Académique Documents
Professionnel Documents
Culture Documents
Modelo lineal
En estadstica, el termino modelo lineal es usado en diferentes maneras de acuerdo al contexto. La manera mas frecuente es en conexin con modelos de regresin y el termino a menudo se toma como un sinnimo del modelo de regresin lineal. Sin embargo, el termino es tambin usado en anlisis de series de tiempo con un significado diferente. En cada caso, la denominacin como "lineal" es usada para identificar una subclase de modelos para los cuales la reduccin en complejidad de la teora estadstica relacionada es posible.
aleatorias representando errores en la relacin. La parte "lineal" se refiere a la apariencia de los coeficientes de regresion, j en esta ecuacion. Alternativamente, se puede decir que los valores ajustados correspondientes al anterior modelo, notados son funciones lineales de los j. Dado que la estimacin se toma en la base de un anlisis de minimos cuadrados, las estimaciones de los parametros desconocidos j se determinan al minimizar una funcin de suma de cuadrados
Por lo tanto, se puede ver que el aspecto "lineal" del modelo implica lo siguiente: la funcin a ser minimizada es una funcin cuadrtica de los j para lo cual el problema de minimizacin es relativamente simple; las derivadas de la funcin son funciones lineales de los j haciendo fcil de encontrar los valores estimados que la minimizan; los valores estimados de j son funciones lineales de las observaciones Yi; los valores estimados de j son funciones lineales de los errores aleatorios i lo cual hace relativamente fcil determinar sus propiedades estadsticas.
Modelo lineal
Modelos multinomiales Tambin podemos recurrir a los modelos lineales para estimar modelos multinomiales. Un ejemplo es el siguiente:
El estimador mnimo cuadrtico es aquel que hace mnima la suma de los cuadrados de estos errores. Esta suma es:
optimizacin sin restricciones. Los clculos llevan a las llamadas ecuaciones normales que tiene que verificar el valor de que hace mnima la suma de los cuadrados de los errores.
resulta ser:
Modelo lineal Insesgado Si los errores -que son variables aleatorias- son insesgados es: Es importante que incluyamos en el modelo todos los factores relevantes: si falta alguno, es posible que los errores no tengan media cero y el estimador de los coeficientes ser sesgado. No obstante, cualquier buen modelo lineal ayuda a comprender un fenmeno y a hacer buenas estimaciones. Si incluimos factores de influencia dudosa, tambin podemos provocar un sesgo en el estimador mnimo-cuadrtico. Desde hace muchos aos, existe una teora de inferencia en modelos lineales que nos permite decidir -con un pequeo margen de error- si un factor es o no relevante. Residuos Los errores cometidos por el modelo cuando se usa el verdadero valor del parmetro son obstante, nosotros no conocemos el verdadero valor del parmetro dados por: En nuestros clculos, tampoco manejaremos la suma de los cuadrados de los errores, sino la suma de los cuadrados de los residuos: , sino slo su estimacin . No y esto provoca , el estimador mnimo-cuadrtico tambin lo
que no manejemos los verdaderos errores cometidos, sino su estimacin, a la que llamaremos residuos y que vienen
donde, de nuevo, las cantidades t son variables aleatorias que representan las innovaciones o nuevos efectos aleatorios que aparecen en un instante determinado pero solo afectan a X en lo sucesivo de la serie. En este contexto, el termino modelo lineal se refiere a la estructura de la relacin que representa a Xt como una funcion lineal de los valores anteriores de la misma serie de tiempo y de innovaciones en el mismo instante e instantes pasados.[2] Este aspecto particular de la estructura indica que hay una manera simple de encontrar relaciones para la media y las propiedades de covarianza de la series. Note que la parte "lineal" del termino "modelo lineal" no se refiere a los coeficientes i y i, como era el caso en el modelo de regresion, pero se ve estructuralmente similar.
Modelo lineal
Referencias
[1] "Linear Regression Analysis" G.A.F Seber Editorial Wiley-Interscience [2] Priestley, M.B. (1988) Non-linear and Non-stationary time series analysis, Academic Press. ISBN 0-12-564911-8
Licencia
Creative Commons Attribution-Share Alike 3.0 Unported //creativecommons.org/licenses/by-sa/3.0/