Académique Documents
Professionnel Documents
Culture Documents
1.
Introducci
on
2.
Modelo de Regresi
on Logstico
(Intercept)
TEMPE
CO
DAZUFRE
RESTRI
VIENTO
META
GOB
Estimate
-2.0089
-0.0619
-0.0141
0.1963
6.0208
-0.1465
0.2819
-4.9124
Std. Error
1.1870
0.1010
0.0301
0.1047
0.9415
0.0358
0.2431
0.9096
z value
-1.69
-0.61
-0.47
1.87
6.40
-4.09
1.16
-5.40
P-value
0.0906
0.5396
0.6389
0.0608
0.0000
0.0000
0.2461
0.0000
(Intercept)
TEMPE
CO
DAZUFRE
RESTRI
VIENTO
META
Estimate
-4.9168
0.0468
-0.0145
0.2275
4.7508
-0.1304
0.1533
Std. Error
0.9852
0.0774
0.0231
0.0955
0.5012
0.0275
0.1804
z value
-4.99
0.61
-0.62
2.38
9.48
-4.74
0.85
P-value
0.0000
0.5449
0.5320
0.0172
0.0000
0.0000
0.3953
2.1.
Factores de Riesgo
Como se puede apreciar en la Tabla 1. se tiene que las variables TEMPE, CO, DAZUFRE y META no son
significativas (considerando un valor de significancia de un 5 %), vale decir que estas variables no seran factores
de riesgo.
Para el caso del modelo sin considerar la variable GOB, se tiene que las variables TEMPE, CO y META no son
significativas para el modelo, vale decir que a un nivel de significancia del 5 %, no se rechaza la hipotesis de que
los par
ametros de las variables mencionadas sean 0.
Sin embargo, se recomienda ir probando todos los modelos posibles hasta llegar al mejor. Para ello, se realizar
a
un proceso de Stepwise-Backward.
R cuenta con una funci
on para realizar el proceso descrito anteriormente, basandose en el Criterio de Informaci
on de Akaike1 .
El resultado de aplicar el proceso de Stepwise-Backward es el siguiente:
(Intercept)
DAZUFRE
VIENTO
GOB
RESTRI
Estimate
-1.6866
0.2507
-0.1436
-4.7878
5.9557
Std. Error
0.8334
0.0703
0.0349
0.8613
0.8887
z value
-2.02
3.57
-4.12
-5.56
6.70
P-value
0.0430
0.0004
0.0000
0.0000
0.0000
(Intercept)
DAZUFRE
VIENTO
RESTRI
Estimate
-3.9342
0.2331
-0.1248
4.8806
Std. Error
0.6873
0.0561
0.0267
0.4885
z value
-5.72
4.15
-4.67
9.99
P-value
0.0000
0.0000
0.0000
0.0000
En este caso el modelo considera como no significativas a las variables TEMPE, CO y META, lo cual implica
que no son consideradas factores de riesgo.
2.2.
Interpretaci
on de los Factores de Riesgo
Los coeficientes de los factores de riesgo considerando la variable GOB son los siguientes:
Coefficients
exp(Coefficients)
(Intercept)
-1.69
0.19
DAZUFRE
0.25
1.28
VIENTO
-0.14
0.87
GOB
-4.79
0.01
RESTRI
5.96
385.93
Coefficients
exp(Coefficients)
(Intercept)
-3.93
0.02
DAZUFRE
0.23
1.26
VIENTO
-0.12
0.88
RESTRI
4.88
131.71
2.3.
Intervalos de Confianza
Los intervalos de confianza del modelo general vienen a dar mayor evidencia de cuales son aquellas variables que
fueron eliminadas del modelo, para obtener uno de tipo Parsimonioso. Los resultados para el caso que considera
a la variable GOB y el caso de la que no considera a la variable GOB se pueden apreciar en las siguientes tablas:
2 Cada
interpretaci
on se realiz
o manteniendo como u
nico factor a la variable nombrada y manteniendo constantes las dem
as.
(Intercept)
TEMPE
CO
DAZUFRE
RESTRI
VIENTO
META
GOB
Lmite Inferior
0.01
0.77
0.93
1.02
85.61
0.80
0.85
0.00
Lmite Superior
1.30
1.15
1.04
1.54
3894.12
0.92
2.20
0.03
Lmite Inferior
0.00
0.90
0.94
1.05
46.24
0.83
0.82
Lmite Superior
0.05
1.22
1.03
1.52
335.38
0.92
1.67
Tabla 8: Intervalos de confianza para exp(B), sin considerar variable GOB y N. confianza 95 %
El resultado es de forma an
aloga para el modelo que no considera a la variable GOB. Es decir, las variables que
no son significativas para este modelo, como TEMPE, CO y META contienen al 1 en su intervalo. Por lo tanto
esto da mayor evidencia de que estas variables no son significativas para el segundo modelo.
2.4.
Bondad de Ajuste
La bondad de ajuste nos indica el poder que posee el modelo para hacer predicciones. En otras palabras, la
proporci
on de varianza explicada por el modelo Logit.
Para el modelo que considera a la variable GOB, se obtuvo un R2 de Nagelkerke de 0,9130, lo cual indica que
la eficacia predictiva de la probabilidad de ocurrencia de la variable dependiente es de 91,30 %. Por lo tanto el
8,7 % restante viene explicado por aquellas variables que no fueron incluidas en el modelo.
En el modelo que no considera a la variable GOB, se obtuvo un R2 de Nagelkerke de 0,833. Esto indica que
el modelo posee una eficacia predictiva de la probabilidad de la variable dependiente de un 83,33 %. El 16,7 %
restante es explicado por las variables que no feron incluidas.
2.5.
Modelos Predictivos
RESOL =
3 Si
solo consideramos el estimador B, los intervalos de aquellas variables que no sean significativas contienen al 0.
RESOL =
3.
Conclusiones
Una de las principales conclusiones que podemos obtener es que matematicamente, la variable GOB genera un
aporte significativo al modelo predictor, sin embargo desde el punto de vista causal este no debera ser incluido.
Lo anterior debido principalmente a que si bien la decision es tomada por el gobierno, esta no es de tipo poltica
y se basa principalmente en evaluaciones y mediciones tecnicas de la calidad del aire.
Cabe destacar que los modelos de Regresi
on Logsticos son bastante u
tiles cuando uno desea explicar una
variable respuesta de tipo binaria u ordinal, en funcion de un grupo de variables y factores.
4.
Referencias bibliogr
aficas