Modelo de efectos aleatorios

Ir a la navegaciónIr a la búsqueda
El texto que sigue es una traducción defectuosa.
Si quieres colaborar con Wikipedia, busca el artículo original y mejora esta traducción.

Copia y pega el siguiente código en la página de discusión del autor: {{subst:Aviso

mal traducido|Modelo de efectos aleatorios}} ~~~~

En estadística, un modelo de efectos aleatorios, también conocido como modelo de

componentes de la varianza, es una especie de modelo lineal jerárquico. Se supone que el
conjunto de datos que se analiza consiste en una jerarquía de diferentes poblaciones
cuyas diferencias se refieren a esa jerarquía. En econometría, se utilizaron modelos de
efectos aleatorios en el análisis de la jerárquica o de datos de panel cuando se supone no
hay efectos fijos (que permite efectos individuales). El modelo de efectos aleatorios es un
caso especial del modelo de efectos fijos. En contraste esto con las definiciones
bioestadísticas,1234 que utilizan efectos "fijos" y "al azar" para referirse, respectivamente, a
los efectos de la media de la población y de individuos específicos (donde la media de
éstos generalmente se asume como no conocida, por lo que se usan variables latentes).

Índice
[ocultar]

 1Descripción cualitativa

 2Ejemplo

 3Los componentes de varianza

 4Referencias

Descripción cualitativa[editar]
Tales modelos ayudan en el control de la heterogeneidad no observada cuando esta
heterogeneidad es constante en el tiempo y correlacionado con variables independientes.
Esta constante puede ser retirada de los datos a través de diferenciación, por ejemplo
mediante la adopción de una primera diferencia, lo que eliminará cualquier componente
invariante en el tiempo del modelo.
Hay dos supuestos comunes realizados sobre el efecto específico individual, el supuesto
de efectos aleatorios y el supuesto de efectos fijos. El supuesto de efectos aleatorios
(hecho en un modelo de efectos aleatorios) es que los efectos específicos individuales no
están correlacionados con las variables independientes. El efecto supuesto de fijo es que
el efecto específico individuo está correlacionada con las variables independientes. Si el
supuesto de efectos aleatorios sostiene, el modelo de efectos aleatorios es más eficiente
que el modelo de efectos fijos. Sin embargo, si esta hipótesis no se sostiene (es decir, si la
prueba de Durbin-Watson falla), el modelo de efectos aleatorios no es consistente.

Ejemplo[editar]
Supongamos que hay m grandes escuelas primarias, las cuales son elegidas al azar de
entre las miles que hay en un país grande. Supongamos también que n alumnos de la
misma edad son elegidos al azar en cada escuela seleccionada. Sus puntuaciones en una
prueba de aptitud estándar se determinan. SeaYij la puntuación del j alumno en la iescuela.
Una manera simple para modelar las relaciones de estas cantidades es
donde μ es la puntuación media de prueba para toda la población. En este modelo U i
es el efecto aleatorio de la escuela específica: mide la diferencia entre la puntuación
media en la escuela i y el puntaje promedio en todo el país y que es "aleatorio" porque
la escuela ha sido seleccionada al azar de una población mayor de escuelas. El
término, W ij es el error-individuo específico. Es decir, es la desviación de la
puntuación de la j-ésima del alumno de la media de la escuela i. De nuevo, esto es
considerado como aleatorio, debido a la selección aleatoria de los alumnos dentro de
la escuela, a pesar de que es una cantidad fija para cualquier alumno determinado.
El modelo se puede aumentar mediante la inclusión de variables explicativas
adicionales, que capten las diferencias en las puntuaciones entre los diferentes
grupos. Por ejemplo:
donde Sexo ij es la variable dummy para niños / niñas, ij raza es la variable ficticia
para los alumnos blancos / negro, y ParentsEduc ij registra el nivel promedio de
educación de los padres del niño. Se trata de un modelo mixto , no un modelo de
efectos puramente aleatorios.

Los componentes de varianza[editar]

La varianza de Y ij es la suma de las varianzas τ 2 y σ 2 de U y W i ij
respectivamente.
Deje
igual a la media, no de todos los resultados de la i ª escuela, pero de los que
están en la i ª escuela que se incluyen en la muestra aleatoria. Sea
ser el "gran promedio".
Sea
ser, respectivamente, la suma de cuadrados debido a las
diferencias dentro de los grupos y la suma de cuadrados debido a
la diferencia entre los grupos. Entonces se puede demostrar que:
y
Estos " cuadrados medios esperados "pueden ser
utilizados como base para la estimación de los
"componentes de la varianza" σ 2 y τ 2. Insesgadez