3. Regresión lineal Curso 2011-2012 Estadística Regresión simple consumo y peso de automóviles Peso kg Consumo litros/100 km 1 981 878 708 1138 1064 655 1273 1485 1366 1351 1635 900 888 766 981 729 1034 1384 776 835 650 956 688 716 608 802 1578 688 1461 1556 11 12 8 11 13 6 14 17 18 18 20 10 7 9 13 7 12 17 12 10 9 12 8 7 7 11 18 7 17 15 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Regresión Lineal 25 Consumo (litros/100 Km) Núm. Obs. (i) 20 15 10 5 0 500 700 900 1100 1300 1500 1700 Peso (Kg) 2 Modelo yi 1 xi 0 ui , ui N (0, 2 ) yi 0 1 x xi 2 , , : parámetros desconocid os 0 1 Regresión Lineal 3 Hipótesis del modelo Linealidad yi = 0+ 1xi + ui Parámetros Normalidad yi|xi N ( 0 + 1x i, 2) Homocedasticidad Var [yi|xi] = 2 0 1 2 Independencia Cov [yi, yk] = 0 Regresión Lineal 4 Modelo yi 1 xi 0 ui , ui 2 N (0, ) yi : Variable dependiente xi : Variable independiente ui : Parte aleatoria 0 Regresión Lineal 5 Estimación n M( 0 , 1 ( yi ) x )2 0 1 i i 1 n dM d 0 dM d 0 ( yi 0 x) 0 yi 1 i n 0 xi 1 i 1 n ( yi 0 x ) xi 0 1 i xi yi xi 0 xi2 1 i 1 n y ( yi 1x 0 n y )( xi x) ( xi i 1 n xi yi n 0 x 1 2 i x n x) 2 i 1 1 n n i 1 1 Regresión Lineal cov( xi , yi ) ; var( xi ) 0 y 1 x 6 Estimación: máxima verosimilitud 1 l ( 0 , 1, 2 ) 2 2i 1 ( yi 1xi ) 0 2 i 1 1 n 2i 1 y i 1 2 n n 1 L( 0 , 1, 2 ) log l ( 0 , 1, 2 ) n n 1 n 2 log( 2 ) log 2 ( yi 0 1xi ) 2 2 2 2 i 1 1 n ( yi yi n 0 0 1xi ) 0 1 xi 2 dL d 0 dL d 0 n n/2 exp xi yi n ( yi 1xi ) xi 0 n 1x 0 0x 1 i 1 xi2 n 1 0 ( yi xi yi y )( xi n x) 1 n cov( xi , yi ) ; var( xi ) y 0 2 1 xi xi 0 i 1 ( xi x)2 n 1x Regresión Lineal 7 2 Estimación L( 0 , 1, 2 ) dL d 2 : máxima verosimilitud n n log( 2 ) log 2 2 2 n 1 1 n ( yi 2 4 2 2 i 1 n 2 i 1 ( yi 2 2i 1 ( yi 1xi ) 0 1xi ) 0 n 1 2 0 2 x ) 1 i 0 2 n ei yi 0 1 xi n n ei 0 s R2 i 1 n ei xi 0 ei2 i 1 n 2 i 1 Regresión Lineal 8 Estimación Máxima verosimilitud Max 1 2 n/2 exp n 1 2 n 2 ( yi x )2 0 1 i i 1 Mínimos cuadrados n Mín ( yi 0 2 x ) 1 i i 1 y 0 1 x cov( xi , yi ) var( xi ) 1 n i 1 ( xi x )( yi y ) n x )2 i 1 ( xi Regresión Lineal 9 Recta de regresión y 1x 0 y Pendiente 1 0 y 1x x Regresión Lineal 10 Residuos yi 1 xi ei Valor Previsto Residuo 0 Valor observado ei yi yi 0 1 xi xi Regresión Lineal 11 Ejemplo: estimación Peso kg Consumo litros/100 km Predicción Residuos 1 981 878 708 1138 1064 655 1273 1485 1366 1351 1635 900 888 766 981 729 1034 1384 776 835 650 956 688 716 608 802 1578 688 1461 1556 11 12 8 11 13 6 14 17 18 18 20 10 7 9 13 7 12 17 12 10 9 12 8 7 7 11 18 7 17 15 11,44 10,23 8,23 13,28 12,41 7,61 14,86 17,35 15,95 15,78 19,11 10,49 10,35 8,91 11,44 8,48 12,06 16,16 9,03 9,72 7,55 11,14 8,00 8,33 7,06 9,34 18,44 8,00 17,07 18,18 -0,44 1,77 -0,23 -2,28 0,59 -1,61 -0,86 -0,35 2,05 2,22 0,89 -0,49 -3,35 0,09 1,56 -1,48 -0,06 0,84 2,97 0,28 1,45 0,86 0,00 -1,33 -0,06 1,66 -0,44 -1,00 -0,07 -3,18 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Regresión Lineal 25 Consumo (litros/100 Km) Núm. Obs. (i) 20 15 10 5 0 500 700 900 1100 1300 1500 1700 Peso (Kg) yi 0.071 0.0117 xi 2 ; sR 2.38 12 Propiedades de 1 1 ns x2 i 1 1 ns x2 wi n i 1 wi xi 1 ns x2 n i 1 2 i 1 ns x2 w n i 1 xi xi x xi 1 ns x2 x yi w1 y1 1 ns x2 x xi xi y n xi x y w2 y2 wn yn x 2 n i 1 xi 1 ns x2 x xi n i 1 xi x x 1 ns x2 n i 1 xi x 1 ns x2 Regresión Lineal y, xi x ns x2 wi i 1 0 2 n i 1 x yi i 1 i 1 xi n i 1 n n xi x yi ns x2 n n i 1 1 ns x2 0 cov( xi , yi ) s x2 1 13 son v.a. independientes 1 y1 1 y1 n y 1 y2 n 1 yn n 1 n 1 n 1 n y2 aT Y yn y1 1 w1 y1 w2 y2 wn yn w1 w2 wn y2 wT Y yn 2 cov( y , n T 1 ) a var(Y) w Regresión Lineal n wi 0 i 1 14 2 1 Distribución de yi 1 N( w1 y1 2 x, 1 i 0 ) w2 y2 E[ 1 ] E[ w1 y1 wn yn w2 y2 ( wi ) 1 Var[ 1 ] Var[ w1 y1 Comb. lineal de normales wn yn ] w1 E[ y1 ] w2 E[ y2 ] 0 1 ( wi xi ) w2 y2 wn E[ yn ] ( E[ yi ] 1 wn yn ] w12Var[ y1 ] w22Var[ y2 ] n x) 1 i 0 wn2 [ yn ] (Var[ yi ] 2 ) 2 2 i 2 ( w ) ns x2 i 1 2 N 1 1 , ns x2 Regresión Lineal 15 Modelo en diferencias a la media yi x 0 y ei 1 i 0 1 x yi yi y 1 ( xi x ) ei yi y 1 ( xi x) Regresión Lineal y 1 ( xi x ) ei 16 Distribución de 0 2 N( y 0 1 x, 2 N( 1 y, y 0 E[ 1 x 1 n ) , ) ns x2 son independie ntes 1 Normal ] E[ y ] x E[ 1 ] 2 x2 var[ 0 ] 1 2 n sx 0 2 0 0 x2 1 2 0, n sx N Regresión Lineal 17 2 R yi 1xi 0 ui ui yi 0 1xi ei N (0, 2 ) n u2 i 1 i 2 n e2 i 1 i 2 2 n n ei2 i 1 2 Regresión Lineal 2 (n 2) s R 2 2 n 2 ei 0 ei xi 2 n 2 18 0 Contraste principal de regresión: ¿depende y de x? H0 : 1 0 H1 : 1 0 yi yi yi x 0 1 i ui yi ui 0 xi xi H0 es falso H0 es cierto x e y están relacionados x e y no están relacionados Regresión Lineal 19 Contraste sobre la pendiente H0 : H1 : 1 0 1 0 1 yi x 0 1 i 2 1 1 1 N ( 1, Regresión Lineal 1 sR nsx ; t1 tn ) 1 N (0,1) 1 sR ns x ns x t1 ns x2 2; / 2 tn 2 Se rechaza Ho 20 Contraste: ordenada en el origen H0 : H1 : 0 0 yi 0 0 x 0 1 i 2 x2 N ( 0 , (1 2 )) n sx 0 0 t0 t0 tn 2 sR x 1 2 sx n ; Se rechaza Ho 2; / 2 Regresión Lineal 21 Descomposición de la variabilidad en regresión yi 0 1 i x yi 0 1 i x y i yi ( yi n ( yi y i (y i y) y) 2 i 1 VT ui y i (y i y) ( y i n ( y y) i i 1 VE VNE Regresión Lineal ei 2 y i y ) (restando y ) i y ) (elevando al cuadrado y sumando) i n (y i i 1 y )2 i 22 Coeficiente de determinación R2 n VE ( yi y)2 i 1 n ( yi VNE i 1 n VT yi ) VT R 2 R2 1 Mide el porcentaje de VT que y)2 está explicado por el regresor i 1 y VE VT 2 0 ( yi yi VE VNE 1 ( xi x) : VE 2 1 n ( xi x)2 2 2 1 ns x i 1 Regresión Lineal 23 Coef. determinación R2 R2 1 0.50 Regresión Lineal R2 0.80 R2 0 24 Contraste F H0 : H1 : VE 2 1 0 1 0 2 1 (Si H o es cierto) n e2 i 1 i 2 VNE 2 1 yi 2 ( n 2) s R 2 x 0 1 i VE VNE/(n-2 ) F F 2 n 2 VE VNE , son independie ntes 2 F VE 2 sR F1,n Se rechaza H0 2 Regresión Lineal 25 Regresión con R ARCHIVO TEXTO: coches.txt Regresión Lineal 2 26 Regresión con R: Estimación Regresión Lineal 27 Gráfico en R Regresión Lineal 28 Ejemplo regresión múltiple Consumo = 0 + CC + 1 2 Pot + 3 Peso + 4 Acel + Error Y X1 X2 X3 X4 Consumo l/100Km 15 16 24 9 11 17 ... Cilindrada cc 4982 6391 5031 1491 2294 5752 ... Potencia CV 150 190 200 70 72 153 ... Peso kg 1144 1283 1458 651 802 1384 ... Aceleración segundos 12 9 15 21 19 14 ... Var. dependientes o respuesta Var. Independientes o regresores Regresión Lineal 29 Modelo regresión múltiple yi 0 1x1i 2 x2i , k , 2 : parámetros desconocid os Linealidad E[yi] = 0+ Homocedasticidad 1x1i+ + kxki Normalidad yi| x1 ,...,xk Regresión Lineal ui , N (0, 2 ) ui 0 , 1, 2 , k xki Normal Var [yi|x1 ,...,xk] = 2 Independencia Cov [yi, yk] = 0 30 Notación matricial y1 1 x11 x21 xk1 0 u1 y2 1 x12 x22 xk 2 1 u2 yn 1 x1n x 2n xkn k un Y X U 2 N (0, I) U Regresión Lineal 31 Estimación mínimo-cuadrática y1 1 x11 x21 xk1 0 e1 y2 1 x12 x22 xk 2 1 e2 yn 1 x1n x 2n xkn k en Y X e donde el vector e cumple e 2 n ei2 es mínimo i 1 Regresión Lineal 32 Para que ||e||2 sea mínimo, e tiene que ser perpendicular al espacio vectorial generado las columnas de X X 1 1 x11 x12 x21 x22 xk1 xk 2 , e e1 e2 1 x1n x2 n xkn en X Te 0 n 1 i n 1 i 1i e 0 ex 0 n 1 i e xki 0 Regresión Lineal 33 Mínimos cuadrados Y Solución MC x1 Y e Y Y x1 x2 Y T X e 0 XT Y XT X XT Y XT X Regresión Lineal X x2 X Te ( X T X) 1 X T Y 34 Matriz de proyección V Y e (I V)Y x1 Y Val. Prev istos Y X Y X(X T X) 1 X T Y Y VY VY 1 Residuos e Y X Y VY (I V)Y X(XT X) 1 XT V Simétrica V=VT Idempotente VV=V Regresión Lineal 35 Distribución de probabilidad de Y N ( X , 2I) (X T X) 1 X T Y CY (siendo C (X T X) 1 X T ) Normal E[ ] CE[ Y ] CX (X T X) 1 X T X Var[ ] Var[CY ] CVar[Y ]CT ((X T X) 1 X T )( 2I )((X T X) 1 X T )T Regresión Lineal 2 (X T X) 1 X T X(X T X) 1 2 (X T X) 1 36 Distribución de probabilidad de N ( , 2 (X T X) 1 ) N ( i , 2 qii ) i 0 0 1 1 Q ( X T X) k k 1 q00 q10 q01 q11 q0 k q1k qk 0 qk1 qkk dim(Q) (k 1) (k 1) Regresión Lineal 37 Residuos Y X e Observados Previstos Residuos y1 1 x11 x21 xk1 0 e1 y2 1 x12 x22 xk 2 1 e2 yn 1 x1n x 2n xkn k en ei yi Regresión Lineal ( 0 1x1i k xki ) 38 Varianza Residual n 2 i 1 ei 2 e Te 2 E[ E[ n e2 i 1 i ] 2 2 n k 1 n k 1 n e2 i 1 i ] n e2 i 1 i 2 sR n k 1 2 (n k 1) s R 2 2 2 n k 1 n k 1 Regresión Lineal 39 Contraste individual yi 1x1i 0 k xki i i i ti i s R qii Regresión Lineal H0 : i H1 : i ui 1 1 s R qii ; ti 0 0 N ( i , 2 qii ) N (0,1) qii i t n k 1; / 2 tn k 1 Se rechaza Ho 40 Descomposición de la variabilidad en regresión yi ( yi n (y i 1 i 1x1i 0 yi yi y) ( yi k xki ei (Restando y ) ei y ) ei y)2 n (y i 1 i y)2 VT VE VNE n e2 i 1 i Regresión Lineal 41 Modelo en diferencias a la media yi 0 y 0 yi 0 yi y 1x1i k xki 1 x1 n x1i 1 k i 1 n xki i 1 ei i 1 0 k xki x1 ) k ( xki x k1 x k x k 2 xk 1 xkn k y x11 x1 y2 y x12 x1 x21 x2 x22 x2 yn y x1n x1 x2 n Regresión Lineal n 0 i 1 y1 Y Y n yi k xk 1x1i 1 ( x1i n ei ~ Xb xk ) x2 Y Y xk 2 ~ Xb e 42 Modelo en diferencias a la media ~ ~ Y Xb U y1 y ~ Y ~ X b y2 y yn y y , Y y 1 2 , b y 1 , b k k x11 x1 x21 x2 x12 x1 x22 x2 xk1 xk xk 2 xk x1n x1 x2 n x2 xkn ~T ~ 1 ~T ~ (X X) X Y 2 xk ~T ~ 1 2 N (b, (X X) ) b Regresión Lineal 43 Contraste general de regresión. yi 0 1x1i k xki ui H0 : 1 2 k 0 H1 : algunoes distintode 0 VE 2 k 2 VNE (Si Ho es cierto) 2 (n k 1) s R 2 2 2 n k 1 VE VNE , son independientes 2 2 Regresión Lineal F F VE / k VNE/(n-k 1 ) F Fk ,n k 1 Se rechaza H0 44 Coeficiente de determinación R2 n VE ( yi y)2 i 1 n ( yi VNE i 1 n VT yi ) ( yi R 2 VE VT 2 R2 1 Mideel porcentajede VT que y)2 está explicadopor los regresores i 1 VE VE VNE 0 ( yi n VT ~ ~ (Y Y)T (Y Y) bT ( XT X)b y)2 ~ ~ bT ( XT Y) i 1 Regresión Lineal 45 Coef. determinación corregido R R2 VE VT VT VNE VT 2 (n k 1) s R 1 (n 1) s 2y VNE 1 VT R2 Regresión Lineal 1 2 sR s 2y n ( yi s 2y y)2 i 1 n 1 VNE /(n k 1) 1 VT /(n 1) 46 2 Regresión con R Interpretación (inicial) Contraste F=438 (p-valor=0.0000) Alguno de los regresores influye significativamente en el consumo. Contrastes individuales: La potencia y el peso influyen significativamente (pvalor=0.0000) Para =0.05, la cilindrada y la aceleración también tienen efecto significativo (p-valor < 0.05) El efecto de cualquier regresor aumentar cualquiera de ellos aumenta la variable respuesta: consumo. Los regresores explican el 82 % de la variabilidad del consumo (R2 = 0.8197) Regresión Lineal 48 Multicolinealidad Cuando la correlación entre los regresores es alta. Presenta graves inconvenientes: Empeora las estimaciones de los efectos de cada variable i: aumenta la varianza de las estimaciones y la dependencia de los estimadores) Dificulta la interpretación de los parámetros del modelo estimado (ver el caso de la aceleración en el ejemplo). Regresión Lineal 49 Identificación de la multicolinealidad: Matriz de correlación de los regresores. Regresión Lineal 50 24 24 20 20 consumo consumo Gráficos consumo - xi 16 12 8 4 16 12 8 4 0 500 0 1000 1500 2000 0 40 120 160 200 240 23 26 potencia 24 24 20 20 consumo consumo peso 80 16 12 8 4 16 12 8 4 0 0 0 2 4 cilindrada 6 8 (X 1000) 8 11 14 17 20 aceleracion Regresión Lineal 51 Consumo y aceleración Regresión Lineal 52 Multicolinealidad: efecto en la varianza de los estimadores yi var 1 ~T X ~ 1 2 X ~T X ~ X 1x1i 0 nS XX 2 x2i ui S XX 2 s12 s12 s12 r12 s1s2 s12 s22 r12 s1s2 s22 1 s12 (1 2 1 | S XX | s12 s22 (1 r12 ) S XX r12 2 r12 ) 2 s1 s2 (1 r12 ) 1 r12 2 s1 s2 (1 r12 ) 2 s22 (1 r12 ) 2 var 1 2 r12 2 ns12 (1 r122 ) r12 2 ns1 s2 (1 r122 ) ns1 s2 (1 r122 ) ns 22 (1 r122 ) 2 Regresión Lineal 53 Consecuencias de la multicolinealidad Gran varianza de los estimadores Cambio importante en las estimaciones al eliminar o incluir regresores en el modelo Cambio de los contrastes al eliminar o incluir regresores en el modelo. Contradicciones entre el contraste F y los contrastes individuales. Regresión Lineal 54 Variables cualitativas como regresores Consumo l/100Km 15 16 24 9 11 17 12 17 18 12 16 12 9 ... Cilindrada cc 4982 6391 5031 1491 2294 5752 2294 6555 6555 1147 5735 1868 2294 ... Potencia CV 150 190 200 70 72 153 90 175 190 97 145 91 75 ... Consumo = + + 0 Peso kg 1144 1283 1458 651 802 1384 802 1461 1474 776 1360 860 847 ... 1 CC + Acel + 4 Aceleración segundos 12 9 15 21 19 14 20 12 13 14 13 14 17 ... 2 Origen Europa Japón USA Europa Japón USA Europa USA USA Japón USA Europa USA ... Pot + JAP ZJAP + 3 Peso Origen Europa Japón USA Z JAP i 0 si i JAPON 1 si i JAPON ZUSAi 0 si i USA 1 si i USA Z EUR i 0 si i EUROPA 1 si i EUROPA + USA ZUSA + Error Regresión Lineal 55 Variables cualitativas Consumo l/100Km 15 16 24 9 11 17 12 17 18 12 16 12 9 ... Cilindrada cc 4982 6391 5031 1491 2294 5752 2294 6555 6555 1147 5735 1868 2294 ... Consumo = + Regresión Lineal Potencia CV 150 190 200 70 72 153 90 175 190 97 145 91 75 ... 0 4 + 1 Peso kg 1144 1283 1458 651 802 1384 802 1461 1474 776 1360 860 847 ... CC + Acel + 2 Aceleración ZJAP segundos 12 0 9 1 15 0 21 0 19 1 14 0 20 0 12 0 13 0 14 1 13 0 14 0 17 0 ... ... Pot + JAP ZJAP + 3 Peso ZUSA ZEUR 0 0 1 0 0 1 0 1 1 0 1 0 1 ... 1 0 0 1 0 0 1 0 0 0 0 1 0 ... + USA ZUSA + Error 56 Interpretación var. cualitativa Consumo = + 0 4 + 1 CC + Acel + 2 Pot + JAP ZJAP + 3 Peso + USA ZUSA + Error Coches europeos: ZJAP = 0 y ZUSA = 0 REFERENCIA Consumo = 0 + 1 CC + 2 Pot + 3 Peso + 4 Acel + Error Coches japoneses: ZJAP =1 y ZUSA = 0 Consumo = 0 + JAP + 1 CC + 2 Pot + 3 Peso + 4 Acel + Error Coches americanos: ZJAP =0 y ZUSA = 1 Consumo = 0 + USA + 1 CC + 2 Pot + 3 Peso + 4 Acel + Error Regresión Lineal 57 Interpretación del modelo y Americanos Europeos 0+ Ref. Japoneses USA 0 0+ JAP xi Regresión Lineal 58 Regresión Lineal 59 Interpretación El p-valor del coeficiente asociado a ZJAP es 0.1956>.05, se concluye que no existe diferencia significativa entre el consumo de los coches Japoneses y Europeos (manteniendo constante el peso, cc, pot y acel.) La misma interpretación para ZUSA. Comparando R2 =0.821 de este modelo con el anterior R2=0.8197, se confirma que el modelo con las variables de Origen no suponen una mejora sensible. Regresión Lineal 60 Modelo de regresión con variables cualitativas En general, para considerar una variable cualitativa con r niveles, se introducen en la ecuación r-1 variables ficticias z1i 0 i nivel1 , z 2i 1 i nivel1 0 i nivel 2 , 1 i nivel 2 , zr 0 i nivel r 1 1 i nivel r 1 1i Y el nivel r no utilizado es el que actúa de referencia yi 0 x 1 1i z 1 1i k z 2 2i xki z r 1 r 1,i ui variablecualitativa Regresión Lineal 61 Predicción Nueva Observ. yh|xh Media mh|xh yh mh mh xh xh yh xh Regresión Lineal 62 Predicción de la media mh (Regresión simple) mh yh xh yh N( 0 mh xh 1 xh , 2) yh 0 1 xh y 1 ( xh x ) E[ yh ] E[ 0 1 xh ] 0 1xh mh var[ yh ] var[ y 1 ( xh x )] 1 xh 0 ( xh x ) 2 N mh , 1 n s x2 2 yh x ) 2 var[ 1 ] var[ y ] ( xh 2 x) ( xh n 2 2 ns x2 Regresión Lineal 63 Predicción de la media mh (Regresión múltiple) mh yh mh yh ) xh x'h x 0 T yh 2 N (mh , 1 1h k Regresión Lineal xkh T h x'h , x'T h] E[ T x'h ] E[ T ]x'h var[ y h ] var[ T x'h ] 2v hh (1, x1h , x2 h , , xkh ) h E[ y x'h N mh , y T h T x' h x' v hh (X (X T T X) X) T h x' var[ 1 x 'h 2 1 x 'h T T x 'h ]x'h vhh 2 64 Expresión alternativa para vhh y bT ( x h yh x) var[ yh ] var[ y bT (x h x)] var[ y ] (x h 2 n ~ ~ ( x h x ) T ( XT X) 1 ( x h x ) 2 x)T var[b](x h ~ ~ XT X (S x ) n , x) 2 n (1 (x h x ) T S x1 ( x h 1 (1 (x h n vhh x)) T 1 x x) S ( x h x)) xh x vhh 1 / n xh x vhh 1 / n Regresión Lineal 65 Intervalos de confianza para la media mh yh yh 2 N mh , mh vhh y h mh s R vhh yh N (0,1) tn m h y t h vhh 1 (1 (xh n Regresión Lineal vhh k 1 s /2 R xh vhh Regresión simple T 1 x x) S ( x h x)) vhh 1 ( xh x ) 2 (1 ) 2 n sx 66 Predicción de una nueva observación yh (Reg.Simple) yh yh mh xh yh yh e~ h 0 N (mh , yh yh x 1 h 2 vhh ) 2 N (mh , mh xh ) x 0 1 h yh E[e~h ] E[ yh ] E[ yh ] 0 var[e~h ] var[ yh ] var[ yh ] 2 2 e~h N ( 0, 2 (1 vhh )) vhh Regresión Lineal 67 Predicción de una nueva observación yh (Reg. Múltiple) yh yh mh xh yh e~h y bT x h yh yh E[~ eh ] E[ yh ] E[ yh ] 0 var[~ eh ] var[ yh ] var[ yh ] yh ~ eh Regresión Lineal N (mh , N ( 0, 2 2 xh vhh ) 2 (1 vhh ) (1 vhh )) 68 Intervalos de predicción para una nueva observación yh e~h N 0, ~ eh yh y h yh y h 1 vhh yh y h 2 (1 vhh ) yh N (0,1) tn k 1 s R 1 vhh xh y h y t h s /2 R 1 vhh Regresión Lineal 69 Límites de predicción y 0 x 1 1 k m h xk y y h y t h y t h s s /2 R /2 R 1 vhh x Regresión Lineal vhh 70 Diagnosis: Residuos Y X e Observados Previstos Residuos y1 1 x11 x21 xk1 0 e1 y2 1 x12 x22 xk 2 1 e2 yn 1 x1n x 2n xkn k en ei yi ( 0 1x1i k xki ) Regresión Lineal 71 Distribución de los residuos Y N (X , V 2 I) e (I V)Y X(X T X) 1 X T e Normal E[e] (I V) E[Y] (I V)X var[ e] (I V) var (Y)(I V) e N (0, 2 (I V)) ei Regresión Lineal N (0, 2 0 2 (I V) (1 vii )) 72 Distancia de Mahalanobis Di2 (x i x) T S x 1 (x i x) (Dist. de Mahalanobis) xi xi Midela distanciade x i a x 1 (1 (x i n x'Ti ( XT X) 1 x'i vii Di2 Di2 x x x ) T S x1 ( x i 0 0 x)) vii son los elementosdiagonalesde la matriz V X(X T X) 1 XT V n vii n vij v ji j 1 2 ij v 2 ii v n vij2 vii (1 vii ) j 1, j i 1 n 0 j 1, j i vii 1 Regresión Lineal 73 Residuos estandarizados ei N (0, (1 vii ) var(ei ) 2 ) (1 vii ) 2 Cuando xi está próximo a x vii 1/ n Cuando xi está lejos de x vii 1 var(ei ) var(ei ) 0 2 ei 0 Residuos estandarizados ri Regresión Lineal ei s R 1 vii 74 Hipótesis de normalidad Herramientas de comprobación: Histograma de residuos Gráfico de probabilidad normal (Q-Q plot) Contrastes formales (Kolmogorov-Smirnov) probabilidad Ejemplo de coches 99,9 99 95 80 50 20 5 1 0,1 -6 -4 -2 0 2 4 6 Residuos Regresión Lineal 75 Comprobación de la linealidad y homocedasticidad Ambas hipótesis se comprueban conjuntamente mediante gráficos de los residuos Frente a valores previstos Frente a cada regresor. En muchas ocasiones se corrige la falta de linealidad y la heterocedasticidad mediante transformación de las variables. Regresión Lineal log yi 0 1 1i x log yi 0 1 log x1i k xki ui k log xki ui 76 Residuos - Valores previstos ei Lineal y homocedástico ei No lineal y homocedástico 0 0 yi yi ei ei 0 0 Lineal y no homocedástico yi No lineal y no homocedástico yi Regresión Lineal 77 Regresión Lineal 78 Funciones R relacionadas Regresión Lineal 79 Ejemplo 1: Cerezos Negros Se desea construir un modelo de regresión para obtener el volumen de cerezo en función de la altura del tronco y del diámetro del mismo a un metro sobre el suelo. Se ha tomado una muestra de 31 árboles. Las unidades de longitudes son pies y de volumen pies cúbicos. Regresión Lineal 80 Cerezos negros: Datos Árbol 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Diametro 8,3 8,6 8,8 10,5 10,7 10,8 11,0 11,0 11,1 11,2 11,3 11,4 11,4 11,7 12,0 12,9 Altura 70 65 63 72 81 83 66 75 80 75 79 76 76 69 75 74 Volumen 10,30 10,30 10,20 16,40 18,80 19,70 15,60 18,20 22,60 19,90 24,20 21,00 21,40 21,30 19,10 22,20 Regresión Lineal Árbol 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 Diametro 12,9 13,3 13,7 13,8 14,0 14,2 14,5 16,0 16,3 17,3 17,5 17,9 18,0 18,0 20,6 Altura 85 86 71 64 78 80 74 72 77 81 82 80 80 80 87 Volumen 33,80 27,40 25,70 24,90 34,50 31,70 36,30 38,30 42,60 55,40 55,70 58,30 51,50 51,00 77,00 81 Gráficos x-y Regresión Lineal 82 Primer modelo:cerezos negros Volumen 0 Regresión Lineal 1 Diametro 2 Altura Error 83 Diagnosis Regresión Lineal 84 Transformación vol k altura diámetro2 log( vol) 0 1 log( altura) 2 log( diámetro) error Regresión Lineal 85 Diagnosis (modelo transformado) Regresión Lineal 86 Interpretación Se comprueba gráficamente que la distribución de los residuos es compatible con las hipótesis de normalidad y homocedasticidad. El volumen está muy relacionada con la altura y el diámetro del árbol (R2= 97.77%) El modelo estimado log(Vol) = -6.6 + 1.12 log(Alt) + 1.98 log(Diam.) + Error es compatible con la ecuación vol=k Alt Diam2 La desviación típica residual es sR=0.081 que indica que el error relativo del modelo en la predicción del volumen es del 8.1%. Regresión Lineal 87 Modelos de regresión lineal 1. La tabla muestra los mejores tiempos mundiales en Juegos Olı́mpicos hasta 1976 en carrera masculina para distintas distancias. y: tiempo (sg) x: distancia (m) 9.9 19.8 44.26 103.5 214.9 806.4 1658.4 7795 100 200 400 800 1500 5000 10000 42196 (a) Estimar la regresión lineal de y sobre x y calcular la varianza residual y el coeficiente de correlación. (b) Obtener intervalos de confianza para la pendiente y varianza residual (α = 0.01). (c) Analizar si la relación lineal es adecuada, transformando las variables si es necesario. (d) Supóngase que en aquellas Olimpiadas hubiera existido una carrera de 500 metros. Estimar el tiempo previsto para el record olı́mpico en dicha carrera, dando un intervalo de confianza con α = 0.05. 2. Estimar por mı́nimos cuadrados los parámetros a y b de la ecuación y = a + bx2 con la muestra de tres puntos siguientes (y, x) : (3, -1); (4, 0); (6,1). 3. Dada la recta de regresión ŷ = 3 + 5(x − 2) con r = 0.8, sˆR = 1, construir un intervalo de confianza del 95% para la pendiente si n = 100. 4. Dado el modelo estimado con n = 25 datos, ŷ = 2 + 3(x − 4), ŝR = 5, con desviación tı́pica del coeficiente de regresión S(βˆ1 ) = 0.5, calcular la desviación tı́pica de la predicción del valor medio de y cuando x = 20. 5. Sir Francis Galton (1877) estudió la relación entre la estatura de una persona (y) y la estatura de sus padres (x) obteniendo las siguientes conclusiones: (a) Existı́a una correlación positiva entre las dos variables. (b) Las estaturas de los hijos cuyos padres medı́an más que la media era, en promedio, inferior a la de sus progenitores, mientras que los padres con estatura inferior a la media en promedio tenı́an hijos más altos que ellos, calificando este hecho como de ”regresión” a la media. Contrastar (α = 0.05) estas dos conclusiones con la ecuación ŷ = 17.8 + 0.91x resultante de estimar un modelo de regresión lineal entre las variables (en cm.) descritas anteriormente para una muestra de tamaño 100 si la desviación tı́pica (estimada) de β̂ 1 es 0.04. 6. La ley de Hubble sobre la expansión del universo establece que dadas dos galaxias la velocidad de desplazamiento de una respecto a la otra es v = Hd, siendo d su distancia y H la constante de Hubble. La tabla proporciona la velocidad y la distancia de varias galaxias respecto a la Via Láctea. Se pide: 1 Galaxia Virgo Pegaso Perseo Coma Berenices Osa Mayor 1 Leo Corona Boreal Géminis Osa Mayor 2 Hidra Distancia (millones años luz) 22 68 108 137 255 315 390 405 700 1100 Velocidad (103 Km/s) 1.21 3.86 5.15 7.56 14.96 19.31 21.56 23.17 41.83 61.14 Tabla: Distancia y velocidad de desplazamiento de las distintas galaxias a la Via Lactea. Nota: Obsérvese que según el modelo de Hubble la regresión debe pasar por el origen. Tómese 1 año luz = 300 000 Km/seg x 31 536 000 seg = 9.46 1012 Km. (a) Estimar por regresión la constante de Hubble. (b) Como T = d/v = d/Hd = 1/H, la inversa de la constante de Hubble representa la edad estimada del Universo. Construir un intervalo de confianza del 95% para dicha edad . 9. Para establecer la relación entre el alargamiento en mm (Y ) producido en un cierto material plástico sometido a tracción y la fuerza aplicada en toneladas por cm2 (X) se realizaron 10 experimentos cuyos resultados se muestran en la tabla xi 0.20 0.50 0.60 0.70 0.90 1.00 1.20 1.50 1.60 1.70 yi 23 20 33 45 67 52 86 74 98 102 Tabla: Alargamiento yi (mm) producidos por la fuerza xi (Tm/cm2 ). (a) Ajustar el modelo de regresión lineal E(Y |x) = β 0 + β 1 x y contrastar (α = 0.01) la hipótesis de que, en promedio, por cada Tm/cm2 de fuerza aplicada es de esperar un alargamiento de 50 milı́metros, sabiendo que la desviación tı́pica residual vale 10.55. (b) Si el lı́mite de elasticidad se alcanza cuando x = 2.2 Tm/cm2 , construir un intervalo de confianza al 95% para el alargamiento medio esperado en ese punto. (c) Teniendo en cuenta que el alargamiento esperado cuando la fuerza aplicada es nula debe ser nulo también, estimar el nuevo modelo E [Y |x] = βx con los datos anteriores ¿Cuál es el sesgo del estimador del parámetro de la pendiente si se estima según el modelo del apartado 1? 2 10. La ecuación de regresión entre las ventas de un producto y y su precio x es ŷ = 320 − 1.2x, ŝR = 2 y ŝy = 4. Si el número de datos ha sido n = 50, contrastar H0 : β 1 = −1 frente a la alternativa H1 : β 1 < −1. 11. Se estudia la relación entre el tiempo de reparación (minutos) de ordenadores personales y el número de unidades reparadas en ese tiempo por un equipo de mantenimiento con los resultados mostrados en la siguiente tabla unidades reparadas tiempo de reparación 1 3 4 23 49 74 6 7 9 10 96 109 149 154 Se pide: (a) Construir la recta de regresión para prever el tiempo de reparación y utilizarla para construir un intervalo de confianza (α = 0.01) para el tiempo medio de reparación de 8 unidades. (b) Construir un intervalo de confianza (α = 0.01) del tiempo de reparación para un lote de 14 unidades. (c) Si los tiempos de reparación fuesen medias de 10 datos. ¿Cual serı́a la recta de regresión? 13. Se realiza una regresión múltiple con tres regresores y se encuentra un coeficiente de correlación de 0.5 entre los residuos de la regresión y uno de los regresores. Interpretar este resultado. 14. La matriz de varianzas de tres variables estandarizadas es la siguiente 1 0.8 0.6 0.8 1 0.2 0.6 0.2 1 Calcular la ecuación de regresión de la primera variable respecto a las otras dos. 15. Dos variables x1 y x2 tienen la siguiente matriz de varianzas 1 0.5 0.5 1 y las regresiones simples con y son ŷ = 0.75x1 ; ŷ = 0.6x2 . Calcular la regresión múltiple entre y y las dos variables x1 , x2 sabiendo que la variable y tiene media cero y varianza unidad. 16. Se realiza la regresión entre la variable dependiente y y tres regresores x1 , x2 y x3 . Posteriormente se decide realizar la regresión entre la variable y y los tres regresores estandarizados. Explicar cuáles son las diferencias entre los resultados de una regresión y otra en cuanto a los coeficientes estimados β̂ i , los residuos y el coeficiente de determinación, justificando la respuesta. 3 17. La matriz de varianzas de las variables X1 , X2 e Y es 25 27 14 27 36 19.2 14 19.2 16 Siendo X 1 = 30, X 2 = 40, Y = 100 y el número de datos n = 10. Se pide: (a) Realizar la regresión simple entre Y (variable dependiente) y X1 , dando el intervalo de confianza para la pendiente de la recta con α = 0.05. Hacer lo mismo con Y y X2 . (b) Realizar la regresión múltiple entre Y (variable dependiente) y X1 , X2 , en desviaciones a la media. (c) Indicar si los coeficientes de la regresión anterior son significativos. (d) Calcular R2 para los tres modelos, comentar los resultados obtenidos e indicar qué modelo eligirı́a y por qué. 18. Para establecer la relación entre el voltaje de unas baterı́as y la temperatura de funcionamiento se han hecho unos experimentos cuyos resultados se muestran en la siguiente tabla Baterı́a Temperatura Voltaje 1 2 10 10 7.2 7.7 3 4 5 20 20 30 7.3 7.4 7.7 6 7 8 30 40 40 9.4 9.3 10.8 Se pide: (a) Contrastar la hipótesis (α = 0.05) de que no existe relación lineal entre el voltaje y la temperatura. (b) Las lecturas 1,3,5 y 7 fueron realizadas con unas baterı́as de Cadmio y las 2,4, 6 y 8 con baterı́as de Zinc. Introducir en el análisis anterior una variable cualitativa que tenga en cuenta los dos tipos de baterı́as y contrastar si es significativa al 95%. (c) Dar un intervalo de confianza para el voltaje de una baterı́a de Cadmio que va a trabajar a 35◦ centı́grados. (Utilizar el modelo estimado en el apartado 2). (d) Comprobar que se cumplen las hipótesis del modelo construido en los apartados anteriores. 19. ¿Cómo disminuirá la varianza teórica de los estimadores β̂ en el modelo de regresión lineal al replicar las observaciones? (Por replicar se entiende el obtener un nuevo vector Y de la variable respuesta manteniendo las X fijas). 4 20. Se ha estimado un modelo de regresión para la estatura (y) de un grupo de adultos y sus estaturas a los 7 (x1 ) y 14 (x2 ) años. La desviación tı́pica residual obtenida es 5 cm y la desviación tı́pica del coeficiente de x1 (estatura a los 7 años) resulta 2.4, siendo este efecto no significativo al 95%. Sin embargo, un segundo modelo de regresión que incluya sólo a esta variable (x1 ) conduce a una desviación tı́pica residual de 7 cm y a un coeficiente de regresión de 2 con desviación tı́pica de 1. ¿Qué podemos concluir con estos resultados de la correlación entre x1 y x2 ? 21. Se dispone de una muestra de 100 automóviles con información respecto a su consumo (litros/100 km), peso (kg), potencia (CV), tipo de motor (I=inyección, NI=no inyección) y nacionalidad (1=USA, 2=Alemania, 3=Japón, 4=Francia). Escribir la ecuación del modelo de regresión lineal del consumo respecto al resto de las variables e interpretar el significado de cada uno de los parámetros del modelo. Indicar cómo contrastar si la nacionalidad del vehı́culo influye en el consumo. 22. Teniendo en cuenta que mediante variables cualitativas cualquier modelo de diseño experimental puede escribirse como un modelo de regresión, determinar la matriz V = X(X T X)−1 X T de proyección y la varianza de un residuo eij para el modelo básico de análisis de la varianza yij = µi + uij , i = 1, ..., I ; j = 1, ..., ni Aplicarlo al caso de 3 grupos (I = 3), con 5 observaciones en el primer grupo, 4 en el segundo y 3 en el tercero. 23. La variable y se relaciona con las variables x1 y x2 según el modelo E(y) = β 0 + β 1 x1 + β 2 x2 ; no obstante se estima el siguiente modelo de regresión que no incluye la variable x2 ŷi = β̂ 0 + β̂ 1 x1i . Justificar en qué condiciones el estimador β̂ 1 es centrado. 24. Se efectúa una regresión con dos variables explicativas E[y] = β 0 + β 1 x1 + β 2 x2 . La matriz de varianzas de x1 y x2 es 2 1 1 3 ¿Cuál de los dos estimadores β̂ 1 y β̂ 2 tendrá menor varianza? 25. Se estudia la relación entre los costes de fabricación totales en miles de pesetas (Y ), de 25 libros técnicos, la tirada en miles de ejemplares producidos (T ) y el número de páginas del libro (N), encontrandose la relación Y = 1400 + 900T + 4N 5 (a) Sabiendo que las desviaciones tı́picas (sin corregir por grados de libertad) de T y N son 1.5 miles de ejemplares y 200 páginas respectivamente, y ŝR = 600, calcular un intervalo de confianza del 90% para los efectos de T y N suponiendo que las variables están incorreladas. Interpretar el resultado. (b) Si el coeficiente de correlación entre las variables T y N es −0.5, ¿Puede admitirse la hipótesis de que el coste asociado a la tirada es de 1.100.000 ptas. cada mil unidades? (α = 0.05). (c) Sabiendo que la desviación tı́pica (sin corregir por grados de libertad) de los costes de fabricación es 2200 miles de pesetas, calcular el coeficiente de correlación múltiple y el estadı́stico F para contrastar que ambas variables no influyen. Interpretar el resultado. (d) Para estudiar cuánto encarecen los gráficos el precio se introduce en el modelo una variable ficticia Z que toma el valor 1 en libros con gráficos y 0 en el resto, obteniéndose el nuevo modelo estimado siguiente (desviaciones tı́picas entre paréntesis) Y = 1080 + 520Z + 840T + 3.8N (100) (16) (0.97) Interpretar el resultado. 26. Demostrar que el coeficiente de correlación múltiple en el modelo general de regresión es igual al coeficiente de correlación lineal entre la variable observada y y la prevista ŷ. 27. Para 11 provincias españolas se conocen los siguientes datos: Y = número de mujeres conductoras dividido por el número de hombres conductores. X1 = porcentaje de mujeres que trabajan sobre el total de trabajadores de la provincia. X2 = porcentaje de población que trabaja en el sector agrı́cola. Si se denomina X = (1 X1 X2 ) a la matriz de regresores (1 es un vector de unos) se sabe que (X T X)−1 5.1 −0.12 −0.05 −0.06 = −0.12 30.8 0.08 (X T Y ) = 0.05 −0.05 0.08 0.001 −9.45 ŝR = 0.03; n X (yi − y)2 = 0.0645 i=1 Se pide: (a) Estimar el modelo de regresión y realizar los contrastes individuales (α = 0.05). Interpretar la regresión. (b) Calcular el coeficiente de determinación R2 y realizar el contraste de que las dos variables no influyen mediante el test F (α = 0.05). 6 (c) Se introducen dos nuevas variables en la regresión: X3 que representa el porcentaje de población que trabaja en los servicios, y X4 el porcentaje de población que trabaja en otras actividades distintas de agricultura y servicios. Explicar razonadamente cómo será la regresión al introducir estas dos nuevas variables y los efectos de cada una de ellas. 28. Con los datos de la tabla, se pide: x -2 y 1.1 -2 -1 -1 0 1.3 2.0 2.1 2.7 0 1 1 2.8 3.4 3.6 2 2 3 3 4.0 3.9 3.8 3.6 (a) Estimar un modelo de regresión simple con y como variable dependiente y x como regresor. Indicar si el modelo es apropiado, justificando la respuesta. (b) Estimar el modelo yi = β 0 + β 1 xi + β 2 x2i + ui y realizar el contraste H0 : β 2 = 0. (c) El resultado de la estimación del modelo que incluye el término x3 es, ŷi = 2.81 + 0.80xi - 0.06x2i - 0.035x3i (0.05) (0.048) (0.019) (0.010) con ŝR = 0.113 (entre paréntesis las desviaciones tı́picas de los estimadores). Realizar el contraste general de regresión con α = 0.01. Seleccionar entre los tres el modelo más adecuado, justificando la respuesta. 29. En un modelo de regresión simple se ha obtenido un coeficiente de correlación igual a −0.8. Si el número de observaciones es n = 150, ȳ = 22 y la variabilidad total es 320. Construir un intervalo de confianza al 95% para el valor medio de la variable dependiente (y) cuando x (regresor) es igual a x̄. (Aproximar la distribución t de Student correspondiente por una distribución normal, si Z N(0, 1), P (Z ≤ 1.96) = 0.975). 30. En una planta piloto se obtiene un nuevo producto mediante un proceso quı́mico. Con el fin de mejorar el rendimiento se emplean dos catalizadores distintos y se trabaja con tres temperaturas diferentes. Los resultados del experimento son Catalizador A B Temperatura 200 300 400 115 125 130 140 110 120 115 105 135 145 100 110 (a) Contrastar si los factores Temperatura y Catalizador tienen efectos significativos. (α = 0.05) (b) ¿Qué tratamiento se debe utilizar para obtener el mayor rendimiento, si se desea garantizar una probabilidad de error tipo I total, αT = 0.03? 7 (c) Estimar y contrastar el modelo de regresión simple entre el rendimiento y la temperatura. ¿Qué conclusiones obtiene? Proponga un modelo de regresión que subsane las deficiencias encontradas. 31. El modelo de regresion múltiple se puede escribir en notación matricial Y = Xβ + U donde U es el vector de variables aleatorias que cumple las hipótesis de normalidad, independencia y homocedasticidad. Deducir razonadamente la distribución, media y matriz de varianzas del vector de residuos e = Y − X β̂. 32. La empresa de bebidas gaseosas CIBELES quiere determinar la influencia sobre la presión interna (yi ) en los botes de refresco de dos variables continuas (x1 , x2 ) y del tipo de bebida (NARANJA=1, LIMON=2 y COLA=3). Para distintos valores de x1 y x2 y 20 botes de cada sabor, ha medido la presión interna. El tipo de bebida se representa por las variables z1 , z2 y z3 qué identifican el sabor NARANJA, LIMON y COLA, respectivamente. El modelo estimado de regresión de y con respecto a x1 , x2 , z2 y z3 es: ŷ = 19.4 + 77.2x1 − 50.8x2 + 2.95z2 + 5.52z3 ; donde T (X X) −1 = hatsR = 4.32 0.1772 −0.6909 −0.5043 −0.0605 −0.0896 −0.6909 5.8085 0.2541 0.1478 0.2444 −0.5043 0.2541 5.0070 −0.0680 0.1216 −0.0605 0.1478 −0.0680 0.1049 0.0546 −0.0896 0.2444 0.1216 0.0546 0.1127 (a) Realizar los contrastes individuales con α = 0.01, indicando las variables que influyen significativamente en la presión. Interpretar el resultado explicando el significado de cada parámetro. (b) Si se realiza una regresión entre la presión interna (yi ) y las dos variables continuas x1 y x2 se obtiene el siguiente modelo de regresión ŷ = 23.86 + 65.1x1 − 56.3x2 ; ŝR = 4.78. Contrastar (α = 0.01) conjuntamente que el tipo de bebida no influye. (H0 : α2 = α3 = 0 frente a H1 : α2 ó α3 es distinto de cero). (c) ¿Existe diferencia significativa en las presiones internas de los botes de LIMON y COLA? (α = 0.01) 33. Estimar por máxima verosimilitud los parámetros β 1 y β 2 del modelo yi = β 1 x1i + β 2 x22i + ui ; ui N(0, σ). ¿En qué condiciones los estimadores obtenidos por máxima verosimilitud son iguales que los obtenidos por mı́nimos cuadrados? 8 34. Obtener la relación entre el coeficiente de determinación R2 y el coeficiente de determinación 2 corregido R . ¿ Que ventajas presenta el segundo frente al primero ? 35. Con el fin de reducir el tiempo de secado se han realizado 20 ensayos con cementos de distintas caracterı́sticas. El ajuste por mı́nimos cuadrados de la ecuación de regresión entre el tiempo de secado y una de las variables x1 es ŝR = 12.8, R2 = 0.37 ŷ = 17.1 + 2.9x1 , (a) Obtener el intervalo de confianza al 95% para el parámetro de la pendiente de la recta e indicar si su efecto es significativo. (b) Incluir en el modelo de regresión otra variable independiente x2 , sabiendo que su varianza muestral es s22 = 9.2, la covarianza entre las dos variables independientes es s12 = −3.35 y la covarianza entre el tiempo de secado y la nueva variable s2y = 9.55. Realizar los contrastes individuales para los parámetros de x1 y x2 . (c) Un estudio teórico del problema indica que el efecto de las dos variables es igual y que por tanto, la ecuación de regresión deberı́a ser ŷ = b̂0 + b̂1 (x1 + x2 ). Con la información de los apartados anteriores, obtener b̂1 y contrastar si la pendiente de la recta es significativamente distinta de cero. 36. Explicar cómo contrastar que dos o más coeficientes en un modelo de regresión múltiple son simultanáneamente nulos. 37. En el análisis de regresión simple entre dos variables, se considera como importante desde el punto de vista práctico, una correlación entre las dos variables igual o superior a r = 0.1. Determinar el número mı́nimo de observaciones con las que se debe estimar el modelo de regresión para que una correlación igual a 0.1, implique que el regresor tiene un efecto significativo sobre la variable dependiente. (Aproximar la distribución t de Student correspondiente por una distribución normal, si Z N(0, 1), P (Z ≤ 1.96) = 0.975). 38. Interpretar geométricamente el problema de estimación por mı́nimos cuadrados en regresión múltiple. Demostrar que los residuos del modelo se obtienen mediante la expresión e = P Y , donde Y es el vector correspondiente a la variable dependiente y P es una matriz de dimensión n × n. Determinar P en términos de la matriz X de los regresores. A partir de la expresión anterior, obtener la distribución de probabilidad de los residuos, la media y la matriz de varianzas. 39. Una de las etapas de fabricación de circuitos impresos requiere perforar las placas y recubrir los orificios con una lámina de cobre mediante electrólisis. Una caracterı́stica esencial del proceso es el grosor de la capa de cobre. Se han realizado 12 experimentos para evaluar el efecto de 7 variables, X1 : Concentración de Cobre, X2 : Concentración de Cloruro, X3 : Concentración de Ácido, X4 : Temperatura, X5 : Intensidad, X6 : Posición y X7 : Superficie de la placa. Cada variable se ha estudiado a dos niveles. Las condiciones experimentales y los resultados de cada experimento se muestran en la tabla. 9 X1 X2 X3 X4 X5 X6 X7 1 1 -1 1 1 1 -1 1 -1 1 1 1 -1 -1 -1 1 1 1 -1 -1 -1 1 1 1 -1 -1 -1 1 1 1 -1 -1 -1 1 -1 1 -1 -1 -1 1 -1 1 -1 -1 -1 1 -1 1 1 -1 -1 1 -1 1 1 -1 -1 1 -1 1 1 -1 1 1 -1 1 1 -1 1 1 -1 1 1 -1 1 1 1 -1 -1 -1 -1 -1 -1 -1 Y 2.13 2.15 1.67 1.53 1.49 1.78 1.80 1.93 2.19 1.61 1.70 1.43 Responder a las siguientes preguntas aplicando el modelo de regresión múltiple, teniendo en cuenta que X T X = 12I8 , donde I8 es la matriz identidad de 8 × 8. (a) Estimar el modelo de regresión múltiple yi = β 0 + β 1 x1i + β 2 x2i + β 3 x3i + β 4 x4i + β 5 x5i + β 6 x6i + β 7 x7i + ui . Obtener la descomposición de la variabilidad del modelo y realizar el contraste H0 : β 1 = β 2 = β 3 = β 4 = β 5 = β 6 = β 7 = 0 frente a la hipótesis alternativa H1 : algún β j es distinto de cero. (NOTA.: X T Y = (21.41, −0.03, 0.01, −0.23, 1.69, 2.35, −0.09, −0.19)T ) (b) Realizar cada uno de los contrastes individuales e indicar qué variables tienen efecto significativo. (c) Eliminar del modelo del apartado 1 todas las variables no significativas. Estimar el modelo y contrastar sus coeficientes. Interpretar los resultados del experimento. 40. Una medida crı́tica de calidad en la fundición de llantas de aluminio por inyección es la porosidad. Se ha realizado un diseño experimental para analizar la porosidad (Y ) en función de la temperatura (T ) del aluminio lı́quido y de la presión (P ) con que éste se inyecta al molde. Se han realizado n=16 experimentos y el modelo obtenido ha sido ŷ = 2.84 + (.048) + 0.26 T2 + (.048) 0.59 T (.048) 0.30 P 2 (.048) - 0.031 P (.048) 0.22 T P (.068) Entre paréntesis se proporciona la desviación tı́pica estimada para cada uno de las estima2 ciones de los parámetros del modelo. Además ŝR = 0.137 y R = 0.9267. Las condiciones experimentales se eligieron de forma que los cinco regresores utilizados en el modelo están incorrelados. 10 (a) Realizar el contraste F general de regresión y los contrastes individuales de todos los coeficientes del modelo, indicando cuál es significativamente distinto de cero. (b) Demostrar que si los regresores estan incorrelados, al eliminar alguno del modelo, las estimaciones de los restantes no varı́an. Además, si se elimina el regresor j, con parámetro estimado β̂ j , la variabilidad no explicada del nuevo modelo V NE1 es igual 2 a V NE0 + ns2j β̂ j , donde V NE0 es la variabilidad no explicada del modelo con todos 2 los regresores. Obtener ŝR y R para el modelo que únicamente incluye los parámetros significativos. (c) Determinar en qué condiciones de presión y temperatura la porosidad es mı́nima según el modelo anterior y dar un intervalo para predicción de la porosidad media en estas condiciones. (Si t es la temperatura medida en grados centı́grados (0 C) y p la presión en kg/cm2 , P T = (t − 650)/10 y P = (pP − 975)/25. En estas unidades se cumple que ni=1 Ti = 0, P P P n n n n 2 2 i=1 Ti Pi = 0) i=1 Pi = 8, i=1 Ti = 8, i=1 Pi = 0, 41. Demostrar que cuando todos los regresores están incorrelados, el coeficiente de determinación Pk 2 2 de un modelo de regresión múltiple cumple R = j=1 rj , donde k es el número de regresores y rj el coeficiente de correlación entre el regresor j y la variable dependiente. 42. Explicar el concepto de multicolinealidad en regresión múltiple, cómo se identifica y cuáles son sus efectos sobre (a) los estimadores β̂ i , (b) los residuos y (c) las predicciones. 43. Demostrar que en un modelo de regresión simple y y el estimador de la pendiente β̂ 1 son independientes. Utilizar esta propiedad para calcular la varianza de β̂ 0 = y − β̂ 1 x. 44. La masa M de un cristal de hielo depositado en una cámara a temperatura (-5o C) y humedad relativa constante crece según la ecuación M = αT β , donde T es el tiempo y α y β son parámetros desconocidos. La relación anterior se linealiza con la transformación logarı́tmica, estimándose el siguiente modelo log M = log α + β log T + u donde el término añadido u son los errores experimentales, que se consideran aleatorios e independientes con distribución normal, N(0,σ 2 ). Diez cristales del mismo tamaño y forma se introdujeron en una cámara, extrayéndose secuencialmente según unos tiempos previamente establecidos. Para determinar la influencia del tipo de cámara, se repitió exáctamente el experimento en una segunda cámara. Los valores de ŝR para la cámara 1 y 2 son 0.64 y 0.50, respectivamente. Los modelos estimados para cada cámara, X T X y (X T X)−1 son: log M1 = −7.30 + 2.40 log T log M2 = −5.74 + 2.03 log T T (X X) −1 = 11 T X X= 18.27 −3.89 −3.89 0.835 10.00 46.66 46.66 218.9 (a) Contrastar con nivel de significación 0.05 si los dos modelos tienen la misma pendiente. Lo mismo para la ordenada en el origen. (NOTA.- Aceptar que la varianza de los dos modelos es la misma y estimarla como el promedio de las dos varianzas residuales calculadas.) (b) Un modelo de regresión múltiple Y = Xβ + U, se replica, es decir se obtienen dos vectores de variables respuesta Y1 , Y2, para los mismo regresores (matriz X). Demostrar que si β̂ 1 y β̂ 2 son los resultados de la estimación de β utilizando por separado la variable Y1 e Y2 ; entonces el estimador de β con todos los datos es (β̂ 1 + β̂ 2 )/2. (c) Estimar un único modelo con los datos de las dos cámaras. Sabiendo que Y T Y = 306.8, donde Y = log M, dar un intervalo de confianza al 99% para los dos parámetros. 45. El molibdeno se añade a los aceros para evitar su oxidación, pero en instalaciones nucleares presenta el inconveniente de ser el causante de gran parte de los productos radioactivos. Se ha realizado un experimento para determinar el grado de oxidación del acero en función del porcentaje de molibdeno. Además se ha tenido en cuenta el efecto del tipo de refrigerante utilizado (R1 , R2 ). Los resultados se muestran en la tabla. Refrig. 0.5% R1 26.2 R2 34.8 R1 33.2 R2 43.0 Media 34.3 Molibdeno (%) 1% 1.5% 23.4 20.3 31.7 29.4 31.3 28.6 40.0 31.7 31.6 27.5 2% Medias 23.3 23.3 26.9 30.7 29.3 30.6 33.3 37.0 28.2 30.4 (a) Escribir un modelo de regresión que incluya el porcentaje de molibdeno y el tipo de refrigerante como regresores; estimar el modelo e indicar qué parámetros son significativos (α = 0.05)). (b) Los experimentos relativos a las dos primeras filas se realizaron en un tipo de instalación y los correspondientes a las dos últimas en otra distinta. Escribir un nuevo modelo que incluya este aspecto. Comprobar que este nuevo regresor está incorrelado con los dos anteriores. Estimar el nuevo modelo. (c) Demostrar que en un modelo con los regresores incorrelados, la eliminación de uno de ellos no influye en el valor de los estimadores β̂ i , (i 6= 0) restantes. ¿ Influye en la varianza residual y en los contrastes ? Explicar este efecto en función de que el parámetro β del regresor eliminado sea o no nulo. 46. Demostrar que en un modelo de regresión múltiple estimado por máxima verosimilitud, los residuos cumplen n X ej xij = 0, j=1 donde [xi1, xi2, ..., xin, ] es cualquier regresor del modelo. Obtener la distribución conjunta del vector de residuos. Si σ 2 es la varianza teórica de la componente aleatoria del modelo, indicar en que circuntancias la varianza de un residuo es mayor que σ 2 . 12 47. Se dispone de una muestra de 86 vehı́culos, de los cuales 31 son japoneses (J), 41 norteamericanos (N) y 14 europeos (E). La media y desviación tı́pica del consumo de gasolina (en litros cada 100 Km) para los coches japoneses es y J = 9.1781, b sJ = 1.42, para los norteamericanos y N = 9.7274, b sN = 1.25 y para los europeos y E = 10.64, b sE = 1.36. (a) Suponiendo que los vehı́culos escogidos son muestras aleatorias independientes y que pueden aplicarse las hipótesis de normalidad y homocedasticidad, contrastar la hipótesis de que el lugar de fabricación no influye en el consumo de combustible. ¿Existe algún grupo con un consumo significativamente menor que los otros dos? (b) Los coches tienen caracterı́sticas muy diferentes (peso, potencia,...) que deben ser tenidas en cuenta para hacer la comparación anterior. Con esa finalidad, se ha ajustado el siguiente modelo de regresión: yb = 3.305 + 0.843 Pot + 3.829 Peso + 0.440 ZJ + 1.127 ZE sb2R = 0.506, R2 = 75.7% donde (X T X)−1 es: 4.791e − 1 5.054e − 2 −3.794e − 1 −9.157e − 2 −4.682e − 2 5.054e − 2 1.595e − 1 −1.931e − 1 −3.443e − 3 −1.262e − 2 −3.794e − 1 −1.931e − 1 4.646e − 1 5.210e − 2 2.865e − 2 −9.157e − 2 −3.443e − 3 5.210e − 2 6.667e − 2 2.744e − 2 −4.682e − 2 −1.262e − 2 2.865e − 2 2.744e − 2 9.759e − 2 dónde la variable dependiente es el consumo, Pot (potencia) está expresada en unidades de 100 Cv, el Peso en Toneladas, ZJ toma el valor 1 si el coche es japonés y cero en los demás, y ZE toma el valor 1 para los coches europeos y cero en los demás. Realizar el contraste general de regresión para el modelo anterior e interpretar los coeficientes estimados. (c) Con el modelo de regresión anterior realizar los tres contrastes siguientes: (c.1) No existe diferencia en el consumo de los coches japoneses y europeos. (c.2) No existe diferencia en el consumo de los coches japoneses y norteamericanos. (c.3) No existe diferencia en el consumo de los coches europeos y norteamericanos. Comparar los resultados con los obtenidos en el apartado 1, explicar a qué se deben las diferencias y justificar cuál es el modelo más adecuado para hacer las comparaciones. 48. El modelo de regresión múltiple con n observaciones y k + 1 variables independientes (incluyendo la constante β 0 ) se puede escribir en notación matricial como Y = Xβ + U, donde U es el vector de variables aleatorias que cumple las hipótesis de normalidad, independencia y homocedasticidad y la matriz de los regresores X es de dimensión n × (k + 1). Demostrar que si se transforma linealmente la matriz X, esto es, W = XA, donde A es cualquier matriz cuadrada de dimensión (k + 1) × (k + 1) y rango máximo, entonces la regresión de Y con la nueva W proporciona las mismas predicciones y los mismos residuos. Justificar geométricamente este resultado. 13 49. La resistencia a la tracción (y) de una aleación metálica en función de la temperatura de templado (x) se ha ajustado con una ecuación de regresión para 30 observaciones resultando: ŷ = 276.1 + 1.9x, ŝR = 15.7, R2 = 0.43 Se puede concluir con una confianza del 95% que la temperatura de templado tiene efecto significativo en la resistencia a la tracción. 50. En Cosby Creek, una ciudad al sur de las montañas Apalaches, se ha hecho un estudio para determinar cómo el pH y otras medidas de acidificación del agua se ven afectadas durante las tormentas. En concreto se han obtenido 17 datos durante cada una de las tres tormentas monitorizadas para un total de 19 variables, aunque en este análisis se analizarán solo 2, el pH y el denominado Weak Acidity (WA). Se ha estimado el modelo de regresión múltiple del valor pH con respecto a la variable WA y para cada una de las tres tormentas. Las tormentas se representan con las variables ficticias z1 , z2 y z3 que identifican respectivamente la tormenta 1, 2 y 3. El modelo estimado de regresión de y con respecto a WA, z1 , z2 y z3 es: c = 5.77 − 0, 00008W A + 0, 998z1 + 1, 65z2 − 0, 005z1 W A − 0, 008z2W A, pH (0,000727) (0,4664) (0,4701) (0,0014) R2 = 0, 866 (0,0016) Entre paréntesis las deviaciones tı́picas estimadas de los estimadores de los parámetros correspondientes. (a) Realice el contraste general de regresión y los contrastes individuales con α = 0, 05 indicando las variables que influyen significativamente en el pH. Interprete el significado de cada parámetro. (b) Proporcione sendos intervalos de confianza al 95% para los parámetros de las interacciones z1 W A y z2 W A. ¿Qué conclusiones pueden extraerse? ¿Se puede simplificar el modelo? 51. Dos becarios del Departamento de Ciencias Sociales están interesados en el estudio de la Tasa de Mortalidad Infantil (TMI). Para ello, han recogido en 107 paı́ses dicha magnitud ası́ como la alfabetización (A), el PIB y la población (Pob) en cada uno de ellos. Las medias y desviaciones tı́picas corregidas de estas 4 variables son: Media DT corregida TMI 42.67 38.3 A PIB Pob 78.34 5831.4 48501 22.88 6537.24 147.991 (a) Si el coeficiente de correlación entre TMI y A vale -0.9005 estime el modelo de regresión simple en el que TMI es la variable respuesta y A la variable explicativa y contraste si la pendiente estimada es significativa. (b) Los becarios han estimado un modelo de regresión múltiple en que la variable dependiente es TMI y las variables independientes son A, PIB y Pob. Observando que la diagnosis del modelo es inadecuada. Estime el modelo de regresión múltiple entre TMI (variable dependiente) y los regresores A, log(PIB) y log(Pob). Para ello se proporciona: 14 e ′ X) e −1 (X 0.0259 −0.0499 0.0001 = 10−3 −0.0499 0.3186 0.0007 0.0001 0.0007 0.0004 −8.3651 e ′ Ye ) = 104 −1.7007 (X 5.1293 e la matriz de estos 3 últimos regresores en desviaciones a la media e Ye el vector siendo X respuesta en desviaciones a la media. ¿Son significativos los coeficientes estimados? c. Para el modelo del apartado anterior realice el contraste general de regresión. ¿Encuentra contradicciones entre el resultado de los contrastes individuales del apartado 2 y el del apartado 3? Justifique la respuesta. d. Los paı́ses objeto del estudio se pueden clasificar en desarrollados y no desarrollados. Para ello se introduce la variable cualitativa Z que toma valor 0 si el paı́s es desarrollado y 1 si no lo es. El modelo resultante se presenta a continuación: T MI = 138.2 − 1.1A − 9.6 log(P IB) + 3.3Z con sb2R = 196.3 Todos los coeficientes estimados resultan significativos. Interprete dichos coeficientes y elija de manera razonada el mejor modelo de entre los propuestos en el segundo y cuarto apartados NOTA: Utilice α = 0.05 para todos los contrastes que sean necesarios. 52. Se ha realizado la regresión entre la anchura y la longitud del pie en centı́metros con datos de chicos y chicas de cuarto curso de la enseñanza secundaria. En la tabla se proporciona el resultado de la regresión. En el modelo se ha incluido una variable cualitativa que toma el valor 1 si la observación corresponde a una chica y 0 si es a un chico. Interpreta el resultado del análisis. Multiple Regression Analysis ----------------------------------------------------------------------------Dependent variable: Anch ----------------------------------------------------------------------------Standard T Parameter Estimate Error Statistic P-Value ----------------------------------------------------------------------------CONSTANT 4,29977 1,12692 3,81551 0,0005 Long 0,21311 0,048554 4,38913 0,0001 Chica -0,272394 0,127844 -2,13067 0,0402 ----------------------------------------------------------------------------Analysis of Variance 15 ----------------------------------------------------------------------------Source Sum of Squares Df Mean Square F-Ratio P-Value ----------------------------------------------------------------------------Model 4,60164 2 2,30082 16,41 0,0000 Residual 4,90599 35 0,140171 ----------------------------------------------------------------------------Total (Corr.) 9,50763 37 R-squared = 48,3994 percent 53. Según la ecuación de los gases ideales, la presión ejercida por un gas a volumen y temperatura constante es proporcional a la masa. Se puede utilizar el siguiente procedimiento para estimar el peso molecular de un gas. Se almacena el gas en un recipiente de volumen constante, y se va soltando poco a poco gas, variando la presión, pero manteniendo la temperatura constante. En la tabla adjunta se proporcionan mediciones de la presión (con respecto a la atmosférica) y de la masa del gas para el árgon. Presión (psi) 52 49 44 39 34 29 25 21 19 19 11 0 Masa (g) 1, 028 0, 956 0, 88 0, 793 0, 725 0, 645 0, 593 0, 526 0, 5 0, 442 0, 373 0, 21 (a) Para estimar el peso molecular del árgon a partir de los datos, se propone el siguiente modelo de regresión Pi = αmi + ui , con ui ∼ N(0, σ 2 ). Obtener el estimador de máxima verosimilitud del parámetro α (b) Realizar el contraste H0 : α = 50 frente a H1 : α 6= 50 con nivel de significación 0.05. (c) Para el modelo del apartado 1, obtener un intervalo de predicción para la presión cuando la masa es igual a 1 gramo. (d) Se considera también el modelo alternativo Pi = β 0 + β 1 mi + ui con ui ∼ N(0, σ 2 ). 16 Obtener la varianza del estimador de E[Ph |mh ], es decir del valor medio de la presión Ph para una masa dada mh con ambos modelos. Si el modelo verdadero fuese el del primer apartado, ¿qué efecto tendrı́a sobre la predicción adoptar el modelo alternativo? 54. Se ha estimado un modelo de regresión con dos variables independientes y 150 observaciones obteniéndose la siguiente ecuación: ybi = −1.17 + 0.025 log x1 + 0.59 log x2 , sb2R = 2.48 b ,β b ]T para el modelo propuesto es La matriz de varianzas estimada de bb = [β 1 2 −1 .253 .201 T 2 X̃ X̃ sbR = . .201 .288 realiza el contraste general de regresión con α = 0.05: H0 : β 1 = β 2 = 0 H1 : algún β i es distinto de cero 55. En el modelo de regresión yi = β 0 + β 1 X1i + β 2 X2i + ui con las hipótesis habituales, explicar como se contrasta H0 : H1 : β1 = β2 β 1 6= β 2 56. Demostrar que en el modelo de regresión múltiple con k regresores y constante, el estadı́stico que contrasta H0 : β 0 = β 1 = β 2 = · · · = β k = 0 frente a H1 : algún β i 6= 0, si H0 es cierta es: F = n−k−1 Y TV Y T Y (I − V )Y k + 1 Fk+1,n−k−1 donde V = X(X T X)−1 X T e I es la matriz identidad de dimensión n × n. 57. En la tabla siguiente se muestra el resultado de un experimento para relacionar el calor generado en el proceso de endurecimiento del 13 muestras de cemento en función de su composición. Los regresores Xi corresponden al porcentaje de 4 componentes de la mezcla. 17 Fila X1 7 1 11 11 7 11 3 1 2 21 1 11 10 1 2 3 4 5 6 7 8 9 10 11 12 13 Regresores X2 X3 X4 26 6 60 29 15 52 56 8 20 31 8 47 52 6 33 55 9 22 71 17 6 31 22 44 54 18 22 47 4 26 40 23 34 66 9 12 68 8 12 Calor Y 78.5 74.3 104.3 87.6 95.9 109.2 102.7 72.5 93.1 115.9 83.8 113.3 109.4 Modelo II Residuo vii -1.574 0.25 1.049 0.26 -1.515 0.12 -1.658 0.24 -1.393 0.08 4.048 0.11 -1.302 0.36 -2.075 0.24 1.825 0.18 1.362 0.55 3.264 0.18 0.863 0.20 -2.893 0.21 Modelo I Parámetros Constante X1 X2 X3 X4 Estimación 62.4 1.55 0.51 0.10 -0.14 Modelo II Desv. Tı́p. Estimadas 70.1 0.74 0.72 0.75 0.71 t 0.89 2.08 0.70 0.13 -0.20 Parámetros Constante X1 X2 Fuentes Grados Lib. Explic. Residual Total 2667.9 47.8 2715.7 4 8 12 t 23.0 12.1 14.4 Análisis de la Varianza Análisis de la Varianza Variabilidad Estimación 52.6 1.46 0.66 Desv. Tı́p. Estimadas 2.28 0.12 0.045 Var. F Fuentes Variabilidad 667.0 5.98 111.5 Explic. Residual Total 2657.8 57.9 2715.7 Grados Lib. 2 10 12 Var. F 1328.9 5.8 229.5 En las tablas se proporcionan dos modelos de regresión lineal, con las estimaciones de los parámetros, las desviaciones tı́picas estimadas de éstos y los estadı́sticos t de los contrastes individuales. Debajo se incluyen las tablas de análisis de la varianza de cada modelo. (a) Realizar los contrastes H0 : β i = 0 frente H1 : β i 6= 0 para los distintos parámetros en los dos modelos. Realizar el contraste conjunto H0 : β 3 = β 4 = 0 frente H1 : alguno de los dos es 6= 0. ¿Se puede concluir con éstos datos que X4 no influye significativamente en el calor Y ? (b) Estimar el modelo de regresión simple del calor Y y la variable explicativa X4 ¿Influye significativamente X4 en el calor Y ? Analizar este resultado e interpretarlo teniendo en cuenta el resultado del apartado anterior. (c) En la tabla superior se muestran los residuos del modelo II y los elementos de la diagonal de la matriz V = X(X T X)−1 X T . Indicar los residuos con mayor y menor varianza, justificando la respuesta. Si se vuelve a repetir los experimentos en estas dos 18 condiciones, dar un intervalo para la predicción de los nuevos valores de la variable dependiente (usar α = 0.05). 58. En un estudio de regresión simple con 35 observaciones ha resultado el siguiente modelo ŷ = 0.12 + 7.6 log(x), ŝR = 1.2, R2 = 0.37 Obtener el intervalo de confianza al 95% para el parámetro de la pendiente e indicar si su efecto es significativo.(El percentil 0.975 de la distribución t de Student con 33 grados de libertad es 2.03) 59. Los datos siguientes corresponden a la pérdida (P) por abrasión en gr/h y su medida de dureza (D) en grados Shore para 15 gomas de caucho de alta resistencia a la tensión (A) y otras 15 gomas de caucho con resistencia a la tensión baja (B): A A A A B B B B D D P P D D P P 75 53 128 221 45 89 372 114 55 61 66 71 71 81 86 60 64 68 79 81 56 206 175 154 136 112 55 45 166 164 113 82 32 228 68 83 88 59 71 80 82 51 59 65 74 81 86 196 97 64 249 219 186 155 341 340 283 267 215 148 Escribir el modelo estadı́stico, indicar los parámetros y explicar el procedimiento de estimación para estudiar con estos datos simultáneamente el efecto de la dureza y de la resistencia a la tensión (alta o baja) en las pérdidas por abrasión. Indicar cómo contrastar con el modelo propuesto que “las gomas de caucho con baja resistencia a la tracción tienen por término medio mayor pérdida que las gomas con resistencia a la tracción baja.” (Nota.- No se pide ningún cálculo numérico, los datos se presentan para ilustrar y describir el problema de forma precisa). 60. Sea x1 la altura del tronco de un árbol y x2 el diámetro del mismo en su parte inferior. El volumen y del tronco de árbol puede ser calculado aproximadamente con el modelo yi = αx1i x22i + ui , según el cual, el volumen del tronco es proporcional al volumen de un cono con las medidas x1i , x2i , siendo α el parámetro (desconocido) de proporcionalidad, más una componente de error aleatorio ui . La tabla siguiente contiene los datos (en metros y metros cúbicos) correspondientes a una muestra aleatoria de 15 troncos de una variedad de pino. 19 Obs. 1 2 3 4 5 6 7 8 x1i 10,1 11,3 20,4 14,9 23,8 19,5 21,6 22,9 x2i 0,117 0,13 0,142 0,193 0,218 0,236 0,257 0,269 x1i x22i 0,14 0,19 0,41 0,56 1,13 1,09 1,43 1,66 yi 0,062 0,085 0,204 0,227 0,47 0,484 0,623 0,722 x1i 19,8 26,8 21 27,4 29 27,4 31,7 Obs. 9 10 11 12 13 14 15 x2i 0,297 0,328 0,351 0,376 0,389 0,427 0,594 x1i x22i 1,75 2,90 2,60 3,90 4,40 5,00 11,2 yi 0,821 1,280 1,034 1,679 2,073 2,022 4,630 (a) Estimar α por máxima verosimilitud suponiendo que las variables ui tienen distribución normal de media cero, con la misma varianza e independientes. (b) Un tronco tiene una altura de 20 metros y un diametro de 0.25 metros, dar un intervalo de predicción de su volumen (95% de confianza). La varianza residual del modelo es 0,0058. (c) En el análisis de los residuos se observa que la varianza de los errores crece con el volumen del tronco. Para obtener homocedasticidad se propone el siguiente modelo transformado utilizando logaritmos neperianos, log yi = β 0 + β 1 log x1i + β 2 log x2i + ui El resultado de la estimación es: Parámetro β0 β1 β2 Estimación -1,45 1,14 1,86 0, 1250 0, 0212 −0, 0317 cb = 0, 0212 0, 0082 −0, 0051 M β −0, 0317 −0, 0051 0, 0042 y cb = b siendo M s2R (X T X)−1 (X es la matriz de los regresores transformados según el β modelo) La transformación logarı́tmica del modelo inicial (αx1i x22i ) implicarı́a que β 1 = 1 y β 2 = 2. Contrastar (nivel de significación 0.05) si estos dos valores son aceptables. (d) Con este modelo, dar un intervalo de predicción (95% de confianza) para el volumen del tronco del apartado 2 si la varianza residual es 0,0031. 61. La cantidad máxima yi de cierto compuesto disuelta en un litro de agua a temperatura xi sigue el modelo de regresión simple, yi = β 0 + β 1 xi + ui , dónde ui cumple las hipótesis de normalidad, homocedasticidad (Var(ui ) = σ 2 ) e independencia. Una muestra de n disoluciones diferentes han proporcionado los valores (yi , xi ). ′ Además se han medido las cantidades disueltas y1′ , y2′ , ..., ym en otra muestra de m disoluciones que se encontraban a la misma temperatura x0 . El valor x0 es desconocido. Estimar por máxima verosimilitud los parámetros β 0 , β 1 , σ 2 y x0 utilizando las n + m observaciones. 20 62. Explicar en qué consiste el problema de la multicolinealidad en el modelo de regresión: cómo se detecta, cómo se puede corregir y cuáles son sus efectos. 63. Ciertas propiedades del acero se mejoran sumergiéndolo a alta temperatura (T0 = 1525 o F ) en un baño templado de aceite (t0 = 95 o F ). Para determinar la influencia de las temperaturas del acero y del baño de aceite en las propiedades finales del material se han elegido tres valores de la temperatura del acero y tres del baño de aceite, 1450 o F 70 o F Temperatura acero (T ) 1525 o F Temperatura aceite (t) 95 o F o 1600 F 120 o F y se han realizado los siguientes experimentos: x1i x2i yi 0 0 0 0 -1 1 -1 0 0 0 0 -1 -1 1 49.2 49.4 47.0 49.5 28.2 88.6 54.9 1 0 0 -1 1 1 -1 1 0 0 31.3 59.2 43.6 41.9 58.0 dónde se ha utilizado la siguiente transformación (para simplificar cálculos) x1i = Ti − 1525 75 y x2i = ti − 95 . 25 Estimar el modelo de regresión yi = β 0 + β 1 x1i + β 2 x2i + β 3 x1i x2i + ui e indicar qué parámetros son significativos para nivel de significación 0.05, teniendo en cuenta que la desviación tı́pica residual es b sR = 9.6. Estimar y contrastar el modelo anterior empleando las variables originales Ti y ti . 64. Se ha ajustado un modelo de regresión para estudiar el efecto de la velocidad de corte (x1 ) y el caudal de refrigerante (x2 ) en la duración (y) de una herramienta de corte. Las tres variables se han transformado mediante el logaritmo neperiano y el modelo estimado ha sido: log y = 18, 30 − 5, 050 log x1 (1,65) (0,19) − 3, 750 log x2 (0,34) (entre paréntesis se proporcionan las desviaciones tı́picas estimadas de los coeficientes estimados del modelo). El número de observaciones es 32 y la desviación tı́pica residual b sR = 0, 24. Obtener los intervalos de confianza (99%) para los tres parámetros de la ecuación de regresión. El coeficiente de determinación es R2 = 0, 96, realizar el contraste conjunto de los parámetros correspondientes a las dos variables explicativas. 65. Se ha ajustado el siguiente modelo de regresión múltiple con una muestra de 86 vehı́culos, de los cuales 31 son japoneses , 41 norteamericanos y 14 europeos, dónde la variable dependiente es el consumo, y los regresores: Pot (potencia) está expresada en unidades de 100 Cv, el 21 Peso en Toneladas, ZJ toma el valor 1 si el coche es japonés y cero en los demás, y ZE toma el valor 1 para los coches europeos y cero en los demás. yb = 3.305 + 0.843 Pot + 3.829 4.791e − 1 5.054e − 2 (X T X)−1 = −3.794e − 1 −9.157e − 2 −4.682e − 2 Peso + 0.440 ZJ + 1.127 ZE sb2R = 0.506, 5.054e − 2 −3.794e − 1 −9.157e − 2 1.595e − 1 −1.931e − 1 −3.443e − 3 −1.931e − 1 4.646e − 1 5.210e − 2 −3.443e − 3 5.210e − 2 6.667e − 2 −1.262e − 2 2.865e − 2 2.744e − 2 R2 = 75.7% −4.682e − 2 −1.262e − 2 2.865e − 2 2.744e − 2 9.759e − 2 Dar el intervalo de confianza para el consumo previsto de un coche norteamericano con una potencia de 120 Cv y 1600 Kg de peso. 66. El modelo de regresión múltiple que relaciona el calor generado en el proceso de endurecimiento (variable dependiente) de 13 muestras de cemento en función de su composición x1 , x2 , x3 y x4 , es ybi = 62.4 + 1.55 x1i + 0.51 x2i + 0.10 x3i − 0.14 x4i (70.1) (0.74) (0.72) (0.75) (0.71) (entre paréntesis la desviación tı́pica estimada de las estimaciones de los parámetros). Abajo se proporciona el coeficiente de determinación R2 de los 15 modelos de regresión diferentes que se obtienen según los regresores elegidos. R2 Variables en el Modelo 53.3948 x1 66.6268 x2 28.5873 x3 67.4542 x4 97.8678 x1 , x2 54.8167 x1 , x3 97.2471 x1 , x4 84.7025 x2 , x3 68.0060 x2 , x4 93.5290 x3 , x4 98.2285 x1 , x2 , x3 98.2335 x1 , x2 , x4 98.1281 x1 , x3 , x4 97.2820 x2 , x3 , x4 98.2376 x1 , x2 , x3 , x4 ¿Qué variables influyen significativamente en el calor generado? Justificar la respuesta. ¿Qué modelo seleccionarı́as para predecir el calor generado? 67. Se desea estudiar la relación entre el sueldo de 100 personas, en función del número de años que llevan trabajando y el sector al que pertenecen, pudiéndose dividir el sector en 22 S=servicios, I=industria, A=agricultura. Escribir el modelo de regresión entre el sueldo (variable respuesta) y el resto de las variables. Se estima este modelo de regresión obteniendo una varianza residual sb2R = 0.25. Con el objetivo de contrastar si el sector influye en el sueldo se estima otro modelo de regresión que no contiene ninguna variable de sector, para este ′ modelo se obtiene una varianza residual b sR2 = 0.4. Contrastar si el sector influye en el sueldo que perciben los empleados (α = 0.05). 68. En un modelo de regresión múltiple Y = Xβ+U se realiza la transformación de los regresores Z = XA, donde X es la matriz de los regresores, y A una matriz cuadrada de rango máximo. Calcular la estimación de los coeficientes del nuevo modelo Y = Zβ N + U en función de los antiguos. 10.64. (S-00) Se ha estimado el siguiente modelo de regresión entre la variable y y los regresores x1 , x2 y x3 , ŷ = 61.1 + 46.1 log x1 + 83.1 log x2 + 27.9 log x3 , ŝR = 5.49 Teniendo en cuenta que el número de observaciones es 0.1939 −0.0892 −0.0892 0.1924 (X T X)−1 = −0.0887 −0.0125 −0.1534 0.0010 n = 60 y que −0.0887 −0.1534 −0.0125 0.0010 0.2093 −0.0066 −0.0066 0.2613 Dar un intervalo de confianza para los 4 parámetros de la ecuación de regresión y para la varianza del modelo (α = 0.05). 69. Se ha estimado un modelo de regresión múltiple para explicar el consumo de combustible de automóviles en función del peso, la potencia y el lugar de fabricación. La muestra es de 86 vehı́culos, de los cuales 31 son japoneses (J), 41 norteamericanos (N) y 14 europeos (E). yb = 3.305 + 0.843 Pot + 3.829 Peso + 0.440 ZJ + 1.127 ZE , sb2R = 0.506, R2 = 75.7% 4.791e − 1 5.054e − 2 −3.794e − 1 −9.157e − 2 −4.682e − 2 5.054e − 2 1.595e − 1 −1.931e − 1 −3.443e − 3 −1.262e − 2 T −1 −3.794e − 1 −1.931e − 1 4.646e − 1 5.210e − 2 2.865e − 2 (X X) = −9.157e − 2 −3.443e − 3 5.210e − 2 6.667e − 2 2.744e − 2 −4.682e − 2 −1.262e − 2 2.865e − 2 2.744e − 2 9.759e − 2 La variable dependiente, el consumo, está medida en litros cada 100 km, Pot es la potencia y está expresada en unidades de 100 Cv, el Peso en Toneladas, ZJ toma el valor 1 si el coche es japonés y cero en los demás, y ZE toma el valor 1 para los coches europeos y cero en los demás. Realizar el contraste general de regresión y los contrastes individuales para el modelo anterior. Interpretar el resultado. 70. En una muestra de 31 árboles se ha medido la altura (x1i ), el diámetro del árbol a un metro de altura sobre el suelo (x2i ) y el volumen de madera del tronco (yi ) y se ha estimado el siguiente modelo de regresión log(yi ) = β 0 + β 1 log(x1i ) + β 2 log(x2i ) + ui . Los resultados se muestran en las tablas siguientes: 23 Análisis de regresión múltiple Variable dependiente: Log(Volumen) Regresor Estimación Desviación tı́pica Estadı́stico t Nivel crı́tico Ordenada en el origen -6,63162 0,79979 -8,2917 0,0 Log(Altura) 1,11712 0,20444 -5,4644 0,0 Log(Diámetro) 1,98265 0,07501 26,4316 0,0 Fuente Modelo Residual Total Análisis de la varianza Suma de cuadrados G. de L. Varianzas Cociente F Nivel crı́tico 8,12323 2 4,06161 613,19 0,0 0,18546 28 0,00662 8,30869 30 Aproximando el volumen del árbol por el de un tronco cónico, el volumen debe ser proporcional a kx1i x22i y tomando logaritmos log(k) + log(x1i ) + 2 log(x2i ). Realizar los siguientes contrastes de hipótesis con nivel de significación 0,05: ′ H0 : β 1 = 1 H0 : β 2 = 2 . H1 : β 1 6= 1 H1′ : β 2 6= 2 71. Una medida crı́tica de calidad en la fundición de llantas de aluminio por inyección es la porosidad. Se ha realizado un diseño 22 replicado (n = 16 experimentos) para analizar la porosidad (Y ) en función de la temperatura (T ) del aluminio lı́quido y de la presión (P ) con que éste se inyecta al molde. El modelo obtenido ha sido ŷ = 2.84 + 0.59 T - 0.031 P - 0.22 T P y ŝR = 0.137 . Indica qué efectos son significativos (α = 0.05) y las condiciones óptimas de fabricación 72. En la tabla siguiente se presenta la estimación de la regresión entre el resultado en la prueba del salto de longitud de 34 atletas y los tiempos de estos mismos atletas en las pruebas de 100 metros lisos, 110 metros valla, 400 metros y 1500 metros. Constante X1 (100 m) X2 (110 m) X3 (400 m) X4 (1500 m) Coeficientes b β Desv. T. i 17.9 2.12 -.462 .266 -.181 .124 -3.39E-02 .070 -4.47E-03 .004 t p-valor 8.45 0.000 -1.73 0.093 -1.45 0.155 -.485 0.631 -1.03 0.312 La variabilidad total de los datos es 4.613, la variabilidad explicada 2.199 y la variabilidad residual 2.413. Realizar el contraste general de regresión, e interpretar el resultado del contraste y los contrastes individuales de la tabla. 24