Beruflich Dokumente
Kultur Dokumente
Agenda
1. Introduccin al anlisis de regresin mltiple
2. Anlisis de regresin con software
3. Eleccin de las variables del modelo
4. Caso de estudio
5. Asignacin de tarea
8/21/12
Anlisis Multivariante
En un sentido amplio se refiere a todos los mtodos
estadsticos que analizan simultneamente medidas
mltiples de cada individuo u objeto de investigacin.
Es el conjunto de tcnicas estadsticas de anlisis de
datos
8/21/12
8/21/12
Anlisis multivariante
Variables
independie
ntes
Ponderacio
nes
Valor
terico
Valor terico
Donde las wi son las ponderaciones de cada variable, que
reflejan la influencia de cada una de ellas sobre el valor terico
en su conjunto.
8/21/12
&"# y ! (!
i
8/21/12
! y = nb + b ! x + b ! x
!x y = b !x + b !x + b !x x
!x y = b !x + b !x x + b !x
0
2
1
1 2
1 2
2
2
De qu estamos hablando?
Ejemplo
Los siguientes datos se refieren al nmero de
torceduras requeridas para romper una barra
hecha con una cierta aleacin forjada y a los
porcentajes de dos elementos aleantes presentes
en el metal:
8/21/12
# Torceduras (y)
% elemento A (x1)
% elemento B (x2)
41
49
69
65
40
10
50
10
58
10
57
10
31
15
36
15
44
15
57
15
19
20
31
20
33
20
43
20
!x
!x
= 40
= 200
! x = 120
! x x = 500
2
1
! y = 723
! x y = 1963
1
! x y = 8210
2
1 2
!x
2
2
= 3000
8/21/12
8/21/12
8/21/12
Caso de estudio
Durante cierta ciruga el mdico puede requerir bajar la
presin arterial del paciente por medio de la aplicacin de
cierta droga. Despus de finalizada la ciruga, regresar la
presin arterial del paciente a la normalidad depende de
la dosis de droga administrada y el promedio de presin
sistlica que el paciente mostr durante la operacin.
La administracin del hospital y los mdicos desean estudiar
la relacin entre la dosis de una nueva droga, el promedio
de presin sistlica durante la operacin y el tiempo que
toma la presin arterial del paciente en regresar a la
normalidad, una vez que ha cesado la aplicacin de la
droga.
10
8/21/12
11
8/21/12
4.
12
8/21/12
Comprobacin de supuestos
13
8/21/12
14
8/21/12
15
8/21/12
16
8/21/12
17
8/21/12
Recomendaciones para
construccin del modelo
1. Identifique adecuadamente su objetivo de anlisis u
investigacin
2. Identifique todos los posibles candidatos de predictores.
3. Use procedimientos de seleccin de predictores para
encontrar el balance entre modelos sub especificados y
modelos con variables extraas o redundantes.
4. Ajuste adecuadamente el modelo (detalles de
residuales, interacciones, escalas, etc).
18
8/21/12
19
8/21/12
Ejemplo
Investigadores estn interesados en conocer cmo la composicin
qumica del cemento afecta la evolucin del calor durante el
endurecimiento del cemento. La variable respuesta y es: Evolucin
del calor en caloras durante el calentamiento del cemento, en una
base por gramo. Y las posibles variables regresoras son:
X1= % de aluminio tri calcio
X2 = % de Silicato tri calcio
X3 = % de Aluminio ferrita tri calcio
X4= % de Silicato bi calcio
20
8/21/12
El procedimiento
Recordemos:
Empezamos sin predictores y los agregamos y retiramos
basados en los resultados parciales de la prueba F, es
decir, los resultados de la prueba T de los parmetros
que son obtenidos hasta el momento. Nos detenemos
cuando no es justificables eliminar o agregar
predictores.
21
8/21/12
Paso 1
Calcule la regresin de manera independiente de cada
predictor (xn) con respecto a la variable respuesta (y).
De los predictores que tengan un valor P de la prueba T
ms pequeo que 0.15, escoja al menor para incluirlo en
el modelo progresivo.
Si ninguno es ms pequeo que 0.15, detngase.
Paso 2
Supongamos que x1 fue la variable regresora ms pequea
de aquellas con el valor P menor que 0,15 en el paso 1. Es
decir el mejor predictor.
Ajuste cada pareja posibles de predictores utilizando x1, es
decir: x1 y x2; x1 y x3; . x1 y xp-1.
La pareja de predictores que tengan un valor P de la
prueba T ms pequeo que 0.15, escoja al menor para
incluirlo en el modelo progresivo.
Si ninguno es ms pequeo que 0.15, detngase, el modelo
con un predictor obtenido en el paso 1 es su modelo final.
22
8/21/12
Paso 2. Continuacin
Supongamos que x2 fue el mejor segundo predictor y
super el valor p para ingresar en el modelo.
Se debe verificar si la inclusin del predictor x2 afecta
de alguna manera al predictor x1.
Es decir, si el valor P para la prueba T de x1 es ms
grande que 0,15, entonces debe removerse x1
Paso 3
Supongamos que x1y x2 estn dentro de un modelo
progresivo de dos predictores.
Ajuste cada uno de los modelos de tres variables
predictoras restantes, es decir: x1, x2, y x3; x1, x2, y x4; x1,x2, y
x5; x1,x2 y xp-1.
De los tros de predictores que tengan un valor P de la
prueba T ms pequeo que 0.15, escoja al menor para
incluirlo en el modelo progresivo.
Si ninguno es ms pequeo que 0.15, detngase, el modelo
con un predictor obtenido en el paso 1 es su modelo final.
23
8/21/12
Paso 3. Continuacin
Supongamos que x3 fue el mejor tercer predictor y
super el valor p para ingresar en el modelo.
Se debe verificar si la inclusin del predictor x3 afecta
de alguna manera a los predictores x1 y x2.
Es decir, si el valor P para la prueba T de x1 o x2 es ms
grande que 0,15, entonces debe removerse x1 o x2.
24
8/21/12
Ejemplo
Retomamos el ejemplo de los cementos explicado
anteriormente
Se ajusta los valores de nivel de significancia de entrada
y salida en el modelo en 0,15.
Se calculan las regresiones de cada variable predictora
independientemente.
Ejemplo
25
8/21/12
Ejemplo. Paso 2
X2 no es
elegible.
X1 y x4 estn
empatadas
cmo efecto
de Minitab. El
valor p ms
pequeo
corresponde
a x1.
Ejemplo. Paso 2
Cmo ya se tena un predictor, se debe verificar su nivel
de significancia.
Cmo este nivel de significancia es 0.001, ambas
variables se mantienen en el modelo.
Se continua al paso 3.
26
8/21/12
Ejemplo. Paso 3
Ejemplo. Paso 3
Cuando el predictor x2 ingresa en el modelo, el valor P
de x4 aumenta a 0,205.
Por esta razn el predictor x4 debe salir del modelo.
27
8/21/12
Ejemplo. Paso 4
Esta
sera la
salida
de
Minitab
de este
proceso
28
8/21/12
Consideraciones finales
El ltimo modelo obtenido, no es necesariamente el
ptimo
Aunque el procedimiento no da un nico modelo final,
generalmente hay varios modelos igual de buenos.
El procedimiento por si solo no tiene conocimiento a
cerca de los predictores, estos deben ser agregados por
alguien que conozca el proceso.
29
8/21/12
Consideraciones generales
El proceso. Paso 1
Identifique los modelos derivados de las posibles
combinaciones de todos los regresores.
Puede ser un nmero muy grande de combinaciones,
supongamos un ejemplo de 3 regresores, obtendremos 8
posibilidades.
30
8/21/12
El proceso. Paso 2
Elija el modelo que cumpla mejor el criterio objetivo
Los criterios objetivos pueden ser
Mayor r2
Mayor r2 ajustada
Menor SME
El proceso. Paso 3
Elija el modelo adecuado.
Con los modelos obtenidos en el paso anterior, realice
anlisis para elegir el que mejor ajusta a sus necesidades:
Anlisis de residuos
Prediccin
Regresores
Permita responder la pregunta de investigacin
31
8/21/12
Ejemplo
Retomemos el ejemplo del cemento.
Si utilizamos por ejemplo R2, cada vez que agreguemos
una variable se obtendr un mejor valor, sin embargo
nos ayudar a definir cundo no vale la pena agregar
ms variables.
Nmero
de
variables
Cules
variables
32
8/21/12
Caso de estudio
Bienvenidos a la U
33