2009 M.P.Díaz1 Introducción a los Modelos Lineales Generalizados Continuación …. Algunos ejemplos de motivación.

Slides:



Advertisements
Presentaciones similares
Regresión mínimo cuadrada (I)
Advertisements

Técnicas para el análisis de datos en el enfoque cuantitativo
REGRESION LINEAL SIMPLE
UNIVERSIDAD AUTÓNOMA DEL CARIBE
CURSO 2009/2010 ¿Qué es y para qué sirve el Ajuste de Observaciones?¿Por que es necesario buscar métodos alternativos? Ana Mª Domingo Preciado Profesora.
MODELO DE REGRESIÓN MÚLTIPLE
Diseño de Experimentos
MANUAL DE LABORATORIO DE CÓMPUTO ECONOMETRÍA I MULTICOLINEALIDAD
Econometria 2. Modelo de Regresión Lineal Simple
Modelo básico de regresión Lineal
Regresión Lineal Simple
9 Regresión Lineal Simple
Regresión y Correlación
RELACIONES ENTRE VARIABLES
LEAN SIGMA – FASE DE ANÁLISIS Propósito y herramientas 1.
REGRESION LINEAL En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre factores (o variables).
Estadística 2010 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri.
Análisis de la estructura de medias. 2 Hasta ahora, análisis de la estructura de covarianzas (como trabajar con puntuaciones diferenciales) En los análisis.
Regresión Lineal Múltiple
Análisis Factorial de Datos Categóricos
MODELOS DE ELECCIÓN BINARIA: ANÁLISIS LOGIT
TIPOS DE MODELOS DE REGRESIÓN Y SUPUESTOS PARA EL MODELO A
MODELOS GENERALIZADOS
ANOVA Anidado: diseño y procedimiento.
ANOVA (Analysis of Variation)
CO 3321/22 Modelos Lineales Práctica 3 Consideraremos modelos de la forma: Observación=señal + ruido Estos modelos pueden escribirse en la forma: Y=X 
MODELOS DE ELECCIÓN BINARIA : ANÁLISIS PROBIT
Curso de Bioestadística. ANOVA
Modelo de regresión simple: Y =  1 +  2 X + u 1 Hemos visto que los coeficientes de regresión b 1 y b 2 son variables aleatorias. Estos, respectivamente,
ESTADÍSTICA BÁSICA EN ECOLOGÍA EVOLUTIVA Juan J. Soler Cruz Estación Experimental de Zonas Áridas Almería.
" ATLAS DE MORTALIDAD POR TUMOR MALIGNO DE ESTOMAGO EN CHILE " Gloria Icaza, Loreto Núñez, Universidad de Talca Francisco Torres, P. Universidad.
ANALISIS DE FRECUENCIA EN HIDROLOGIA (3)
FACILITADOR JOSE HERIBERTO CRUZ GARCÍA
Métodos de calibración: regresión y correlación
Análisis Cuantitativo de Datos (Básico)
Normalidad, Variabilidad y estimación del Modelo de Regresión
Maestría en Transporte Estadística Capítulo 1. Objetivos ¿Cómo se determinan las magnitudes para planificación de transporte, operación de transporte,
Análisis de datos correlacionados
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 la Varianza
RELACIÓN GRÁFICA EN UN MODELO DE REGRESIÓN MULTIPLE. reg EARNINGS S EXP Source | SS df MS Number of obs =
Modelos Lineales Generalizados Aplicados a las Ciencias Biológicas Modelos para Datos Binarios y Regresión Logística MLGAplicados 2009 MPDíaz.
APLICACIONES ECONOMÉTRICAS LIC. EN ECONOMIA PRÁCTICA 16/5/03.
Modelo Lineal Simple con Statgraphics para Windows.
ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL
CO-2124 Análisis de Varianza con Un Criterio de Clasificación En clases anteriores se deseaba determinar si existían diferencias entre las medias de dos.
USO DEL “ANÁLISIS DE VARIANZA UNA-VÍA”, PARA:
Nociones Básicas de Análisis Estadístico de Muestras
Titular: Agustín Salvia
REGRESIÓN MULTIPLE CON DOS VARIABLES EXPLICATIVAS: EJEMPLO INGRESO EXP S 11 1 INGRESO =  1 +  2 S +  3 EXP + u Esta presentación proporciona una interpretación.
Curso de Bioestadística Anova de 2 vías
Regresión Lineal Simple
APLICACIONES ECONOMÉTRICAS LIC. EN ECONOMIA PRÁCTICA 28/3/03.
RATS MODELIZACIÓN DE DISTRIBUCIONES. RATS 1. FUNCIONES DE PROBABILIDAD.
MODELOS DE PRONOSTICOS Primer semestre 2010 Modelo de Regresión con dos variables.
Lic. Davide Erdas ________________________ Impacto del Precio del Petróleo en los Estados Unidos ________________________ Efecto de la dependencia del.
22. Correlación como prueba de hipótesis Módulo IV: Análisis de datos numéricos Análisis de Datos Aplicado a la Investigación Científica
Análisis de Varianza ANOVA Capitulo 10. Multiples grupos Ha: Por lo menos uno de los grupos no es igual a lo demás.
Germán Fromm R. 1. Objetivo Entender los diseños metodológicos predictivos 2.
REPUBLICA DE VENEZUELA UNIVERSIDAD ALONSO DE OJEDA VICERRECTORADO ACÁDEMICO FACULTAD DE INGENIERIA ESTADISTICA I DISTRIBUCIÓN DE FRECUENCIAS Y GRÁFICOS.
REGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE. Temas Introducción Análisis de regresión (Ejemplo aplicado) La ecuación de una recta Modelo estadístico y suposiciones Estimación.
13. Prueba de bondad de ajuste para frecuencias Módulo III: Análisis de datos categóricos Análisis de Datos Aplicado a la Investigación Científica
Estadística descriptiva
Bioestadística Inferencia estadística y tamaño de muestra
Metodología de Ajuste y Análisis de Diagnóstico en Modelos Lineales Generalizados Diciembre 2009 MPDíaz.
ANALISIS DE FRECUENCIA EN HIDROLOGIA (3)
Análisis de Regresión. Introducción Importancia Principal Aplicación: Determinación relación Y = F(X 1, X 2,... X n )
Sumas de cuadrados en Anova
Transcripción de la presentación:

2009 M.P.Díaz1 Introducción a los Modelos Lineales Generalizados Continuación …. Algunos ejemplos de motivación

2009 M.P.Díaz2 Ejemplo 1. Dieta y ganancia de peso: d i x i Datos de ganancia de peso bajo dos tratamientos de dieta, durante un período de tiempo dado.

2009 M.P.Díaz3 (1) Veamos su distribución…..

2009 M.P.Díaz4 gpeso Sum of Source DF Squares Mean Square F Value Pr > F Model Error Corrected Total R-Square Coeff Var Root MSE gpeso Mean Source DF Type I SS Mean Square F Value Pr > F dieta Ajuste de un modelo lineal (clásico): Anava.

2009 M.P.Díaz5 Y los residuos..? Indaguemos más sobre los componentes del modelo!!

2009 M.P.Díaz6 Componentes del Modelo ( cq. sea ). Variable respuesta (parte estocástica) Variables de clasificación o regresoras (parte sistemática) Necesidad de cambio de escala del valor esperado. En qué pensar primero? Por qué? Desde dónde lo construimos?

2009 M.P.Díaz7 Estadística Exploratoria: (DIETA 1) Variable: gpeso Moments N 7 Sum Weights 7 Mean Sum Observations 706 Std Deviation Variance Skewness Kurtosis Uncorrected SS Corrected SS Coeff Variation Std Error Mean (DIETA 2) N 12 Sum Weights 12 Mean Sum Observations 1430 Std Deviation Variance Skewness Kurtosis Uncorrected SS Corrected SS Coeff Variation Std Error Mean

2009 M.P.Díaz8 Modelo Gama (anova, 1 vía, MLG, enlace identidad). Criterion DF Value Value/DF Deviance Scaled Deviance Pearson Chi-Square Log Likelihood En qué hacer incapié? Cómo es la formulación del componente aleatorio? Está siendo respetado?

2009 M.P.Díaz9 Modelo Gama (anova, 1 vía, MLG, enlace identidad). Parameter Estimate Pr > ChiSq ________________________________________ Intercept <.0001 Dieta Dieta Scale

2009 M.P.Díaz10

2009 M.P.Díaz11 Ejemplo 2. Tiempos de sobrevida (en unidades de 10 horas) de animales, sometidos a 3 tipos de veneno, y 4 tratamientos antitóxicos. Antitóxico_______ ABCDVeneno I II III Describir la influencia de ambos factores en la sobrevida

2009 M.P.Díaz12 Descripción de valores medios.

2009 M.P.Díaz13 Level ofColumnEstimateStandardWaldp Intercept13, , ,950, Antitoxico12-0, , ,990, Antitoxico230, , ,220, Antitoxico34-0, , ,480, Veneno150, , ,350, Veneno26-0, , ,040, Antitoxico*Veneno170, , ,140, Antitoxico*Veneno28-0, , ,780, Antitoxico*Veneno39-0, , ,910, Antitoxico*Veneno4100, , ,010, Antitoxico*Veneno5110, , ,320, Antitoxico*Veneno612-0, , ,190, Scale7, , ,000, Estimación de Parámetros, modelo Normal.

2009 M.P.Díaz14

2009 M.P.Díaz15 DfStat.Stat/Df Deviance362,6730, Scaled Deviance3648,4411, Pearson Chi²362,3650, Scaled P. Chi²3642,8721, Loglikelihood-179,511 Level ofColumnEstimateStandardWaldp Intercept10,024480, ,49880, Antitoxico120,010530, ,23920, Antitoxico23-0,009250, ,25450, Antitoxico340,003340, ,08750, Veneno15-0,006860, ,04690, Veneno260,000010, ,00010, Antitoxico*Veneno17-0,004610, ,90720, Antitoxico*Veneno280,002020, ,52960, Antitoxico*Veneno390,003470, ,87510, Antitoxico*Veneno410-0,000260, ,02490, Antitoxico*Veneno511-0,003400, ,04560, Antitoxico*Veneno6120,001370, ,34540, Scale18,125233, ,44110, Estimación de Parámetros

2009 M.P.Díaz16

2009 M.P.Díaz17 Tiempos de sobrevida de pacientes con cáncer avanzado de estómago, bronquio, colon, ovario o mama, tratados con ascorbato (no hay datos sobre controles). Estóm. Bronq. colonovariomama

2009 M.P.Díaz18

2009 M.P.Díaz19 SSDfMSFp Intercept ,640670, tumor ,433440, Error Modelo normal con Enlace identidad

2009 M.P.Díaz20 Modelo normal con Enlace identidad

2009 M.P.Díaz21 Distribución de frecuencias por grupo

2009 M.P.Díaz22 tumor Tiempo medio Error Estandar LI 95%LS 95%N 1est286,000185, ,575657, bron211,588162, ,344536, col457,412162, ,479782, ova884,333273, , ,2766 5mam1395,909201, , ,85311 Estadística Descriptiva por grupo

2009 M.P.Díaz23 DfStat.Stat/Df Deviance5966,9701, Scaled Deviance5973,1421, Pearson Chi²5962,8821, Scaled P. Chi²5968,6781, Loglikelihood-452,901 Degr. ofWaldp Intercept134,776400, tumor415,478100, Modelo gama con Enlace identidad

2009 M.P.Díaz24 LevelColumnEstimateSEWaldp Interceptc1647,048109,722234,776400, tumorest2-361,048124,48118,412480, tumorbron3-435,460116,128014,061230, tumorcol4-189,637137,11381,912860, tumorova5237,285289,21180,673140, Scale1,0920,171340,644600,000000

2009 M.P.Díaz25 Economic Data for Selected Countries Ejemplo: Relación entre nivel de Inflación y Deuda (por cápita) OBJETIVO: Construir un Modelo para fines predictivos

2009 M.P.Díaz26

2009 M.P.Díaz27 DfStat.Stat/Df Deviance38243,03676, Scaled Deviance3840,00001, Pearson Chi²38243,03676, Scaled P. Chi²3840,00001, Loglikelihood-92,8442 Modelo NORMAL con Enlace LOG

2009 M.P.Díaz28 Level ofColumnEstimateStandardWaldp Intercept11, , ,59150,00 DEBT20, , ,35430,00 Scale2, , ,00000,00

2009 M.P.Díaz29 DfStat.Stat/Df Deviance387,40680, Scaled Deviance3841,19491, Pearson Chi²387,54620, Scaled P. Chi²3841,96981, Loglikelihood-89,9091 Level ofColumnEstimateStandardWaldp Intercept10, , ,840540, DÉBITO20, , ,748360, Scale5, , ,191090, Modelo Gama Con enlace Identidad

2009 M.P.Díaz30 110,29 110, ,32 130,34 130,31 210, ,43 220,36 230,42 230, ,35 320,38 320,32 330,38 330,33 410,90 411,30 420,90 421,10 430, , , ,42 530,46 Lab. Tanda Conc. Ejemplo: Comportamiento de los laboratorios que participan en ensayos cooperativos de análisis químicos. OBJETIVO: Evaluar componentes de variación

2009 M.P.Díaz31

2009 M.P.Díaz32 SSdfMSFp Intercept9, ,6250, Lab1, , ,0330, Tanda0, , ,7890, Lab*Tanda0, , ,0880, Error0, , Modelo Normal clásico, con predictor correspondiente a un ANAVA

2009 M.P.Díaz33 Mal comportamiento del Modelo normal

2009 M.P.Díaz34 DfStat.Stat/Df Deviance180,299820, Scaled Deviance1836,000002, Pearson Chi²180,296410, Scaled P. Chi²1835,590291, Loglikelihood76,48752 Modelo Normal Inverso, con enlace identidad Y va. NI( ,  2 ) E(Y)=  = 

2009 M.P.Díaz35 Level ofColumnEstimateStandardWaldp Intercept10, , ,0750, Lab12-0, , ,6450, Lab23-0, , ,9500, Lab34-0, , ,7870, Lab450, , ,1510, Lab56-0, , ,7550, Tanda17-0, , ,3460, Tanda28-0, , ,5330, Lab*Tanda19-0, , ,0740, Lab*Tanda2100, , ,7200, Lab*Tanda3110, , ,0940, Lab*Tanda4120, , ,4240, Lab*Tanda5130, , ,1780, Lab*Tanda6140, , ,2160, Lab*Tanda7150, , ,9350, Lab*Tanda8160, , ,1360, Lab*Tanda9170, , ,0340, Lab*Tanda10180, , ,9610, Scale0, , ,0000,000000

2009 M.P.Díaz36