Regresión y Correlación Múltiple: Prueba de hipótesis.

Slides:



Advertisements
Presentaciones similares
Análisis de Datos en Economía
Advertisements

Clases 3 Pruebas de Hipótesis
Coeficiente de determinación y análisis de varianza de la regresión
REGRECION LINEAL SIMPLE, MULTIPLE Y CORRELACION. REGRECION LINEAL SIMPLE.
Un criterio para detectar outliers. Otro criterio para detectar errores groseros (outliers)
La distribución t es una distribución de probabilidad que surge del problema de estimar la media de una población normalmente distribuida cuando el tamaño.
Experimentos con un solo factor: anÁlIsis de varianza
VERIFICACIÓN DEL SUPUESTO: DE IGUALDAD DE VARIANZAS: OBSERVACIÓN GRÁFICA Y PRUEBA DE BARTLETT.
“ENLACE UNET - HOSPITAL CENTRAL A TRAVÉS DEL ÁREA DE ESTADÍSTICA” San Cristóbal 27 de Mayo del 2005.
PRONOSTICOS CON REGRESION LINEAL MULTIPLE En la regresión lineal simple se investiga la relación entre una variable independiente y otra dependiente. A.
REGRESIÓN Y CORRELACIÓN LINEAL, SERIES DE TIEMPO Msc. Esmelda Aguirre Téllez Master en Administración de Negocios.
OVA CURSO UNIDAD 1 Capitulo Cuarto: Definiciones y herramientas estadísticas aplicadas a los diseños experimentales Lección 5. Análisis de varianza.
Componentes Genéticos y Heredabilidad en pimientos.
Estadística y Biometría Modelación Estadística Regresión lineal.
REGRESIÓN LINEAL MÚLTIPLE TEMA INTRODUCCIÓN 2 x1x1 Y x2x2 x3x3 xKxK.
PRUEBA.
SEMINARIO DE TESIS: RESULTADOS II
Un método de clasificación de las técnicas multivariantes
Facultad de Ciencias Sociales
Por la naturaleza de datos y la información
CAUSA Y EFECTO.
Inferencia estadística.
EMPRESA PEVISA GASKETS
Bioestadística Inferencia estadística y tamaños de muestra para una y dos o más medias.
REGRESIÓN LINEAL MÚLTIPLE (II)
EjEMPLO de diseños experimentales
METODOLOGÍA Y TÉCNICAS DE INVESTIGACIÓN EN CIENCIAS SOCIALES
MEP- II.
Facultad de Ciencias Sociales
Regresión y Correlación Múltiple: Confusión y colinearidad.
Christian Alave Rosas UNIVERSIDAD JORGE BASADRE GROHMANN BIOLOGÍA - MICROBIOLOGÍA Diseños experimentales Christian Alave Rosas
Análisis y diseño de experimentos
MODELOS DE DISEÑOS EXPERIMENTALES
Análisis de datos Introducción al análisis de datos
CI43A Análisis de Sistemas de Transporte
ELECCIÓN Y USO DE LA PRUEBA ESTADÍSTICA
Bioestadística Regresión y Correlación Múltiple:
Análisis de covarianza
Estadística social fundamental
CORRELACIÓN ENTRE VARIABLES
ANOVA DE UN FACTOR. Diferencias de Medias Independientes Dependientes Diferencias de Varianzas.
VARIABLE INDEPENDIENTE Cualitativa dicotómica
Pasos del Método Científico
EL32D- Análisis y Modelación de Sistemas Dinámicos
MANOVA Factor A “variable cualitativa o de clasificación”
Etapas de la investigación Científica
DISEÑO Y ANALISIS DE EXPERIMENTOS
EQUIPO 5.
Estadística Administrativa II
REGRESION LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE
PARA LA REGRESIÓN LINEAL SIMPLE
ANAVA a un factor con bloques
La respuesta: la hipótesis
Dfsfdsfs sfdsdfsf. prueba dfdsffss Prueba 3.
Análisis de la Covarianza
Diseño experimental 2137 Juan C. Benavides
PROBABILIDAD Y ESTADISTICA
EJEMPLO PARA ACTIVIDADES SOBRE VALIDEZ Validez: Evaluación empírica.
Modelo Aleatorios y Mixtos
Prueba.
Coeficiente de Correlación Intraclase
METODOLOGÍA Y TÉCNICAS DE INVESTIGACIÓN EN CIENCIAS SOCIALES
DISEÑOS EXPERIMENTALES Y APLICADOS
ANALISIS DE REGRESION SIMPLE
ANALISIS DE REGRESION MULTIPLE
DISEÑO Y ANALISIS DE EXPERIMENTOS
REGRESION LINEAL SIMPLE
REGRESION LINEAL SIMPLE
Transcripción de la presentación:

Regresión y Correlación Múltiple: Prueba de hipótesis. Bioestadística Regresión y Correlación Múltiple: Prueba de hipótesis.

Registro: datos en hoja RM3. X1 X2 X3 Y 1 37 2.76 … 2 44 2.88 62 24 2.83 3 2.02 63 30 1.67 4 36 2.16 64 27 1.52 5 22 1.3 65 2.32 6 1.87 66 35 1.93 7 1.56 67 1.57 8 15 1.33 68 23 69 17 2.34 “X1” es una variable cuantitativa independiente. “X2” y “X3” son variables cualitativas independientes. “Y” es la variable dependiente cuantitativa.

Análisis de Varianza, y = β0+β1X1 Prueba de F: β1 = 0. Variable Coeficiente p X1 0.021 <0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602

Análisis de Varianza, y = β0+β1X1 Prueba de F: β1 = 0. Variable Coeficiente p X1 0.021 <0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602 𝐹= MC regresión MC residual = SCR/𝑘 SCE/(𝑛−𝑘−1) = 2.485 0.345 =7.203

Análisis de Varianza, y = β0+β1X1 Prueba de F: β1 = 0. Variable Coeficiente p X1 0.021 <0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602

Análisis de Varianza, y = β0+β1X1 Prueba de F: β1 = 0. Variable Coeficiente p X1 0.021 < 0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602

Prueba de F Múltiple: β1= β2= β3= β4= 0. Variable Coeficiente p X1 0.022 < 0.01 X2 0.205 0.13 X3 (1/0) 0.105 0.54 X3 (2/0) 0.511 Constante 1.194 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 4 6.437 1.609 5.374 Residuales 64 19.165 0.299 Total 68 25.602

Prueba de F Múltiple: β1= β2= β3= β4= 0. Variable Coeficiente p X1 0.022 < 0.01 X2 0.205 0.13 X3 (1/0) 0.105 0.54 X3 (2/0) 0.511 Constante 1.194 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 4 6.437 1.609 5.374 Residuales 64 19.165 0.299 Total 68 25.602 𝐹= MC regresión MC residual = SCR/𝑘 SCE/(𝑛−𝑘−1) = 1.609 0.299 =5.374

Prueba de F Múltiple: β1= β2= β3= β4= 0. Variable Coeficiente p X1 0.022 < 0.01 X2 0.205 0.13 X3 (1/0) 0.105 0.54 X3 (2/0) 0.511 Constante 1.194 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 4 6.437 1.609 5.374 Residuales 64 19.165 0.299 Total 68 25.602

Prueba de F Múltiple: β1= β2= β3= β4= 0. Variable Coeficiente p X1 0.022 < 0.01 X2 0.205 0.13 X3 (1/0) 0.105 0.54 X3 (2/0) 0.511 Constante 1.194 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 4 6.437 1.609 5.374 Residuales 64 19.165 0.299 Total 68 25.602

Análisis de Varianza, y = β0+β1X1+β2X2 Prueba de F Parcial: β2= 0. Variable Coeficiente p X1 0.021 < 0.01 X2 0.142 0.32 Constante 1.491 Análisis de Varianza, y = β0+β1X1+β2X2 Fuente gl SC MC F Regresión 2 2.828 1.414 4.098 Residuales 66 22.774 0.345 Total 68 25.602

Prueba de F Parcial: β2= 0. Variable Coeficiente p X1 0.021 < 0.01 0.142 0.32 Constante 1.491 Análisis de Varianza, y = β0+β1X1+β2X2 Fuente gl SC MC F Regresión 2 2.828 1.414 4.098 Residuales 66 22.774 0.345 Total 68 25.602 Variable Coeficiente p X1 0.021 <0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602

Prueba de F Parcial: β2= 0. Variable Coeficiente p X1 0.021 < 0.01 X2 0.142 0.32 Constante 1.491 Análisis de Varianza, y = β0+β1X1+β2X2 Fuente gl SC MC F Regresión 2 2.828 1.414 4.098 Residuales 66 22.774 0.345 Total 68 25.602 Variable Coeficiente p X1 0.021 <0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602 𝐹 𝑋 ∗ | 𝑋 1 ,…, 𝑋 𝑘 = MC R 𝑋 ∗ | 𝑋 1 ,…, 𝑋 𝑘 MC E 𝑋 1 ,…, 𝑋 𝑘 , 𝑋 ∗

Prueba de F Parcial: β2= 0. Variable Coeficiente p X1 0.021 < 0.01 X2 0.142 0.32 Constante 1.491 Análisis de Varianza, y = β0+β1X1+β2X2 Fuente gl SC MC F Regresión 2 2.828 1.414 4.098 Residuales 66 22.774 0.345 Total 68 25.602 Variable Coeficiente p X1 0.021 <0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602 𝐹 𝑋 ∗ | 𝑋 1 ,…, 𝑋 𝑝 = SC R 𝑋 1 ,…, 𝑋 𝑘 , 𝑋 ∗ −SC R 𝑋 1 ,…, 𝑋 𝑘 /( 𝑔𝑙 𝑋 1 ,…, 𝑋 𝑘 , 𝑋 ∗ − 𝑔𝑙 𝑋 1 ,…, 𝑋 𝑘 ) SC E 𝑋 1 ,…, 𝑋 𝑝 , 𝑋 ∗ /(𝑛−𝑘−1)

Prueba de F Parcial: β2= 0. Variable Coeficiente p X1 0.021 < 0.01 X2 0.142 0.32 Constante 1.491 Análisis de Varianza, y = β0+β1X1+β2X2 Fuente gl SC MC F Regresión 2 2.828 1.414 4.098 Residuales 66 22.774 0.345 Total 68 25.602 Variable Coeficiente p X1 0.021 <0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602 𝐹 𝑋 ∗ | 𝑋 1 ,…, 𝑋 𝑝 = SC R 𝑋 1 ,…, 𝑋 𝑘 , 𝑋 ∗ −SC R 𝑋 1 ,…, 𝑋 𝑘 /( 𝑔𝑙 𝑋 1 ,…, 𝑋 𝑘 , 𝑋 ∗ − 𝑔𝑙 𝑋 1 ,…, 𝑋 𝑘 ) 𝟎.𝟑𝟒𝟓

Prueba de F Parcial: β2= 0. Variable Coeficiente p X1 0.021 < 0.01 X2 0.142 0.32 Constante 1.491 Análisis de Varianza, y = β0+β1X1+β2X2 Fuente gl SC MC F Regresión 2 2.828 1.414 4.098 Residuales 66 22.774 0.345 Total 68 25.602 Variable Coeficiente p X1 0.021 <0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602 𝐹 𝑋 ∗ | 𝑋 1 ,…, 𝑋 𝑝 = 𝟐.𝟖𝟐𝟖−SC R 𝑋 1 ,…, 𝑋 𝑘 /(𝟐− 𝑔𝑙 𝑋 1 ,…, 𝑋 𝑘 ) 0.345

Prueba de F Parcial: β2= 0. Variable Coeficiente p X1 0.021 < 0.01 X2 0.142 0.32 Constante 1.491 Análisis de Varianza, y = β0+β1X1+β2X2 Fuente gl SC MC F Regresión 2 2.828 1.414 4.098 Residuales 66 22.774 0.345 Total 68 25.602 Variable Coeficiente p X1 0.021 <0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602 𝐹 𝑋 ∗ | 𝑋 1 ,…, 𝑋 𝑝 = 2.828−𝟐.𝟒𝟖𝟓 /(2−𝟏) 0.345

Prueba de F Parcial: β2= 0. Variable Coeficiente p X1 0.021 < 0.01 X2 0.142 0.32 Constante 1.491 Análisis de Varianza, y = β0+β1X1+β2X2 Fuente gl SC MC F Regresión 2 2.828 1.414 4.098 Residuales 66 22.774 0.345 Total 68 25.602 Variable Coeficiente p X1 0.021 <0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602 𝐹 𝑋 ∗ | 𝑋 1 ,…, 𝑋 𝑝 = 2.828−2.485 /(2−1) 0.345 = 0.343/1 0.345 =0.994

Prueba de F Parcial: β2= 0. Variable Coeficiente p X1 0.021 < 0.01 X2 0.142 0.32 Constante 1.491 Análisis de Varianza, y = β0+β1X1+β2X2 Fuente gl SC MC F Regresión 2 2.828 1.414 4.098 Residuales 66 22.774 0.345 Total 68 25.602 Variable Coeficiente p X1 0.021 <0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602 𝐹 𝑋 ∗ | 𝑋 1 ,…, 𝑋 𝑝 = 2.828−2.485 /(2−1) 0.345 = 0.343/1 0.345 =0.994

Prueba de F Múltiple Parcial: β2= β3= 0. Variable Coeficiente p X1 0.022 < 0.01 X2 (1/0) 0.102 0.56 X2 (2/0) 0.482 Constante 1.315 Análisis de Varianza, y = β0+β1X1+β2X2 Fuente gl SC MC F Regresión 3 5.739 1.913 6.261 Residuales 65 19.862 25.602 Total 68

Prueba de F Múltiple Parcial: β2= β3= 0. Variable Coeficiente p X1 0.022 < 0.01 X2 (1/0) 0.102 0.56 X2 (2/0) 0.482 Constante 1.315 Análisis de Varianza, y = β0+β1X1+β2X2 Fuente gl SC MC F Regresión 3 5.739 1.913 6.261 Residuales 65 19.862 25.602 Total 68 Variable Coeficiente p X1 0.021 <0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602 𝐹 𝑋 ∗ | 𝑋 1 ,…, 𝑋 𝑘 = MC R 𝑋 ∗ | 𝑋 1 ,…, 𝑋 𝑘 MC E 𝑋 1 ,…, 𝑋 𝑘 , 𝑋 ∗

Prueba de F Múltiple Parcial: β2= β3= 0. Variable Coeficiente p X1 0.022 < 0.01 X2 (1/0) 0.102 0.56 X2 (2/0) 0.482 Constante 1.315 Análisis de Varianza, y = β0+β1X1+β2X2 Fuente gl SC MC F Regresión 3 5.739 1.913 6.261 Residuales 65 19.862 25.602 Total 68 Variable Coeficiente p X1 0.021 <0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602 𝐹 𝑋 ∗ | 𝑋 1 ,…, 𝑋 𝑝 = SC R 𝑋 1 ,…, 𝑋 𝑘 , 𝑋 ∗ −SC R 𝑋 1 ,…, 𝑋 𝑘 /( 𝑔𝑙 𝑋 1 ,…, 𝑋 𝑘 , 𝑋 ∗ − 𝑔𝑙 𝑋 1 ,…, 𝑋 𝑘 ) SC E 𝑋 1 ,…, 𝑋 𝑝 , 𝑋 ∗ /(𝑛−𝑘−1)

Prueba de F Múltiple Parcial: β2= β3= 0. Variable Coeficiente p X1 0.022 < 0.01 X2 (1/0) 0.102 0.56 X2 (2/0) 0.482 Constante 1.315 Análisis de Varianza, y = β0+β1X1+β2X2 Fuente gl SC MC F Regresión 3 5.739 1.913 6.261 Residuales 65 19.862 25.602 Total 68 Variable Coeficiente p X1 0.021 <0.01 Constante 1.566 Análisis de Varianza, y = β0+β1X1 Fuente gl SC MC F Regresión 1 2.485 7.203 Residuales 67 23.116 0.345 Total 68 25.602 𝐹 𝑋 ∗ | 𝑋 1 ,…, 𝑋 𝑝 = 5.739−2.485 /(3−1) 19.862/65 = 3.254/2 19.862/65 = 3.052 0.306 =9.974