Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Curso MLG's
Curso MLG's
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
11 de julio de 2011
MLGs
Contenido
Introduccin
Breve revisin
del modelo
lineal
Introduccin
La familia
Exponencial
simple
Estimacin en el MLG
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Contenido
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Introduccin
MLGs
Introduccin
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Weddernburn (1972).
Son un clase de modelos estadsticos para relacionar
MLGs
Contenido
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
i = 1, 2, . . . , n.
(1)
Software
Regresin
Binaria y
Poisson
y = X + e
Regresin Logstica
Regresin Poisson
(2)
MLGs
Suposiciones:
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
E (ei ) = 0, para i = 1, 2, . . . , n.
Consecuencias
Aplicando las suposiciones anteriores al modelo de regresin
mltiple, tenemos que Y es una variable aleatoria tal que
Y = E (Y ) = 0 + 1 x1 + 2 x2 + ... + k xk
Predictor lineal
2 = V (Y ) = 2
Y
Cov(yi , yj ) = 0
Es decir,
Y N(0 + 1 x1 + 2 x2 + + k xk , 2 )
MLGs
Suposiciones:
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
E (ei ) = 0, para i = 1, 2, . . . , n.
Consecuencias
Aplicando las suposiciones anteriores al modelo de regresin
mltiple, tenemos que Y es una variable aleatoria tal que
Y = E (Y ) = 0 + 1 x1 + 2 x2 + ... + k xk
Predictor lineal
2 = V (Y ) = 2
Y
Cov(yi , yj ) = 0
Es decir,
Y N(0 + 1 x1 + 2 x2 + + k xk , 2 )
MLGs
Suposiciones:
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
E (ei ) = 0, para i = 1, 2, . . . , n.
Consecuencias
Aplicando las suposiciones anteriores al modelo de regresin
mltiple, tenemos que Y es una variable aleatoria tal que
Y = E (Y ) = 0 + 1 x1 + 2 x2 + ... + k xk
Predictor lineal
2 = V (Y ) = 2
Y
Cov(yi , yj ) = 0
Es decir,
Y N(0 + 1 x1 + 2 x2 + + k xk , 2 )
MLGs
Introduccin
Interpretacin de los
coeficientes
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Geomtricamente,
La ecuacin de RLS representa una lnea.
En RLM representa un plano, si k = 2. Y un hiperplano si
k = 3, 4, . . .
0 es el valor de Y cuando X1 = X2 = = Xk = 0
j , j = 1, . . . , k representa el cambio en Y
MLGs
Introduccin
Interpretacin de los
coeficientes
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Geomtricamente,
La ecuacin de RLS representa una lnea.
En RLM representa un plano, si k = 2. Y un hiperplano si
k = 3, 4, . . .
0 es el valor de Y cuando X1 = X2 = = Xk = 0
j , j = 1, . . . , k representa el cambio en Y
MLGs
Introduccin
Interpretacin de los
coeficientes
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Geomtricamente,
La ecuacin de RLS representa una lnea.
En RLM representa un plano, si k = 2. Y un hiperplano si
k = 3, 4, . . .
0 es el valor de Y cuando X1 = X2 = = Xk = 0
j , j = 1, . . . , k representa el cambio en Y
MLGs
Introduccin
Interpretacin de los
coeficientes
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Geomtricamente,
La ecuacin de RLS representa una lnea.
En RLM representa un plano, si k = 2. Y un hiperplano si
k = 3, 4, . . .
0 es el valor de Y cuando X1 = X2 = = Xk = 0
j , j = 1, . . . , k representa el cambio en Y
MLGs
Ejemplo..
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
= xi0 + ei ;
ei N(0, 2 )
= 0 + 1 Ei + 2 Fi + 3 Ei Fi + ei
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Predictor
Edad
Hbito de fumar
Interaccin
Variable
Ei :edad en aos
Fi = 1(exp) 0 (nexp)
Ei F i
Coeficiente
1
2
3
MLGs
Anlisis y resultados
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
EMV
5025.5
2678.1
-128.16
39.20
s.e.
83.18
19.1
105.7
24.43
p-valor
<2e-16
<2e-16
0.225
0.109
madres fumadoras
MLGs
Generalizando el modelo
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Algunos ejemplos
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Antibiticos
Con factores de riesgo
Sin factores de riesgo
No antibiticos
Con factores de riesgo
Sin factores de riesgo
Cesrea
Con inf
planeada
Sin inf
Cesrea
Con inf
no planeada
Sin inf
1
0
17
2
11
0
87
0
28
8
30
32
23
0
3
9
infeccin.
Covariables: 1. Cesrea planeada: (1 : si, 0 : no)
Regresin Logstica
Regresin Poisson
MLGs
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
2. Tendencia de mortalidad
Los datos corresponde al numero trimestral de muertes por
VIH, en Autralia de 1983 (enero-marzo) a 1986 (abril-junio)
Trimestre 1 2 3 4 5 6 7 8
9 10 11 12
Muertes 0 1 2 3 1 4 9 18 23 31 20 25
Variable respuesta: nmero de muertes por trimestre.
Escala de la respuesta: binaria
inters: modelar la tendencia de mortalidad
13
37
MLGs
observaciones
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
contexto.
MLGs
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Contenido
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
La familia Exponencial
simple
Sea Y una variable aleatoria con fdp (discreta o continua) que
depende de un nico parmetro . La distribucin de Y
pertenece a la familia Exponencial simple si puede escribirse
como:
f (y ; ) = exp{a(y )b() + c() + d(y )}
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Ejemplos
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Parmetro natural
log
d
logy !
1
2
2
2 2 log(2 )
n log(1 )
y
2
2
log yn
log
MLGs
Propiedades de la Familia
Exponencial
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
La media
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
E {a(Y )} =
c 0 ()
b 0 ()
La Varianza
Var {a(Y )} =
b 00 ()c 0 () c 00 ()b 0 ()
[b 0 ()]3
MLGs
Funciones Score
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Introduccin
Matriz de Informacin de
Fisher
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
I() = E
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
(
= E
2
log f (y ; )
2
2 )
log f (y ; )
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Contenido
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Propiedades de las
funciones liga
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Funciones montonas
Diferenciables
Ejemplos:
Funcin liga para datos Poisson.
1
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
0 < i < 1.
La funcin liga debe mapear de (0, 1) R
Opciones estndar:
1 logit: i = log{i /(1 i )},
2 probit: i = (i ),
3 log-log complemetaria: log{ log(1 i )}
MLGs
Contenido
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Estimacin en el MLG
Algoritmo de mnimos cuadrados ponderados iterativos
Software
MLGs
La verosimilitud de un MLG es
L(y; , x) =
n
Y
i=1
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
y requiere de
En gral., no existe una expresin cerrada para ,
un algoritmo para calcularlo.
MLGs
La verosimilitud de un MLG es
L(y; , x) =
n
Y
i=1
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
y requiere de
En gral., no existe una expresin cerrada para ,
un algoritmo para calcularlo.
MLGs
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Algoritmo de mnimos
cuadrados ponderados
iterativos
Los estimadores de mxima verosimilitud se obtienen
resolviendo iterativamente la ecuacin:
X 0 WXb (m) = X 0 Wz
o bien de forma equivalente:
b (m) = (X 0 WX)1 X 0 Wz
El algoritmo se puede resumir en los pasos siguietes:
1.- m = 1
2.- Calcular estimadores iniciales de los parmetros de inters
b (m)
3.- Calcular el predictor lineal i = x 0i b (m)
MLGs
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
4.- Calcular i = g 1 (
i )
5.- Calcular la variable dependiente ajustada
i
zi = i + (yi
i )
i
2
i
6.- Calcular los pesos wii1 =
i
matriz W = diag(w11 , ..., wnn )
7.- m = m + 1
8.- Obtener b (m) = (X 0 WX)1 X 0 Wz
9.- Repetir los pasos 3 a 8 hasta que las estimaciones
sucesivas de b no cambien significativamente.
Nota: El algoritmo de mnimos cuadrados ponderados
iterativos es equivalente al algoritmo de Newton-Raphson.
MLGs
Paquetes de Cmputo
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Ligas
identity (D)
logit (D), probit, clogloc
identity, inverse (D), log
MLGs
Implementacin en R
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Contenido
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Preliminares
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
0 0 + 1 x 1
MLGs
Continuacin...
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Se propone tomar
p = P(Y = 1|x ) = (x ) =
exp {0 + 1 x }
1
=
1 + exp {0 + 1 x }
1 + exp {0
(x )
Al tomar ln 1(x
) = 0 + 1 x llamada regresin logstica que
recuerda a la rls.
MLGs
Estimacin
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
n
Y
pi yi (1 pi )1yi
i=1
1
,
1 + exp {x 0i }
MLGs
Pruebas de hiptesis
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
i
,
S(i )
MLGs
Hosmer-Lemeshow
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
g
X
(Oi ni pi )2
i=1
ni pi (1 pi )
MLGs
Interpretacin
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Al cociente
P(Y = 1|x )
(x )
=
,
1 (x )
P(Y = 0|x )
se le denomina razn de momios, los cuales se utilizan muchas
veces para explicar el concepto de probabilidad.
Por ejemplo, se dice que el equipo A es favorito sobre el equipo
en una proporcin 3:1, equivale a decir que los momios son 3:1.
Es decir, la probabilidad de que el equipo A gane el B es 0.75,
donde:
0.75 =
0.75
1 0.75
3
3
=
3+1
4
3/4
3/4
3
=
=
1 3/4
1/4
1
MLGs
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Sea g(x ) = ln
(x )
1(x )
Continuacin...
= 0 + 1 x .
(xi )
(xi + 1)
ln
1
(xi + 1)
1
(xi )
(xi + 1)
(xi )
= ln
/
1
(xi + 1) 1
(xi )
1 = ln
MLGs
Ejemplos
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Ejemplo 1:
Si Y denota la presencia o ausencia de cncer de pulmn,
x = 1 si una n
persona
o es fumadora, x = 0 en caso contrario,
MLGs
Continuacin...
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
(xi )
(xi + c)
ln
= c 1
1
(xi + c)
1
(xi )
Ejemplo 3:
Supngase que se realiza un estudio para medir el riesgo de
tener una enfermedad coronaria, como funcin de la edad y que
se ha ajustado el modelo correspondiente obtenindose
g (x ) = 5.310 + 0.111Edad, la razn estimada para un
incremento de 10 aos es:
Regresin Logstica
Regresin Poisson
MLGs
Ejemplo general:
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Frecuencia
Si
No
8
2
13
4
5
3
6
7
5
10
3
9
2
13
1
9
Prop.
0.8000
0.7647
0.6250
0.4615
0.3333
0.2500
0.1333
0.1000
MLGs
Continuacin...
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Continuacin...
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Ms ejercicios
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
x
21
24
25
26
28
31
33
34
34
37
43
49
Y
1
1
0
0
0
0
0
0
0
0
0
0
x
51
55
25
29
43
44
46
46
51
55
56
58
MLGs
Preeliminares
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
y exp {}
, y = 0, 1, 2, ...
y!
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
MLGs
Continuacin...
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
n
Y
i=1
f (yi ; i ) =
n
Y
yi i exp {i }
i=1
yi !
MLGs
Pruebas de hiptesis
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
i
,
S(i )
MLGs
Ejemplo
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Trimestre
Muertes
1
0
2
1
3
2
4
3
5
1
6
4
7
9
8
18
9
23
10
31
11
20
12
25
13
37
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
14
45
MLGs
Continuacin...
Introduccin
Breve revisin
del modelo
lineal
La familia
Exponencial
simple
Componentes
del Modelo
Lineal
Generalizado
Estimacin en
el MLG
Algoritmo de
mnimos cuadrados
ponderados
iterativos
Software
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Parameter Estimates
|-----------|------|----------|----------------------------------|-----------------------|
|Parameter |B
|Std. Error|95% Wald Confidence Interval
|Hypothesis Test
|
|
|
|
|----------------------------|-----|---------------|--|----|
|
|
|
|Lower
|Upper|Wald Chi-Square|df|Sig.|
|-----------|------|----------|----------------------------|-----|---------------|--|----|
|(Intercept)|-1.944|.5116
|-2.947
|-.941|14.442
|1 |.000|
|-----------|------|----------|----------------------------|-----|---------------|--|----|
|lntrimestre|2.175 |.2151
|1.753
|2.596|102.271
|1 |.000|
|-----------|------|----------|----------------------------|-----|---------------|--|----|
|(Scale)
|1a
|
|
|
|
| |
|
|-----------|------|----------|----------------------------|-----|---------------|--|----|
Dependent Variable: muertes
Model: (Intercept), lntrimestre
a. Fixed at the displayed value.
MLGs
Regresin
Binaria y
Poisson
Regresin Logstica
Regresin Poisson
Dobson, A. (2002).
An Introduction to Generalized Linear Models (second
ed.).
Chapman and Hall.
McCullagh, P. and J. A. Nelder (1989).
Generalized Linear Models (second ed.).
Chapman and Hall.
Nelder, J. A. and W. M. Weddernburn (1972).
Generalized linear models.
Journal of the Royal Statistical Society A 135, 370384.