Práctica 10: Introducción a Modelos Lineales Generalizados.
|
|
- Carolina Carrizo Santos
- hace 5 años
- Vistas:
Transcripción
1 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 Consideraremos concretamente el problema de regresión de Poisson y el de respuesta a una dosis También ilustraremos la utilidad del modelo en un problema de clasificación ) En el archivo SIDAsav se registran las muertes a causa del SIDA por trimestre en Australia entre 983 y Muertes por SIDA Trimestre 2 Se asume que cada observación sigue una ley de Poisson cuya media $m_i$ puede relacionarse con el trimestre $i$ mediante m_i=a*i**b_, es decir, log(m_i)=b_+b_*z, siendo b_=log(a) y z=log(i) En ese caso, el problema de regresión se resolvería tomando como covariable rl logaritmo del trimestre y como ligadura la función logaritmo, con los siguientes resultados Información del modelo Variable dependiente Distribución de probabilidades Función de enlace Muertes por SIDA Poisson Logaritmo Página
2 Bondad de ajuste Desvianza Log verosimilitud Variable dependiente: Muertes por SIDA Modelo: (Intersección), Z Valor gl 7, ,9 Estimaciones de los parámetros Parámetro (Intersección) Z Variable dependiente: Muertes por SIDA Modelo: (Intersección), Z Intervalo de confianza de Wald 95% Contraste de hipótesis Chi-cuadrado B Error típico Inferior Superior de Wald gl Sig -,944,56-2,947 -,94 4,442, 2,75,25,753 2,596 2,27, 2) En el archivo Poissonsav se registra el número de sucesos acaecidos durante un determinado periodo de tiempo anotándose en cada cado el valor de cierta covariable x con la que puede existir una relación lineal por término medio 5 y 5 - x Se supondrá que cada observación sigue un modelo de distribución de Poisson de media m- i de tal forma que m-i=b+b*x-i Así pues, el problema se afrontará mediante un modelo lineal generalizado utilizando la distribución de Poisson, la covariable x y la función de ligadura identidad Los resultados son los siguientes: Página 2
3 Información del modelo Variable dependiente Distribución de probabilidades Función de enlace y Poisson Identidad Bondad de ajuste Desvianza Log verosimilitud Variable dependiente: y Modelo: (Intersección), x Valor gl, ,4 Estimaciones de los parámetros Parámetro (Intersección) x (Escala) Variable dependiente: y Modelo: (Intersección), x a Fijado en el valor mostrado Intervalo de confianza de Wald 95% Contraste de hipótesis Chi-cuadrado B Error típico Inferior Superior de Wald gl Sig 7,452,8842 5,79 9,85 7,3, 4,935,95 2,796 7,75 2,443, a 3) En el archivo Insecticidasav se registra el núemro de cucarachas expuestas y muertas a diferentes dosis de un determinado insecticida Veamos el diagrama de dispersión que confronta la dosis con la proporción de muertes Página 3
4 ,,8,6 Propor,4,2,,65,7,75 dosis,8,85,9 Intetaremos explicar la probabilidad de muerte del insecto ajustando la nube de puntos anterior mediante una función lineal b+b*dosis de la dosis utilizada compuesta con la función de distribución N(,) (modelo PROBIT) o mediante la función logística (modelo LOGIT) Los resultados del modelo PROBIT son los siguientes: Estimaciones de los parámetros Intervalo de confianza al 95% Límite Parámetro Estimación Error típico Z Sig Límite inferior superior PROBIT a dosis 9,728,484 3,293, 6,89 22,637 Intersección -34,935 2,64-3,236, -37,575-32,296 a Modelo PROBIT: PROBIT(p) = Intersección + BX Contrastes de chi-cuadrado PROBIT Contraste de la bondad de ajuste de Pearson Chi-cuadrado gl Sig 9,53 6,47 Página 4
5 Residuos y frecuencias de casillas PROBIT Número Número de Respuestas Respuestas dosis sujetos observadas esperadas Residuos Probabilidad, ,358 2,642,57, ,722 2,278,79, ,482-5,482,379, ,86-5,86,64, ,66 2,384,788, ,39 -,39,94, ,665,335,962, ,228,772,987 Los resultados del modelo LOGIT son los siguientes: Estimaciones de los parámetros Intervalo de confianza al 95% Límite Parámetro Estimación Error típico Z Sig Límite inferior superior LOGIT a dosis 34,27 2,92,768, 28,563 39,978 Intersección -6,77 5,8 -,72, -65,898-55,537 a Modelo LOGIT: LOG(p/(-p)) = Intersección + BX Contrastes de chi-cuadrado LOGIT Contraste de la bondad de ajuste de Pearson Chi-cuadrado gl Sig,27 6,24 Residuos y frecuencias de casillas LOGIT Número Número de Respuestas Respuestas dosis sujetos observadas esperadas Residuos Probabilidad, ,457 2,543,59, ,842 3,58,64, ,45-4,45,362, ,898-5,898,65, ,96,94,795, ,29 -,29,93, ,222,778,955, ,743,257,979 4) Podemos hacer también uso del modelo de regresión logística (LOGIT) para un problema de clasificación binario Por ejemplo, con los datos del archivo iris2sav pretendemos decidir si una flor pertenece a la especio virginica o vesicolor en función de las medidas de sus pétalos y sépalos El problema lo resolvemos en este caso mediante una regresión logística con cuatro variables explicativas Resumen de los modelos Paso a R cuadrado -2 log de la R cuadrado de de verosimilitud Cox y Snell Nagelkerke,899 a,78,958 La estimación ha finalizado en el número de iteración porque las estimaciones de los parámetros han cambiado en menos de, Página 5
6 Tabla de clasificación a Observado Paso species Porcentaje global a El valor de corte es,5 2 3 Pronosticado species Porcentaje 2 3 correcto 49 98, 49 98, 98, Variables en la ecuación Paso a sepleng sepwidt petleng petwidt Constante B ET Wald gl Sig Exp(B) -2,465 2,394,6,33,85-6,68 4,48 2,224,36, 9,429 4,737 3,962, ,87 8,286 9,743 3,523, ,638 25,78 2,75,97, a Variable(s) introducida(s) en el paso : sepleng, sepwidt, petleng, petwidt 4) El archivo accidentessav corresponde a un estudio anual de tráfico en el que se registran la densidad media semanal de circulación de vehículos correspondiente a cierta vía y el número de accidentes semanales registrados en la misma Se pretende establecer una relacionar entre ambas variables, de manera que la densidad de tráfico semanal explique el número de accidentes semanales Empezamos analizando el diagrama de dispersión 5 4 Nº accidentes semana 3 2, 5,, 5, 2, Densidad media semanal tráfico (vehículos/minuto) 25, Página 6
7 Podemos apreciar una posible correlación lineal entre ambas variables, es decir, que el número medio de accidentes puede explicarse a través de la densidad de tráfico mediante una ecuación lineal Podemos empezar ejecutando una regresión lineal ordinaria Resumen del modelo b Modelo R R cuadrado R cuadrado corregida Error típ de la estimación,877 a,769,764 4,837 a Variables predictoras: (Constante), Densidad media semanal tráfico (vehículos/minuto) b Variable dependiente: Nº accidentes semana Coeficientes a Modelo (Constante) Densidad media semanal tráfico (vehículos/minuto) a Variable dependiente: Nº accidentes semana Coeficientes Coeficientes no estandarizad estandarizados os B Error típ Beta t Sig 5,27,64 3,252,2,787,39,877 2,888, 2 8 Frecuencia Media =-3,6822E-6 Desviación típica =, N =52-3, -2, -,,, Standardized Residual 2, 3, Página 7
8 3, 2, Standardized Residual,, -, -2, -3,, 2, 3, 4, Unstandardized Predicted Value Obtenemos un ajuste es bastante bueno, si bien puede apreciarse una cierta heterocesdasticidad Posiblemente, la desviación típica crezca también linealmente con la denidad de tráfico (la varianza en función de la densidad al cuadrado) Vemoas concretamente para que potencia de dicha variable obtenemos la máxima verosimilitud de nuestros datos Valores de log-verosimilitud b Potencia a -2, -,5 -, -,5,,5,,5 2, -73,854-68,29-62,8-58,32-54,753-52,264-5,984 a -5,998-52,398 Se ha seleccionado la potencia correspondiente para análisis adicionales porque maximiza la función de log-verosimilitud b Variable dependiente: Y, variable de origen: X Efectivamente, se alcanza la máxima verosimilitud mediante la densidad elevada a Haremos uso de este hecho aplicando la técnica de mínimos cuadrados ponderados con los resultados siguientes Página 8
9 Resumen del modelo b,c Modelo R R cuadrado R cuadrado corregida Error típ de la estimación,93 a,86,83,477 a Variables predictoras: (Constante), Densidad media semanal tráfico (vehículos/minuto) b Variable dependiente: Nº accidentes semana c Regresión de mínimos cuadrados ponderados - Ponderada por Ponderación para Y de WLS, MOD_ X** -, Coeficientes a,b Modelo (Constante) Densidad media semanal tráfico (vehículos/minuto) a Variable dependiente: Nº accidentes semana Coeficientes Coeficientes no estandarizad estandarizados os B Error típ Beta t Sig 4,274,45 3,733,,877,26,93 4,93, b Regresión de mínimos cuadrados ponderados - Ponderada por Ponderación para Y de WLS, MOD_ X** -, Podemos apreciar un mayor valor de R2 No obstante, dada la naturaleza de la variable respuesta cabría considerar la posibilidad de que su distribución fuese de Poisson, de tal manera que su media se relaciona linealmente con la densidad Así pues, podemos optar por un modelo lineal generalizado con distribución de Poisson, funicón de enlace identidad y covariable densidad Los resultados son los siguientes: Información del modelo Variable dependiente Distribución de probabilidades Función de enlace Nº accidentes semana Poisson Identidad Bondad de ajuste b Desvianza Chi-cuadrado de Pearson Log verosimilitud a Valor 45,53 46,425-5,96 Variable dependiente: Nº accidentes semana Modelo: (Intersección), X a La función de log-verosimilitud completa se muestra y se utiliza para calcular los criterios de información b Los criterios de información están en forma "mejor cuanto más pequeño" Estimaciones de los parámetros Parámetro (Intersección) X (Escala) Variable dependiente: Nº accidentes semana Modelo: (Intersección), X a Fijado en el valor mostrado Intervalo de confianza de Wald 95% Contraste de hipótesis Chi-cuadrado B Error típico Inferior Superior de Wald gl Sig 4,592,3727,92 7,282,9,,846,4,572 2,2 73,65, a Página 9
10 Podemos apreciar que, de los tres modelos escogidos, éste es el que hece más verosímil los datos No obstante, la ecuación final obtenida es muy similar en los tres casos, en especial la estimación del coeficiente de la densidad Página
Práctica 6: Regresión Lineal Múltiple (3)
Práctica 6: Regresión Lineal Múltiple () En la práctica anterior vimos cómo se pueden diagnosticar diferentes violaciones de las condiciones del modelo de regresión a través del análisis gráfico de los
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 detallesIntroducción al modelo de regresión logística
Introducción al modelo de regresión logística JOSÉ R BERRENDERO DEPARTAMENTO DE MATEMÁTICAS UNIVERSIDAD AUTÓNOMA DE MADRID INTRODUCCIÓN Y MOTIVACIÓN El modelo de regresión logística se utiliza para investigar
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesTEMA 4 Regresión logística
TEMA 4 Regresión logística José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Variable respuesta dicotómica. Ejemplo. El
Más detallesTEMA V ANÁLISIS DE REGRESIÓN LOGÍSTICA
TEMA V ANÁLISIS DE REGRESIÓN LOGÍSTICA LECTURA OBLIGATORIA Regresión Logística. En Rial, A. y Varela, J. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas
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 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 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 detallesPRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado
PÁCTICA 3. EGESIÓN LINEAL SIMPLE CON SPSS 3.1. Gráfico de dispersión 3.2. Ajuste de un modelo de regresión lineal simple 3.3. Porcentaje de variabilidad explicado 3.4 Es adecuado este modelo para ajustar
Más detallesMÉTODOS ESTADÍSTICOS 4º Biológicas Septiembre 2009 PRIMER EJERCICIO
MÉTODOS ESTADÍSTICOS 4º Biológicas Septiembre 2009 PRIMER EJERCICIO Resultados obtenidos por los hombres ganadores de las medallas de oro en salto de longitud y salto de altura en las olimpiadas desde
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesSOLUCIÓN A LOS EJERCICIOS DEL SPSS Bivariante
SOLUCIÓ A LOS EJERCICIOS DEL SPSS Bivariante. a). La media y la varianza de las variables estatura y peso en la escala de medida norteamericana. Peso Peso: Transformar -> Calcular: Libras.4536 Peso libras
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 detallesTEMA 4 FASE ESTADÍSTICO-ANALÍTICA: RECURSOS PARA EL ANÁLISIS DE DATOS
TEMA 4 FASE ESTADÍSTICO-ANALÍTICA: RECURSOS PARA EL ANÁLISIS DE DATOS FASES EN EL ANÁLISIS DE LOS DATOS DE UNA INVESTIGACIÓN SELECCIÓN HIPÓTESIS DE INVESTIGACIÓN Modelo de Análisis Técnica de Análisis
Más 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 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 detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más 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 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 detallesÍNDICE. Prefacio... xi
ÍNDICE Prefacio... xi Capítulo 1 Introducción... 1 1.1 Por qué hay que tomar este curso y quién utiliza la estadística?... 2 1.2 Historia... 3 1.3 Subdivisiones de la estadística... 4 1.4 Un enfoque simple
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 detallesRegresión. Notas. Página 1 13-DEC :24:11. Salida creada Comentarios
REGRESSION /DESCRIPTIVES MEAN STDDEV CORR SIG N /MISSING LISTWISE /STATISTICS COEFF OUTS CI(95) R ANOVA COLLIN TOL CHANGE /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT P504 /METHOD=ENTER P505 P506
Más detallesRegresión Lineal Simple. Dr. Víctor Aguirre Torres, ITAM. Guión 11.
Regresión Lineal Simple 1 Propósito Cuantificar el cambio en el valor esperado de una variable (y) en función de otra variable (x). y=var. Dependiente (cuantitativa) x=var. Explicativa (cuantitativa) 2
Más detallesEstadística; 3º CC. AA. Examen final, 23 de enero de 2009
Estadística; 3º CC. AA. Examen final, 3 de enero de 9 Apellidos Nombre: Grupo: DNI. (5 ptos.) En un estudio sobre las variables que influyen en el peso al nacer se han obtenido utilizando SPSS los resultados
Más detallesUniversidad Nacional Abierta Estadística Aplicada (Cód. 746) Vicerrectorado Académico Cód. Carrera: Área de Matemática Fecha:
Segunda Prueba Parcial Lapso 7-746 /6 Universidad Nacional Abierta Estadística Aplicada (Cód. 746) Vicerrectorado Académico Cód. Carrera: 6-6 - 6 Fecha: --8 MODELO DE RESPUESTAS Objetivos 5 al 8 OBJ 5
Más detallesINDICE Capitulo uno Introducción y estadísticas descriptiva Capitulo dos Conceptos en probabilidad Capitulo tres
INDICE Capitulo uno Introducción y estadísticas descriptiva 1.1. Introducción 1.2. descripción grafica de los datos 3 1.3. medidas numéricas descriptivas 11 Ejercicios 22 Apéndice: sumatorias y otras notaciones
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
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 detallesPráctica 4: Regresión Lineal Múltiple (1).
Práctica : Lineal Múltiple () Esta práctica está dedicada a resolver un problema de Lineal sin atender a ninguna cuestión relativa al cumplimiento de los supuestos del modelo, a la presencia de valores
Más detallesDISEÑO Y ANÁLISIS DE DATOS EN PSICOLOGÍA II
DISEÑO Y ANÁLISIS DE DATOS EN PSICOLOGÍA II PRÁCTICA 7 Problema 1. Tengamos el siguiente ANOVA obtenido en una investigación con N 15 donde se estudia la relación entre autoeficacia percibida (X y el rendimiento
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 detallesUna vez realizados estos procesos conviene verificar que han aparecido las dos nuevas variables (columnas) en el archivo de datos.
ECONOMETRÍA 09 PRACTICA 1: REPASO DE SPSS 1. Cuántas variables hay en el fichero? Y cuántas observaciones? Qué representa cada observación? Distingue entre variables cualitativas y cuantitativas. El fichero
Más 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 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 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 detalles1. Introducción. CEDEX - Curso de formación estadística. Práctica Cómo introducir datos en SPSS/PC?
Técnicas de análisis multivariante - I 9//oo5 CEDEX - Curso de formación estadística Práctica. Introducción En esta práctica trabajaremos con el fichero de datos pardals.xls que corresponde a un estudio
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 detallesEl análisis de correspondencias. Ana María López Jiménez Dept. Psicología Experimental (USE)
El análisis de correspondencias Ana María López Jiménez Dept. Psicología Experimental (USE) 4. El análisis de correspondencias 4.. Introducción 4.2. Tabla de correspondencias 4.3. Dependencia e independencia
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 detallesEjercicio Heterocedasticidad_2
Ejercicio heterocedasticidad 2. 1 Ejercicio Heterocedasticidad_2 Tengamos los siguientes datos de los beneficios (B i ) y ventas (V i ) de 20 empresas: obs B V 1 13,2 61 2 15 78 3 22,2 158 4 15,2 110 5
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más 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 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 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 detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 4)
OBJETIVOS DE APRENDIZAJE: TEMA Nº ANÁLISIS CONJUNTO DE DOS VARIABLES Distinguir entre variables cualitativas y cuantitativas, y saber elegir los métodos en cada caso. Conocer métodos gráficos y cuantitativos
Más detallesCORRELACION Y REGRESION
CORRELACION Y REGRESION En el siguiente apartado se presenta como calcular diferentes índices de correlación, así como la forma de modelar relaciones lineales mediante los procedimientos de regresión simple
Más detallesSPSS Aplicación práctica: Base de datos del HATCO
Aplicación práctica: Base de datos del HATCO Datos: observaciones de variables obtenidos desde encuentas a clientes de un distribuidor industrial. Variables de interés en la aplicación: Percepciones de
Más detallesEXTENSIONES DEL MODELO DE REGRESIÓN
EXTENSIONES DEL MODELO DE REGRESIÓN 1. Regresión exponencial 2. Regresión polinómica 3. Regresión con variables cualitativas M. Carmen Carollo, Beatriz Pateiro Página 1 1. Regresión exponencial Al tratar
Más detallesRegresión Lineal Múltiple. Dr. Víctor Aguirre Torres, ITAM. Guión 12.
Regresión Lineal Múltiple 1 Propósito Cuantificar el cambio en el valor esperado de una variable (y) en función del cambio simultáneo otras variables (x 1, x 2,..., x p ). y=variable dependiente (cuantitativa)
Más detallesGuión Práctica III REGRESIÓN LINEAL MÚLTIPLE
Guión Práctica III REGRESIÓN LINEAL MÚLTIPLE III.0. Archivos implicados en este guión (tipo) Tiempo_Recuperacion (SPSS). Insuficiencia_Renal (SPSS). III.1: Análisis con todas las variables: Actividad 1
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 detallesANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS
ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS
Más detallesAnálisis de regresión y correlación lineal
Análisis de regresión y correlación lineal En las unidades anteriores hemos aplicado metodologías estadísticas para analizar la información de una variable desde una o más muestras utilizando las herramientas
Más detallesA: Broca B: velocidad A B AB Vibración Totales 1/ ,2 18,9 12,9 14,4 64,4 = (1) 1/ ,2 24,0 22,4 22,5 96,1 = a
LORTORIO 8 - LORTORIO INFORMÁTICO Caso. Interesa estudiar el efecto del tamaño de broca (factor ) y de la velocidad (factor ) sobre la vibración de la ranuradora (respuesta Y). Para ello se decide utilizar
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: Regresión. Grado en Fisioterapia, 2010/11. Jesús Montanero Fernández. Cátedra de Bioestadística Universidad de Extremadura
Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 8 de noviembre de 2010 Índice 1 Regresión lineal simple 2 3 Índice 1 Regresión lineal simple 2 3 Índice 1 Regresión lineal
Más 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 detallesAplicación de modelos logit para la determinación de la influencia de los factores determinantes del modelo urbano
Aplicación de modelos logit para la determinación de la influencia de los factores determinantes del modelo urbano Report 5 Carlos Marmolejo Duarte Personal de recerca CPSV Mayo de 2011 Universitat Politècnica
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 detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
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 detallesDefinición de Correlación
Definición de Correlación En ocasiones nos puede interesar estudiar si existe o no algún tipo de relación entre dos variables aleatorias: Estudiar cómo influye la estatura del padre sobre la estatura del
Más 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 detallesÍndice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables
Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población
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 detallesPráctica 9 REGRESION LINEAL Y CORRELACIÓN
Práctica 9. Regresión lineal y Correlación 1 Práctica 9 REGRESION LINEAL Y CORRELACIÓN Objetivos: En esta práctica utilizaremos el paquete SPSS para estudiar la regresión lineal entre dos variables y la
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 detallesSESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas
SESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria
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 detallesGuía docente 2007/2008
Guía docente 2007/2008 Plan 247 Lic.Investigación y Tec.Mercado Asignatura 43579 METODOS CUANTITATIVOS PARA LA INVESTIGACION DE MERCADOS Grupo 1 Presentación Métodos y técnicas cuantitativas de investigación
Más detallesPROGRAMA DE ESTADÍSTICA DESCRIPTIVA
PROGRAMA DE ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS DE ESTADÍSTICA Definición de Estadística Origen del concepto. Evolución histórica de la Estadística Estadística Descriptiva y Estadística Inferencial
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 detallesAnálisis Multivariado: Modelo Predictivo de Regresión Lineal Múltiple
Análisis Multivariado: Modelo Predictivo de Regresión Lineal Múltiple El modelo predictivo utilizado para realizar el presente análisis es el de regresión lineal múltiple (RLM) 1. Resulta plausible la
Más detallesGUÍA 5 : EFECTO DEL ESTRÉS EN EL PESO DE RECIÉN NACIDOS
GUÍA 5 : EFECTO DEL ESTRÉS EN EL PESO DE RECIÉN NACIDOS Se realizó un estudio a partir de una muestra aleatoria de mujeres atendidas por el departamento de obstetricia y ginecología de cierta clínica particular.
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesQué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y)
Gráfico de dispersión Qué es? Primer paso Representación en un sistema de coordenadas cartesianas de los datos numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión
Más detallesSede Andina, San Carlos de Bariloche. Licenciatura en Administración, Licenciatura en Hotelería, Licenciatura en Turismo y. Licenciatura en Economía.
Sede y localidad Carreras Sede Andina, San Carlos de Bariloche Licenciatura en Administración, Licenciatura en Hotelería, Licenciatura en Turismo y Licenciatura en Economía. Programa Analítico de la asignatura
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 detallesTEMA N 1.- ANÁLISIS DE REGRESIÓN Y MÉTODO DE MÍNIMOS CUADRADOS
UNIVERSIDAD DE ORIENTE NÚCLEO DE ANZOÁTEGUI EXTENSIÓN REGIÓN CENTRO-SUR ANACO, ESTADO ANZOÁTEGUI Asignatura: Estadística II Docente: Ing. Jesús Alonso Campos TEMA N 1.- ANÁLISIS DE REGRESIÓN Y MÉTODO DE
Más detallesIntroducción a la Econometría
1Econometría Introducción a la Econometría -Que es la econometría - Por que una disciplina aparte? -Metodología de la econometría Planeamiento de la teoría o hipótesis Especificación del modelo matemático
Más detallesSCORING DE SEVERDIDAD (LGD) PROPUESTA DE UNA METODOLOGIA PARA CALCULAR LA TASA DE RECUPERCIÓN (Tr) Y LA SEVERDIDAD (LGD) DE UNA OPERACIÓN DE CREDITO
SCORING DE SEVERDIDAD (LGD) PROPUESTA DE UNA METODOLOGIA PARA CALCULAR LA TASA DE RECUPERCIÓN (Tr) Y LA SEVERDIDAD (LGD) DE UNA OPERACIÓN DE CREDITO 1 1. Consideremos una cartera de créditos de una IMFs
Más detalles6. PRUEBA DE HIPÓTESIS
6. PRUEBA DE HIPÓTESIS El análisis estadístico de tipo econométrico es la base sobre la cual se sustenta la prueba de hipótesis de esta investigación que intenta responder, en este apartado a la cuarta
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesAnálisis de Regresión y Correlación Lineal
Análisis de Regresión y Correlación Lineal Análisis de dos ó más variables aleatorias Veamos que en los siguientes estudios hay situaciones donde intervienen más de una variable aleatoria Ejemplos: La
Más detallesEstadística. Convocatoria ordinaria
Estadística. Convocatoria ordinaria Nombre Número de Examen Titulación... Grupo... Este examen puntúa sobre 20 puntos Problema 1. En un grupo de familias, un 10% ha cambiado de coche y también ha cambiado
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
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 detallesESTADISTICA AVANZADA MODULO I
ESTADISTICA AVANZADA MODULO I Análisis de Regresión Modelo Supuestos Multiple 20.0 25.0 30.0 35.0 40.0 45.0 50.0 55.0 60.0 65.0 70.0 75.0 80.0 85.0 Consumo Energetico Gráfico de Dispersión 110.000 105.000
Más detallesEstadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
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 detallesAnálisis estadístico de los factores de riesgo que influyen en la enfermedad Angina de Pecho. Flores Manrique, Luz CAPÍTULO IV ANALISIS DE LOS DATOS
CAPÍTULO IV ANALISIS DE LOS DATOS 4.1 DESCRIPCIÓN DE LOS DATOS Como ya se mencionó anteriormente, el tamaño de la población con la que se está trabajando es de 149 observaciones, 69 de ellas presentan
Más detalles: Andrea Canals/ Catalina Canals Año Académico : 2017 P R O G R A M A
1 ASIGNATURA : Estadística Requisito : Matemática 2 Profesores : Andrea Canals/ Catalina Canals Año Académico : 2017 Carácter : Semestral Clases Teóricas : 3 horas Ayudantía : 1,5 horas P R O G R A M A
Más detallesRegresión. Notas. Página 1 30-NOV :15:34. Salida creada Comentarios
REGRESSION /MISSING MEANSUBSTITUTION /STATISTICS COEFF OUTS CI(95) R ANOVA COLLIN TOL CHANGE /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT P1 /METHOD=ENTER P4 P6 P5 P1812 P9 P13 /SCATTERPLOT=(*ZPRED,P1)
Más detallesTALLER DE INTRODUCCIÓN A LOS NEGOCIOS
REGRESIÓN LINEAL SIMPLE INTRODUCCIÓN Si sabemos que existe una relación entre una variable denominada dependiente y otras denominadas independientes (como por ejemplo las existentes entre: la experiencia
Más detallesTema 13: Regresión Logística p. 1/20 Tema 13: Regresión Logística Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del
Más detalles