Semana 3. Semana 3. Correlaciones. Introducción. Regresión. Diferenciación. Series de Tiempo. Suavizamiento. Descomposición.
|
|
- Tomás Aranda Cano
- hace 5 años
- Vistas:
Transcripción
1 Series de Tiempo
2 Esquema
3 Esquema
4 jj Dividendos de Johnson & Johnson ACF ACF para la serie de dividendos de Johnson & Johnson.
5 AP Pasajeros de Pan Am ACF ACF para la serie de pasajeros de Pan Am.
6 nysevec.mio NYSE nyseret.mio Indice del NYSE y returns.
7 ACF NYSE ACF ACF para el índice del NYSE y returns.
8 v w Ruido Blanco Tiempo Promedio Movil (3) v Tiempo Promedio Movil (7) v Tiempo Promedio Movil (15) Tiempo Promedio Movil con 3, 7 y 15 datos.
9 MA(3) ACF MA(7) ACF MA(15) ACF Lag ACF para promedio Movil con 3, 7 y 15 datos.
10 speech Grabacion de la silaba aaaaaaahhhhhh (0.1 s.) Tiempo Series speech ACF ACF para datos de lenguaje.
11 Southern Oscillation Index Incremento en la Poblacion de Peces Series SOI e Incremento de Peces.
12 Southern Oscillation Index ACF Lag Recruitment ACF Lag SOI vs Recruitment CCF Lag ACF para SOI e Incremento de Peces.
13 Esquema
14 Modelación de S T Enfoque General Graficar la serie y examinar sus características principales, en particular examinar si existe a) una tendencia, b) componentes estacionales, c) cambios repentinos en el comportamiento, d) observations atípicas (outliers). Eliminar la tendencia y las componentes estacionales para obtener residuales estacionarios. Para esto, es posible que sea necesario aplicar una transformación inicial a los datos. Escoger un modelo para los residuales estacionarios, usando diversas estadísticas muestrales, como la autocorrelación muestral. Verificar que los residuales que se obtienen una vez ajustado el modelo, son ruido blanco.
15 Enfoque General Graficamos los datos para verificar si hay discontinuidades aparentes en la serie, como un cambio de nivel o un cambio de variabilidad. Posibilidad de analizar la serie en segmentos homogéneos. Las observaciones atípicas deben estudiarse cuidadosamente para ver si es razonable eliminarlas.
16 Enfoque General El gráfico nos puede indicar si es razonable una descomposición del tipo donde X t = m t + s t + Y t m t es una función que varía lentamente que representa la tendencia de la serie, s t es una función periódica con período d que representa la componente estacional y Y t es un proceso estacionario.
17 Enfoque General Si las fluctuaciones estacionales y las producidas por el ruido aumentan con el nivel del proceso, puede ser necesario aplicar una transformación previa a los datos. Pasajeros de Pan Am en EEUU Pasajeros (1000s) log(ap)
18 Transformación logarítmica de os datos.
19 Tendencia Métodos para construcción de modelos: Ajuste de tendencia polinomial,. Métodos No Paramétricos: Promedios móviles Núcleo local Lowess Splines Espectral No resultan adecuados para construcción de modelos
20 Esquema
21 La gráfica muestra el número de huelgas en USA en el período Huelgas en USA Huelgas Años
22 Ajustamos una tendencia cúbica: m t = β 0 + β 1 t + β 2 t 2 + β 3 t 3 a los datos x 1, x 2,..., x n usando mínimos cuadrados.: Buscamos los parámetros β 0, β 1, β 2, β 3 que minimizan la suma n (x t m t ) 2 t=1
23 Huelgas en USA Huelgas Años Ajuste de un polinomio cubíco a los datos.
24 Huelgas en USA Residuales Años Residuales del ajuste de un polinomio cuadrático a los datos.
25 Tenemos una serie X t, t = 1,..., n que es la serie de interés y queremos analizar la influencia de las series Z t1, Z t2,..., Z tq, con t = 1,..., n a través de una relación lineal: X t = β 1 Z t1 + β 2 Z t2 + + β q Z tq + w t Podemos escribir este modelo lineal de manera general como X t = β Z t + w t
26 Estimamos β por mínimos cuadrados: Q = n wt 2 = t=1 n (X t β Z t ) 2 t=1 La solución de este problema es ˆβ = (Z Z) 1 Z X Estos estimadores son insesgados y tienen varianza mínima entre los estimadores lineales insesgados.
27 La suma de errores al cuadrado mínimizada se denota por SSE y es SSE = n (X t ˆβ Z t ) 2 = X X ˆβZ X t=1 Si los errores tienen distribución normal, ˆβ también es el estimador de máxima verosimilitud de β y tiene distribución normal con Cov( ˆβ) = σ 2 w(z Z) 1 σ 2 wc.
28 Un estimador insesgado para la varianza es s 2 w = MSE = SSE n q donde MSE = Mean Squared Error. Bajo la hipótesis de normalidad, s 2 w tiene distribución χ 2 n q y es independiente de ˆβ. t n q = ˆβ i β i s w cii tiene distribución t con n q grados de libertad.
29 En este esquema podemos usar el análisis de la varianza para comparar modelos anidados, usando la distribución F. Este procedimiento puede usarse para seleccionar variables paso a paso. Una alternativa que busca comparar modelos sin proceder secuencialmente, evaluando cada modelo por separado, es la siguiente: Supongamos que consideramos un modelo de regresión normal con k coeficientes y llamamos el estimador de MV de la varianza ˆσ 2 k = SSE k n
30 Criterio de Akaike Akaike sugirió medir la calidad del ajuste para este modelo por una expresión que busca balancear el error del ajuste contra el número de parámetros en el modelo, a través del siguiente coeficiente AIC = log ˆσ 2 k + n + 2k n donde ˆσ k 2 es el estimador de MV de la varianza y k es el número de parámetros en el modelo.
31 Dos modificaciones de este criterio son las siguientes: Criterio de Akaike Corregido AICc = log ˆσ 2 k + Criterio de Información Bayesiano n + k n k 2 BIC = log ˆσ 2 k + k log n n
32 Mortalidad Cardiovascular Mortalidad semanal por causas cardiovasculares en Los Angeles County.
33 Ajuste de tendencia polinomial Consideramos un modelo de la forma X t = m t + Y t donde m t es la tendencia. Una posible forma de m t es regresión polinomial: m t = β 0 + β 1 t + + β p t p que podemos ajustar por mínimos cuadrados.
34 Mortalidad Cardiovascular mortalidad Ajuste de polinomio de grado 3 mostrando tendencia.
35 Mortalidad Cardiovascular Residuales Residuales del ajuste de polinomio de grado 3 mostrando tendencia.
36 Ajuste de componente estacional Si tenemos un modelo de la forma X t = s t + Y t con componente estacional, podemos superponer a la estimación anterior una componente estacional armónica s t = α 0 + α 1 cos(2πω 1 t) + β 1 sen(2πω 1 t) + + α p cos(2πω p t) + β p sen(2πω p t) que podemos ajustar por mínimos cuadrados.
37 Mortalidad Cardiovascular Residuales Ajuste de componente armónica mostrando estacionalidad.
38 Ajuste de tendencia y componente estacional Si tenemos un modelo de la forma X t = m t + s t + Y t con tendencia y componente estacional, podemos superponer las estimaciones anteriores: m t + s t = β 0 + β 1 t + + β p t p + α 1 cos(2πω 1 t) + β 1 sen(2πω 1 t) + + α p cos(2πω p t) + β p sen(2πω p t) que podemos ajustar por mínimos cuadrados.
39 Mortalidad Cardiovascular mortalidad pol. cúbico comp. armònica pol. cúbico comp. armónica polinomio cúbico componente armónica Ajuste de polinomio de grado 3 mostrando tendencia y componente armónica mostrando estacionalidad.
40 Mortalidad Cardiovascular Residuales Residuales del ajuste de polinomio de grado 3 y componente estacional.
41 Consideramos ahora un modelo con regresión sobre otras series de datos que corresponden a la temperatura y la comtaminación para el mismo periodo. En las siguientes láminas mostramos en primer lugar las tres series y luego una matriz de gráficos que muestra las posibles relaciones entre las distintas variables.
42 Mortalidad Cardiovascular Temperatura Particulas Series para mortalidad cardiovascular, temperatura y contaminación en Los Angeles County.
43 Mortality Temperature Particulates Matriz de gráficos para mortalidad cardiovascular, temperatura y contaminación en Los Angeles County.
44 Intentamos los siguientes modelos: M t = β 1 + β 2 t + w t (1) M t = β 1 + β 2 t + β 3 (T t T ) + w t (2) M t = β 1 + β 2 t + β 3 (T t T ) + β 4 (T t T ) 2 + w t (3) M t = β 1 + β 2 t + β 3 (T t T ) + β 4 (T t T ) 2 + β 5 P t + w t (4)
45 Modelo k SSE df MSE R 2 AIC BIC (1) 2 40, (2) 3 31, (3) 4 27, (4) 5 20, El modelo seleccionado sería M t = t 0.473(T t 74.6) +.023(T t 74.6) P t Los errores estándar de los coeficientes son, respectivamente, 0.002, 0.032, y
46 Esquema
47 Buscamos eliminar la tendencia tomando diferencias de términos sucesivos. Para ello definimos el operador de diferencias por X t = X t X t 1 = (1 B)X t donde B es el operador de retardo (backward shift) BX t = BX t 1
48 Las potencias de estos operadores se definen de la manera usual B j X t = X t j, j X t = ( j 1 (X t )), j 1 con 0 (X t ) = X t. Los polinomios en B y se operan al igual que los polinomios de variables reales. Por ejemplo 2 X t = ( (X t )) = (1 B)(1 B)X t = (1 2B + B 2 )X t = X t 2X t 1 + X t 2
49 Si aplicamos el operador a una función de tendencia lineal m t = c 0 + c 1 t, obtenemos una función constante m t = m t m t 1 = c 0 + c 1 t (c 0 + c 1 (t 1)) = c 1 De manera similar cualquier tendencia polinomial de grado k puede ser reducida a una constante aplicando el operador k.
50 Huelgas en USA Huelgas de la series de huelgas en USA.
51 Pasajeros (1000s) Pasajeros de Pan Am en EEUU log(ap) Número de pasajeros de Pan Am (arriba) logaritmo de número de pasajeros (abajo).
52 diff(ap) diff(log(ap)) de las series de pasajeros de Pan Am.
53 Esquema
54 por Promedios Móviles Este método es útil para hallar tendencias a largo plazo y también componentes estacionales. Si x t representa las observaciones entonces ˆm t = k a j x t j j= k donde a j = a j 0 y k j= k a j = 1 es un promedio móvil simétrico de los datos. Con frecuencia usamos a j = 1/(2k + 1), que da igual peso a todos los puntos.
55 Mortalidad Cardiovascular Mortalidad semanal por causas cardiovasculares en Los Angeles County.
56 Mortalidad Cardiovascular mortalidad Mortalidad semanal por causas cardiovasculares en Los Angeles County.
57 Mortalidad Cardiovascular mortalidad ma5 ma53 ma5 ma53 Ajuste de promedios móviles con 5 (azul) y 53 (rojo) datos, mostrando tendencia y estacionalidad en la serie.
58 Podemos pensar que el promedio móvil es un proceso que se obtiene a partir de X t al aplicar un filtro lineal ˆm t = j= a j X t j con pesos a j = (2q + 1) 1, q j q. En este caso particular se trata de un filtro pasa bajo (low pass) ya que deja pasar las bajas frecuencias y filtra las altas frecuencias. Lo que queda es una estimación de la tendencia de X t que varía lentamente.
59 Escogiendo los pesos de manera adecuada podemos diseñar filtros que no sólo serán efectivos en la atenuación del ruido, sino que dejan pasar una clase grande de funciones, por ejemplo, los polinomios de grado menor o igual a 3, sin distorsión. El filtro de 15 puntos de Spencer deja pasar los polinomios de grado menor o igual que 3 sin distorsión y se define por (a 0, a 1,..., a 7 ) + 1 (74, 67, 46, 21, 3, 5, 6, 3) 320 con a j = 0 para j > 7 y a j = a j.
60 local Los métodos que usamos anteriormente para estimar la tendencia y la componente estacional son globales: Suponen que la misma función sirve para todo el rango de valores. La técnica de promedios móviles, en cambio, es una técnica local. A continuación definimos otros suavizadores locales.
61 por núcleo El suavizamiento por núcleos es un promedio móvil que usa una función de peso. con pesos ˆm t = n w i (t)x i, i=1 w i (t) = 1 ( t i ) C K, C = 1/ b donde K es la función de núcleo. n ( t i ) K b j=1 Se conoce como el estimador de Nadaraya-Watson. Con frecuencia se usa como núcleo la densidad normal típica.
62 Mortalidad Cardiovascular mortalidad b=104/52=2 b=5/52 por núcleos con dos anchos de banda.
63 por regresión local El suavizamiento por regresión local usa los datos más cercanos en el tiempo x t k/2,..., x t,..., x t+k/2 para predecir x t usando una regresión local. Para los datos de mortalidad por causas cardiovasculares, la regresión se hizo con k = n/2 para estimar la tendencia y k = n/100 para estimar la componente estacional.
64 Mortalidad Cardiovascular mortalidad por regresión local.
65 por LOWESS LOWESS es un método de suavizamiento que usa regresión local para construir una curva suave que muestre la tendencia de una nube de puntos. También se conoce como regresión polinomial local pesada y fue propuesto por Cleveland en En cada punto se ajusta un polinomio de grado bajo usando un subconjunto de datos cercanos al punto en el cual se quiere estimar la respuesta. El polinomio se ajusta usando mínimos cuadrados pesados, dando mayor peso a los puntos más cercanos
66 Mortalidad Cardiovascular mortalidad por LOWESS.
67 por Splines Este método es una extensión de la regresión polinomial. En este caso se divide el intervalo de tiempo en k subintervalos [t 0 = 1, t 1 ], [t 1 + 1, t 2 ],..., [t k 1 + 1, t k = n] Los valores t 1, t 2,..., t k se conocen como nudos. En cada intervalo se ajusta por regresión un polinomio local de modo que en los nudos coincidan los valores del polinomio y de sus primeras derivadas.
68 por Splines Una variación del método de suavizamiento por splines busca minimizar una combinación de ajuste y el grado de suavidad de la curva, usando la ecuación n (s (x t s t ) 2 ) 2dt + λ t t=1 donde s t es, por ejemplo, un spline cúbico con un nudo en cada t.
69 Mortalidad Cardiovascular mortalidad por Splines.
70 Mortalidad Cardiovascular mortalidad ma53 pol. cúbico núcleo reg. local lowess splines Métodos de.
71 Mortalidad Cardiovascular mortalidad ma5 pol. cúbico núcleo reg. local lowess splines Métodos de.
72 Las técnicas de suavizamiento también pueden aplicarse al suavizamiento de una serie de tiempo como función de otra. Vimos anteriormente que hay una relación no-lineal entre la serie de mortalidad y la de temperatura. La gráfica en la siguiente lámina muestra gráficas de dispersión de Mortalidad como función de la temperatura y suavizamientos obtenidos con LOWESS y Splines.
73 Mortalidad lowess Mortalidad Temperatura splines Temperatura.
74 Esquema
75 Muertes accidentales en USA, muertes Muertes por causas accidentales en USA
76 Primer Enfoque. Estimación de la tendencia y estacionalidad Probamos ajustar un modelo con componente estacional. Ajustamos primero un modelo con un armónico con frecuencia 2π/12. Luego añadimos un segundo armónico con frecuencia 2π/6.
77 Muertes accidentales en USA, muertes Muertes por causas accidentales en USA
78 Muertes accidentales en USA, muertes Muertes por causas accidentales en USA
79 Los residuales muestran que hay una tendencia cuadrática que debe ser estimada y filtrada Residuales Muertes por causas accidentales en USA
80 Para ajustar un modelo completo, que incluya tendencia y componente estacional, usamos en R la función decompose, que usa promedios móviles para el ajuste Decomposition of additive time series random seasonal trend observed Time Muertes por causas accidentales en USA
81 Segundo Enfoque. para eliminar tendencia y estacionalidad Suponemos inicialmente que el modelo sólo tiene una componente estacional: X t = s t + Y t Aplicamos inicialmente el operador de diferenciación a los datos con un retardo de 12 meses. Si la componente estacional s t tiene período de 12 meses, al hacer esto obtenemos (12) X t = Y t Y t 12
82 Las diferencias todavía muestran una tendencia ascendente, así que tomamos una diferencia adicional con retardo 1. Diferencias Muertes por causas accidentales en USA
83 Diferencias Muertes por causas accidentales en USA
84 Diagnóstico Gráficas de dispersión con retardo para el SOI. soi(t) soi(t 1) soi(t 4) soi(t) soi(t 2) soi(t 5) soi(t) soi(t 3) soi(t 6) soi(t) soi(t) soi(t 7) soi(t 10) soi(t) 0.18 soi(t) soi(t 8) soi(t 11) soi(t) soi(t) soi(t 9) soi(t 12) soi(t) soi(t) SOI. soi(t)
85 Diagnóstico Gráficas de dispersión con retardo para el SOI y peces. rec(t) rec(t) rec(t) soi(t 0) soi(t 3) soi(t 6) rec(t) rec(t) rec(t) soi(t 1) soi(t 4) soi(t 7) rec(t) rec(t) rec(t) soi(t 2) soi(t 5) soi(t 8) SOI.
Regresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesCapítulo 8. Selección de variables Introducción
Capítulo 8 Selección de variables 8.1. Introducción En muchos problemas de regresión es posible considerar un número importante de variables predictoras. Un empresario podría estudiar los factores que
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más 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 detallesAnálisis de Series de Tiempo. Universidad Nacional Autónoma de México. M. en C. César Almenara Martínez. 10 de Noviembre de 2010.
Análisis de Series de Tiempo. M. en C. César Almenara Martínez. Universidad Nacional Autónoma de México. 10 de Noviembre de 2010. 1 Receta. 2 Análisis. 1 Receta. 2 Análisis. Para hacer un análisis básico
Más detallesEconometría Aplicada
Econometría Aplicada Series de Tiempo II Víctor Medina Estacionalidad Estacionalidad Estacionalidad Variación estacional Las series de tiempo pueden presentar variación estacional. Ejemplos claros de este
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesTEMA 3 Modelo de regresión simple
TEMA 3 Modelo de regresión simple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Planteamiento del problema.
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesHerramientas para el Estudio de Mercado. Técnicas de Predicción.
Herramientas para el Estudio de Mercado Proyecciones Económicas Técnicas de Predicción. Profesor: Exaú Navarro Pérez Técnicas de Predicción. Introducción. Técnicas Elementales de Predicción. Modelo Econométrico.
Más detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
Más detallesUniversidad Mariano Gálvez Ingeniería Electrónica Estadística inferencial. Presenta Dra. En Ing. Rita Victoria de León Ardón
Universidad Mariano Gálvez Ingeniería Electrónica Estadística inferencial Presenta Dra. En Ing. Rita Victoria de León Ardón Objetivo de la presentación Desarrollar el concepto de regresión múltiple y sus
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesRegresión con errores autocorrelacionados
Series de tiempo Gerardo Ortega Miguel Pluma Luis Osorio Johnatan García 09 de diciembre de 2013 Contenido 1 Introducción Idea intuitiva 2 Algoritmo 3 Propiedades de los estimadores 4 Estadístico de Durbin-Watson
Más detallesESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesSolución Ejercicio 7.
Solución Ejercicio 7. Heterocedasticidad y autocorrelación. Ejercicio 7.1 Alquiler de sombrillas Primera parte a. Modelo: S t = α + βt t + u t t = 1,..., 22 Modelo 1: MCO, usando las observaciones 2012-04-30
Más detallesARCH y GARCH. Series de tiempo. Miguel Ángel Chong R. 14 de mayo del 2013
Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 14 de mayo del 013 Modelos estacionales multiplicativos y estacionarios En la mayor parte de los casos los datos no sólo están correlacionados
Más detallesEstimación de densidades basada en núcleos: algunos elementos. Isabel Cañette
Estimación de densidades basada en núcleos: algunos elementos básicos. Isabel Cañette Seminario de Reconocimiento de Patrones. Seminario de Probabilidad y Estadística. Diciembre, 2002 Introducción. Decimos
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesRelación 3 de problemas
ESTADÍSTICA II Curso 2016/2017 Grado en Matemáticas Relación 3 de problemas 1. La Comunidad de Madrid evalúa anualmente a los alumnos de sexto de primaria de todos los colegios sobre varias materias. Con
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 detallesAjustando Curva SnapStat
STATGRAPHICS Rev. 9/14/26 Ajustando Curva SnapStat Resumen El procedimiento Ajustando Curva SnapStat crea un resumen de una pagina que describe la relación entre un solo factor cuantitativo X y una variable
Más detallesEjemplos de estudios de series de tiempo
1 Ejemplos de estudios de series de tiempo Ejemplo 1 Pasajeros Aerolíneas Internacionales (PAI) Este estudio está realizado sobre un famoso conjunto de datos mensuales, el número de pasajeros de aerolíneas
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 detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 12 REGRESIÓN LINEAL Mediante la regresión lineal se busca hallar la línea recta que mejor explica la relación entre unas variables independientes o variables de exposición y una variable dependiente
Más detallesMulticolinealidad Introducción. Uno de los supuestos básicos del modelo lineal general. y = Xβ + u
CAPíTULO 6 Multicolinealidad 6.1. Introducción Uno de los supuestos básicos del modelo lineal general y = Xβ + u establece que las variables explicativas son linealmente independientes, es decir, la igualdad
Más detallesEjemplo de Regresión Lineal Simple
Ejemplo de Regresión Lineal Simple Países Porcentaje de Inmunización (x) Tasa de mortalidad (y) Bolivia 77 8 Brazil 69 65 Cambodia 3 84 Canada 85 8 China 94 43 Czech_Republic 99 Egypt 89 55 Ethiopia 3
Más detallesModelos de Calibración
Modelos de Calibración Resumen El procedimiento Modelos de Calibración esta diseñado para construir un modelo estadístico que describe la relación entre variables, X y Y, donde construir un modelo es construir
Más detallesT3. El modelo lineal básico
T3. El modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Regresión lineal múltiple Planteamiento Hipótesis
Más detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesRegresión Lineal Múltiple
Unidad 3 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Estadística II Semestre 2018-1 1 / 54 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable
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 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesMÉTODOS DE PRONÓSTICO TEMA 1: ANÁLISIS DE SERIES DE TIEMPO Y ELABORACIÓN DE PRONÓSTICOS
UNIDAD 4 MÉTODOS DE PRONÓSTICO TEMA 1: ANÁLISIS DE SERIES DE TIEMPO Y ELABORACIÓN DE PRONÓSTICOS Predicción de lo que sucederá en el futuro. 1 Predicción de lo que sucederá en el futuro. Los métodos de
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M. Los modelos de regresión sirven, en general, para tratar de expresar una variable respuesta (numérica) en
Más detallesUn modelo para representar una relación aproximadamente
Regresión Se han visto algunos ejemplos donde parece que haya una relación aproximadamente lineal entre dos variables. Supongamos que queremos estimar la relación entre las dos variables. Cómo ajustamos
Más detallesAnálisis de Series Temporales (Continuación)
Análisis de Series Temporales (Continuación) Juan A. Botía juanbot@um.es Departamento de Ingeniería de la Información y las Comunicaciones Universidad de Murcia TIIA, Primer Cuatrimestre, 2009/2010 JBB
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesModelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
Más detallesRegresión Lineal. El modelo de regresión caracteriza la relación entre una variable respuesta que depende de k variables independientes o regresoras.
Regresión Lineal Los factores envueltos en la experimentación pueden ser de tipo cuantitativos o cualitativos Un factor cuantitativo es aquel que sus niveles pueden ser asociados con puntos dentro de una
Más detallesDatos bivariantes: regresión
M. Wiper Estadística 1 / 14 Datos bivariantes: regresión Michael Wiper Departamento de Estadística Universidad Carlos III de Madrid M. Wiper Estadística 2 / 14 Objetivo Ilustrar como ajustar una recta
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesANÁLISIS DE REGRESIÓN N LINEAL
ANÁLISIS DE REGRESIÓN N LINEAL Varias partes tomadas de Julio H. Cole "Nociones de Regresión Lineal" en Enciclopedia Multimedia Virtual de Economía EMVI. http://eumed.net/cursecon/medir/index.htm Análisis
Más detallesProcesos autorregresivos
Capítulo 3 Procesos autorregresivos Los procesos autorregresivos deben su nombre a la regresión y son los primeros procesos estacionarios que se estudiaron. Proceso autorregresivo: Un proceso autorregresivo
Más detallesIntroducción a las series temporales
Tema 1: Tema 1: 1 Definición y ejemplos 2 Clasificación 3 Objetivos 4 Métodos clásicos de análisis Definición y ejemplos Serie Temporal Colección de observaciones que se toman secuencialmente a lo largo
Más detallesCLAVE Lab 11 - Regresión Lineal Simple y Polinomial
Escala común CLAVE Lab 11 - Regresión Lineal Simple y Polinomial 1. A mano, construya los siguientes gráficos: a. Grafique la línea recta correspondiente a la ecuación y 2x 1 b. Grafique la línea recta
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 detallesEl Modelo de Regresión Lineal General Estimación
Tema 5 El Modelo de Regresión Lineal General Estimación Pilar González y Susan Orbe Dpto Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Tema 5 MRLG: Estimación 1
Más detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesque represente lo mejor posible la relación entre valores X e Y permitiéndonos inferir un valor a partir del otro.
Regresió n josé a. mañas 8.2.2017 1 Introducción El objetivo de las técnicas de regresión es identificar una función que permita estimar una variable Y en función de la otra X. Es decir, averiguar una
Más detallesTeoría 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
Más detallesModelos de suavizado, aditivos y mixtos
Carmen Armero 1 de junio de 2011 Introducción Introducción Modelos lineales, LM Modelos aditivos, AM Modelos lineales generalizados, GLM GAM I Un modelo lineal generalizado (GAM) es un modelo lineal generalizado
Más 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 detallesAnálisis de Series de Tiempo
CURSO REGIONAL SOBRE HOJA DE BALANCE DE ALIMENTOS, SERIES DE TIEMPO Y ANÁLISIS DE POLÍTICA MSc. Sandra Hernández sandra.hernandezro@gmail.com Sede Subregional de la CEPAL en México Ciudad de México, del
Más detallesEconometría I (LADE). Curso 2001/2002 PRÁCTICA 08
PRÁCTICA 08 HETEROCEDASTICIDAD Y NORMALIDAD En el fichero Datos08.wf1 tenemos la renta y consumo anual (en dólares) para 500 familias con el que se pretende estimar el siguiente modelo: C i = β + β R +
Más detallesESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda.
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda. APRENDIZAJE AUTOMÁTICO, ESTIMACIÓN Y DETECCIÓN Introducción
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesGuía breve de análisis de series temporales unidimensionales con Gretl
Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria
Más detallescon los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
Más detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
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 detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detallesLa recta de regresión
La recta de regresión (x 1, y 1 ), (x 2, y 2 ),...,(x N, y N ) : N pares de puntos observados Hemos de encontrar una recta: y = α + β x que se ajuste lo mejor posible a nuestros puntos: Queremos predecir
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesSesgo y varianza del estimador de la razón. con el problema de presición vs. sesgo que ya discutimos. t y. ˆt x
Sesgo y varianza del estimador de la razón A diferencia de los estimadores lineales vistos en las clases anteriores, los estimadores de la razón son usualmente sesgados. La varianza, comunmente más reducida,
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación
Más detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
Más detallesApuntes de Series Temporales
Apuntes de Series Temporales David Rodríguez 7 de Noviembre de 2009. Modelos de Series Temporales Modelo AR() El modelo AutoRegresivo AR() es un proceso aleatorio de la forma X t = ϕx t + σϵ t, ϵ t N (0,
Más detallesEstimación de homografías
Estimación de homografías Visión en Robótica 1er cuatrimestre de 2013 1 Introducción del problema Una homografía es una transformación proyectiva que determina una correspondencia entre puntos El problema
Más detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más detallesRegresion lineal simple
Unidad 2 Regresion lineal simple Javier Santibáñez (IIMAS, UNAM) Estadística II Semestre 2018-1 1 / 73 Planteamiento El modelo de regresión lineal simple relaciona la variable de interés Y, llamada dependiente,
Más detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallesEjercicios Temas 3 y 4: Interpolación polinomial. Ajuste de curvas.
Ejercicios Temas 3 y 4: Interpolación polinomial. Ajuste de curvas.. El número de personas afectadas por el virus contagioso que produce la gripe en una determinada población viene dado por la siguiente
Más detallesEconometría Universidad Carlos III de Madrid Examen Extraordinario 25 de Junio de Pr (N (0, 1) > 1, 282) = 0, 10
Econometría Universidad Carlos III de Madrid Examen Extraordinario 25 de Junio de 2014 Instrucciones para la realización del examen: Dispone de 2 horas y media para responder al examen La evaluación consta
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Más detallesRegresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
Más detallesUnidad Temática 3: Estadística Analítica. Unidad 9 Regresión Lineal Simple Tema 15
Unidad Temática 3: Estadística Analítica Unidad 9 Regresión Lineal Simple Tema 15 Estadística Analítica CORRELACIÓN LINEAL SIMPLE Indica la fuerza y la dirección de una relación lineal proporcional entre
Más detalles