1) La regresión lineal múltiple estima los coeficientes de una ecuación lineal con una o más variables independientes para predecir mejor el valor de una variable dependiente. 2) Existen diferentes métodos para seleccionar variables en el análisis de regresión como introducirlas o eliminarlas de forma individual o por pasos. 3) La regresión lineal requiere que las variables sean cuantitativas y que se verifiquen supuestos como la normalidad y linealidad de los datos.
Este documento habla sobre las variables aleatorias. Define una variable aleatoria como una función que asigna eventos de un experimento aleatorio. Explica que las variables aleatorias pueden ser discretas o continuas dependiendo de si su rango de valores es un conjunto discreto o un intervalo de números reales. También describe la distribución de probabilidad como la función que asigna a cada suceso posible sobre la variable aleatoria la probabilidad de que dicho suceso ocurra.
Este documento explica el concepto de correlación estadística. Define la correlación como una medida numérica de la relación entre dos variables y describe cómo se puede determinar si las variables están positiva, negativa o no correlacionadas. También resume diferentes métodos para medir la correlación como el coeficiente de Pearson y Kendall, así como conceptos clave como variables independientes, dependientes, diagrama de dispersión y coeficiente de determinación.
Este documento describe las relaciones estadísticas entre variables y cómo establecer si cambios en una variable (la independiente) están asociados con cambios en otra variable (la dependiente). Explica que las variables pueden ser cualitativas o cuantitativas y provee ejemplos de relaciones entre diferentes tipos de variables, incluyendo tablas y diagramas de dispersión. También define el coeficiente de correlación y cómo puede indicar el sentido y grado de asociación entre dos variables cuantitativas.
Este documento describe conceptos básicos sobre variables aleatorias. Explica que una variable aleatoria es un valor numérico afectado por el azar, como la probabilidad de que una persona enferme de cólera. Detalla que las variables aleatorias pueden ser discretas, si sus valores forman un conjunto discreto, o continuas, si sus valores abarcan un intervalo de números reales. Además, define la esperanza como la suma del producto de la probabilidad de cada suceso por su valor, y la varianza como un momento de la distribución de probabilidad respecto a la esperanza
Este documento describe los diferentes tipos de regresión, incluyendo regresión lineal simple, regresión lineal múltiple y regresión lineal múltiple multivariante. Explica los supuestos básicos de la regresión lineal y múltiple, así como métodos para evaluar la bondad de ajuste, colinealidad y selección de variables. El objetivo principal de la regresión múltiple es predecir valores de una variable dependiente en base a variables independientes y cuantificar la relación entre ellas.
Este documento presenta un resumen de un capítulo sobre modelos de vectores autorregresivos (VAR). Explica que los modelos VAR permiten modelar las relaciones dinámicas entre múltiples variables económicas de manera flexible y sin necesidad de especificar relaciones causales. También describe cómo los modelos VAR pueden usarse para realizar pruebas de causalidad entre variables y análisis de descomposición de varianzas y respuestas a impulsos.
Este documento presenta una introducción a la regresión lineal simple. Explica brevemente la historia y desarrollo de la regresión lineal, las suposiciones y estimadores del modelo de regresión lineal, y algunas aplicaciones comunes como líneas de tendencia. También resume conceptos clave como la ecuación de regresión, el coeficiente de determinación, y los tipos de correlación lineal.
1) El documento presenta conceptos clave de econometría aplicados a las finanzas, incluyendo pruebas de raíces unitarias, cointegración y modelos de corrección de errores. 2) Explica que las series financieras son típicamente no estacionarias y deben diferenciarse, y que la cointegración permite modelar las relaciones de equilibrio a largo plazo entre variables que son integradas de orden uno. 3) Describe los métodos de Engle-Granger y Johansen para estimar parámetros en sistemas cointe
Este documento habla sobre las variables aleatorias. Define una variable aleatoria como una función que asigna eventos de un experimento aleatorio. Explica que las variables aleatorias pueden ser discretas o continuas dependiendo de si su rango de valores es un conjunto discreto o un intervalo de números reales. También describe la distribución de probabilidad como la función que asigna a cada suceso posible sobre la variable aleatoria la probabilidad de que dicho suceso ocurra.
Este documento explica el concepto de correlación estadística. Define la correlación como una medida numérica de la relación entre dos variables y describe cómo se puede determinar si las variables están positiva, negativa o no correlacionadas. También resume diferentes métodos para medir la correlación como el coeficiente de Pearson y Kendall, así como conceptos clave como variables independientes, dependientes, diagrama de dispersión y coeficiente de determinación.
Este documento describe las relaciones estadísticas entre variables y cómo establecer si cambios en una variable (la independiente) están asociados con cambios en otra variable (la dependiente). Explica que las variables pueden ser cualitativas o cuantitativas y provee ejemplos de relaciones entre diferentes tipos de variables, incluyendo tablas y diagramas de dispersión. También define el coeficiente de correlación y cómo puede indicar el sentido y grado de asociación entre dos variables cuantitativas.
Este documento describe conceptos básicos sobre variables aleatorias. Explica que una variable aleatoria es un valor numérico afectado por el azar, como la probabilidad de que una persona enferme de cólera. Detalla que las variables aleatorias pueden ser discretas, si sus valores forman un conjunto discreto, o continuas, si sus valores abarcan un intervalo de números reales. Además, define la esperanza como la suma del producto de la probabilidad de cada suceso por su valor, y la varianza como un momento de la distribución de probabilidad respecto a la esperanza
Este documento describe los diferentes tipos de regresión, incluyendo regresión lineal simple, regresión lineal múltiple y regresión lineal múltiple multivariante. Explica los supuestos básicos de la regresión lineal y múltiple, así como métodos para evaluar la bondad de ajuste, colinealidad y selección de variables. El objetivo principal de la regresión múltiple es predecir valores de una variable dependiente en base a variables independientes y cuantificar la relación entre ellas.
Este documento presenta un resumen de un capítulo sobre modelos de vectores autorregresivos (VAR). Explica que los modelos VAR permiten modelar las relaciones dinámicas entre múltiples variables económicas de manera flexible y sin necesidad de especificar relaciones causales. También describe cómo los modelos VAR pueden usarse para realizar pruebas de causalidad entre variables y análisis de descomposición de varianzas y respuestas a impulsos.
Este documento presenta una introducción a la regresión lineal simple. Explica brevemente la historia y desarrollo de la regresión lineal, las suposiciones y estimadores del modelo de regresión lineal, y algunas aplicaciones comunes como líneas de tendencia. También resume conceptos clave como la ecuación de regresión, el coeficiente de determinación, y los tipos de correlación lineal.
1) El documento presenta conceptos clave de econometría aplicados a las finanzas, incluyendo pruebas de raíces unitarias, cointegración y modelos de corrección de errores. 2) Explica que las series financieras son típicamente no estacionarias y deben diferenciarse, y que la cointegración permite modelar las relaciones de equilibrio a largo plazo entre variables que son integradas de orden uno. 3) Describe los métodos de Engle-Granger y Johansen para estimar parámetros en sistemas cointe
Este documento habla sobre la operacionalización de variables en investigación. Define variables como cualquier característica de la realidad que puede ser determinada por observación y mostrar diferentes valores. Explica que una variable debe ser operacionalizada para convertir un concepto abstracto en uno empírico y medible. Luego describe los tipos de variables, niveles de medición, y ejemplos de indicadores y pruebas estadísticas comunes.
El documento compara el análisis multivariado de varianza (MANOVA) y el análisis univariado de varianza (ANOVA). Mientras que ANOVA examina las diferencias entre las medias de grupos en una sola variable dependiente, MANOVA examina tales diferencias en dos o más variables dependientes simultáneamente. MANOVA es útil cuando hay correlación entre las variables dependientes y tiene mayor potencia que múltiples ANOVAs separadas para detectar diferencias entre grupos.
El coeficiente de determinación mide la capacidad predictiva de un modelo al cuadrado. Se define como la variabilidad explicada por la regresión dividida por la variabilidad total. Mide qué tan bien los resultados previstos se ajustan a los datos reales. Un coeficiente de determinación más cercano a 1 indica que una mayor proporción de la variabilidad en los datos se puede explicar por el modelo.
Este documento presenta la unidad de análisis 1 sobre cambios y analogías. Explica conceptos como variables, características, tipos de cambios (progresivos, alternos y cíclicos), secuencias numéricas (aritméticas y geométricas), y analogías entre figuras. También incluye ejemplos y ejercicios prácticos para identificar variables y características, y reconocer patrones de cambio en secuencias.
Este documento habla sobre la regresión lineal. Explica que la regresión lineal es un método estadístico para estimar la relación entre una variable dependiente y una o más variables independientes. También describe los tipos de regresión lineal como la regresión simple y múltiple, y los pasos para realizar un análisis de regresión lineal como la representación gráfica de datos, el planteamiento del modelo, y la estimación de la ecuación de predicción.
Este documento trata sobre estadística y sus conceptos fundamentales. Explica los tipos de variables, como cualitativas y cuantitativas, y define población y muestra. También describe conceptos clave como parámetros, escalas de medición, frecuencia y tasa.
Este documento describe la heterocedasticidad en regresión lineal múltiple. Explica que la heterocedasticidad ocurre cuando la varianza de los errores no es constante, y describe varios métodos para detectarla, como el contraste de Breusch-Pagan y gráficos del error. También cubre cómo transformar la variable dependiente para corregir la heterocedasticidad.
El documento presenta un análisis de regresión para estimar la relación entre el precio y el área de viviendas. Explica conceptos clave como la ecuación de regresión, el coeficiente de correlación, el método de mínimos cuadrados y supuestos del modelo de regresión lineal. Finalmente, analiza posibles problemas como la multicolinealidad y heterocedasticidad.
El propósito del análisis de regresión es estudiar la dependencia de una variable (variable dependiente) respecto a una o más variables (variables independientes) y cuantificar la relación entre ellas. En un análisis de regresión, la variable dependiente es aquella cuyos valores cambian en función de los valores de las variables independientes, mientras que las variables independientes son aquellas que producen cambios en la variable dependiente. El análisis de regresión utiliza el método de mínimos cuadrados para ajustar una línea a los datos y predecir valores de
Este documento trata sobre estadística y sus conceptos fundamentales. Explica que la estadística se usa para recolectar, organizar y analizar datos que sirven de base para la toma de decisiones bajo incertidumbre. Luego describe los tipos de variables, como cualitativas, cuantitativas, independientes, dependientes, discretas y continuas. También cubre conceptos como población, muestra, parámetros, escalas de medición, frecuencia y tasas.
El documento explica los coeficientes de determinación y correlación, que miden la intensidad de la relación entre variables. El coeficiente de determinación (R2) mide qué porcentaje de la variabilidad de una variable dependiente es explicada por un modelo estadístico. Valores cercanos a 1 indican que el modelo explica bien los resultados, mientras que valores cercanos a 0 indican que no hay explicación. El documento también discute cómo calcular R2 y su uso para evaluar la bondad de ajuste de un modelo de regresión a los datos.
Este documento resume los principales supuestos de los modelos de regresión, incluyendo la normalidad univariada y multivariada, homocedasticidad, linealidad y independencia de errores. Explica cómo evaluar cada supuesto estadísticamente en el software SPSS, como utilizando histogramas, gráficos P-P y pruebas como Kolmogorov-Smirnov, Shapiro-Wilk y Levene.
Este documento resume los modelos Logit y Probit. Explica que estos modelos se usan cuando la variable dependiente es binaria para evitar los problemas de usar un modelo de probabilidad lineal con MCO. El modelo Logit usa una función logística acumulativa mientras que el Probit usa una función normal acumulativa. Ambos modelos estiman los parámetros mediante máxima verosimilitud para manejar los errores heterocedásticos y no normales. Finalmente, indica que estos modelos producen predicciones similares aunque los coeficientes
Definición, Tipos y Ejemplo de Variable.
Definición y Ejemplo de Población y Muestra.
Definición y Ejemplo de Parámetros Estadísticos.
Definición, Tipos y Ejemplo de Escalas de Medición.
Definición y Ejemplo de Sumatoria Razón, Proporción, Tasa y Frecuencia.
Indique a través de un ejemplo general, cada uno de estos conceptos.
El ANOVA simple analiza si una variable continua (Y) y un factor categórico (F) son independientes o no. Se contrasta la hipótesis nula de que las medias de Y son iguales para todos los niveles de F frente a la hipótesis alternativa de que al menos una media es diferente. El ANOVA descompone la variabilidad total de los datos en variabilidad intra-grupos y entre-grupos para determinar si el factor F explica diferencias significativas entre las medias.
Este documento describe la relación lineal entre dos variables cuantitativas. Explica que una relación lineal puede ser positiva, lo que significa que las variables aumentan juntas, o negativa, lo que significa que una variable aumenta mientras la otra disminuye. También cubre cómo calcular el coeficiente de correlación para medir la fuerza de la relación y cómo obtener la ecuación de regresión lineal para predecir los valores de una variable en función de la otra.
Este documento describe el análisis de varianza (ANOVA) y su uso para probar la hipótesis de que diferentes concentraciones de madera dura no afectan la resistencia a la tensión del papel. Explica los conceptos clave del ANOVA como las hipótesis nula y alternativa, los grados de libertad, y los cálculos para construir la tabla ANOVA y determinar el estadístico F. Luego presenta un ejemplo completo donde se rechaza la hipótesis nula debido a que el valor F calculado es mayor que el crítico, indicando
Este documento presenta un resumen del Capítulo 7 sobre análisis factorial del libro "Manual de Análisis Factorial". Explica los métodos de criterios en tandem y Varimax para realizar el análisis factorial, así como las estrategias de trabajo, principios de diseño, variables, coeficientes de correlación, errores comunes y diferentes técnicas como R, Q, P, O y T.
El documento describe métodos de análisis de regresión y correlación lineal simple, incluyendo el coeficiente de correlación de Pearson, el coeficiente de correlación de Spearman, y el análisis de regresión lineal simple usando el método de mínimos cuadrados ordinarios. También discute pruebas de hipótesis, evaluación de supuestos, y abusos comunes de la regresión lineal simple.
82253086 unidad-iv-pruebas-de-hipotesis-con-dos-muestras-y-varias-muestras-de...Ekthor Daniel R G
Este documento introduce los conceptos básicos de las pruebas de hipótesis estadísticas, incluyendo las hipótesis nula y alternativa, los errores tipo I y II, y las regiones de rechazo y no rechazo. Luego, se enfoca en las pruebas de hipótesis para comparar dos o más muestras, describiendo las distribuciones normal y t de Student, y los procedimientos de prueba t para muestras independientes y dependientes. Finalmente, provee un ejemplo completo de una prueba t para comparar
Este documento habla sobre la operacionalización de variables en investigación. Define variables como cualquier característica de la realidad que puede ser determinada por observación y mostrar diferentes valores. Explica que una variable debe ser operacionalizada para convertir un concepto abstracto en uno empírico y medible. Luego describe los tipos de variables, niveles de medición, y ejemplos de indicadores y pruebas estadísticas comunes.
El documento compara el análisis multivariado de varianza (MANOVA) y el análisis univariado de varianza (ANOVA). Mientras que ANOVA examina las diferencias entre las medias de grupos en una sola variable dependiente, MANOVA examina tales diferencias en dos o más variables dependientes simultáneamente. MANOVA es útil cuando hay correlación entre las variables dependientes y tiene mayor potencia que múltiples ANOVAs separadas para detectar diferencias entre grupos.
El coeficiente de determinación mide la capacidad predictiva de un modelo al cuadrado. Se define como la variabilidad explicada por la regresión dividida por la variabilidad total. Mide qué tan bien los resultados previstos se ajustan a los datos reales. Un coeficiente de determinación más cercano a 1 indica que una mayor proporción de la variabilidad en los datos se puede explicar por el modelo.
Este documento presenta la unidad de análisis 1 sobre cambios y analogías. Explica conceptos como variables, características, tipos de cambios (progresivos, alternos y cíclicos), secuencias numéricas (aritméticas y geométricas), y analogías entre figuras. También incluye ejemplos y ejercicios prácticos para identificar variables y características, y reconocer patrones de cambio en secuencias.
Este documento habla sobre la regresión lineal. Explica que la regresión lineal es un método estadístico para estimar la relación entre una variable dependiente y una o más variables independientes. También describe los tipos de regresión lineal como la regresión simple y múltiple, y los pasos para realizar un análisis de regresión lineal como la representación gráfica de datos, el planteamiento del modelo, y la estimación de la ecuación de predicción.
Este documento trata sobre estadística y sus conceptos fundamentales. Explica los tipos de variables, como cualitativas y cuantitativas, y define población y muestra. También describe conceptos clave como parámetros, escalas de medición, frecuencia y tasa.
Este documento describe la heterocedasticidad en regresión lineal múltiple. Explica que la heterocedasticidad ocurre cuando la varianza de los errores no es constante, y describe varios métodos para detectarla, como el contraste de Breusch-Pagan y gráficos del error. También cubre cómo transformar la variable dependiente para corregir la heterocedasticidad.
El documento presenta un análisis de regresión para estimar la relación entre el precio y el área de viviendas. Explica conceptos clave como la ecuación de regresión, el coeficiente de correlación, el método de mínimos cuadrados y supuestos del modelo de regresión lineal. Finalmente, analiza posibles problemas como la multicolinealidad y heterocedasticidad.
El propósito del análisis de regresión es estudiar la dependencia de una variable (variable dependiente) respecto a una o más variables (variables independientes) y cuantificar la relación entre ellas. En un análisis de regresión, la variable dependiente es aquella cuyos valores cambian en función de los valores de las variables independientes, mientras que las variables independientes son aquellas que producen cambios en la variable dependiente. El análisis de regresión utiliza el método de mínimos cuadrados para ajustar una línea a los datos y predecir valores de
Este documento trata sobre estadística y sus conceptos fundamentales. Explica que la estadística se usa para recolectar, organizar y analizar datos que sirven de base para la toma de decisiones bajo incertidumbre. Luego describe los tipos de variables, como cualitativas, cuantitativas, independientes, dependientes, discretas y continuas. También cubre conceptos como población, muestra, parámetros, escalas de medición, frecuencia y tasas.
El documento explica los coeficientes de determinación y correlación, que miden la intensidad de la relación entre variables. El coeficiente de determinación (R2) mide qué porcentaje de la variabilidad de una variable dependiente es explicada por un modelo estadístico. Valores cercanos a 1 indican que el modelo explica bien los resultados, mientras que valores cercanos a 0 indican que no hay explicación. El documento también discute cómo calcular R2 y su uso para evaluar la bondad de ajuste de un modelo de regresión a los datos.
Este documento resume los principales supuestos de los modelos de regresión, incluyendo la normalidad univariada y multivariada, homocedasticidad, linealidad y independencia de errores. Explica cómo evaluar cada supuesto estadísticamente en el software SPSS, como utilizando histogramas, gráficos P-P y pruebas como Kolmogorov-Smirnov, Shapiro-Wilk y Levene.
Este documento resume los modelos Logit y Probit. Explica que estos modelos se usan cuando la variable dependiente es binaria para evitar los problemas de usar un modelo de probabilidad lineal con MCO. El modelo Logit usa una función logística acumulativa mientras que el Probit usa una función normal acumulativa. Ambos modelos estiman los parámetros mediante máxima verosimilitud para manejar los errores heterocedásticos y no normales. Finalmente, indica que estos modelos producen predicciones similares aunque los coeficientes
Definición, Tipos y Ejemplo de Variable.
Definición y Ejemplo de Población y Muestra.
Definición y Ejemplo de Parámetros Estadísticos.
Definición, Tipos y Ejemplo de Escalas de Medición.
Definición y Ejemplo de Sumatoria Razón, Proporción, Tasa y Frecuencia.
Indique a través de un ejemplo general, cada uno de estos conceptos.
El ANOVA simple analiza si una variable continua (Y) y un factor categórico (F) son independientes o no. Se contrasta la hipótesis nula de que las medias de Y son iguales para todos los niveles de F frente a la hipótesis alternativa de que al menos una media es diferente. El ANOVA descompone la variabilidad total de los datos en variabilidad intra-grupos y entre-grupos para determinar si el factor F explica diferencias significativas entre las medias.
Este documento describe la relación lineal entre dos variables cuantitativas. Explica que una relación lineal puede ser positiva, lo que significa que las variables aumentan juntas, o negativa, lo que significa que una variable aumenta mientras la otra disminuye. También cubre cómo calcular el coeficiente de correlación para medir la fuerza de la relación y cómo obtener la ecuación de regresión lineal para predecir los valores de una variable en función de la otra.
Este documento describe el análisis de varianza (ANOVA) y su uso para probar la hipótesis de que diferentes concentraciones de madera dura no afectan la resistencia a la tensión del papel. Explica los conceptos clave del ANOVA como las hipótesis nula y alternativa, los grados de libertad, y los cálculos para construir la tabla ANOVA y determinar el estadístico F. Luego presenta un ejemplo completo donde se rechaza la hipótesis nula debido a que el valor F calculado es mayor que el crítico, indicando
Este documento presenta un resumen del Capítulo 7 sobre análisis factorial del libro "Manual de Análisis Factorial". Explica los métodos de criterios en tandem y Varimax para realizar el análisis factorial, así como las estrategias de trabajo, principios de diseño, variables, coeficientes de correlación, errores comunes y diferentes técnicas como R, Q, P, O y T.
El documento describe métodos de análisis de regresión y correlación lineal simple, incluyendo el coeficiente de correlación de Pearson, el coeficiente de correlación de Spearman, y el análisis de regresión lineal simple usando el método de mínimos cuadrados ordinarios. También discute pruebas de hipótesis, evaluación de supuestos, y abusos comunes de la regresión lineal simple.
82253086 unidad-iv-pruebas-de-hipotesis-con-dos-muestras-y-varias-muestras-de...Ekthor Daniel R G
Este documento introduce los conceptos básicos de las pruebas de hipótesis estadísticas, incluyendo las hipótesis nula y alternativa, los errores tipo I y II, y las regiones de rechazo y no rechazo. Luego, se enfoca en las pruebas de hipótesis para comparar dos o más muestras, describiendo las distribuciones normal y t de Student, y los procedimientos de prueba t para muestras independientes y dependientes. Finalmente, provee un ejemplo completo de una prueba t para comparar
Este documento presenta los conceptos básicos de una prueba de hipótesis, incluyendo la formulación de hipótesis nula y alternativa, el cálculo del estadístico de prueba y criterio de rechazo, y un ejemplo de análisis de regresión lineal para evaluar la relación entre el porcentaje de fibra y la resistencia de un material. El resumen concluye que el modelo de regresión propuesto es significativo para predecir la resistencia sobre la base del rechazo de las hipótesis nulas en los an
Este documento presenta un proyecto realizado por tres estudiantes para mejorar el conocimiento tecnológico de una empresa y sus estrategias de mercadeo. El proyecto busca sistematizar los datos de la empresa y enseñar a los estudiantes. A largo plazo, el proyecto espera que la empresa sea reconocida a nivel nacional e internacional por su calidad de servicio, use equipos de última tecnología, y genere más empleos. El dueño de la empresa explica que heredó el negocio familiar y busca of
Este documento presenta los conceptos clave del análisis de regresión y correlación múltiples, incluyendo cómo desarrollar la ecuación de regresión múltiple, calcular el error estándar múltiple de estimación, interpretar una matriz de correlación, realizar pruebas de hipótesis para determinar si los coeficientes de regresión son significativos, y analizar los residuos. También incluye un ejemplo completo que ilustra estos conceptos.
La prueba chi-cuadrado determina si dos variables están relacionadas. Se formula una hipótesis nula de independencia y una alternativa de dependencia. Se calculan frecuencias esperadas y el estadístico chi-cuadrado, y se compara con un valor crítico para aceptar o rechazar la hipótesis nula de independencia.
Tema IV Tecnicas de Pronostico Grupo 6.pptxosdalysmar
El documento habla sobre regresión lineal simple. Explica que es un modelo estadístico que analiza la relación entre una variable dependiente y una o más variables independientes. Describe elementos como diagrama de dispersión, ecuación de regresión, método de mínimos cuadrados, coeficiente de determinación y error estándar. También menciona algunas consideraciones y hipótesis al usar este análisis estadístico.
Modelos de regresión con variables dicótomasUTPL UTPL
Este documento describe los modelos de regresión con variables dicótomas y diferentes tipos de modelos. Explica que las variables dicótomas toman valores de 0 y 1 para indicar la presencia o ausencia de un atributo. Los modelos de análisis de varianza (ANOVA) usan solo variables explicativas dicótomas. También cubre precauciones al usar variables dicótomas, modelos ANOVA con múltiples variables cualitativas, y modelos de análisis de covarianza que incluyen variables cualitativas y cuantitativas.
El documento describe los elementos clave para diagnosticar y analizar un modelo de regresión lineal. Explica que la diagnosis es necesaria para determinar qué suposiciones del modelo son válidas y cuáles no a través del análisis de gráficos de residuos y estadísticos. También cubre factores que afectan los datos, como valores atípicos, y diferentes tipos de gráficos útiles para la diagnosis, como gráficos de residuos y de regresión parcial.
Este documento presenta un resumen de las clases sincrónicas de introducción al análisis econométrico impartidas por el Ec. José Luis Bernardo Vélez. Se explican conceptos básicos como regresión lineal simple y múltiple, y se detallan los pasos para la construcción y validación de modelos econométricos. El documento también cubre temas como las variables, los tipos de datos, y los supuestos y limitaciones de los métodos de regresión.
Este documento presenta un resumen de las clases de introducción al análisis econométrico impartidas por el Ec. José Luis Bernardo Vélez. Se explican conceptos básicos como regresión lineal simple y múltiple, supuestos del método de mínimos cuadrados ordinarios, y problemas como heterocedasticidad y multicolinealidad. También se describen las etapas de la investigación econométrica y los tipos de datos y variables utilizados.
El documento proporciona una introducción al análisis de varianza (ANOVA) y describe los modelos de ANOVA, el ANOVA unifactorial y multifactorial entre grupos, y el ANOVA con medidas repetidas. Explica los supuestos del ANOVA, los tipos de diseños experimentales, y cómo utilizar el programa SPSS para realizar diferentes tipos de ANOVA.
La regresión logística permite predecir la probabilidad de ocurrencia de un evento categórico y determinar la relación entre variables independientes y dependientes. Algunas similitudes con la regresión lineal son que ambas determinan la relación entre variables y requieren variables independientes continuas, pero la variable dependiente en la regresión logística es cualitativa. Supuestos básicos incluyen un tamaño de muestra elevado, variables independientes relevantes, ausencia de colinealidad, y que los efectos de las variables independientes se puedan sumar para
Este documento describe el análisis de regresión múltiple, incluyendo la ecuación de regresión múltiple y el error estándar múltiple de estimación. También cubre el coeficiente múltiple de determinación, las hipótesis de normalidad, homocedasticidad e independencia de errores, y cómo detectar cuando estas hipótesis no se cumplen. Finalmente, explica cómo predecir valores utilizando un modelo de regresión múltiple.
INFORME FINAL_ESTADISTICA APLICADA AL SECTOR SALUD.docxAnalexisHidalgo
Este documento presenta un informe final sobre estadística aplicada al sector salud que incluye análisis de regresión simple y múltiple, distribución normal y tablas de contingencia. Se analizan variables como salario, sexo, nivel educativo, categoría laboral y clasificación étnica de los empleados para determinar las relaciones entre ellas. Los resultados muestran diferencias significativas en el salario entre categorías laborales pero no entre grupos étnicos, e indican que el modelo de regresión múltiple explica el 65,1%
Este documento describe los conceptos clave de la regresión lineal, incluyendo su definición, tipos de regresión lineal, principios de mínimos cuadrados, gráficos de dispersión, y cómo se puede utilizar para predecir la relación entre variables. También explica cómo construir diagramas de dispersión y analizar los patrones de correlación para determinar si existe una relación lineal entre dos variables.
Este documento presenta un resumen de los conceptos clave del análisis de regresión simple, incluyendo estadísticos como el coeficiente de correlación, coeficiente de determinación, y análisis de varianza que permiten evaluar la bondad del ajuste de los datos al modelo de regresión lineal simple. También explica cómo estimar los parámetros de la ecuación de predicción de regresión lineal simple.
Este documento explica conceptos relacionados con medidas de dispersión como rango, desviación típica, varianza y coeficiente de variación. Define cada medida y describe sus propiedades y usos para cuantificar cuán separados están los valores de una distribución con respecto a la media. Explica que las medidas de dispersión son útiles para establecer comparaciones entre muestras y distribuciones.
Este documento describe el modelo de regresión lineal, que relaciona una variable dependiente con una o más variables independientes a través de una ecuación lineal. Explica que la regresión lineal estima los parámetros de la ecuación que mejor se ajustan a los datos observados, y que requiere cumplir ciertos supuestos como la linealidad de la relación y la independencia de los errores. También resume los diferentes tipos de regresión lineal como la simple, con una sola variable independiente, y la múltiple, con múltiples variables.
Este documento describe los conceptos y métodos de análisis de regresión para estimar la demanda. Explica la regresión simple y múltiple, así como los pasos para aplicar el análisis de regresión y los posibles problemas como la multicolinealidad y autocorrelación.
Este documento presenta información sobre modelos estadísticos como regresión simple, regresión múltiple y series de tiempo, los cuales permiten realizar pronósticos y explicar el comportamiento de variables. Incluye definiciones de conceptos clave como coeficiente de correlación, coeficiente de determinación, y componentes de series temporales. Se recomienda el estudio de estos temas para tomar decisiones informadas y se proveen ejemplos de su aplicación.
Tendencias Lineales o no lineales / EstadisticaBego E A
Este documento describe diferentes tipos de tendencias en series de tiempo, incluyendo tendencias lineales y no lineales. Explica que las tendencias muestran cambios en el tiempo en variables como la tecnología y los estándares de vida. Las tendencias lineales se pueden modelar usando una ecuación de línea recta, mientras que las tendencias no lineales requieren métodos de regresión no lineal como algoritmos iterativos.
Las medidas de dispersión como la varianza, desviación típica y coeficiente de variación cuantifican cuán alejados están los valores de una distribución de su media. La varianza mide el promedio de los cuadrados de las desviaciones de los valores respecto a la media, mientras que la desviación típica es la raíz cuadrada de la varianza. El coeficiente de variación relaciona la desviación típica con la media para permitir comparar la dispersión de distribuciones con diferentes unidades. Estas medidas son útiles para evaluar la precisión de
Este documento describe diferentes medidas de dispersión como el rango, la desviación típica, la varianza y el coeficiente de variación. Explica que estas medidas cuantifican la variabilidad de una distribución y cómo se calculan, incluyendo fórmulas. También discute las características y usos de cada medida de dispersión.
El documento presenta información sobre diagramas de dispersión. Explica que estos diagramas analizan la relación entre una variable dependiente e independiente y son útiles para identificar factores que afectan procesos. Detalla que la variable independiente va en el eje x y la dependiente en el eje y. También provee un ejemplo práctico de cómo crear un diagrama de dispersión para analizar la relación entre el porcentaje de una nueva materia prima y defectos en la producción de jabón.
Este documento describe la estructura y propósito de las Normas de Información Financiera (NIF) en México. Explica que las NIF se componen de marcos conceptuales y normas particulares, y que tienen como objetivo regular la información contenida en los estados financieros para satisfacer las necesidades de los usuarios. También establece que las NIF se emiten por el Consejo Mexicano para la Investigación y Desarrollo de Normas de Información Financiera y deben someterse a un proceso de aceptación generalizada.
Este documento resume las principales ventajas y desventajas del endeudamiento bancario y la emisión de títulos de deuda como formas de financiamiento para las empresas. Algunas ventajas potenciales de los títulos de deuda incluyen un costo relativamente más bajo, pero las tasas fijas también conllevan riesgos. Las desventajas son los costos de registro y cumplimiento regulatorio, así como la complejidad de renegociaciones con múltiples acreedores. El endeudamiento bancario implica mayor supervisión
Este documento describe diferentes tipos de títulos de deuda que pueden emitir entidades públicas y privadas. Explica que las empresas y gobiernos emiten títulos de deuda como una forma de obtener recursos para expandirse o financiar gastos. Describe varios tipos de títulos de deuda como bonos cero cupón, bonos con descuento, bonos de deuda interna y externa, y papel comercial. También define el valor facial o nominal como el valor original con el que se emitió el bono.
El documento analiza los principios y normas contables. Explica que los principios contables son las bases para la práctica contable y que surgen de la experiencia y las leyes. Identifica los principios de contabilidad generalmente aceptados como guías para el registro y presentación de transacciones financieras. Clasifica las normas contables en normas de valuación, normas de exposición, normas contables profesionales y normas contables legales.
Las ventajas de invertir en títulos de deuda incluyen una alta liquidez, rendimientos predecibles, variedad de opciones de inversión a corto y largo plazo, y generalmente mayores rendimientos que otras alternativas tradicionales. Algunas desventajas son menores rendimientos que otras inversiones de mayor riesgo y posibles impuestos sobre los rendimientos de ciertos títulos.
Este documento describe diferentes tipos de títulos de deuda que las empresas y gobiernos emiten para obtener financiamiento, como bonos y letras a corto, mediano y largo plazo. Los inversionistas que compran estos títulos obtienen un rendimiento conocido con riesgo mínimo, mientras que las entidades emisoras obtienen fondos para sus proyectos. Algunos de los beneficios para las entidades emisoras incluyen mejorar su imagen y transparencia financiera.
La historia trata de una pareja que terminó su relación. El chico continúa llamando a la chica, diciéndole que aún la ama. Ella le pide que la olvide. Más tarde, el chico le dice que la ha olvidado como ella quería. Sin embargo, se suicida dejando una carta para la chica. Ella entiende que su última llamada era una despedida. Afligida por su muerte y arrepentida de no haber admitido que también lo amaba, la chica se ahorca para cumplir su promesa de
Este documento describe los principios de contabilidad generalmente aceptados. Explica que estos principios se basan en supuestos como la entidad económica, el enfoque en los aspectos económicos y la cuantificación. También describe principios como el valor histórico, la continuidad del negocio, el período contable y la prudencia. Finalmente, explica que los estados financieros deben prepararse de acuerdo con estos principios para proporcionar información útil y confiable a los usuarios.
El documento discute las ventajas y desventajas de la deuda bancaria y la emisión de títulos de deuda como fuentes de financiamiento para las empresas. Algunas ventajas de los títulos de deuda son los menores costos de intermediación, pero las tasas de interés más bajas han reducido esta ventaja. Las desventajas incluyen los mayores costos de registro y la necesidad de emitir montos mayores a las necesidades. La deuda bancaria ofrece una relación más estrecha pero también más supervisión. Cada op
El documento describe diferentes tipos de títulos de deuda que empresas y gobiernos pueden emitir para obtener financiamiento. Estos incluyen bonos, bonos cero cupón, bonos con descuento, bonos de deuda interna y externa, y papel comercial. Las empresas y gobiernos emiten estos títulos en el mercado de valores después de cumplir con un proceso de autorización regulatoria para obtener recursos y financiar gastos e inversiones.
El documento presenta un programa de incentivos para una ferretería. Incluye una introducción sobre incentivos y motivación. También incluye la misión, visión, objetivos y organigrama de la ferretería, así como un análisis FODA. Presenta cuatro tipos de incentivos para empleados como crecimiento laboral, aumento de salario por méritos, gratificaciones por actuación individual y cubrir más clientes. El objetivo general es motivar a los empleados para mejorar el desempeño.
El documento presenta un programa de incentivos para una ferretería. Incluye una introducción sobre incentivos y motivación. También incluye la misión, visión, objetivos y organigrama de la ferretería, así como un análisis FODA. Presenta cuatro tipos de incentivos para empleados como crecimiento laboral, aumento de salario por méritos, gratificaciones por actuación individual y cubrir más clientes. El objetivo es motivar a los empleados para mejorar el desempeño y lograr los objetivos de la empresa.
Este documento presenta un programa de incentivos para una ferretería. El programa incluye cuatro tipos de incentivos: 1) crecimiento laboral, 2) aumento de salarios por méritos, 3) gratificación por actuación individual, y 4) cubrir y conquistar el mayor número de clientes. El objetivo general del programa es motivar a los empleados para mejorar su desempeño y productividad.
Este documento describe diferentes incentivos que una empresa de taller mecánico podría ofrecer a sus trabajadores para motivar un mejor desempeño. Incluye tablas de evaluación de características objetivas y subjetivas de los empleados, así como diferentes opciones de incentivos como reconocimientos públicos, empleado del mes, evaluaciones periódicas, bonos por productividad y horas estándar. El objetivo es estimular a los trabajadores a ser más puntuales, asistir más días, atender a más clientes y cometer menos errores, lo que benef
Este documento presenta un programa de incentivos para una funeraria que incluye comisiones, empleado del mes y aumentos de salario por mérito. El objetivo es motivar a los empleados para que realicen mayores esfuerzos y se logren las metas organizacionales. Se describen tres incentivos principales: comisiones basadas en ventas, reconocimiento al empleado del mes, y aumentos salariales por desempeño sobresaliente. El programa busca mejorar la motivación y retención del talento en la funeraria.
El documento presenta un manual de incentivos para una mueblería. El manual describe diferentes tipos de incentivos como comisiones, bonos y beneficios económicos y no económicos. También explica el sistema de puntos para evaluar el desempeño individual y asignar incentivos en función de la cantidad de puntos obtenidos en categorías como asistencia, puntualidad, ventas y liderazgo. El objetivo final es motivar a los empleados para mejorar su rendimiento y aumentar las ventas de la empresa.
Este poema expresa la búsqueda del autor por encontrar a su amor, explorando diferentes lugares como colinas, ríos y rocas, hasta que finalmente la encuentra mirándolo serenamente. El poeta expresa su alegría por haberla encontrado y lo mucho que la ama. Otras secciones describen lugares donde la pareja solía reunirse y momentos íntimos que compartieron, así como la tristeza que siente el autor ante la partida de su amor.
Este poema expresa la búsqueda del autor por encontrar a su amor, explorando diferentes lugares como colinas, ríos y rocas, hasta que finalmente la encuentra mirándolo serenamente. El poeta expresa su alegría por haberla encontrado y lo mucho que la ama. Otro poema describe un lugar donde la pareja solía reunirse y expresa la tristeza por su amor perdido. Un tercer poema describe la intimidad física y emocional entre los amantes y la necesidad del poeta de estar siempre con su amor.
El director le da la bienvenida al nuevo profesor a la escuela y menciona que están contentos de que se una a la comunidad educativa. Resalta que los maestros juegan un papel fundamental en formar a los estudiantes no solo académicamente sino también en sus valores. Con la llegada del nuevo profesor, los alumnos podrán contar con una enseñanza de calidad.
1. Métodos Cuantitativos.
FNSP – U de A
REGRESIÓN LINEAL MÚLTIPLE
La regresión lineal múltiple estima los coeficientes de la ecuación lineal, con una o
más variables independientes, que mejor prediga el valor de la variable
dependiente. Por ejemplo, se puede intentar predecir el total de facturación lograda
por servicios prestados en una IPS cada mes (la variable dependiente) a partir de
variables independientes tales como: Tipo de servicio, edad, frecuencia del servicio,
tipo de usuario y los años de antigüedad en el sistema del usuario.
Métodos de selección de variables en el análisis de regresión lineal
La selección del método permite especificar cómo se introducen las variables
independientes en el análisis. Utilizando distintos métodos se pueden construir
diversos modelos de regresión a partir del mismo conjunto de variables.
Para introducir las variables del bloque en un sólo paso seleccione Introducir. Para
eliminar las variables del bloque en un solo paso, seleccione Eliminar. La selección
de variables Hacia adelante introduce las variables del bloque una a una
basándose en los criterios de entrada . La eliminación de variables Hacia atrás
introduce todas las variables del bloque en un único paso y después las elimina una
a una basándose en los criterios de salida . La entrada y salida de variables
mediante Pasos sucesivos examina las variables del bloque en cada paso para
introducirlas o excluirlas . Se trata de un procedimiento hacia adelante por pasos.
Los valores de significación de los resultados se basan en el ajuste de un único
modelo. Por ello, estos valores no suele ser válidos cuando se emplea un método
por pasos (Pasos sucesivos, Hacia adelante o Hacia atrás).
Todas las variables deben superar el criterio de tolerancia para que puedan ser
introducidas en la ecuación, independientemente del método de entrada
especificado. El nivel de tolerancia por defecto es 0,0001. Tampoco se introduce
una variable si esto provoca que la tolerancia de otra ya presente en el modelo se
sitúe por debajo del criterio de tolerancia.
Todas las variables independientes seleccionadas se añaden a un mismo modelo
de regresión. Sin embargo, puede especificar distintos métodos de introducción para
diferentes subconjuntos de variables. Por ejemplo, puede introducir en el modelo de
regresión un bloque de variables que utilice la selección por pasos sucesivos, y un
segundo bloque que emplee la selección hacia adelante. Para añadir al modelo de
regresión un segundo bloque de variables, pulse en Siguiente.
Regresión lineal: Consideraciones sobre los datos
Datos. Las variables dependiente e independientes deben ser cuantitativas. Las
variables categóricas, como la religión, estudios principales o el lugar de residencia,
han de recodificarse como variables binarias (dummy) o como otros tipos de
variables de contraste.
Supuestos. Para cada valor de la variable independiente, la distribución de la
variable dependiente debe ser normal. La varianza de distribución de la variable
León Darío Bello P.
28/10/13
ldbello@guajiros.udea.edu.co
2. Métodos Cuantitativos.
FNSP – U de A
dependiente debe ser constante para todos los valores de la variable independiente.
La relación entre la variable dependiente y cada variable independiente debe ser
lineal y todas las observaciones deben ser independientes.
Estadísticos. Para cada variable: número de casos válidos, media y desviación
típica. Para cada modelo: coeficientes de regresión, matriz de correlaciones,
correlaciones parciales y semiparciales, R múltiple, R cuadrado, R cuadrado
corregida, cambio en R cuadrado, error típico de la estimación, tabla de análisis de
la varianza, valores pronosticados y residuos. Además, intervalos de confianza al
95% para cada coeficiente de regresión, matriz de varianza-covarianza, factor de
inflación de la varianza, tolerancia, prueba de Durbin-Watson, medidas de distancia
(Mahalanobis, Cook y valores de influencia), DfBeta, DfAjuste, intervalos de
predicción y diagnósticos por caso. Diagramas: diagramas de dispersión, gráficos
parciales, histogramas y gráficos de probabilidad normal.
Gráficos. Los gráficos pueden ayudar a validar los supuestos de normalidad,
linealidad e igualdad de las varianzas. También son útiles para detectar valores
atípicos, observaciones poco usuales y casos de influencia. Tras guardarlos como
nuevas variables, dispondrá en el Editor de datos de los valores pronosticados, los
residuos y otros valores diagnósticos, con los cuales podrá poder crear gráficos
respecto a las variables independientes. Se encuentran disponibles los siguientes
gráficos:
Diagramas de dispersión. Puede representar cualquier combinación por parejas
de la lista siguiente: la variable dependiente, los valores pronosticados tipificados,
los residuos tipificados, los residuos eliminados, los valores pronosticados
corregidos, los residuos estudentizados o los residuos eliminados estudentizados.
Represente los residuos tipificados frente a los valores pronosticados tipificados
para contrastar la linealidad y la igualdad de las varianzas.
Generar todos los gráficos parciales. Muestra los diagramas de dispersión de los
residuos de cada variable independiente y los residuos de la variable dependiente
cuando se regresan ambas variables por separado sobre las restantes variables
independientes. En la ecuación debe haber al menos dos variables independientes
para que se generen los gráficos parciales.
Gráficos de residuos tipificados. Puede obtener histogramas de los residuos
tipificados y gráficos de probabilidad normal que comparen la distribución de los
residuos tipificados con una distribución normal.
METODOS DEPENDIENTES
ANALISIS DE REGRESION LINEAL MÚLTIPLE
Conceptualmente, el FIVi (Factor de incremento de la varianza) es la proporción de
variabilidad de la iésima variable, que explican el resto de las variables
independientes.
León Darío Bello P.
28/10/13
ldbello@guajiros.udea.edu.co
3. Métodos Cuantitativos.
FNSP – U de A
La tolerancia de una variable es la proporción de variabilidad de la variable, que no
se explica por el resto de las variables independientes.
La tolerancia y el FIV son muy útiles en la construcción de modelos de regresión. Si
construimos un modelo paso a paso entrando las variables de una en una, es útil
conocer la tolerancia o el FIV de las variables independientes ya entradas en la
ecuación. De esta manera, las variables con mayor tolerancia son las que mayor
información aportarán al modelo.
Además de la tolerancia y el FIV, debemos estudiar la matriz de correlaciones.
Altas correlaciones entre las variables implicadas en el modelo deben considerarse
como indicios de colinealidad.
Puede ocurrir que, aun siendo pequeñas las correlaciones entre las variables exista
colinealidad. Supongamos que tenemos K variables independientes y construimos
otra que sea la media de los valores de las otras K variables, en este caso la
colinealidad será completa, pero si K es grande, los coeficientes de correlación
serán pequeños. Por lo tanto, el estudio de la matriz de correlaciones no es
suficiente.
Una técnica que cada vez se utiliza más, aunque resulta algo sofisticada, es el
análisis de los autovalores de la matriz de correlaciones o de la matriz del producto
cruzado.
A partir de los autovalores, se puede calcular él INDICE DE
CONDICIONAMIENTO IC tanto global del modelo como de cada variable.
El índice de condicionamiento, es la raíz cuadrada del cociente entre el máximo y el
mínimo autovalores. Si el IC es mayor que 30, existe colinealidad elevada, si el IC
es mayor que 10 y menor que 30, la colinealidad es moderada, si el IC es menor
que 10, no existe colinealidad.
También es interesante el índice de condicionamiento para cada variable Ici, que es
la raíz cuadrada del cociente del máximo autovalor y el iésimo autovalor. La
varianza de cada coeficiente de regresión, incluida la constante, puede ser
descompuesta como la suma de componentes asociadas a cada uno de los
autovalores si el porcentaje de la varianza de algunos coeficientes de correlación se
asocia con el mismo autovalor, hay evidencia de colinealidad.
PASOS:
1.
2.
3.
4.
5.
6.
7.
8.
Identificar Xi, Y
Construír diagrama de dispersión
Estímar los parámetros del modelo.
Probar la signifícancia
Determinar la fuerza de la asociación
Verificar la exactitud de la predicción
Análisis de residuales
Validación cruzada del modelo
León Darío Bello P.
28/10/13
ldbello@guajiros.udea.edu.co
4. Métodos Cuantitativos.
FNSP – U de A
REGRESION MULTIPLE DE VARIABLE FICTICIA 1
La utilización de la regresión en la investigación de mercados podría verse
seriamente limitada por el hecho de que las variables independientes
deben presentarse en escalas de intervalos. Afortunadamente, existe una
forma de emplear variables independientes nominales dentro de un
contexto de regresión. El procedimiento recibe el nombre de Regresión
Múltiple de Variable Ficticia RMVF. Básicamente RMVF convierte las
variables nominales en una serie de variables binarias que se codifican 01 por ejemplo, suponemos que deseamos utilizar la variable nominal
Sexo en una regresión. Podríamos codificarla de la siguiente manera:
CATEGORIA
CODIGO
Masculino
0
Femenino
1
El intervalo entre 0 y 1 es igual y, por tanto, aceptable en la regresión. Nótese que
hemos convertido una variable nominal de dos categorías en una variable 0-1
podemos extender este enfoque a una variable nominal de múltiples categorías. La
variable nominal de cuatro categorías, área de estudio 2, puede convertirse en tres
variables ficticias, x1, x2, y x3 de la siguiente manera:
AREA
x1
X2
X3
Humanidades
1
0
0
Salud
0
1
0
Matemáticas
0
0
1
C. Naturales
0
0
0
Esta variable nominal de cuatro categorías se convierte en K-1 categorías son 0 ó 1,
la K-ésima categoría se determina automáticamente como 0 ó 1. Crear una k-ésima
variable ficticia sería redundante y, de hecho, invalidaría toda la regresión. Es
arbitraria la elección de la categoría en la cual todo equivale a cero.
Nótese que sólo una de las variables x1, x2, ó x3 tomará el valor de 1 para cualquier
individuo y las otras dos X serán cero
R. Humano = a + b Humanidades + c Salud + d Matemáticas + e C.Naturales
En una regresión podemos tener la cantidad de variables ficticias que sean
necesarias, sujetas a la restricción de que cada variable ficticia utiliza un grado de
libertad. Por lo mismo, debemos contar con un tamaño de muestra adecuado.
1
Tomado del texto Investigación de Mercados. Kinnear y Taylor
2
Ejemplo adaptado
León Darío Bello P.
28/10/13
ldbello@guajiros.udea.edu.co
5. Métodos Cuantitativos.
FNSP – U de A
REGRESIÓN LOGÍSTICA
La regresión logística resulta útil para los casos en los que se desea predecir la
presencia o ausencia de una característica o resultado según los valores de un
conjunto de variables predictoras. Es similar a un modelo de regresión lineal pero
está adaptado para modelos en los que la variable dependiente es dicotómica. Los
coeficientes de regresión logística pueden utilizarse para estimar la razón de las
ventajas (odds ratio) de cada variable independiente del modelo. La regresión
logística se puede aplicar a un rango más amplio de situaciones de investigación
que el análisis discriminante.
Ejemplo. ¿Qué características del estilo de vida son factores de riesgo de
enfermedad cardiovascular ? Dada una muestra de pacientes a los que se mide la
situación de fumador, dieta, ejercicio, consumo de alcohol, y estado de enfermedad
cardiovascular , se puede construir un modelo utilizando las cuatro variables de
estilo de vida para predecir la presencia o ausencia de enfermedad cardiovascular
en una muestra de pacientes. El modelo puede utilizarse posteriormente para
derivar estimaciones de la razón de las ventajas para cada uno de los factores y
así indicarle, por ejemplo, cuánto más probable es que los fumadores desarrollen
una enfermedad cardiovascular frente a los no fumadores.
Datos. La variable dependiente debe ser dicotómica. Las variables independientes
pueden estar a nivel de intervalo o ser categóricas; si son categóricas, deben ser
variables dummy o estar codificadas como indicadores (existe una opción en el
procedimiento para recodificar automáticamente las variables categóricas).
Supuestos. La regresión logística no se basa en supuestos distribucionales en el
mismo sentido en que lo hace el análisis discriminante. Sin embargo, la solución
puede ser más estable si los predictores tienen una distribución normal
multivariante. Adicionalmente, al igual que con otras formas de regresión, la
multicolinealidad entre los predictores puede llevar a estimaciones sesgadas y a
errores típicos inflados . El procedimiento es más eficaz cuando la pertenencia a
grupos es una variable categórica auténtica; si la pertenencia al grupo se basa en
valores de una variable continua (por ejemplo "CI alto " en contraposición a "CI
bajo"), deberá considerar el utilizar la regresión lineal para aprovechar la
información mucho más rica ofrecida por la propia variable continua.
Estadísticos. Para cada análisis: Casos totales, Casos seleccionados, Casos
válidos. Para cada variable categórica: codificación de los parámetros. Para cada
paso: variables introducidas o eliminadas, historial de iteraciones, -2 log de la
verosimilitud, bondad de ajuste, estadístico de bondad de ajuste de HosmerLemeshow, chi-cuadrado del modelo ¡, chi-cuadrado de la mejora, tabla de
clasificación, correlaciones entre las variables, gráfico de las probabilidades
pronosticadas y los grupos observados, chi-cuadrado residual. Para cada variable
de la ecuación: Coeficiente (B), Error típico de B, Estadístico de Wald, R, Razón de
las ventajas estimada (exp(B)), Intervalo de confianza para exp(B), Log de la
verosimilitud si el término se ha eliminado del modelo. Para cada variable que no
esté en la ecuación: Estadístico de puntuación, R. Para cada caso: grupo
León Darío Bello P.
28/10/13
ldbello@guajiros.udea.edu.co
6. Métodos Cuantitativos.
FNSP – U de A
observado, probabilidad pronosticada, grupo pronosticado, residuo, residuo
tipificado.
Métodos. Puede estimar modelos utilizando la entrada en bloque de las variables o
cualquiera de los siguientes métodos por pasos: Condicional hacia adelante, LR
hacia adelante, Wald hacia adelante, Condicional hacia atrás, LR hacia atrás o Wald
hacia atrás.
REGRESIÓN LOGÍSTICA MULTINOMIAL
La opción Regresión logística multinomial resulta útil en aquellas situaciones en las
que desee poder clasificar a los sujetos según los valores de un conjunto de
variables predictoras. Este tipo de regresión es similar a la regresión logística, pero
más general, ya que la variable dependiente no está restringida a dos categorías.
Datos. La variable dependiente debe ser categórica. Las variables independientes
pueden ser factores o covariables. En general, los factores deben ser variables
categóricas y las covariables deben ser variables continuas.
León Darío Bello P.
28/10/13
ldbello@guajiros.udea.edu.co
7. Métodos Cuantitativos.
FNSP – U de A
observado, probabilidad pronosticada, grupo pronosticado, residuo, residuo
tipificado.
Métodos. Puede estimar modelos utilizando la entrada en bloque de las variables o
cualquiera de los siguientes métodos por pasos: Condicional hacia adelante, LR
hacia adelante, Wald hacia adelante, Condicional hacia atrás, LR hacia atrás o Wald
hacia atrás.
REGRESIÓN LOGÍSTICA MULTINOMIAL
La opción Regresión logística multinomial resulta útil en aquellas situaciones en las
que desee poder clasificar a los sujetos según los valores de un conjunto de
variables predictoras. Este tipo de regresión es similar a la regresión logística, pero
más general, ya que la variable dependiente no está restringida a dos categorías.
Datos. La variable dependiente debe ser categórica. Las variables independientes
pueden ser factores o covariables. En general, los factores deben ser variables
categóricas y las covariables deben ser variables continuas.
León Darío Bello P.
28/10/13
ldbello@guajiros.udea.edu.co