average height traducción

Covarianza. [/CalRGB << /Length 13 0 R 53 0 obj << /Resources << Variables bidimensionales: regresión y correlación Unidad Docente de Matemáticas de la E.T.S.I.T.G.C. 500 278 333 333 611 556 722 280 556 333 737 667 556 584 333 737 /F0 6 0 R /F1 8 0 R BT 225 786.75 TD 0 0 0 rg /F0 12 Tf 0.3 Tc 0 Tw (El modelo de regresi\363n lineal m\372ltiple) Tj 285 0 TD 0 Tc 0.3 Tw ( ) Tj -60 -738 TD 0.3 Tc 0 Tw (Tema VII) Tj 60 0 TD 0 Tc 0.3 Tw ( ) Tj -222 -1.5 TD /F1 12 Tf 0 Tw (584) Tj ET 0.75 w 1 J 1 j 0 0 0 RG 510.75 785.25 m 86.25 785.25 l S BT 84.75 760.5 TD /F0 12 Tf 0.3 Tc (utilizar la notaci\363n matricial esto se hace posible. ) 20 0 obj /LastChar 255 ... matriz de correlaciones bivariadas haya correlaciones altas. 778 667 778 722 667 611 722 667 944 667 667 611 333 278 333 584 Equipo de econometría de la USC (coordinado por la Catedrática de Econometría Profesora Dña. /Length 82 0 R 3862 500 333 500 500 444 500 444 278 500 500 278 278 444 278 722 500 endobj Aparece una ventana donde se deben ingresar las variales dependientes. endobj Cristian García. 0000112766 00000 n 713 768 713 790 790 890 823 549 250 713 603 603 1042 987 603 987 /FontBBox [ -250 -278 733 889 ] /F6 23 0 R /Widths [ 778 250 333 408 500 500 833 778 180 333 333 500 564 250 333 250 >> /Type /Page >> Tj 52.5 0 TD 0 Tc 0.3 Tw ( ) Tj -52.5 -20.25 TD 0.3 Tc 0 Tw (5.3.) BT 225 786.75 TD 0 0 0 rg /F0 12 Tf 0.3 Tc 0 Tw (El modelo de regresi\363n lineal m\372ltiple) Tj 285 0 TD 0 Tc 0.3 Tw ( ) Tj -60 -738 TD 0.3 Tc 0 Tw (Tema VII) Tj 60 0 TD 0 Tc 0.3 Tw ( ) Tj -222 -1.5 TD /F1 12 Tf 0 Tw (582) Tj ET 0.75 w 1 J 1 j 0 0 0 RG 510.75 785.25 m 86.25 785.25 l S BT 84.75 760.5 TD /F0 12 Tf 0.3 Tw ( ) Tj 0 -20.25 TD 0.1163 Tc 0.0337 Tw (Si denotamos por V\(U\) a la matriz de varianzas covarianzas ) Tj T* 0.3 Tc 0 Tw (del vector U, ) Tj 105 0 TD (V\(U\) viene dado por ) Tj 150 0 TD 0 Tc 0.3 Tw ( ) Tj ET BT 0.75 0 0 1 224.25 668.25 Tm /F6 9.75 Tf -0.2467 Tc 0 Tw ([) Tj 163.9994 0 TD (]) Tj ET BT 504.75 636 TD /F6 7.5 Tf 0.12 Tc (\372) Tj 0 7.5 TD (\372) Tj T* (\372) Tj 0 6.75 TD (\372) Tj 0 7.5 TD (\372) Tj 0 6.75 TD (\372) Tj 0 7.5 TD (\372) Tj T* (\372) Tj 0 6.75 TD (\372) Tj 0 -60.75 TD (\373) Tj 0 68.25 TD (\371) Tj -144.75 -65.25 TD (\352) Tj 0 7.5 TD (\352) Tj T* (\352) Tj 0 6.75 TD (\352) Tj 0 7.5 TD (\352) Tj 0 6.75 TD (\352) Tj 0 7.5 TD (\352) Tj T* (\352) Tj 0 6.75 TD (\352) Tj 0 -60.75 TD (\353) Tj 0 68.25 TD (\351) Tj -11.25 -64.5 TD (\372) Tj 0 7.5 TD (\372) Tj 0 6.75 TD (\372) Tj 0 7.5 TD (\372) Tj T* (\372) Tj 0 6.75 TD (\372) Tj 0 7.5 TD (\372) Tj 0 6.75 TD (\372) Tj 0 7.5 TD (\372) Tj 0 -62.25 TD (\373) Tj 0 69.75 TD (\371) Tj -159.75 -65.25 TD (\352) Tj 0 7.5 TD (\352) Tj 0 6.75 TD (\352) Tj 0 7.5 TD (\352) Tj T* (\352) Tj 0 6.75 TD (\352) Tj 0 7.5 TD (\352) Tj 0 6.75 TD (\352) Tj 0 7.5 TD (\352) Tj 0 -62.25 TD (\353) Tj 0 69.75 TD (\351) Tj 27 -66 TD (\372) Tj 0 7.5 TD (\372) Tj T* (\372) Tj 0 6.75 TD (\372) Tj 0 7.5 TD (\372) Tj 0 6.75 TD (\372) Tj 0 7.5 TD (\372) Tj T* (\372) Tj 0 6.75 TD (\372) Tj 0 -60.75 TD (\373) Tj 0 68.25 TD (\371) Tj -24 -65.25 TD (\352) Tj 0 7.5 TD (\352) Tj T* (\352) Tj 0 6.75 TD (\352) Tj 0 7.5 TD (\352) Tj 0 6.75 TD (\352) Tj 0 7.5 TD (\352) Tj T* (\352) Tj 0 6.75 TD (\352) Tj 0 -60.75 TD (\353) Tj 0 68.25 TD (\351) Tj -38.25 -33 TD -0.3525 Tc (\242) Tj 13.5 -2.25 TD /F6 4.5 Tf -0.3615 Tc (\242) Tj 330.75 -32.25 TD /F4 7.5 Tf 0 Tc (u) Tj -7.5 0 TD (u) Tj -8.25 0.75 TD -0.165 Tc (E\() Tj -12.75 0 TD 0.375 Tc (..) Tj -9.75 0 TD -0.2475 Tc (\)) Tj -6 -0.75 TD 0 Tc (u) Tj -7.5 0 TD (u) Tj -8.25 0.75 TD -0.165 Tc (E\() Tj -10.5 0 TD 0.375 Tc (..) Tj -9 0 TD -0.2475 Tc (\)) Tj -7.5 -0.75 TD 0 Tc (u) Tj -7.5 0 TD (u) Tj -8.25 0.75 TD -0.165 Tc (E\() Tj -9.75 0 TD -0.2475 Tc (\)) Tj -6.75 -0.75 TD 0 Tc (u) Tj -7.5 0 TD (u) Tj -8.25 0.75 TD -0.165 Tc (E\() Tj 138.75 12.75 TD 0.375 Tc (..) Tj -32.25 0 TD (..) Tj -9.75 0 TD (..) Tj -32.25 0 TD (..) Tj -9.75 0 TD (..) Tj -33 0 TD (..) Tj 117.75 13.5 TD -0.2475 Tc (\)) Tj -7.5 -0.75 TD 0 Tc (u) Tj -6.75 0 TD (u) Tj -7.5 0.75 TD -0.165 Tc (E\() Tj -11.25 0 TD 0.375 Tc (..) Tj -9.75 0 TD -0.2475 Tc (\)) Tj -6 -0.75 TD 0 Tc (u) Tj -6 0 TD (u) Tj -8.25 0.75 TD -0.165 Tc (E\() Tj -12 0 TD 0.375 Tc (..) Tj -9 0 TD -0.2475 Tc (\)) Tj -7.5 -0.75 TD 0 Tc (u) Tj -6 0 TD (u) Tj -8.25 0.75 TD -0.165 Tc (E\() Tj -11.25 0 TD -0.2475 Tc (\)) Tj -6.75 -0.75 TD 0 Tc (u) Tj -6 0 TD (u) Tj -8.25 0.75 TD -0.165 Tc (E\() Tj 137.25 12.75 TD 0.375 Tc (..) Tj -32.25 0 TD (..) Tj -9.75 0 TD (..) Tj -32.25 0 TD (..) Tj -9.75 0 TD (..) Tj -33 0 TD (..) Tj 117.75 14.25 TD -0.2475 Tc (\)) Tj -7.5 -0.75 TD 0 Tc (u) Tj -7.5 0 TD (u) Tj -8.25 0.75 TD -0.165 Tc (E\() Tj -9.75 0 TD 0.375 Tc (..) Tj -9.75 0 TD -0.2475 Tc (\)) Tj -6 -0.75 TD 0 Tc (u) Tj -7.5 0 TD (u) Tj -7.5 0.75 TD -0.165 Tc (E\() Tj -11.25 0 TD 0.375 Tc (..) Tj -9 0 TD -0.2475 Tc (\)) Tj -7.5 -0.75 TD 0 Tc (u) Tj -6.75 0 TD (u) Tj -8.25 0.75 TD -0.165 Tc (E\() Tj -10.5 0 TD -0.2475 Tc (\)) Tj -6.75 -0.75 TD 0 Tc (u) Tj -6.75 0 TD (u) Tj -8.25 0.75 TD -0.165 Tc (E\() Tj 138.75 14.25 TD -0.2475 Tc (\)) Tj -7.5 -1.5 TD 0 Tc (u) Tj -6.75 0 TD (u) Tj -8.25 1.5 TD -0.165 Tc (E\() Tj -10.5 0 TD 0.375 Tc (..) Tj -9.75 0 TD -0.2475 Tc (\)) Tj -6 -1.5 TD 0 Tc (u) Tj -6.75 0 TD (u) Tj -8.25 1.5 TD -0.165 Tc (E\() Tj -11.25 0 TD 0.375 Tc (..) Tj -9 0 TD -0.2475 Tc (\)) Tj -7.5 -1.5 TD 0 Tc (u) Tj -6.75 0 TD (u) Tj -8.25 1.5 TD -0.165 Tc (E\() Tj -10.5 0 TD -0.2475 Tc (\)) Tj -6.75 -1.5 TD 0 Tc (u) Tj -6.75 0 TD (u) Tj -8.25 1.5 TD -0.165 Tc (E\() Tj -10.5 -33.75 TD 0.1875 Tc (=) Tj -12 0 TD -0.1237 Tc (0\)) Tj -3.75 0 TD -0.2475 Tc (-) Tj -8.25 -0.75 TD 0 Tc (u) Tj -3.75 0.75 TD -0.2475 Tc (\() Tj -9 0 TD 0.375 Tc (..) Tj -12.75 0 TD -0.1237 Tc (0\)) Tj -3.75 0 TD -0.2475 Tc (-) Tj -6.75 -0.75 TD 0 Tc (u) Tj -3.75 0.75 TD -0.2475 Tc (\() Tj -9.75 0 TD 0.375 Tc (..) Tj -12.75 0 TD -0.1237 Tc (0\)) Tj -3 0 TD -0.2475 Tc (-) Tj -7.5 -0.75 TD 0 Tc (u) Tj -3.75 0.75 TD -0.2475 Tc (\() Tj -12.75 0 TD -0.1237 Tc (0\)) Tj -3.75 0 TD -0.2475 Tc (-) Tj -6.75 -0.75 TD 0 Tc (u) Tj -3.75 0.75 TD -0.2475 Tc (\() Tj -6.75 0 TD 0 Tc (*) Tj -9 -33.75 TD -0.1237 Tc (0\)) Tj -3.75 0 TD -0.2475 Tc (-) Tj -8.25 -0.75 TD 0 Tc (u) Tj -3.75 0.75 TD -0.2475 Tc (\() Tj 18.75 12.75 TD 0.375 Tc (..) Tj -3 13.5 TD -0.1237 Tc (0\)) Tj -3.75 0 TD -0.2475 Tc (-) Tj -6.75 -0.75 TD 0 Tc (u) Tj -3.75 0.75 TD -0.2475 Tc (\() Tj 17.25 12.75 TD 0.375 Tc (..) Tj -3 14.25 TD -0.1237 Tc (0\)) Tj -3.75 0 TD -0.2475 Tc (-) Tj -7.5 -0.75 TD 0 Tc (u) Tj -3.75 0.75 TD -0.2475 Tc (\() Tj 17.25 14.25 TD 0 Tc (0) Tj -3.75 0 TD -0.2475 Tc (-) Tj -7.5 -1.5 TD 0 Tc (u) Tj -3 1.5 TD -0.2475 Tc (\() Tj -14.25 -33.75 TD -0.0825 Tc (E) Tj -7.5 0 TD 0.1875 Tc (=) Tj -6.75 0 TD -0.0825 Tc (\)]) Tj -13.5 0 TD -0.2475 Tc (-) Tj -11.25 0 TD 0.5438 Tc (\(U) Tj -4.5 0 TD 0 Tc (*) Tj -3 0 TD -0.2475 Tc (\)) Tj -12 0 TD (-) Tj -17.25 0 TD 0.2719 Tc (E[\(U) Tj -7.5 0 TD 0.1875 Tc (=) Tj -15.75 0 TD 0.0019 Tc (V\(U\)) Tj 417 -35.25 TD /F4 4.5 Tf -0.252 Tc (T) Tj -7.5 0 TD (T) Tj -36.75 0 TD 0.249 Tc (t) Tj -7.5 0 TD -0.252 Tc (T) Tj -35.25 0 TD 0 Tc (2) Tj -7.5 0 TD -0.252 Tc (T) Tj -24.75 0 TD 0 Tc (1) Tj -7.5 0 TD -0.252 Tc (T) Tj 123.75 27 TD (T) Tj -6 0 TD 0.249 Tc (t) Tj -35.25 0 TD (t) Tj -6 0 TD (t) Tj -36.75 0 TD 0 Tc (2) Tj -6 0 TD 0.249 Tc (t) Tj -26.25 0 TD 0 Tc (1) Tj -6 0 TD 0.249 Tc (t) Tj 122.25 26.25 TD -0.252 Tc (T) Tj -6.75 0 TD 0 Tc (2) Tj -34.5 0 TD 0.249 Tc (t) Tj -6.75 0 TD 0 Tc (2) Tj -36 0 TD (2) Tj -6.75 0 TD (2) Tj -25.5 0 TD (1) Tj -6.75 0 TD (2) Tj 123 14.25 TD -0.252 Tc (T) Tj -6.75 0 TD 0 Tc (1) Tj -34.5 0 TD 0.249 Tc (t) Tj -6.75 0 TD 0 Tc (1) Tj -36 0 TD (2) Tj -6.75 0 TD (1) Tj -25.5 0 TD (1) Tj -6.75 0 TD (1) Tj -42.75 -33.75 TD -0.252 Tc (T) Tj -36 0 TD 0.249 Tc (t) Tj -36.75 0 TD 0 Tc (2) Tj -27 0 TD (1) Tj -31.5 -33.75 TD -0.252 Tc (T) Tj 1.5 27 TD 0.249 Tc (t) Tj -0.75 26.25 TD 0 Tc (2) Tj 2.25 14.25 TD (1) Tj -39.75 -34.5 TD (u) Tj -30.75 0 TD (u) Tj 26.25 2.25 TD /F5 7.5 Tf 0.18 Tc (m) Tj -31.5 0 TD (m) Tj 380.25 24 TD /F0 12 Tf 0 Tc 0.3 Tw ( ) Tj -424.5 -79.5 TD ( ) Tj 0 -20.25 TD 0.3 Tc 1.275 Tw (en donde los elementos de la diagonal principal son las ) Tj T* 3.75 Tw (varianzas de cada ) Tj 4.05 Tc 0 Tw (u) Tj 165 -1.5 TD /F0 7.5 Tf 0 Tc (t) Tj 4.5 1.5 TD /F0 12 Tf 0.3 Tc 3.3214 Tw ( y los elementos de fuera de la) Tj 0 Tc 0.3 Tw ( ) Tj -169.5 -20.25 TD 0.3 Tc 0.5833 Tw (diagonal principal son las covarianzas entre cada par de ) Tj 0 -20.25 TD 0 Tw (variables contenidas en el vector U. Recordemo) Tj 345 0 TD 0.05 Tc (s que seg\372n ) Tj -345 -20.25 TD 0.3 Tc (la hip\363tesis \(5.1\) los errores tienen media cero.) 444 549 722 667 722 612 611 763 603 722 333 631 722 686 889 722 En el caso de la regresión lineal simple se tiene que \(p=2\) (hay dos parámetros, \(\beta_0\) y \(\beta_1\)). Es la generalización natural a dimensiones superiores del concepto de varianza de una variable aleatoria escalar. /ProcSet 2 0 R /Parent 60 0 R >> >> 658 823 686 795 987 768 768 823 768 768 713 713 713 713 713 713 Modelo de regresión lineal múltiple. /Font << endobj /Parent 83 0 R /Type /Page Ya hemos visto ) Tj ET endstream Pero, sin embargo, debido a que el estimador de MCO para MLR es un vector, para calcular su varianza, tendremos una matriz de varianza-covarianza. /Parent 60 0 R 0000113110 00000 n 0000039971 00000 n stream /Type /Pages \277Qu\351 significa que un estimador es \363ptimo?) 6 0 obj 722 556 722 667 556 611 722 722 944 722 722 611 333 278 333 469 0000044008 00000 n Tj 30 0 TD 0 Tc 0.3 Tw ( ) Tj -391.5 -20.25 TD ( ) Tj 0 -35.25 TD /F3 13.5 Tf 0.1461 Tc 0 Tw (VI.2.) /MaxWidth 1000 Tj 150 0 TD 0 Tc 0.3 Tw ( ) Tj -150 -20.25 TD ( ) Tj 0 -20.25 TD 0.1245 Tc -0.012 Tw (Teniendo en cuenta que E\(b\) = \337, la matriz V\(b\) la podemos ) Tj T* 0.3 Tc 0 Tw (escribir como) Tj 97.5 0 TD 0 Tc 0.3 Tw ( ) Tj -97.5 -20.25 TD ( ) Tj 133.5 -20.25 TD 0.3 Tc 0 Tw (V\(b\) = E[\(b) Tj 82.5 0 TD (-) Tj 7.5 0 TD (\337\)\(b) Tj 30 0 TD (-) Tj 7.5 0 TD (\337\)\264]) Tj 30 0 TD 0 Tc 0.3 Tw ( ) Tj -291 -20.25 TD 0.3 Tc 0 Tw (Por otra parte) Tj 105 0 TD 0 Tc 0.3 Tw ( ) Tj -105 -20.25 TD ( ) Tj 37.5 -20.25 TD 0.3 Tc 0 Tw (b=\(X\264X\)) Tj 52.5 5.25 TD /F0 7.5 Tf 0 Tc (-) Tj 4.5 0 TD (1) Tj 4.5 -5.25 TD /F0 12 Tf 0.3 Tc ( X\264Y = \(X\264X\)) Tj 90 5.25 TD /F0 7.5 Tf 0 Tc (-) Tj 4.5 0 TD (1) Tj 4.5 -5.25 TD /F0 12 Tf 0.3 Tc ( X\264\(X\337+U\) = \337 +\(X\264X\)) Tj 150 5.25 TD /F0 7.5 Tf 0 Tc (-) Tj 4.5 0 TD (1) Tj 4.5 -5.25 TD /F0 12 Tf 0.3 Tc ( X\264U) Tj 30 0 TD 0 Tc 0.3 Tw ( ) Tj -387 -20.25 TD ( ) Tj 0 -20.25 TD 0.3 Tc 0 Tw (con lo cual) Tj 82.5 0 TD 0 Tc 0.3 Tw ( ) Tj -82.5 -20.25 TD ( ) Tj 144 -20.25 TD 0.3 Tc 0 Tw (\(b) Tj 15 0 TD (-) Tj 7.5 0 TD (\337\) = \(X\264X\)) Tj 75 5.25 TD /F0 7.5 Tf 0 Tc (-) Tj 4.5 0 TD (1) Tj 4.5 -5.25 TD /F0 12 Tf 0.3 Tc ( X\264U) Tj 30 0 TD 0 Tc 0.3 Tw ( ) Tj -280.5 -20.25 TD ( ) Tj 0 -20.25 TD 0.3 Tc 0 Tw (y) Tj 7.5 0 TD 0 Tc 0.3 Tw ( ) Tj -7.5 -20.25 TD ( ) Tj 144 -20.25 TD 0.3 Tc 0 Tw (\(b) Tj 15 0 TD (-) Tj 7.5 0 TD (\337\)\264 = U\264X\(X\264X\)) Tj 105 5.25 TD /F0 7.5 Tf 0 Tc (-) Tj 4.5 0 TD (1) Tj 4.5 -5.25 TD /F0 12 Tf 0.3 Tw ( ) Tj -280.5 -20.25 TD ( ) Tj 0 -20.25 TD ( ) Tj ET endstream 611 750 278 278 500 500 350 556 1000 333 1000 556 333 556 479 500 stream Tj 97.5 0 TD 0 Tc 0.3 Tw ( ) Tj -97.5 -20.25 TD 0.3 Tc 0 Tw (VI.5.2.) /Parent 83 0 R 611 975 722 722 722 722 667 611 778 722 278 556 722 611 833 722 22:02 | Recomendaciones. /ProcSet 2 0 R Estimación de los parámetros del modelo por mínimos cuadrados. >> /F6 23 0 R << Se encontró adentro – Página 406... que simplifica las columnas de la matriz factorial , aproximando a cero el mayor número posible de cargas factoriales ... de inferencia bivariada como análisis de varianza , análisis de covarianza y análisis de regresión múltiple . /F1 8 0 R de regresión. /Parent 39 0 R La varianza residual se estima del modo que se muestra a continuación, donde el término \ ... Matriz de covarianzas de los estimadores de los parámetros. /CapHeight 1000 /Subtype /TrueType /F1 8 0 R 0000044032 00000 n 23 0 obj /StemH 113 Se encontró adentro – Página 92Vuelve al Menú Principal Análisis de Varianza : Anova y Manova 2 . Análisis de Varianza con Medias Repetidas 3 . Análisis de la Covarianza 4 . Regresión Múltiple 5 . Regresión Múltiple ( Step Wise Combinatorio ) 6 . Validaci\363n.) endobj El principal inconveniente de la multicolinealidad consiste en que se incrementan la varianza de los coeficientes de regresión estimados hasta el punto que resulta prácticamente imposible establecer su /BaseFont /Arial,BoldItalic /Type /Page 14.6.5.2 Variables que debe incluir un modelo de regresión ----- 198 14.6.6 Pronósticos generados en el procedimiento Regresión lineal ----- 198 14.6.7 Regresión múltiple a partir de una matriz de /Resources << /MaxWidth 1000 Vidal paz robles. 78 0 obj Se encontró adentro – Página iiiInterpolación de polinomios , WEB 27 , 184 Isomorfismo , 177 , 251 Matriz jacobiana , Wee 209 Polinomio de Laguerre ... 184 , 212 , 372 Arquitectura de tubería vectorial , 138 Estadística Análisis de varianza , 412 Covarianza , 484-485 ... 2.6 Aplicaciones. >> >> Calcula la matriz factorial y de varianzas y covarianzas de forma que sea máxima la probabilidad (verosimilitud) de la matriz de varianza de los datos. /Type /Pages 600 ] endobj 778 500 778 333 500 444 1000 500 500 333 1000 556 333 556 611 611 Las variables biológicas suelen presentar multicorrelaciones. << 2. Tj 352.5 0 TD 0 Tc 0.3 Tw ( ) Tj -352.5 -20.25 TD ( ) Tj 0 -20.25 TD 0.3 Tc 1.4167 Tw (En estas condiciones sabemos que la variable t definida ) Tj T* 0 Tw (como) Tj 30 0 TD 0 Tc 0.3 Tw ( ) Tj -30 -20.25 TD ( ) Tj ET 174.75 447.75 m 222.75 447.75 l S 166.5 443.25 m 168.75 444 l 171 432 l 174 463.5 l 224.25 463.5 l S 165.75 465 m 225 465 l S BT 406.5 462 TD /F4 12 Tf -0.063 Tc 0 Tw (libertad) Tj -3 0 TD 0 Tc ( ) Tj -10.5 0 TD -0.039 Tc (de) Tj -3 0 TD 0 Tc ( ) Tj -33 0 TD -0.056 Tc (grados) Tj -3.75 0 TD 0 Tc ( ) Tj -9 0 TD -0.123 Tc (1\)) Tj -9 0 TD 0.15 Tc (+) Tj -12 0 TD -0.162 Tc (\(k) Tj -6 0 TD -0.246 Tc (-) Tj -10.5 0 TD 0.078 Tc (T) Tj -2.25 0 TD 0 Tc ( ) Tj -11.25 0 TD -0.039 Tc (de) Tj -2.25 0 TD 0 Tc ( ) Tj -36.75 0 TD (Student) Tj -6 0 TD -0.246 Tc (-) Tj -6.75 0 TD -0.336 Tc (t) Tj -2.25 0 TD 0 Tc ( ) Tj -14.25 0 TD ( ) Tj -12 -26.25 TD -0.123 Tc (1\)) Tj -9.75 0 TD 0.15 Tc (+) Tj -12 0 TD -0.162 Tc (\(k) Tj -5.25 0 TD -0.246 Tc (-) Tj -10.5 0 TD 0.078 Tc (T) Tj 18.75 16.5 TD (Y) Tj -2.25 17.25 TD (Z) Tj -37.5 -7.5 TD 0.15 Tc (=) Tj -6 0 TD -0.336 Tc (t) Tj 79.5 0 TD /F6 12 Tf 0.156 Tc (\256) Tj 219.75 0 TD /F0 12 Tf 0 Tc 0.3 Tw ( ) Tj -363 -50.25 TD 0.3 Tc 0.75 Tw (Si operamos en la expresi\363n anterior y tene) Tj 327.75 0 TD 0 Tw (mos en cuenta ) Tj -327.75 -20.25 TD (que S) Tj 37.5 -1.5 TD /F0 7.5 Tf 0 Tc (e) Tj 4.5 6.75 TD (2) Tj 4.5 -5.25 TD /F0 12 Tf 0.3 Tc (=\(e\264e\)/\(T) Tj 67.5 0 TD (-) Tj 7.5 0 TD (k) Tj 7.5 0 TD (-) Tj 7.5 0 TD 0.2091 Tc -0.0341 Tw (1\), podemos escribir la variable t como) Tj 288.75 0 TD 0 Tc 0.3 Tw ( ) Tj ET 302.25 353.25 m 303.75 354 l 306.75 348.75 l 309 363 l 321 363 l S 288.75 364.5 m 321.75 364.5 l S BT 309.75 350.25 TD /F4 12 Tf 0 Tw (a) Tj -20.25 0 TD (S) Tj 25.5 19.5 TD ( ) Tj -14.25 0 TD -0.246 Tc (-) Tj -10.5 -1.5 TD 0 Tc (b) Tj -12.75 -6.75 TD 0.15 Tc (=) Tj -6 0 TD -0.336 Tc (t) Tj 44.25 -12 TD /F4 6.75 Tf 0.3735 Tc (ii) Tj -19.5 0 TD 0.003 Tc (e) Tj 21.75 16.5 TD 0.3735 Tc (i) Tj -22.5 1.5 TD (i) Tj ET BT 1.25 0 0 1 307.5 369.75 Tm /F5 12 Tf 0.012 Tc (b) Tj ET BT 324.75 361.5 TD /F0 12 Tf 0 Tc 0.3 Tw ( ) Tj -240 -32.25 TD ( ) Tj 0 -20.25 TD 0.3 Tc 0 Tw (la cual se distribuye como una t) Tj 240 0 TD (-) Tj 7.5 0 TD (Student de \(T) Tj 96.75 0 TD (-) Tj 6.75 0 TD (k) Tj 6.75 0 TD (-) Tj 6.75 0 TD -0.45 Tc (1\) grados ) Tj -364.5 -20.25 TD 0.3 Tc (de libertad.) /F0 6 0 R Análisis de serie de tiempo Estudio previo de variables. 611 389 556 556 556 556 278 556 556 556 556 556 556 556 278 278 500 500 631 549 549 494 439 521 411 603 329 603 549 549 576 521 69 0 obj Se encontró adentro – Página 995... hipotética y matrices de covarianza de 2 muestras , comparadas entre sí , así como la homogeneidad de la varianza ... Se explica mediante regresión múltiple el efecto de la longitud de contacto , grosor de cubierta , peso por resma ... stream /MissingWidth 750 regresión de la variable j-ésima sobre las demás variables independientes Propiedades de la matriz X'X: norma-1 = 1,8140033e+010 Determinante = 2,8519724e+027 Número de condición recíproca = 1,8419781e-010 Se observa que sobre todo son colineales la tasación (asses) con el resto y los metros cuadrados (sqrft) con el resto. /Type /Page /Encoding /WinAnsiEncoding 7 0 obj /Flags 16416 << /MediaBox [ 0 0 596 842 ] \end{array}\right)=0\]. 0 86 500 722 722 722 722 722 611 722 722 722 667 667 667 667 278 278 << Se encontró adentro – Página 196Su aplicación resulta útil cuando existe alta covarianza o correlación entre las variables que se estudian . ... la multicolinealidad o correlación entre variables independientes , en el marco del análisis de regresión múltiple . Regresión lineal ponderada. Se encontró adentro – Página 63modelo de regresión lineal múltiple o modelo lineal general. ... conjunta permiten reflejar la matriz de varianzas-covarianzas del vector u como: MVC(u) = σ u 2 · I. Como esta matriz depende de un solo parámetro se dice que es escalar. 0000048689 00000 n 3570 Supuestos del modelo de regresión lineal múltiple: 4. endobj >> Se encontró adentro – Página 34La última opción de esta serie de análisis es la matriz de varianza-covarianza de los coeficientes de regresión con ... R múltiple, R cuadrado y R cuadrado corregida, error típico de la estimación y la tabla de análisis de varianza. Obs\351rvese tambi\351n que si aceptamos la ) Tj 0 -20.25 TD 0.3 Tc 1.4167 Tw (hip\363tesis nula del contraste de nulidad, lo que estamos ) Tj T* 0.4773 Tw (aceptando es que la variable a la que hace referencia el ) Tj T* 6.25 Tw (sub\355ndice i no tiene) Tj 0 Tc 0.3 Tw ( ) Tj 182.25 0 TD 0.3 Tc 6 Tw (capacidad explicativa sobre la) Tj 0 Tc 0.3 Tw ( ) Tj -182.25 -20.25 TD 0.3 Tc 0 Tw (variable end\363gena del modelo.) >> 556 333 556 611 556 611 556 333 611 611 278 278 556 278 889 611 /Font << /Font << /ItalicAngle 0 /MissingWidth 611 >> << Y Nn X, 2In # Como ... El contraste de regresión en regresión múltiple sirve para comprobar si el modelo explica una >> Tj 307.5 0 TD 0 Tc 0.3 Tw ( ) Tj -307.5 -20.25 TD ( ) Tj 0 -20.25 TD 0.2531 Tc -0.0281 Tw (Debemos destacar que cada uno de los elementos del vector ) Tj T* 0.3 Tc 8.9167 Tw (Y y del vector U es una variable aleatoria, en) Tj 0 Tc 0.3 Tw ( ) Tj T* 0.135 Tc -0.085 Tw (consecuencia tiene sentido calcular la media para cada uno ) Tj T* 0.3 Tc 0.525 Tw (de los valores que forman el vector U o el v) Tj 335.25 0 TD 0 Tw (ector Y, as\355 ) Tj ET endstream 722 722 722 722 778 778 778 778 584 722 722 722 722 722 667 611 /Resources << /Contents 61 0 R /Ascent 944 >> Tj 397.5 0 TD 0 Tc 0.3 Tw ( ) Tj -397.5 -20.25 TD ( ) Tj 0 -20.25 TD 0.3 Tc 0 Tw (Sigamos pr) Tj 75 0 TD (ofundizando en el estudio del ) Tj 225 0 TD /F2 12 Tf (b) Tj 7.5 0 TD /F0 12 Tf 0.1269 Tc -0.0144 Tw (. /FontName /Symbol,Italic Tj 217.5 0 TD 0 Tc 0.3 Tw ( ) Tj -217.5 -20.25 TD ( ) Tj 0 -20.25 TD 0.3 Tc 8.25 Tw (El ca) Tj 45.75 0 TD 8.25 Tw (so m\341s utilizado del contraste individual de) Tj 0 Tc 0.3 Tw ( ) Tj -45.75 -20.25 TD 0.3 Tc 8.25 Tw (par\341metros es el llamado contraste de nulidad del) Tj 0 Tc 0.3 Tw ( ) Tj 0 -20.25 TD 0.3 Tc 2.025 Tw (par\341metro. /F5 21 0 R /Widths [ 778 250 333 420 500 500 833 778 214 333 333 500 675 250 333 250 /Name /F3 stream MATRIZ DE COVARIANZAS Llamamos matriz de covarianzas, a la matriz cuadrada simétrica que tiene en la diagonal principal las varianzas marginales, y fuera de la diagonal principal las covarianzas, es decir 2 xxy 2 yx y SS SS /StemV 113 1 0 obj /Ascent 938 740 611 611 611 611 611 611 611 549 389 611 611 611 611 556 333 778 500 778 333 500 556 889 500 500 333 1000 500 333 944 778 778 << << /LastChar 255 Tj 105 0 TD 0 Tc 0.3 Tw ( ) Tj -150 -20.25 TD 0.3 Tc 0 Tw (VI.2.) 278 500 500 500 500 500 500 500 500 500 500 278 278 564 564 564 ... Matriz de varianza-covarianza. endobj 4655 endobj Especificación del modelo. >> 2. En ) Tj -307.5 -20.25 TD 0.2681 Tc -0.1044 Tw (este caso, en vez de estimar par\341metro a par\341metro, tal y ) Tj 0 -20.25 TD 0.3 Tc 1.275 Tw (como hac\355amos en el caso del modelo de regresi\363n lineal ) Tj T* 1.4167 Tw (simple, estimaremos el vector \337 completo, puesto que al ) Tj ET endstream /Flags 35 /Font << 719 611 611 611 611 611 611 611 549 389 611 611 611 611 556 333 0000105635 00000 n ... g.l Varianza F Explicada o regresión 557,12 3 185,71 274,05 Residual 40,66 60 0,68 0000022428 00000 n 0000080930 00000 n << stream endobj Para ello recordamos ) Tj 0 -20.25 TD 0 Tw (que el modelo en su forma matricial viene dado por ) Tj 382.5 0 TD 0 Tc 0.3 Tw ( ) Tj -382.5 -20.25 TD ( ) Tj 0 -20.25 TD ( ) Tj 174.75 -20.25 TD 0.3 Tc 0 Tw (Y = X\337 + U) Tj 75 0 TD 0 Tc 0.3 Tw ( ) Tj -249.75 -20.25 TD ( ) Tj 0 -20.25 TD 0.3 Tc 0 Tw (Sea el vector ) Tj 105 0 TD /F2 12 Tf (b) Tj 7.5 0 TD /F0 12 Tf ( definido como) Tj 105 0 TD 0 Tc 0.3 Tw ( ) Tj 9 -129 TD /F6 12 Tf -0.108 Tc 0 Tw (\372) Tj 0 12 TD (\372) Tj 0 11.25 TD (\372) Tj 0 12 TD (\372) Tj 0 11.25 TD (\372) Tj 0 12 TD (\372) Tj 0 11.25 TD (\372) Tj 0 12 TD (\372) Tj 0 11.25 TD (\372) Tj 0 -97.5 TD (\373) Tj 0 109.5 TD (\371) Tj -15 -105 TD (\352) Tj 0 12 TD (\352) Tj 0 11.25 TD (\352) Tj 0 12 TD (\352) Tj 0 11.25 TD (\352) Tj 0 12 TD (\352) Tj 0 11.25 TD (\352) Tj 0 12 TD (\352) Tj 0 11.25 TD (\352) Tj 0 -97.5 TD (\353) Tj 0 109.5 TD (\351) Tj 4.5 -108.75 TD /F4 12 Tf 0 Tc (b) Tj 5.25 21.75 TD (..) Tj -3 21 TD (b) Tj 3 22.5 TD (..) Tj -4.5 20.25 TD (b) Tj 0 22.5 TD (b) Tj -15.75 -51.75 TD 0.15 Tc (=) Tj -8.25 0 TD 0 Tc (b) Tj 29.25 -57 TD /F4 6.75 Tf 0.003 Tc (k) Tj 1.5 42.75 TD 0.3735 Tc (i) Tj -0.75 42.75 TD 0.375 Tc (1) Tj -0.75 22.5 TD (0) Tj 11.25 -51 TD /F0 12 Tf 0 Tc 0.3 Tw ( ) Tj -233.25 -77.25 TD 0.3 Tc 0 Tw (en donde b) Tj 75 -1.5 TD /F0 7.5 Tf 0 Tc (i) Tj 4.5 1.5 TD /F0 12 Tf 0.3 Tc ( es el estimador del par\341metr) Tj 217.5 0 TD (o \337) Tj 22.5 -1.5 TD /F0 7.5 Tf 0 Tc (i) Tj 4.5 1.5 TD /F0 12 Tf 0.0273 Tc -0.1023 Tw (. 500 333 444 444 444 444 278 444 444 444 444 444 444 444 278 278 En las secciones de SLR, cuando calculamos la varianza de un estimador, tendremos un valor único de la varianza. /MaxWidth 625 Tj 172.5 0 TD 0 Tc 0.3 Tw ( ) Tj -172.5 -20.25 TD ( ) Tj 0 -20.25 TD 0.1163 Tc 0.0337 Tw (Es decir, el MRLM lo podemos representar de forma gen\351rica ) Tj T* 0.3 Tc 0 Tw (como) Tj 30 0 TD 0 Tc 0.3 Tw ( ) Tj 283.5 -22.5 TD /F4 12 Tf 0 Tw (u) Tj -9 1.5 TD 0.15 Tc (+) Tj -12.75 -1.5 TD -0.078 Tc (x) Tj -24 1.5 TD 0.15 Tc (+) Tj -9.75 0 TD 0 Tc (...) Tj -9 0 TD 0.15 Tc (+) Tj -12.75 -1.5 TD -0.078 Tc (x) Tj -24 1.5 TD 0.15 Tc (+) Tj -13.5 -1.5 TD -0.078 Tc (x) Tj -24 1.5 TD 0.15 Tc (+) Tj -12.75 -1.5 TD -0.078 Tc (x) Tj -23.25 1.5 TD 0.15 Tc (+) Tj -24.75 0 TD (=) Tj -9.75 0 TD -0.078 Tc (y) Tj 216 -2.25 TD /F4 6.75 Tf 0.3735 Tc (t) Tj -22.5 0 TD 0.1882 Tc (kt) Tj -12 -1.5 TD 0.003 Tc (k) Tj -44.25 1.5 TD 0.3742 Tc (3t) Tj -11.25 -1.5 TD 0.375 Tc (3) Tj -25.5 1.5 TD 0.3742 Tc (2t) Tj -12 -1.5 TD 0.375 Tc (2) Tj -25.5 1.5 TD 0.3742 Tc (1t) Tj -10.5 -1.5 TD 0.375 Tc (1) Tj -23.25 0 TD (o) Tj -23.25 0 TD 0.3735 Tc (t) Tj ET q 344.25 428.25 54 14.25 re W n BT 1.25 0 0 1 362.25 431.25 Tm /F5 12 Tf 0.012 Tc (b) Tj ET Q q 288.75 428.25 54 14.25 re W n BT 1.25 0 0 1 306.75 431.25 Tm /F5 12 Tf 0.012 Tc (b) Tj ET Q q 251.25 428.25 54 14.25 re W n BT 1.25 0 0 1 269.25 431.25 Tm /F5 12 Tf 0.012 Tc (b) Tj ET Q q 215.25 428.25 54 14.25 re W n BT 1.25 0 0 1 233.25 431.25 Tm /F5 12 Tf 0.012 Tc (b) Tj ET Q q 192 428.25 54 14.25 re W n BT 1.25 0 0 1 210 431.25 Tm /F5 12 Tf 0.012 Tc (b) Tj ET Q BT 408.75 431.25 TD /F0 12 Tf 0 Tc 0.3 Tw ( ) Tj -324 -23.25 TD 0.3 Tc 0 Tw (en donde t={1,2,...,T}. /CapHeight 938 stream 44 0 obj 444 921 722 667 667 722 611 556 722 722 333 389 722 611 889 722 Estadística administrativa II M.A. /StemV 159 5611 278 500 500 500 500 500 500 500 500 500 500 278 278 549 549 549 P.e. Ejemplo regresión múltiple ... Regresión Lineal 58 Matriz de proyección V 1 x1 Yˆ = VY ... cada variable βi: aumenta la varianza de las estimaciones y la dependencia de los estimadores) zDificulta la interpretación de los parámetros del modelo estimado (ver el caso de la stream 333 ] 0000039787 00000 n /Contents 71 0 R 48 0 obj Academia.edu is a platform for academics to share research papers. 59 0 obj Requesitos adicionales de la regresión múltiple: • n > 1<+1 El modelo depende de (1<+2) parámetros. Tj 0 Tc 0.3 Tw ( ) Tj T* 0.3 Tc 4.5 Tw (Desde la notaci\363n matricial la funci\363n) Tj 0 Tc 0.3 Tw ( ) Tj 319.5 0 TD /F2 12 Tf 0.3 Tc 0 Tw (A) Tj 7.5 0 TD /F0 12 Tf 4.125 Tw ( a minimizar) Tj 0 Tc 0.3 Tw ( ) Tj -327 -21 TD 0.3 Tc 0 Tw (vendr\341 dada por) Tj 112.5 0 TD 0 Tc 0.3 Tw ( ) Tj -112.5 -20.25 TD ( ) Tj 7.5 0 TD ( ) Tj 311.25 -29.25 TD /F4 18 Tf 0.003 Tc 0 Tw (b\)) Tj -10.5 0 TD 0 Tc (*) Tj -14.25 0 TD 0.252 Tc (X) Tj -9 0 TD 0.006 Tc (-) Tj -20.25 0 TD -0.126 Tc (\(Y) Tj -16.5 0 TD 0.003 Tc (b\)) Tj -11.25 0 TD 0 Tc (*) Tj -13.5 0 TD 0.252 Tc (X) Tj -9 0 TD 0.006 Tc (-) Tj -21 0 TD -0.126 Tc (\(Y) Tj -13.5 0 TD -0.15 Tc (=) Tj -21 0 TD 0 Tc (*) Tj -23.25 0 TD -0.15 Tc (=) Tj 34.5 -1.5 TD /F4 12 Tf -0.078 Tc (e) Tj -20.25 0 TD (e) Tj -24.75 0 TD (e) Tj -24.75 1.5 TD 0.15 Tc (=) Tj -8.25 0 TD 0.168 Tc (A) Tj 83.25 -2.25 TD /F4 6.75 Tf 0.375 Tc (b) Tj -20.25 0 TD (b) Tj -24 6 TD (2) Tj -0.75 -6 TD (b) Tj -15 14.25 TD -0.003 Tc (T) Tj 3.75 -24 TD 0.375 Tc (1) Tj -4.5 0 TD -0.0562 Tc (=) Tj -2.25 0 TD 0.3735 Tc (t) Tj 149.25 12 TD /F6 18 Tf 0.054 Tc (\242) Tj -150 -3 TD -0.084 Tc (\345) Tj 43.5 6.75 TD /F6 6.75 Tf -0.1673 Tc (\242) Tj 180 -3.75 TD /F0 12 Tf 0 Tc 0.3 Tw ( ) Tj -335.25 -31.5 TD ( ) Tj 0 -20.25 TD 0.3 Tc 0 Tw (en donde e) Tj 75 -1.5 TD /F0 7.5 Tf 0 Tc (b) Tj 4.5 6.75 TD (\264) Tj 4.5 -5.25 TD /F0 12 Tf 0.3 Tc ( es el ) Tj 52.5 0 TD (vector e) Tj 60 -1.5 TD /F0 7.5 Tf 0 Tc (b) Tj 4.5 1.5 TD /F0 12 Tf 0.3 Tc ( transpuesto.) 500 500 631 549 549 494 439 521 411 603 329 603 549 549 576 521 endobj Determinación de la bondad de ajuste de los datos al modelo de regresión lineal múltiple. 2.3 Matriz de varianza-covarianza. /Contents 44 0 R Álvaro Chávez Galavíz 12. 21 0 obj 0000111200 00000 n BT 225 786.75 TD 0 0 0 rg /F0 12 Tf 0.3 Tc 0 Tw (El modelo de regresi\363n lineal m\372ltiple) Tj 285 0 TD 0 Tc 0.3 Tw ( ) Tj -60 -738 TD 0.3 Tc 0 Tw (Tema VII) Tj 60 0 TD 0 Tc 0.3 Tw ( ) Tj -222 -1.5 TD /F1 12 Tf 0 Tw (580) Tj ET 0.75 w 1 J 1 j 0 0 0 RG 510.75 785.25 m 86.25 785.25 l S BT 84.75 760.5 TD /F0 12 Tf 0.3 Tc (como la covarianza o la correlaci\363n entre u) Tj 322.5 -1.5 TD /F0 7.5 Tf 0 Tc (i) Tj 4.5 1.5 TD /F0 12 Tf 0.3 Tc ( y u) Tj 30 -1.5 TD /F0 7.5 Tf 0 Tc (j) Tj 4.5 1.5 TD /F0 12 Tf 0.3 Tc (. ) Introducción Cuando estudiamos la relación entre dos variables (modelos simples), distin-guíamos entre el análisis de la correlación en que las dos variables eran alea-torias y buscábamos una medida de la dependencia, que representábamos