Idioma: Español
Fecha: Subida: 2020-05-06T00:00:00+02:00
Duración: 37m 51s
Lugar: OnLine - Online
Lugar: Curso
Visitas: 1.460 visitas

Tema 8 - Parte II

Análisis de la varianza en regresión y coeficiente de determinación

Descripción

En este video vemos el análisis de la varían como herramienta para contraste si al pendiente del modelo es 0, y el uso del coeficiente de determinación para medir la bondad del modelo

Transcripción (generada automáticamente)

Una alumna del uno de la asignatura de Estadística de Ciencias Ambientales en este segundo vídeo del tema de las relaciones entre variables. Vamos a continuar con el análisis de regresión lineal y, en particular, vamos a ver cómo se hace, inferencia en este modelo, que estamos considerando. En el análisis de regresión línea recordamos que la situación que estamos considerando es el estudio de una relación entre dos variables, y si a partir de un conjunto de observaciones, desató variable conjunto de observaciones, subí y subí en la suposición que estamos considerando en cuanto a la forma en que se relacionan la variable y la variable que lo hemos puesto como las suposiciones, normalidad e independencia, comentamos en el vídeo anterior que la modelo que estamos considerando que los valores de Kisufim, que son valores que fija el experimentador, son valores que se relacionan a través de la variable en la historia y sui esta cantidad es aleatoria mediante esta relación en la cual la variable ley se descompone, en un trozo que es una relación lineal, con la variable más otro trozo, que es un trozo que es aleatorio y ese plazo aleatorio, considerábamos que sería una distribución normal de medio hacer o equivalían obstante, sin más cuadra, comentamos en el tema anterior en el día anterior que ese modelo se puede escribir de manera equivalente diciendo que en realidad para cada equis sui lo valore y suya solo asociados. Son valores aleatorio, que tienen distribución normal, que son independiente y verifica que su media tienen una relación lineal con el valor de la equis y su alianza constante. Se recuerda es el ejemplo artificial que utilice para explicar algunas de las ideas de este modelo. La idea era que cada vez que fijamos un valor de que por ejemplo equis, igualado los valores de la variable y son aleatorio y se comportan como una distribución norma donde la media de esa variable normal está colocada sobre la recta mas ve que la apariencia de esas poblaciones normales son constantes. Lo que comentamos en un último vídeo, que lo único que nosotros conocemos son las observaciones, lo único que vamos a conocer, su punto de aquí y lo que queremos es hacer obtener información sobre esta recta y también implícitamente ya veremos dónde parece eso tenemos que vamos a obtener información de sin más cuadra y a partir de ahí que eso es lo importante y muy interesante, nosotros vamos a poder utilizar esta estructura para lo siguiente, ya que si yo fijo un valor de nuevo a partir de la estructura creo que hemos ajustado a partir de lo tanto. Podemos hacer una predicción de cuáles serán los posibles valores, de ahí que yo voy a observar para ese valor y es aquí donde entra en juego la inferencia estadística. Entonces, volviendo a la transparencia. La cuestión ahora es que lo primero que me va a interesar es ver cómo puedo hacer una estimación de esos parámetros. Hay, ve que es un desconocido recordar que los parámetros desconocidos son A, b y se inmaculada, pues lo primero era ver cómo se puede obtener una estimación de esos parámetros, de acuerdo a las ideas de timadores que hemos visto en el tema 5. Bien, en este caso los de ahí debe no hay que preocuparse o por ellos, en el sentido de que son ya valores que nosotros conocemos. Eso de ahí debe, vienen dados por el coeficiente de la renta de mínimos cuadrado, que ya en el tema de Estadística descriptiva y lo que vamos a hacer ahora es recordar las expresiones que tienen esos parámetros de la recta de mínimo escuadra. Entonces para obtener la expresión de eso, de esa pendiente y esa constancia en la recta de mínimos cuadrados se utilizaba de manera indiscriminada datos estadísticos, que son por uno la cobardía; danza, entre las parejas que subí y subí o el coeficiente correlación entre las parejas equis. Subí y si cuando vi efectos estadísticos el tema estadística descriptiva lo vi como unos estadístico descriptivo que intenten estudiar el grado de asociación entre la variable equis y y aquí lo que vamos a utilizar son esos estadístico como herramienta para hacer estimaciones de esos valores que son desconocidos en términos de estos estadístico, lo que parece la renta de mínimos cuadrados que ha quemado se pueden escribir de esta forma Fórmula uno o de esta forma, formulados en el primer caso, tenemos el valor de la constante en la recta de mínimo cuadrado, que viene en término de de varias muestras de media, muestra, no es importante ahora es la expresión que tiene, puesto que eso va a calcular r, sino que seamos conscientes de que estas expresiones dependen de estadístico, muestran que dependen de equis y di descriptivos, que dependen de esa de un conjunto de puntos equis, subí y subí y, por otro lado, la estimación de la pendiente de la renta de mínimos, que viene dada por esta expresión, que también depende de esos estadísticos árabe. Qué relación tienen estos? El tríptico descriptivo con la estimación de aire? Bueno, pues eso es lo que vamos a ver en este vídeo en concreto. Bueno, recordar que con esos dos valores se construye una recta que lo que se llama la recta de mínimos cuadrados y que nosotros en este contexto vamos a llamar la recta de regresión di sobre ello simplemente la recta de mínimos cuadrado. Lo que ocurre es que aquí nosotros estamos metiendo una información extra, porque recordar que ahora los valores de la de los valores de la variable y los valores de vih que observamos son aleatorios, con lo cual esta recta ya tiene un componente aleatorio que lo convierte en un estadístico dentro de la inferencia estadística, y lo mismo ocurre con estos dos parámetros de la recta mínimos cuadrado, al depender de los valores de y que son aleatorios se convierten ahora en estadístico. La cuestión ahora es ver si esos estadísticos tienen alguna buena propiedad a la hora de estimar, y la respuesta es que si lo que veremos es que es un estimado de mínima varía de esos dos parámetros, con lo cual ya tenemos resuelto el problema. Aquí simplemente una observación de acuerdo. Que toda la construcción de ahorro y gorro, así como en la recta de mínimos cuadrados, se puede obtener para cualquier conjunto de pared de punto. No, no, no hay ninguna restricción. Ahora lo que ocurre es que estamos metiendo el hecho de que los valores de un aleatorio y por lo tanto todo valores que aparecen aquí se convierten en estadístico y de hecho vamos a ver que son estimados. Les vale recordar que los valores de que no son aleatorios están prefijados de antemano antes de observar. Los valores de y podamos considerarlo como valores constantes. Simplemente van a depender como estadístico de los valores, y si bien pues entonces la respuesta a la cuestión de qué tipo de propiedades tienen muy sencilla lo vamos a ver a continuación. Antes de eso, simplemente para que lo viera. Y cómo funciona en este caso pues podéis ver cómo queda la recta de regresión sobre el conjunto de puntos. Luego parece ser que esta recta describió bastante bien el comportamiento, y lo que voy a hacer es ir a la red para recuperar el comportamiento de esa recta de la abstención de esa recta regresión eso es algo que. Dijiste el tema voy a volver a recuperar. Entonces recuperando nuestros vectores de datos. De acuerdo. Ante esta opción que aparece aquí pudimos recuperar la recta de regresión de acuerdo éste sería el valor de uso del término ahorro y este de aquí abajo sería el valor del término de gorro y podemos pintar y obtener la gráfica anterior a través de recorriendo la recta aguarda un gorro a partir de estos balones que aparecen aquí los construimos, los pintamos y obtenemos la gráfica anterior. Me acuerdo bien. Entonces ahora qué relación tienen estos dos valores que hemos calculado aquí con los valores de aire desconocido de la recta agresión? Pues lo dicho anteriormente van a ser estimados indicado de mínima variar el resultado que asegura. Eso es un resultado muy conocido. En la estadística, que se llama el teorema de caos, marcó este teorema. Bajo distinta suposición. Se obtuvo en Porto matemático. Nos digamos que los resultados. Se complementan por dos de los matemáticos más famoso entre la probabilidad y como son Gaos y Marco, y bueno, caos es uno de los matemáticos más conocidos de la de las Matemáticas. En general. Entonces teorema nos dice que, efectivamente esa expresión en un oído de agosto y me gorro notables timadores de mínimo. Hasta aquí añade un término adicional, que es el hecho de lineales, y eso se incluye porque, excepto o sea, ese valor de, en realidad se pueden poner como combinación lineal de los valores de eso, y es una cuestión técnica. La indicó por. Porque tenga más claro lo que estoy haciendo, pero no es determinante para entender que lo que estamos manejando son estimado en ese estado de mínima o alianza bajo determinadas condiciones que lo realmente importante. De acuerdo, este teorema se podría aplicar incluso aunque la variable que estamos considerando, si no fueran normales. Aquí estamos suponiendo adicionalmente que son normales y por lo tanto sigue siendo vale acuerdo bueno pues lo que hace lo que acabamos de hacer es simplemente justificar que esos dos parámetros de la recta mínimos cuadrados, que ahora se llama la regresión de y sobre que me producen dos valores, que es una aproximación muy buena de los verdaderos valores de-y ahora una vez que hemos llegado a este punto, no vamos a plantear una cosa. Las dos cosas principales que nos vamos a plantear van a ser el modelo anterior. El parámetro b puede ser 0, no estamos descartando la posibilidad de que la constante que usa la pendiente de la renta sea 0. Por lo tanto, sería interesante descartar esa situación. Evidentemente, cuando nosotros vamos a dar ejemplo y vemos la estimación debe de acuerdo. Eso nos da una dedicación que casi seguro que va a ser distinto. Lo que queremos es hacer, confirmar que distinto de 0. Por qué? Porque si ve fuera cero en realidad la variable y no tienen ninguna relación con la variable y nos podemos olvidar completamente. Todo lo que vamos a hacer es confirmar que la pendiente distinta de 0, con un contraste de hipótesis, de acuerdo y la otra cuestión, es que yo quiero utilizar ese modelo que estamos construyendo sobre los datos para poder dado ahora un valor de cualquiera. Por ejemplo, en el ejemplo hemos visto valores de igual a 0, 1, 25 con 5, 5. Pues imagina que yo ahora quiero considerar el valor de 3, puedo saber yo que le va a pasar a los valores de y cuando el valor de xs iguala, pues eso es lo que veremos a continuación y en ese proceso tanto de contestar, si la pendiente es igual a hacer o no y cómo puedo predecirlo de ahí en función de la vamos a introducir un elemento que es el coeficiente de determinación, que va a servir como herramienta para decidir si el modelo es suficientemente bueno para predecir los valores de y en función de Laiki. Pero eso será más adelante. Bien, entonces cómo vamos a hacer el contraste de si la pendiente es igual a cero o distinta? Pues lo vamos a hacer de la siguiente forma. Vamos a volver al ejemplo, que estábamos considerando artificial de acuerdo y vamos a considerar la situación que estamos abordando, en la cual nosotros teníamos esto grande de acuerdo, y tengo estos puntos de acuerdo donde proceden de esta variable y que son nada, y aquí tenemos una situación muy pendiente, distinta. Bueno, por lo que voy a hacer va a ser algo que os va a recordar mucho a lo que vimos en el tema anterior, Dano lo que vamos a hacer, ver estos valores. Di en su conjunto en realidad cómo se comporta. Es decir, yo lo voy a hacer ahora va a ser coger todos esos puntos. Lo voy a juntar en un único conjunto. Tú y voy a ver qué comportamiento tiene este conjunto ahora comparándolo con la situación en que la pendiente de fuera igual acero, es decir, nosotros tenemos ahora este conjunto de observaciones de la pendiente distinta, cero noroeste y voy a compararlo con una situación en la cual la pendiente en vez de ser distinta es igual a 0. Los puntos, pues ahora se quedan por encima y por debajo de la recta de forma distinta. Seguimos considerando que está en este modelo. La variable son normales con la misma alza, solo que ahora la media no cambia respecto a la medida es constante en esta situación. Y voy a coger ahora los puntos de esta situación. Y lo pudieran comparar con los puntos de esta situación fija. La principal diferencia que hay es que la movilidad del conjunto de datos la separación entre los datos es mucho más grande que en esta situación, y aquí ocurre una situación muy parecida a la que vivimos en evidente en los vídeos correspondiente al tema a fijar que lo que ocurre ahora es en las variables y hay una variación que proviene de el factor sima, cuadrado de acuerdo, puesto que hay una fase inmaculada en esta variable, pues se producen desviaciones entre la observaciones, pero ahora, cuando yo introduzco aquí en la recta un parámetro distinto de cero por el parámetro expositivo de la recta, sube hacia arriba, que es lo que hace, separa los puntos. Cuanto más distinto sea la pendiente, cuanto más exagerada se la pendiente más se van a ir separando los puntos. Entonces, fijará que en estas situaciones tienen que los valores tienen una variabilidad que depende, por un lado, del factor sima cuadrado de la variación que hay dentro de cada una de las variable y, por otro lado, depende de cómo la pendiente de distintas, cuanto más distinta de hacer más variabilidad entonces lo hago me pasó lo mismo que era, no voy a descomponer la variabilidad de los datos, y subí en una parte que proviene del factor sin y en otra parte, que proviene del factor b. Si ve distinta de hacer esa variabilidad que proviene debe distintas, pero se va a hacer grande en comparación con la variabilidad que proviene de Sigma Cuadrado, y a partir de ahí vamos a documentar. En contraste de hipótesis ve igual a cero frente a distintos. Volviendo a la transparencia y ya entonces lo que vamos a tener es que vamos a poder contactar como hipótesis nula que fue es igual hacer frente a la igualdad es exacta nativa, de que ve distinta, y ese contraste se va a realizar a través de la siguiente, de composición, de la variabilidad en concreto. Vamos a utilizar esta fórmula que aparece en esta fórmula. Aparece una serie de términos que de primera no está muy claro, pero que vamos a ir estudiando poco a poco. Entonces, vamos a ver cómo vamos a ir interpretando cada uno de los términos que aparece entonces, el primer término que aparece aquí esta suma de acuerdo. En realidad lo que estamos haciendo fijaron que calcula la diferencia entre las observaciones y su media al cuadro, pues algo denominado en realidad lo que tenemos ahí en la cuasi de los datos y sui y eso terminó lo único que hace. Es medir la variabilidad que el conjunto de observaciones y si la que básicamente ese término lo que está viviendo toda la habilidad que hay en este conjunto de observación vale ese término, al igual que en la Nova. El tema anterior se va a notar por la suma de cuadrados total. Pues si volvemos a la ponencia anterior, hay otro término aquí un poco más vamos a interpretarlo en qué consiste ese término entonces que termine aquí lo que hace medir las diferencias que hay entre y subí y el valor de la recta de regresión en cada uno de los puntos que subí sea. Lo que está haciendo esta diferencia es que la observación al respecto de la media de la red de represión cómo se comporta y fijaron en la amplitud de esa distancia, de quien depende simplemente de Sigma Cuadrado, cuanto más grandes e Inma cuadrado más se van a poder separar esos puntos de la agresión. De acuerdo. Así que este término en realidad lo que está midiendo es que parte de la probabilidad proviene de Sigma Cuadrado. Indicó además que la parte de la variabilidad que proviene del residuo, recordar que en el desarrollo del tema hemos considerado un término subí que se sumaba a la renta y generar valor de, y subí de acuerdo entonces ese término le llamó el residuo, pudo haberlo y fijaron que lo que estamos considerando aquí son diferencia entre los valores de, y subí y diferencia entre los valores de la recta de regresión en los que subí. Es una aproximación de este valor si no se puede justificar teóricamente, pero se declaró que estos valores de aquí lo que están haciendo aproximar estos valores de aquí de acuerdo. Pues bien, en realidad lo que nosotros estamos aquí haciendo es una suma de esos aproximaciones del residuo cuadrado. Por eso podemos decir que mide qué parte de la variabilidad proviene del residuo y recordar que el residuo? La magnitud del residuo depende de su alianza cuanto mayor sea la fianza, mayor base del valor del residuo. Por eso, adicionalmente, ponemos también que la variabilidad que proviene de Sigma se puede decir de una forma o de otra. Lo interesante tener en mente esa dependencia, porque eso, bueno, vamos a explotar. En distintos sentidos y después tenemos un último término estoy aquí me acuerdo que lo que hace. Es medir que parte de la variabilidad proviene del efecto que tienen pendiente fijar o que aquí lo que estamos viendo es la diferencia que le entregó a-b o requisó -vih sea lo que hacemos para acabar. Aquí no vamos a dar recta venimos aquí de acuerdo, y lo comparamos con la media de todas las observaciones fijado, que este es el término que estamos calculando, y eso le va a marcar la diferencia que hay de ese cálculo, en este caso en que la pendiente distinta de cero en este caso la pendiente es igual a 0, puesto que aquí el término. A Gorman subí puesto que ve 0, pues ese término prácticamente borró de acuerdo; y podéis ver nuevo teóricamente, y de mucha forma ese término lo único que está haciendo es estimar la media de la variable, así que fijará lo que tenemos. Es un término que sí ve distinto de cero marca, una diferencia muy grande respecto de la media. Muestran de la de observaciones. Pero si ves igual, acero que este término de aquí y esté terminado aquí se tienen que parecer mucho, dijeron que en este caso valores que van a salir más se parece mucho a la media; muestran y aquí se va diferenciando mucho más los valores de la recta regresión en esos puntos, así que en realidad este término se hace grande si ve distinto, 0, pero sí ve igual, acero. Este término se va haciendo muy pequeño, así que determinó que parte de la variabilidad proviene del efecto que tiene la pendiente, que es la constante, el término que propina el residuos es una demanda de esta forma como la suma de cuadrados residual, y la parte que proviene de la pendiente se suelen llamar la suma de cuadrados de regresión, así que en terminante esa dotación en realidad nosotros lo que estamos diciendo de acuerdo a la fórmula de acuerdo en la fórmula anterior, y es que la variabilidad total en el conjunto de observaciones, se puede componer una parte que proviene del residuo o de la danza, y en otra parte que proviene de la pendiente de la recta. De regresión me acuerdo y vamos a hacer ahora un juego muy parecido al de la nueva. Lo que vamos a hacer es comparar la variabilidad que proviene de la pendiente con la variabilidad, que proviene del residuo o variar si este término es muy grande en comparación con este. La idea es hacerlo, y si este valor es pequeño en comparación con este, la idea sería que la pendientes igual hacerlo en concreto y oyendo a la al detalle, tenemos que si la hipótesis una cierta es decisiva, es igual hacerlo. La relación lineal con los que subí desaparece y, en realidad, tenemos una serie de poblaciones que son todas iguales que si mira en la fórmula, tiene media constante igualada. El acuerdo por lo tanto en la media de todos los datos y es lo que me llamó Ibarra, así como el valor de la recta de ser el punto de que soy, es decir, en realidad son estimaciones de la media y, por tanto, la suma adecuado de regresión toma valores bajos, por lo que este término y esté terminado aquí estiman la misma cantidad y por contra, el valor de la suma de valor residual. Por valores, tanto la variabilidad de los dato se reparten los términos que son positivo, sino un pequeño. El otro tiene que ser alto. Como consecuencia, una forma de identificar, si el Parlamento ve cero o no vas a comparar, eso me acuerdo, y la forma de hacerlo, pues va a ser inicialmente tomando el cociente entre esa cantidades, siete cociente toma valores bajo, porque la suma de regresión es pequeña en comparación, en la suma, cuando te represión pendiente es pequeña en comparación con la suma de residual, y entonces la pendiente, pero si por contra, que cociente toma balones altos. Entonces, hay una gran variabilidad que depende de la recta de regresión y concluyan que la pendiente es distinta. Como ocurre en el tema del del Anova, es el cociente original, tenemos que modificarlo para tener en cuenta el número de observaciones etc etc y en particular en este caso hay que modificar el término de la suma de color residual y dividirlo por entonces. Este cociente y ha modificado incluimos abajo, en la, como está aunque a de todas formas, lo vamos a renombrar y tendremos dos términos, que son el cuadrado medio de regresión y el cuadrado medio de los residuos y la interpretación en la misma. Siete cocientes bajo la pendiente distinta de 0, si el cociente es alto, porque la pendiente, perdón, si es consciente, es bajo, porque la pendiente es igual, hacer y ser consciente es alto porque la pendiente es distinta. Bien, en todo este apartado estoy utilizando el término de Anova en regresión. Acuerdo. Por qué? Porque seguimos con la situación, seguimos con la situación donde lo que estamos haciendo es analizar la variabilidad de los datos, y, por eso, seguimos utilizando el término Anova, análisis de la variación al alza. Lo que hacemos ahora es ponerle el apellido de que este análisis de la alianza es dentro del contexto de regresión. Bueno, pues entonces lo hubiera dicho cuando inconsciente, Antonio tuvo dolor bajo. Lo identificamos como desigual acero, y si tengo valores distintos ahora, como decidimos eso, pues bueno, ese cociente es un estadístico y a partir del estadístico que va a ser un atentado con carácter calcular, el valor se calcula a través de esta fórmula, aunque nosotros no la vamos a utilizar r va a ser el que no de él. Además, en el cálculo de este valor y sus interpretaciones, como siempre, pero valor bajo, rechaza mucho sucio la pendiente de hacerlo y, en caso contrario, aceptaría opciones y, por lo tanto, la pendiente de hacer yo incluyó esta fórmula y esto por completo, pero ya sabe que tanto el estadio como el que va o no va a dar ahora bien esa descomposición de la variabilidad y el cálculo estadístico y el valor se resumen siempre en una tabla que en este caso se llama la tabla del análisis de la crianza en el modelo de regresión y es una tabla similar a la que utilizamos en la Nova. Por un lado, tenemos una columna donde aparece la descomposición de la variabilidad total en términos de la variabilidad, de la regresión y la habilidad del residuo. Después se calcula eso valore fundamentalmente viviendo la suma de los residuos, el partido por 1, 2, cuando ya tenemos esto, el conscientemente determina la estadística de Contact a partir del cual se calcula el valor. Esta tabla, al igual que en el tema anterior, es obligada a incluirla en cualquier problema de análisis de análisis, de regresión, línea de vuelo aquí tenéis. El esquema y tenéis que reproducirla, la tenéis que reproducir a partir de los Valores correspondiente que obtenga ese y vamos a ver cómo se obtienen esos valores. Entonces, volviendo a nuestro ejemplo, acuerdo que esa tabla se puede obtener a través de este comando que aparece aquí parece Anova. Aquí lo que parece es que hace referencia al modelo de regresión, línea la variable, y quieren la que hace de entonces ejecutamos ese valor, ese comando que obtenemos estatal, la que aparece aquí. Esta tabla en la que tenemos que volcar el modelo de tabla anterior aquí tenéis la suma de Regresión. La suma del cuadro residual, la suma de acuerdo total no aparece, pero recordar que se obtiene como la suma de este valor y estoy aquí lo tendré que hacer a mano cuadrado medio. Aquí solamente tenemos que modificar la suma de cuadrado residual, la tenemos que vivir, porque ese es el valor que se obtiene el cociente de los cuadrados medios lo tenéis aquí y aquí tenéis una indicación del valor del valor de este problema, a veces r por cuestiones de aproximación, no puede ofrecer directamente cuál es el valor exacto, pero sí que puede dar una cota. Entonces, por ejemplo, aquí con esta anotación lo que os indica es que el valor que es menor quedó por dos por 10 elevaba al menos -16 saques, que se valore es prácticamente nulo, y con esa información ya podemos resolver. Así que toda esta información que nos da para nuestro Anova en regresión con nuestro Tato lo recuperamos, lo volcamos en una tabla que quedaría de esta forma irregular. Pero yo recuerdo eso obliga a incluir esa tabla. En cualquier ejercicio que resolver. Bien, pues entonces para los datos del ejemplo, la tabla que se obtiene ese día está simplemente volcado, los datos anteriores, y aquí lo único que tengo que hacer es incluir en la tabla de la nueva la suma de cuadrados total, que no viene en la tabla anterior, pero sí que podría obtener sumando esta cantidad. Con esta cantidad, al final fijado, que dice que del la variabilidad total del conjunto de observaciones, y subí 293 con 40, de las cuales 282 unidades provienen de la regresión y 10 provienen del residuo, con lo cual se ve claramente que la mayor parte de la variabilidad proviene de la rendición, y la conclusión, casi segura, va a ser que la pendiente distinta lo confirmamos calculando nuestro estadístico de contraste, y nuestro pueblo, como ya hemos dicho. Pero no era menor que dos por dos por 10 elevado a menos -16 por tanto, ese valor es prácticamente nulo. Va a ser menor que igual que el nivel de significación que consideramos, y tenemos que aceptar la hipótesis alternativa de que ve distinto. Bueno, pues la parte diferencia ya lo hemos terminado, podemos estimar, podemos estimar b y adicionalmente podemos contactar, si la pendiente es distinta. Pero esta tabla no va a servir para una cuestión adicional. Porque recordar que el objetivo último del análisis de regresión lineal es ajustar un modelo que me sirva para predecir el valor de y en función del valor de la equis, pero recordar que la variable ley depende no solamente de la Ekhi, recordar que nuestro modelo. En nuestro modelo. En un modelo volviendo aquí fijado cuál es la relación de estar aquí pero no solamente depende de la equis también depende del residuo y el residuo que sea, más grande, más pequeño, depende de su alianza, es inmaculada, luego la variable y depende de la relación lineal, con términos inmaculada ahora, aunque la pendiente de sea, distinta de 0. Si resulta qué hay una dependencia, aunque sea distinta de acero baja respecto de qué depende más del residuo, lo que nos vamos a encontrar es que todo aquí no va a ser suficiente para obtener un posible valor de la variable, y el modelo va a ser bueno cuando dependa casi todo el comportamiento de la variable. Respecto de Ekhi y depende un poco del residuo, ahora podemos medir nosotros si la varita es la variable y depende mucho o poco de la recta de regresión sobre aquí fijado, que ya no estoy intentando comparar. Qué magnitud de la variabilidad depende de éste con la magnitud de la variabilidad que depende del residuo? Estoy comparando esto con esto. Lo que estoy diciendo esto aquí depende mucho o poco de esto, pero solo podemos hacer de forma muy sencilla, puesto que ahora que nosotros ya hemos puesto que ahora nosotros ya hemos obtenido. Mientras la composición de la variabilidad y sé que parte de la variabilidad total depende de la regresión y qué parte depende del residuo, puedo obtener un criterio? Pudo determinar un criterio para ver si el modelo va a ser bueno para predecirlo, en función de que observando que parte de la variabilidad total proviene de la agresión, vale entonces en particular lo que vamos a hacer es considerar de aquí y este término de aquí es un término fijado, que es un número que está entre cero 1, puesto que es un cociente de un número positivo, y el es siempre más pequeño que denominado lo que me va a decir en tanto por 1. Qué porcentaje de la variabilidad total proviene de la regresión y cuanto más cerca de uno más indicación tengo de que la principal fuente de variación de la variable y la recta de regresión, y eso me va a llevar a que el modelo va a ser bueno para predecir los valores de y en función de la idea, está de que quiere decir que el modelo vaya a ser bueno para predecir ahora mismo está un poco en el aire. Pero cuando pasemos al apartado, estimación y predicción prolongó valor de que lo veremos con más detalle, vale? Yo lo que quiere es que ahora mismo, con esa idea general de que al final yo quiero predecir el valor del año en función del acuerdo, quiero sabiendo la Ekhi decir cuánto vale ahí y ahora necesito medida una forma, lo bueno que va a ser el modelo para hacer esa tarea de predicción. Entonces eso lo vamos a hacer en términos de 30.000, lo que parece el coeficiente de determinación entonces fijará ese coeficiente de determinación como cuando lo multiplicamos por 100 no va a dar. Qué porcentaje de la variabilidad de los datos, de la variable y están explicado por el modelo de regresión, y ese término se conoce como coeficiente de determinación, vale. Simplemente que calcular eso casualmente y no tan casualmente ese coeficiente de determinación es simplemente coeficiente correlación adecuada. El coeficiente de coronación muestral, que estoy viviendo en los temas de Estadística vale, y entonces la forma en que se usa ese término es simplemente intentar ver qué porcentaje de la moneda ya lo tanto está aplicada por el modelo de regresión. Es nuestro ejemplo, el valor de creciente determinación. Toma esta cantidad, no lo tenéis que calcular Amano hará después recuperaré cómo se puede obtener de acuerdo y por lo tanto, que sirva para atraer lo que me dice, se terminó tanto por 196 puntos, cinco por 100 de la variabilidad. Los datos está explicada por un modelo de regresión, y eso me da una idea de que la variable ley va a poder predecir, se bastante bien en términos de la variable, que es decir. El modelo va a ser bueno para predecir la ley en términos de la función de la variable. La cuestión ahora es cuando consideramos que es bueno cuando malo. Bueno, pues eso no hay ningún criterio, pero bueno, en general se considera que cuando cociente determinaciones superior a 9, el modelo es bueno, porque el 90 por 100 de la variabilidad de la variable y depende de que con lo cual conociendo el valor de que voy a poder explicar el 90 por 100 de ahí y cuando ya nos quedamos por debajo del nueve nos vamos alejando hacia cero no vamos a hacer canciones de 0, perdón, cuando estamos perdiendo el modelo como un modelo bueno, para apreciar los valores de función. Ahora nosotros hemos llegado un punto, el paso siguiente va a ser cómo pudo usar el modelo para predecir el valor de y en función de la, pero eso ya será el contenido del vídeo tercero de este. Por tanto lo dejamos aquí y en la próxima entrega veremos cómo se verifican las posiciones iniciales del modelo de análisis de regresión lineal y cómo, una vez que hemos determinado que el modelo es bueno para predecir la palabra y en función de cómo hacer esa técnica de predicción. Todos estamos aquí y nos vemos si no soy un saludo y cuidaron mucho.

Intervienen

Felix Luis Belzunce Torregrosa

Propietarios

Felix Luis Belzunce Torregrosa

Comentarios

Nuevo comentario

Serie: Estadística (Grado CC. Ambientales) (+información)

Asignatura (1797)

Canales

Tema 5 - Parte VIII

Inferencia estadística para analizar la probabilidad o proporción de un suceso

Canales

Tema 7 - Parte II

Verificación de las suposiciones iniciales del ANOVA y comparaciones múltiples de medias