Date post: | 21-Jul-2015 |
Category: |
Documents |
Upload: | jano-aranis |
View: | 827 times |
Download: | 5 times |
Ignacio Cascos Depto. Estadística, Universidad Carlos III 2
Descripción breve del tema1. Introducción
2. El modelo de regresión simple
3. Hipótesis del modelo
Linealidad, homogeneidad, homocedasticidad, independencia y normalidad
4. Estimación de los parámetros
Mínimos cuadrados, Máxima Verosimilitud
5. Propiedades de los estimadores
Coeficientes de regresión, varianza residual
6. Inferencia y predicción
7. Diagnosis
Ignacio Cascos Depto. Estadística, Universidad Carlos III 3
Objetivos
Construcción de modelos de regresión
Métodos de estimación para dichos modelos
Inferencia acerca de los parámetros
Aprendizaje de utilización de gráficos para
detectar el tipo de relación entre dos variables
Cuantificación del grado de relación lineal
Ignacio Cascos Depto. Estadística, Universidad Carlos III 4
Descripción breve del tema1. Introducción
2. El modelo de regresión simple
3. Hipótesis del modelo
Linealidad, homogeneidad, homocedasticidad, independencia y normalidad
4. Estimación de los parámetros
Mínimos cuadrados, Máxima Verosimilitud
5. Propiedades de los estimadores
Coeficientes de regresión, varianza residual
6. Inferencia y predicción
7. Diagnosis
Ignacio Cascos Depto. Estadística, Universidad Carlos III 5
Introducción
Estudio conjunto de dos variables
Relación entre las variables
Regresión lineal
Historia del concepto de regresión lineal
uxy 10
Ignacio Cascos Depto. Estadística, Universidad Carlos III 6
Descripción breve del tema1. Introducción
2. El modelo de regresión simple
3. Hipótesis del modelo
Linealidad, homogeneidad, homocedasticidad, independencia y normalidad
4. Estimación de los parámetros
Mínimos cuadrados, Máxima Verosimilitud
5. Propiedades de los estimadores
Coeficientes de regresión, varianza residual
6. Inferencia y predicción
7. Diagnosis
Ignacio Cascos Depto. Estadística, Universidad Carlos III 7
Ejemplo:
Pureza del oxígeno en un proceso de destilación
Ignacio Cascos Depto. Estadística, Universidad Carlos III 8
Ejemplo:
Pureza del oxígeno en un proceso de destilación
Ignacio Cascos Depto. Estadística, Universidad Carlos III 9
El modelo de regresión simple
n pares de la forma (xi,yi)
Objetivo: valores aproximados de Y a partir de X
X: variable independiente o explicativa
Y: variable dependiente o respuesta (a explicar)
pendiente
intercepto
regresión de escoeficient y
1
0
10
10 iii uxy
Ignacio Cascos Depto. Estadística, Universidad Carlos III 11
Descripción breve del tema1. Introducción
2. El modelo de regresión simple
3. Hipótesis del modelo
Linealidad, homogeneidad, homocedasticidad, independencia y normalidad
4. Estimación de los parámetros
Mínimos cuadrados, Máxima Verosimilitud
5. Propiedades de los estimadores
Coeficientes de regresión, varianza residual
6. Inferencia y predicción
7. Diagnosis
Ignacio Cascos Depto. Estadística, Universidad Carlos III 12
Linealidad: datos con aspecto recto
Plot of Y1 vs X1
0 40 80 120 160 200
X1
0
200
400
600
800
Y1
Plot of Y2 vs X2
0 40 80 120 160 200 240
X2
0
100
200
300
400
500
600
Y2
Ignacio Cascos Depto. Estadística, Universidad Carlos III 13
Homogeneidad
El valor promedio del error es cero,
0][ iuE
Ignacio Cascos Depto. Estadística, Universidad Carlos III 14
Homocedasticidad:Var[ui]=
2 Varianza de errores constante
Ignacio Cascos Depto. Estadística, Universidad Carlos III 15
Independencia: Observaciones independientes, en particular E[uiuj]=
Ignacio Cascos Depto. Estadística, Universidad Carlos III 17
Descripción breve del tema1. Introducción
2. El modelo de regresión simple
3. Hipótesis del modelo
Linealidad, homogeneidad, homocedasticidad, independencia y normalidad
4. Estimación de los parámetros
Mínimos cuadrados, Máxima Verosimilitud
5. Propiedades de los estimadores
Coeficientes de regresión, varianza residual
6. Inferencia y predicción
7. Tansformaciones
Ignacio Cascos Depto. Estadística, Universidad Carlos III 18
Método de Mínimos Cuadrados
Valor observado
Dato (y)
Recta de
regresión
estimada
Valor observado
Dato (y)
Recta de
regresión
estimada
Ignacio Cascos Depto. Estadística, Universidad Carlos III 19
Mínimos Cuadrados (Gauss, 1809)
Objetivo: Buscar los valores de y que
mejor se ajustan a nuestros datos.
Ecuación:
Residuo:
Minimizar:
iiiii xyyye 10ˆˆˆ
n
i
ie1
2
ii xy 10ˆˆˆ
Ignacio Cascos Depto. Estadística, Universidad Carlos III 20
Mínimos Cuadrados (Gauss, 1809)
Resultado:
xS
Sy
X
YX
2
,
0ˆ
xxyy ii 1ˆˆ
2
,
1ˆ
X
YX
S
S
Ignacio Cascos Depto. Estadística, Universidad Carlos III 21
Ajuste regresión simple:
Datos pureza oxígeno
Ignacio Cascos Depto. Estadística, Universidad Carlos III 22
Ajuste regresión simple:
Datos pureza oxígeno
xy
xyS
S
SS
yxn
x
xy
xyx
95142874
287419619514169295146810
17710
177106810
20
1021
2
..ˆ
..).(.ˆˆ ..
.ˆ
. .
92.16 1.196
Ignacio Cascos Depto. Estadística, Universidad Carlos III 23
Ajuste regresión simple:
Datos pureza oxígeno
xy 95142874 ..ˆ
Ignacio Cascos Depto. Estadística, Universidad Carlos III 24
Ajuste regresión simple:
Datos pureza oxígeno
0ˆ
Ignacio Cascos Depto. Estadística, Universidad Carlos III 25
Ajuste regresión simple:
Datos pureza oxígeno
1ˆ
Ignacio Cascos Depto. Estadística, Universidad Carlos III 26
Método de Máxima Verosimilitud
Mismo resultado.
Estimación de la varianza:
INSESGADO 2
ˆ Residual Varianza
insesgado no EMV ˆ
2
2
2
2
n
eS
n
e
i
R
i
Ignacio Cascos Depto. Estadística, Universidad Carlos III 27
Ajuste regresión simple:
Datos pureza oxígeno
2
RS
Ignacio Cascos Depto. Estadística, Universidad Carlos III 28
Descripción breve del tema1. Introducción
2. El modelo de regresión simple
3. Hipótesis del modelo
Linealidad, homogeneidad, homocedasticidad, independencia y normalidad
4. Estimación de los parámetros
Mínimos cuadrados, Máxima Verosimilitud
5. Propiedades de los estimadores
Coeficientes de regresión, varianza residual
6. Inferencia y predicción
7. Diagnosis
Ignacio Cascos Depto. Estadística, Universidad Carlos III 29
Props. de los coeficientes de regresiónNormalidad
iii
x
i ywynS
xx21
)(ˆ Combinación lineal de normales
),(~ 2
0 iii xNy
Estimador centrado
121 i
x
i yEnS
xxE
)(ˆ
Varianza del estimador
2
22
21
x
i
x
i
nSyVar
nS
xxVar
)(ˆ
2
2
11
xnSN ,~ˆ
Ignacio Cascos Depto. Estadística, Universidad Carlos III 30
Props. de los coeficientes de regresiónNormalidad
ii ywxn
xy1
10ˆˆ Combinación lineal de normales
),(~ 2
0 iii xNy
Estimador centrado
00
1ii yEwx
nE ˆ
Varianza del estimador
2
222
0 11
x
iiS
x
nyVarwx
nVar ˆ
2
22
00 1xS
x
nN ,~ˆ
Ignacio Cascos Depto. Estadística, Universidad Carlos III 31
Descripción breve del tema1. Introducción
2. El modelo de regresión simple
3. Hipótesis del modelo
Linealidad, homogeneidad, homocedasticidad, independencia y normalidad
4. Estimación de los parámetros
Mínimos cuadrados, Máxima Verosimilitud
5. Propiedades de los estimadores
Coeficientes de regresión, varianza residual
6. Inferencia y predicción
7. Diagnosis
Ignacio Cascos Depto. Estadística, Universidad Carlos III 32
Inferencia respecto a los parámetros IC
2
ˆ ˆEn general, si ~ , ( ) un I.C. para :
ˆ ˆ ( )
N Var
z Var
2 2
0
1
ˆˆ ( / 2, 2) 1 /
ˆˆ ( / 2, 2)
Rx
R
x
St n x S
n
St n
S n
2
1 1 2
2 2
0 0 2
ˆ ~ ,
ˆ ~ , 1
x
x
NnS
xN
n S
2ˆDesconocida RS
Ignacio Cascos Depto. Estadística, Universidad Carlos III 33
Inferencia respecto a los parámetros
Contraste de Hipótesis
0 0 1 0
02 2
0 1 1 1
1
: 0 : 0
ˆ ˆ 1 /
: 0 : 0
ˆ
ˆ
R x
x
R
H H
nt
S x S
H H
S nt
S
( / 2, 2)t n
Ignacio Cascos Depto. Estadística, Universidad Carlos III 34
Ajuste regresión simple:pureza oxígeno
0 1ˆ ˆ y
significativos
Ignacio Cascos Depto. Estadística, Universidad Carlos III 35
Descomposición de la variabilidad
La variabilidad del modelo satisface: VT =VE+VNE
Contraste de regresión
n
i
i
n
i
ii
n
i
i
n
i
i
eyy
yy
yy
1
2
1
2
1
2
1
2
)ˆ(Explicada No adVariabilidVNE
)ˆ(Explicada adVariabilidVE
)(T otal adVariabilidVT
2,11 ~2VNE
VE entonces 0, Si nF
n
Ignacio Cascos Depto. Estadística, Universidad Carlos III 36
Ajuste regresión simple:pureza oxígeno
VE
Ignacio Cascos Depto. Estadística, Universidad Carlos III 37
Ajuste regresión simple:pureza oxígeno
VNE
Ignacio Cascos Depto. Estadística, Universidad Carlos III 38
Coeficiente de determinación
22
2
,
2
1
2
1
2
1
2
2
)ˆ(
)(
)ˆ(
VT
VE
YX
YX
Y
n
i
i
n
i
i
n
i
i
SS
S
nS
yy
yy
yy
R
Ignacio Cascos Depto. Estadística, Universidad Carlos III 39
Predicción
Dos tipos de predicción:
Predecir un valor promedio de y para cierto valor de x.
Predecir futuros valores de la variable respuesta.
La predicción es la misma (a partir de la recta de
regresión) pero la precisión de los estimadores es
diferente.
Ignacio Cascos Depto. Estadística, Universidad Carlos III 40
Predicción (promedio)
2
2
02
1
2
00
010
)(1
)ˆ()()()ˆ(
)(ˆˆ
XnS
xx
n
VarxxyVaryVar
xxyy
2
2
02/,20
)(1ˆˆX
RnnS
xx
nSty
Intervalo de confianza para la media estimada
Estimación de la media de la distribución condicionada de y para x=x0:
Ignacio Cascos Depto. Estadística, Universidad Carlos III 41
Ajuste regresión simple:pureza oxígeno
,x y
La anchura del intervalo
aumenta cuando aumenta
hx x
Ignacio Cascos Depto. Estadística, Universidad Carlos III 42
Predicción para futuros valores
2
2
02/,20
)(11ˆˆ
X
RnnS
xx
nSty
Intervalo de predicción
Ignacio Cascos Depto. Estadística, Universidad Carlos III 44
Descripción breve del tema1. Introducción
2. El modelo de regresión simple
3. Hipótesis del modelo
Linealidad, homogeneidad, homocedasticidad, independencia y normalidad
4. Estimación de los parámetros
Mínimos cuadrados, Máxima Verosimilitud
5. Propiedades de los estimadores
Coeficientes de regresión, varianza residual
6. Inferencia y predicción
7. Diagnosis
Ignacio Cascos Depto. Estadística, Universidad Carlos III 45
Diagnosis
Una vez ajustado el modelo, hay que comprobar
si se cumplen las hipótesis iniciales.
Gráficos de residuos frente a valores
previstos.
Si las hipótesis iniciales se satisfacen, este
gráfico no debe tener estructura alguna.
Ignacio Cascos Depto. Estadística, Universidad Carlos III 46
Ajuste regresión simple:
Datos pureza oxígeno
Ignacio Cascos Depto. Estadística, Universidad Carlos III 47
Relaciones no lineales
Gráficos de residuos
Ignacio Cascos Depto. Estadística, Universidad Carlos III 48
Linealidad
Soluciones a la falta de linealidad:
Transformar las variables para intentar
conseguir linealidad.
Introducir variable adicionales.
Detectar la presencia de datos atípicos o
ausencia de otras variables importantes para
explicar la variable respuesta.
Ignacio Cascos Depto. Estadística, Universidad Carlos III 49
Homocedasticidad
.
y
Cuando la varianza de las perturbaciones es muy diferente para
unos valores de la variable explicativa que para otros tenemos
heterocedasticidad
e
Ignacio Cascos Depto. Estadística, Universidad Carlos III 50
Homocedasticidad
Soluciones a la heterocedasticidad:
Si la variabilidad de la respuesta aumenta con
x según la ecuación Var(y|x) = g(x), dividimos
la ecuación de regresión (y) entre g(x).
Transformar la variable respuesta y puede que
también x.
Si lo anterior no funciona, cambiar el método
de estimación.
Ignacio Cascos Depto. Estadística, Universidad Carlos III 51
Normalidad
La falta de normalidad invalida resultados inferenciales.
Comprobación mediante histogramas o gráficos
probabilísticos.
En un gráfico probabilístico comparamos los
residuos ordenados con los cuantiles de la
distribución Normal estándar.
Si la distribución de los residuos es normal, el
gráfico ha de mostrar aproximadamente una recta.
Ignacio Cascos Depto. Estadística, Universidad Carlos III 53
Independencia y Datos influyentes
Independencia
Conviene hacer una gráfica de residuos frente
a tiempo (residuos incorrelados).
Datos influyentes
Analizar la presencia de datos influyentes.
Los atípicos son datos muy grandes o muy
pequeños. Estudiar su posible eliminación.