Banner logo

Del 15 de abril al 15 de junio puedes participar de la campaña “Wiki por los

Derechos Humanos: el derecho a un ambiente sano”.
Súmate a traducir, crear y mejorar artículos sobre temas de ambiente, cambio
climático y biodiversidad

Modelo de efectos aleatorios

Ir a la navegaciónIr a la búsqueda

El texto que sigue es una traducción defectuosa. Si quieres colaborar con

Wikipedia, busca el artículo original y mejora esta traducción.
Copia y pega el siguiente código en la página de discusión del autor de este
artículo: {{subst:Aviso mal traducido|Modelo de efectos aleatorios}} ~~~~
En estadística, un modelo de efectos aleatorios, también conocido como modelo de
componentes de la varianza, es una especie de modelo lineal jerárquico. Se supone
que el conjunto de datos que se analiza consiste en una jerarquía de diferentes
poblaciones cuyas diferencias se refieren a esa jerarquía. En econometría, se
utilizaron modelos de efectos aleatorios en el análisis de la jerárquica o de datos
de panel cuando se supone no hay efectos fijos (que permite efectos individuales).
El modelo de efectos aleatorios es un caso especial del modelo de efectos fijos. En
contraste esto con las definiciones bioestadísticas,1234 que utilizan efectos
"fijos" y "al azar" para referirse, respectivamente, a los efectos de la media de
la población y de individuos específicos (donde la media de éstos generalmente se
asume como no conocida, por lo que se usan variables latentes).

Índice
1 Descripción cualitativa
2 Ejemplo
3 Los componentes de varianza
4 Referencias
Descripción cualitativa
Tales modelos ayudan en el control de la heterogeneidad no observada cuando esta
heterogeneidad es constante en el tiempo y correlacionado con variables
independientes. Esta constante puede ser retirada de los datos a través de
diferenciación, por ejemplo mediante la adopción de una primera diferencia, lo que
eliminará cualquier componente invariante en el tiempo del modelo.

Hay dos supuestos comunes realizados sobre el efecto específico individual, el

supuesto de efectos aleatorios y el supuesto de efectos fijos. El supuesto de
efectos aleatorios (hecho en un modelo de efectos aleatorios) es que los efectos
específicos individuales no están correlacionados con las variables independientes.
El efecto supuesto de fijo es que el efecto específico individuo está
correlacionada con las variables independientes. Si el supuesto de efectos
aleatorios sostiene, el modelo de efectos aleatorios es más eficiente que el modelo
de efectos fijos. Sin embargo, si esta hipótesis no se sostiene (es decir, si la
prueba de Durbin-Watson falla), el modelo de efectos aleatorios no es consistente.

Ejemplo
Supongamos que hay m grandes escuelas primarias, las cuales son elegidas al azar de
entre las miles que hay en un país grande. Supongamos también que n alumnos de la
misma edad son elegidos al azar en cada escuela seleccionada. Sus puntuaciones en
una prueba de aptitud estándar se determinan. SeaYij la puntuación del j alumno en
la i escuela. Una manera simple para modelar las relaciones de estas cantidades es

{\displaystyle Y_{ij}=\mu +U_{i}+W_{ij},\,}{\displaystyle Y_{ij}=\mu +U_{i}

+W_{ij},\,}
donde μ es la puntuación media de prueba para toda la población. En este modelo U i
es el efecto aleatorio de la escuela específica: mide la diferencia entre la
puntuación media en la escuela i y el puntaje promedio en todo el país y que es
"aleatorio" porque la escuela ha sido seleccionada al azar de una población mayor
de escuelas. El término, W ij es el error-individuo específico. Es decir, es la
desviación de la puntuación de la j-ésima del alumno de la media de la escuela i.
De nuevo, esto es considerado como aleatorio, debido a la selección aleatoria de
los alumnos dentro de la escuela, a pesar de que es una cantidad fija para
cualquier alumno determinado.

El modelo se puede aumentar mediante la inclusión de variables explicativas

adicionales, que capten las diferencias en las puntuaciones entre los diferentes
grupos. Por ejemplo:

{\displaystyle Y_{ij}=\mu +\beta _{1}\mathrm {Sex} _{ij}+\beta _{2}\mathrm {Race}

_{ij}+\beta _{3}\mathrm {ParentsEduc} _{ij}+U_{i}+W_{ij},\,}{\displaystyle Y_{ij}=\
mu +\beta _{1}\mathrm {Sex} _{ij}+\beta _{2}\mathrm {Race} _{ij}+\beta _{3}\mathrm
{ParentsEduc} _{ij}+U_{i}+W_{ij},\,}
donde Sexo ij es la variable dummy para niños / niñas, ij raza es la variable
ficticia para los alumnos blancos / negro, y ParentsEduc ij registra el nivel
promedio de educación de los padres del niño. Se trata de un modelo mixto , no un
modelo de efectos puramente aleatorios.

Los componentes de varianza

La varianza de Y ij es la suma de las varianzas τ 2 y σ 2 de U y W i ij
respectivamente.

Deje

{\displaystyle {\overline {Y}}_{i\bullet }={\frac {1}{n}}\sum _{j=1}^{n}Y_{ij}}{\

displaystyle {\overline {Y}}_{i\bullet }={\frac {1}{n}}\sum _{j=1}^{n}Y_{ij}}
igual a la media, no de todos los resultados de la i ª escuela, pero de los que
están en la i ª escuela que se incluyen en la muestra aleatoria. Sea

{\displaystyle {\overline {Y}}_{\bullet \bullet }={\frac {1}{mn}}\sum _{i=1}^{m}\

sum _{j=1}^{n}Y_{ij}}{\displaystyle {\overline {Y}}_{\bullet \bullet }={\frac {1}
{mn}}\sum _{i=1}^{m}\sum _{j=1}^{n}Y_{ij}}
ser el "gran promedio".

Sea

{\displaystyle SSW=\sum _{i=1}^{m}\sum _{j=1}^{n}(Y_{ij}-{\overline {Y}}_{i\

bullet })^{2}\,}{\displaystyle SSW=\sum _{i=1}^{m}\sum _{j=1}^{n}(Y_{ij}-{\overline
{Y}}_{i\bullet })^{2}\,}
{\displaystyle SSB=n\sum _{i=1}^{m}({\overline {Y}}_{i\bullet }-{\overline {Y}}_{\
bullet \bullet })^{2}\,}{\displaystyle SSB=n\sum _{i=1}^{m}({\overline {Y}}_{i\
bullet }-{\overline {Y}}_{\bullet \bullet })^{2}\,}
ser, respectivamente, la suma de cuadrados debido a las diferencias dentro de los
grupos y la suma de cuadrados debido a la diferencia entre los grupos. Entonces se
puede demostrar que:

{\displaystyle {\frac {1}{m(n-1)}}E(SSW)=\sigma ^{2}}{\displaystyle {\frac {1}{m(n-

1)}}E(SSW)=\sigma ^{2}}
y

{\displaystyle {\frac {1}{(m-1)n}}E(SSB)={\frac {\sigma ^{2}}{n}}+\tau ^{2}.}{\

displaystyle {\frac {1}{(m-1)n}}E(SSB)={\frac {\sigma ^{2}}{n}}+\tau ^{2}.}
Estos " cuadrados medios esperados "pueden ser utilizados como base para la
estimación de los "componentes de la varianza" σ 2 y τ 2. Insesgadez
Referencias
Diggle, Peter J.; Heagerty, Patrick; Liang, Kung-Yee; Zeger, Scott L. (2002).
Analysis of Longitudinal Data (2nd edición). Oxford University Press. pp. 169–171.
ISBN 0-19-852484-6.
Fitzmaurice, Garrett M.; Laird, Nan M.; Ware, James H. (2004). Applied
Longitudinal Analysis. Hoboken: John Wiley & Sons. pp. 326–328. ISBN 0-471-21487-6.
Laird, Nan M.; Ware, James H. (1982). «Random-Effects Models for Longitudinal
Data». Biometrics 38 (4): 963-974. JSTOR 2529876.
Gardiner, Joseph C.; Luo, Zhehui; Roman, Lee Anne (2009). «Fixed effects, random
effects and GEE: What are the differences?». Statistics in Medicine 28: 221-239.
doi:10.1002/sim.3478.
Control de autoridades
Proyectos WikimediaWd Datos: Q1826427
Categorías: EconometríaAnálisis de la varianza
Menú de navegación
No has accedido
Discusión
Contribuciones
Crear una cuenta
Acceder
ArtículoDiscusión
LeerEditarVer historial
Buscar
Buscar en Wikipedia
Portada
Portal de la comunidad
Actualidad
Cambios recientes
Páginas nuevas
Página aleatoria
Ayuda
Donaciones
Notificar un error
Herramientas
Lo que enlaza aquí
Cambios en enlazadas
Subir archivo
Páginas especiales
Enlace permanente
Información de la página
Citar esta página
Elemento de Wikidata
Imprimir/exportar
Crear un libro
Descargar como PDF
Versión para imprimir

En otros idiomas
English
日本語
粵語
Editar enlaces
Esta página se editó por última vez el 21 ago 2021 a las 10:36.
El texto está disponible bajo la Licencia Creative Commons Atribución Compartir
Igual 3.0; pueden aplicarse cláusulas adicionales. Al usar este sitio, usted acepta
nuestros términos de uso y nuestra política de privacidad.
Wikipedia® es una marca registrada de la Fundación Wikimedia, Inc., una
organización sin ánimo de lucro.
Política de privacidadAcerca de WikipediaLimitación de responsabilidadVersión para
móvilesDesarrolladoresEstadísticasDeclaración de cookiesWikimedia FoundationPowered
by MediaWiki