Regresin lineal mltiple Tema 2 Regina Kaiser Depto
- Slides: 65
Regresión lineal múltiple Tema 2 Regina Kaiser Depto. Estadística, Universidad Carlos III 1
Descripción breve del tema 1. Introducción 2. Hipótesis del modelo n Linealidad, homogeneidad, homocedasticidad, independencia, normalidad, otras hipótesis 3. 4. 5. 6. 7. 8. Modelo en forma matricial Estimación de los parámetros Propiedades de los estimadores Inferencia y predicción Multicolinealidad y diagnosis Extensiones del modelo Regina Kaiser Depto. Estadística, Universidad Carlos III 2
Objetivos o o o Formulación del modelo de regresión múltiple Métodos de estimación para dichos modelos Tomar decisiones acerca de los parámetros Aprendizaje de utilización de gráficos para detectar el tipo de relación entre las variables Cuantificación del grado de relación lineal Regina Kaiser Depto. Estadística, Universidad Carlos III 3
Descripción breve del tema 1. Introducción 2. Hipótesis del modelo n Linealidad, homogeneidad, homocedasticidad, independencia, normalidad, otras hipótesis 3. 4. 5. 6. 7. 8. Modelo en forma matricial Estimación de los parámetros Propiedades de los estimadores Inferencia y predicción Multicolinealidad y diagnosis Extensiones del modelo Regina Kaiser Depto. Estadística, Universidad Carlos III 4
Introducción o o o Estudio conjunto de varias variables (más de dos). Varias variables independientes xi se utilizan para explicar otra dependiente y Utilizamos toda la información disponible Regina Kaiser Depto. Estadística, Universidad Carlos III 5
El modelo de regresión múltiple o o n observaciones de la forma (xi 1, …, xik, yi) Objetivo: aproximar y a partir de x 1, …, xk : variables independientes o explicativas y: variable dependiente o respuesta (a explicar) Regina Kaiser Depto. Estadística, Universidad Carlos III 6
Ejemplo: semiconductores Regina Kaiser Depto. Estadística, Universidad Carlos III 7
Ejemplo: semiconductores Regina Kaiser Depto. Estadística, Universidad Carlos III 8
Ejemplo: semiconductores Regina Kaiser Depto. Estadística, Universidad Carlos III 9
Descripción breve del tema 1. Introducción 2. Hipótesis del modelo n Linealidad, homogeneidad, homocedasticidad, independencia, normalidad, otras hipótesis 3. 4. 5. 6. 7. 8. Modelo en forma matricial Estimación de los parámetros Propiedades de los estimadores Inferencia y predicción Multicolinealidad y diagnosis Extensiones del modelo Regina Kaiser Depto. Estadística, Universidad Carlos III 10
Linealidad o Los datos se ajustan aproximadamente a la ecuación: o Con dos variables explicativas: Los datos están aproximadamente contenidos en un plano. En general, en un hiperplano. Regina Kaiser Depto. Estadística, Universidad Carlos III 11
Homogeneidad o El valor promedio de la perturbación es cero, Regina Kaiser Depto. Estadística, Universidad Carlos III 12
Homocedasticidad: Var[ui]=s 2 Varianza de perturbaciones constante Regina Kaiser Depto. Estadística, Universidad Carlos III 13
Independencia o Perturbaciones ui independientes entre sí. o En particular E[uiuj]= 0 para i ¹ j Regina Kaiser Depto. Estadística, Universidad Carlos III 14
Normalidad o Las perturbaciones siguen distribución normal ui~N(0, s 2) o En consecuencia: Regina Kaiser Depto. Estadística, Universidad Carlos III 15
Otras hipótesis o El número de datos n es mayor que k+1 o Ninguna variable explicativa es combinación lineal de las demás (las xi son linealmente independientes) Regina Kaiser Depto. Estadística, Universidad Carlos III 16
Descripción breve del tema 1. Introducción 2. Hipótesis del modelo n Linealidad, homogeneidad, homocedasticidad, independencia, normalidad, otras hipótesis 3. 4. 5. 6. 7. 8. Modelo en forma matricial Estimación de los parámetros Propiedades de los estimadores Inferencia y predicción Multicolinealidad y diagnosis Extensiones del modelo Regina Kaiser Depto. Estadística, Universidad Carlos III 17
Forma matricial del modelo Habitualmente escribimos el modelo como Y = Xb + U con: o Regina Kaiser Depto. Estadística, Universidad Carlos III 18
Descripción breve del tema 1. Introducción 2. Hipótesis del modelo n Linealidad, homogeneidad, homocedasticidad, independencia, normalidad, otras hipótesis 3. 4. 5. 6. 7. 8. Modelo en forma matricial Estimación de los parámetros Propiedades de los estimadores Inferencia y predicción Multicolinealidad y diagnosis Extensiones del modelo Regina Kaiser Depto. Estadística, Universidad Carlos III 19
Método de Mínimos Cuadrados Valorobservado Dato(y) Recta de regresión estimada Regina Kaiser Depto. Estadística, Universidad Carlos III 20
Mínimos Cuadrados o Objetivo: Buscar los valores de b 0, b 1, …, bk que mejor ajustan nuestros datos. Ecuación: o Residuo: o Minimizar: o Regina Kaiser Depto. Estadística, Universidad Carlos III 21
Mínimos Cuadrados o Resultado en forma matricial: Regina Kaiser Depto. Estadística, Universidad Carlos III 22
Ejemplo: semiconductores Regina Kaiser Depto. Estadística, Universidad Carlos III 23
Interpretación geométrica o Hemos calculado: o Tenemos: o Definimos la matriz: H es idempotente, simétrica y del mismo rango que X, (k+1). Es una matriz de proyección. Regina Kaiser Depto. Estadística, Universidad Carlos III 24
Interpretación geométrica o H simétrica (obvio) H idempotente o Residuos ortogonales a valores ajustados o Residuos ortogonales a matriz de diseño X o Regina Kaiser Depto. Estadística, Universidad Carlos III 25
Interpretación geométrica Subespacio vectorial generado por las columnas de X Regina Kaiser Depto. Estadística, Universidad Carlos III 26
Varianza o Para estimar s 2 utilizamos la varianza residual o Es insesgado como estimador de s 2 y además Regina Kaiser Depto. Estadística, Universidad Carlos III 27
Descripción breve del tema 1. Introducción 2. Hipótesis del modelo n Linealidad, homogeneidad, homocedasticidad, independencia, normalidad, otras hipótesis 3. 4. 5. 6. 7. 8. Modelo en forma matricial Estimación de los parámetros Propiedades de los estimadores Inferencia y predicción Multicolinealidad y diagnosis Extensiones del modelo Regina Kaiser Depto. Estadística, Universidad Carlos III 28
Propiedades de los estimadores o Normalidad. Sabemos Y=Xb +U, de donde Y~N(Xb, s 2 I). Como también es normal. Esperanza. o Varianza. o Regina Kaiser Depto. Estadística, Universidad Carlos III 29
Propiedades de los estimadores Tenemos La varianza s 2 suele ser desconocida y utilizamos el error estándar estimado Regina Kaiser Depto. Estadística, Universidad Carlos III 30
Descripción breve del tema 1. Introducción 2. Hipótesis del modelo n Linealidad, homogeneidad, homocedasticidad, independencia, normalidad, otras hipótesis 3. 4. 5. 6. 7. 8. Modelo en forma matricial Estimación de los parámetros Propiedades de los estimadores Inferencia y predicción Multicolinealidad y diagnosis Extensiones del modelo Regina Kaiser Depto. Estadística, Universidad Carlos III 31
Inferencia. Contrastes para b Para averiguar si la variable xi afecta a la respuesta, debemos plantear el contraste Rechazamos la hipótesis nula si: Regina Kaiser Depto. Estadística, Universidad Carlos III 32
Ejemplo: semiconductores Regina Kaiser Depto. Estadística, Universidad Carlos III 33
Inferencia. Int. de confianza para b Podemos construir un intervalo de confianza para b con nivel de confianza 1 -a como Si n > 30 y a = 0. 05, sabemos que tn-k-1, a/2 @ 2. Regina Kaiser Depto. Estadística, Universidad Carlos III 34
Inferencia. Contraste de regresión Igual que en la regresión simple VT=VE+VNE Regina Kaiser Depto. Estadística, Universidad Carlos III 35
Inferencia. Contraste de regresión Para averiguar si existe relación lineal entre la variable respuesta y las explicativas, realizamos Rechazamos la hipótesis nula si: Regina Kaiser Depto. Estadística, Universidad Carlos III 36
Ejemplo: semiconductores Regina Kaiser Depto. Estadística, Universidad Carlos III 37
Coeficiente de determinación o El coeficiente de determinación se define: o El coeficiente de determinación ajustado es más interesante ya que sólo aumenta si disminuye la varianza residual Regina Kaiser Depto. Estadística, Universidad Carlos III 38
Ejemplo: semiconductores Regina Kaiser Depto. Estadística, Universidad Carlos III 39
Predicción para la media o Buscamos estimador puntual e I. C. para el valor medio de la respuesta cuando x=x 0 Regina Kaiser Depto. Estadística, Universidad Carlos III 40
Predicción para la media o El intervalo de confianza para la media que obtenemos es: Regina Kaiser Depto. Estadística, Universidad Carlos III 41
Ejemplo: semiconductores o ¿Cúal sería el I. C. para la respuesta media si la longitud del cable es 8 y la altura de la estructura es 275? Regina Kaiser Depto. Estadística, Universidad Carlos III 42
Ejemplo: semiconductores Regina Kaiser Depto. Estadística, Universidad Carlos III 43
Predicción para una nueva observación o Intervalo de predicción o Ejemplo: semiconductores (long. 8, altura 175) Regina Kaiser Depto. Estadística, Universidad Carlos III 44
Descripción breve del tema 1. Introducción 2. Hipótesis del modelo n Linealidad, homogeneidad, homocedasticidad, independencia, normalidad, otras hipótesis 3. 4. 5. 6. 7. 8. Modelo en forma matricial Estimación de los parámetros Propiedades de los estimadores Inferencia y predicción Multicolinealidad y diagnosis Extensiones del modelo Regina Kaiser Depto. Estadística, Universidad Carlos III 45
Multicolinealidad o o o Problema frecuente que se presenta cuando las variables explicativas son muy dependientes entre sí. No es un problema del modelo, sino de los datos, surge cuando det(Xt. X) próximo a cero. Las variables explicativas son significativas en el modelo simple, pero dejan de serlo en el múltiple. Regina Kaiser Depto. Estadística, Universidad Carlos III 46
Índice de condicionamiento o Los autovalores de Xt. X son mayores o iguales que cero, para que haya multicolinealidad, alguno tiene que ser aproximadamente cero. Si 10 £ Ind. Cond. £ 30, multiolinealidad moderada Si Ind. Cond. > 30, multicolinealidad alta Regina Kaiser Depto. Estadística, Universidad Carlos III 47
Ejemplo: Sabor del queso Regina Kaiser Depto. Estadística, Universidad Carlos III 48
Ejemplo: sabor del queso Multicolinealidad moderada Regina Kaiser Depto. Estadística, Universidad Carlos III 49
Ejemplo: sabor del queso Regina Kaiser Depto. Estadística, Universidad Carlos III 50
Ejemplo: sabor del queso Regresión simple Láctico Antes 30. 73 Regina Kaiser Depto. Estadística, Universidad Carlos III 51
Ejemplo: sabor del queso Regresión simple Acético Antes 3. 9 Regina Kaiser Depto. Estadística, Universidad Carlos III 52
Ejemplo: sabor del queso Regresión simple: H 2 S Antes 1. 2 Regina Kaiser Depto. Estadística, Universidad Carlos III 53
Ejemplo: sabor del queso Regina Kaiser Depto. Estadística, Universidad Carlos III 54
Ejemplo: sabor del queso Regresión múltiple: Acético y H 2 S Sabor Acético + H 2 S 64. 5% H 2 S 57. 11% Regina Kaiser Acético 50. 61% Depto. Estadística, Universidad Carlos III 55
Ejemplo: sabor del queso Regresión múltiple: Láctico y H 2 S Sabor Láctico + H 2 S 65. 1% H 2 S 57. 11% Regina Kaiser Láctico 49. 59% Depto. Estadística, Universidad Carlos III 56
Ejemplo: sabor del queso Regresión múltiple: Láctico y Acético Sabor Láctico + Acético 50. 7% Láctico Acético 49. 59% Regina Kaiser Depto. Estadística, Universidad Carlos III 57
Ejemplo: sabor del queso Regina Kaiser Depto. Estadística, Universidad Carlos III 58
Ejemplo: sabor del queso Regresión múltiple: Láctico y H 2 S Sabor Láctico + H 2 S 65. 1% H 2 S 57. 11% Regina Kaiser Láctico 49. 59% Depto. Estadística, Universidad Carlos III 59
Diagnosis o o Más compleja que en la regresión simple. Gráficos de residuos frente a valores previstos para detectar falta de linealidad y heterocedasticidad. Gráficos probabilísticos (pp-plots) para los residuos para detectar falta de normalidad. Análisis de datos influyentes. Regina Kaiser Depto. Estadística, Universidad Carlos III 60
Descripción breve del tema 1. Introducción 2. Hipótesis del modelo n Linealidad, homogeneidad, homocedasticidad, independencia, normalidad, otras hipótesis 3. 4. 5. 6. 7. 8. Modelo en forma matricial Estimación de los parámetros Propiedades de los estimadores Inferencia y predicción Multicolinealidad y diagnosis Extensiones del modelo Regina Kaiser Depto. Estadística, Universidad Carlos III 61
Variables dicotómicas En un muestra pueden aparecer grupos de observaciones. Ejemplo: En una muestra de alumnos los grupos pueden venir dados por el sexo. Regina Kaiser Depto. Estadística, Universidad Carlos III 62
Variables dicotómicas o Podemos introducir variables ficticias, dicotómicas o dummies del siguiente modo: Regina Kaiser Depto. Estadística, Universidad Carlos III 63
Variables dicotómicas Regina Kaiser Depto. Estadística, Universidad Carlos III 64
Variables politómicas o o En numerosas ocasiones las variables cualitativas toman valores en más de dos características. Si tenemos s categorías, introducimos s-1 variables dicotómicas zt Regina Kaiser Depto. Estadística, Universidad Carlos III 65
- Ecuaciones lineales
- Naturalisme seniman
- Tema-tema teologi perjanjian lama
- Delimitación de un proyecto de tesis ejemplo
- El tema y sub tema
- Cuales son los tipos de entrevista
- Regresion lineal
- Ecuacion de regresion
- Analizs
- Regresin
- Regresin
- Regresin
- Regresin
- Regresin
- Regresin
- Explicada
- Regresin
- Regresin
- Box jenkins
- Tabla de distribucion bidimensional
- Regresion multiple en spss
- Regresin
- Regresin
- Regresin
- Regresión espuria
- Regresin
- Regresin
- Regresin
- Regresin
- Regresin
- Regresin
- Regresin
- Ciclo de vida lineal
- Momento lineal
- Zirkel und lineal programm
- Psicometra
- Tres ejemplos de la dilatación
- Biyectiva
- Definicion de organigramas
- Vector linealmente independiente
- Ralph w tyler
- Ecuaciones condicionales
- Una compañia fabrica y venden dos modelos de lampara
- Que es la dilatación
- Bucle retroactivo
- Formula de la cantidad de movimiento
- Como sacar la marca de clase
- Dilatación lineal del cobre
- Método congruencial lineal
- Polarizacion lineal
- Geometria ottaedrica molecole
- Estructura ciclica de la lactosa
- Ejemplos de epimeros
- Ejercicios resueltos de regresión lineal múltiple
- Funcion lineal creciente
- Funcion lineal
- Momento lineal
- Pendiente positiva y negativa
- Plan lineal modular y mixto
- Aproximacion lineal
- Metodo dual programacion lineal
- Disacridos
- Momentum lineal
- Carrera referencial lineal aps 2022
- Momento angular de un solido rigido
- Funcion lineal creciente