Regresion Presentacion

More documents

Recommendations

Info

Contraste t Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------- Dependent variable: VARONES Independent variable: MUJERES ----------------------------------------------------------------------------- Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------- Intercept 77,7958 31,4564 2,47313 0,0150 Slope 0,9293 0,00675621 137,547 0,0000 ----------------------------------------------------------------------------- •T •T de de Beta Beta1 es 137, que es mayor que 2. 1 es 137, que es mayor que 2. •Por tanto el el número de de mujeres es es significativo: El número de mujeres aporta información sobre el número de varones.
Ejemplo: Altura vs última cifra del teléfono Plot of Altura vs Telefono 150 3 5 7 9 11 Telefono Regression Analysis - Linear model: Y = a + b*X ----------------------------------------------------------------------------- Dependent variable: Altura Independent variable: Telefono ----------------------------------------------------------------------------- Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------- Intercept 166,317 2,65279 62,6952 0,0000 Slope 0,66185 0,414182 1,59797 0,1175 ----------------------------------------------------------------------------- Altura=166.3+0.66Telefono Si el teléfono sube una unidad se crece 0.66cm ????????????????????????????????? Altura 190 180 170 160
Page 1 and 2:
Regresión
Page 3 and 4:
Vamos a estudiar: • Relación ent
Page 5 and 6:
Existen dos tipos de relaciones:
Page 7 and 8:
Deterministas: • Deterministas: S
Page 9 and 10:
Relaciones no deterministas peso 12
Page 11 and 12:
La regresión estudia las relacione
Page 13 and 14:
El El modelo de de regresión hace
Page 15 and 16:
El modelo de regresión sirve para
Page 17 and 18:
Variable Independiente i Regresión
Page 19 and 20:
Si estudiamos los retrasos “a lo
Page 21 and 22:
La recta de regresión será: Durac
Page 23 and 24:
duracion media 25 LENTOS 22 19 16 1
Page 25 and 26:
El modelo de regresión sirve para
Page 27 and 28: Otro ejemplo: Tasa de alfabetizaci
Page 29 and 30: Linealidad • Fundamental: Si vamo
Page 31 and 32: Siempre: Linealidad: Comprobación
Page 33 and 34: Datos heterocedásticos • Es un f
Page 35 and 36: Independencia • Fundamental: Los
Page 37 and 38: Normalidad • Admitimos que los da
Page 41 and 42: 3000 2500 2000 1500 1000 500 ¿Hay
Page 43 and 44: 3500 3000 2500 2000 1500 1000 500 -
Page 45 and 46: Y ¿Hay relación? ¿Cumple las hip
Page 47 and 48: ¿Hay relación? ¿Cumple las hipó
Page 53 and 54: Nacimientos (X 100000) 6,8 6,5 6,2
Page 55 and 56: Nacimientos (X 100000) 6,8 6,5 6,2
Page 57 and 58: Y-X Y-X 2 Si no se cumplen las hip
Page 59 and 60: Y-X Si no se cumplen las hipótesis
Page 61 and 62: Datos: Censo de Floridablanca 1787
Page 63 and 64: ˆ β ˆ β 1 0 Datos: Censo de Flo
Page 65 and 66: Interpretación del modelo: Varones
Page 67 and 68: ¿Puede valer 1 Beta 1 ? Solución:
Page 69 and 70: INTERVALOS DE CONFIANZA Se Se calcu
Page 71 and 72: INTERVALOS DE CONFIANZA Beta Beta1-
Page 73 and 74: Si Beta 1 auténtica es cero..... B
Page 75 and 76: Si Beta 1 auténtica es cero..... B
Page 77: Contrastes de hipótesis: Contraste
Page 81 and 82: R 2 Indica cuánto de Y es explicad
Page 83 and 84: Diagnosis • La diagnosis sirve pa
Page 85 and 86: 10000 8000 6000 4000 2000 0 Ejemplo
Page 87 and 88: 10000 8000 6000 4000 2000 0 Ejemplo
Page 89 and 90: x 105 5 4 3 2 1 0 Ejemplo -1 0 20 4
Page 91 and 92: area log(area) 60 50 40 30 20 10 0
Page 93 and 94: Log(area)=1.5 + 1.68 Log(perimetro)
Page 95 and 96: FIN
Page 97 and 98: En regresión simple: • Y es expl
Page 99 and 100: La ecuación de regresión será: Y
Page 101 and 102: Y X 2 Hipótesis X 1
Page 103 and 104: Y X 2 Hipótesis X 1 Linealidad: Lo
Page 105 and 106: Y X 2 Hipótesis X 1 Linealidad: Lo
Page 107 and 108: Estimación • Lo hace el ordenado
Page 109 and 110: Interpretación de regresiones Log
Page 111 and 112: Universidad Carlos III
Page 113 and 114: Claridad Global Prof Entusiasmo Par
Page 115 and 116: Claridad Global Prof Entusiasmo Par
Page 117 and 118: Más Profesor Claridad Global Prof
Page 119 and 120: Más Profesor Claridad Global Prof
Page 121 and 122: Regresión múltiple X 2 X 3 X 1 Pe
Page 123 and 124: No lineal No lineal Miramos los dat
Page 125 and 126: Regresión en Logaritmos: Log MpGi
Page 127 and 128: R2 corregido • R2 tiene un proble
Page 129 and 130:
Multicolinealidad
Page 131 and 132:
Numero de de accidentes en en provi
Page 133 and 134:
Regresión con las dos variables --
Page 135 and 136:
Regresiones Accid=278.2 +0.1 Matric
Page 137 and 138:
Regresión: Regresión: Un problema
Page 139 and 140:
Matrículas Permisos En nuestro eje
Page 141 and 142:
En nuestro ejemplo Solución: elimi
Page 143 and 144:
Cata de quesos: Factores: 1. Acetic
Page 145 and 146:
Dependent variable: taste ---------
Page 147 and 148:
TASTE Lactico 47% Acetico Dependent
Page 149 and 150:
TASTE Lactico 47% H 2 S 55% Depende
Page 151 and 152:
TASTE Lactico 47% H 2 S 55% Depende
Page 153 and 154:
Variables Cualitativas
Page 155 and 156:
Peso Estudiamos Pesos - Alturas •
Page 157 and 158:
Peso Estudiamos Pesos - Alturas Si
Page 159 and 160:
Ejemplos Variable Y Variable X Grup
Page 161 and 162:
El modelo que se estima: ˆ = ˆ β
Page 163 and 164:
Dependent variable: peso Hagámoslo
Page 165 and 166:
Millas por galón: ¿Influye el ori
Page 167 and 168:
Interacciones • Hemos supuesto qu
Page 169 and 170:
Modelización de las interacciones
Page 171 and 172:
Queremos estudiar si hay diferencia
Page 173:
Introducción de V. Politómicas 1.
Page 176:
FIN
show all

Regresion Presentacion

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?