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:
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.
Francis Galton
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.
Pesa 76 kg.
50 40 30 140
200
3
60
eso el p
a ent aum
n la co
160
170
180
190
200
10 kg.
10 cm.
150 160 170 180 190 200
Incorrelacin
90 80 70 60 50 40
30 140
150
160
170
180
190
200
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 70 60 50 40
30 140
150
160
170
180
190
200
Dado un valor de X no podemos decir gran cosa sobre Y. Mala relacin. Independencia.
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.
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.
8
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,...)
r=
S xy SxS y
9
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.
Excluimos los casos de puntos alineados horiz. o verticalmente.
Variables incorreladas
-1
+1
10
r=0,1
150 160 170 180 190 200
r=0,4
150 160 170 180 190 200
100 90 80 70 60 50
r=0,6
190 200
r=0,8
190 200
11
r=0,9
190 200
r=0,99
190 200
r=1
190 200
12
80 70 60 50 40 30 20 10 0 140
r=-0,5
r=-0,7
150 160 170 180 190 200
80 70 60 50 40 30 20 10 0 140
r=-0,95
150
r=-0,999
150 160 170 180 190 200
0 140
13
Si r = 0 eso quiere decir que 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 = 1,2 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,...)
14
X = Variable independiente
predictora, controlada, no es una variable aleatoria. explicativa
buscamos encontrar una funcin de X muy simple (lineal) que nos permita aproximar Y mediante = b0 + b1X
b0 (ordenada en el origen, constante) b1 (pendiente de la recta)
Y e rara vez coincidirn por muy bueno que sea el modelo de regresin. A la cantidad e = Y- se le denomina residuo o error residual.
17
= b0 + b1X
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
20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 210 220
18
b1=0,5
b0=85 cm
20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 210 220
19
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 = i (Yi - )2
Se comprueba que para lograr dicho resultado basta con elegir:
b1 = r
Sy Sx
b0 = y b1 x
r=
S xy SxS y
y = y + b1 ( x x )
Se obtiene adems unas ventajas de regalo: El error residual medio es nulo. La varianza del error residual es mnima para dicha estimacin.
20
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.
21
22
Interpretacin de la variabilidad en Y
En primer lugar olvidemos que existe la variable X. Veamos cul es la variabilidad en el eje Y. La franja sombreada indica la zona donde varan los valores de Y. Proyeccin sobre el eje Y = olvidar X.
Y
23
24
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 <25 S
2 e
2 Y