Entradas

Durbin-Watson

-
Imagen
     Durbin-Watson es una estadística que se utiliza para probar la autocorrelación de los residuos en un modelo de regresión. Esta estadística se basa en la idea de que los residuos de un modelo de regresión deben ser independientes y no correlacionados.      El valor de Durbin-Watson oscila entre 0 y 4, y cuanto más cercano esté a 2, menor será la autocorrelación. Un valor de 2 indica que no hay autocorrelación, un valor menor que 2 indica autocorrelación positiva, mientras que un valor mayor que 2 indica autocorrelación negativa. La interpretación del valor de Durbin-Watson es la siguiente: Si el valor está entre 0 y 2, hay evidencia de autocorrelación positiva en los residuos. Si el valor está cerca de 2, no hay evidencia de autocorrelación. Si el valor está entre 2 y 4, hay evidencia de autocorrelación negativa en los residuos.      Es importante tener en cuenta que Durbin-Watson es una prueba de autocorrelación de primer orden, lo que significa que solo mide la correlación entre
Publicar un comentario
Leer más

Graficos de Dispersión para los Residuos

-
Imagen
     Los gráficos de dispersión para los residuos son una herramienta útil para verificar los supuestos del modelo lineal simple y evaluar si los errores tienen alguna estructura sistemática. Estos gráficos muestran la relación entre los residuos y los valores ajustados del modelo.      Para hacer un gráfico de dispersión para los residuos, se grafican los residuos (eje y) versus los valores ajustados del modelo (eje x). Si el modelo es adecuado y se cumplen los supuestos, los residuos deberían distribuirse aleatoriamente alrededor de cero y no debería haber ninguna relación clara entre los residuos y los valores ajustados. Ejemplos:
Publicar un comentario
Leer más

Verificación de los Supuestos

-
Imagen
     La verificación de los supuestos en un modelo de regresión lineal es importante para asegurarnos de que las condiciones necesarias para aplicar el modelo son satisfechas. Los supuestos principales son los siguientes: Linealidad: La relación entre las variables debe ser lineal. Homocedasticidad: La varianza de los errores debe ser constante para todos los valores de la variable independiente. Normalidad: Los errores deben seguir una distribución normal. Independencia: Los errores deben ser independientes entre sí.      Para verificar estos supuestos, se pueden realizar varios análisis gráficos y estadísticos, como los siguientes: Gráfico de dispersión: Se puede graficar los valores observados contra los valores predichos por el modelo. Si los puntos están dispersos aleatoriamente alrededor de una línea recta, la linealidad se cumple. Gráfico de residuos vs. valores ajustados: Se puede graficar los valores de los residuos (errores) contra los valores ajustados (predichos). Si la dis
Publicar un comentario
Leer más

Analisis de los Residuos

-
Imagen
     El análisis de los residuos es una técnica utilizada para evaluar la calidad del modelo de regresión lineal ajustado y para verificar si se cumplen los supuestos del modelo. Los residuos son las diferencias entre los valores observados y los valores estimados por el modelo. Un residuo positivo indica que el valor observado es mayor que el valor estimado y un residuo negativo indica lo contrario. Existen varias formas de analizar los residuos, algunas de ellas son: Gráfico de residuos vs. ajuste: Este gráfico muestra los residuos en el eje vertical y los valores ajustados por el modelo en el eje horizontal. Si el modelo es adecuado, los puntos deberían distribuirse aleatoriamente alrededor de una línea horizontal. Si se observan patrones, como una curva en forma de U o una línea inclinada, podría indicar que el modelo no es adecuado. Gráfico de residuos vs. variables explicativas: Este gráfico muestra los residuos en el eje vertical y una variable explicativa en el eje horizontal.
Publicar un comentario
Leer más

Significancia Individual

-
     La significancia individual en el modelo de regresión lineal se refiere a la importancia de cada variable predictora en el modelo. Para evaluar la significancia individual de una variable predictora se realiza una prueba de hipótesis para el coeficiente de regresión correspondiente a esa variable.      La hipótesis nula establece que el coeficiente de regresión es igual a cero, lo que significa que esa variable no tiene efecto sobre la variable de respuesta. La hipótesis alternativa afirma que el coeficiente de regresión es diferente de cero, lo que significa que la variable predictora sí tiene un efecto significativo sobre la variable de respuesta.      Para realizar esta prueba de hipótesis, se utiliza el valor t de Student y su correspondiente p-valor. Si el p-valor es menor que el nivel de significancia elegido, normalmente 0.05, se rechaza la hipótesis nula y se concluye que la variable predictora es significativa en el modelo.      Por lo tanto, la significancia individual n
Publicar un comentario
Leer más

Significancia Global

-
La significancia global en un modelo de regresión lineal se refiere a si al menos uno de los predictores en el modelo está relacionado significativamente con la variable de respuesta. En otras palabras, la significancia global indica si el modelo en su conjunto es estadísticamente significativo. Para evaluar la significancia global, se utiliza el análisis de varianza (ANOVA) para comparar la variabilidad explicada por el modelo con la variabilidad no explicada. La hipótesis nula es que todos los coeficientes de regresión son iguales a cero, lo que significa que el modelo no tiene efecto sobre la variable de respuesta. La hipótesis alternativa es que al menos un coeficiente de regresión es diferente de cero, lo que significa que el modelo tiene un efecto significativo sobre la variable de respuesta. El valor p de la prueba ANOVA se utiliza para evaluar la significancia global del modelo. Si el valor p es menor que el nivel de significancia predefinido (por ejemplo, 0.05), entonces se re
Publicar un comentario
Leer más