0 calificaciones0% encontró este documento útil (0 votos)
56 vistas12 páginas
Este documento describe los modelos lineales generalizados (GLM) y la multicolinealidad. Explica que los GLM son una generalización de la regresión lineal que permite variables de respuesta con distribuciones de error distintas a la normal. Los GLM tienen tres componentes: aleatoria, sistemática y función link. También cubre ejemplos como la regresión logística y de Poisson. Finalmente, define la multicolinealidad como la dependencia lineal fuerte entre variables explicativas.
Este documento describe los modelos lineales generalizados (GLM) y la multicolinealidad. Explica que los GLM son una generalización de la regresión lineal que permite variables de respuesta con distribuciones de error distintas a la normal. Los GLM tienen tres componentes: aleatoria, sistemática y función link. También cubre ejemplos como la regresión logística y de Poisson. Finalmente, define la multicolinealidad como la dependencia lineal fuerte entre variables explicativas.
Este documento describe los modelos lineales generalizados (GLM) y la multicolinealidad. Explica que los GLM son una generalización de la regresión lineal que permite variables de respuesta con distribuciones de error distintas a la normal. Los GLM tienen tres componentes: aleatoria, sistemática y función link. También cubre ejemplos como la regresión logística y de Poisson. Finalmente, define la multicolinealidad como la dependencia lineal fuerte entre variables explicativas.
Modelos Lineales Generalizados (GLM) y Multicolinealidad
Moisés Ponce Méndez
Los problemas estadísticos son de dos clases:
• Descubrir qué cantidades son necesarias para la descripción
adecuada de una población, hecho que incluye la consideración de expresiones matemáticas para representar las distribuciones de frecuencia.
• Determinar cuanta información y de qué tipo respecto a tales
valores poblacionales se refleja en una o varias muestras aleatorias. R. Fisher (1921) John Nelder y Robert Wedderburn
formularon modelos lineales generalizados como una forma de
unificar otros modelos estadísticos, como la regresión lineal, la regresión logística y la regresión de Poisson. Modelos Lineales Generalizados (GLM)
En estadística, los (GLM) son una generalización flexible de la
regresión lineal ordinaria que permite variables de respuesta que tienen modelos de distribución de errores distintos de una distribución normal. Componentes de un modelo generalizado lineal (GLM)
Un modelo lineal generalizado tiene tres componentes básicos:
• Componente aleatoria: Identifica la variable respuesta y su distribución de pro-babilidad. • Componente sistemática: Especifica las variables explicativas (independientes o predictoras) utilizadas en la función predictora lineal. • Función link: Es una función del valor esperado de Y,E(Y), como una combinación lineal de las variables predictoras. Definición Modelo lineal generalizado (GLM)
Propuesta de análisis adecuada cuando las observaciones son
independientes pero las suposiciones sobre la Normalidad de la variable respuesta (y los errores) son incumplidas.
Nomenclatura para modelos lineales generalizados
• Regresión Logística • Regresión de Poisson Modelo ZIP • Regresión Binomial Negativa Para que sirven los GLM
• Para predecir la variable de respuesta (Y) en contextos de NO
normalidad y heterocedasticidad.
• Para inferir el efecto de covariables (X) en la respuesta (Y).
• Para modelar la distribución de (Y) condicional a (X).
Clasificación de los análisis Medición de factores agroecológicos
• Diversidad de palmas cultivadas
• Altura de las palma (m) • Sombra (%) • Edad de las palmas (años) • Temperatura • Humedad (%) • Área basal • Porcentaje de hierba en el suelo • Podas al año • Insecticidas (aplicaciones / año) Ejercicios (GLM) en “R” Multicolinealidad
La multicolinealidad es la relación de dependencia lineal fuerte
entre más de dos variables explicativas en una regresión múltiple que incumple el supuesto de Gauss-Markov cuando es exacta.