Documentos de Académico
Documentos de Profesional
Documentos de Cultura
– Escuela de Estadística
1. Introducción
En muchas ocasiones es posible diseñar experimentos estadísticos controlados, en los cuáles es factible el estudio simultáneo
de varios factores, aplicando procedimientos de aleatorización apropiados, en lo que se conoce como diseño y análisis de
experimentos. Sin embargo en otras ocasiones sólo se cuenta con un conjunto de datos sobre los cuáles es difícil esperar que
hayan sido observados en condiciones estrictamente controladas, y de los cuáles también en pocas ocasiones se tienen
réplicas para calcular el error experimental.
Cuando se enfrenta la situación anterior lo más apropiado es aplicar los métodos de regresión. Debe tenerse presente que los
métodos de regresión permiten establecer asociaciones entre variables de interés entre las cuáles la relación usual no es
necesariamente de causa - efecto. En principio, consideramos una asociación lineal entre una variable respuesta Y y una
variable predictora X (es decir, de la forma y = f ( x ) = β 0 + β1 x ).
2. Fundamentos
2.1 Nomenclatura
9 Y Variable respuesta o dependiente
9 X Variable predictora, independiente o regresora
9 ε Error aleatorio
9 β 0 , β1 Parámetros de la regresión. β 0 es el intercepto y β1 la pendiente de la línea recta.
1
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
9 Segundo, dado un conjunto de pares de datos ( X ,Y ) , puede asumirse una forma funcional para la curva de
2.3 Supuestos
9 La variable respuesta Y es una variable aleatoria cuyos valores se observan mediante la selección de los valores de
la variable predictora X en un intervalo de interés.
9 Por lo anterior, la variable predictora X no es considerada como variable aleatoria, sino como un conjunto de valores
fijos que representan los puntos de observación, que se seleccionan con anticipación y se miden sin error. Sin
embargo si esto último no se cumple, el método de estimación de mínimos cuadrados ordinarios para los parámetros
del modelo de regresión puede seguir siendo válido si los errores en los valores de la variable predictora son
pequeños en comparación con los errores aleatorios del modelo ε i .
9 Los datos observados, ( xi , yi ) ,i = 1,… ,n , constituyen una muestra representativa de un medio acerca del cual se
desea generalizar. Si no es así, no es apropiado realizar inferencias en un rango de los datos por fuera del
considerado.
9 El modelo de regresión es lineal en los parámetros. Es decir, ningún parámetro de la regresión aparece como el
exponente o es dividido o multiplicado por el otro parámetro, o cualquier otra función. Sin embargo, la línea de ajuste
puede tener una curvatura (no ser lineal en X y/o en Y ), caso en el cual mediante una transformación conveniente
de las variables ( X y/o Y ), es posible aplicar las técnicas de regresión lineal sobre estas nuevas variables.
9 Si la ecuación de regresión seleccionada es correcta, cualquier variabilidad en la variable respuesta que no puede ser
explicada exactamente por dicha ecuación, es debida a un error aleatorio.
2
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
9 Los valores observados de la variable respuesta no son estadísticamente dependientes. Se supone que cada valor
observado de Y está constituido por un valor real y una componente aleatoria.
9 El modelo estadístico de regresión con una muestra de n pares ( X i ,Yi ) es:
Y | X i = β 0 + β1 X i + ε i , i = 1, 2 , … , n , E (Y | X i ) = β 0 + β1 X i
( ) ( )
COV ε i ,ε j = 0 ∀ i , j i ≠ j , COV Yi ,Y j ≠ 0 ∀ i , j i ≠ j
desconocida. Dado que los valores X i de la variable predictora no son considerados aleatorios y que los errores son
independientes, la varianza de los Yi también es σ 2 , ∀ i y por tanto este parámetro es independiente del punto de
observación (es decir, del valor de X ). Pero en el caso que esta última suposición no pueda aplicarse, entonces el
método de regresión empleado será el de mínimos cuadrados ponderados. Con estas consideraciones y las
anteriores, podemos afirmar que:
Y | X i ~ N ( β 0 + β1 X i ,σ 2 )
Debe tenerse claro que el método de mínimos cuadrados es un método numérico, no estadístico; La estadística opera a partir
de los supuestos distribucionales asignados en el modelo de regresión.
3.1 Objetivo
Obtener estimaciones de los parámetros de regresión, es decir hallar β 0 y β1 , tales que minimicen la suma de los cuadrados
de los errores S ( β 0 , β1 ) :
3
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
n n
S ( β 0 , β1 ) = ∑ ε i2 = ∑ ⎡⎣Yi − ( β 0 + β1 X i ) ⎤⎦
2
i =1 i =1
∂ S ( β 0 , β1 )
=0
∂β 0
∂ S ( β 0 , β1 )
=0
∂β 1
De lo cual surgen las denominadas ecuaciones normales:
n n
∑y
i =1
i =nβ 0 + β1 ∑ xi
i =1
n n n
∑ xi yi = β 0 ∑ xi + β1 ∑ xi2
i =1 i =1 i =1
y de éstas tenemos que las estimaciones por mínimos cuadrados de los parámetros son:
βˆ 0 = y − βˆ1 x
n n n n
n ∑ x i yi − ∑ x i ∑ yi ∑x y i i −nx y
βˆ1 = i =1 i =1 i =1
2
= i =1
n
⎛n
⎞ n
n∑ x − ⎜ ∑ xi ⎟2
i
∑x 2
i − nx 2
i =1 ⎝ i =1 ⎠ i =1
o bien:
n
∑( x i − x )( yi − y )
βˆ1 = i =1
n
∑( x − x)
2
i
i =1
o bien:
4
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
∑( x i − x ) yi
βˆ1 = i =1
n
∑( x − x)
2
i
i =1
ŷi = βˆ 0 + βˆ1 xi
o bien:
ŷi = y + ( xi − x ) βˆ1
i =1 i =1
entonces:
n
SSR = ∑ ( ˆyi − y ) , o bien SSR = βˆ12 S xx , o bien
2
SSR = βˆ1 S xy
S xy
NOTA: β̂1 puede ser expresado en función de Sxy y de Sxx, así: βˆ1 =
S xx
los errores. Sin embargo, para poder aplicar testes de hipótesis y construir intervalos de confianza, es necesario realizar y
validar tales supuestos. Considerando para el modelo de regresión lineal simple los supuestos de normalidad, independencia y
varianza constante para los errores, podemos usar el método de estimación de máxima verosimilitud (MLE). Sea
( x1 , y1 ) , … , ( xn , yn ) los pares de datos observados, donde Y | X i = β 0 + β1 X i + ε i , i = 1, 2 , … , n ,
( )
iid
E ( Y | X i ) = β 0 + β1 X i y ε i ~ N 0 ,σ 2 , i = 1, 2 , … , n . Asumiendo fijos los niveles o valores en que es observada,
(
vimos que Y | X i ~ N β 0 + β1 X i ,σ 2 ). Sea y . La función de
El objetivo es hallar los parámetros desconocidos , que maximicen , o equivalentemente, que maximicen
(el logaritmo natural de ).
Observe que para cualquier valor de fijo, es maximizado como una función de y por aquellos valores y
respectivos estimadores de mínimos cuadrados, y . Para hallar el estimador MLE para substituimos y en
, y hallamos que maximiza a,
6
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
Resumiendo, bajo el modelo de regresión lineal normal, es decir, con errores independientes e idénticamente distribuidos
, los estimadores de mínimos cuadrados para y son también estimadores de máxima verosimilitud y en tal
caso, podemos construir intervalos de confianza y realizar pruebas de hipótesis basadas en las estimaciones obtenidas.
5. Estimación de la varianza σ 2
Puede demostrarse que bajo los supuestos del modelo en relación a los errores, un estimador insesgado de la varianza es:
SSE
σˆ 2 = s 2 =
n−2
esto es, . también recibe el nombre de error cuadrático medio MSE. Observe que podemos escribir el
la varianza, mas asintóticamente es insesgado ( ). También puede demostrarse que los estimadores
MLE son de mínima varianza cuando son comparados a todos los posibles estimadores insesgados y son consistentes, es
decir, a medida que aumenta el tamaño de la muestra, la diferencia entre estos y el respectivo parámetro va para cero.
respectivamente, y corresponden a los estimadores de máxima verosimilitud bajo los supuestos estadísticos del modelo
aleatorias normales.
3. La varianza de los estimadores β̂ 0 y β̂1 , y de la respuesta ajustada en un valor de X = xi dado, es:
7
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
( ) ⎛ n ⎞
V β1 = V ⎜ ∑ ciYi ⎟
ˆ
( ) ⎛ n ⎞
V β 0 = V ⎜ ∑ miYi ⎟
ˆ ( )
V Yˆi = V βˆ 0 + βˆ1 xi ( )
⎝ i =1 ⎠ ⎝ i =1 ⎠ ⎡ n ⎤
n n
(
= V ⎢ ∑ m j + c j xi Y j ⎥ )
= ∑ c V (Y )
i =1
2
i i = ∑ m V (Y ) 2
i i ⎣ j =1 ⎦
i =1
n
∑(m ) ( )
2
n n
= + c j xi V Y j
= ∑c σ
i =1
2
i
2
= ∑m σ 2
i
2
j =1
j
i =1
2
σ2 ⎡1 n
⎤
= σ ∑ ⎢ + ( xi − x ) c j ⎥
n 2
=
S xx
σ 2
∑x 2
i
j =1 ⎣ n ⎦
= i =1
nS xx ⎡ 1 ( x − x )2 ⎤
= σ ⎢ + i 2
⎥
⎢⎣ n S xx ⎥
⎦
4. la covarianza entre los estimadores de los parámetros es:
⎛ n ⎞
( )
n
COV β 0 , β1 = COV ⎜ ∑ miYi , ∑ ciYi ⎟
ˆ ˆ
⎝ i =1 i =1 ⎠
n n n
= ∑ m c COV (Y ,Y ) + ∑∑ m c COV (Y ,Y )
i =1
i i i i
i =1 j ≠ i
i j i j
n
= ∑ m c V (Y )
i =1
i i i
n
= σ 2 ∑ m i ci
i =1
σ 2x
= −
S xx
5. la covarianza entre la variable respuesta y su correspondiente estimador en un valor dado de X = xi es:
( )
COV Yi ,Yˆi = COV Yi , βˆ 0 + βˆ1 xi ( )
⎛ n ⎞
= COV ⎜ Yi , ∑ m j + c j xi Y j ⎟ ( )
⎝ j =1 ⎠
n
= ( mi + ci xi ) COV (Yi ,Yi ) + ∑ m j + c j xi COV Yi ,Y j
j≠i
( ) ( )
= ( m i + ci x i ) σ 2
⎡ 1 ( xi − x ) ⎤ 2
= ⎢ + σ ⎥
⎣n S xx ⎦
8
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
6. La suma de los residuales del modelo de regresión con intercepto es siempre cero:
n
∑ei =1
i =0
7. La suma de los valores observados yi es igual a la suma de los valores ajustados ŷi :
n n
∑ y = ∑ ˆy
i =1
i
i =1
i
9. La suma de los residuales ponderados por el correspondiente valor de la variable predictora es cero:
n
∑xe
i =1
i i =0
10. La suma de los residuales ponderados por el correspondiente valor ajustado es siempre igual a cero:
n
∑ ŷ e
i =1
i i =0
Student con n − 2 grados de libertad, y tα / 2 ,n− 2 es el percentil de la distribución T-Student con n − 2 grados de libertad tal
con β 0 = 0 en el test de
significancia
βˆ1 − β1
T0 = ~ t n− 2
H 0 : β1 = 0 s 1 / S xx
β1 T0 > tα / 2 ,n− 2 βˆ1 ± tα / 2 ,n− 2 × s 1 / S xx
H1 : β1 ≠ 0 con β = 0 en el test de
1
significancia
9
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
NOTAS:
9 Si la pendiente es significativa, entonces la regresión lo es, es decir, la variabilidad en la variable respuesta explicada
por la regresión en X es significativa respecto a la variabilidad total observada.
9 Para otros Testes sobre los parámetros, β 0 y β1 toman los valores especificados en H0 en el estadístico de prueba
respectivo, y los criterios de rechazo se establecen según la desigualdad planteada en la hipótesis alternativa.
( )
Y1 , … , Yn , esto es, Ŷi = ∑ m j + c j xi Y j , con las constantes c j y m j como fueron especificadas previamente, bajo los
j =1
supuestos de normalidad e independencia, podemos afirmar que las variables Ŷi son variables aleatorias normales (mas no
independientes). Recuerde que Ŷi estima a μY |xi = E ⎡⎣Y | X = xi ⎤⎦ . Podemos hacer inferencias sobre esta media, así como
predecir un valor futuro Y0 de la respuesta en un valor fijo de X = x0 . Así, bajo los supuestos del modelo obtenemos:
(NOTA: s = MSE )
Ŷ0 − μY |x0
T0 = ~ t n− 2 1 ( x0 − x )
2
1 ( x0 − x )
2
ŷ0 ± tα / 2 ,n− 2 × s +
μY |x H 0 : μY |x0 = c s + n S xx
0
n S xx
con ŷ0 = βˆ 0 + βˆ1 x0
con Ŷ0 = βˆ 0 + βˆ1 x0 y μY |x0 = c
Intervalo de predicción
Cantidad Pronóstico Estadístico del (1-α)100%
Ŷ0 − Y0
1 ( x − x)
2
T0 = ~ tn− 2
1 ⎡ ŷ0 ± tα / 2 ,n− 2 × s 1 + + 0
+ ( x0 − x ) / S xx ⎤
2
Y0 Ŷ0 s 1+ n S xx
n ⎣ ⎦
10
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
Los intervalos de predicción estiman los posibles valores para un valor particular de la variable respuesta (no para su media)
en un valor X = x0 dado. Asumimos que en este valor particular tenemos un valor futuro de la variable aleatoria Y, y por
tanto, no es utilizado en la regresión. Por tanto, si Y0 es un valor futuro y Ŷ0 = βˆ 0 + βˆ1 x0 es su estimador, entonces estas
dos variables aleatorias son estadísticamente independientes, desde que Y0 no fue utilizado para hallar a β̂ 0 y β̂1 , de ahí
espera que la recta ajustada explique en forma significativa la variabilidad observada en Y . Dadas las condiciones de
normalidad, e independencia establecidas para los errores, es posible demostrar que:
n n n
∑( y − y ) = ∑ ( ˆyi − y ) + ∑ ( yi − ˆyi )
2 2 2
i
i =1 i =1 i =1
De donde:
En virtud de la anterior igualdad, podemos también establecer la siguiente identidad para los grados de libertad (g.l) de las
sumas de cuadrados:
g.l ( SST ) = g.l ( SSR ) + g.l ( SSE )
entonces ( n − 1) = g.l ( SSR ) + ( n − 2 )
Por tanto, g.l ( SSR ) = 1 . Si los errores del modelo son independientes, de varianza constante e idénticamente distribuidos
( )
como una N 0 ,σ 2 , entonces SSR / σ 2 y SSE / σ 2 se distribuyen como variables aleatorias ji-cuadrada con 1 y n-2
Sea MSR = SSR / g.l ( SSR ) = SSR y MSE = SSE / g.l ( SSE ) = SSE / ( n − 2 ) .
11
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
De lo anterior, bajo la hipótesis H 0 : β1 = 0 , es posible demostrar que el estadístico F0 = MSR / MSE se distribuye como
En el caso de la regresión lineal simple, la prueba sobre la significancia de la regresión (es decir, si la pendiente de la recta es
significativamente diferente de cero) puede realizarse mediante el análisis de varianza usando un valor crítico fα ,1,n− 2 de la
distribución F, y a un nivel de significancia de α rechazamos la hipótesis nula de que la variabilidad en la variable respuesta es
debida sólo al error aleatorio (para aceptar la hipótesis de que la regresión en x es significativa) si F0 > fα ,1,n− 2 .
El análisis de varianza suele presentarse en forma de tabla, conocida como tabla ANOVA, donde los cuadrados medios
corresponden a las sumas de cuadrados divididas por sus respectivos grados de libertad:
Análisis de varianza
Fuente de Suma de Grados de Cuadrado
variación cuadrados libertad medio F calculada
Regresión SSR 1 MSR F0=MSR/MSE
Error SSE n-2 MSE
Total SST n-1
También podemos evaluar el valor p de la prueba (significancia más pequeña que conduce al rechazo de H0) que es
igual a P ( f1,n − 2 > F 0 ) y determinamos si éste es “pequeño”, para rechazar la hipótesis: “el modelo lineal de Y en X no es
significativo para explicar la variabilidad de Y”. La conclusión obtenida por el análisis de varianza debe ser la misma que la
obtenida cuando se prueba la significancia de la pendiente de la recta de regresión.
12
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
9 Verificar si el modelo lineal es adecuado: Gráfico de residuos vs. X (chequear ausencia de patrones sistemáticos), test
de carencia de ajuste.
9 Verificar si los supuestos sobre el término de error se cumplen: Gráficos de probabilidad normal, gráficos de residuos
vs. valores predichos (chequear varianza constante y ausencia de patrones sistemáticos).
5. Para los modelos que pasen las pruebas en 4, interpretar los parámetros del modelo lineal ajustado (significado de los
valores de intercepto y de la pendiente a la luz de los datos).
6. Construir intervalos y realizar inferencias de interés
7. Hacer predicciones: Sólo dentro del rango de valores considerados para la variable predictora o valores cercanos a
dicho rango.
13
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
εˆ
εˆ
X X
(a) (b)
εˆ εˆ
ŶX ŶX
(c) (d)
εˆ εˆ
X2
X X2X
(e) (f)
εˆ
Figura 1: Patrones comunes en residuales. (a) y (b)
Presencia de un efecto cuadrático no incluido en el
modelo. (c) y (d) Varianza no constante del error. (e) y
(f) Efecto lineal de una variable omitida. (g) Modelo
X
Ŷ lineal apropiado y varianza constante
(g)
14
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
Otra forma de probar la no linealidad del modelo, es mediante el test de carencia de ajuste. Este test prueba que un tipo
específico de función de regresión ajusta adecuadamente a los datos. El test asume que los valores de Y dado X son:
9 independientes
9 se distribuyen en forma normal
9 tienen varianza constante
Esta prueba requiere que en uno o más valores de X haya más de una observación de Y. Los ensayos repetidos de manera
independiente para el mismo nivel de la variable predictora son denominados replicaciones.
Para explicar en qué consiste esta prueba, es necesario modificar la notación usada de la siguiente manera:
Yij La respuesta i-ésima en el j –ésimo nivel de X.
nj Número de observaciones de Y tomadas en el j-esimo nivel de X. Por tanto, el total de observaciones tomadas es
k
n = ∑ nj
j =1
( )
donde μ j = E Yij , es decir, es la media de la variable respuesta en el j-ésimo nivel de X.
Para el anterior modelo, los estimadores de máxima verosimilitud corresponden a μˆ j = Y j , es decir, la media muestral de Y
en el nivel j de X. Esta cantidad también corresponde al valor predicho para Y en el nivel j de X. Por tanto, la suma de
cuadrados del error del modelo general es dada por
k nj
( )
2
SSPE = ∑∑ Yij − Y j
j =1 i =1
15
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
que corresponde a la suma de cuadrados del error puro cuyos grados de libertad son n − k .
Se define ahora el modelo lineal reducido para la hipótesis nula de la prueba, el cual, para el caso de la regresión lineal es
E (Y | X ) = β 0 + β1 X . Luego la prueba formula que
H 0 : E ( Y | X ) = β 0 + β1 X
H1 : E ( Y | X ) ≠ β 0 + β 1 X
Es decir, H0 postula que μ j está relacionado linealmente a Xj, μ j = β 0 + β1 X j . Por tanto, el modelo reducido bajo H0 es:
Yij = β 0 + β1 X j + ε ij
que no es más que el modelo de regresión lineal para el cual la suma de cuadrados del error es
nj
( )
k 2
SSE = ∑∑ Yij − Yˆij
j =1 i =1
con Yˆij = Yˆ j = βˆ 0 + βˆ1 X j y los grados de libertad iguales a n − 2 . Observe que todas las observaciones de Y en el mismo
nivel j de X tienen igual valor ajustado Ŷ j , de ahí que se pueda escribir la anterior ecuación del SSE por
nj
( )
k 2
SSE = ∑∑ Yij − Yˆ j
j =1 i =1
( ) = ∑ n (Y )
k 2 k 2
SSLOF = SSE − SSPE = ∑∑ Y j − Yˆ j j j − Yˆ j
j =1 i =1 j =1
El estadístico de prueba es
SSLOF / ( k − 2 )
F0 = ~ f k − 2 ,n− k .
SSPE / ( n − k )
16
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
Se rechaza H0, a un nivel de significancia α si F0 > fα ,k − 2 ,n− 2 . En tal caso se concluye que el modelo de regresión no es
lineal en X. Observe que son necesarios más de dos niveles de valores en X para probar que el modelo de regresión es lineal.
En la tabla ANOVA puede presentarse el test de carencia de ajuste descomponiendo el SSE del modelo:
Análisis de varianza
Fuente de Suma de Grados de Cuadrado
variación cuadrados libertad medio F calculada
Regresión SSR 1 MSR F0=MSR/MSE
Error SSE n-2 MSE
Carencia de ajuste SSLOF k-2 MSLOF F0= MSLOF/ MSPE
Error Puro SSPE n-k MSPE
Total SST n-1
NOTAS:
9 En general, en el cálculo del SSPE sólo se utilizan aquellos niveles j de X en los cuales hay replicaciones.
9 E ( MSPE ) = σ 2 sin importar cuál sea la verdadera función de regresión.
9 En general, la prueba de carencia de ajuste puede aplicarse a otras funciones de regresión, sólo se requiere modificar
los grados de libertad del SSLOF, que en general corresponden a k − p , donde p es el número de parámetros en la
función de regresión. Para el caso específico de la regresión lineal simple, p=2.
9 Cuando se concluye que el modelo de regresión en H0 es apropiado, la práctica usual es usar el MSE y no el MSPE
como un estimador de la varianza, debido a que el primero tiene más grados de libertad.
9 Cualquier inferencia sobre los parámetros del modelo lineal, por ejemplo la prueba de significancia de la regresión,
sólo debe llevarse a cabo luego de haber probado que el modelo lineal es apropiado.
17
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
con las bandas de confianza del modelo de regresión; si la primera cae entre las segundas, entonces se tiene
evidencia de que el modelo ajustado es apropiado
factor de ponderación ω i , tomado en forma inversamente proporcional a la varianza de yi , esto es, la función de
n
mínimos cuadrados considerada es S ( β 0 , β1 ) = ∑ ω i ( yi − β 0 − β1 xi ) .
2
i =1
9 Usar transformaciones en Y que estabilicen la varianza. En algunos tipos de relaciones la asimetría y la varianza del
error se incrementan con la respuesta media. Cuando la transformación es logarítmica, a veces es necesario sumar
una constante a los valores de Y , específicamente cuando existen valores negativos. Se debe tener en cuenta
también que cuando la varianza no es constante pero la relación de regresión es lineal, no es suficiente transformar a
Y, pues en ese caso aunque se estabilice la varianza, también cambiará la relación lineal a una curvilínea y por ende,
se requerirá también una transformación en X ; sin embargo, este caso puede manejarse también usando mínimos
cuadrados ponderados.
18
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
zero. Note que esta prueba sólo detecta correlación entre observaciones sucesivas por tanto el no rechazar φ1 = 0 no implica
incorrelación entre observaciones separadas k > 1 unidades (en el tiempo u orden de observación).
RECUERDE QUE: Incorrelación no implica independencia estadística, pero independencia estadística implica incorrelación,
sin embargo si el par de variables incorrelacionadas se distribuyen conjuntamente en forma normal, entonces son
independientes!!!.
En general, mientras sea desconocido el orden de recolección u observación de los datos, asumimos como válido el supuesto
de independencia.
11.2.4 La no normalidad
En las pruebas de normalidad evaluamos:
H 0 : Los errores son normales vs.
H1 : Los errores no son normales,
La validación de esta prueba puede realizarse bien sea examinando los valores P arrojados por una prueba específica de
normalidad, como el test de Shapiro Wilk, o bien, mediante un gráfico de normalidad en cual se evalúa si la nube de puntos en
la escala normal se puede ajustar por una línea recta.
La carencia de normalidad frecuentemente va de la mano con la no homogeneidad de la varianza, por ello, a menudo una
misma transformación de los valores de Y, logra estabilizar la varianza y una aproximación a la normalidad. En estos casos se
debe usar primero una transformación que estabilice la varianza y evaluar si el supuesto de normalidad se cumple para los
datos transformados.
Entre las transformaciones que logran corregir la no normalidad se tienen las transformaciones de potencia Box-Cox Y λ , que
comprende la transformación de logaritmo natural (caso λ = 0 ). Otra solución es trabajar con métodos no paramétricos de
regresión.
19
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
Siempre y cuando un outlier sea originado por un error de registro, de cálculo o de medición éste debe ser eliminado. De otra
forma hay que proceder con cautela, porque es posible que tal tipo de observación contenga información valiosa sobre un
fenómeno especial que no ha sido capturado por el modelo.
transformadas. Ejemplos:
MODELO DENOMINACIÓN TRANSFORMACIÓN
20
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
NOTA:
9 Los modelos exponenciales y de potencia aditivos: Y = β 0 e β1 X + ε , y Y = β 0 X β1 + ε no son intrínsecamente
lineales.
9 El supuesto necesario es que cuando el término de error ε es transformado, esta variable transformada deberá ser
( )
iid N 0 ,σ 2 , por ello deben examinarse los residuales del modelo transformado.
9 Los parámetros del modelo original no lineal, se pueden estimar al destransformar, cuando resulte necesario, los
estimadores hallados para los parámetros del modelo transformado. En los casos con modelos exponenciales y de
potencia multiplicativos, si σ es pequeño se puede obtener un intervalo de confianza aproximado para la respuesta
media tomando antilogaritmos sobre los límites del intervalo hallado para la respuesta media para Y * . Sin embargo
cuando hacemos esto, en términos generales, estamos hallando un intervalo de confianza para la mediana de Y
(recordar la distribución lognormal).
9 Si el modelo lineal transformado satisface todas las suposiciones para la regresión lineal simple, las estimaciones de
los parámetros originales a través de transformaciones inversas resultan razonables aunque no insesgadas.
21
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
Lo anterior arroja la tabla de análisis de varianza y la tabla de parámetros estimados. Este programa básico puede modificarse
para obtener gráficos, intervalos residuales, etc. como se ilustra en el siguiente ejemplo:
El grabado con plasma es esencial para la transferencia de figuras de líneas finas en los procesos de fabricación de
semiconductores. En un experimento aleatorio se obtuvieron los siguientes datos sobre el flujo de cloro (variable X, en SCMM)
en el mecanismo grabador y la rapidez de grabado (Variable Y, en 100A/min). Los datos obtenidos se listan a continuación:
X Y X Y
1.5 23.0 1.5 24.5
2.0 25.0 2.5 30.0
2.5 33.5 3.0 40.0
3.5 40.5 3.5 47.0
4.0 49.0
DATA UNO;
INPUT X Y @@;
CARDS;
1.5 23 1.5 24.5 2 25 2.5 30 2.5 33.5
3 40 3.5 40.5 3.5 47 4 49
;
RUN;
22
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
23
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
t
c. Inversa de la matriz X X , parámetros estimados y SSE: obtenidos con la opción i en la línea de la declaración
MODEL. En esta matriz la última fila y la última columna son iguales y dan (de izquierda a derecha para la fila o de arriba hacia
d. Tabla de análisis de varianzas, con valor P para la prueba F de significancia de la regresión (Interprete resultados):
Análisis de varianza
Suma de Cuadrado
Fuente DF cuadrados medio F-Valor Pr > F
Modelo 1 730.69338 730.69338 112.76 <.0001
Error 7 45.36218 6.48031
Total corregido 8 776.05556
Raíz MSE 2.54565 R-cuadrado 0.9415
Media dependiente 34.72222 R-Cuad Adj 0.9332
Var Coeff 7.33146
e. Tabla de parámetros estimados con valores de estadísticos y valor P de las pruebas para significancia de los
parámetros. El modelo ajustado es Ŷ = 6.449 + 10.603 X (Interprete resultados):
Estimadores del parámetro
Estimador del Error
Variable DF parámetro estándar Valor t Pr > |t|
Intercept 1 6.44872 2.79457 2.31 0.0544
X 1 10.60256 0.99848 10.62 <.0001
f. Intervalo de confianza para los parámetros. Estos son obtenidos mediante la opción clb de la declaración MODEL
(Interprete resultados):
Estimadores del parámetro
Variable DF 95% Límites de confianza
Intercept 1 -0.15938 13.05682
X 1 8.24152 12.96360
g. Las siguientes salidas son obtenidas con opciones especificadas en la declaración MODEL: Valores ajustados o
predichos para Y (Predited Values) y error estándar de valores ajustados (Std Error Mean Predict) son obtenidos
con la opción p; límites de confianza para la respuesta media (CL Mean) se obtienen con la opción clm; límites de
predicción (CL Predict) se obtienen con la opción cli; residuales (Residual), error estándar de los residuales (Std
24
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
Error R), residuales estudentizados (Student Residual), y Distancia de Cook (Cook’s D) son obtenidos con la opción r.
Estas dos últimas medidas sirven para diagnosticar si hay observaciones extremas en los datos:
Estadísticos de salida
Variable Valor Error std
Obs depend predicho Media predicha 95% CL Media
1 23.0000 22.3526 1.4412 18.9447 25.7604
2 24.5000 22.3526 1.4412 18.9447 25.7604
3 25.0000 27.6538 1.0785 25.1036 30.2041
4 30.0000 32.9551 0.8647 30.9104 34.9998
5 33.5000 32.9551 0.8647 30.9104 34.9998
6 40.0000 38.2564 0.9115 36.1011 40.4117
7 40.5000 43.5577 1.1884 40.7475 46.3679
8 47.0000 43.5577 1.1884 40.7475 46.3679
9 49.0000 48.8590 1.5787 45.1258 52.5921
Error std Residual
Obs 95% CL Predicha Residual Residual de Student -2-1 0 1 2
1 15.4353 29.2698 0.6474 2.098 0.309 | | |
2 15.4353 29.2698 2.1474 2.098 1.023 | |** |
3 21.1164 34.1913 -2.6538 2.306 -1.151 | **| |
4 26.5978 39.3124 -2.9551 2.394 -1.234 | **| |
5 26.5978 39.3124 0.5449 2.394 0.228 | | |
6 31.8627 44.6501 1.7436 2.377 0.734 | |* |
7 36.9145 50.2009 -3.0577 2.251 -1.358 | **| |
8 36.9145 50.2009 3.4423 2.251 1.529 | |*** |
9 41.7759 55.9421 0.1410 1.997 0.0706 | | |
D
Obs de Cook
1 0.022
2 0.247
3 0.145
4 0.099
5 0.003
6 0.040
7 0.257
8 0.326
9 0.002
Suma de residuales 0
Suma de residuales cuadrados 45.36218
SS de Residual predicho (PRESS) 71.60967
Los gráficos producidos son (Analice relación Y vs. X y gráficos de residuales para validar supuestos de varianza y linealidad
del modelo en X)
25
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
Figura 2: Gráfico de dispersión con recta ajustada y bandas de confianza y de predicción del 95%. Este gráfico es obtenido con la declaración PLOT
y*x/conf95 pred95. Note que las bandas de predicción (L95 y U95) son más amplias que las de confianza (L95M y U95M), debido a que las
predicciones tienen una varianza mayor que los valores medios ajustados.
Figura 3: Gráfico residuales vs. valores predichos. Se obtienen con la declaración PLOT r.*p., el punto después de la p y de la r son parte de la
sintaxis. Note que con los pocos datos es difícil juzgar si la varianza es constante, aunque parece que tal supuesto es razonable.
26
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
Figura 4: Gráfico residuales vs. X obtenido con PLOT r.*x . Todos los gráficos de residuales pueden ser solicitados en la misma declaración plot.
El patrón exhibido en este último gráfico es similar al del gráfico anterior, indicando que no hay patrones sistemáticos que hagan pensar que el modelo
no es lineal en X.
Con el PROC UNIVARIATE se obtiene el gráfico de normalidad de los errores, al cual además se ha insertado los resultados
del test Shapiro Wilk (Analice linealidad del gráfico de normalidad y resultados del test)
Figura 5: Gráfico de normalidad de residuales. El patrón exhibido nos hace pensar que hay problemas con el supuesto de normalidad. Esto debe
mirarse con cautela, dado que aún con muestras normales se obtiene “no normalidad” en el gráfico de probabilidad cuando las muestras son pequeñas.
Pero por otra parte, el test de Shapiro Wilk arroja un valor del estadístico de prueba de 0.903111 con un valor P de 0.270584 con lo cual se acepta la
hipótesis de normalidad
27
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
datos<-data.frame(matrix(scan(),ncol=2,byrow=T))
1.5 23.0
2.0 25.0
2.5 33.5
3.5 40.5
4.0 49.0
1.5 24.5
2.5 30.0
3.0 40.0
3.5 47.0
b) Editar objeto de datos para cambiar nombres de columnas por X y Y respectivamente (sólo si se quiere hacer esto), en
la ventana de edición que aparece en pantalla luego de dar enter al final de la siguiente línea:
datos<-edit(datos) #al dar enter, abre la ventana donde modificamos los nombres de columna
X Y
1 1.5 23.0
2 2.0 25.0
3 2.5 33.5
4 3.5 40.5
5 4.0 49.0
6 1.5 24.5
7 2.5 30.0
8 3.0 40.0
9 3.5 47.0
28
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
c) Realizando la regresión lineal. Se asignan resultados de la función lm a un objeto R. Observe que la ecuación del
modelo se especifica por Y~1+X, usando los nombres de las variables como aparecen en el data frame datos. El 1 indica
regresión con intercepto, si se quiere regresión por el origen la ecuación es Y~-1+X.
regres1<-lm(Y~1+X,datos)
summary(regres1)
Call:
lm(formula = Y ~ 1 + X, data = datos)
Residuals:
Min 1Q Median 3Q Max
-3.0577 -2.6538 0.5449 1.7436 3.4423
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.4487 2.7946 2.308 0.0544 .
X 10.6026 0.9985 10.619 1.44e-05 ***
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
nf<-layout(rbind(c(1,1,2,2),c(3,3,4,4)))
plot(predict(regres1),residuals(regres1),xlab=expression(hat(y)),ylab="Residuales",main="Res
iduales vs. predichos")
abline(h=0,lty=2)
qqnorm(rstandard(regres1),ylab="Residuales estandarizados")
qqline(rstandard(regres1),lty=2)
plot(datos$X,residuals(regres1),xlab="X",ylab="Residuales",main="Residuales vs. X")
abline(h=0,lty=2)
plot(cooks.distance(regres1),type="h",xlab="No. obs",main="Gráfico Distancia de Cook")
par(oma=c(1,1,1,1),new=T,font=2)
mtext(outer=T, "Gráficos básicos de regresión simple",side=3)
29
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
X<-datos$X[order(datos$X)]
temp3<-predict(regres1,interval="prediction")
temp4<-predict(regres1,interval="confidence")
interval.pred<-temp3[order(datos$X),]
interval.conf<-temp4[order(datos$X),]
matriz<-as.matrix(cbind(X,interval.conf,interval.pred[,-1]))
matplot(matriz[,1],matriz[,-1],type="l",lty=c(1,2,2,3,3),lwd=2,xlab= "X",ylab=
"Y",col=c(1,2,2,4,4),main="Recta de regresión con intervalos de confianza y de predicción
del 95%",cex.main=1)
points(datos,type="p",pch=19)
legend(locator(1),c("Recta
ajustada","Interv.Conf","interv.Pred"),col=c(1,2,4),bty="n",lty=1:3,cex=0.8,lwd=2) #Hacer
click sobre gráfico resultante, donde se desea colocar leyenda de las líneas
30
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
h) Obtención de la prueba de normalidad Shapiro Wilk, sobre los errores del modelo:
shapiro.test(residuals(regres1))
data: residuals(regres1)
W = 0.9031, p-value = 0.2706
En SAS obtenemos el test de carencia de ajuste (Lack of Fit), mediante otro procedimiento de regresión, el PROC RSREG,
veamos:
PROC RSREG DATA=UNO;
MODEL Y=X/COVAR=1 LACKFIT;
RUN;QUIT;
De los resultados que produce este procedimiento sólo nos interesa los que aparecen en la siguiente salida SAS
RAPIDEZ DE GRABADO VS. FLUJO DE CLORO
The RSREG Procedure
Response Surface for Variable Y
Response Mean 34.722222
Root MSE 2.545646
R-Square 0.9415
Coefficient of Variation 7.3315
Suma de Cuadrado de
Residual DF cuadrados la media F-Valor Pr > F
Lack of Fit 4 16.987179 4.246795 0.45 0.7726
Pure Error 3 28.375000 9.458333
Total Error 7 45.362179 6.480311
31
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
En R el test de carencia de ajuste puede realizarse de la siguiente manera (Compare con resultados de SAS):
regres1<-lm(Y~X,datos) #Ajusta modelo de regresión y da el error total SSE
regres2<-lm(Y~factor(X),datos) #Ajusta modelo lineal general o completo y da su error puro
#SSPE
anova(regres1,regres2) #Compara los dos modelos anteriores y obtenemos el SSLOF, los grados
#de libertad correspondientes, estadístico de prueba F0 y el valor P
#correspondiente
Model 1: Y ~ X
Model 2: Y ~ factor(X)
Res.Df RSS Df Sum of Sq F Pr(>F)
1 7 45.362
2 3 28.375 4 16.987 0.449 0.7726
15. Problema
Considere el siguiente conjunto de pares de datos (X,Y) para una muestra de n=14.
X Y
110 235
110 198
110 173
230 174
230 149
230 124
360 115
360 130
360 102
360 95
505 122
505 112
505 98
505 96
Observe que la variable explicatoria X fue observada en cuatro niveles: 110, 230, 360 y 505, es decir, tenemos réplicas de la
variable respuesta en al menos un nivel de X.
En SAS usamos el siguiente programa para obtener los resultados y gráficos que se presentan luego.
OPTIONS nodate nocenter nonumber ps=60 ls=80;
GOPTIONS ftext=simplex ftitle=simplex htitle=1.3 htext=1.0 border;
data uno;
input x y @@;
cards;
32
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
33
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
Suma de Cuadrados
Residual DF cuadrados medios F-Valor Pr > F
Lack of Fit 2 2880.013219 1440.006609 3.30 0.0792
Pure Error 10 4361.000000 436.100000
Total Error 12 7241.013219 603.417768
Gráfico de Y. vs. X con línea de la recta ajusta Gráfico de residuales vs. Valores ajustados o predichos
34
Regresión Lineal Simple, Estadística II – 3006915 Prof. Nelfi González A. – Escuela de Estadística
Gráfico de residuales vs. valores de X Gráfico de normalidad para residuales, con información
sobre el test Shapiro-Wilk
1. Indique qué información nos proporciona el análisis del gráfico de Y vs. X acerca de:
a) El tipo de relación funcional entre Y vs. X (¿lineal o no lineal?)
b) El comportamiento de la varianza de Y en cada nivel de X observado ¿Es constante o no? ¿Si no es constante,
cómo cambia?
2. En la tabla del modelo ajustado determine lo siguiente
a) ¿Cuál es el modelo ajustado? (Escriba la ecuación con los parámetros ajustados).
b) Interprete los valores ajustados de los parámetros.
c) Realice la prueba de significancia de la regresión (mediante la tabla ANOVA)
d) Realice los test de significancia de cada parámetros (pruebas t).
3. Ahora considere Los gráficos de los residuales:
a) De acuerdo a los gráficos de residuales, determine si el supuesto de varianza constante para los respectivos
errores se cumple o no.
b) Ahora realice los test de normalidad sobre los errores del modelo, use e interprete los resultados del test de
Shapiro Wilk y el gráfico de probabilidad.
4. Considere de nuevo los gráficos de residuales vs. X y con las salidas para el test de carencia de ajuste del modelo,
determine si
a) ¿Hay carencia de ajuste del modelo postulado para la respectiva respuesta media? (Formule completamente el
test de hipótesis, el estadístico de prueba y los resultados)
b) Caso que exista carencia de ajuste ¿Qué modelos serían más apropiados? ¿Por qué?
Bibliografía
CANAVOS, George C. Probabilidad y Estadística. Aplicaciones y Métodos. McGraw-Hill,.
DEVORE, Jay L. Probabilidad y Estadística para Ingeniería y Ciencias. International Thomson.
NETER, N. et. Al. (1996) Applied Linear Statistical Models. Irwin.
35