesgo global de la población, para un paciente 1 "promedio 1exp j SMR3 SMR4compara elriesgo de cada hospital para sus pacientes con el riesgo para esos pacientes en un hospital "promedio". j 1exp
39 smrmulti Código size obser SMR1 SMR SMR3 SMR V. Abraira - Bioestadística Clínica 77 39
INTERPRETACIÓN 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 detallesMuestreo e inferencia
Images created with STATA software. 1 Muestreo e inferencia Calidad de los datos y las mediciones Razones para hablar de muestreo Formación académica de la población Comprender los datos que se van a utilizar
Más detallesInvestigación sobre pruebas diagnósticas II (repetibilidad)
Investigación sobre pruebas diagnósticas II (repetibilidad) V. Abraira Hospital Ramón y Cajal. IRYCIS CIBERESP Mayo 2011 http://www.hrc.es/investigacion/bioest/m_docente.html Esquemáticamente Precisión
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 detallesECONOMETRIA APLICADA NOTAS DATOS DE PANEL
ECONOMETRIA APLICADA NOTAS DATOS DE PANEL Revisión En una de las referencias clásicas en la literatura, Hsiao (1986) los describe como secciones cruzadas de individuos observadas a lo largo del tiempo.
Más detallesObjetivos del análisis de supervivencia
Regresión de Cox Javier Zamora Unidad de Bioestadística Clínica. IRYCIS 1 Objetivos del análisis de supervivencia Estimar e interpretar las curvas de supervivencia i y/o riesgo. Comparar curvas de supervivencia,
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más 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 detallesFunciones de Regresión No Lineales (SW Cap. 6)
Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero
Más detallesEstimar efectos parciales con margins
Estimar efectos parciales con margins David M. Drukker Director of Econometrics Stata 2010 Spanish Stata Users Group meeting Madrid September 2010 1 / 31 Información general Esta charla muestra como usar
Más detallesDiagnósticos regresión
Diagnósticos regresión de Cox Víctor Abraira Unidad de Bioestadística Clínica. IRYCIS 1 Diagnósticos de regresión Se trata de evaluar lo adecuado del modelo. Hay tres aspectos: Asunciones Bondad de ajuste
Más detallesLAB 13 - Análisis de Covarianza - CLAVE
LAB 13 - Análisis de Covarianza - CLAVE Se realizó un experimento para estudiar la eficacia de un promotor de crecimiento en terneros en lactación. Se usaron cuatro dosis de la droga (0, 2.5, 5 y 7.5 mg).
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 detallesUniversitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011
Econometría I Examen Final 1 Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011 Este examen consta de un total de 50 puntos.
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesINFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón
Metodología de Investigación Tesifón Parrón Contraste de hipótesis Inferencia Estadística Medidas de asociación Error de Tipo I y Error de Tipo II α β CONTRASTE DE HIPÓTESIS Tipos de Test Chi Cuadrado
Más detallesSe asignaron al azar ratas en condiciones similares a cuatro dietas (A D). Dos semanas después se midió el tiempo de coagulación.
EJEMPLO 1 Se asignaron al azar ratas en condiciones similares a cuatro dietas (A D). Dos semanas después se midió el tiempo de coagulación. DIETA1 DIETA2 DIETA3 DIETA4 62 63 68 56 60 67 66 62 63 71 71
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2010/11
Estadística II Tema 4. Regresión lineal simple Curso 010/11 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesPRUEBA DE FALTA DE AJUSTE (Lack-of-fit Test) Fortino Vela Peón fvela@correo.xoc.uam.mx
PRUEBA DE FALTA DE AJUSTE (Lack-of-fit Test) Fortino Vela Peón fvela@correo.xoc.uam.mx Octubre, 2011 Introducción Un supuesto básico del modelo es la existencia de una relación lineal entre la variable
Más detallesANEXOS. 1) Modelo Probit.
ANEXOS 1) Modelo Probit. Estos modelos pertenecen a los modelos de respuesta binaria 1, es decir, la variable dependiente es una variable dicotómica, donde toma 1 para indicar el éxito en la variable de
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 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 detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesEconometría Tutorial 6 Ejercicios de Multicolinealidad
Econometría Tutorial 6 Ejercicios de Multicolinealidad En los siguientes ejercicios vamos a retomar la Curva de Kuznets Ambiental analizada en los primeros dos trabajos prácticos. La relación entre contaminación
Más detalles... *Elasticidad ingreso del gasto en electricidad (Modelo Restringido). reg lviv ling
---- ---------------------------------------- log: C:\datos\docencia\econIccee\practicas2009\chowlog log type: text opened on: 17 Sep 2009, 17:58:52 use "$ruta\chowdta", clear * crear variable logaritmo
Más detalles10. DISEÑOS EXPERIMENTALES
10. DISEÑOS EXPERIMENTALES Dr. Edgar Acuña http://math.uprm.edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ Diseños Experimentales de Clasificación Simple En un diseño experimental
Más detallesMÓDULO 1: GESTIÓN DE CARTERAS
MÓDULO 1: GESTIÓN DE CARTERAS TEST DE EVALUACIÓN 1 Una vez realizado el test de evaluación, cumplimenta la plantilla y envíala, por favor, antes del plazo fijado. En todas las preguntas sólo hay una respuesta
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesUna metodología para manejar variables
Una metodología para manejar variables continuas en los modelos pronóstico: Polinomios fraccionales Javier Zamora Unidad de Bioestadística Clínica- IRyCIS Enero 2011 Índice Manejo de variables continuas
Más detallesGuía CERO para datos de panel. Un enfoque práctico
Working Paper # 2014/16 Guía CERO para datos de panel. Un enfoque práctico Romilio Labra y Celia Torrecillas UAM-Accenture Working Papers ISSN: 2172-8143 Edited by: UAM-Accenture Chair on the Economics
Más detallesCONTENIDO. Prólogo a la 3. a edición en español ampliada... Prólogo...
CONTENIDO Prólogo a la 3. a edición en español ampliada.................................. Prólogo.................................................................. vii xvii 1. Métodos descriptivos................................................
Más detallesAnálisis de Tablas de Contingencia:Capítulo 2 Modelos Log-lineales
Análisis de Tablas de Contingencia:Capítulo 2 Modelos Log-lineales Capítulo 2 1. Introducción Los modelos Log-lineales, también denominados modelos lineales logarítmicos y modelos log-linear, se presentan
Más detallesCLASE 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:
Más detallesCómo llevar a cabo un trabajo empírico
Cómo llevar a cabo un trabajo empírico p. Cómo llevar a cabo un trabajo empírico Plantear una pregunta Revisar la literatura existente Recopilación de los datos Análisis econométrico Redactar los resultados
Más detallesPruebas de Hipótesis-ANOVA. Curso de Seminario de Tesis Profesor QF Jose Avila Parco Año 2016
Pruebas de Hipótesis-ANOVA Curso de Seminario de Tesis Profesor Q Jose Avila Parco Año 2016 Análisis de la Varianza de un factor (ANOVA) El análisis de la varianza (ANOVA) es una técnica estadística paramétrica
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detallesCointegración El caso bivariado
Cointegración El caso bivariado Definición: La serie Y t es integrada de orden d (denotada I(d)) si al menos debe ser diferenciada d veces para que sea estacionaria. Ejemplos: 1. El proceso random walk
Más detallesIntroducción a la regresión ordinal
Introducción a la regresión ordinal Jose Barrera jbarrera@mat.uab.cat 20 de mayo 2009 Jose Barrera (UAB) Introducción a la regresión ordinal 20 de mayo 2009 1 / 11 Introducción a la regresión ordinal 1
Más detallesANEXO I. ANÁLISIS DE LA VARIANZA.
ANEXO I. ANÁLISIS DE LA VARIANZA. El análisis de la varianza (o Anova: Analysis of variance) es un método para comparar dos o más medias. Cuando se quiere comparar más de dos medias es incorrecto utilizar
Más detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
Más detallesCOMPETITIVIDAD A NIVEL PAÍS; UNA EVALUACIÒN DEL CASO BOLIVIA.
COMPETITIVIDAD A NIVEL PAÍS; UNA EVALUACIÒN DEL CASO BOLIVIA. CÓDIGO: 7054 Resumen La competitividad a nivel país entendida como la capacidad que tiene una economía de incrementar el nivel de vida de los
Más detallesPresentación de la tercera edición Autores
ÍNDICE DE CAPÍTULOS Presentación de la tercera edición Autores 1 Introducción a los métodos de la epidemiología y la bioestadística... 1 M.A. Martínez-González, A. Sánchez-Villegas, J. de Irala 1.1. Estadística,
Más detalles15. 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
Más detallesTipo de punta (factor) (bloques)
Ejemplo Diseño Bloques al Azar Ejercicio -6 (Pág. 99 Montgomery) Probeta Tipo de punta (factor) (bloques) 9. 9. 9.6 0.0 9. 9. 9.8 9.9 9. 9. 9.5 9.7 9.7 9.6 0.0 0. ) Representación gráfica de los datos
Más detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesTema 2. Introducción a la Estadística Bayesiana
2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo:
Más detallesLOS MODELOS MULTINIVEL EN EL ANÁLISIS DE FACTORES DE RIESGO DE SIBILANCIAS RECURRENTES EN LACTANTES. ENFOQUES FRECUENTISTA Y BAYESIANO.
LOS MODELOS MULTINIVEL EN EL ANÁLISIS DE FACTORES DE RIESGO DE SIBILANCIAS RECURRENTES EN LACTANTES. ENFOQUES FRECUENTISTA Y BAYESIANO. TESIS DOCTORAL PARA LA OBTENCIÓN DEL GRADO DE DOCTOR POR LA UNIVERSIDAD
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 detallesLos valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:
Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detalles1º CURSO BIOESTADÍSTICA
E.U.E. MADRID CRUZ ROJA ESPAÑOLA UNIVERSIDAD AUTÓNOMA DE MADRID CURSO ACADÉMICO 2012/2013 1º CURSO BIOESTADÍSTICA Coordinación: Eva García-Carpintero Blas Profesores: María de la Torre Barba Fernando Vallejo
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 detallesIntroducción al análisis de la varianza (ANOVA)
Introducción al análisis de la varianza (ANOVA) Albert Sorribas Departament de Ciències Mèdiques Bàsiques Universitat de Lleida albert.sorribas@cmb.udl.cat última versión: 6 de febrero de 2014 Índice 1.
Más detallesANÁLISIS DISCRIMINANTE
DEFINICIÓN: Cómo técnica de análisis de dependencia: Pone en marcha un modelo de causalidad en el que la variable endógena es una variable NO MÉTRICA y las independientes métricas. Cómo técnica de análisis
Más detallesPruebas de Hipótesis Multiples
Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detallesPor ejemplo, si se desea discriminar entre créditos que se devuelven o que presentan
Regresión Logística Introducción El problema de clasificación en dos grupos puede abordarse introduciendo una variable ficticia binaria para representar la pertenencia de una observación a uno de los dos
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 detalles. gen princ=(faminc-ww*whrs)/1000. . probit lfp wa kl6 k618 we princ
UCEMA ECONOMETRIA APLICADA - Probit- El archivo MROZ.xls tiene datos de un un estudio clásico donde se trata de estimar una ecuación de salarios para mujeres. La primer etapa del estudio es determinar
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesTRABAJO FIN DE MÁSTER MÁSTER OFICIAL EN ESTADÍSTICA APLICADA UNIVERSIDAD DE GRANADA
TRABAJO FIN DE MÁSTER MÁSTER OFICIAL EN ESTADÍSTICA APLICADA UNIVERSIDAD DE GRANADA Alumna: María Ángeles Dueñas Rodríguez ÍNDICE Capítulo 1: Introducción... 1 Capítulo 2: Teoría de los modelos de regresión
Más detallesCURSO: Métodos estadísticos de uso frecuente en salud
CURSO: Métodos estadísticos de uso frecuente en salud Información General Versión: 2016 Modalidad: Presencial. Duración Total: 40 horas. NUEVA FECHA Fecha de inicio: 01 de octubre Fecha de término: 10
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 detallesMarco de referencia. a) Es útil saber si la estrategia de tratamiento sin un. biológico (menos costosa), tiene mejor o igual eficacia
Marco de referencia a) Es útil saber si la estrategia de tratamiento sin un biológico (menos costosa), tiene mejor o igual eficacia que la estrategia con un biológico en AR temprana. b) No hay estudios
Más detallesEsquema (1) Análisis de la Varianza y de la Covarianza. ANOVA y ANCOVA. ANOVA y ANCOVA 1. Análisis de la Varianza de 1 Factor
Esquema (1) Análisis de la arianza y de la Covarianza ANOA y ANCOA 1. (Muestras independientes). () 3. Análisis de la arianza de Factores 4. Análisis de la Covarianza 5. Análisis con más de Factores J.F.
Más detalles10 12 CAPÍTULO 10. MODELOS DE VARIABLE DEPENDIENTE DISCRETA
10 12 CAPÍTULO 10. MODELOS DE VARIABLE DEPENDIENTE DISCRETA Ejemplo 10.1 Modelos Probit y Logit para la probabilidad de tener carro propio en Holanda El archivo NLCAR contiene información para 2,820 hogares
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesAPÉNDICE B ANOVA para las salsas comerciales
APÉNDICE B ANOVA para las salsas comerciales ANOVA de una vía para Densidad de salsas comerciales One-way ANOVA: Densidad versus Marca Marca 3 8727.7 2909.2 41.22 0.000 Error 8 564.6 70.6 Total 11 9292.4
Más detallesEstadística 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.
Más detallesSelección de fuentes de datos y calidad de datos
Selección de fuentes de datos y calidad de datos ESCUELA COMPLUTENSE DE VERANO 2014 MINERIA DE DATOS CON SAS E INTELIGENCIA DE NEGOCIO Juan F. Dorado José María Santiago . Valores atípicos. Valores faltantes.
Más detallesTema 3: Diseño de experimentos
Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 15 de noviembre de 2010 Índice Diseños con un factor 1 Diseños con un factor Comparación de dos medias Comparación de
Más detallesEjemplos del Suplemento 1 resueltos con Minitab
O1 Ocho pasos para el desarrollo de una investigación Ejemplos del Suplemento 1 resueltos con Minitab O2 Tabla de Contenido Prueba de Normalidad... 3 Regresión Lineal... 7 Prueba t... 10 Prueba Z... 13
Más detallesESTADISTICA APLICADA: PROGRAMA
Pág. 1 de 5 ESTADISTICA APLICADA: PROGRAMA a) OBJETIVOS Y BLOQUE 1: Teoría de Probabilidades 1.1 Comprender la naturaleza de los experimentos aleatorios y la estructura de los espacios de probabilidades,
Más detallesGUÍA DOCENTE DE LA ASIGNATURA ESTADÍSTICA APLICADA
GUÍA DOCENTE DE LA ASIGNATURA ESTADÍSTICA APLICADA DATOS BÁSICOS DE LA ASIGNATURA Nombre: Titulación: Centro: Tipo: Créditos: Curso: Prerrequisitos: Profesor: Dpto.: Estadística Aplicada. Licenciatura
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Medicina Veterinaria y Zootecnia. Licenciatura en Medicina Veterinaria y Zootecnia
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Medicina Veterinaria y Zootecnia Licenciatura en Medicina Veterinaria y Zootecnia Clave 1212 Modalidad del curso: Carácter Métodos estadísticos en medicina
Más detallesPregunta 1. Pregunta 2. Pregunta 3. Pregunta 4. Pregunta 5. Pregunta 6. Pregunta 7. Comenzado el lunes, 25 de marzo de 2013, 17:24
Comenzado el lunes, 25 de marzo de 2013, 17:24 Estado Finalizado Finalizado en sábado, 30 de marzo de 2013, 17:10 Tiempo empleado 4 días 23 horas Puntos 50,00/50,00 Calificación 10,00 de un máximo de 10,00
Más detallesTema 1: Introducción
Estadística Universidad de Salamanca Curso 2010/2011 Outline 1 Estadística 2 Outline 1 Estadística 2 La estadística es una ciencia que comprende la recopilación, tabulación, análisis e interpretación de
Más detallesPROGRAMA ACADEMICO Ingeniería Industrial
1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional
Más detallesAn application of regression models with student ratings in determining course effectiveness
An application of regression models with student ratings in determining course effectiveness Chang T-Sheng (2000) Annual Meeting of the American Educational Research Association SEMINARIOS DE EVALUACIÓN
Más detallesTeléfono:
Apartado postal 17-01-218 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: ESTADISTICA II CÓDIGO: 15017 CARRERA: Economía NIVEL: Cuarto No. CRÉDITOS: SEMESTRE / AÑO ACADÉMICO: III semestre 2011-2012 PROFESOR:
Más detallesTEMA 4 ELABORACIÓN Y COMPROBACIÓN DE LAS HIPÓTESIS DE INVESTIGACIÓN
TEMA 4 ELABORACIÓN Y COMPROBACIÓN DE LAS HIPÓTESIS DE INVESTIGACIÓN 1 MODELO LINEAL GENERAL applemodelo estadístico appledescribe una combinación lineal de los efectos aditivos que forman la puntuación
Más detallesSegunda práctica de REGRESIÓN.
Segunda práctica de REGRESIÓN. DATOS: fichero practica regresión 2.sf3. Objetivo: El objetivo de esta práctica es interpretar una regresión y realizar correctamente la diagnosis. En la primera parte se
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 detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detalles1.2.2. Técnicas estadísticas más utilizadas en la investigación
Contenido PRÓLOGO... 1. LA ESTADÍSTICA COMO HERRAMIENTA EN LA INVESTIGACIÓN TURÍSTICA 1.1. EL TURISMO Y LA ESTADÍSTICA... 2 1.1.1. El turismo... 2 1.1.2. La estadística... 4 1.2. LA ESTADÍSTICA Y LA INVESTIGACIÓN
Más detallesFACULTAD DE ENFERMERÍA Y FISIOTERAPIA FACULTAD DE ENFERMARÍA Máster en I e I en Cuidados de Salud
PROGRAMA Oficial de Posgrado de la Universidad de Cádiz PLAN DE ESTUDIOS 0860 Máster en Innovación e Investigación en Cuidados de Salud COORDINADOR Mª Antonia Jesús de la Calle MÓDULO COMÚN ASIGNATURA
Más detallesUso de la Metodología Seis Sigma para mejorar el consumo de combustible en un vehiculo
CAPÍTULO 5. FASE DE MEJORA Definir Medir Analizar Mejorar Controlar 5.1 Introducción En la fase de Análisis se identificaron las causas de variación. En esta fase se utilizará el diseño de experimentos
Más detallesContenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos
Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad
Más detallesComparaciones indirectas y metaanálisis en red
Comparaciones indirectas y metaanálisis en red Aurelio Tobías y Ferrán Catalá- López 3 a Jornada Metodológica de la Unidad de Bioestadís:ca Clínica: Actualización en metanálisis Hospital Ramón y Cajal
Más detallesCAUSALIDAD Y RIESGO Causalidad en Medicina
CAUSALIDAD Y RIESGO - Causalidad en Medicina y en Epidemiología. -Enfoque de Riesgo -Asociación Estadística -Riesgo. Factor de Riesgo -Medición del Riesgo 1 CAUSALIDAD EN EPIDEMIOLOGÍA EPIDEMIOLOGÍA: ESTUDIO
Más detallesDIPLOMADO EN ESTADÍSTICA APLICADA
DIPLOMADO EN ESTADÍSTICA APLICADA DIPLOMADO EN ESTADÍSTICA APLICADA FUNDAMENTACIÓN El Diplomado en Estadística Aplicada posibilitará la actualización profesional y el desarrollo de competencias específicas
Más detallesConceptos básicos de estadística para clínicos
Conceptos básicos de estadística para clínicos Víctor Abraira A Coruña. Noviembre 2008 Programa Valor p : qué significa? Aleatorización Pruebas de hipótesis para variables continuas Pruebas de hipótesis
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
Más detallesECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 2
ECONOMETRÍA II PRÁCTICAS DE ORDENADOR Práctica 2 El fichero epflic.wf1 contiene una submuestra de hogares de la Encuesta de Presupuestos Familiares 1990/91 formada por parejas con o sin hijos en los que
Más detallesSPSS - ANOVA. Dr. Miquel A. Belmonte. Hospital General de Castellón Castellón, España Inicialmente en el sitio: www.pitt.
SPSS - ANOVA Dr. Miquel A. Belmonte Hospital General de Castellón Castellón, España Inicialmente en el sitio: www.pitt.edu/~super1/ Elección de tests estadísticos Varbl. Indep. 1 > 1 Varbl. dependientes
Más detallesa. Poisson: los totales marginales y el total muestral varían libremente.
TEMA 2º: TABLAS DE CONTINGENCIA BIDIMENSIONALES 1º Distribución de frecuencias observadas El único aspecto cuantificable en el análisis cualitativo es el número de individuos que presenta una combinación
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
Más detallesESTUDIO 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
Más detallesTRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS
Badler, Clara E. Alsina, Sara M. 1 Puigsubirá, Cristina B. 1 Vitelleschi, María S. 1 Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística (IITAE) TRATAMIENTO DE BASES DE DATOS
Más detalles