1. Introducción 2. Tipos de Relaciones Lineal No Lineal Regresión Lineal Y=β0+β1x Modelos acumulativos Relación Multiplicativos Intrínsecamente lineales Aditivos ó í = + ! " #$%& = ' (") 0 ' ! ") * − , % = ' ! ") / , -.% = * − 2.1. RELACIONES NO LINEALES Para obtener la estimación de estos parámetros se utilizan otros métodos diferentes a los aplicados es este curso. Una función que relacione a 1 con " es intrínsecamente lineal si por medio de una transformación en " y/o 1 la función se puede expresar como y * = β 0 + β1 x* + ε * , donde "∗ es la variable independiente transformada e 1∗ es la variable dependiente transformada. 2.2. RELACIONES INTRÍNSECAMENTE LINEALES ó ' " ) 4"$ = 5 0 $ 3 6 = " 5 ó -í$%1" 7 = + " + 5 0 0 = + " + 5 1ó" 8 = + " + 5 0 = + " + 5 2.2.1. Transformación de modelos 2.2.1.1. Modelos Exponencial o semilogarítimico = ' ") 5 = 9 * " , 5 : Aplicando las propiedades de los logaritmos: = + *" , + 5 = + " + 5 Siendo ln e=1, se obtiene: = + " + 5 O de otro modo: ∗ = ∗ + " + 5∗ Este modelo puede linealizarse al aplicar logaritmo a ambos miembros de la función: De la misma forma que para un modelo de Regresión Simple lineal, los parámetros pueden estimarse mediante el método de mínimos cuadrados obteniendo el Sistema de Ecuaciones Normales Homogéneas = ∗ + = ; " ; 1∗ = < < = ∗ ; " + = ;'" )! ; 1∗ " = < < < 2.2.1.2. Modelo Potencial o Logarítmico = " 5 0 = 9 " 5 : Aplicando las propiedades de los logaritmos: = + " + 5 = + " + 5 O de otro modo: ∗ = ∗ + "∗ + 5∗ Este modelo puede linealizarse al aplicar logaritmo a ambos miembros de la función: De la misma forma que para un modelo de Regresión Simple lineal, los parámetros pueden estimarse mediante el método de mínimos cuadrados obteniendo el Sistema de Ecuaciones Normales Homogéneas ∗ ; 1∗ = ∗ = = + ; " < < = ∗ ; " + = ;'"∗ )! ; 1∗ "∗ = < < < 0 2.2.2. Transformación de Variables 2.2.2.1. Recíproco de variables = + " + 5 = + " + 5 Se transforman las variables y se obtienen ∗ = + " + 5 = + "∗ + 5 De la misma forma que para un modelo de Regresión Simple lineal, los parámetros pueden estimarse mediante el método de mínimos cuadrados obteniendo el Sistema de Ecuaciones Normales Homogéneas ; 1∗ = = + = ; " = = = ; " + = ;'" )! ; 1∗ " = = = = 0 ; 1 = = + = ; "∗ = = = ; " + = ;'"∗ )! ; 1 "∗ = = = = Solución con Regresión Simple lineal con variables transformadas 0 2.2.3. Logaritmos de variables = + " + 5 Se transforman las variables y se obtienen ∗ = + " + 5 = + " + 5 = + "∗ + 5 De la misma forma que para un modelo de Regresión Simple lineal, los parámetros pueden estimarse mediante el método de mínimos cuadrados obteniendo el Sistema de Ecuaciones Normales Homogéneas ; 1∗ = = + = ; " = = = ; " + = ;'" )! ; 1∗ " = = = = 0 ∗ ; 1 = = = + ; " = = = ; " + = ;'"∗ )! ; 1 "∗ = = = = Solución con Regresión Simple lineal con variables transformadas 0 2.3. POLINOMIOS 2.3.1. Polinomio de 2º grado o parábola = + " + ! "! + 5 De forma análoga a un modelo de Regresión Simple lineal, los parámetros pueden estimarse mediante el método de mínimos cuadrados obteniendo el Sistema de Ecuaciones Normales Homogéneas ; 1 = = + = ; " + = ! ;'" )! < < < = ; " + = ;'" )! + = ! ;'" )/ 0 ; 1 " = < < < < = ;'" )! + = ;'" )/ + = ! ;'" )> ; 1 '" )! = < < < < Solución: Caso especial de Regresión Múltiple Lineal 2.3.2. Cúbica o polinómica de 3º grado. = + " + ! "! + / "/ + 5 De forma análoga a un modelo de Regresión Simple lineal, los parámetros pueden estimarse mediante el método de mínimos cuadrados obteniendo el Sistema de Ecuaciones Normales Homogéneas ; 1 = = + = ; " + = ! ;'" )! + = / ;'" )/ < < < < ! / > = = = = ; 1 " = ; " + ;'" ) + ! ;'" ) + / ;'" ) < < < < < ! = ;'" )! + = ;'" )/ + = ! ;'" )> + = / ;'" )? ; 1 '" ) = < < < < < = ;'" )/ + = ;'" )> + = ! ;'" )? + = / ;'" )@ ; 1 '" )/ = < < < < < Solución: Caso especial de Regresión Múltiple Lineal 0 3. FORMALIZACIÓN DEL MODELO ESTIMADO 3.1. Modelo Exponencial = *= ", = = * = ∗ , = = ó -í$%1" 7 = + " + 5 0 $ = + " + 5 0 1ó" 8 = + " + 5 0 = + " + 5 3.2. Modelo potencial = = = = * = ∗ , = = " 3.3. Modelos de recíproca de variables = + = " = = = + = " = = 3.4. Modelos de logarítmos de variables = + = " = = 3.5. Modelo polinomial 3.5.1. Parábola 3.5.2. Cúbica = + = " = = = + = " + = ! "! = = = + = " + = ! "! + = / "/ = = 4. COMPARACIÓN Y ELECCIÓN DE MODELOS Tomaremos como ejemplo el desarrollado en la clase de Regresión Simple Lineal. La relación entre el porcentaje de cera y el diámetro de rama de Bulnesia retama 4.1. OBSERVACIÓN DE RESIDUOS ESTANDARIZADOS 0,50 -0,71 1,55 3,42 5,29 PRED_Porcentaje cera 7,17 RE_LN_Porcentaje cer 1,72 -1,92 -0,33 1,57 1,56 RE_LN_Porcentaje cer RE_Porcentaje cera 2,93 0,57 -0,42 -1,41 -2,40 -2,02 -0,98 0,06 1,10 PRED_LN_Porcentaje c 2,14 0,82 0,08 -0,67 -1,42 -1,54 -0,55 0,45 1,44 2,44 PRED_LN_Porcentaje c Residuos estandarizados para el modelo polinómico de 2º grado, exponencial y potencial, respectivamente 4.2. Prueba de hipótesis para el modelo MODELO POLINÓMICO Análisis de regresión lineal Variable N R² R² Aj Porcentaje cera 15 0,88 0,86 MODELO EXPONENCIAL Análisis de regresión lineal Variable N R² R² Aj LN_Porcentaje cera 15 0,97 0,97 MODELO POTENCIAL Análisis de regresión lineal Variable N R² R² Aj LN_Porcentaje cera 15 0,94 0,93 4.3. Prueba de hipótesis para los coeficientes de regresión MODELO POLINÓMICO Coeficientes de regresión y estadísticos asociados Coef Est. EE LI(95%) LS(95%) T p-valor const 13,25 1,49 9,99 16,50 8,88 <0,0001 Diámetro (mm) -2,07 0,37 -2,89 -1,26 -5,53 0,0001 Diámetro (mm)^2 0,08 0,02 0,04 0,13 4,02 0,0017 MODELO EXPONENCIAL Coeficientes de regresión y estadísticos asociados Coef Est. EE LI(95%) LS(95%) T p-valor const 3,09 0,14 2,79 3,39 22,38 <0,0001 Diámetro (mm) -0,32 0,02 -0,35 -0,28 -19,89 <0,0001 MODELO POTENCIAL Coeficientes de regresión y estadísticos asociados Coef Est. EE LI(95%) LS(95%) T p-valor const 5,43 0,36 4,66 6,20 15,24 <0,0001 LN_Diámetro (mm) -2,48 0,18 -2,86 -2,09 -13,91 <0,0001 4.4. Bondad de ajuste del modelo MODELO POLINÓMICO Cuadro de Análisis de F.V. SC Modelo 88,20 Diámetro (mm) 72,61 Diámetro (mm)^2 15,59 Error 11,59 Total 99,78 la Varianza (SC tipo I) gl CM F p-valor 2 44,10 45,67 <0,0001 1 72,61 75,20 <0,0001 1 15,59 16,14 0,0017 12 0,97 14 MODELO EXPONENCIAL Cuadro de Análisis de la Varianza (SC tipo III) F.V. SC gl CM F p-valor Modelo 20,78 1 20,78 395,48 <0,0001 Diámetro (mm) 20,78 1 20,78 395,48 <0,0001 Error 0,68 13 0,05 Total 21,46 14 MODELO POTENCIAL Cuadro de Análisis de F.V. SC Modelo 20,11 LN_Diámetro (mm) 20,11 Error 1,35 Total 21,46 la Varianza (SC tipo III) gl CM F p-valor 1 20,11 193,61 <0,0001 1 20,11 193,61 <0,0001 13 0,10 14 4.5. Cuadro de comparaciones Estimación de Coeficientes = = =! -! 7,74 -0,59 0,73 Modelo Lineal Polinómico 2º 13,25 -2,07 0,08 0,88 grado Pruebas de hipótesis = Sign = Sign =! - Sign Sign Sign Sign Modelo Sign Exponencial 3,09 -0,32 - 0,97 Sign Sign - Sign Potencial 5,43 -2,48 - 0,94 Sign Sign - Sign Residuos No se ajusta Bueno. Algunos valores atípicos Bueno. Algunos valores atípicos No adecuado