viernes, 29 de agosto de 2014

ANÁLISIS DE REGRESIÓN LINEAL, GEOMÉTRICA, LOGARÍTMICA Y CUADRÁTICA EN OPEN STAT

ANÁLISIS DE REGRESIÓN LINEAL, GEOMÉTRICA, LOGARÍTMICA Y CUADRÁTICA EN OPEN STAT
Ing. Luis Manfredo Reyes

El análisis de regresión es una técnica estadística que trata de encontrar un modelo matemático que explique los cambios en una variable (dependiente) en función de otra u otras (independiente o independientes).
Aunque el modelo más enseñado y más utilizado es el lineal (y=a+bx), hay muchas situaciones donde éste modelo no se adapta bien a los datos, surgiendo la necesidad de probar otros modelos.
Afortunadamente, la tecnología disponible actualmente permite el ajuste de muchos modelos con los mismos datos. En ésta ocasión se discute el uso de OPEN STAT  para el ajuste.


Estudio de caso:
Se tienen los registros de población de una comunidad a partir de su fundación (tiempo cero):
AÑO
POBLACION
0
200
25
425
50
950
70
2200
100
5000

1.       Creación del archivo de datos
Para el modelo lineal se ingresan los datos tal y como están originalmente
La variable independiente es el año (x) y la dependiente la población (y)
Para el modelo geométrico se calcula una nueva columna con los datos del logaritmo de la población (OJO, ÉSTE DATO NO PUEDE DAR CERO, PORQUE EL LOGARITMO DE CERO NO EXISTE, EN SU LUGAR SE USA UN VALOR MUY PEQUEÑO POR EJEMPLO  0.000001)
Para el modelo geométrico se calcula una nueva columna con los datos del logaritmo del año (OJO, ÉSTE DATO NO PUEDE DAR CERO, PORQUE EL LOGARITMO DE CERO NO EXISTE, EN SU LUGAR SE USA UN VALOR MUY PEQUEÑO POR EJEMPLO  0.000001)
Para el modelo cuadrático se calcula una nueva columna con los datos del año al cuadrado. Los datos pueden quedar en cualquier orden de columnas.

Se puede trabajar con logaritmos naturales o base 10. En éste ejemplo se usarán logaritmos naturales

Debido a que son pocos datos se recomienda realizarlo directamente en el editor de datos de Infostat:

2.       Diagrama de dispersión de los datos
Permite visualizar si los datos tienen tendencia lineal o de otro tipo
Se ingresa a la pestaña Analyses y luego a Descriptives y luego x versus y plot
La especificación de la gráfica es la siguiente:

La gráfica de Infostat es la siguiente:



Es evidente que los datos no siguen una tendencia lineal, más bien geométrica o cuadrática.

3.       Ajuste del modelo lineal
Se ingresa a Analyses, luego Multiple Regression y luego a Block Entry  El modelo se especifica así:
y se oprime el botón Compute




Y el resultado es el siguiente:


La información más importante es: el coeficiente de determinación (0.85) y la significancia del modelo (0.0259) que por ser menor a 0.05 indica que el modelo sí es significativo al 5% de significancia. Estos datos se deben comparar con los de los otros modelos para escoger el mejor.

4.       Ajuste del modelo Geométrico
Se ingresa a Estadísticas y Regresión Lineal. Se ingresa como variable independiente x y como dependiente el logaritmo de x


Y el resultado es:


El grado de ajuste es de 0.99 y el modelo es significativo al 1%
Ojo: el modelo queda así: Ln y  =5.273+0.033 x
Para convertirlo a su forma exponencial, se operan los antilogaritmos de 2.21 y 0.04, el modelo sería:
Y= 194.4159*1.0304X

             Ajuste del modelo logarítmico

La variable independiente es: logaritmo de x y la dependiente: logaritmo de y

El resultado que produce Infostat es el siguiente:


El modelo queda así: Ln y=6.664+0.162*Ln x

Puede verse que el coeficiente de determinación es muy bajo y el modelo no es significativo (porque el p es mayor que 0.05), por lo que debe ser desechado
  
   Ajuste del modelo cuadrático
La variable dependiente es y, las dos independientes x y x cuadrado

Siendo los resultados producidos por el programa los siguientes:

El grado de ajuste es alto y el modelo es significativo al 1%
   

DISCUSIÓN:
Debido a que existen dos modelos que tienen 0.99 de ajuste, la regla que se sigue es que se usa el modelo que matemáticamente sea más simple, en éste caso el geométrico.

Es posible probar muchos modelos más dependiendo del interés del investigador


No hay comentarios:

Publicar un comentario