Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Iniciar R-Commander
Antes de profundizar en el conocimiento de la Estadstica, es til empezar motivndose
mediante una interfaz que nos facilite la realizacin de las tareas, al menos de las ms
sencillas. Para ello, R-Commander presenta una interfaz que, adems de permitirnos
interactuar con R para realizar anlisis estadsticos bsicos, presenta el cdigo en lenguaje
R que corresponde a las acciones solicitadas.
Es posible que, para muchos de los alumnos del curso, R-Commander sea una herramienta
suficiente para todos los anlisis estadsticos que necesiten abordar. Quienes encuentren RCommander insuficiente, una vez superado el respeto inicial hacia R, podrn manejarse
directamente con la consola de R, creando y editando las instrucciones, lo que puede
resultar ms engorroso, pero al mismo tiempo permite un control total sobre los
procedimientos que en cada momento se van a aplicar.
Segn la version de R y R-Commander que se eligi instalar, hay distintas formas de lanzar
R-Commander. Si instal R-UCA o R-commander, abriendo Rterm automticamente se
inicia tambin el R-Commander. Si instal directamente R, o bien R-Excel, siga las
instrucciones que se indican a continuacin.
Desde la consola de R, seleccione Paquetes y despus Cargar paquete..., tal como se
muestra en la figura 1.
Figura 2: R-Commander
Para abrir una base de datos, accedemos al men de Datos (Fig.3) y si deseamos trabajar
con un fichero con el formato nativo de R (.rda), escogemos la opcin Cargar conjunto de
datos (Fig. 4).
2. Conceptos bsicos
2.1. Anlisis descriptivo
La estadstica descriptiva es la parte de la Estadstica que se dedica a resumir los datos. Este
anlisis fundamenta todo estudio desde el inicio. Las primeras conclusiones obtenidas tras
el anlisis descriptivo proporcionan un poder de inferencia mnimo, pero facilitan la
utilizacin de tcnicas ms avanzadas (inferencia, contrastes). Una vez depurados los
posibles errores de los datos, sintetizamos la informacin mediante tablas, grficos y
medidas descriptivas.
Las variables estadsticas se clasifican en tres categoras: nominales, ordinales y numricas.
Las variables nominales clasifican segn modalidades, atributos o niveles, como por
ejemplo el estado civil, grupo sanguneo, etc. Las variables ordinales corresponden a otro
caso particular de variables no numricas y ocurre cuando existe una relacin de orden
entre los atributos, como por ejemplo, nivel de estudios (primarios, secundarios,
superiores), capacitacin laboral (baja, media, alta), etc. Las variables numricas
cuantifican alguna magnitud: velocidad, edad, tiempo, etc. Las dos primeras se integrarn
en las llamadas caractersticas cualitativas (factores), mientras que el tercer tipo
corresponde a caractersticas cuantitativas (numricas). Dentro de las cuantitativas tambin
se pueden hacer dos grupos: discretas y continuas. Una variable discreta es aquella que
entre dos valores posibles de la variable, siempre existe uno que no puede ser un valor
posible de la variable. Por ejemplo, el nmero de hijos de una familia, puesto que pueden
ser 3 o 4, pero no pueden ser 35. Otros ejemplos de variables discretas son el nmero de
cilindros de un coche, el nmero de averas en una hora, etc. Por otro lado, se dice que una
variable numrica es continua si entre cualesquiera dos valores posibles de la variable,
siempre existe un valor posible. Una variable continua sera la estatura de una persona,
puesto que al poder ser 170 175 metros, en potencia al menos podra tomar cualquier
valor intermedio como 173 metros, por ejemplo. Longitudes, pesos, temperaturas, etc. son
otros ejemplos de variables continuas.
Una vez identificadas, recopiladas y organizadas, las variables se tratarn combinando
medidas estadsticas con representaciones grficas. Conviene seleccionar y mostrar, en cada
caso, aquellas que aportan informacin relevante (cuadro 1).
Cuadro 1: Principales estadsticos de resumen.
Tipo de
Medidas
Medidas
Variable
posicin
dispersin
Cualitativa-nominal
Moda
(sexo, raza,)
Porcentajes
Cualitativa-ordinal
Mediana
(nivel de estudios,)
Percentiles
Cuantitativa-discreta
Media
Desviacin
(N dias, N errores)
Percentiles
tpica
Grficos ms
habituales
Diagrama de barras
Diagrama de sectores+
Diagrama de barras
Diagrama de sectores+
Diagrama de barras
Diagrama de sectores+
Cuantitativa-continua
(peso, consumo,)
+
No se recomienda.
Media
Percentiles
Desviacin
tpica
Histograma
Diagrama de cajas
Con esto se obtendra el grfico de barras correspondiente. Para modificar las etiquetas de
los ejes, se podran cambiar los nombres que aparecen en la ventana de instrucciones como
sigue:
> barplot(table(acero$averias), xlab = ~avera~, ylab = ~Frecuencia~)
Esta instruccin realiza el siguiente diagrama de barras:
__
2.3. Cuantitativa-discreta
Como ejemplo de una variable cuantitativa discreta disponemos en la base de datos de la
variable naverias. Tal como se coment en el Cuadro 1, para esta variable interesa obtener
su media, su desviacin tpica y algunos de sus percentiles.
Ejemplo 2.3. Calcule la media, desviacin tpica y percentiles de la variable naverias.
Solucin: Estos valores se obtienen de la siguiente forma:
Estadsticos
Resmenes
Resmenes numricos
__
2.4. Cuantitativa-continua
Dentro de la base de datos acero escogemos la variable consumo como ejemplo de variable
cuantitativa continua. Para las variables continuas, tal como vimos en el Cuadro 1, los
descriptivos que nos interesa obtener son la media, la desviacin tpica y los percentiles (en
particular los cuartiles).
Ejemplo 2.5. Calcule los principales estadsticos descriptivos de la variable consumo.
Solucin: Estos valores se consiguen mediante el siguiente procedimiento:
Estadsticos
Resmenes
Resmenes numricos
2.
Para representar el diagrama de cajas, los pasos a seguir son:
Grficas
Diagrama de caja
A partir de dicho diagrama se observa, por ejemplo, que no existen datos atpicos
para la variable (consumo) en esta muestra.
Medidas
dispersin
Desviacin
tpica
Desviacin
tpica
Grficos ms
habituales
Diagrama de barras
Diagrama de sectores+
Diagrama de barras
Diagrama de sectores+
Diagrama de barras
Diagrama de sectores+
Histograma
Diagrama de cajas
Con esto se obtendra el grfico de barras correspondiente. Para modificar las etiquetas de
los ejes, se podran cambiar los nombres que aparecen en la ventana de instrucciones como
sigue:
> barplot(table(acero$averias), xlab = ~avera~, ylab = ~Frecuencia~)
Esta instruccin realiza el siguiente diagrama de barras:
__
2.3. Cuantitativa-discreta
Como ejemplo de una variable cuantitativa discreta disponemos en la base de datos de la
variable naverias. Tal como se coment en el Cuadro 1, para esta variable interesa obtener
su media, su desviacin tpica y algunos de sus percentiles.
Ejemplo 2.3. Calcule la media, desviacin tpica y percentiles de la variable naverias.
Solucin: Estos valores se obtienen de la siguiente forma:
Estadsticos
Resmenes
Resmenes numricos
__
2.4. Cuantitativa-continua
Dentro de la base de datos acero escogemos la variable consumo como ejemplo de variable
cuantitativa continua. Para las variables continuas, tal como vimos en el Cuadro 1, los
descriptivos que nos interesa obtener son la media, la desviacin tpica y los percentiles (en
particular los cuartiles).
Ejemplo 2.5. Calcule los principales estadsticos descriptivos de la variable consumo.
Solucin: Estos valores se consiguen mediante el siguiente procedimiento:
Estadsticos
Resmenes
Resmenes numricos
2.
Para representar el diagrama de cajas, los pasos a seguir son:
Grficas
Diagrama de caja
A partir de dicho diagrama se observa, por ejemplo, que no existen datos atpicos
para la variable (consumo) en esta muestra.
2.2. Variable cualitativa-nominal
Dentro de la base de datos acero aparece la variable averias, que consta de dos modalidades
(S, No). Por lo tanto, es evidente que es de naturaleza cualitativa y nominal.
Ejemplo 2.1. Obtenga la moda y los porcentajes de la variable averias.
Solucin: Estos estadsticos se obtienen de la siguiente forma:
Estadsticos
Resmenes
Distribucin de frecuencias...
Solucin: Los grficos de barras se obtienen con la opcin del men Grficas. En
particular,
Grficas
Grfica de barras...
Con esto se obtendra el grfico de barras correspondiente. Para modificar las etiquetas de
los ejes, se podran cambiar los nombres que aparecen en la ventana de instrucciones como
sigue:
> barplot(table(acero$averias), xlab = ~avera~, ylab = ~Frecuencia~)
__
2.3. Cuantitativa-discreta
Como ejemplo de una variable cuantitativa discreta disponemos en la base de datos de la
variable naverias. Tal como se coment en el Cuadro 1, para esta variable interesa obtener
su media, su desviacin tpica y algunos de sus percentiles.
Ejemplo 2.3. Calcule la media, desviacin tpica y percentiles de la variable naverias.
Solucin: Estos valores se obtienen de la siguiente forma:
Estadsticos
Resmenes
Resmenes numricos
Solucin:
Nos hemos de percatar que al ser una variable numrica, R la considera continua y, por
tanto, no nos permitira hacer este grfico. Debemos pues, crear en primer lugar una nueva
variable de tipo factor con estos datos.
Datos
Modificar variables del conjunto
Convertir variable numrica en factor
__
2.4. Cuantitativa-continua
Dentro de la base de datos acero escogemos la variable consumo como ejemplo de variable
cuantitativa continua. Para las variables continuas, tal como vimos en el Cuadro 1, los
descriptivos que nos interesa obtener son la media, la desviacin tpica y los percentiles (en
particular los cuartiles).
Ejemplo 2.5. Calcule los principales estadsticos descriptivos de la variable consumo.
Solucin: Estos valores se consiguen mediante el siguiente procedimiento:
Estadsticos
Resmenes
Resmenes numricos
2.
Para representar el diagrama de cajas, los pasos a seguir son:
Grficas
Diagrama de caja
A partir de dicho diagrama se observa, por ejemplo, que no existen datos atpicos
para la variable (consumo) en esta muestra.
2.3. Cuantitativa-discreta
Como ejemplo de una variable cuantitativa discreta disponemos en la base de datos de la
variable naverias. Tal como se coment en el Cuadro 1, para esta variable interesa obtener
su media, su desviacin tpica y algunos de sus percentiles.
Ejemplo 2.3. Calcule la media, desviacin tpica y percentiles de la variable naverias.
Solucin: Estos valores se obtienen de la siguiente forma:
Estadsticos
Resmenes
Resmenes numricos
Solucin:
Nos hemos de percatar que al ser una variable numrica, R la considera continua y, por
tanto, no nos permitira hacer este grfico. Debemos pues, crear en primer lugar una nueva
variable de tipo factor con estos datos.
Datos
Modificar variables del conjunto
Convertir variable numrica en factor
__
2.4. Cuantitativa-continua
Dentro de la base de datos acero escogemos la variable consumo como ejemplo de variable
cuantitativa continua. Para las variables continuas, tal como vimos en el Cuadro 1, los
descriptivos que nos interesa obtener son la media, la desviacin tpica y los percentiles (en
particular los cuartiles).
Ejemplo 2.5. Calcule los principales estadsticos descriptivos de la variable consumo.
Solucin: Estos valores se consiguen mediante el siguiente procedimiento:
Estadsticos
Resmenes
Resmenes numricos
2.
Para representar el diagrama de cajas, los pasos a seguir son:
Grficas
Diagrama de caja
A partir de dicho diagrama se observa, por ejemplo, que no existen datos atpicos
para la variable (consumo) en esta muestra.
2.4. Cuantitativa-continua
Dentro de la base de datos acero escogemos la variable consumo como ejemplo de variable
cuantitativa continua. Para las variables continuas, tal como vimos en el Cuadro 1, los
descriptivos que nos interesa obtener son la media, la desviacin tpica y los percentiles (en
particular los cuartiles).
Ejemplo 2.5. Calcule los principales estadsticos descriptivos de la variable consumo.
Solucin: Estos valores se consiguen mediante el siguiente procedimiento:
Estadsticos
Resmenes
Resmenes numricos
2.
Para representar el diagrama de cajas, los pasos a seguir son:
Grficas
Diagrama de caja
3. Contrastes de hiptesis
3.1. Introduccin
Los mtodos descriptivos proporcionan una idea de cmo es la muestra. Para obtener
conclusiones relativas a la poblacin necesitamos utilizar tcnicas de inferencia estadstica.
Dentro de stas la ms habitual es el contraste de hiptesis.
Una hiptesis es una afirmacin sobre las caractersticas estadsticas de un proceso, por lo
que se puede considerar una hiptesis como una conjetura. Por ejemplo: si un tcnico
observa el consumo de energa durante varias horas, sabr el consumo medio de las horas
que observ. Con la ayuda de la inferencia, puede avanzar un paso ms y conjeturar que el
consumo medio de todas las horas de trabajo en esa fbrica es de 120. El proceso cientfico
consiste entonces en probar su hiptesis contra una hiptesis alternativa:
Hiptesis nula H0:
consumo medio
= 120
consumo medio
120
REGLA DE DECISIN
P-valor <
Rechazo H0
P-valor
No rechazo H0
Para realizar un test cualquiera debemos considerar las siguientes etapas: seleccionar el
contraste adecuado en el caso en estudio, establecer quines son H0 y H1 en ese contraste e
interpretar el p-valor. En un test sobre el valor promedio de la poblacin, debemos tener en
cuenta si los datos siguen aproximadamente una distribucin normal o no, as como el
tamao de la muestra, y segn sea el resultado, decidir qu contraste realizamos (cuadro 3).
Distribucin
aproximadamente
Tipo de test
normal o n grande?
Media ()
Mediana (Me)
No
REGLA DE DECISIN
P-valor <
P-valor
H0 : = 120
H0 : 120
H0 : 120
H1 : 120
H1 : < 120
H1 : > 120
H 0:
H 1:
Estadsticos
Medias
Test t para una muestra...
P-valor <
P-valor
simplemente debemos considerar el valor del p-valor asociado a este contraste para esta
muestra y, en base a l, tomar la decisin correspondiente. Puesto que hemos obtenido que
el p-valor es 00002210, ste es menor que = 005, por lo que la decisin es rechazar la
hiptesis nula (H0). Como conclusin podemos decir que la media poblacional es distinta
de 120. __
El ejemplo anterior corresponde al tipo de test bilateral, puesto que la hiptesis alternativa
es que el valor del parmetro es distinto de un nmero. Cuando la alternativa lleve el
smbolo menor (<) o mayor (>), en lugar del smbolo distinto (, se denomina test
unilateral. En ejemplo de dicho tipo de test unilateral puede verse a continuacin.
Ejemplo 3.2. El consumo medio es menor de 140?
Solucin: En este caso, tal como comentamos en el ejemplo anterior, se verifican las
hiptesis para utilizar el test t para una muestra. As, el test adecuado para contestar a esta
pregunta contrastara las siguientes hiptesis:
H 0:
H 1:
Como el p-valor (04577) supera los valores habituales de , no se rechaza la hiptesis nula,
por lo que podemos concluir que estos datos no aportan evidencias suficientes de que la
media sea menor de 140. __
Vamos por ltimo a analizar el caso de una variable en la que no se den las condiciones
para aplicar el test t para una muestra.
Ejemplo 3.3. Durante los das que hubo averas, la produccin promedio de galvanizado 1
se sita en menos de 400 toneladas?
Solucin:
Comenzaremos seleccionando los datos para quedarnos slo con aquellos que corresponden
a das en los que hubo averas. Para ello podemos seguir los siguientes pasos:
Datos
Conjunto de datos activo
Filtrar el conjunto de datos...
Seleccionar averias
Expresin de averias=="S"
Nombre del nuevo acero2
Aceptar
Datos
Conjunto de datos activo
Actualizar conjunto de datos activo
As, disponemos de un nuevo conjunto de datos activado, solamente con los datos relativos
a las horas en las que hubo avera. Como son 28 datos, tal como vimos en el ejemplo 2.1,
no podemos aplicar sin ms el test t para la media y debemos comprobar si se cumple la
hiptesis de normalidad.
Realizaremos pues el test de normalidad a la variable pr.galv1.
Estadsticos
Resmenes
Test de normalidad de Shapiro
Seleccionar pr.galv1
Aceptar
Como el p-valor (0004118) es menor que = 005, se rechaza la hiptesis nula, por lo tanto
no hay normalidad.
Cmo podemos hacer para contrastar la hiptesis sobre el valor promedio de la produccin
de galvanizado 1 en las horas con averas? Al no haber normalidad y disponer de pocos
datos, debemos realizar el test de Wilcoxon para una muestra. Para ste los distintos tipos
de contrastes de hiptesis para la mediana son:
H0 : Me = 400
H0 : Me 400
H0 : Me 400
H1 : Me400
H1 : Me < 400
H1 : Me > 400
two.sided
less
greater
y pinchamos en Ejecutar.
Independient
es?
Tipo de test
Contrastes aproximadament
para
e
comparar
dos
normales o
tamaos
muestrales
grandes?
Medias
Medias
No
Medianas
No
Medianas
No
No
Ejemplo 3.4. Se puede afirmar que cuando se producen averas el consumo de energa se
incrementa?
Solucin: Lo primero de todo ser volver a activar la base de datos acero. Para ello,
pinchamos a la derecha de Conjunto de datos:, en el botn que pone acero2 y
seleccionamos de nuevo la base de datos acero.
Una vez hecho esto, vamos a verificar la normalidad del consumo para cada uno de las dos
situaciones (cuando haya averas y cuando no) mediante el test de Shapiro-Wilk. Para esto
ponemos en la lnea de comandos:
H 0 : 1 = 2
H 0 : 1 2
H 0 : 1 2
H1 : 12
H 1 : 1 < 2
H 1 : 1 > 2
Ahora bien, antes de nada debemos tener claro a quien asigna R como primera clase (clase
1 con media 1) y como segunda clase (clase 2 con media 2). Por defecto, el programa
considera el orden alfabtico, es decir, si como en este caso las clases son No y S, la
primera clase corresponde al no (sin averas y la segunda al s (con avera). Que consuma
ms con avera se traducira por lo tanto en 2 > 1, por lo que para este ejemplo vamos a
considerar el contraste:
H0 : 1 2 (consumo menor o igual con avera)
H1 : 1 < 2 (consumo mayor con avera)
Estadsticos
Medias
Test t para muestras relacionadas
Sera este el caso, por ejemplo, si comparamos la resistencia de una pieza antes y despus
de aplicarle un procedimiento en el horno, el nivel de glbulos rojos de una persona antes y
despus de recibir un determinado tratamiento o la produccin de galvanizado tipo 1 y la
produccin de galvanizado tipo 2.
Cuando las poblaciones no son normales y no tienen suficiente nmero de datos
(habitualmente se suele exigir al menos 30) se realiza el test de Wilcoxon para dos muestras
si las poblaciones son independientes, o el test de Wilcoxon para muestras pareadas si tal
independencia no es supuesta. Realicemos unos ejemplos para aclarar tales situaciones.
Ejemplo 3.5. Estudie el comportamiento de la produccin de galvanizado 1 en funcin de
las averas.
Solucin:
Aunque ya sabemos que no podemos asegurar que la produccin de galvanizado 1 siga una
distribucin normal, vamos a actuar como si an no conocisemos dicha informacin. As,
determinamos el tipo de test ms apropiado. Para ello aplicamos el test de normalidad de
Shapiro-Wilk a ambas poblaciones:
A la vista de los resultados (ambos p-valores son menores de 00042) podemos considerar
la no normalidad de los datos y no disponemos de un nmero suficiente de datos (para
horas con avera slo contamos con 28 observaciones, tal como vimos en el ejemplo 2.1).
Por tanto vamos a abordar este problema realizando un test para muestras sin normalidad,
el test de Wilcoxon. En este caso, dada la naturaleza de los datos, se realizar el test de
Wilcoxon para muestras independientes.
Para este problema, puesto que el No representa la clase 1 y el S la clase 2, las hiptesis a
contrastar son:
Normalidad?
Tipo de test
comparar dos
Varianzas
Varianzas
No
Test de Levene
En nuestro ejemplo comparamos el consumo con o sin averas y ya habamos visto que se
podan suponer ambas poblaciones normales. Por lo que realizaremos el test F para dos
varianzas.
Quines son H0 y H1 en ese contraste?
Los distintos tipos de contrastes de hiptesis para dos varianzas, segn la hiptesis
alternativa considerada, son:
H 0 : 12 = 22
H 0 : 12 22
H 0 : 12 22
H1 : 1222
H 1 : 12 < 22
H 1 : 12 > 22
two.sided
less
greater
Los pasos a seguir para obtener el p-valor asociado a dicho contraste son:
Estadsticos
Varianzas
Test F para dos varianzas...
Como el p-valor (004445) es menor que se rechaza la hiptesis nula, podemos por tanto
suponer que hay diferencias significativas entre las varianzas. Ms an, podemos ver que la
varianza sin avera es de 11463430 mientras que cuando hay avera la varianza toma el
valor de 9169427. __
3.5. Test para la proporcin
Solucin:
Tendramos en cuenta que p es la primera clase por orden alfabtico, en este caso No.
Plantearse si el porcentaje de horas con averas es mayor del 10% es lo mismo que
plantearse si el porcentaje de horas sin averas es menor del 90%. Puesto que los distintos
tipos de contrastes de hiptesis para la proporcin son de la forma:
H0 : p = 90%
H0 : p 90%
H0 : p 90%
H1 : p90%
H1 : p < 90%
H1 : p > 90%
two.sided
less
greater
Como el p-valor es tan pequeo (2542 10-7), se rechaza la hiptesis nula, por lo que se
concluye que ha habido un porcentaje excesivo de averas. En la muestra se ve que dicho
porcentaje ha sido de alrededor del 24%.
Otra manera de abordar el problema, sobre todo si hubiera ms de 2 clases sera reordenar
los niveles de factor y poner como primer factor de la variable averias el factor S.
Datos
Modificar variables
Recodificar niveles de factor
Como el p-valor (2542e - 07) (que es el mismo para los dos contrastes) es menor que se
rechaza la hiptesis nula y se concluye que la proporcin de averas es excesiva.
De nuevo vemos que para estos datos el porcentaje de horas con averas es de
aproximadamente el 24%. __
3.6. Comparacin de dos proporciones
H 0 : p1 = p2
H 0 : p1 p2
H0 : p1 p2
H1 : p1p2
H 1 : p1 < p2
H1 : p1 > p2
two.sided
less
greater
Solucin:
Hemos de tener en cuenta que p1 es siempre la primera clase por orden alfabtico. Como en
este caso trabajamos con las modalidades No y S, las hiptesis a contrastar son:
La obtencin del p-valor asociado a este test se realizara mediante los siguientes pasos en
R:
Estadsticos
Proporciones
Test de proporciones para dos muestras...
Como el p-valor (02076) es mayor que no se rechaza la hiptesis nula, no hay evidencias
de que vaya peor con el sistema encendido. __
3.7. Relaciones entre variables
Muchas veces nos podemos preguntar si tiene sentido estudiar dos variables de forma
conjunta, si existe una relacin entre ellas y en caso de existir como de fuerte es esa
relacin.
Para contestar a estas preguntas se establece una serie de coeficientes:
donde la relacin ser o no del tipo lineal dependiendo del coeficiente utilizado en el
contraste.
As pues, un p-valor claramente menor de 005 indicar que existe relacin entre las
variables. Si es mayor de 005, los datos no nos proporcionarn evidencias de dicha
relacin.
Ejemplo 3.10. Existe relacin entre que haya habido o no averas y la lnea utilizada?
Solucin:
Como las variables son cualitativas vamos a utilizar el test chi-cuadrado. Para hacer esto
vamos a
Estadsticos
Tablas de contingencias
Tabla de doble entrada
Como el p-valor (07199) es mayor que no se rechaza la hiptesis nula, es decir, no hay
evidencias de que las lneas afecten en que haya o no averas.
__
Ejemplo 3.11. Existe relacin entre la produccin de galv1 y de galv2?
Solucin:
Como las variables son cuantitativas continuas, podemos utilizar el test de correlacin de
Pearson, para lo cual haremos:
Estadsticos
Resmenes
Matriz de correlaciones
Como el p-valor (0595) es mayor que no se rechaza la hiptesis nula. As pues, de nuevo
no hay evidencias de relacin lineal entre las dos producciones (al aumentar una no tiene
por qu aumentar o disminuir significativamente la otra).
__
3.8. Comparacin de ms de dos promedios
El anlisis de varianza (ANOVA) de un factor sirve para comparar varios grupos en una
variable cuantitativa. Se trata, por tanto, de una generalizacin del test t para dos muestras
independientes en el caso de diseos con ms de dos factores de agrupacin. Veremos aqu
su utilizacin como simple generalizacin de dicho test, aunque volveremos sobre este
tema en ms profundidad en los captulos 5 y 6.
A la variable categrica (nominal u ordinal) que define los grupos que deseamos comparar,
la llamamos independiente o factor. A la variable cuantitativa (de intervalo o razn) en la
que deseamos comparar los grupos, la llamamos dependiente.
Si queremos, por ejemplo, averiguar cul de tres programas distintos de incentivos aumenta
de forma ms eficaz el rendimiento de un determinado colectivo, podemos seleccionar tres
muestras aleatorias de ese colectivo y aplicar a cada una de ellas uno de los tres programas.
Despus, podemos medir el rendimiento de cada grupo y averiguar si existen o no
diferencias entre ellos. Tendremos una variable independiente categrica (el tipo de
programa de incentivos) cuyos niveles deseamos comparar entre s, y una variable
dependiente cuantitativa (la medida del rendimiento), en la cual queremos comparar los tres
programas. El ANOVA de un factor permite obtener informacin sobre el resultado de esa
comparacin. Es decir, permite concluir si los sujetos sometidos a distintos programas
difieren de la medida de rendimiento utilizada.
La hiptesis que se pone a prueba en el ANOVA de un factor es que las medias
poblacionales (las medias de la variable dependiente en cada nivel de la variable
independiente) son iguales. Si las medias poblacionales son iguales, eso significa que los
grupos no difieren en la variable dependiente y que, en consecuencia, la variable
independiente o factor no influye en la variable dependiente.
Lo que habitualmente se conoce como Anlisis de la varianza es una versin paramtrica
del test de la F. Para poder aplicarse deben verificarse ciertas condiciones previas
(normalidad, independencia y homocedasticidad (igualdad de varianzas)). En caso contrario
existen alternativas paramtricas y no paramtricas.
NORMALIDAD
HOMOCEDASTICIDAD
NO*
NO
TEST RECOMENDADO
Test de la F
Test de Welch o
Test de Kruskal Wallis
NO
S o NO
P-valor <
P-valor
Vamos a ver varios ejemplos con algunos de los casos que se pueden presentar.
Ejemplo 3.12. Comparar el consumo promedio para las tres temperaturas.
Solucin:
Lo primero que tenemos que estudiar es la normalidad de los datos para cada grupo de
temperatura, para ello utilizbamos es test de Shapiro-Wilk, que tena como hiptesis:
La forma ms rpida de realizar los tres tests (uno para cada modalidad de la temperatura)
es escribir en la lnea de comandos:
Los p-valores obtenidos son, respectivamente, 04112, 01323 y 02993, con lo que en todos
los casos es suficientemente grande como para no rechazar la hiptesis nula (se puede
admitir la normalidad).
Para contrastar la igualdad de varianzas en ms de dos poblaciones, se utiliza el test de
Barlett, que tiene como hiptesis:
Como el p-valor (04953) es mayor que no se rechaza la hiptesis nula, con lo que se
pueden suponer las varianzas iguales. Como hay normalidad y homocedasticidad, el test
que realizaremos es el test de la F para la igualdad de medias, es decir, el tpico anlisis de
la varianza de un factor. A este modelo le vamos a llamar Anova1. Los pasos a seguir para
obtener el correspondiente p-valor son:
Estadsticos
Medias
ANOVA de un factor
Como el p-valor (406 10-9) es menor que , se rechaza la hiptesis nula, con lo que se
puede suponer que no todas las medias son iguales.
Grficamente podramos ver como se comporta cada grupo haciendo los correspondientes
diagramas de cajas o grficos de medias.
Comenzaremos con los diagramas de cajas:
Grficas
Diagrama de cajas...
Seleccionar consumo
Grfica segn:temperatura
Aceptar
Con el procedimiento anterior se obtendran los grficos de medias para los tres grupos de
temperatura. Bien modificando las salidas en la ventana de instrucciones o bien tecleando
directamente, podemos cambiar las opciones del grfico, como por ejemplo las etiquetas de
los ejes o el ttulo del grfico. Para ello deberamos ejecutar la siguiente orden:
Si se rechaza la hiptesis nula, es decir, si se concluye que las medias no son todas iguales,
no ocurre como en el caso de dos poblaciones en el que claramente una de ellas tendra
media superior a la otra, sino que ahora habr que evaluar las relaciones entre las distintas
poblaciones. Existen una gran cantidad de test que realizan comparaciones mltiples. Cabe
destacar, por su uso ms extendido, Duncan, Newman-Keuls, Bonferroni, Scheff y HSD
de Tukey.
Para realizar esta comparacin solo hay que marcar la casilla: Comparacin dos a dos de las
medias, tal como puede verse a continuacin:
Estadsticos
Medias
ANOVA de un factor
Linear Hypotheses:
Estimate lwr
upr
Media - Alta == 0 72.6925 47.2471 98.1378
Baja - Alta == 0 29.2889 4.8377 53.7400
Baja - Media == 0 -43.4036 -69.9442 -16.8630
> plot(comparacion)
y obtenemos:
> shapiro.test(subset(acero, subset = linea == ~A~)$consumo)
Shapiro-Wilk normality test
data: subset(acero, subset = linea == ~A~)$consumo
W = 0.9597, p-value = 0.1738
> shapiro.test(subset(acero, subset = linea == ~B~)$consumo)
Shapiro-Wilk normality test
data: subset(acero, subset = linea == ~B~)$consumo
W = 0.9485, p-value = 0.07302
> shapiro.test(subset(acero, subset = linea == ~C~)$consumo)
Shapiro-Wilk normality test
data: subset(acero, subset = linea == ~C~)$consumo
W = 0.9887, p-value = 0.9584
Para los datos de la lnea A el p-valor es 01738, para los de la lnea B es 007302 y para los
de la C es 09584. En los tres casos suficientemente grande como para que no se rechace la
hiptesis nula (se puede admitir la normalidad).
La homocedasticidad la estudiamos por medio del test de Bartlett:
Estadsticos
Varianzas
Test de Bartlett
A
B
C
1574.079 3559.603 2239.063
> bartlett.test(consumo ~ linea, data = acero)
Bartlett test of homogeneity of variances
data: consumo by linea
Bartletts K-squared = 6.3161, df = 2, p-value = 0.04251
Dado que el p-valor (004251) es menor que , se rechaza la hiptesis nula al nivel 005,
con lo que no pueden suponerse las varianzas iguales. En este caso, como no hay
homocedasticidad, realizaremos el test de Kruskal-Wallis, donde las hiptesis a contrastar
son:
H0 : promedios iguales para A, B y C
H1: no todas los promedios son iguales
Como el p-valor (1688 10-6) es menor que se rechaza la hiptesis nula, no todas las
medias son iguales. Grficamente lo podemos ver mediante diagramas de cajas:
Grficas
Diagrama de cajas
Seleccionar consumo
Grfica segn:linea
Aceptar
Bien tecleando directamente el cdigo o bien modificando las salidas del proceso anterior
se pueden hacer modificaciones en el grfico. As, mediante la orden por comandos
Aunque en este caso sera menos aconsejable, tambin podramos hacer un grfico de
medias. Los pasos a seguir son:
Grficas
Grficas de la media
__
3.1. Introduccin
Los mtodos descriptivos proporcionan una idea de cmo es la muestra. Para obtener
conclusiones relativas a la poblacin necesitamos utilizar tcnicas de inferencia estadstica.
Dentro de stas la ms habitual es el contraste de hiptesis.
Una hiptesis es una afirmacin sobre las caractersticas estadsticas de un proceso, por lo
que se puede considerar una hiptesis como una conjetura. Por ejemplo: si un tcnico
observa el consumo de energa durante varias horas, sabr el consumo medio de las horas
que observ. Con la ayuda de la inferencia, puede avanzar un paso ms y conjeturar que el
consumo medio de todas las horas de trabajo en esa fbrica es de 120. El proceso cientfico
consiste entonces en probar su hiptesis contra una hiptesis alternativa:
Hiptesis nula H0:
Hiptesis alternativa H1:
consumo medio
consumo medio
120
120
P-valor <
Rechazo H0
P-valor
No rechazo H0
Wilcoxon para una muestra. En los contrastes de normalidad de los datos utilizaremos del
test de Shapiro-Wilk. Para este test las hiptesis a contrastar son:
TEST DE BONDAD DE AJUSTE A LA NORMAL
H0: los datos provienen de una poblacin normal
H1: los datos NO provienen de una poblacin normal
REGLA DE DECISIN
P-valor <
P-valor
H0 : 120
H1 : < 120
Estadsticos
Medias
Test t para una muestra...
H0 : 120
H1 : > 120
mean of x
139.4565
Como el p-valor (04577) supera los valores habituales de , no se rechaza la hiptesis nula,
por lo que podemos concluir que estos datos no aportan evidencias suficientes de que la
media sea menor de 140. __
Vamos por ltimo a analizar el caso de una variable en la que no se den las condiciones
para aplicar el test t para una muestra.
Ejemplo 3.3. Durante los das que hubo averas, la produccin promedio de galvanizado 1
se sita en menos de 400 toneladas?
Solucin:
Comenzaremos seleccionando los datos para quedarnos slo con aquellos que corresponden
a das en los que hubo averas. Para ello podemos seguir los siguientes pasos:
Datos
Conjunto de datos activo
Filtrar el conjunto de datos...
Seleccionar averias
Expresin de averias=="S"
Nombre del nuevo acero2
Aceptar
Datos
Conjunto de datos activo
Actualizar conjunto de datos activo
As, disponemos de un nuevo conjunto de datos activado, solamente con los datos relativos
a las horas en las que hubo avera. Como son 28 datos, tal como vimos en el ejemplo 2.1,
no podemos aplicar sin ms el test t para la media y debemos comprobar si se cumple la
hiptesis de normalidad.
Realizaremos pues el test de normalidad a la variable pr.galv1.
Estadsticos
Resmenes
Test de normalidad de Shapiro
Seleccionar pr.galv1
Aceptar
Cmo podemos hacer para contrastar la hiptesis sobre el valor promedio de la produccin
de galvanizado 1 en las horas con averas? Al no haber normalidad y disponer de pocos
datos, debemos realizar el test de Wilcoxon para una muestra. Para ste los distintos tipos
de contrastes de hiptesis para la mediana son:
H0 : Me = 400
H1 : Me400
H0 : Me 400
H1 : Me < 400
H0 : Me 400
H1 : Me > 400
two.sided
less
greater
Ejemplo 3.4. Se puede afirmar que cuando se producen averas el consumo de energa se
incrementa?
Solucin: Lo primero de todo ser volver a activar la base de datos acero. Para ello,
pinchamos a la derecha de Conjunto de datos:, en el botn que pone acero2 y
seleccionamos de nuevo la base de datos acero.
Una vez hecho esto, vamos a verificar la normalidad del consumo para cada uno de las dos
situaciones (cuando haya averas y cuando no) mediante el test de Shapiro-Wilk. Para esto
ponemos en la lnea de comandos:
H0 : 1 2
H1 : 1 < 2
H0 : 1 2
H1 : 1 > 2
Ahora bien, antes de nada debemos tener claro a quien asigna R como primera clase (clase
1 con media 1) y como segunda clase (clase 2 con media 2). Por defecto, el programa
considera el orden alfabtico, es decir, si como en este caso las clases son No y S, la
primera clase corresponde al no (sin averas y la segunda al s (con avera). Que consuma
ms con avera se traducira por lo tanto en 2 > 1, por lo que para este ejemplo vamos a
considerar el contraste:
H0 : 1 2 (consumo menor o igual con avera)
H1 : 1 < 2 (consumo mayor con avera)
y para calcularlo procedemos de la siguiente forma:
Estadsticos
Medias
Test t para muestras independientes
Estadsticos
Medias
Test t para muestras relacionadas
Sera este el caso, por ejemplo, si comparamos la resistencia de una pieza antes y despus
de aplicarle un procedimiento en el horno, el nivel de glbulos rojos de una persona antes y
despus de recibir un determinado tratamiento o la produccin de galvanizado tipo 1 y la
produccin de galvanizado tipo 2.
Cuando las poblaciones no son normales y no tienen suficiente nmero de datos
(habitualmente se suele exigir al menos 30) se realiza el test de Wilcoxon para dos muestras
si las poblaciones son independientes, o el test de Wilcoxon para muestras pareadas si tal
independencia no es supuesta. Realicemos unos ejemplos para aclarar tales situaciones.
Ejemplo 3.5. Estudie el comportamiento de la produccin de galvanizado 1 en funcin de
las averas.
Solucin:
Aunque ya sabemos que no podemos asegurar que la produccin de galvanizado 1 siga una
distribucin normal, vamos a actuar como si an no conocisemos dicha informacin. As,
determinamos el tipo de test ms apropiado. Para ello aplicamos el test de normalidad de
Shapiro-Wilk a ambas poblaciones:
En nuestro ejemplo comparamos el consumo con o sin averas y ya habamos visto que se
podan suponer ambas poblaciones normales. Por lo que realizaremos el test F para dos
varianzas.
Quines son H0 y H1 en ese contraste?
Los distintos tipos de contrastes de hiptesis para dos varianzas, segn la hiptesis
alternativa considerada, son:
H0 : 12 = 22
H1 : 1222
H0 : 12 22
H1 : 12 < 22
H0 : 12 22
H1 : 12 > 22
two.sided
less
greater
H0 : p 90%
H1 : p < 90%
H0 : p 90%
H1 : p > 90%
two.sided
less
greater
H0 : p1 p2
H1 : p1 < p2
H0 : p1 p2
H1 : p1 > p2
two.sided
less
greater
Hemos de tener en cuenta que p1 es siempre la primera clase por orden alfabtico. Como en
este caso trabajamos con las modalidades No y S, las hiptesis a contrastar son:
H0 : pNO pSI (igual o mejor con el sistema encendido)
H1 : pNO < pSI (peor con el sistema encendido)
La obtencin del p-valor asociado a este test se realizara mediante los siguientes pasos en
R:
Estadsticos
Proporciones
Test de proporciones para dos muestras...
Para estudiar la relacin general, se puede estudiar, entre otros, el coeficiente Chicuadrado de Pearson.
linea
averias A B C
No 31 28 30
S 8 11 9
> chisq.test(xtabs(~averias + linea, data = acero), correct = FALSE)
Pearsons Chi-squared test
data: xtabs(~averias + linea, data = acero)
X-squared = 0.6573, df = 2, p-value = 0.7199
Como el p-valor (07199) es mayor que no se rechaza la hiptesis nula, es decir, no hay
evidencias de que las lneas afecten en que haya o no averas.
__
Ejemplo 3.11. Existe relacin entre la produccin de galv1 y de galv2?
Solucin:
Como las variables son cuantitativas continuas, podemos utilizar el test de correlacin de
Pearson, para lo cual haremos:
Estadsticos
Resmenes
Matriz de correlaciones
A la variable categrica (nominal u ordinal) que define los grupos que deseamos comparar,
la llamamos independiente o factor. A la variable cuantitativa (de intervalo o razn) en la
que deseamos comparar los grupos, la llamamos dependiente.
Si queremos, por ejemplo, averiguar cul de tres programas distintos de incentivos aumenta
de forma ms eficaz el rendimiento de un determinado colectivo, podemos seleccionar tres
muestras aleatorias de ese colectivo y aplicar a cada una de ellas uno de los tres programas.
Despus, podemos medir el rendimiento de cada grupo y averiguar si existen o no
diferencias entre ellos. Tendremos una variable independiente categrica (el tipo de
programa de incentivos) cuyos niveles deseamos comparar entre s, y una variable
dependiente cuantitativa (la medida del rendimiento), en la cual queremos comparar los tres
programas. El ANOVA de un factor permite obtener informacin sobre el resultado de esa
comparacin. Es decir, permite concluir si los sujetos sometidos a distintos programas
difieren de la medida de rendimiento utilizada.
La hiptesis que se pone a prueba en el ANOVA de un factor es que las medias
poblacionales (las medias de la variable dependiente en cada nivel de la variable
independiente) son iguales. Si las medias poblacionales son iguales, eso significa que los
grupos no difieren en la variable dependiente y que, en consecuencia, la variable
independiente o factor no influye en la variable dependiente.
Lo que habitualmente se conoce como Anlisis de la varianza es una versin paramtrica
del test de la F. Para poder aplicarse deben verificarse ciertas condiciones previas
(normalidad, independencia y homocedasticidad (igualdad de varianzas)). En caso contrario
existen alternativas paramtricas y no paramtricas.
NORMALIDAD
HOMOCEDASTICIDAD
TEST RECOMENDADO
NO*
NO
Test de Welch o
Test de Kruskal Wallis
NO
S o NO
Test de la F
P-valor <
P-valor
Vamos a ver varios ejemplos con algunos de los casos que se pueden presentar.
Ejemplo 3.12. Comparar el consumo promedio para las tres temperaturas.
Solucin:
Lo primero que tenemos que estudiar es la normalidad de los datos para cada grupo de
temperatura, para ello utilizbamos es test de Shapiro-Wilk, que tena como hiptesis:
H0: los datos provienen de una poblacin normal
H1: los datos NO provienen de una poblacin normal
La forma ms rpida de realizar los tres tests (uno para cada modalidad de la temperatura)
es escribir en la lnea de comandos:
Estadsticos
Medias
ANOVA de un factor
Seleccionar consumo
Grfica segn:temperatura
Aceptar
Con el procedimiento anterior se obtendran los grficos de medias para los tres grupos de
temperatura. Bien modificando las salidas en la ventana de instrucciones o bien tecleando
directamente, podemos cambiar las opciones del grfico, como por ejemplo las etiquetas de
los ejes o el ttulo del grfico. Para ello deberamos ejecutar la siguiente orden:
Si se rechaza la hiptesis nula, es decir, si se concluye que las medias no son todas iguales,
no ocurre como en el caso de dos poblaciones en el que claramente una de ellas tendra
media superior a la otra, sino que ahora habr que evaluar las relaciones entre las distintas
poblaciones. Existen una gran cantidad de test que realizan comparaciones mltiples. Cabe
destacar, por su uso ms extendido, Duncan, Newman-Keuls, Bonferroni, Scheff y HSD
de Tukey.
Para realizar esta comparacin solo hay que marcar la casilla: Comparacin dos a dos de las
medias, tal como puede verse a continuacin:
Estadsticos
Medias
ANOVA de un factor
y obtenemos:
> shapiro.test(subset(acero, subset = linea == ~A~)$consumo)
Shapiro-Wilk normality test
data: subset(acero, subset = linea == ~A~)$consumo
W = 0.9597, p-value = 0.1738
> shapiro.test(subset(acero, subset = linea == ~B~)$consumo)
Shapiro-Wilk normality test
data: subset(acero, subset = linea == ~B~)$consumo
W = 0.9485, p-value = 0.07302
> shapiro.test(subset(acero, subset = linea == ~C~)$consumo)
Shapiro-Wilk normality test
data: subset(acero, subset = linea == ~C~)$consumo
W = 0.9887, p-value = 0.9584
Para los datos de la lnea A el p-valor es 01738, para los de la lnea B es 007302 y para los
de la C es 09584. En los tres casos suficientemente grande como para que no se rechace la
hiptesis nula (se puede admitir la normalidad).
Seleccionar consumo
Grfica segn:linea
Aceptar
Bien tecleando directamente el cdigo o bien modificando las salidas del proceso anterior
se pueden hacer modificaciones en el grfico. As, mediante la orden por comandos
Aunque en este caso sera menos aconsejable, tambin podramos hacer un grfico de
medias. Los pasos a seguir son:
Grficas
Grficas de la media
__
A partir de dicho diagrama se observa, por ejemplo, que no existen datos atpicos
para la variable (consumo) en esta muestra.
4. Regresin lineal
4.1. Modelizacin estadstica
Variables independientes
Todas son continuas: regresin normal
Todas son categricas: anlisis de la varianza
Ambos tipos: anlisis de la covarianza
Proporcin
Regresin logstica
Conteo
Modelos log-lineales
Binarias
Tiempo de muerte
Anlisis de supervivencia
La principal regla para realizar el modelado consiste en asumir que el resultado obtenido
siempre ser mejorable. El modelo ha de adaptarse a los datos y evitar la tentacin de que
los datos casen con un determinado modelo. De principio, un buen ajuste ha de explicar la
mayor parte de la variabilidad y simplificar al mximo las relaciones entre las variables. No
encontraremos un nico modelo, sino un conjunto de soluciones que se amoldan
razonablemente bien a los datos.
El principio de parsimonia (la navaja de Ockham) induce a optar por un modelo sencillo en
vez de uno complicado. Dado un conjunto de posibles explicaciones igualmente buenas, la
ms sencilla se convierte en la mejor; cuantos menos parmetros intervengan en el modelo,
relaciones lineales o con pocos factores sealan pistas que orientan nuestra bsqueda. Sin
embargo, no exageremos en la sencillez del modelo. Tambin existe la navaja de Einstein:
A model should be as simple as possible. But not simpler.
4.2. Modelo de regresin lineal simple
De los diferentes grficos que aparecen, los ms ajustados a nuestra hiptesis de trabajo se
encuentran en la primera hilera, ya que la variable dependiente, el consumo, corresponde al
eje de ordenadas, mientras que las independientes, las diferentes producciones, se
representan en el eje de abscisas.
Qu nube de punto de la primera fila muestra un patrn ms claro de relacin? Si bien no
siempre aparece claramente un comportamiento visual, se puede intuir cierta dependencia
entre el consumo energa y la produccin del tren de bandas en caliente (pr.tbc). __
Despus de realizar una representacin grfica, procedemos a cuantificar la relacin lineal
entre las variables.
Ejemplo 4.2. Calcule los coeficientes de correlacin lineal del consumo con el resto de
producciones.
Solucin: El coeficiente de correlacin lineal vara de -1 a 1. Cuanto mayor sea en valor
absoluto, ms intensidad existe en la relacin.
Estadsticos
Resmenes
Matriz de correlaciones
93584920
pr.ca -0.04462924 1.00000000 -0.1907847 0.08285971 -0.08530484 0.027095106
pr.cc
0.38533520 -0.19078475 1.0000000 0.30011090 0.07108381 0.268
146068
pr.galv1 0.40126392 0.08285971 0.3001109 1.00000000 0.04964655 0.30
0788576
pr.galv2 0.24073916 -0.08530484 0.0710838 0.04964655 1.00000000 0.07
2855628
pr.pint 0.19358492 -0.02709511 0.2681461 0.30078858 0.07285563 1.000
000000
pr.tbc 0.74329458 -0.03999992 0.1539631 0.06614846 0.10224749 0.003
463181
pr.tbc
consumo 0.743294582
pr.ca -0.039999921
pr.cc
0.153963066
pr.galv1 0.066148462
pr.galv2 0.102247494
pr.pint 0.003463181
pr.tbc 1.000000000
Si bien el grfico sugiere que el modelo lineal no casa bien con los datos, procedemos a
construir un modelo lineal que cuantifica la relacin entre el consumo y la pr.tbc.
Todos los coeficientes del modelo son significativos (distintos de 0) ya que sus p-valor
(Pr(>|t|)) minoran a 0,05.
El R cuadrado, R2, representa la fraccin de la variacin de la variable dependiente
explicada por la regresin. El 54.86% del consumo de energa se debe a la produccin del
tren de bandas en caliente. Hemos de mencionar que el R2 no es un buen criterio para
comparar modelos (el AIC es preferible).
Respecto a los grados de libertad (DF, degree of freedom), cuantos ms parmetros
incorpore el modelo, menos grados de libertad dispone. El principio de parsimonia prioriza
los modelos con ms grados de libertad. __
Despus de estimar el modelo, hemos de verificar una serie de requisitos. Si cumple con
todos ellos, el modelo ajusta correctamente los datos. Si no los verifica, hemos de plantear
otra formulacin. Destacan los siguientes condiciones: homocedasticidad (varianza
constante) de los errores, normalidad de los errores, ausencia de observaciones atpicas,
relacin lineal y ausencia de colinealidad.
Ejemplo 4.5. Determine si los residuos del modelo Modelo1 son homocedsticos.
Solucin:
Para estudiar la homocedasticidad de un modelo usamos el test de Breusch-Pagan.
Modelos
Diagnsticos numricos
Test de Breusch-Pagan
Aceptar
Desmarcar 3 cubos
Aceptar
__
Si bien ya hemos concluido que este ajuste lineal no cumple con los requisitos necesarios,
como prctica realizamos tambin el control de las observaciones atpicas.
Ejemplo 4.7. Existen observaciones atpicas que distorsionen el anlisis del Modelo1?
Solucin: El test de valores atpicos de Bonferroni indica la presencia de observaciones
atpicas.
Modelos
Diagnsticos numricos
Test de valores atpicos de Bonferroni
> outlier.test(Modelo1)
max|rstudent| = 3.85354, degrees of freedom = 114,
unadjusted p = 0.0001929329, Bonferroni p = 0.02257315
Observation: 107
El p-valor es menor que e implica que hay observaciones atpicas: la nmero 107. __
4.3. Transformaciones de variables
Hasta ahora slo se han considerado los datos originales y como resultado hemos concluido
que el modelo lineal no ajusta adecuadamente. Llega el momento de abandonar el modelo
inicial y buscar alternativas.
Existe algn modelo terico que corresponda a nuestros datos? Por ejemplo, estimar el
volumen de un depsito de aguas, Volumen = Base Altura, determinar la distancia que
recorre un cuerpo en cada libre, Distancia = a g tiempo2 o calcular el crecimiento
demogrfico, N = a ebtiempo. En todos estos planteamientos, la relacin no es lineal; Pero
con una sencilla transformacin, obtenemos una. Por ejemplo, si Y = X2 Z, entonces log(Y
) = 2 log(X) + log(Z).
La transformacin ms inmediata consiste en tomar logaritmos de la variable dependiente,
de la independiente o de ambas.
Ejemplo 4.8.
Represente consumo y log(pr.tbc).
Solucin: Este dibujo se consigue transformando la escala de los ejes:
Grficas
Matriz de diagrama de dispersin
__
En ambos casos, la distribucin de los puntos no sigue una lnea recta, por lo que no
transformamos la variable x (pr.tbc).
La transformacin de Box-Cox efecta un cambio de variable sobre la variable dependiente
de la forma:
(3)
Los valores de ms usuales son: log y( = 0), ( = 12), y13 ( = 13), y2( = 2),. Esta
transformacin debe ser realizada por lnea de comandos. En la ventana de instrucciones,
escribimos primero library(MASS), ejecutamos; luego boxcox(Modelo1) y ejecutamos
(Fig. 10).
Proporciona un intervalo de valores vlidos para (Fig. 11). De entre este intervalo,
escogeremos aquellos ms naturales: 0, 1/2, 1/3, 2/3, 1, 3/2, etc. En este caso
determinamos que = 0,5, que equivale transformar la variable consumo mediante su raz
cuadrada. Calculamos esta nueva variable raiz.consumo tal como como indica la Fig. 12.
Para que el R-commander reconozca esta nueva variable, actualizamos la base de datos:
Datos
Conjunto de datos activos
Actualizar conjunto
__
Ejemplo 4.11. Determine el modelo que relaciona raiz.consumo con la pr.tbc. Llame a este
modelo Modelo2.
Solucin: Los coeficientes se calculan estimando un modelo lineal:
Estadsticos
Ajuste de modelos
Modelo lineal
Call:
lm(formula = raiz.consumo ~ pr.tbc, data = acero)
Residuals:
Min
1Q Median
3Q
Max
-9.1509 -1.8850 0.2068 2.2383 11.6080
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.112e+01 7.946e-01 13.99 <2e-16 ***
pr.tbc
1.316e-03 9.765e-05 13.47 <2e-16 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 3.158 on 115 degrees of freedom
Multiple R-squared: 0.6123, Adjusted R-squared: 0.6089
F-statistic: 181.6 on 1 and 115 DF, p-value: < 2.2e-16
Aceptar
Desmarcar 3 cubos
Aceptar
Como el p-valor (0,3070) es mayor que 0,05 no se rechaza la hiptesis nula y no se necesita
incrementar el grado del modelo. __
Ejemplo 4.14. Hay observaciones atpicas?
Solucin: Realizamos el test de valores atpicos de Bonferroni.
Modelos
Diagnsticos numricos
Test de valores atpicos de Bonferroni
> outlier.test(Modelo2)
max|rstudent| = 3.943655, degrees of freedom = 114,
unadjusted p = 0.0001389735, Bonferroni p = 0.0162599
Observation: 107
Podemos ver que la observacin 107 sigue siendo atpica. Verificamos si distorsiona el
modelo dibujando las bandas de confianza.
Modelos
Grficas
Grficas de comparacin de
__
4.4. Regresin lineal mltiple
Residuals:
Min
1Q Median
3Q
Max
-6.4825 -1.3144 0.1286 1.6126 7.3293
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 7.679e+00 7.886e-01 9.737 < 2e-16 ***
pr.ca
1.845e-04 1.431e-03 0.129 0.897614
pr.cc
2.387e-03 6.922e-04 3.448 0.000801 ***
pr.galv1 3.756e-03 7.316e-04 5.135 1.23e-06 ***
pr.galv2 1.523e-03 3.927e-04 3.880 0.000178 ***
pr.pint
1.055e-03 8.305e-04 1.271 0.206469
pr.tbc
1.214e-03 7.602e-05 15.975 < 2e-16 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 2.415 on 110 degrees of freedom
Multiple R-squared: 0.7831, Adjusted R-squared: 0.7713
F-statistic: 66.2 on 6 and 110 DF, p-value: < 2.2e-16
Start: AIC=213.1
raiz.consumo ~ pr.ca + pr.cc + pr.galv1 + pr.galv2 + pr.pint +
pr.tbc
Df Sum of Sq
RSS
AIC
- pr.ca
1
0.10 641.65 211.12
- pr.pint 1
9.42 650.98 212.81
<none> 641.56 213.10
- pr.cc
1
69.34 710.90 223.11
- pr.galv2 1
87.80 729.36 226.11
- pr.galv1 1 153.76 795.32 236.24
- pr.tbc 1 1488.44 2129.99 351.50
Step: AIC=211.12
raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.pint + pr.tbc
Df Sum of Sq
RSS
AIC
- pr.pint 1
9.41 651.06 210.82
<none> 641.65 211.12
- pr.cc
1
71.52 713.18 221.48
- pr.galv2 1
87.87 729.53 224.14
- pr.galv1 1 158.47 800.13 234.94
- pr.tbc 1 1488.34 2129.99 349.50
Step: AIC=210.82
raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc
Df Sum of Sq
RSS
AIC
<none> 651.06 210.82
- pr.cc
1
85.49 736.55 223.26
- pr.galv2 1
91.33 742.39 224.18
- pr.galv1 1 188.34 839.40 238.55
- pr.tbc
Call:
lm(formula = raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc,
data = acero)
Residuals:
Min
1Q Median
3Q
Max
-6.56830 -1.32935 -0.08463 1.73213 7.79563
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 7.773e+00 7.548e-01 10.299 < 2e-16 ***
pr.cc
2.537e-03 6.617e-04 3.835 0.000208 ***
pr.galv1 3.991e-03 7.011e-04 5.692 1.02e-07 ***
pr.galv2 1.547e-03 3.903e-04 3.964 0.000130 ***
pr.tbc
1.209e-03 7.579e-05 15.957 < 2e-16 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 2.411 on 112 degrees of freedom
Multiple R-squared: 0.7799, Adjusted R-squared: 0.772
F-statistic: 99.22 on 4 and 112 DF, p-value: < 2.2e-16
Modelos
Diagnsticos numricos
Factores de inflaccin de
> vif(Modelo4)
pr.cc pr.galv1 pr.galv2 pr.tbc
1.123584 1.100332 1.014570 1.033500
Si alguno de los valores supera el valor 4 implica que hay colinealidad (sobra
alguna variable). En este modelo todos los valores no minoran dicha cantidad y por
lo tanto, no hay colinealidad.
2.
Comprobemos ahora si el modelo es homocedstico mediante el test de
Breusch-Pagan.
Modelos
Diagnsticos numricos
Test de Breusch-Pagan
Aceptar
Breusch-Pagan test
data: raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc
BP = 0.904, df = 1, p-value = 0.3417
Modelos
Diagnsticos numricos
Test Reset de no linealidad
Desmarcar 3 cubos
Aceptar
Modelos
Diagnsticos numricos
Test de valores atpicos de Bonferroni
> outlier.test(Modelo4)
max|rstudent| = 3.494116, degrees of freedom = 111,
unadjusted p = 0.0006843334, Bonferroni p = 0.08006701
Observation: 107
Modelos
Grficas
Grficas bsicas de diagnstico
6.
Clculo de intervalo de confianza para las obseraciones atpicas. Nuestro
inters se centra en la observacin 107 (si bien la distancia de Cook
indica que apenas influye en el anlisis).
Modelos
Grficas
Grficas de comparacin de
5. Anlisis de la varianza
5.1. Experimentos factoriales. Contrastes ortogonales y no ortogonales
El anlisis de la varianza se convierte en la tcnica ms habitual cuando las variables
explicativas son categricas y cuantitativa la variable explicada. Las variables
independientes se denominan factores, constan de dos o ms niveles y pueden interactuar
entre ellas. Esta tcnica contrasta mediante el anlisis de la variabilidad si los valores
medios de la variable dependiente difiere segn las diferentes combinaciones de factores e
interacciones.
Los experimentos factoriales pueden complicarse tanto como se deseen e incorporar efectos
aleatorios, multinivel, jerrquicos, anidados, fijos, etc. Existe una amplia gama de
situaciones que se presentan de forma habitual al realizar un experimento o anlisis.
Avera: Este factor con dos modalidades (no hubo avera, s la hubo) no estaba
controlada, pues las averas surgen sin control.
__
En lo que sigue, trabajaremos exclusivamente con contrastes no ortogonales.
raiz.consumo=
__
Ejemplo 5.3. Determine cmo influye la presencia de averas en el consumo
(raiz.consumo). Nomine a este modelo como fmodelo2.
Solucin:
Se trata de estimar la relacin lineal entre raiz.consumo y averias.
Estadsticos
Ajuste de modelos
Modelo lineal
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 20.8403 0.5357 38.902 <2e-16 ***
averias[T.S] 0.9888 1.0951 0.903 0.368
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 5.054 on 115 degrees of freedom
Multiple R-squared: 0.00704,Adjusted R-squared: -0.001595
F-statistic: 0.8153 on 1 and 115 DF, p-value: 0.3684
El coeficiente de la modalidad S de la variable averias no difiere significativamente de 0
(p-valor>0,05). Por lo tanto, el consumo no vara en funcin de la presencia de averas. __
Ejemplo 5.4. Estime la influencia de la hora (1,2,,8) del turno en el consumo de energa
raiz.consumo.
Solucin: Denominaremos la relacin lineal entre raiz.consumo y hora como fmodelo3.
Estadsticos
Ajuste de modelos
Modelo lineal
raiz.consumo=
__
Al disponer de dos modelos posibles, fmodelo1 y fmodelocomplicado, para explicar el
consumo, nos hemos de plantear cul ajusta mejor los datos mediante el anlisis del AIC. R
dispone de un test (anova) que contrasta si ambos modelos se comportan de forma similar o
bien difieren significativamente:
H0: No hay diferencias entre los modelos
H1: Hay diferencias entre los modelos
Ejemplo 5.6. De los modelos fmodelo1 y fmodelocomplicado cul ajusta mejor?
Solucin: La comparacin entre los modelos se realiza de la siguiente forma.
Modelos
Test de hiptesis
Comparar dos modelos
Modelos
Resumir el modelo
> summary(fmodelo1)
Call:
lm(formula = raiz.consumo ~ linea, data = acero)
Residuals:
Min
1Q Median
3Q
Max
-14.3467 -2.3134 0.5332 2.9904 9.4656
Coefficients:
Estimate Std. Error t value Pr(>|t|)
Aceptar
Seleccionar linea
Nuevo nombrereco.linea
Asignar los valores
A=A; else=ByC
raiz.consumo=
__
De los dos modelos observados, fmodelo1 o fmodelo1.simpli, cul es mejor?
raiz.consumo=
. __
6. Anlisis de la covarianza
6.1. Introduccin
Ambas rectas de regresin muestran una trayectoria muy similar. Este grfico muestra que
la presencia o no de averas apenas diferencia el consumo de energa segn la produccin
de TBC. __
Ejemplo 6.2. Dibuje el diagrama de dispersin del consumo y pr.tbc segn linea.
Solucin: Procedemos del siguiente modo.
Grficas
Matriz de diagrama de dispersin
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.005e+01 7.727e-01 13.006 < 2e-16 ***
pr.tbc
1.223e-03 8.928e-05 13.703 < 2e-16 ***
linea[T.B] 1.720e+00 6.416e-01 2.681 0.00843 **
linea[T.C] 3.584e+00 6.526e-01 5.491 2.49e-07 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 2.831 on 113 degrees of freedom
Multiple R-squared: 0.6939,Adjusted R-squared: 0.6858
F-statistic: 85.4 on 3 and 113 DF, p-value: < 2.2e-16
Por cada unidad producida en pr.tbc, el raiz.consumo de energa aumenta en 1,223 10-3
unidades. Si se ha producido en la lnea A, hay que aadir al raiz.consumo 10,05 unidades
adicionales, mientras que si se fabrica en la lnea B, el raiz.consumo aumenta en 10,05 +
1,720 unidades y si se produce en la lnea C el raiz.consumo se incrementa en 10,05 +
3,584. As el modelo se formaliza y representa de la siguiente forma:
raiz.consumo=
En este modelo, la variacin de energa consumida es constante para las tres lneas de
produccin (las rectas de regresin son paralelas). __
Ejemplo 6.4. Estime el consumo a partir de la produccin de TBC, la lnea de produccin y
sus posibles interaciones. Nomine a este modelo CoModelo2.
Solucin: El modelo con interaccin se obtiene de la siguiente forma:
Estadsticos
Ajuste de modelos
Modelo lineal
Modelos
Resumir el modelo
> summary(CoModelo2)
Call:
lm(formula = raiz.consumo ~ pr.tbc * linea, data = acero)
Residuals:
Min
1Q Median
3Q
Max
-6.76425 -1.83728 -0.07738 1.82916 8.41252
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept)
12.4645906 1.1652944 10.697 < 2e-16 ***
pr.tbc
0.0008790 0.0001545 5.689 1.05e-07 ***
linea[T.B]
-3.2322181 1.5422928 -2.096 0.038380 *
linea[T.C]
3.1148687 1.9084184 1.632 0.105477
pr.tbc:linea[T.B] 0.0006917 0.0001988 3.480 0.000719 ***
pr.tbc:linea[T.C] 0.0001124 0.0002318 0.485 0.628793
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 2.686 on 111 degrees of freedom
Multiple R-squared: 0.7293,Adjusted R-squared: 0.7171
F-statistic: 59.8 on 5 and 111 DF, p-value: < 2.2e-16
__
6.3. Variables indicadoras
Las variables indicadores, ficticias o dummy, permiten desagregar fcilmente las variables
nominales. Por cada categora de la variable nominal se crea una variable indicadora, que
vale 1 si el registro pertenece a dicho atributo y cero en otro caso. Dado que la suma de
todas las variables indicadoras generadas a partir de una misma variable nominal vale 1, y
por lo tanto son linealmente dependientes, slo se utilizan k - 1 variables indicadoras,
siendo k el nmero de modalidades presentes en la variable nominal. Por ejemplo, en el
caso de la lnea de produccin se disponen de tres modalidades (A, B, C). Crearemos tres
variables indicadoras, lineaA, lineaB y lineaC que valdrn 1 si son de la lnea A, B y C,
respectivamente, y cero en otro caso.
linea
lineaA
lineaB
lineaC
Ejemplo 6.7. Genere las variables dummys lineaA, lineaB y lineaC que tomen valores 1 y 0
segn sean la produccin de la lnea A, B o C respectivamente
Solucin: Crearemos tres nuevas variables en nuestra base de datos.
__
Ejemplo 6.8. Determine el modelo que relaciona raiz.consumo con las variables pr.tbc,
lineaB y lineaC. Llame a este modelo CoModelo3.
Solucin: Los coeficientes se calculan de la siguiente forma:
Estadsticos
Ajuste de modelos
Modelo lineal
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 12.4645906 1.1652944 10.697 < 2e-16 ***
lineaB
-3.2322181 1.5422928 -2.096 0.038380 *
lineaC
3.1148687 1.9084184 1.632 0.105477
pr.tbc
0.0008790 0.0001545 5.689 1.05e-07 ***
lineaB:pr.tbc 0.0006917 0.0001988 3.480 0.000719 ***
lineaC:pr.tbc 0.0001124 0.0002318 0.485 0.628793
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 2.686 on 111 degrees of freedom
Multiple R-squared: 0.7293,Adjusted R-squared: 0.7171
F-statistic: 59.8 on 5 and 111 DF, p-value: < 2.2e-16
Start: AIC=253.63
raiz.consumo ~ (lineaB + lineaC) * pr.tbc
Df Sum of Sq RSS AIC
- lineaC:pr.tbc 1
1.696 802.59 249.11
<none>
800.89 253.63
- lineaB:pr.tbc 1 87.359 888.25 260.98
Step: AIC=249.11
raiz.consumo ~ lineaB + lineaC + pr.tbc + lineaB:pr.tbc
Df Sum of Sq
RSS AIC
<none>
802.59 249.11
+ lineaC:pr.tbc 1
1.696 800.89 253.63
- lineaB:pr.tbc 1 102.790 905.37 258.45
- lineaC
1 290.525 1093.11 280.50
Call:
lm(formula = raiz.consumo ~ lineaB + lineaC + pr.tbc + lineaB *
pr.tbc, data = acero)
Residuals:
Min
1Q Median
3Q
Max
-6.84084 -1.82951 -0.07738 1.82916 8.13247
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 12.1146686 0.9116805 13.288 < 2e-16 ***
lineaB
-2.8822961 1.3582876 -2.122 0.036041 *
lineaC
3.9884021 0.6263885 6.367 4.37e-09 ***
pr.tbc
0.0009289 0.0001148 8.093 7.74e-13 ***
lineaB:pr.tbc 0.0006417 0.0001694 3.787 0.000247 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 2.677 on 112 degrees of freedom
Multiple R-squared: 0.7287,Adjusted R-squared: 0.719
F-statistic: 75.2 on 4 and 112 DF, p-value: < 2.2e-16
Todos los coeficientes son significativos. Las lneas A y C consumen igual por cada unidad
producida de TBC (son paralelas), mientras que la lnea B consume ms (mayor pendiente
de la recta).
raiz.consumo=
__
6.4. Modelo completo
pr.galv1:lineaC
4.059e-03 2.828e-03 1.435 0.15544
pr.galv2:lineaB
-5.895e-04 1.241e-03 -0.475 0.63622
pr.galv2:lineaC
-1.119e-03 1.197e-03 -0.934 0.35315
pr.pint:lineaB
7.073e-04 2.859e-03 0.247 0.80524
pr.pint:lineaC
-1.904e-03 2.676e-03 -0.712 0.47896
pr.tbc:lineaB
4.426e-04 2.388e-04 1.853 0.06778 .
pr.tbc:lineaC
6.164e-05 2.555e-04 0.241 0.81001
pr.ca:averias[T.S]
-1.529e-02 4.747e-02 -0.322 0.74829
pr.cc:averias[T.S]
-5.384e-03 6.309e-03 -0.853 0.39624
pr.galv1:averias[T.S]
8.798e-03 1.107e-02 0.795 0.42917
pr.galv2:averias[T.S]
-1.637e-03 1.945e-02 -0.084 0.93312
pr.pint:averias[T.S]
-7.034e-03 1.916e-02 -0.367 0.71452
pr.tbc:averias[T.S]
1.703e-03 6.583e-03 0.259 0.79652
lineaB:averias[T.S]
8.275e+00 7.694e+01 0.108 0.91463
lineaC:averias[T.S]
7.868e-01 7.759e+01 0.010 0.99194
pr.ca:lineaB:averias[T.S]
1.707e-02 4.798e-02 0.356 0.72297
pr.ca:lineaC:averias[T.S] -1.232e-03 4.977e-02 -0.025 0.98032
pr.cc:lineaB:averias[T.S]
1.131e-02 9.125e-03 1.240 0.21892
pr.cc:lineaC:averias[T.S]
8.028e-03 1.019e-02 0.788 0.43308
pr.galv1:lineaB:averias[T.S] -1.113e-02 1.199e-02 -0.929 0.35611
pr.galv1:lineaC:averias[T.S] -8.243e-03 1.423e-02 -0.579 0.56402
pr.galv2:lineaB:averias[T.S] 1.259e-03 1.950e-02 0.065 0.94870
pr.galv2:lineaC:averias[T.S] 3.783e-03 1.955e-02 0.193 0.84713
pr.pint:lineaB:averias[T.S] 8.848e-03 1.976e-02 0.448 0.65556
pr.pint:lineaC:averias[T.S] 9.872e-03 2.006e-02 0.492 0.62403
pr.tbc:lineaB:averias[T.S] -1.580e-03 6.588e-03 -0.240 0.81108
pr.tbc:lineaC:averias[T.S] -1.317e-03 6.596e-03 -0.200 0.84225
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 2.251 on 75 degrees of freedom
Multiple R-squared: 0.8715,Adjusted R-squared: 0.8012
F-statistic: 12.4 on 41 and 75 DF, p-value: < 2.2e-16
1Q
Median
3Q
Max
Start: AIC=240.75
raiz.consumo ~ (pr.cc + pr.galv1 + pr.galv2 + pr.tbc) * (lineaB +
lineaC)
Df Sum
- pr.cc:lineaC
1
- pr.cc:lineaB
1
- pr.galv2:lineaC 1
- pr.galv2:lineaB 1
- pr.tbc:lineaC 1
- pr.galv1:lineaB 1
- pr.galv1:lineaC 1
<none>
- pr.tbc:lineaB 1
Step: AIC=236.07
of Sq RSS AIC
0.343 497.71 236.07
0.736 498.10 236.16
1.293 498.66 236.29
2.100 499.46 236.48
3.785 501.15 236.87
4.393 501.76 237.01
10.824 508.19 238.50
497.36 240.75
35.187 532.55 243.98
Step: AIC=222.71
raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaB +
lineaC + pr.galv1:lineaB + pr.galv1:lineaC + pr.tbc:lineaB +
pr.tbc:lineaC
Df Sum of Sq RSS AIC
- pr.tbc:lineaC 1
4.427 506.12 218.98
- pr.galv1:lineaB 1
4.802 506.49 219.07
- pr.galv1:lineaC 1 13.188 514.88 220.99
<none>
501.69 222.71
- pr.tbc:lineaB 1 33.409 535.10 225.49
+ pr.cc:lineaC
1
1.494 500.19 227.13
+ pr.cc:lineaB
1
1.492 500.20 227.13
+ pr.galv2:lineaB 1
0.879 500.81 227.27
+ pr.galv2:lineaC 1
0.257 501.43 227.41
- pr.cc
1 48.446 550.13 228.74
- pr.galv2
1 93.828 595.52 238.01
Step: AIC=218.98
raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaB +
lineaC + pr.galv1:lineaB + pr.galv1:lineaC + pr.tbc:lineaB
Df Sum of Sq RSS AIC
- pr.galv1:lineaB 1
4.497 510.61 215.25
- pr.galv1:lineaC 1 12.337 518.45 217.03
<none>
506.12 218.98
- pr.tbc:lineaB 1 29.516 535.63 220.85
+ pr.tbc:lineaC 1
4.427 501.69 222.71
+ pr.cc:lineaC
1
2.055 504.06 223.26
+ pr.cc:lineaB
1
1.547 504.57 223.38
+ pr.galv2:lineaC 1
0.728 505.39 223.57
+ pr.galv2:lineaB 1
0.493 505.62 223.63
- pr.cc
1 49.201 555.32 225.07
- pr.galv2
1 89.873 595.99 233.34
Step: AIC=215.25
raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaB +
lineaC + pr.galv1:lineaC + pr.tbc:lineaB
Df Sum of Sq RSS AIC
- pr.galv1:lineaC 1
7.882 518.49 212.28
<none>
510.61 215.25
- pr.tbc:lineaB 1 33.283 543.89 217.88
+ pr.galv1:lineaB 1
4.497 506.12 218.98
+ pr.cc:lineaC
1
4.200 506.41 219.05
+ pr.tbc:lineaC 1
4.121 506.49 219.07
+ pr.galv2:lineaC 1
0.597 510.02 219.88
+ pr.cc:lineaB
1
0.246 510.37 219.96
+ pr.galv2:lineaB 1
0.184 510.43 219.97
- pr.cc
1 45.549 556.16 220.49
- pr.galv2
1 86.487 597.10 228.80
Step: AIC=212.28
raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaB +
lineaC + pr.tbc:lineaB
Df Sum of Sq RSS AIC
<none>
518.49 212.28
- pr.tbc:lineaB 1 31.792 550.29 214.48
+ pr.galv1:lineaC 1
7.882 510.61 215.25
+ pr.cc:lineaC
1
6.288 512.21 215.62
- pr.cc
1 37.857 556.35 215.76
+ pr.tbc:lineaC 1
3.574 514.92 216.23
+ pr.galv2:lineaC 1
0.521 517.97 216.93
+ pr.galv2:lineaB 1
0.050 518.44 217.03
+ pr.galv1:lineaB 1
0.042 518.45 217.03
+ pr.cc:lineaB
1
0.016 518.48 217.04
- pr.galv1
1 76.987 595.48 223.72
- pr.galv2
1 81.223 599.72 224.55
- lineaC
1 113.472 631.97 230.68
Call:
lm(formula = raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc +
lineaB + lineaC + pr.tbc:lineaB, data = acero)
Coefficients:
(Intercept)
8.5303698
lineaB
-1.1257278
pr.cc
pr.galv1
pr.galv2
pr.tbc
0.0020305
0.0029066
0.0015580
0.0009934
lineaC pr.tbc:lineaB
2.7411554
0.0003746
Estadsticos
Ajuste de modelos
Modelo lineal
Call:
lm(formula = raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc +
Call:
lm(formula = raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc +
lineaC + pr.tbc:lineaB, data = acero)
Residuals:
Min
1Q Median
3Q
Max
-5.36027 -1.31064 -0.02664 1.56234 6.47916
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 7.922e+00 6.857e-01 11.553 < 2e-16 ***
pr.cc
2.141e-03 7.097e-04 3.016 0.003179 **
pr.galv1
2.801e-03 7.133e-04 3.927 0.000150 ***
pr.galv2
1.680e-03 3.538e-04 4.749 6.22e-06 ***
pr.tbc
1.043e-03 7.788e-05 13.399 < 2e-16 ***
lineaC
2.778e+00 5.595e-01 4.965 2.53e-06 ***
pr.tbc:lineaB 2.558e-04 7.040e-05 3.633 0.000427 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 2.18 on 110 degrees of freedom
Multiple R-squared: 0.8233,Adjusted R-squared: 0.8137
F-statistic: 85.42 on 6 and 110 DF, p-value: < 2.2e-16
Todos los coeficientes son significativos y no habra que simplificar nada. La duda surge de
si hemos simplificado demasiado el modelo. __
De entre los modelos obtenidos, (ModeloComple0, ModeloComple2, ModeloComple3),
estimaremos si ajustan igual de bien o por el contrario muestran diferencias.
Como el p-valor 0,7347 supera a 0,05 ambos modelos ajustan igual de bien. Seleccionamos
el modelo ms simple (ModeloComple3 , con 110 grados de libertad). __
Para finalizar, chequeamos la bondad del modelo.
Ejemplo 6.18. Determine la bondad del modelo ModeloComple3.
Solucin: Para tal menester seguimos los siguientes pasos:
1.
Estudio de la colinealidad.
Modelos
Diagnsticos numricos
Factores de inflaccin de
> vif(ModeloComple3)
pr.cc pr.galv1 pr.galv2
pr.tbc
lineaC pr.tbc:lineaB
1.581420 1.393477 1.019939 1.335018
1.713150
1.929893
Si alguno de los valores supera el valor 4 implica colinealidad (y por lo tanto, sobra
alguna variable en el modelo). En este modelo todos los valores no sobrepasan
dicha cantidad y por lo tanto no presentan colinealidad.
2.
Comprobemos ahora si el modelo es homocedstico mediante el test de
Breusch-Pagan.
Modelos
Diagnsticos numricos
Test de Breusch-Pagan
Aceptar
pr.tbc:lineaB
BP = 0.4266, df = 1, p-value = 0.5137
Modelos
Diagnsticos numricos
Test Reset de no linealidad
Desmarcar 3 cubos
Aceptar
Como el p-valor 0,8263 es mayor que no se rechaza la hiptesis nula, por lo que
no se requiere aumentar el grado al modelo.
4.
Por ltimo veamos si hay alguna observacin atpica que distorsione el
modelo.
Modelos
Diagnsticos numricos
Test de valores atpicos de Bonferroni
> outlier.test(ModeloComple3)
max|rstudent| = 3.212874, degrees of freedom = 109,
unadjusted p = 0.00172831, Bonferroni p = 0.2022123
Observation: 107
Modelos
Grficas
Grficas bsicas de diagnstico
6.
Clculo de intervalo de confianza para las obseraciones atpicas. Nuestro
inters se centra en la observacin 107 (si bien la distancia de Cook
indica que apenas influye en el anlisis).
Modelos
Grficas
Grficas de comparacin de
con = 2,18. __
7. Redaccin de un artculo
La difusin del trabajo se convierte habitualmente en nuestra ltima meta. Si bien no
existen reglas precisas para garantizar la publicacin de nuestra investigacin, y sin nimo
de hablar ex cathedra, en esta seccin sugerimos diversas observaciones que el investigador
puede considerar.
Lo primero consiste en identificar un grupo de revistas interesadas por el trabajo.
Seguidamente, comprobamos si en esas revistas han publicado modelos similares al
nuestro. Si aparecen artculos similares, lo escribiremos dos o tres veces imitando dichos
trabajos. La cuarta versin la redactaremos por nuestra cuenta.
En caso de que nuestro trabajo sea novedoso y no aparezca ninguna referencia previa,
hemos de ser conscientes de que tal vez los revisores de la revista descozcan
completamente nuestra metodologa. Esto implica un especial cuidado con la redaccin y
exposicin de nuestra investigacin, procurando un enfoque muy pedaggico.
En general los artculos con metodologa estadstica se dividen en las siguientes secciones:
introduccin, metodologa, resultados, conclusiones, referencias, tablas y grficos. A
continuacin presentamos un conjunto de ideas o sugerencias para publicar el modelo
obtenido.
Metodologa.
Resultados
Tablas y grficos. Presentamos a continuacin una serie de grficos que explican el modelo.
No todos los presentados son igualmente relevantes. Decida qu grfico publicara y cul
no. (Fig. 13, 14, 15, 16 y 17).
Figura 17: Relaciones entre produccin y consumo de energa, por la lnea de montaje
(diferentes escalas).
8. Ejercicios
Solucin:
Solucin:
Welch Two Sample t-test
data: p12 by p2
t = 8.0686, df = 1178.718, p-value = 1.738e-15
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
3.013180 4.949356
sample estimates:
mean in group Mascul. mean in group Femen.
11.155844
7.174576
<none>
33726 1967.0
+ p3 1
19.74 33706 1972.8
+ p4 1
2.32 33724 1973.1
- p2 1 1052.82 34779 1974.7
- p7 1 1505.36 35232 1980.5
+ p1 7 390.67 33336 2004.5
Step: AIC=3088.28
p12 ~ p7 + p2
Call:
lm(formula = p12 ~ p7 + p2, data = alcohol)
Coefficients:
(Intercept)
8.29555
p7 p2[T.Femen.]
0.07475
-2.90666
RESET test
data: p12 ~ p2 + p7
RESET = 14.9451, df1 = 1, df2 = 706, p-value = 0.0001209
outlierTest(Modelofinal)
rstudent unadjusted p-value Bonferonni p
68 5.932588
4.6702e-09 3.3159e-06
284 5.883926
6.1879e-09 4.3934e-06
498 5.299646
1.5527e-07 1.1025e-04
1131 5.270635
1.8084e-07 1.2840e-04
154 5.166829
3.1018e-07 2.2023e-04
738 4.814580
1.8055e-06 1.2819e-03
43 4.273992
2.1837e-05 1.5504e-02
1093 4.154694
3.6566e-05 2.5962e-02
Ejercicio 7. Realice una transformacin logartmica de las variables gasto total de alcohol
(p12) y dinero semanal que te dan (p7). Calcule el diagrama de dispersin de las
logartmicas de p12 y p7.
Solucin: