Análisis de Regresión en R
| ||
Regresión en R. El análisis de regresión se formula como el problema de encontrar la función que relaciona la(s) variables de entrada y salida a partir de conjuntos de valores experimentales de esas variables. Por lo cual, es necesario tener resultados experimentales donde para cada conjunto de variables de entrada se haya medido el valor de las variables de salida objeto de análisis.
Tipos de datos
La variable dependiente debe ser dicotómica. Las variables independientes pueden estar a nivel de intervalo o ser categóricas; si son categóricas, deben ser variables dummy o estar codificadas como indicadores (existe una opción en el procedimiento para recodificar automáticamente las variables categóricas).
Supuestos
- La solución puede ser más estable si los predictores tienen una distribución normal multivariante.
- La multicolinealidad entre los predictores puede llevar a estimaciones sesgadas y a errores típicos inflados.
- El procedimiento es más eficaz cuando la pertenencia a grupos es una variable categórica auténtica; si la pertenencia al grupo se basa en valores de una variable continua.
Estadísticos
- Para cada análisis: Casos totales, Casos seleccionados, Casos válidos.
- Para cada variable categórica: codificación de los parámetros.
- Para cada paso: variables introducidas o eliminadas, historial de iteraciones, -2 log de la verosimilitud, bondad de ajuste, estadístico de bondad de ajuste de Hosmer-Lemeshow, chi-cuadrado del modelo ¡, chi-cuadrado de la mejora, tabla de clasificación correlaciones entre las variables, gráfico de las probabilidades pronosticadas y los grupos observados, chi-cuadrado residual.
- Para cada variable de la ecuación: Coeficiente (B), Error típico de B, Estadístico de Wald, R, Razón de las ventajas estimada exp(B), Intervalo de confianza para exp(B), Log de la verosimilitud si el término se ha eliminado del modelo.
- Para cada variable que no esté en la ecuación: Estadístico de puntuación, R.
- Para cada caso: grupo observado, probabilidad pronosticada, grupo pronosticado, residuo, residuo tipificado.
Métodos
Puede estimar modelos utilizando la entrada en bloque de las variables o cualquiera de los siguientes métodos por pasos: Condicional hacia adelante, LR hacia adelante, Waldhacia adelante, Condicional hacia atrás, LR hacia atrás o Wald hacia atrás.
