Académique Documents
Professionnel Documents
Culture Documents
Modelos Lineales II
02 de Junio de 2016
Regresin Binomial
Modelos Lineales II
1 / 35
Contenido
1
Introduccin
Regresion Binomial
Ejercicio de Aplicacin
Ejercicio de Aplicacin
Ejercicio de Aplicacin
Ejercicio de Aplicacin
Ejercicio de Aplicacin
Ejercicio de Aplicacin
Conclusin
Referencias Bibliogrficas
Regresin Binomial
Modelos Lineales II
2 / 35
Introduccin
cuando no se satisfacen las hiptesis .acostumbradas"de
normalidad y de varianza constante. Se puede utilizar un metodo
alternativo para transformar datos denominado modelo lineal
generalizado(GLM).
En un modelo lineal generalizado la distribucin de la variable
de respuesta slo necesita ser un miembro de la familia
exponencial.
P[Y = y | ] = y (1 )1y
(1)
ln(P[Y = y | ]) = yln() + (1 y )ln(1 )
(2)
(3)
Regresin Binomial
Modelos Lineales II
3 / 35
Introduccin
Se considerar el caso de los modelos de regresin logstica, que
es una situacin en la que la variable de respuesta slo tiene dos
resultados posibles, que se representan por 0 y 1.
Por ejemplo, la respuesta podra ser el resultado de una prueba
de funcionamiento elctrico para un dispositivo semiconductor,
que da como resultado un "xito", que indica que el dispositivo
trabaja bien, o un "fracaso"que podra deberse a un problema de
funcionamiento.
Supngase que el modelo tiene la forma:
yi = xiT + i
(4)
Regresin Binomial
Modelos Lineales II
4 / 35
Regresin Binomial
Probabilidad
P(yi =1)=i
P(yi =0)=1-i
Regresin Binomial
(6)
Modelos Lineales II
5 / 35
Regresin Binomial
Que quiere decir que la respuesta esperada, determinada con la
funcin de respuesta E(yi ) = xiT no es ms que la probabilidad de
que la variable de respuesta tenga el valor de 1.
Hay algunos problemas derivados de el modelo de regresin dado
anteriormente.
El primero es que se observa que si la respuesta es binaria, entonces
los trminos de error . i slo pueden tener dos valores, que son:
i = 1 xiT
i = xiT
cuando yi = 1
(7)
cuando yi = 1
(8)
Regresin Binomial
Modelos Lineales II
6 / 35
Regresin Binomial
En segundo lugar, la varianza del ,error no es constante, ya que:
yi2 = Eyi E(yi )2
(9)
= (1 i )2 i + (O i )2 (1 i )
(10)
= i (1 i )
(11)
(12)
Regresin Binomial
Modelos Lineales II
7 / 35
Regresin Binomial
(13)
Regresin Binomial
Modelos Lineales II
8 / 35
Regresin Binomial
Esta funcin se llama funcin de respuesta logstica y tiene la forma:
E(y ) =
exp(x T )
1 + exp(x T )
(14)
Regresin Binomial
Modelos Lineales II
9 / 35
Regresin Binomial
La funcin de respuesta logstica se puede linealizar con facilidad.
Un enfoque consiste en definir la porcin estructural del modelo en
trminos de una funcin de la media de la funcin de respuesta. Sea:
= xT
(15)
= ln
1
(16)
Regresin Binomial
Modelos Lineales II
10 / 35
Regresin Binomial
Hay otras funciones que tienen la misma forma que la funcin logstica,
y tambin se pueden obtener transformando .
Transformacin probit, obtenida transformando a con la
distribucin normal acumulada. De esta manera se obtiene un
modelo de regresin probit, este modelo es menos flexible que el
de regresin logstica, y es probable que no se use tanto, porque
no puede incorporar con facilidad ms de una variable predictora.
Transformacin log-Iog complementaria de , definida por In
[-ln(1-)], que produce una funcin de respuesta que no es
simtrica respecto al valor = 0.5.
Regresin Binomial
Modelos Lineales II
11 / 35
Regresin Binomial
Modelos Lineales II
12 / 35
(17)
exp(x T )
1 + exp(x T )
Regresin Binomial
Modelos Lineales II
13 / 35
n
Y
iyi (1 i )1yi
i=1
Regresin Binomial
Modelos Lineales II
14 / 35
n
Y
fi (yi )
i=1
n
X
i=1
X
i
[yi ln(
)] +
ln(1 i )
1 i
i=1
exp((x T )]1
Regresin Binomial
Modelos Lineales II
15 / 35
n
X
yi xiT
i=1
n
X
ln[1 + exp((x T )]
i=1
i=1
Regresin Binomial
i=1
Modelos Lineales II
16 / 35
L i
=0
i
Ntese que:
n
L X
=
(yi ni i )xi
i=1
Regresin Binomial
Modelos Lineales II
17 / 35
Regresin Binomial
Modelos Lineales II
18 / 35
donde
pi =
yi
ni
Regresin Binomial
Modelos Lineales II
19 / 35
i
( i )
i i
1
ni i (1 i )
1
var (i )
(i i ) = 0
en notacin matricial, X T V 1 (i i ) = 0
Edwin Pulgarin -Jhon Vargas
Regresin Binomial
Modelos Lineales II
20 / 35
i
( i )
i i
Regresin Binomial
Modelos Lineales II
21 / 35
se puede despejar i
i i + (pi )
Regresin Binomial
Modelos Lineales II
22 / 35
mtodo
de
Definir 0 = X 0 .
Basar z1 en 0 .
el
Regresin Binomial
Modelos Lineales II
23 / 35
Regresin Binomial
Modelos Lineales II
24 / 35
Regresin Binomial
Modelos Lineales II
25 / 35
Regresin Binomial
Modelos Lineales II
26 / 35
La razn de la ventaja es > 1 (el valor del parmetro > 0). En este
caso cuando aumenta la variable independiente se producen un
aumento de la ventaja de un suceso.
La razn de la ventaja es < 1 (el valor del parmetro < 0). En este
caso cuando aumenta la variable independiente se producen una
disminucin de la ventaja de un suceso.
Regresin Binomial
Modelos Lineales II
27 / 35
Ejercicio de Aplicacin
Un artculo de la revista Biomtrica en 1959 present datos acerca
de los mineros de carbn que presentan sntomas de neumoconiosis
grave, y de la cantidad de aos de exposicin. La variable de respuesta
de inters, y, es la proporcin de mineros que tienen sntomas graves.
Un modelo razonable de probabilidad de la cantidad de casos graves
es el binomial, por lo que se ajustar un modelo de regresin logstica
a esos datos.
Aos exp
5.8
15
21.5
27.5
33.5
39.5
46
51.5
Edwin Pulgarin -Jhon Vargas
Casos
0
1
3
8
9
8
10
5
Num mineros
98
54
43
48
51
38
28
11
Regresin Binomial
Proporcin(y)
0
0.0185
0.0698
0.1667
0.1765
0.2105
0.3571
0.4545
Modelos Lineales II
28 / 35
Regresin Binomial
Modelos Lineales II
29 / 35
Ejercicio de Aplicacin
se muestran los parmetros estimados para el modelo de regresin
logstica por el paquete estadistico R:
Regresin Binomial
Modelos Lineales II
30 / 35
Ejercicio de Aplicacin
1
1+
e4.7665+0.0935x
Regresin Binomial
Modelos Lineales II
31 / 35
Ejercicio de Aplicacin
Regresin Binomial
Modelos Lineales II
32 / 35
Ejercicio de Aplicacin
Regresin Binomial
Modelos Lineales II
33 / 35
Conclusin
Regresin Binomial
Modelos Lineales II
34 / 35
Referencias Bibliogrficas
Regresin Binomial
Modelos Lineales II
35 / 35