Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 14 vistas

    AD 2018 Clase 12s

    Cargado por

    Benjamíns Eduardo Segovia
    ssss

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    AD 2018 Clase 12s

    Cargado por

    Benjamíns Eduardo Segovia
    14 vistas42 páginas
    ssss

    Título original

    AD+2018+clase+12s

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    ssss

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    14 vistas42 páginas

    AD 2018 Clase 12s

    Cargado por

    Benjamíns Eduardo Segovia
    ssss

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 42

    Regresión lineal simple

    Miércoles 26 de septiembre

    Carmen Le Foulon

    Análisis de Datos Polı́ticos - ICP 0502


    Hoy veremos

    1. Varios

    2. Métodos de Mı́nimos Cuadrados Ordinarios

    1
    Varios
    Control 1 y 2

    • Control 1: bajo logro.


    • Si bien, ejercicios similares a ejercicios guı́a y hechos en clase.
    • Por ello: control 2 será acumulativo.
    • Nota control 1 se podrá reemplazar por la del Control 2: sólo
    quienes completen en forma individual guı́a de Webcursos.

    2
    Guı́a de ejercicios

    • Se encuentra disponible en Webcurso.


    • SOLO QUIENES ENTREGUEN ESTA GUÍA RESPONDIDA EN
    FORMA COMPLETA, INDIVIDUAL Y EN FORMA ESCRITA (A
    MANO) TENDRÁN LA OPCIÓN DE REEMPLAZAR LA NOTA
    DEL CONTROL 1 POR EL CONTROL 2.
    • Fecha y hora entrega: lunes 1 de octubre, 15:30hrs a la profesora al
    inicio de la clase.
    • Si se opta por reemplazar: Control 2 ponderará 15 %.
    • Se entiende que si Nota C1 > Nota C2, no se reemplaza y se
    mantienen ambas notas.

    3
    Hemos visto en inferencia

    • Intervalos de confianza de proporciones y medias.


    • Pruebas de hipótesis: diferencias de medias o proporciones entre dos
    grupos.
    • Pruebas de asociación entre variables categóricas

    4
    Lo que veremos el resto del semestre

    • Determinar el efecto de variables explicativas en una variable


    cuantitativa a explicar.
    • En la terminologı́a tradicional: explicar una variable dependiente por
    medio de variables independientes.
    • En particular, vamos a decir que una variable explicada (Y) es
    función de una o más variables explicativas, (Xs).

    5
    Lo que veremos el resto del semestre

    • Entonces: Y=f(X).
    • Esa función es la función de la recta.
    • Además, vamos a suponer que hay una relación verdadera, es decir,
    en la población, entre la variable explicada y las explicativas.
    • Lo que buscamos es estimar esa función, en particular, los
    parámetros de esa función.

    6
    Lo que veremos el resto del semestre

    • Entonces: Y=f(X).
    • Esa función es la función de la recta.
    • Además, vamos a suponer que hay una relación verdadera, es decir,
    en la población, entre la variable explicada y las explicativas.
    • Lo que buscamos es estimar esa función, en particular, los
    parámetros de esa función.

    7
    Repasando: Ecuación de la recta

    Ecuación de la recta: Y = a + bX

    8
    Repasando: Ecuación de la recta

    Ecuación de la recta: Y = a + bX

    9
    Repasando: Ecuación de la recta

    Ecuación de la recta: Y = a + bX

    10
    Estimar la relación entre Y y Xs

    • Suponemos una relación verdadera, es decir, poblacional, entre la


    variable explicada y las explicativas.
    • Lo que buscamos es estimar esa función, en particular, los
    parámetros de esa función: a y b.
    • Llamaremos coeficientes a los parámetros de la función de la recta.
    • El método que utilizaremos para estimar esos coeficientes es el
    método de mı́nimos cuadrados ordinarios.

    11
    Métodos de Mı́nimos Cuadrados
    Ordinarios
    ¿Cuál es la relación entre mortalidad infantil y
    libertad de expresión?

    América Latina y el Caribe (2012)

    12
    Buscamos encontrar una recta que explique la relación

    Tenemos muchas alternativas

    13
    Buscamos encontrar una recta que explique la relación

    Tenemos muchas alternativas

    14
    Buscamos encontrar una recta que explique la relación

    Tenemos muchas alternativas

    15
    Buscamos encontrar una recta que explique la relación

    Tenemos muchas alternativas, cómo elegimos la ”mejor”

    16
    Buscamos encontrar una recta que explique la relación

    • ¿Cómo elegimos la mejor?


    • Qué método usamos para elegirla.
    • Vamos a decir que mejor es aquella que pasa más cerca de todos los
    puntos
    • ¿Cómo definimos cerca?
    • Diferencia entre el valor predicho por la recta y el valor observado

    17
    Residuo: diferencia entre el predicho y observado

    18
    Residuo: diferencia entre el predicho y observado

    19
    Método para encontrar la mejor recta

    • La mejor recta es aquella que minimiza la suma de los residuos, AL


    CUADRADO
    • ¿Qué implica al cuadrado?
    • Es una suma: al cuadrado es siempre positivo
    • Mayor peso a las observaciones que éstan más lejos

    20
    Métodos de Mínimos Cuadrados
    Ordinarios
    • Mejor recta: aquella que minimiza la suma de los
    residuos al cuadrado

    • Por lo tanto, tenemos que encontrar los valores de a


    y b que minimicen la suma de los residuos al
    cuadrado.
    Métodos de Mínimos Cuadrados
    Ordinarios
    • Residuo: la diferencia entre el valor observado y el
    predicho por la regresión: 𝑟𝑖

    • Valor observado: valor de 𝑦 que observo en mis


    datos: 𝑦𝑖

    • Valor predicho: el valor que obtengo de aplicar la


    función al 𝑥𝑖 : 𝑦i = 𝑎 + 𝑏𝑥𝑖 .
    Practiquemos:
    Probando para a=5 y b=2:
    𝑦𝑖 = 5 + 2 ∗ 𝑥𝑖
    Valor observado Valor Residuo
    𝒚𝒊 𝒙𝒊 predicho 𝒓𝒊
    𝒚𝒊

    27 10
    16 8
    28 13
    21 6
    Practiquemos:
    𝑦𝑖 = 5 + 2 ∗ 𝑥𝑖
    Valor Valor Residuo
    observado 𝒙 predicho 𝒓
    𝒚 𝒚

    27 10 25 2
    16 8 21 -5
    28 13 31 -3
    21 6 17 4
    Practiquemos:
    𝑦𝑖 = 5 + 2 ∗ 𝑥𝑖

    Valor Valor Residuo al


    observado 𝒙𝒊 predicho Residuo cuadrado
    𝒚𝒊 𝒚𝒊 𝒓𝒊 𝒓𝟐𝒊

    27 10 25 2 4
    16 8 21 -5 25
    28 13 31 -3 9
    21 6 17 4 16
    Métodos de Mínimos Cuadrados
    Ordinarios
    • Pero no conocemos los valores de a y b.

    • Una opción es probar con todos los valores posibles


    de a y b….
    Métodos de Mínimos Cuadrados
    Ordinarios
    • Pero no conocemos los valores de a y b.

    • Una opción es probar con todos los valores posibles


    de a y b….
    Métodos de Mínimos Cuadrados
    Ordinarios
    • Encontramos un estimador – una función de los datos.

    • Cómo: en base a nuestra definición de la mejor recta:


    aquella que minimiza la suma de los residuos al cuadrado

    • Por lo tanto, tenemos que encontrar los estimadores de


    a y b que minimicen la suma de los residuos al cuadrado.

    𝑛 𝑛
    SRC = 𝑖=1(𝑦𝑖 − 𝑦𝑖 )2 = 𝑖=1(𝑦𝑖 − (𝑎 + 𝑏𝑥𝑖 )2
    Métodos de Mínimos Cuadrados Ordinarios
    Buscamos a y b, tal que minimicen:
    SRC = 𝑛𝑖=1(𝑦𝑖 − 𝑦𝑖 )2 = 𝑛𝑖=1(𝑦𝑖 − (𝑎 + 𝑏𝑥𝑖 )2

    Para minimizar:
    • Se igualan las primeras derivadas a 0:

    𝜕(𝑆𝑅𝐶) 𝑛
    = 𝑖=1 −2∗(𝑦𝑖 −𝑎 − 𝑏𝑥𝑖 ) = 0
    𝜕𝑎

    𝜕(𝑆𝑅𝐶) 𝑛
    𝜕𝑏
    = 𝑖=1 2∗−𝑥𝑖 ∗ (𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 ) = 0
    Derivando los coeficientes
    Resolviendo el sistema de ecuaciones, se obtiene:

    a = 𝑦 - b𝑥

    𝑏=

    Por lo tanto, esta es la fórmula de los coeficientes


    de la recta que minimizan la suma de la distancia al
    cuadrado entre los valores observados y los valores
    predichos.
    Practiquemos:
    𝑦 = 23, 𝑥 = 9.25
    𝒚𝒊 𝒙𝒊 (𝒙𝒊 − 𝒙) (𝒚𝒊 − 𝒚) (𝒙𝒊 − 𝒙)*(𝒚𝒊 − 𝒚) (𝒙𝒊 − 𝒙) 𝟐

    27 10 0,75 4 3 0,5625
    16 8 -1,25 -7 8,75 1,5625
    28 13 3,75 5 18,75 14,0625
    21 6 -3,25 -2 6,5 10,5625
    Suma: 37 26,75

    b=
    b = 37/26.75=1.383
    a= 𝑦 - b𝑥 = 23- 9.25*1.383=10.205
    Para los coeficientes obtenidos por MCO
    Propiedades algebraicas
    • Propiedades algebraicas son propiedades que se derivan
    de la forma cómo calculamos los coeficientes. Es decir, se
    derivan del método que usamos.

    • En particular, se pueden derivar de las llamadas


    “ecuaciones normales”: las primeras derivadas igualadas
    a cero.

    • Debido a que son propiedades que se derivan de la


    forma en que se obtienen los coeficientes, son
    propiedades de los coeficientes obtenidos por MCO

    • Es decir: SIEMPRE SE CUMPLEN.


    Para los coeficientes obtenidos por MCO
    Propiedades algebraicas
    • La recta pasa por las medias de x e y:
    𝑦 = a + b𝑥

    • La suma de los residuos es siempre cero.


    𝑟𝑖 = 0

    • La suma de la multiplicación de los residuos


    por la variable x es siempre cero
    𝑥𝑖 ∗ 𝑟𝑖 = 0
    Hasta ahora
    • SÓLO HEMOS DESCRITO
    • Por lo tanto:
    – Las propiedades algebraicas SIEMPRE SE
    CUMPLEN
    – Siempre podemos estimar una regresión, sin
    importar lo “tonta” que sea la relación.
    Por ejemplo….con R2=.44
    Función poblacional
    • Ahora, buscamos estimar una función
    poblacional a través de una muestra de datos.
    • Para ello, debemos realizar una serie de
    supuestos.
    Supuestos del Modelo Clásico de
    Regresión
    Supuestos del modelo clásico de
    regresión

    • La teoría describe una relación deterministica entre la


    variable dependiente y las independientes.

    • Los supuestos describen la forma del modeloy la


    relación entre sus distintos componentes.

    • Supuestos sobre como los datos fueron generados, es


    decir, del proceso generador de datos subyacentes.
    Supuestos del
    modelo clásico de regresión
    1. Linealidad en los parámetros:
    𝑦 = 𝛽0 + 𝛽1 𝑥 + 𝜇
    2. Rango completo
    3. Media condicional del error igual a cero: 𝐸 𝜇 𝑥 = 0
    4. Variables explicativas no estocásticas (situación
    experimental). En datos observacionales:
    – 𝐸 𝜇 𝑥 = 0, muestreo aleatorio, y sin error de medición.
    5. Homocedasticidad: cada error 𝑢𝑖 tiene la misma
    varianza finita

    También podría gustarte