Regresión Logística usando R
|
|
- Lorena Pérez Ortega
- hace 5 años
- Vistas:
Transcripción
1 Universidad Nacional Agraria La Molina Departamento de Estadística e Informática Ciclo Grupo E Data Cangrejo Regresión Logística usando R > Cangrejo <- read.table(file = "G:/Cangrejo.txt", header=t) > head(cangrejo) Color Cond Ancho Sat Peso > Cangrejo[,5] <- Cangrejo[,5]/1000 > Cangrejo[,4] <- ifelse(cangrejo[,4] > 0, 1, 0) > head(cangrejo) Color Cond Ancho Sat Peso > modelo1 <- glm(sat ~ Ancho, family = binomial(link = logit), data = Cangrejo) > summary(modelo1) glm(formula = Sat ~ Ancho, family = binomial(link = logit), (Intercept) e-06 *** Ancho e-06 *** Null deviance: on 172 degrees of freedom Residual deviance: on 171 degrees of freedom AIC: Number of Fisher Scoring iterations: 4
2 > Cangrejo[,1] <- factor(cangrejo[,1], levels=c("5", "4", "3", "2"), labels=c("oscuro", "Med_Oscuro", "Med", "Med_Claro")) > head(cangrejo) Color Cond Ancho Sat Peso 1 Med Med_Oscuro Med_Claro Med_Oscuro Med_Oscuro Med > modelo2 <- glm(sat ~ Ancho + Color, family = binomial(link = logit), > summary(modelo2) glm(formula = Sat ~ Ancho + Color, family = binomial(link = logit), (Intercept) e-06 *** Ancho e-06 *** ColorMed_Oscuro ColorMed * ColorMed_Claro Null deviance: on 172 degrees of freedom Residual deviance: on 168 degrees of freedom AIC: Number of Fisher Scoring iterations: 4 > anova(modelo1, modelo2, test="chisq") Analysis of Deviance Table Model 1: Sat ~ Ancho Model 2: Sat ~ Ancho + Color Resid. Df Resid. Dev Df Deviance Pr(>Chi)
3 > modelo3 <- glm(sat ~ Ancho + Color + Ancho:Color, family = binomial(link = logit), > summary(modelo3) glm(formula = Sat ~ Ancho + Color + Ancho:Color, family = binomial(link = logit), (Intercept) Ancho ColorMed_Oscuro ColorMed ColorMed_Claro Ancho:ColorMed_Oscuro Ancho:ColorMed Ancho:ColorMed_Claro Null deviance: on 172 degrees of freedom Residual deviance: on 165 degrees of freedom AIC: Number of Fisher Scoring iterations: 5 > anova(modelo2, modelo3, test="chisq") Analysis of Deviance Table Model 1: Sat ~ Ancho + Color Model 2: Sat ~ Ancho + Color + Ancho:Color Resid. Df Resid. Dev Df Deviance Pr(>Chi) > Cangrejo[,2] <- factor(cangrejo[,2], levels=c("1", "2", "3"), labels=c("cond1", "Cond2", "Cond3")) > head(cangrejo) Color Cond Ancho Sat Peso 1 Med Cond Med_Oscuro Cond Med_Claro Cond Med_Oscuro Cond Med_Oscuro Cond Med Cond
4 > modelo4 <- glm(sat ~ Ancho + Peso + Color + Cond, family = binomial(link = logit), > summary(modelo4) glm(formula = Sat ~ Ancho + Peso + Color + Cond, family = binomial(link = logit), (Intercept) * Ancho Peso ColorMed_Oscuro ColorMed ** ColorMed_Claro CondCond CondCond Null deviance: on 172 degrees of freedom Residual deviance: on 165 degrees of freedom AIC: Number of Fisher Scoring iterations: 4 > modelo.completo <- glm(sat ~ Ancho*Color*Cond, family = binomial(link = logit), Mensajes de aviso perdidos 1: glm.fit: algorithm did not converge 2: glm.fit: fitted probabilities numerically 0 or 1 occurred > step(modelo.completo, direction="backward") Start: AIC= Sat ~ Ancho * Color * Cond - Ancho:Color:Cond <none> Step: AIC= Sat ~ Ancho + Color + Cond + Ancho:Color + Ancho:Cond + Color:Cond - Color:Cond Ancho:Cond Ancho:Color <none>
5 Step: AIC= Sat ~ Ancho + Color + Cond + Ancho:Color + Ancho:Cond - Ancho:Cond Ancho:Color <none> Step: AIC= Sat ~ Ancho + Color + Cond + Ancho:Color - Cond Ancho:Color <none> Step: AIC= Sat ~ Ancho + Color + Ancho:Color - Ancho:Color <none> Step: AIC= Sat ~ Ancho + Color <none> Color Ancho glm(formula = Sat ~ Ancho + Color, family = binomial(link = logit), (Intercept) Ancho ColorMed_Oscuro ColorMed ColorMed_Claro Degrees of Freedom: 172 Total (i.e. Null); 168 Residual Null Deviance: Residual Deviance: AIC: 197.5
6 Regresión logística binaria: Cat Sat vs. Anch, Color Función de enlace: Logit Información de respuesta Variable Valor Conteo Cat Sat (Evento) 0 62 Total 173 Tabla de regresión logística Relación de IC de 95% Predictor Coef SE Coef Z P probabilidades Inferior Superior Constante Anch Color Log-verosimilitud = Probar que todas las pendientes son cero: G = , GL = 4, valor P = Pruebas de bondad del ajuste Método Chi-cuadrada GL P Pearson Desviación Hosmer-Lemeshow Tabla de frecuencias observadas y esperadas: (Véase la prueba Hosmer-Lemeshow para la estadística de Chi-cuadrada de Pearson) Grupo Valor Total 1 Obs Exp Obs Exp Total Medidas de asociación: (Entre la variable de respuesta y las probabilidades pronosticadas) Pares Número Porcentaje Medidas de resumen Concordante D de Somers 0.54 Discordante Gamma de Goodman-Kruskal 0.55 Empates Tau-a de Kendall 0.25 Total
7 > Enfermedad <- c(3,17,12,16,12,8,16,8) > n <- c(156,252,284,271,139,85,99,43) > m1 <- glm(enfermedad/n ~ 1, family=binomial(logit), weights=n) > summary(m1) glm(formula = Enfermedad/n ~ 1, family = binomial, weights = n) (Intercept) <2e-16 *** Null deviance: on 7 degrees of freedom Residual deviance: on 7 degrees of freedom AIC: Number of Fisher Scoring iterations: 4 > pred.m1 <- n*predict(m1, type="response") > dev.m1 <- resid(m1, type="deviance") > pear.m1 <- resid(m1, type="pearson") > pear.std.m1 <- resid(m1, type="pearson")/sqrt(1-lm.influence(m1)$hat) > residuales.m1 <- cbind(pred.m1, dev.m1, pear.m1, pear.std.m1) > residuals.m1 pred.m1 dev.m1 pear.m1 pear.std.m > presion <- c(seq(from=111.5, to=161.5, by=10),176.5, 191.5) > plot(presion, pear.std.m1, xlab = "Presión Sanguínea", ylab = "Residuales estandarizados de Pearson")
8 > m2 <- glm(enfermedad/n ~ presion, family=binomial(logit), weights=n) > summary(m2) glm(formula = Enfermedad/n ~ scores, family = binomial, weights = n) (Intercept) < 2e-16 *** scores e-07 *** Null deviance: on 7 degrees of freedom Residual deviance: on 6 degrees of freedom AIC: 42.61
9 Number of Fisher Scoring iterations: 4 > pred.m2 <- n*predict(m2, type="response") > dev.m2 <- resid(m2, type="deviance") > pear.m2 <- resid(m2, type="pearson") > pear.std.m2 <- resid(m2, type="pearson")/sqrt(1-lm.influence(m2)$hat) > residuales.m2 <- cbind(pred.m2,dev.m2,pear.m2,pear.std.m2) > residuales.m2 pred.m2 dev.m2 pear.m2 pear.std.m > plot(presion, pear.std.m2, xlab = "Presión Sanguínea", ylab = "Residuales estandarizados de Pearson")
Cálculos de Regresión Logística en R, Caso de una covariable.
Cálculos de Regresión Logística en R, Caso de una covariable. Carga de datos (Tabla 1.1, Hosmer-Lemeshow): CH=read.table( CHDAGE.txt,header = T) attach(ch) Gráfico de Dispersión: plot(age,chd,xlab= Edad,
Más detallesAnálisis de datos Categóricos
Regresión logística Universidad Nacional Agraria La Molina 2014-2 Regresión logística simple Interpretación de parámetros Gracando las proporciones Inferencia Introducción Para una variable aleatoria respuesta
Más detalles> modindepen<-glm(counts~race+believe,family=poisson,data=creencia ) > summary(modindepen)
Estos son datos acerca de sí las personas creen o no en una vida después de la muerte. race no yes ather 22 88 black 55 260 white 300 1339 Ajusto un modelo de INDEPENDENCIA > modindepen
Más detallesg(e (y)) = α + β 1 x β k x k
Modelos lineales generalizados Especifica la función para E (y) = μ g(.) = Función liga o conectora Conecta los componentes aleatorio y sistemático g(e (y)) = α + β 1 x 1 + + β k x k Componente Aleatorio
Más detallesModelos de elección discreta Aplicaciones en ordenador
Modelos de elección discreta Aplicaciones en ordenador Román Salmerón Gómez Para ilustrar cómo abordar el análisis de Modelos de elección discreta con el software econométrico Gretl resolveremos el siguiente
Más detallesRegresión logística. Ejemplo: Una variable explicativa binaria
Regresión logística Ejemlo: Una variable exlicativa binaria Datos: Tabla de arámetetro desestabilizado * Exosición al agente Recuento arámetetro desestabilizado Total no si Exosición al agente no si Total
Más detalles1)DESCRIPCIÓN DE LOS DATOS
1)DESCRIPCIÓN DE LOS DATOS ITAM-CONAC MÉTODOS ESTADÍSTICOS EN ACTUARÍA I DR. JUAN JOSÉ FERNÁNDEZ DURÁN EJEMPLO DE REGRESIÓN POISSON Y GAMMA RECLAMACIONES EN SEGUROS DE AUTOS EN SUECIA Los datos contienen
Más detallesDatos binomiales 1.70 1.75 1.80 1.85. beetles$dosis
Datos binomiales Modelos de dosis-respuesta Carga de datos y calculo de proporciones: beetles
Más detallesAnálisis de Datos Categóricos. Leticia Gracia Medrano
Análisis de Datos Categóricos Leticia Gracia Medrano ii Contents 1 Modelo Logístico 1 1.1 Estimación de parámetros.................... 1 1.2 Interpretación de los parámetros................. 2 1.3 Ejemplo..............................
Más detalles3 Ejemplos simples sobre regresión logística
3 Ejemplos mples sobre regreón logística 1. Ejemplo 1 (ejemplo1.dat) tabla 2x2 Una variable explicativa binaria (Solución) 2. Ejemplo 2 (ejemplo2.dat) Una variable independiente continua (Solución) 3.
Más detallesAnálisis de datos Categóricos
Regresión logística Universidad Nacional Agraria La Molina 2016-1 Regresión logística simple Interpretación de parámetros Inferencia Para una variable aleatoria respuesta Y y una variable explicativa X,
Más detallesMODELOS GENERALIZADOS LINEALES CON R
Luis M. Carrascal (www.lmcarrascal.eu) Depto. Biogeografía y Cambio Global Museo Nacional de Ciencias Naturales, CSIC Cómo realizarlos, buena praxis e interpretación de los resultados curso de la Sociedad
Más detalles> y <- c(19, 57, 29, 63, 29, 49, 27, 53, 23, 47, 33, 66, 47, 55, 23, 50, + 24, 37, 42, 68, 43, 52, 30, 42) > ly <- length( y )
Preferencia por un nuevo Detergente: Para un estudio de mercado sobre las preferencias entre un nuevo detergente Xx y uno standard Mm se consideró una muestra de 1008 consumidores, a los que se preguntó
Más detallesCONTENIDO: Regresión logística con variables cuantitativas y cualitativas
Ejemplo simple de regresión logística CONTENIDO: Regresión logística con variables cuantitativas y cualitativas OBJETIVO: 1. Mostrar los modos en que se puede introducir la información para el análisis
Más detallesJavier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo
Javier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo 30/10/2013 Modelos Logísticos de Regresión de Respuesta Binaria Índice 1. Planteamiento de modelo 2. Estimación
Más detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detallesClasificación supervisada con R
Clasificación supervisada con R Diagnóstico de cáncer de mama por imagen Los datos del fichero Wisconsin.RData proceden de un estudio sobre diagnóstico del cáncer de mama por imagen. Mediante una punción
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 detalles> leucemia<-read.table("a:\\leucemia",header=t) (1)
Feigl y Zelen (1965) analizaron datos de 33 acientes con leucemia ara los que se anotó si su tiemo de suervivencia era suerior a 52 semanas (de hecho, ellos anotaron el tiemo de suervivencia y no sólosieraonomayora52semanas),quecorresondería
Más detallesAnálisis de datos Categóricos
Pruebas Chi-cuadrado para tablas de dos vías Universidad Nacional Agraria La Molina 2017-1 Independencia y Homogeneidad Independencia y Homogeneidad Prueba de Pearson y G 2 Una prueba de independencia
Más detallesMathias Bourel. 2 de octubre de 2016
Regresión Logística Mathias Bourel IMERL - Facultad de Ingeniería, Universidad de la República, Uruguay 2 de octubre de 2016 M.Bourel (IMERL, UdelaR) Regresión Logística 2 de octubre de 2016 1 / 28 Introducción
Más detallesMineria de Datos. Clasificacion Supervisada: Regresion Logistica. Dr. Edgar Acuna Departmento de Matematicas
Mineria de Datos Clasiicacion Suervisada: Regresion Logistica Dr. Edgar Acuna Deartmento de Matematicas Universidad de Puerto Rico- Mayaguez math.urrm.edu/~edgar Consideraremos or ahora que solo tenemos
Más detallesCiencia UANL Universidad Autónoma de Nuevo León ISSN (Versión impresa): MÉXICO
Ciencia UANL Universidad Autónoma de Nuevo León rciencia@mail.uanl.mx ISSN (Versión impresa): 1405-9177 MÉXICO 2008 Peter B. Mandeville TEMA 16: LA RAZÓN DE MOMIOS 2. REGRESIÓN LOGÍSTICA Ciencia UANL,
Más detallesLa distribución de Poisson es de tipo exponencial con parámetro dispersión 1.
Reclaaciones y Edad (Pawitan). Una copañía aseguradora quiere conocer cóo depende el núero de reclaaciones de los clientes con cierta póliza, de su edad. El archivo reclaaciones.txt contiene los datos
Más detallesModelos lineales generales, generalizados y mixtos en ecología:
Modelos lineales generales, generalizados y mixtos en ecología: EXAMEN Roberto Munguía-Steyer rmunguia.steyer@gmail.com Departamento de Ecología Evolutiva Instituto de Ecología, UNAM 04 Octubre-06 Diciembre
Más detallesREGRESIÓN LOGÍSTICA INTRODUCCIÓN
1 REGRESIÓN LOGÍSTICA INTRODUCCIÓN Comencemos con un ejemplo que nos servirá para ilustrar el análisis de datos binarios. Los siguientes datos tomados de Little (1978) corresponden a 1607 mujeres casadas
Más detallesClasificación y regresión logística
Clasificación y regresión logística José R. Berrendero Universidad Autónoma de Madrid Contenidos Planteamiento del problema de clasificación supervisada Regla lineal de Fisher Regresión logística Optimalidad:
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 detallesCurso online de Supervivencia y Regresión Lineal, Logística y de Cox 2018
MANUAL DE IDENTIDAD VSUAL CORPORATIVA PROGRAMA: Curso online de Supervivencia y Regresión Lineal, Logística y de Cox 2018 Departamento de Formación Médica Continuada (ICOMEM) SUPERVIVENCIA Y REGRESIÓN
Más detallesRegresión Múltiple b=read.table("datoempleado.dat",header=t,sep="\t")
Regresión Múltiple b=read.table("datoempleado.dat",header=t,sep="\t") Ejemplo: (archivo datoempleado.dat) Fh (Referencia=Mujer) variables en el archivo names(b) [1] "id" "sexo" "fechnac" "educ" "catlab"
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 CÁTEDRA I. Unidad 7
ESTADÍSTICA CÁTEDRA I Unidad 7 UNIDAD 7: La relación entre variables. Contenidos Distribución conjunta de dos variables. Diagrama de dispersión. Distribuciones marginales y condicionales. Correlación.
Más detallesPráctica 10: Introducción a Modelos Lineales Generalizados.
Práctica : Introducción a Modelos Lineales Generalizados Esta última práctica está dedicada a estudiar brevememente algunos problemas que que se formalizan mediante un modelo similar al modelo lineal normal
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 detallesPruebas estadís,cas para evaluar relaciones
Pruebas estadís,cas para evaluar relaciones Asociación entre dos variables categóricas Hipótesis: frecuencias de ocurrencias en las categorías de una variable son independientes de los frecuencias en la
Más detallesMODELOS LINEALES GENERALIZADOS
MODELOS LINEALES GENERALIZADOS Conceptos básicos Ignacio Méndez Gómez-Humarán imendez@cimat.mx Los Modelos Lineales Generalizados (GLM por sus siglas en inglés) son una familia de modelos estadísticos
Más detallesTema 4: Regresión Logística
Tema 4: Regresión Logística Introducción Es uno de los procedimientos estadísticos más utilizados en la práctica usando datos categóricos. que Se considera una respuesta binaria Y junto con una variable
Más detallesUNIVERSIDAD DE ANTIOQUIA FACULTAD NACIONAL DE SALUD PÚBLICA Héctor Abad Gómez ldbello@saludpublica.udea.edu.co Facultad Nacional de Salud Pública Héctor Abad Gómez www.leondariobello.com www.ciemonline.info/moodle
Más detallesAnálisis de datos Categóricos
Introducción Universidad Nacional Agraria La Molina 2017-1 Variable cualitativa Variable respuesta cualitativa Variable respuesta y explicativa Variable de conteo y proporción Escalas de medición Una variable
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 detallesLos modelos lineales (regresión, ANOVA, ANCOVA), se basan en los siguientes supuestos:
GLM-Introducción Los modelos lineales (regresión, ANOVA, ANCOVA), se basan en los siguientes supuestos: 1. Los errores se distribuyen normalmente. 2. La varianza es constante. 3. La variable dependiente
Más detallesNota 2. Estadísticas avanzadas Muestreos Complejos, R. Linear, R.Logística y Análisis de Supervivencia
Page 1 of 7 Nota 2 Estadísticas avanzadas Muestreos Complejos, R. Linear, R.Logística y Análisis de Supervivencia Objetivos Nivel Duración Necesidades Requisitos Características Esta nota proporciona información
Más detallesAnálisis de datos categóricos
Regresión multinomial Universidad Nacional Agraria La Molina 2017-1 Distribución multinomial Distribución multinomial Considere una variable aleatoria Y con J categorías cuyas probabilidades respectivas
Más detalles2. ESTADÍSTICA DESCRIPTIVA 15 Estadística descriptiva.. Variables aleatorias Descripción de variables cuantitativas
" INDICE PRÓLOGO... XXIII PREFACIO GUÍA DE LECTURA XXV XXIX 1. INTRODUCCIÓN A LA ESTADÍSTICA 1 1.1. Estadística 1 1.2. Historia 3 1.3. Población y muestra 4 1.4. Estadística aplicada 7 1.5. Aplicaciones
Más detalles4. Obtén las siguientes tablas de doble entrada para las variables Dispersión y Formación:
ACTIVIDAD DE INFERENCIA Y ASOCIACIÓN 1. Obtén los estadísticos descriptivos básicos y un intervalo de confianza del 95% para la media del coste en farmacia por habitante. A partir del resultado obtenido
Más detallesOdds = = e. UD1: El modelo de regresión logística 1. 1 e
RE2. Regresión logística binaria, multinomial, de Poisson y binomial negativa Curso 204/5 Solución resumida de la prueba de evaluación Unidad didáctica (D) La regresión logística puede utilizarse en cualquiera
Más detallesTema 4: Modelos avanzados con
Tema 4: Modelos avanzados con Regresión Logística Introducción Es uno de los procedimientos estadísticos más utilizados en la práctica usando datos categóricos. que Se considera una respuesta binaria Y
Más detallesAnexo. Modelos de demanda: Reparto Modal
Anexo. Modelos de demanda: Reparto Modal Introducción o El MOTIVO PRINCIPAL del viaje se ha obtenido del procesado de la grabación. Los casos donde se habían mezclado desplazamientos por varios motivos
Más detallesJavier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo
Javier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo 30/10/2013 Modelos Lineales de Regresión Índice 1. Planteamiento de modelo Caso práctico 2. Estimación y
Más detallesINDICE Capitulo 1. Nociones Básicos sobre el SPSS/PC+ Capitulo 2. Nociones Básicos sobre Probabilidad
INDICE Prólogo XIX Introducción XXIII Capitulo 1. Nociones Básicos sobre el SPSS/PC+ 1 1. Qué es y para qué sirve el SPSS/PC+ 1 2. funcionamiento general 1 A. Módulos, comandos y subcomandos 1 B. Estilos
Más detallesAnálisis de datos Categóricos
Inferencia para tablas de contingencia Universidad Nacional Agraria La Molina 2013-1 Odds ratio Diferencia de proporciones Riesgo relativo Ejemplo Odds ratio El odds ratio muestral es: El estimador modicado
Más detallesEstructura de este tema. Estadística II Tema 1: Contrastes no paramétricos. Ejemplo: los bombardeos de Londres. Ejemplo: los bombardeos de Londres
Estructura de este tema Estadística II Tema 1: Contrastes no paramétricos José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contrastes de bondad de ajuste Contrastes basados
Más detallesAnálisis estadístico de datos cualitativos
Análisis estadístico de datos cualitativos Estudio de metoprolol. 395 pacientes. Mortalidad 7,3%. Placebo 62/697 vs Grupo Metoprolol 40/698 Placebo 8,9% vs Metoprolol 5,7% Muerte no Metoprolol 40 658 698
Más detallesEn el marco de las actividades y objetivos expresados en el protocolo de trabajo
Análisis estadístico de capturas de camarón y fauna con la red prototipo RS-INP-MEX en el Alto Golfo de California durante la temporada de camarón 010 / 011 En el marco de las actividades y objetivos expresados
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 detallesTema 3: Modelos lineales generalizados
Tema 3: Modelos lineales generalizados Componentes de un modelo generalizado lineal (GLM) Un modelo lineal generalizado tiene tres componentes básicos: Componente aleatoria: Identifica la variable respuesta
Más detalles1. Modelos para conteos
1. Modelos para conteos En esta sección se modelarán conteos, que resultan de diversas situaciones, por ejemplo: el número de accidentes en una carretera, el número de caries que tiene una persona, el
Más detallesAGRO 5005 Examen Final 2013 Nombre: Número de estudiante:
AGRO 5005 Examen Final 2013 Nombre: Número de estudiante: Instrucciones: Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden usar el libro y la calculadora. Para obtener crédito parcial
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 detallesSesión 000. Vender o No vender, esa es la cuestión: El arte de decidir 1480-Técnicas Estadísticas en Investigación de Mercados Grado en Estadística
Sesión 000. Vender o No vender, esa es la cuestión: El arte de decidir 1480-Técnicas Estadísticas en Investigación de Mercados Grado en Estadística empresaria Curso 2012-13 Segundo semestre Profesor: Xavier
Más detallesEjemplo simple de regresión lineal simple y múltiple (para realizar en el aula)
Ejemplo simple de regresión lineal simple y múltiple (para realizar en el aula) OBJETIVOS: 1. Familiarización con la terminología y funciones ligadas a un análisis de regresión lineal 2. Establecer las
Más detallesTABLAS DE CONTINGENCIA
Tablas de contingencia 1 TABLAS DE CONTINGENCIA En SPSS, el procedimiento de Tablas de Contingencia crea tablas de clasificación doble y múltiple y, además, proporciona una serie de pruebas y medidas de
Más detallesMÀSTER DE LOGÍSTICA, TRANSPORT I MOBILITAT (UPC). CURS Q1 EXAMEN FINAL EXTRAORDINARI Mètodes de Captació, Anàlisi i Interpretació de Dades.
MÀSTER DE LOGÍSTICA, TRANSPORT I MOBILITAT (UPC). CURS 10-11 Q1 EXAMEN FINAL EXTRAORDINARI Mètodes de Captació, Anàlisi i Interpretació de Dades. (Data: 10/5/2011 9:00-12:00 h Lloc: Aula H10.14) Nom de
Más detallesReduciendo el error Monte Carlo en la estimación bayesiana de los riesgos relativos usando modelos de regresión binomial
Reduciendo el error Monte Carlo en la estimación bayesiana de los riesgos relativos usando modelos de regresión binomial Salmerón D. y Cano J.A. Servicio de Epidemiología, Consejería de Sanidad de la Región
Más detallesModelo Lineal Generalizado GAMMA. Distribución gamma: Otra parametrización mediante el parámetro de forma y la media:
Modelo Lineal Generalizado GAMMA Distribución gamma: Otra parametrización mediante el parámetro de forma y la media: La distribución gamma es de tipo exponencial: 1 Supongamos que se dispone de r subpoblaciones
Más detallesFACTORES QUE INCIDEN EN LA APROBACIÓN DE UNA CARRERA UNIVERSITARIA. CASO DE ESTUDIO: CARRERAS DEL ICM
FACTORES QUE INCIDEN EN LA APROBACIÓN DE UNA CARRERA UNIVERSITARIA. CASO DE ESTUDIO: CARRERAS DEL ICM Autores: Sandra González Camba 1, Fernando Guerrero Loor 2 1 Ingeniera En Estadística Informática,
Más detallesEstadística I Solución Examen Final - 28 Mayo de 2009
Estadística I Examen Final - 28 Mayo de 2009 (1 (10 puntos A 16 estudiantes de Filosofía se les preguntó cuántas clases de esta asignatura habían perdido durante el cuatrimestre. Las respuestas obtenidas
Más detallesAnálisis descriptivo con SPSS. Favio Murillo García
Análisis descriptivo con SPSS Favio Murillo García Tablas de contingencia Cuando se trabaja con variables categóricas, los datos suelen organizarse en tablas de doble entrada en las que cada entrada representa
Más detallesComparación de variables continuas. Ventajas. Desventajas. Ventajas
Comparación de variables continuas Familias param. y no-param. Familias paramétricas: Funciones de distribución caracterizadas por pocos parámetros Familias no paramétricas: Funciones de distribución que
Más detallesTema 3. Tema 3 La Distribución Normal y los Puntajes Estándar. Profa. María Fátima Dos Santos
Tema 3 Tema 3 La Distribución Normal y los Puntajes Estándar Profa. María Fátima Dos Santos 1 TEMARIO Concepto de distribución. Algunas distribuciones. Distribución normal. Características Distribución
Más detallesEXAMEN Prof. J. Calventus S., 19 julio de 2013
U. S. T. Psicología Estadística Inferencial EXAMEN Prof. J. Calventus S., 19 julio de 2013 NOMBRE: Puntaje: Nota: Para responder esta prueba podrá consultarse todo tipo de material escrito. Utiliza un
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 detallesDESCRIPCIÓN DE DATOS POR MEDIO DE GRÁFICAS
ÍNDICE Introducción: Entrene su cerebro para la estadística... 1 La población y la muestra... 3 Estadísticas descriptivas e inferenciales... 4 Alcanzar el objetivo de estadísticas inferenciales: los pasos
Más detallesEstadística Computacional. M. González
Estadística Computacional M. González Facultad de Medicina. Universidad de Extremadura M. González (UEx) Estadística Computacional 1 / 23 Índice Modelos Lineales Generalizados Bioensayos: Modelos Dosis-Respuesta
Más detallesAnálisis Estadístico. Dra. Adela Del Carpio Rivera Doctor En Medicina
Análisis Estadístico Dra. Adela Del Carpio Rivera Doctor En Medicina ANTE LA GRAN CANTIDAD DE INFORMACIÓN Debemos saber discernir entre: Cuál es la información que necesitamos Si el estudio tiene real
Más detallesRegresión logística. Tratamiento computacional con R. José Luis Cañadas Reche
Regresión logística. Tratamiento computacional con R. José Luis Cañadas Reche Junio 2013 i Máster en Estadística Aplicada. Departamento de Estadística e Investigación Operativa. Facultad de Ciencias. Universidad
Más detallesIncidencia de la interpretación de frases nominales en la comprensión de textos técnicos escritos en inglés
Cifra 6 Incidencia de la interpretación de frases nominales en la comprensión de textos técnicos escritos en inglés Adriana Habra 1 y Carlos López 2 1. Introducción Los cambios económicos, políticos y
Más detallesLas desigualdades entre las deviances no se verifican necesariamente entre los estadísticos χ 2 de Pearson.
Análisis de la deviance El análisis de la deviance es una generalización del análisis de la varianza para los GLM obtenido para una secuencia de modelos anidados (cada uno incluyendo más términos que los
Más detallesINDICE. Prologo Introducción El sistema SPSS Análisis estadístico con el SPSS Estadista avanzada Guía de lectura Parte I Programación
INDICE Prologo Introducción El sistema SPSS Análisis estadístico con el SPSS Estadista avanzada Guía de lectura Parte I Programación 3 1. Una sesión básica con el SPSS para Windows: trabajando con lo distintos
Más detallesAplicación del método Bayes empírico en análisis de seguridad vial: el caso de la ruta 32 en Costa Rica
Aplicación del método Bayes empírico en análisis de seguridad vial: el caso de la ruta 32 en Costa Rica Jonathan Agüero-Valverde. Ph.D. Profesor Programa de Investigación en Desarrollo Urbano Sostenible
Más detallesVender o no vender ese es el problema (II)
Vender o no vender ese es el problema (II) Reg. logística: Bondad de ajuste, Predicció y Curvas ROC Xavi Babrer Centro de Investigación Operativa Universidad Miguel Hernández de Elche Xavi Babrer (@umh1480
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detalles(x) = 1 si P (Y = 1 X = x) P (Y = 0 X = x) P (Y = 0 X = x) > P (Y = 1 X = x) P (X = x Y = 0)P (Y = 0) > P (X = x Y = 1)P (Y = 1)
1 1. Conceptos generales de clasificación 2. Clasificador k-vecino más cercano 3. Clasificador Bayesiano óptimo 4. Análisis discriminante lineal (LDA) 5. Clasificadores lineales y el Modelo perceptrón
Más detallesHeterocedasticidad en modelos de regresión ordinal con R
Heterocedasticidad en modelos de regresión ordinal con R José Luis Cañadas Reche Instituto de Estudios Sociales Avanzados IESA-CSIC Noviembre 2011 Descripción del modelo Ajuste del modelo con Modelo logit
Más detallesEstadística I Examen Final - 28 Mayo de 2009 Tiempo: 2.5h - Total: 40 puntos. Nombre:... Grupo:...
Estadística I Examen Final - 28 Mayo de 2009 Tiempo: 2.5h - Total: 40 puntos Nombre:... Grupo:... Realizar los cálculos intermedios con 4 decimales y redondear el resultado final a 2 decimales. 1. (10
Más detallesAnálisis de datos cualitativos
Capítulo Análisis de datos cualitativos DEFINICIÓN DE VARIABLES CUALITATIVAS Son aquellas variables cuyos valores son un conjunto de cualidades no numéricas a las que se llama categorías o modalidades.
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 detallesPredicción del bajo peso al nacer utilizando variables antropométricas y demográficas de la madre
Predicción del bajo peso al nacer utilizando variables antropométricas y demográficas de la madre Tablas La forma analítica en que la probabilidad objeto de interés se vincula con las variables explicativas
Más detallesModelos Lineales Generalizados
Modelos Lineales Generalizados 1 DefinicióndeunMLG Y1,Y2,...,Yn,conmediasµ1,µ2,...,µn,Yi, i=1,...,n,tienefdpmiembrodela familia exponencial a un parámetro, con las siguientes propiedades: 1.LadistribucióndecadaunodelosYi,paratodoi,estáenlaformacanónica,i.e.:
Más detallesStatisticians, like artists, have the bad habit of falling in love with their models. George Box
Statisticians, like artists, have the bad habit of falling in love with their models. George Box /R/glms.htm * Los ajustes de µ i se calculan mediante g 1 p ( j=1 β jx jj ), una vez estimados
Más detallesPráctica 3: Regresión simple con R
Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 3: Regresión simple con R 1. El fichero de datos Vamos a trabajar con el fichero salinity que se encuentra en el paquete boot. Para cargar
Más detallesModelos Lineales Generalizados
Modelos Lineales Generalizados María Durbán Índice general 1. Introducción 3 1. Introducción a R...................................... 3 1.1. Instalalar y empezar con el programa......................
Más detallesPrefacio... xvii. 1 La imaginación estadística... 1
ÍNDICE Prefacio... xvii 1 La imaginación estadística... 1 Introducción... 1 Pensamiento proporcional... 3 La imaginación estadística... 8 Enlace de la imaginación estadística con la imaginación sociológica...
Más detallesTema: Medidas de Asociación con SPSS
Tema: Medidas de Asociación con SPSS 1.- Introducción Una de las tareas habituales en el análisis de encuestas es la generación y análisis de tablas de contingencia, para las variables y categorías objetivo
Más detallesMÀSTER DE LOGÍSTICA, TRANSPORT I MOBILITAT (UPC). CURS Q1 EXAMEN FINAL 1 Mètodes de Captació, Anàlisi i Interpretació de Dades.
MÀSTER DE LOGÍSTICA, TRANSPORT I MOBILITAT (UPC). CURS 13-14 Q1 EXAMEN FINAL 1 Mètodes de Captació, Anàlisi i Interpretació de Dades. (Data: 15/1/2014 16:00-19:00 h Lloc: Aula H5.6) Nom de l alumne: DNI:
Más detallesEstimación de una función de gasto en alimentos
Base de datos http://www.principlesofeconometrics.com/poe4/poe4stata.htm Definición de variables http://www.principlesofeconometrics.com/poe4/data/def/food.def food.def food_exp income Obs: 40 food_exp
Más detallesAGRO 5005 Examen Final 2014 Nombre: Número de estudiante:
AGRO 5005 Examen Final 04 Nombre: Número de estudiante: Instrucciones: Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden usar el libro y la calculadora. Para obtener crédito parcial
Más detalles