Documente Academic
Documente Profesional
Documente Cultură
El trmino regresin fue introducido por Galton en su libro Natural inheritance (1889) refirindose a la ley de la regresin universal:
Cada peculiaridad en un hombre es compartida por sus descendientes, pero en media, en un grado menor.
Regresin a la media
Su trabajo se centraba en la descripcin de los rasgos fsicos de los descendientes (una variable) a partir de los de sus padres (otra variable). Pearson (un amigo suyo) realiz un estudio con ms de 1000 registros de grupos familiares observando una relacin del tipo: Francis Galton
Altura del hijo = 85cm + 0,5 altura del padre (aprox.) Conclusin: los padres muy altos tienen tendencia a tener hijos que heredan parte de esta altura, aunque tienen tendencia a acercarse (regresar) a la media. Lo mismo puede decirse de los padres muy bajos.
Primo de Darwin Estadstico y aventurero Fundador (con otros) de la estadstica moderna para explicar las teoras de Darwin.
A la derecha tenemos una posible manera de recoger los datos obtenido observando dos variables en varios individuos de una muestra.
En cada fila tenemos los datos de un individuo Cada columna representa los valores que toma una variable sobre los mismos.
Altura en cm.
162
Peso en Kg.
61
154
180 158 171 169 166
60
78 62 66 60 54
Dichas observaciones pueden ser representadas en un diagrama de dispersin (scatterplot). En ellos, cada individuos es un punto cuyas coordenadas son los valores de las variables. Nuestro objetivo ser intentar reconocer a partir del mismo si hay relacin entre las variables, de qu tipo, y si es posible predecir el valor de una de ellas en funcin de la otra.
176
163 ...
84
68 ...
100 90 80 70 60
Pesa 50 kg. Mide 187 cm. Pesa 76 kg.
190
200
Ejemplo
Los datos corresponde a la estatura del padre (X) y la estatura del su hijo mayor (Y) para una muestra de padres e hijos son los siguientes:
Altura Padre
1.65 1.60 1.70 1.63 1.73 1.57 1.78 1.68 1.73 1.70 1.75 1.80
Altura Hijo
1.73 1.68 1.73
Altura Hijo
1,82 1,8 1,78 1,76 1,74 1,72 1,7 1,68 1,66 1,64 1,55
1,6
1,65
1,7
1,75
1,8
1,85
Altura Padre
170
180
190
200
100
Incorrelacin
90 80 70 60 50 40 30
140
150
160
170
180
190
200
140
150
160
170
180
190
200
Para valores de X por encima de la media tenemos valores de Y por encima y por debajo en proporciones similares. Incorrelacin.
Para los valores de X mayores que la media le corresponden valores de Y mayores tambin. Para los valores de X menores que la media le corresponden valores de Y menores tambin.
Esto se llama relacin directa o creciente entre X e Y. Para los valores de X mayores que la media le corresponden valores de Y menores. Esto es relacin inversa o decreciente.
100
Poca relacin
90 80 o 70 60
50
o
140 150 160 170 180 190 200
o30
Conocido X sabemos que Y se mueve por una horquilla estrecha. Buena relacin. Lo de horquilla estrecha hay que entenderlo con respecto a la dispersin que tiene la variable Y por si sola, cuando no se considera X.
40
Dado un valor de X no podemos decir gran cosa sobre Y. Mala relacin. Independencia.
La covarianza entre dos variables, Sxy, nos indica si la posible relacin entre dos variables es directa o inversa.
1 S xy ( xi x )( yi y ) n i
El signo de la covarianza nos dice si el aspecto de la nube de puntos es creciente o no, pero no nos dice nada sobre el grado de relacin entre las variables.
B1
SC xy SC x
2
B0 y B1 x
2
SCx x
( x ) n
SCxy xy
( x )( y ) n
Ejemplo
Los datos corresponde a la estatura del padre (X) y la estatura del su hijo mayor (Y) para una muestra de padres e hijos son los siguientes:
Estud. Calificacin en matemtica Pre Univ. (X) Calificacin en matemtica Universidad (Y)
1
2
53
35
76
57
3
4 5 6 7 8 9 10
76
29 48 58 65 22 44 40
99
74 90 93 83 53 79 66
La coeficiente de correlacin lineal de Pearson de dos variables, r, nos indica si los puntos tienen una tendencia a disponerse alineadamente (excluyendo rectas horizontales y verticales).
tiene el mismo signo que Sxy por tanto de su signo obtenemos el que la posible relacin sea directa o inversa. r es til para determinar si hay relacin lineal entre dos variables, pero no servir para otro tipo de relaciones (cuadrtica, logartmica,...)
S xy SxS y
Propiedades de r
Es adimensional Slo toma valores en [-1,1] Las variables son incorreladas r=0 Relacin lineal perfecta entre dos variables r=+1 o r=-1
Variables incorreladas
-1
+1
r=0,1
150 160 170 180 190 200
r=0,4
150 160 170 180 190 200
r=0,6
190 200
r=0,8
190 200
r=0,9
190 200
r=0,99
190 200
r=1
190 200
80 70 60 50 40 30 20
r=-0,5
150 160 170 180 190 200
10 0 140 80 70 60 50 40 30 20
r=-0,7
150 160 170 180 190 200
80 70 60 50 40 30 20 10 0 140
r=-0,95
150 160 170 180 190 200
10
r=-0,999
150 160 170 180 190 200
0 140
Preguntas frecuentes
Si r=0 eso quiere decir que no las variables son independientes? En la prctica, casi siempre s, pero no tiene por qu ser cierto en todos los casos. Lo contrario si es cierto: Independencia implica incorrelacin. Me ha salido r=12 la relacin es superlineal[sic]? Superqu? Eso es un error de clculo. Siempre debe tomar un valor entre -1 y +1. A partir de qu valores se considera que hay buena relacin lineal? Es difcil dar un valor concreto (mirad los grficos anteriores). Para este curso digamos que si |r|>0,7 hay buena relacin lineal y que si |r|>0,4 hay cierta relacin (por decir algo... la cosa es un poco ms complicada: observaciones anmalas,...)
Cuando las variables en vez de ser numricas son ordinales, es posible preguntarse sobre si hay algn tipo de correlacin entre ellas.
Disponemos para estos casos de dos estadsticos, aunque no los usaremos en clase: (ro) de Spearman (tau) de Kendall
No tenis que estudiar nada sobre ellos en este curso. Recordad slo que son estadsticos anlogos a r y que los encontrareis en publicaciones donde las variables no puedan considerarse numricas.
Charles Edward Spearman
Regresin
El anlisis de regresin sirve para predecir una medida en funcin de otra medida (o varias).
Y
= Variable dependiente
predicha explicada
predictora explicativa
= Variable independiente
Es
Y = f(X) + error
f es una funcin de un tipo determinado el error es aleatorio, pequeo, y no depende de X
Regresin
El ejemplo del estudio de la altura en grupos familiares de Pearson es del tipo que desarrollaremos en el resto del tema.
Se espera (predice) 85 + 0,5x200=185 cm. Alto, pero no tanto como el padre. Regresa a la media.
Se espera (predice) 85 + 0,5x120=145 cm. Bajo, pero no tanto como el padre. Regresa a la media.
buscamos encontrar una funcin de X muy simple (lineal) que nos permita aproximar Y mediante
Y e rara vez coincidirn por muy bueno que sea el modelo de regresin. A la cantidad
= b 0 + b 1X
b0=85 cm (No interpretar como altura de un hijo cuyo padre mide 0 cm Extrapolacin salvaje! b1=0,5 (En media el hijo gana 0,5 cm por cada cm del padre.)
b1=0,5
b0=85 cm
Cul es la mejor recta que sirve para predecir los valores de Y en funcin de los de X Qu error cometemos con dicha aproximacin (residual).
180 150 120 90 60 30 0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 210 220
b1=0,5
b0=85 cm
El modelo lineal de regresin se construye utilizando la tcnica de estimacin mnimo cuadrtica: Buscar b0, b1 de tal manera que se minimice la cantidad
i ei2
SY b1 r SX
b0 y b1 x
Se obtiene adems unas ventajas de regalo El error residual medio es nulo La varianza del error residual es mnima para dicha estimacin.
Traducido: En trmino medio no nos equivocamos. Cualquier otra estimacin que no cometa error en trmino medio, si es de tipo lineal, ser peor por presentar mayor variabilidad con respecto al error medio (que es cero).
Que el error medio de las predicciones sea nulo no quiere decir que las predicciones sean buenas.
Hay que encontrar un medio de expresar la bondad del ajuste (bondad de la prediccin)
No importa. Con los dos ltimos clientes me equivoqu en +10 y +20. En trmino medio el error es cero.
Interpretacin de la variabilidad en Y
En primer lugar olvidemos que existe la variable X. Veamos cul es la variabilidad en el eje Y. Y
La franja sombreada indica la zona donde varan los valores de Y. Proyeccin sobre el eje Y = olvidar X
Bondad de un ajuste
Resumiendo: La dispersin del error residual ser una fraccin de la dispersin original de Y Cuanto menor sea la dispersin del error residual mejor ser el ajuste de regresin. Eso hace que definamos como medida de bondad de un ajuste de regresin, o coeficiente de determinacin a: Y
S R 1 S
2
2 e 2 Y
S e2 SY2
por qu?
por qu?
R2 puede ser pesado de calcular en modelos de regresin general, pero en el modelo lineal simple, la expresin es de lo ms sencilla: R2=r2
Se pueden considerar otros tipos de modelos, en funcin del aspecto que presente el diagrama de dispersin (regresin no lineal)
Incluso se puede considerar el que una variable dependa de varias (regresin mltiple).
140
recta o parbola?
150
160
170
180
190
200
recta o cbica?
140
150
160
170
180
190
200
1 variable explicativa
Simple Lineal
Modelos de regresin
2+ variables explicativas
Mltiple
No lineal
Lineal
No lineal
En clase slo tratamos el modelo de regresin lineal simple. En todos los dems la bondad del ajuste se mide usando R2
No ajustaremos modelos a mano. Usaremos para ello SPSS.