Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 22 vistas

    Clase Modelos Lineales Chamela 2023

    Cargado por

    Ale CL
    Este documento explica los modelos lineales y los modelos lineales generalizados. Los modelos lineales expresan las relaciones cuantitativas entre variables mediante una función lineal, mientras que los modelos lineales generalizados permiten relaciones no lineales y asumen distribuciones diferentes a la normal. Ambos tipos de modelos deben verificar supuestos como linealidad, normalidad y homocedasticidad de los residuos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Clase Modelos Lineales Chamela 2023

    Cargado por

    Ale CL
    22 vistas19 páginas
    Este documento explica los modelos lineales y los modelos lineales generalizados. Los modelos lineales expresan las relaciones cuantitativas entre variables mediante una función lineal, mientras que los modelos lineales generalizados permiten relaciones no lineales y asumen distribuciones diferentes a la normal. Ambos tipos de modelos deben verificar supuestos como linealidad, normalidad y homocedasticidad de los residuos.

    Descripción original:

    Título original

    Clase_Modelos_lineales_Chamela_2023 (1)

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento explica los modelos lineales y los modelos lineales generalizados. Los modelos lineales expresan las relaciones cuantitativas entre variables mediante una función lineal, mientras que los modelos lineales generalizados permiten relaciones no lineales y asumen distribuciones diferentes a la normal. Ambos tipos de modelos deben verificar supuestos como linealidad, normalidad y homocedasticidad de los residuos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    22 vistas19 páginas

    Clase Modelos Lineales Chamela 2023

    Cargado por

    Ale CL
    Este documento explica los modelos lineales y los modelos lineales generalizados. Los modelos lineales expresan las relaciones cuantitativas entre variables mediante una función lineal, mientras que los modelos lineales generalizados permiten relaciones no lineales y asumen distribuciones diferentes a la normal. Ambos tipos de modelos deben verificar supuestos como linealidad, normalidad y homocedasticidad de los residuos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 19

    Modelos lineales

    Marisela Martínez Ruiz


    Un modelo lineal expresa en forma cuantitativa las
    relaciones entre un conjunto de variables
    ¿Cómo se relaciona la cantidad de
    visitas de los padres al nido con el
    peso del pollo?
    Yi = b0 + b1 X1 + ⍷i
    Variable Error
    dependiente Intercepto Pendiente Variable
    Peso (g)

    independiente

    *Magnitud y direccción del efecto

    No. Visitas
    Resultado de la regresión:
    Supuestos:
    *Cambio proporcional
    • Linealidad
    *Bondad de ajuste
    • Normalidad
    • Homocedasticidad
    • Independencia de los errores
    Supuestos:

    1. Linealidad: La relación entre “y” y “x” es lineal

    • Gráfico de dispersión
    • Relación no lineal muestra alguna configuración observable.

    Negativa: si x
    incrementa, y
    disminuye
    Positiva: si x incrementa, y
    incrementa

    TRANSFORMACIÓN

    No hay relación Relación no-lineal


    Verificando linealidad
    1

    Lineal

    No lineal

    Opción: Test de correlación


    Supuestos:
    2. Normalidad: los residuos se distribuyen de forma
    normal
    • Evaluación gráfica (Qqplot)
    • Opción: Prueba de normalidad (Shapiro test)

    Anova: test Kolmogorov-Smirnov


    Supuestos:
    3. Homocedasticidad: La varianza de los residuos es
    homogénea

    Pronóstico diferente
    para los distintos
    valores de y

    Inspección gráfica:
    estandarizados
    Residuos

    Valores pronósticos
    Opción: Test de Breusch Pagan; Anova: test de Levene
    Supuesto:
    4. Residuos independientes
    Los residuos deben ser independientes entre sí, no hay
    correlación entre ellos.

    Residuos no independientes

    Opción: test de Durbin Watson, H0= residuos independientes


    requisito:

    Identificar valores influyentes (outliers)

    Observaciones marcadamente diferentes del conjunto de datos

    outliers

    Observar dispersión de los datos

    Medidas de influencia:
    Distancia de Cook > = 1 indica que ese caso es un valor influyente
    Supuestos para regresión lineal
    Modelar el valor esperado de Y como una función lineal de un predictor(es) X

    SUPUESTOS
    1. Linealidad
    2. Normalidad
    3. Homocedasticidad
    4. Independencia de los errores

    Requisitos:

    • Valores influyentes

    • Multicolinealidad: Estadístico VIF (factor de inflación de varianza)


    < = 5 indica colinealidad
    ¿Y sí no se cumplen los supuestos?
    *Transformación de variables: re-expresar los datos

    *Útiles para hacer datos interpretables, aunque se cumplan los


    supuestos

    *Interpretación de la variable transformada no es directa

    • Transformación logarítmica y = log(y)


    • Raíz cuadrada y = raíz(y)
    • Inversa y = 1/y
    • Cuadrado y = y2

    ¿Y sí no funcionan?
    Modelos lineales generalizados (GLM)
    Modelos lineales (regresión) útiles para modelar respuestas continuas, pero
    están limitados si:
    • Y tiene un rango restringido: ej: es binaria o es un conteo, común en ecología
    • Otros tipos de distribuciones

    GLM:
    • Extienden el modelo lineal general para manejar datos de otro tipo

    • Alternativa a transformaciones de Y ante la falta de linealidad y de


    homocedasticidad de la varianza

    • Asume que Y sigue alguna distribución de la familia exponencial

    Buscar relación NO LINEAL entre predictores que afectan la distribución de Y


    mediante una COMBINACIÓN LINEAL de variables predictoras
    Generalized Linear Model
    Trabaja con aquella distribución de probabilidad y una función para el cambio
    en la respuesta media de Y que mejor acomoda los datos

    GLM permite especificar, separadamente:

    1) La distribución de los datos ( i.e. la relación media-varianza)


    Función de varianza
    2) Las relaciones de linealidad entre la respuesta media de Y y los predictores
    Función link o enlace

    Además:

    *No forzan transformaciones de X y Y a escalas no naturales difíciles de interpretar


    LM vs GLM

    Valores ajustados

    Relación Linealidad en
    de escala del
    identidad predictor lineal,
    no en valores
    ajustados

    Componente aleatorio:
    *LM se distribuye de manera normal
    *GLM no necesariamente distribución normal, usa alguna distribución de la familia exponencial
    Modelos de dispersión exponencial

    Incluye las distribuciones:

    • Normal • Gamma
    • Normal inversa • Binomial
    • Exponencial • Poisson
    • Weibull • Binomial negativa

    La familia de distribuciones exponencial permite que GLMs sean ajustados a


    datos binarios, proporciones, recuentos, datos continuos positivos y datos
    continuos con ceros exactos
    Links para GLM de familia exponencial
    Un GLM está especificado por tres componentes:
    1.Aleatoria.
    2.Sistemática.
    3.De enlace.
    E(Y|X) =μ = g -1(Xβ)

    Componente Componente Componente


    aleatoria de enlace sistemática

    Distribución de Describe como el


    probabilidad de la valor esperado Específica una
    variable dependiente esta relacionado funcion lineal
    (normal, poisson, con el predictor de las variables
    binomial…) lineal explicativas
    GLM útiles cuando:
    Y = Binomial: se cumple o no cierta condición resultado de un conjunto de variables
    predictoras numéricas o categóricas

    Probabilidad de ocurrencia de x
    especie en volumen de hojarasca

    Y = Poisson: número de ocasiones que ha ocurrido un evento en un tiempo o espacio


    determinado

    Abundancia de x especie por la


    media de exposición al sol
    Y = Exponencial: observamosel tiempo transcurrido hasta que ocurre un evento
    de interés como resultado de variables predictoras numéricas o categóricas

    Número de organismos registrados


    en unidad de tiempo

    Y= Gamma: Numérico que sólo puede tomar valores positivos de forma


    asimétrica, concentrada en un conjunto de valores y su frecuencia disminuye
    cuando aumenta el valor de la respuesta (Gamma)

    Número de organismos registrados


    en relación al nivel de
    contaminación
    En resumen…

    • Observar distribución de datos

    • Verificar los supuestos antes de interpretar resultados

    • Decidir la mejor aproximación para mi conjunto de datos

    • Asegurar homocedasticidad y normalidad

    • Un modelo lineal puede no ser lo ideal

    • Más simple es mejor

    También podría gustarte