Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PRACTICAS 1 Y 2 – SEMANA 11
ANÁLISIS DE REGRESIÓN II
ALUMNOS
ASESORES:
GRUPO: 03
TAREA 01 – SEMANA 11
Ejercicio 1:
Explique y ejemplifique a los modelos de regresión intrínsecamente lineales e
intrínsecamente no lineales.
Sol:
REGRESIÓN INTRÍNSECAMENTE LINEALES
Los modelos intrínsecamente lineales son susceptibles de ser linealizados
mediante sencillas transformaciones matemáticas, de tal manera que les
pueden ser aplicados los métodos de estimación e inferencia propios de las
regresiones lineales.
Suponiendo que el modelo intrínsecamente lineal, una vez transformado en
un modelo lineal, cumple las hipótesis clásicas, el método de estimación
adecuado a aplicar es el de mínimos cuadrados ordinarios.
Este procedimiento consiste en minimizar la suma de los cuadrados de los
residuos definidos como la diferencia entre el verdadero valor y la estimación
de la endógena estimada, lo cual resulta en la obtención del estimador de
mínimos cuadrados ordinarios, cuya expresión matricial es la siguiente:
2
INGENIERÍA
Su expresión es la siguiente:
Y = A[δK-β+(1-δ) L-β]-v/β
donde 𝑌 representa la producción, 𝐾 el factor capital, 𝐿 el recurso productivo
trabajo, 𝐴 es el parámetro de eficiencia referente al estado de la tecnología,
𝛿 el denominado parámetro de distribución que indica la participación
relativa de cada factor en la producción, 𝛽 el parámetro de sustitución y 𝑣 el
parámetro relativo a los rendimientos a escala.
Ejercicio 2:
Explique el ejemplo 01 del módulo de aprendizaje. Pág. 3 al 5
Sol:
Ejemplo 01.- Comisiones por consultoría y tamaño de los activos
3
INGENIERÍA
4
INGENIERÍA
Ejercicio 3:
Explique el ejemplo 02 del módulo de aprendizaje. Pág. 6.
Sol:
Ejemplo 02.-La tabla que se presenta a continuación tiene datos reales sobre el PIB,
trabajo y capital de México de 1955 a 1974.
5
INGENIERÍA
Ejercicio 4:
Explique el ejemplo 03 del módulo de aprendizaje. Pág. 7 al 9.
Sol:
Ejemplo 03.-Los datos de la tabla corresponden a la población de Estados Unidos (en
millones de personas) de 1970 a 2007.
6
INGENIERÍA
Se puede medir algunas poblaciones con un modelo logístico del siguiente tipo:
Dónde:
Y = población, en millones
t = tiempo (medido cronológicamente)
β son los parámetros.
Este modelo es no lineal en los parámetros; no existe una manera sencilla de
convertirlo en un modelo lineal en los parámetros. Por tanto, es necesario un
método de estimación no lineal para estimar los parámetros. Observe una
característica interesante de este modelo: a pesar de que sólo tiene dos variables,
población y tiempo, hay tres parámetros desconocidos, lo cual muestra que en un
MRNL puede haber más parámetros que variables. Un intento por ajustar dicha
ecuación a los datos no tuvo éxito, porque todos los coeficientes estimados fueron
estadísticamente insignificantes. Tal vez esto no deba sorprender, pues, si se grafica
la población contra el tiempo, se obtiene la figura.
Esta figura demuestra una relación casi lineal entre las dos variables.
Si se grafica el logaritmo de la población contra el tiempo, se obtiene la siguiente
figura:
7
INGENIERÍA
Esta tabla muestra que, de 1970 a 2007, la población de Estados Unidos creció con
una tasa aproximada de 1.06 por ciento anual.
El valor R2 de 0.998 revela un ajuste casi perfecto. Este ejemplo pone de manifiesto
un punto importante: a veces, un modelo lineal (en los parámetros) es preferible a
uno no lineal (en los parámetros).
Ejercicio 5:
Analice y explique el contenido del link: 37.-CAPÍTULO IX - ANÁLISIS DE REGRESIÓN
NO LINEAL
Sol:
8
INGENIERÍA
9
INGENIERÍA
10
INGENIERÍA
11
INGENIERÍA
Ejercicio 6:
Analizar y explicar: Ver link pág. 89-101
Sol:
En el presente artículo se pretende dar una visión general de lo que es la regresión
no lineal, para esto, se tratan aspectos tales como: la no linealidad de un modelo, la
forma de saber si un modelo es lineal o no, también se discute la forma de estimar
los parámetros en este tipo de modelos, así como sus propiedades asintóticas y la-
construcción asintótica de intervalos de confianza y pruebas de hipótesis.
MODELOS NO LINEALES
Un modelo se puede definir como una ecuación o conjunto de ecuaciones que
describen el comportamiento de algún sistema. Hay fenómenos observables que no
pueden ser explicados por modelos lineales, por ejemplo, el desarrollo de una teoría
en la química o la física, en tales situaciones un modelo no lineal en los parámetros
se puede ajustar mejor.
12
INGENIERÍA
Para alguna función gi que depende solo de los valores de () pero no de los valores
de θ (parámetros). Por consecuente los modelos que no tengan esta forma son no
lineales.
La linealidad o no linealidad del modelo se determina por la forma en que entran los
parámetros al modelo por la forma en que entran las variables, por ejemplo, una
ecuación cuadrática.
Una forma sencilla de ver si un modelo es lineal o no, es examinando las derivadas
de f con respecto a cada uno de los parámetros θi.
REGRESIÓN NO LINEAL
Se usa cuando se quieren estimar los parámetros de un modelo no lineal que
relaciona una respuesta Y con algunas variables control predictoras.
Los modelos no lineales se originan cuando un investigador obtiene, por el desarrollo
de una teoría o por otra situación, una relación funcional en la que los parámetros
son no lineales.
ETAPAS BASICAS
1. Con los datos obtenidos de Y y ζu y con la función de respuesta f (θ, ζ),
encontrar estimaciones iniciales para el vector de parámetros, o sea, obtener
θ0.
2. Usando la información de (1), obtener las estimaciones de mínimos
cuadrados para θ y producir un resumen de estadísticas por aproximación
lineal.
3. Mirar si el modelo ajustado es adecuado, si las estimaciones de los
parámetros son significativas examinando los residuales y las estimaciones de
los parámetros como en regresión lineal.
ESTIMACIÓN DE PARAMETROS
La estimación de parámetros en un modelo no lineal como se anotó anteriormente
lleva implícito el uso de métodos numéricos, en esta sección se presentarán dos
algoritmos de estimación, las cuales son:
1. Método de Gauss-Newton: Este método usa los resultados de los mínimos
cuadrados lineales en varias etapas.
13
INGENIERÍA
14
INGENIERÍA
Ejercicio 7:
Analizar y explicar: ESTIMACIÓN DE MODELOS NO LINEALES ALFONSO NOVALES
DEPARTAMENTO DE ECONOMÌA CUANTITATIVA UNIVERSIDAD COMPLUTENSE
Ver link: https://www.ucm.es/data/cont/media/www/pag-
41459/Modelos%20no%20lineales.pdf
Sol:
ESTIMACIÓN DE MODELOS NO LINEALES
El interés de un modelo no lineal es que rompe con una limitación del modelo lineal,
que es que el efecto de un cambio unitario en una variable explicativa xt sobre la
variable dependiente, es constante: 𝑑𝑦𝑡 ⁄𝑑𝑥𝑡 = 𝛽.
1) MODELO POTENCIAL
15
INGENIERÍA
16
INGENIERÍA
17
INGENIERÍA
3) Simulación de modelos
3.1. Simulación de un modelo de regresión por umbrales: Para simular una
regresión por umbrales, debemos utilizar una variable aleatoria que nos
indique en qué régimen estamos en cada período. Consideremos que
hemos estimado un modelo autoregresivo:
Con:
18
INGENIERÍA
Ejercicio 8:
Analizar y explicar: MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU
APLICACIÓN EN PROBLEMAS DE INGENIERÍA 1 Claudia Minnaard Facultad de
Ingeniería. Universidad Nacional de Lomas de Zamora
Ver link:
https://digital.cic.gba.gob.ar/bitstream/handle/11746/4750/11746_4750.pdf-
PDFA.pdf?sequence=1&isAllowed=y
Sol:
19
INGENIERÍA
REGRESIÓN LINEAL
Aplicamos el método de mínimos cuadrados en el siguiente ejemplo.
Graficamos, y obtenemos:
20
INGENIERÍA
ANÁLISIS DE LA VARIANZA
Siendo y = a + bx la recta de regresión lineal, el parámetro b se llama coeficiente de
regresión. Su valor expresa el incremento de y cuando x aumenta una unidad. Si b
toma un valor positivo, la variable y crece al crecer x, y en consecuencia la recta es
creciente, lo que indica que la dependencia entre las variables es directa.
Si b toma un valor negativo, la variable y decrece al crecer x, y en consecuencia la
recta es decreciente, lo que indica que la dependencia entre las variables es inversa.
Si b = 0, la recta es horizontal y no hay dependencia entre las variables, ya que las
variaciones de x no provocan variación de y.
Usando el software XLStat, aplicamos el análisis de la varianza:
EL COEFICIENTE DE DETERMINACIÓN
Se define el coeficiente de determinación como la parte relativa de la variación total
que viene explicada por el modelo.
21
INGENIERÍA
REGRESIONES NO LINEALES
22
INGENIERÍA
Con lo hallado podemos observar que las regresiones son muy buenas, ya que en
todos los casos se observa un R2 > 0.90.
El mejor ajuste es a través de una función exponencial (R2 = 0,978), seguido por la
regresión cuadrática (R2 = 0,971), si bien se puede observar que los dos valores
anteriores están muy cerca uno del otro.
Con todo lo obtenido anteriormente se puede concluir que la aplicación de distintas
regresiones sobre un mismo problema nos permite realizar comparaciones, sin
limitarse solamente al caso lineal.
La facilidad de que nos brindan las nuevas tecnologías permiten en poco tiempo
efectuar comparaciones que nos permitan la correcta elección de un modelo
adecuado, que describa los datos en problemas de ingeniería, así como nos
proporciona elementos de juicio suficientes para la toma de decisiones en
condiciones de incertidumbre.
Ejercicio 9:
Analizar y explicar: USANDO MINITAB
Ver link: Regresión no lineal - Bing video
23
INGENIERÍA
Sol:
Un ingeniero que labora en una distribuidora eléctrica, desea encontrar un modelo
de regresión lineal que le permita predecir el consumo de electricidad en su localidad
a partir de las temperaturas mínimas que se pronostican para el día siguiente. Los
datos de la temperatura y el consumo real son los siguiente:
TEMPERATURA CONSUMO
10 12,5
7 14
13 11
25 5,5
7,5 14,5
18,5 9
15,5 10,5
28 8,5
14,5 10
20 9,5
24
INGENIERÍA
Los datos presentan una tendencia no lineal por la forma de los puntos.
25
INGENIERÍA
Modelo exponencial:
Modelo potencia:
26
INGENIERÍA
𝑯𝟎 = 𝞫𝟐 = 𝟎
𝑯𝟏 = 𝞫𝟐 ≠ 𝟎
Decisión: No se rechaza Ho dado que p-valor = 0.091 > 0.06
Conclusión: Con un nivel de significancia del 6% el modelo cuadrático no es
válido.
𝑯𝟎 = 𝞫𝟏 = 𝟎
𝑯𝟏 = 𝞫𝟏 ≠ 𝟎
Decisión: Se rechaza Ho dado que p-valor = 0.001 < 0.06
Conclusión: Con un nivel de significancia del 6% el modelo potencia es válido,
por lo tanto, el ingeniero elegiría el modelo potencia.
27
INGENIERÍA
Remplazando:
9. Otra consideración
(Trabajar con el modelo exponencial)
28