LECTURA COMPLEMENTARIA ESTADSTICA II PROFESOR: CARLOS MARIO LOPERA GMEZ

TRANSFORMACIONES PARA LINEALIZAR EL MODELO

Cuando en Regresin Lineal Simple no se cumple el supuesto de linealidad (detectado a travs de la prueba formal de
carencia o falta de ajuste u observado como curvaturas en los grficos de dispersin Y vs. x o de residuales vs. valores
predichos) se puede utilizar una transformacin sobre una o las dos variables del modelo que lleva a un modelo alternativo
que es lineal en los parmetros.

El uso de transformaciones hace que se deba tener cuidado con las interpretaciones posteriores, ya que siempre se debe
tener en cuenta la trasformacin a la que fueron sometidos los datos. Cuando despus de transformar se quieren realizar
inferencias se debe retransformar a la escala original para obtener resultados coherentes y en el contexto original del
problema.

La eleccin de la transformacin adecuada se basa en un anlisis del grfico de dispersin de los datos originales, donde se
puede identificar uno de los siguientes patrones que corresponden a una funcin no lineal, pero que puede transformarse en
una lineal.

Funcin Potencia Funcin Exponencial

Funcin Recproca Funcin Hiperblica

La sgte. tabla muestra las funciones no lineales ms comunes y la transformacin adecuada en cada caso.

TABLA. Funciones linealizables y su forma lineal correspondiente

Nombre Funcin Linealizable Transformacin Forma Lineal

Funcin Potencia E[Y | x] = 0 x 1 y* = ln y; x* = ln x E[Y*|x*] = ln 0 + 1 x*

Funcin Exponencial E[Y | x] = 0 e 1x y* = ln y E[Y*|x] = ln 0 + 1 x

Funcin Recproca E[Y | x] = 0 + 1 (1 x ) x* = 1 / x E[Y|x*] = 0 + 1 x*

Funcin Hiperblica E[Y | x] = x ( 0 + 1 x ) y* = 1 / y; x* = 1 / x E[Y*|x*] = 1 + 0 x*

IMPORTANTE:
Cuando el modelo se lleva a la forma lineal se aplica toda la teora desarrollada para el modelo de RLS. Si se tienen varios
candidatos se debe establecer una comparacin de los mismos, respecto a la significancia del modelo, bondad de ajuste
(incluyendo prueba de falta de ajuste) y la validacin de supuestos. Adems cuando se hacen inferencias se debe tener en
cuenta la transformacin realizada, con el fin de aplicar las retransformaciones necesarias para llevar los resultados a la
escala original.
PRUEBAS DE NORMALIDAD ESTADSTICA II PROF.:CARLOS MARIO LOPERA GMEZ

Las pruebas disponibles estn basadas en el supuesto de muestra aleatoria, por ello como mnimo
debe garantizarse que los trminos de la serie de errores del modelo sean incorrelacionados.

Pruebas generales de bondad de ajuste: para probar la hiptesis de que una muestra de n
observaciones x1, ..., xn de una variable aleatoria X sigue una distribucin hipottica dada: H0: X ~ F0(x)
vs. H1: X no sigue la distribucin F0(x). Para distribuciones continuas, compara la funcin de distribucin
emprica F0(x) (calculada con base en los datos muestrales ordenados de menor a mayor) con la
distribucin hipottica F0(x).

PRUEBA ESTADSTICO DE PRUEBA RECHAZO H0 SI

Kolmogorov-Smirnov: Para cualquier

VP = P(D D0)
distribucin continua.

Anderson-Darling: Es ms sensible
que la prueba anterior en las colas VP = P(A A0)
de la distribucin.
Cramer-Von Mises: Similar al primer
test pero ms complejo VP = P(W2 W02)
computacionalmente.

Pruebas especiales para normalidad: Para probar la hiptesis de que una muestra de tamao n X1, X2,
..., Xn sigue una distribucin normal.

PRUEBA ESTADSTICO DE PRUEBA RECHAZO H0 SI

Jarque-Bera: Se basa en la Asimetra (S) y 2

VP = P( 2 JB)
la Kurtosis (k) de la muestra.

Shapiro-Wilk: Compara el mejor estimador

de la varianza obtenido con base en el
cuadrado de una combinacin lineal de los
VP = P(W W0)
estadsticos de orden muestrales, con el
estimador usual basado en la suma de
cuadrados corregidos.