Académique Documents
Professionnel Documents
Culture Documents
IBM
Nota
Antes de utilizar esta informacin y el producto al que hace referencia, lea la informacin en Avisos en la pgina 33.
iii
iv IBM SPSS Regression 24
Captulo 1. Seleccin de un procedimiento para la regresin
logstica binaria
Los modelos de regresin logstica binaria se pueden ajustar mediante el procedimiento de regresin
logstica y el procedimiento de regresin logstica multinomial. Cada uno de estos dos procedimientos
contiene opciones que no estn disponibles en el otro. Existe entre ambos una distincin terica
importante: el procedimiento de Regresin logstica genera todas las predicciones, residuos, estadsticos
de influencia y pruebas de bondad de ajuste utilizando los datos a nivel de los casos individuales,
independientemente de la forma en que los datos hayan sido introducidos y de si el nmero de patrones
en las covariables es o no menor que el nmero total de casos; el procedimiento de Regresin logstica
multinomial, por su parte, agrega los casos de manera interna para formar subpoblaciones con patrones
en las covariables idnticos para las variables predictoras, generando predicciones, residuos y pruebas de
bondad de ajuste basadas en las citadas subpoblaciones. Si todas las variables predictoras son categricas,
o si alguna variable predictora continua toma slo un nmero limitado de valores (de manera que haya
varios casos para cada patrn en las covariables), la aproximacin mediante subpoblaciones puede
generar pruebas de bondad de ajuste vlidas y residuos que sean informativos, mientras que el mtodo a
nivel de los casos individuales no lo permite.
La opcin Regresin logstica ofrece una serie de caractersticas exclusivas que se detallan a
continuacin:
v Prueba de bondad de ajuste del modelo de Hosmer-Lemeshow
v Anlisis por pasos
v Contrastes para definir la parametrizacin del modelo
v Puntos de corte alternativos para la clasificacin
v Grficos de clasificacin
v Aplicacin de un modelo ajustado mediante un conjunto de casos sobre otro conjunto de casos
reservados
v Almacenamiento de predicciones, residuos y estadsticos de influencia
La opcin Regresin logstica multinomial ofrece una serie de caractersticas exclusivas que se detallan a
continuacin:
v Pruebas chi-cuadrado de Pearson y de desvianza sobre la bondad de ajuste del modelo
v Especificacin de subpoblaciones para el agrupamiento de los datos, para las pruebas de bondad de
ajuste
v Listado de las frecuencias, frecuencias pronosticadas y residuos por subpoblaciones
v Correccin de las estimaciones de la varianza por sobredispersin
v Matriz de covarianzas para las estimaciones de los parmetros
v Contrastes sobre combinaciones lineales de los parmetros
v Especificacin explcita de modelos anidados
v Ajuste de modelos de regresin logstica condicional con emparejamiento 1-1 usando variables
diferenciadas
Nota: Ambos de estos procedimientos ajustan un modelo para datos binarios que es un modelo lineal
generalizado con una distribucin binomial y la funcin de enlace logit. Si una funcin de enlace
diferente es ms apropiada para sus datos, deber utilizar el procedimiento de modelos lineales
generalizados.
Ejemplo. Qu caractersticas del estilo de vida son factores de riesgo de enfermedad cardiovascular ?
Dada una muestra de pacientes a los que se mide la situacin de fumador, dieta, ejercicio, consumo de
alcohol, y estado de enfermedad cardiovascular, se puede generar un modelo utilizando las cuatro
variables de estilo de vida para predecir la presencia o ausencia de enfermedad cardiovascular en una
muestra de pacientes. El modelo puede utilizarse posteriormente para derivar estimaciones de la odds
ratio para cada uno de los factores y as indicarle, por ejemplo, cunto ms probable es que los
fumadores desarrollen una enfermedad cardiovascular frente a los no fumadores.
Estadsticos. Casos totales, Casos seleccionados, Casos vlidos. Para cada variable categrica: paramtro
coding. Para cada paso: variables introducidas o eliminadas, historial de iteraciones, -2 log de la
verosimilitud, bondad de ajuste, estadstico de bondad de ajuste de Hosmer-Lemeshow, chi-cuadrado del
modelo , chi-cuadrado de la mejora, tabla de clasificacin, correlaciones entre las variables, grfico de las
probabilidades pronosticadas y los grupos observados, chi-cuadrado residual. Para las variables de la
ecuacin: coeficiente (B), error estndar de B, Estadstico de Wald, razn de las ventajas estimada (exp(B)),
intervalo de confianza para exp(B), log de la verosimilitud si el trmino se ha eliminado del modelo. Para
cada variable que no est en la ecuacin: estadstico de puntuacin. Para cada caso: grupo observado,
probabilidad pronosticada, grupo pronosticado, residuo, residuo estandarizado.
Mtodos. Puede estimar modelos utilizando la entrada en bloque de las variables o cualquiera de los
siguientes mtodos por pasos: condicional hacia adelante, LR hacia adelante, Wald hacia adelante,
Condicional hacia atrs, LR hacia atrs o Wald hacia atrs.
Datos. La variable dependiente debe ser dicotmica. Las variables independientes pueden estar a nivel de
intervalo o ser categricas; si son categricas, deben ser variables auxiliares o estar codificadas como
indicadores (existe una opcin en el procedimiento para recodificar automticamente las variables
categricas).
3
Loglineal. Si la variable dependiente es continua, utilice el procedimiento Regresin lineal. Puede utilizar
el procedimiento Curva COR para realizar grficos de las probabilidades guardadas con el procedimiento
Regresin logstica.
Para introducir variables por grupos (en bloques), seleccione las covariables para un bloque y pulse en
Siguiente para especificar un nuevo bloque. Repita estos pasos hasta que haya especificado todos los
bloques.
Si lo desea, puede seleccionar casos para el anlisis. Elija una variable de seleccin y pulse Regla.
Tanto para los casos seleccionados como para los no seleccionados se generan resultados de
clasificaciones y estadsticos. De esta manera, se ofrece un mecanismo para clasificar los nuevos casos
basndose en datos ya existentes; o tambin para realizar la particin de los datos en dos subconjuntos,
uno de entrenamiento y otro de prueba, que permiten la validacin del modelo generado.
Los valores de significacin de los resultados se basan en el ajuste de un nico modelo. Por ello, estos
valores de significacin no suele ser vlidos cuando se emplea un mtodo por pasos.
Todas las variables independientes seleccionadas se aaden a un mismo modelo de regresin. Sin
embargo, puede especificar distintos mtodos de introduccin para diferentes subconjuntos de variables.
Por ejemplo, puede introducir en el modelo de regresin un bloque de variables que utilice la seleccin
por pasos sucesivos, y un segundo bloque que emplee la seleccin hacia adelante. Para aadir un
segundo bloque de variables al modelo de regresin, pulse en Siguiente.
Covariables. Contiene una lista de todas las covariables especificadas en el cuadro de dilogo principal
para cualquier capa, bien por ellas mismas o como parte de una interaccin. Si alguna de stas son
variables de cadena o son categricas, slo puede utilizarlas como covariables categricas.
Covariables categricas. Lista las variables identificadas como categricas. Cada variable incluye una
notacin entre parntesis indicando el esquema de codificacin de contraste que va a utilizarse. Las
variables de cadena (sealadas con el smbolo < a continuacin del nombre) estarn presentes ya en la
lista Covariables categricas. Seleccione cualquier otra covariable categrica de la lista Covariables y
muvala a la lista Covariables categricas.
Cambiar el contraste. Le permite cambiar el mtodo de contraste. Los mtodos de contraste disponibles
son:
v Indicador. Los contrastes indican la presencia o ausencia de la pertenencia a una categora. La
categora de referencia se representa en la matriz de contrastes como una fila de ceros.
v simples. Cada categora del predictor (excepto la propia categora de referencia) se compara con la
categora de referencia.
v Diferencia. Cada categora del predictor, excepto la primera categora, se compara con el efecto
promedio de las categoras anteriores. Tambin se conoce como contrastes de Helmert inversos.
v Helmert. Cada categora del predictor, excepto la ltima categora, se compara con el efecto promedio
de las categoras subsiguientes.
v Repetidas. Cada categora de la variable de predictor (excepto la ltima categora) se compara con la
categora siguiente.
v Polinmico. Contrastes polinmicos ortogonales. Se supone que las categoras estn espaciadas
equidistantemente. Los contrastes polinmicos slo estn disponibles para variables numricas.
v Desviacin. Cada categora del predictor, excepto la categora de referencia, se compara con el efecto
global.
Si selecciona Desviacin, Simple o Indicador, elija Primera o ltima como categora de referencia.
Observe que el mtodo no cambia realmente hasta que se pulsa en Cambiar.
Las covariables de cadena deben ser covariables categricas. Para eliminar una variable de cadena de la
lista Covariables categricas, debe eliminar de la lista Covariables del cuadro de dilogo principal todos
los trminos que contengan la variable.
Valores pronosticados. Guarda los valores pronosticados por el modelo. Las opciones disponibles son
Probabilidades y Grupo de pertenencia.
v Probabilidades. Para cada caso, guarda la probabilidad pronosticada de aparicin del evento. En los
resultados, una tabla muestra el nombre y el contenido de cualquier variable nueva. El "evento" es la
categora de la variable dependiente con el valor ms alto; por ejemplo, si la variable dependiente toma
los valores 0 y 1, se guarda la probabilidad pronosticada de categora 1.
v Grupo de pertenencia pronosticado. Grupo con la mayor probabilidad posterior, basado en puntuaciones
discriminantes. El grupo pronosticado por el modelo al cual pertenece el caso.
Influencia. Guarda los valores de estadsticos que miden la influencia de los casos sobre los valores
pronosticados. Las opciones disponibles son De Cook, Valores de influencia y DfBeta(s).
v De Cook. El anlogo, en la regresin logstica, al estadstico de influencia de Cook. Una medida de
cunto cambiaran los residuos de todos los casos si un caso particular se excluyera del clculo de los
coeficientes de regresin.
v Valor de influencia. La influencia relativa de una observacin en el ajuste del modelo.
v DfBetas. La diferencia en el valor de beta es el cambio en el valor de un coeficiente de regresin que
resulta de la exclusin de un caso particular. Se calcula un valor para cada trmino del modelo,
incluyendo la constante.
Residuos. Guarda los residuos. Las opciones disponibles son No tipificados, Logit, Mtodo de Student,
Tipificados y Desvianza.
v Residuos no tipificados. Diferencia entre un valor observado y el valor predicho por el modelo.
v Residuo logit. El residuo del caso si se pronostica en la escala logit. El residuo logit es el residuo
dividido por la probabilidad pronosticada multiplicada por 1 menos la probabilidad pronosticada.
v Residuo estudentizado. El cambio en la desvianza del modelo si se excluye el caso.
v Residuos tipificados. El residuo dividido por una estimacin de su error estndar. Los residuos
tipificados, que son conocidos tambin como los residuos de Pearson o residuos estandarizados, tienen
una media de 0 y una desviacin estndar de 1.
v Desvianza. Los residuos basados en la desvianza del modelo.
Exportar informacin del modelo a un archivo XML. Las estimaciones de los parmetros y (si lo desea)
sus covarianzas se exportan al archivo especificado en formato XML (PMML). Puede utilizar este archivo
de modelo para aplicar la informacin del modelo a otros archivos de datos para puntuarlo.
Estadsticos y grficos. Le permite solicitar estadsticos y grficos. Las opciones disponibles son Grficos
de clasificacin, Bondad de ajuste de Hosmer-Lemeshow, Listado de residuos por caso, Correlaciones de
estimaciones, Historial de iteraciones e IC para exp(B). Seleccione una de las alternativas del grupo
Mostrar para mostrar los estadsticos y los grficos En cada paso o bien slo para el modelo final, En el
ltimo paso.
v estadstico de bondad de ajuste de Hosmer-Lemeshow. Este estadstico de bondad de ajuste es ms robusto
que el estadstico de bondad de ajuste tradicionalmente utilizado en la regresin logstica,
especialmente para los modelos con covariables continuas y los estudios con tamaos de muestra
pequeos. Se basa en agrupar los casos en deciles de riesgo y comparar la probabilidad observada con
la probabilidad esperada dentro de cada decil.
Punto de corte para la clasificacin. Le permite determinar el punto de corte para la clasificacin de los
casos. Los casos con valores pronosticados que han sobrepasado el punto de corte para la clasificacin se
clasifican como positivos, mientras que aqullos con valores pronosticados menores que el punto de corte
se clasifican como negativos. Para cambiar los valores predeterminados, introduzca un valor
comprendido entre 0,01 y 0,99.
N mximo de iteraciones. Le permite cambiar el nmero mximo de veces que el modelo itera antes de
finalizar.
Incluir constante en el modelo. Le permite indicar si el modelo debe incluir un trmino constante. Si se
desactiva, el trmino constante ser igual a 0.
Ejemplo. Para conseguir una produccin y distribucin de pelculas ms eficaz, los estudios de cine
necesitan predecir qu tipo de pelculas es ms probable que vayan a ver los aficionados. Mediante una
regresin logstica multinomial, el estudio puede determinar la influencia que la edad, el sexo y las
relaciones de pareja de cada persona tiene sobre el tipo de pelcula que prefieren. De esta manera, el
estudio puede orientar la campaa publicitaria de una pelcula concreta al grupo de la poblacin que
tenga ms probabilidades de ir a verla.
Mtodos. Se ajusta un modelo logit multinomial para el modelo factorial completo o para un modelo
especificado por el usuario. La estimacin de los parmetros se realiza a travs de un algoritmo iterativo
de mxima verosimilitud.
Datos. La variable dependiente debe ser categrica. Las variables independientes pueden ser factores o
covariables. En general, los factores deben ser variables categricas y las covariables deben ser variables
continuas.
Supuestos. Se asume que la razn de las ventajas de cualquier par de categoras es independiente de las
dems categoras de respuesta. Segn esta suposicin, por ejemplo, si se introduce un nuevo producto en
un mercado, las cuotas de mercado de todos los dems productos se vern afectadas de manera
igualmente proporcional. De igual manera, dado un patrn en las covariables, se asume que las
respuestas son variables multinomiales independientes.
Factores & Covariables. Muestra una lista de los factores y las covariables.
Trminos de entrada forzada. Los trminos aadidos a la lista de entrada forzada siempre se incluyen en
el modelo.
Trminos por pasos. Los trminos aadidos a la lista por pasos se incluyen en el modelo segn uno de
los mtodos por pasos seleccionados por el usuario siguientes:
v Entrada hacia delante. Este mtodo se inicia sin trminos por pasos en el modelo. En cada paso se
aade al modelo el trmino ms significativo, hasta que ninguno de los trminos por pasos que quede
fuera del modelo tenga una contribucin estadsticamente significativa si se aade al modelo.
v Eliminacin hacia atrs. Este mtodo se inicia introduciendo en el modelo todos los trminos
especificados en la lista por pasos. En cada paso se elimina del modelo el trmino menos significativo,
hasta que todos los trminos por pasos restantes representen una contribucin estadsticamente
significativa para el modelo.
v Pasos sucesivos hacia adelante. Este mtodo se inicia con el modelo que se seleccionara mediante el
mtodo de entrada hacia delante. A partir de ah, el algoritmo alterna entre la eliminacin hacia atrs
de los trminos por pasos del modelo, y la entrada hacia delante de los trminos fuera del modelo. Se
sigue as hasta que no queden trminos que cumplan con los criterios de entrada o eliminacin.
v Pasos sucesivos hacia atrs. Este mtodo se inicia con el modelo que se seleccionara mediante el
mtodo de eliminacin hacia atrs. A partir de ah, el algoritmo alterna entre la entrada hacia delante
de los trminos fuera del modelo, y la eliminacin hacia atrs de los trminos por pasos del modelo. Se
sigue as hasta que no queden trminos que cumplan con los criterios de entrada o eliminacin.
Incluir la interseccin en el modelo. Le permite incluir o excluir del modelo un trmino de interseccin.
Generar trminos
Para las covariables y los factores seleccionados:
Interaccin. Crea el trmino de interaccin de mayor nivel con todas las variables seleccionadas.
Efectos principales. Crea un trmino de efectos principales para cada variable seleccionada.
Todas de 2. Crea todas las interacciones bidimensionales posibles de las variables seleccionadas.
Todas de 3. Crea todas las interacciones tridimensionales posibles de las variables seleccionadas.
Todas de 4. Crea todas las interacciones tetradimensionales posibles de las variables seleccionadas.
Todas de 5. Crea todas las interacciones quntuples posibles de las variables seleccionadas.
Resumen de procesamiento de casos. Esta tabla contiene informacin sobre las variables categricas
especificadas.
Delta. Le permite especificar un valor no negativo inferior a 1. Este valor se aade a cada casilla vaca de
la tabulacin cruzada de las categoras de respuesta por patrones de covariables. Se ayuda as a
estabilizar el algoritmo y evitar sesgos en las estimaciones.
Opciones por pasos. Estas opciones le ofrecen el control de los criterios estadsticos cuando se utilizan
mtodos por pasos para generar un modelo. Se ignoran salvo que se especifique un modelo por pasos en
el cuadro de dilogo Modelo.
v Probabilidad de entrada. Se trata de la probabilidad del estadstico de la razn de verosimilitud para
la entrada de variables. Cuanto mayor sea la probabilidad especificada, ms fcil resultar que una
variable entre en el modelo. Este criterio se ignora a menos que se seleccione uno de los mtodos
siguientes: hacia delante, pasos sucesivos hacia adelante o pasos sucesivos hacia atrs.
v Prueba de entrada. ste es el mtodo para introducir los trminos en los mtodos por pasos. Escoja
entre la prueba de la razn de verosimilitud y la prueba de puntuacin. Este criterio se ignora a menos
que se seleccione uno de los mtodos siguientes: hacia delante, pasos sucesivos hacia adelante o pasos
sucesivos hacia atrs.
v Probabilidad de eliminacin. Se trata de la probabilidad del estadstico de la razn de verosimilitud
para la eliminacin de variables. Cuanto mayor sea la probabilidad especificada, ms fcil resultar que
una variable permanezca en el modelo. Este criterio se ignora a no ser que se seleccione el mtodo de
eliminacin hacia atrs, pasos sucesivos hacia adelante o pasos sucesivos hacia atrs.
v Prueba de eliminacin. ste es el mtodo utilizado para eliminar trminos en los mtodos por pasos.
Puede elegir entre la prueba de la razn de verosimilitud o la prueba de Wald. Este criterio se ignora a
no ser que se seleccione el mtodo de eliminacin hacia atrs, pasos sucesivos hacia adelante o pasos
sucesivos hacia atrs.
v Efectos por pasos mnimos en el modelo. Al utilizar los mtodos de eliminacin hacia atrs o pasos
sucesivos hacia atrs, se especifica el mnimo nmero de trminos que puede incluirse en el modelo. La
interseccin no se cuenta como trmino de modelo.
v Efectos por pasos mximos en el modelo. Al utilizar los mtodos de entrada hacia delante o pasos
sucesivos hacia adelante, se especifica el mximo nmero de trminos que puede incluirse en el
modelo. La interseccin no se cuenta como trmino de modelo.
Exportar informacin del modelo a un archivo XML. Las estimaciones de los parmetros y (si lo desea)
sus covarianzas se exportan al archivo especificado en formato XML (PMML). Puede utilizar este archivo
de modelo para aplicar la informacin del modelo a otros archivos de datos para puntuarlo.
Ejemplo. Qu efectividad tiene un nuevo pesticida para matar hormigas y cul es la concentracin
adecuada que se debe utilizar? Podra llevar a cabo un experimento en el que se expongan muestras de
hormigas a diferentes concentraciones del pesticida y despus registrar el nmero de hormigas muertas y
el nmero de hormigas expuestas. Aplicando el anlisis probit a estos datos puede determinar la fuerza
de la relacin entre concentracin y mortalidad, as como determinar la concentracin adecuada de
pesticida si desea asegurar la exterminacin de, por ejemplo, el 95% de las hormigas expuestas.
Datos. Para cada valor de la variable independiente (o para cada combinacin de valores para mltiples
variables independientes), la variable de respuesta debe contener el recuento del nmero de casos que
presenta la respuesta de inters y que toma dichos valores de la variable independiente, y la variable del
total observado debe ser el recuento del nmero total de casos con dichos valores para la variable
independiente. La variable de factor debe ser categrica, codificada como enteros.
Supuestos. Las observaciones deben ser independientes. Si dispone de un gran nmero de valores para
las variables independientes respecto al nmero de observaciones, como es probable que suceda en un
estudio observacional, puede que no sean vlidos los estadsticos de chi-cuadrado y de bondad de ajuste.
Procedimientos relacionados. El anlisis probit est estrechamente relacionado con la regresin logstica;
de hecho, si elige la transformacin logit, este procedimiento calcular esencialmente una regresin
logstica. En general, el anlisis probit es apropiado para los diseos experimentales, mientras que la
regresin logstica es ms adecuada para los estudios observacionales. Las diferencias en los resultados
reflejan estas diferencias de nfasis. El procedimiento Anlisis probit informa de las estimaciones de los
valores efectivos para las diferentes tasas de respuesta (incluyendo la dosis efectiva para la mediana),
mientras que la Regresin logstica informa de las estimaciones de las razones de las ventajas (odds
ratios) para las variables independientes.
Estadsticas. Permite solicitar las estadsticas opcionales siguientes: Frecuencias, Potencia relativa de la
mediana, Prueba de paralelismo e Intervalos de confianza fiduciaria.
v Potencia relativa de la mediana. Muestra la razn de las potencias de las medianas para cada pareja de
los niveles del factor. Tambin muestra los lmites de confianza al 95% para cada potencia relativa de la
mediana. Las potencias relativas de la mediana no estn disponibles si no dispone de una variable de
factor, o si dispone de ms de una covariable.
v Prueba de paralelismo. Contraste sobre la hiptesis de que todos los niveles del factor tienen una
inclinacin comn.
v Intervalos de confianza fiduciaria. Intervalos de confianza para la dosis del agente requerida para
producir una cierta probabilidad de respuesta.
ndice de respuesta natural. Permite indicar un ndice de respuesta natural incluso en la ausencia del
estmulo. Ninguna, Calcular a partir de los datos o Valor.
v Calcular a partir de los datos. Estima el ndice de respuesta natural a partir de los datos de la muestra.
Los datos deben contener un caso que represente el nivel de control, para el cual el valor de las
covariables sea 0. Probit estima el ndice de respuesta natural utilizando como valor inicial la
proporcin de respuestas para el nivel de control.
v Valor. Establece el ndice de respuesta natural del modelo (seleccione este elemento cuando conozca de
antemano el ndice de respuesta natural). Introduzca la proporcin de respuesta natural (la proporcin
debe ser menor que 1). Por ejemplo, si la respuesta ocurre el 10% de las veces cuando el estmulo es 0,
introduzca 0,10.
Criterios. Permite controlar los parmetros del algoritmo iterativo de estimacin de los parmetros.
Puede anular las opciones predeterminadas para N mximo de iteraciones, Lmite para los pasos y
Tolerancia de la optimalidad.
Estadsticos. Para las iteraciones: estimaciones de los parmetros y suma de cuadrados residual. Para los
modelos: suma de cuadrados para regresin, residual, total corregido y no corregido, estimaciones de los
parmetros, errores estndar asintticos y matriz de correlaciones asintticas de estimaciones de los
parmetros.
Nota: la regresin no lineal restringida utiliza los algoritmos propuestos y aplicados en NPSOL por Gill,
Murray, Saunders y Wright para la estimacin de los parmetros de modelo.
Datos. Las variables dependiente e independientes deben ser cuantitativas. Las variables categricas,
como la religin, la mayora de edad o el lugar de residencia, han de recodificarse como variables
binarias (dummy) o como otro de los tipos de variables de contraste.
Supuestos. Los resultados son vlidos slo si se ha especificado una funcin que describa con precisin la
relacin entre las variables independientes y las dependientes. Adems, la eleccin de buenos valores
iniciales es muy importante. Incluso si se ha especificado la forma funcional correcta para el modelo, si
no utiliza valores iniciales adecuados, puede que su modelo no logre converger o puede que obtenga una
solucin que sea ptima localmente en vez de una que sea ptima globalmente.
Procedimientos relacionados. Muchos modelos que en un principio parecen ser no lineales pueden ser
transformados en un modelo lineal, el cual pueda ser analizado usando el procedimiento Regresin
lineal. Si no est seguro de cul es el modelo adecuado, el procedimiento Estimacin curvilnea puede
ayudarle a identificar relaciones funcionales tiles que estn presentes en los datos.
Por ejemplo, considere un modelo segmentado que sea igual a 0 para X<=0, X para 0<X<1 y 1 para X>=1.
La expresin para este ejemplo es:
Todas las expresiones lgicas entre parntesis deben ser evaluables como 1 (verdadero) o 0 (falso). As:
Se pueden generar con facilidad ejemplos ms complicados reemplazando diferentes expresiones lgicas
y expresiones de resultado. Recuerde que las desigualdades dobles, como 0<X<1, deben escribirse como
expresiones compuestas, de la forma (X>0 & X < 1).
(ciudad='Madrid')*costliv + (ciudad='Guadalajara')*0.59*costliv
Esto da lugar a una expresin (el valor de la variable costliv) para los madrileos y a otra (el 59% de ese
valor) para los habitantes de Guadalajara. Las constantes de cadena deben ir entre comillas o apstrofos,
como se muestra aqu.
Nombre. Debe especificarse un nombre para cada parmetro. Debe ser un nombre de variable vlido y
debe ser el nombre utilizado en la expresin del modelo del cuadro de dilogo principal.
Valor inicial. Permite especificar un valor de inicio para el parmetro, preferiblemente lo ms prximo
posible a la solucin final esperada. Los valores iniciales no adecuados pueden dar como resultado un
fallo de convergencia o una convergencia sobre una solucin local (en vez de global) o fsicamente
imposible.
Usar los valores iniciales del anlisis previo. Si ya se ha ejecutado una regresin no lineal desde este
cuadro de dilogo, puede seleccionar esta opcin para obtener los valores iniciales de los parmetros a
partir de sus valores en la ejecucin previa. De esta forma podr continuar buscando cuando el algoritmo
est convergiendo lentamente. Los primeros valores iniciales seguirn apareciendo en la lista Parmetros
del cuadro de dilogo principal.
Si selecciona Funcin de prdida definida por el usuario, debe definir la funcin de prdida cuya suma
(en todos los casos) deber minimizarse por la eleccin de los valores de los parmetros.
v La mayora de las funciones de prdida incluyen la variable especial RESID_, que representa el
residuo. La funcin de prdida predeterminada Suma de los residuos al cuadrado se podra introducir
explcitamente como RESID_**2. Si tiene que utilizar el valor predicho la funcin de prdida, ste es
igual a la variable dependiente menos el residuo.
v Se puede especificar una funcin de prdida condicional utilizando la lgica condicional.
Estimaciones de simulacin de muestreo. Mtodo para la estimacin del error estndar de un estadstico que
usa muestras repetidas del conjunto original de datos. Se realiza mediante muestreo con repeticin para
obtener numerosas muestras del mismo tamao que el conjunto de datos original. La ecuacin no lineal
se estima para cada una de estas muestras. A continuacin, se calcula el error estndar de cada
estimacin del parmetro como la desviacin estndar de las estimaciones creadas por simulacin de
muestreo. Se utilizan los valores de los parmetros obtenidos a partir de los datos originales como los
valores de inicio para cada muestra de simulacin de muestreo. Requiere el algoritmo de programacin
cuadrtica secuencial.
Los criterios adicionales para el comando CNLR (regresin no lineal restringida) permiten:
v Especificar el nmero mximo de iteraciones secundarias permitidas dentro de cada iteracin principal.
v Establecer un valor crtico para la comprobacin de las derivadas.
v Establecer un lmite para los pasos.
v Especificar una tolerancia de colapso para determinar si los valores iniciales estn dentro de los lmites
especificados.
Ejemplo. Cules son los efectos de la inflacin y el paro sobre los cambios en el precio de las acciones
Debido a que los valores con mayor valor de cotizacin suelen mostrar ms variabilidad que aquellos con
menor valor de cotizacin, la estimacin de mnimos cuadrados ordinarios no generar estimaciones que
sean ptimas. El mtodo de Estimacin ponderada permite capturar el efecto del precio de cotizacin
sobre la variabilidad de los cambios en el precio, al calcular el modelo lineal.
Datos. Las variables dependiente e independientes deben ser cuantitativas. Las variables categricas,
como la religin, la mayora de edad o el lugar de residencia, han de recodificarse como variables
binarias (dummy) o como otro de los tipos de variables de contraste. La variable de ponderacin deber
ser cuantitativa y estar relacionada con la variabilidad de la variable dependiente.
Supuestos. Para cada valor de la variable independiente, la distribucin de la variable dependiente debe
ser normal. La relacin entre la variable dependiente y cada variable independiente debe ser lineal y
todas las observaciones deben ser independientes. La varianza de la variable dependiente puede cambiar
segn los niveles de la variable o variables independientes, pero las diferencias se deben poder
pronosticar en funcin de la variable de ponderacin.
Procedimientos relacionados. El procedimiento Explorar se puede utilizar para inspeccionar los datos.
Este procedimiento proporciona pruebas de normalidad y homogeneidad de la varianza, as como
representaciones grficas. Si la variable dependiente parece tener la misma varianza para todos los
niveles de las variables independientes, puede utilizar el procedimiento Regresin lineal. Si los datos
parecen violar un supuesto (como puede ser la normalidad), intente transformarlos. Si los datos no estn
relacionados linealmente y una transformacin no ayuda, utilice un modelo alternativo en el
procedimiento Estimacin curvilnea. Si la variable dependiente es dicotmica, por ejemplo si se lleva o
no a cabo una determinada venta o si un artculo es o no defectuoso, utilice el procedimiento Regresin
logstica. Si la variable dependiente est censurada (por ejemplo, el tiempo de supervivencia despus de
una intervencin quirrgica), utilice los procedimientos Tablas de mortalidad, Kaplan-Meier o Regresin
de Cox, disponibles en la opcin Estadsticas avanzadas. Si los datos no son independientes (por ejemplo,
si observa a la misma persona en diversas condiciones), utilice el procedimiento Medidas repetidas,
disponible en la opcin Estadsticas avanzadas.
Guardar la mejor ponderacin como nueva variable. Aade la variable de ponderacin al archivo activo.
Esta variable se denomina WGT_n, siendo n un nmero elegido para proporcionar a la variable un
nombre exclusivo.
Mostrar ANOVA y estimaciones. Permite controlar cmo se muestran los estadsticos en los resultados.
Las alternativas disponibles son Para la mejor potencia y Para cada valor de potencia.
Ejemplo. Est relacionada la demanda de un artculo con su precio y con los ingresos del consumidor?
La dificultad de este modelo radica en que el precio y la demanda tienen efectos recprocos el uno sobre
el otro. Es decir, el precio puede influir en la demanda y la demanda tambin puede influir en el precio.
Un modelo de regresin por mnimos cuadrados en dos fases permite utilizar los ingresos de los
consumidores y el precio retardado para calcular un predictor sustituto del precio, el cual no est
correlacionado con los errores de medicin de la demanda. Se reemplaza el precio en el modelo
especificado originariamente por este sustituto y despus se estima el nuevo modelo.
Estadsticos. Para los modelos: coeficientes de regresin tipificados y no tipificados, R mltiple, R cuadrado,
R cuadrado corregida, error estndar de la estimacin, tabla de anlisis de varianza, valores pronosticados y
residuos. Adems, los intervalos de confianza al 95% para cada coeficiente de regresin y las matrices de
correlacin y covarianza para las estimaciones de los parmetros.
Regresin por mnimos cuadrados en dos fases: Consideraciones sobre los datos
Datos. Las variables dependiente e independientes deben ser cuantitativas. Las variables categricas,
como la religin, la mayora de edad o el lugar de residencia, han de recodificarse como variables
binarias (dummy) o como otro de los tipos de variables de contraste. Las variables explicativas endgenas
deben ser cuantitativas (no categricas).
Supuestos. Para cada valor de la variable independiente, la distribucin de la variable dependiente debe
ser normal. La varianza de distribucin de la variable dependiente debe ser constante para todos los
valores de la variable independiente. La relacin entre la variable dependiente y cada variable
independiente debe ser lineal.
Procedimientos relacionados. Si piensa que ninguna de las variables predictoras est correlacionada con
los errores de la variable dependiente, puede utilizar el procedimiento Regresin lineal. Si los datos
parecen violar alguno de los supuestos (como la normalidad o la varianza constante), pruebe a
transformarlos. Si los datos no estn relacionados linealmente y una transformacin no ayuda, utilice un
modelo alternativo en el procedimiento Estimacin curvilnea. Si la variable dependiente es dicotmica,
por ejemplo si se ha completado o no una determinada venta, utilice el procedimiento Regresin logstica.
Si los datos no son independientes (por ejemplo, si observa a la misma persona en diversas condiciones),
utilice el procedimiento Medidas repetidas, disponible en la opcin Modelos avanzados.
Guardar variables nuevas. Permite aadir nuevas variables al archivo activo. Las opciones disponibles
son Predicciones y Residuos.
Mostrar covarianza de parmetros. Permite imprimir la matriz de covarianzas de las estimaciones de los
parmetros.
Desviacin
Desviacin desde la media global. En trminos matriciales, estos contrastes tienen la forma:
mean (1/k 1/k ... 1/k 1/k)
df(1) (1-1/k -1/k ... -1/k -1/k)
df(2) ( -1/k 1-1/k ... -1/k -1/k)
. .
. .
df(k-1) ( -1/k -1/k ... 1-1/k -1/k)
Para omitir una categora distinta de la ltima, especifique el nmero de la categora omitida entre el
parntesis que sucede a la palabra clave DEVIATION. Por ejemplo, el siguiente subcomando obtiene las
desviaciones para la primera y tercera categoras y omite la segunda:
/CONTRAST(FACTOR)=DEVIATION(2)
Suponga que factor tiene tres categoras. La matriz de contrastes resultante ser
( 1/3 1/3 1/3)
( 2/3 -1/3 -1/3)
(-1/3 -1/3 2/3)
Simple
Contrastes simples. Compara cada nivel de un factor con el ltimo. La forma de la matriz general es
mean (1/k 1/k ... 1/k 1/k)
df(1) ( 1 0 ... 0 -1)
df(2) ( 0 1 ... 0 -1)
. .
. .
df(k-1) ( 0 0 ... 1 -1)
donde k es el nmero de categoras para la variable independiente. Por ejemplo, los contrastes simples
para una variable independiente con cuatro categoras son los siguientes:
( 1/4 1/4 1/4 1/4)
( 1 0 0 -1)
( 0 1 0 -1)
( 0 0 1 -1)
Para utilizar otra categora en lugar de la ltima como categora de referencia, especifique entre
parntesis tras la palabra clave SIMPLE el nmero de secuencia de la categora de referencia, que no es
necesariamente el valor asociado con dicha categora. Por ejemplo, el siguiente subcomando CONTRAST
obtiene una matriz de contrastes que omite la segunda categora:
/CONTRAST(FACTOR) = SIMPLE(2)
Helmert
Contrastes de Helmert. Compara categoras de una variable independiente con la media de las categoras
subsiguientes. La forma de la matriz general es
mean (1/k 1/k ... 1/k 1/k 1/k)
df(1) ( 1 -1/(k-1) ... -1/(k-1) -1/(k-1) -1/(k-1))
df(2) ( 0 1 ... -1/(k-2) -1/(k-2) -1/(k-2))
. .
. .
df(k-2) ( 0 0 ... 1 -1/2 -1/2)
df(k-1) ( 0 0 ... 0 1 -1)
Diferencia
Diferencia o contrastes de Helmert inversos. Compara categoras de una variable independiente con la
media de las categoras anteriores de la variable. La forma de la matriz general es
mean (1/k 1/k 1/k ... 1/k)
df(1) ( -1 1 0 ... 0)
df(2) ( -1/2 -1/2 1 ... 0)
. .
. .
df(k-1) (-1/(k-1) -1/(k-1) -1/(k-1) ... 1)
donde k es el nmero de categoras para la variable independiente. Por ejemplo, los contrastes de
diferencia para una variable independiente con cuatro categoras son los siguientes:
( 1/4 1/4 1/4 1/4)
( -1 1 0 0)
(-1/2 -1/2 1 0)
(-1/3 -1/3 -1/3 1)
Polinmico
Contrastes polinmicos ortogonales. El primer grado de libertad contiene el efecto lineal a travs de
todas las categoras; el segundo grado de libertad, el efecto cuadrtico, el tercer grado de libertad, el
cbico, y as sucesivamente hasta los efectos de orden superior.
Se puede especificar el espaciado entre niveles del tratamiento medido por la variable categrica dada. Se
puede especificar un espaciado igual, que es el valor predeterminado si se omite la mtrica, como enteros
consecutivos desde 1 hasta k, donde k es el nmero de categoras. Si la variable frmaco tiene tres
categoras, el subcomando
/CONTRAST(DRUG)=POLYNOMIAL
es idntico a
/CONTRAST(DRUG)=POLYNOMIAL(1,2,3)
De todas maneras, el espaciado igual no es siempre necesario. Por ejemplo, supongamos que frmaco
representa las diferentes dosis de un frmaco administrado a tres grupos. Si la dosis administrada al
segundo grupo es el doble que la administrada al primer grupo y la dosis administrada al tercer grupo es
No obstante, si la dosis administrada al segundo grupo es cuatro veces la administrada al primer grupo,
y la dosis del tercer grupo es siete veces la del primer grupo, una mtrica adecuada sera
/CONTRAST(DRUG)=POLYNOMIAL(1,4,7)
En cualquier caso, el resultado de la especificacin de contrastes es que el primer grado de libertad para
frmaco contiene el efecto lineal de los niveles de dosificacin y el segundo grado de libertad contiene el
efecto cuadrtico.
Los contrastes polinmicos son especialmente tiles en contrastes de tendencias y para investigar la
naturaleza de superficies de respuestas. Tambin se pueden utilizar contrastes polinmicos para realizar
ajustes de curvas no lineales, como una regresin curvilnea.
Repetido
Compara niveles adyacentes de una variable independiente. La forma de la matriz general es
donde k es el nmero de categoras para la variable independiente. Por ejemplo, los contrastes repetidos
para una variable independiente con cuatro categoras son los siguientes:
( 1/4 1/4 1/4 1/4)
( 1 -1 0 0)
( 0 1 -1 0)
( 0 0 1 -1)
Estos contrastes son tiles en el anlisis de perfiles y siempre que sean necesarias puntuaciones de
diferencia.
Especial
Un contraste definido por el usuario. Permite la introduccin de contrastes especiales en forma de
matrices cuadradas con tantas filas y columnas como categoras haya de la variable independiente. Para
MANOVA y LOGLINEAR, la primera fila introducida es siempre el efecto promedio, o constante, y representa el
conjunto de ponderaciones que indican cmo promediar las dems variables independientes, si las hay,
sobre la variable dada. Generalmente, este contraste es un vector de contrastes.
Las restantes filas de la matriz contienen los contrastes especiales que indican las comparaciones entre
categoras de la variable. Normalmente, los contrastes ortogonales son los ms tiles. Este tipo de
contrastes son estadsticamente independientes y son no redundantes. Los contrastes son ortogonales si:
v Para cada fila, la suma de los coeficientes de contrastes es igual a cero.
v Los productos de los correspondientes coeficientes para todos los pares de filas disjuntas tambin
suman cero.
Por ejemplo, supongamos que el tratamiento tiene cuatro niveles y que deseamos comparar los diversos
niveles del tratamiento entre s. Un contraste especial adecuado sera
(1 1 1 1) weights for mean calculation
(3 -1 -1 -1) compare 1st with 2nd through 4th
(0 2 -1 -1) compare 2nd with 3rd and 4th
(0 0 1 -1) compare 3rd with 4th
Cada fila, excepto la fila de las medias suman cero. Los productos de cada par de filas disjuntas tambin
suman cero:
Rows 2 and 3: (3)(0) + (1)(2) + (1)(1) + (1)(1) = 0
Rows 2 and 4: (3)(0) + (1)(0) + (1)(1) + (1)(1) = 0
Rows 3 and 4: (0)(0) + (2)(0) + (1)(1) + (1)(1) = 0
No es necesario que los contrastes especiales sean ortogonales. No obstante, no deben ser combinaciones
lineales de unos con otros. Si lo son, el procedimiento informar de la dependencia lineal y detendr el
procesamiento. Los contrastes de Helmert, de diferencia y polinmicos son todos contrastes ortogonales.
Indicador
Codificacin de la variable indicadora. Tambin conocida como variable auxiliar o dummy, no est
disponible en LOGLINEAR o MANOVA. El nmero de variables nuevas codificadas es k1. Los casos en la
categora de referencia se codifican como 0 para todas las variables k1. Un caso en la categora i sima se
codificar como 0 para todas las variables indicadoras excepto la i sima, que se codificar como 1.
Es posible que IBM no ofrezca los productos, servicios o caractersticas que se tratan en este documento
en otros pases. El representante local de IBM le puede informar sobre los productos y servicios que estn
actualmente disponibles en su localidad. Cualquier referencia a un producto, programa o servicio de IBM
no pretende afirmar ni implicar que solamente se pueda utilizar ese producto, programa o servicio de
IBM. En su lugar, se puede utilizar cualquier producto, programa o servicio funcionalmente equivalente
que no infrinja los derechos de propiedad intelectual de IBM. Sin embargo, es responsabilidad del usuario
evaluar y comprobar el funcionamiento de todo producto, programa o servicio que no sea de IBM.
IBM puede tener patentes o solicitudes de patente en tramitacin que cubran la materia descrita en este
documento. Este documento no le otorga ninguna licencia para estas patentes. Puede enviar preguntas
acerca de las licencias, por escrito, a:
Para consultas sobre licencias relacionadas con informacin de doble byte (DBCS), pngase en contacto
con el departamento de propiedad intelectual de IBM de su pas o enve sus consultas, por escrito, a:
Esta informacin puede incluir imprecisiones tcnicas o errores tipogrficos. Peridicamente, se efectan
cambios en la informacin aqu y estos cambios se incorporarn en nuevas ediciones de la publicacin.
IBM puede realizar en cualquier momento mejoras o cambios en los productos o programas descritos en
esta publicacin sin previo aviso.
Las referencias hechas en esta publicacin a sitios web que no son de IBM se proporcionan slo para la
comodidad del usuario y no constituyen de modo alguno un aval de esos sitios web. La informacin de
esos sitios web no forma parte de la informacin de este producto de IBM y la utilizacin de esos sitios
web se realiza bajo la responsabilidad del usuario.
IBM puede utilizar o distribuir la informacin que se le proporcione del modo que considere adecuado
sin incurrir por ello en ninguna obligacin con el remitente.
33
Los titulares de licencias de este programa que deseen tener informacin sobre el mismo con el fin de
permitir: (i) el intercambio de informacin entre programas creados independientemente y otros
programas (incluido este) y (ii) el uso mutuo de la informacin que se ha intercambiado, debern ponerse
en contacto con:
Esta informacin estar disponible, bajo las condiciones adecuadas, incluyendo en algunos casos el pago
de una cuota.
El programa bajo licencia que se describe en este documento y todo el material bajo licencia disponible
los proporciona IBM bajo los trminos de las Condiciones Generales de IBM, Acuerdo Internacional de
Programas Bajo Licencia de IBM o cualquier acuerdo equivalente entre las partes.
Los ejemplos de datos de rendimiento y de clientes citados se presentan solamente a efectos ilustrativos.
Los resultados reales de rendimiento pueden variar en funcin de las configuraciones especficas y
condiciones de operacin.
La informacin relacionada con productos no IBM se ha obtenido de los proveedores de esos productos,
de sus anuncios publicados o de otras fuentes disponibles pblicamente. IBM no ha probado esos
productos y no puede confirmar la exactitud del rendimiento, la compatibilidad ni ninguna otra
afirmacin relacionada con productos no IBM. Las preguntas sobre las posibilidades de productos que no
son de IBM deben dirigirse a los proveedores de esos productos.
Las declaraciones sobre el futuro rumbo o intencin de IBM estn sujetas a cambio o retirada sin previo
aviso y representan nicamente metas y objetivos.
Esta informacin contiene ejemplos de datos e informes utilizados en operaciones comerciales diarias.
Para ilustrarlos lo mximo posible, los ejemplos incluyen los nombres de las personas, empresas, marcas
y productos. Todos estos nombres son ficticios y cualquier parecido con personas o empresas comerciales
reales es pura coincidencia.
Esta informacin contiene programas de aplicacin de muestra escritos en lenguaje fuente, los cuales
muestran tcnicas de programacin en diversas plataformas operativas. Puede copiar, modificar y
distribuir estos programas de muestra de cualquier modo sin realizar ningn pago a IBM, con el fin de
desarrollar, utilizar, comercializar o distribuir programas de aplicacin que se ajusten a la interfaz de
programacin de aplicaciones para la plataforma operativa para la que se han escrito los programas de
muestra. Estos ejemplos no se han probado exhaustivamente en todas las condiciones. Por lo tanto, IBM
no puede garantizar ni dar por supuesta la fiabilidad, la capacidad de servicio ni la funcionalidad de
estos programas. Los programas de muestra se proporcionan "TAL CUAL" sin garanta de ningn tipo.
IBM no ser responsable de ningn dao derivado del uso de los programas de muestra.
Cada copia, parcial o completa, de estos programas de ejemplo, o cualquier trabajo obtenido a partir de
los mismos, debe incluir el siguiente aviso de copyright:
(nombre de la compaa) (ao). Algunas partes de este cdigo procede de los programas de ejemplo de
IBM Corp.
Adobe, el logotipo Adobe, PostScript y el logotipo PostScript son marcas registradas o marcas comerciales
de Adobe Systems Incorporated en Estados Unidos y/o otros pases.
Intel, el logotipo de Intel, Intel Inside, el logotipo de Intel Inside, Intel Centrino, el logotipo de Intel
Centrino, Celeron, Intel Xeon, Intel SpeedStep, Itanium y Pentium son marcas comerciales o marcas
registradas de Intel Corporation o sus filiales en Estados Unidos y otros pases.
Linux es una marca registrada de Linus Torvalds en Estados Unidos, otros pases o ambos.
Microsoft, Windows, Windows NT, y el logotipo de Windows son marcas comerciales de Microsoft
Corporation en Estados Unidos, otros pases o ambos.
UNIX es una marca registrada de The Open Group en Estados Unidos y otros pases.
Java y todas las marcas comerciales y los logotipos basados en Java son marcas comerciales o registradas
de Oracle y/o sus afiliados.
Avisos 35
36 IBM SPSS Regression 24
ndice
A estadstico de bondad de ajuste de
Hosmer-Lemeshow
M
Anlisis probit en Regresin logstica 6 matriz de correlaciones
Caractersticas adicionales del Estimacin ponderada 25 en Regresin logstica
comando 17 almacenamiento de la mejor multinomial 11
criterios 16 ponderacin como una variable matriz de covarianzas
definicin de rango 16 nueva 26 en Regresin logstica
ejemplo 15 Caractersticas adicionales del multinomial 11
estadsticos 15, 16 comando 26 modelo de densidad
ndice de respuesta natural 16 ejemplo 25 en Regresin no lineal 21
intervalos de confianza fiduciaria 16 estadsticos 25 modelo de densidad de rendimiento
iteraciones 16 historial de iteraciones 26 en Regresin no lineal 21
potencia relativa de la mediana 16 log-verosimilitud 25 modelo de Gauss
prueba de paralelismo 16 mostrar ANOVA y estimaciones 26 en Regresin no lineal 21
estimaciones de los parmetros modelo de Gompertz
en Regresin logstica en Regresin no lineal 21
B multinomial 11 modelo de Johnson-Schumacher
en Regresin no lineal 21
bondad de ajuste
modelo de Michaelis Menten
en Regresin logstica
en Regresin no lineal 21
multinomial 11 F modelo de Morgan-Mercer-Florin
funcin de desvianza en Regresin no lineal 21
estimacin del valor del escalamiento modelo de Peal-Reed
C para la dispersin 12 en Regresin no lineal 21
casillas con 0 observaciones modelo de razn de cuadrticas
en Regresin logstica en Regresin no lineal 21
multinomial 11 H modelo de razn de cbicas
categora de referencia historial de iteraciones en Regresin no lineal 21
en Regresin logstica en Regresin logstica modelo de Richards
multinomial 10 multinomial 11 en Regresin no lineal 21
chi-cuadrado de Pearson modelo de Verhulst
bondad de ajuste 11 en Regresin no lineal 21
estimacin del valor del escalamiento modelo de Von Bertalanffy
para la dispersin 12 I en Regresin no lineal 21
clasificacin interseccin modelo de Weibull
en Regresin logstica multinomial 9 incluir o excluir 9 en Regresin no lineal 21
contrastes intervalos de confianza modelo log-modificado
en Regresin logstica 5 en Regresin logstica en Regresin no lineal 21
covariables multinomial 11 modelos de efectos principales
en Regresin logstica 5 intervalos de confianza fiduciaria en Regresin logstica multinomial 9
covariables categricas 5 en el anlisis probit 16 modelos factoriales completos
covariables de cadena iteraciones en Regresin logstica multinomial 9
en Regresin logstica 5 en el anlisis probit 16 modelos no lineales
criterio de convergencia en Regresin logstica 6 en Regresin no lineal 21
en Regresin logstica en Regresin logstica modelos personalizados
multinomial 11 multinomial 11 en Regresin logstica multinomial 9
D L P
D de Cook ley de Metcherlich de devoluciones potencia relativa de la mediana
en Regresin logstica 6 decrecientes en el anlisis probit 16
delta en Regresin no lineal 21 prueba de paralelismo
correccin para casillas con 0 log-verosimilitud en el anlisis probit 16
observaciones 11 en Estimacin ponderada 25
DfBeta en Regresin logstica
en Regresin logstica 6 multinomial 11
R
R-cuadrado de Cox y Snell
en Regresin logstica
E multinomial 11
eliminacin hacia atrs
en Regresin logstica 4
37
R cuadrado de McFadden Regresin no lineal (continuacin)
en Regresin logstica lgica condicional 20
multinomial 11 mtodos de estimacin 22
R-cuadrado de Nagelkerke modelo segmentado 20
en Regresin logstica modelos no lineales comunes 21
multinomial 11 parmetros 20
razn de verosimilitud programacin cuadrtica
bondad de ajuste 11 secuencial 22
estimacin del valor del escalamiento residuos 22
para la dispersin 12 restricciones para los parmetros 22
regresin asinttica valores iniciales 20
en Regresin no lineal 21 valores pronosticados 22
Regresin lineal Regresin por mnimos cuadrados en dos
estimacin ponderada 25 fases 27
Regresin por mnimos cuadrados en almacenamiento de nuevas
dos fases 27 variables 28
Regresin Logstica 3 Caractersticas adicionales del
almacenamiento de nuevas comando 28
variables 6 covarianzas de los parmetros 28
binaria 1 ejemplo 27
Caractersticas adicionales del estadsticos 27
comando 7 variables instrumentales 27
coeficientes 3 regresin restringida
contrastes 5 en Regresin no lineal 22
covariables categricas 5 restricciones para los parmetros
covariables de cadena 5 en Regresin no lineal 22
definicin de la regla de seleccin 4
ejemplo 3
establecimiento de reglas 4
estadstico de bondad de ajuste de
S
seleccin hacia delante
Hosmer-Lemeshow 6
en Regresin logstica 4
estadsticos 3
seleccin por pasos
estadsticos y grficos 6
en Regresin logstica 4
iteraciones 6
en Regresin logstica multinomial 9
medidas de influencia 6
separacin
mtodos de seleccin de variables 4
en Regresin logstica
opciones de representacin 6
multinomial 11
probabilidad para el mtodo por
singularidad
pasos 6
en Regresin logstica
punto de corte para la clasificacin 6
multinomial 11
residuos 6
subdivisin por pasos
trmino constante 6
en Regresin logstica
valores pronosticados 6
multinomial 11
regresin logstica binaria 1
Regresin logstica multinomial 9, 11
Caractersticas adicionales del
comando 13 T
categora de referencia 10 tablas de clasificacin
criterios 11 en Regresin logstica
estadsticos 11 multinomial 11
exportacin de informacin del tablas de probabilidades de casilla
modelo 13 en Regresin logstica
guardar 13 multinomial 11
modelos 9 trmino constante
Regresin no lineal 19 en Regresin lineal 6
algoritmo de Levenberg-
Marquardt 22
almacenamiento de variables
nuevas 22
V
valor del escalamiento para la dispersin
Caractersticas adicionales del
en Regresin logstica
comando 23
multinomial 12
derivadas 22
valores de influencia
ejemplo 19
en Regresin logstica 6
estadsticos 19
estimaciones de bootstrap 22
funcin de prdida 21
interpretacin de resultados 23
Impreso en Espaa