Guia & Ejemplos


Correlacion lineal


 

Coeficiente de Pearson



Diagrama de Dispersión


Regresipon y Supuestos Basicos


                             Estimación Mínimos Cuadrados 


                                   Ecuaciones de Normalidad


                              Inferencia Estadística para el Modelo Lineal Simple




                         
                          Significancia Global Y Individual





                                    Analisis de los Residuos




                                  Verificación de los Supuestos





                          Graficos de Dispersión para los Residuos







                                                      Durbin-Watson










Comentarios

Publicar un comentario

Entradas populares de este blog

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
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:
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
Leer más