CO2124 CRÍTICA DEL MODELO Práctica 5 1 El ajuste y el análisis de un modelo lineal se sustenta en cuatro suposiciones básicas: La relación entre las variables.

Slides:



Advertisements
Presentaciones similares
Tema 18: Contraste paramétrico de hipótesis III: Pruebas para contrastar correlaciones y diferencias de correlaciones. Contraste de los coeficientes.
Advertisements

Análisis de Datos en Economía
Regresión mínimo cuadrada (I)
REGRESION LINEAL SIMPLE
ESTADISTICA INFERENCIAL
Modelos de Variable Dependiente Binaria -Logit y Probit-
Capítulo 10 Test de Hipótesis.
Pronósticos, Series de Tiempo y Regresión
“Construcción de Software para Regresión: El Caso de Selección de Modelos y Pruebas de Homocedasticidad” Previa a la obtención del Título de: INGENIERO.
ANÁLISIS DE LA VARIANZA (ANOVA)
KRIGING.
Covarianza muestral Sean x1, x2, ..., xn e y1, y2, ..., yn dos muestras aleatorias independientes de observaciones de X e Y respectivamente. La covarianza.
Estadísticos de Prueba en el Modelo de Regresión Múltiple
Análisis de Regresión Lineal
ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL
Modelo básico de regresión Lineal
MODELOS DE ECUACIONES SIMULTÁNEAS
Capitulo 10: La metodología Box-Jenkins
Regresión y correlación
ANOVA Modelo I: Comparación entre medias
Estadística Descriptiva: 4. Correlación y Regresión Lineal
Regresión lineal Es un modelo matemático para predecir el efecto de una variable sobre otra, ambas cuantitativas. Una variable es la dependiente y otra.
Regresión Lineal Simple
9 Regresión Lineal Simple
SISTEMAS DE SOPORTE PARA LA TOMA DE DECISIONES
Prueba de hipótesis Equivalencia entre la prueba de hipótesis y los intervalos de confianza Valor de probabilidad Valor de probabilidad unilateral Prueba.
Regresión Lineal Múltiple
CONTRASTE Y VALIDACIÓN DE UN MODELO
Unidad V: Estimación de
CO 3321/22 Modelos Lineales Práctica 3 Consideraremos modelos de la forma: Observación=señal + ruido Estos modelos pueden escribirse en la forma: Y=X 
Pronósticos, Series de Tiempo y Regresión
Pronósticos, Series de Tiempo y Regresión
Universidad de Chile Facultad de Ciencias Químicas y Farmacéuticas
Inferencias con datos categóricos
Estimación Sea una característica, un parámetro poblacional cuyo valor se desea conocer a partir de una muestra. Sea un estadístico ( función.
Titular: Agustín Salvia
Normalidad, Variabilidad y estimación del Modelo de Regresión
Análisis de series de tiempo
Modelos Lineales CO Práctica 4 Comparación de Modelos Lineales Se desea comparar dos modelos de la forma: (1) y i =  0 +  1 x 1i  l x li.
Análisis de regresión MCO MELI.
Unidad V: Estimación de
Regresión lineal simple
Regresión lineal múltiple
CO-2124 Análisis de Varianza con Un Criterio de Clasificación En clases anteriores se deseaba determinar si existían diferencias entre las medias de dos.
PRUEBAS ESTADISTICAS NO PARAMETRICAS
ANÁLISIS DE REGRESIÓN SIMPLE
Estimación Diferencia de dos medias
Maestría en Transporte Regresamos... (el problema de la regresión lineal) Clase 5.
PARA LA REGRESIÓN LINEAL SIMPLE
Titular: Agustín Salvia
Regresión Lineal Simple
ESTIMACIÓN DE PARÁMETROS
Coeficiente de determinación y análisis de varianza de la regresión
Regresión lineal simple Nazira Calleja
La recta de regresión, se denomina «Recta de ajuste Optimo» (bajo el criterio de los mínimos cuadrados (no hay otra mejor que ella bajo este criterio).
REGRESIÓN LINEAL SIMPLE
INFERENCIA ESTADÍSTICA
Supuestos en el análisis de regresión Miles, J. & Shervin, M. (2011). Applyng regression & correlation. A guide for students and researchers. London: Sage.
Pruebas paramétricas y no paramétricas
Clase 17 Introducción a la Estadística Universidad de la República Centro Universitario Regional del Este Pablo Inchausti Licenciatura en Gestión Ambiental.
DISEÑOS POR BLOQUES ALEATORIZADOS
Departamento de Informática Universidad Técnica Federico Santa María EconometríaEconometría Capitulo II.
REGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE. Temas Introducción Análisis de regresión (Ejemplo aplicado) La ecuación de una recta Modelo estadístico y suposiciones Estimación.
REGRESIÓN LINEAL SIMPLE TEMA INTRODUCCIÓN Determinar la ecuación de regresión sirve para: – Describir de manera concisa la relación entre variables.
MÁS DE DOS MUESTRAS Procedimientos paramétricos. Pruebas de diferencias entre más de dos muestras *Con cálculos diferentes de SC y gl, según el caso.
1 REGRESIÓN CON VARIABLES DICOTÓMICAS TEMA 1 (CONTINUACIÓN)
METODO DE MAXIMA PENDIENTE
TEMA 7 ANÁLISIS DE LOS RESULTADOS TEMA 7 ANÁLISIS DE LOS RESULTADOS.
ANALISIS DE VARIANZA.
Transcripción de la presentación:

CO2124 CRÍTICA DEL MODELO Práctica 5 1 El ajuste y el análisis de un modelo lineal se sustenta en cuatro suposiciones básicas: La relación entre las variables es lineal. Los errores siguen una distribución normal. Las varianzas de los errores son iguales (es decir los errores son HOMOCEDÁSTICOS). Los errores son independientes. Es necesario entonces preguntarse si estas suposiciones se cumplen. Para ver la relación entre variables, se puede utilizar el comando pairs. > pairs(ozono)

CO2124 Práctica 5 2 >plot(fitted.values(modelo3),rstandard(modelo3),xlab="Valores ajustados",ylab="Residuos estandarizados") > qqnorm(rstandard(modelo3)) > qqline(rstandard(modelo3)) CRÍTICA DEL MODELO

CO2124 Práctica 5 3 > plot(Temp,rstandard(modelo3), xlab= "Temperatura", ylab="Residuos estandarizados") CRÍTICA DEL MODELO La prueba F únicamente permite comparar modelos anidados. Para la comparación de modelos no anidados, para el mismo conjunto de datos no existen pruebas de hipótesis, pero sí diversos CRITERIOS, los cuales se basan en la suma de cuadrados de los errores (SSE) ajustada de diversas maneras por la complejidad del modelo. Dos criterios de este tipo son: El coeficiente de determinación múltiple R 2 y su versión ajustada por complejidad. El criterio de información de Akaike (AIC) AIC = -2 ( máximo de la verosimilitud) + 2 (número de parámetros)

CO2124 Modelos Lineales Práctica 5 4 Para un modelo de regresión con n observaciones, p parámetros y errores con distribución normal con varianza desconocida: AIC= n log(SSE/n)+2p El mejor modelo será aquel que tenga un AIC más pequeño. La instrucción drop1 corresponde a un método de regresión por pasos para poder elegir el “mejor”modelo. Se inicia con el modelo saturado (modelo más complejo) y se van eliminando las variables que no sean significativas tomando en cuenta el menor AIC. Este comando es prácticamente equivalente a eliminar variables del modelo usando la prueba t. > drop1(modelo1,.~Rad.S+Viento+Temp,test="F") Single term deletions Model: Ozono ~ Rad.S + Temp + Viento Df Sum of Sq RSS AIC F value Pr(F) Rad.S Viento Temp *** --- Signif. codes: 0 `***' `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1

CO2124 Modelos Lineales Práctica 5 5 > drop1(modelo1,.~Rad.S-Viento+Temp,test="F") > drop1(modelo1,.~-Rad.S-Viento+Temp,test="F") Single term deletions Model: Ozono ~ Rad.S + Temp + Viento Df Sum of Sq RSS AIC F value Pr(F) Temp *** --- Signif. codes: 0 `***' `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1