SUPUESTOS REGRESION LINEAL Y CHI

ArizaFelipe –SepulvedaDehiler - OliverosKevin

Grados de libertad

Los grados de libertad (GL) son la

cantidad de información suministrada por
los datos que usted puede "gastar" para
estimar los valores de parámetros de
población desconocidos y calcular la
variabilidad de esas estimaciones. Este Distribuciones de chi-cuadrada con
diferentes grados de libertad
valor se determina según el número de
observaciones de la muestra y el número La distribución de la línea de trazo continuo
de parámetros del modelo. tiene 3 grados de libertad. La distribución de la
línea de trazo interrumpido tiene 15 grados de
Si incrementa el tamaño de la muestra, libertad.

obtendrá más información sobre la

población y, por consiguiente, los grados
de libertad de los datos aumentarán. Si Supuestos en Regresión
agrega parámetros al modelo (por
Lineal
ejemplo, aumentando el número de
términos en una ecuación de regresión), Para validar si un modelo de regresión lineal es
bueno, existen algunos "supuestos" estadísticos
"gastará" información de los datos y (o assumption en ingles) que el modelo debe
reducirá los grados de libertad disponibles cumplir. Estos son algunos:
para estimar la variabilidad de las
estimaciones de parámetros. SUPUESTO DE LINEALIDAD
Existe linealidad si se presenta una relación
significativa entre la variable que se quiere
Los grados de libertad también se utilizan predecir y las otras variables. Puede usarse el
para caracterizar una distribución coeficiente "R cuadrado ajustado", para saber si
existe linealidad (mayor o igual a 0.7 suele ser
específica. Muchas familias de "indicio" de linealidad)
distribuciones, como t, F o chi-cuadrada,
utilizan los grados de libertad para
especificar cuál distribución t, F o chi-
cuadrada específica es apropiada para
diferentes tamaños de muestra y
diferentes números de parámetros del
modelo. Por ejemplo, la siguiente figura
muestra las diferencias entre
distribuciones de chi-cuadrada con
diferentes grados de libertad.

SUPUESTO DE INDEPENDENCIA DE
LOS RESIDUOS
Este supuesto asume que los residuos no están
auto-correlacionados, por lo cual son
independientes. La autocorrelacion es cuando el
residuo en la predicción de un valor es afectado
por el residuo en la predicción del valor más
cercano. Esta autocorrelacion suele presentarse
en series de tiempo.
Para validar la independencia de los residuos
puede usarse el test durbin-watson, cuyo
resultado estará cerca de 2 cuando los residuos
son independientes. Si el valor está entre 1.5 y
2.5 puede concluirse que no existe dependencia
de los residuos.
SUPUESTO DE RESIDUOS CONSTANTE
Este supuesto asume que los residuos en las
predicciones son constantes en cada predicción
(es decir, varianza constante). Este supuesto
valida que los residuos no aumenta ni disminuye
cuando se predicen valores cada vez más altos o
más pequeños. A esta constancia en los errores
de predicción le dicen "homocedasticidad", y
cuando los errores varían, le dicen
"heterocedasticidad".
SUPUESTO DE NORMALIDAD DE
RESIDUOS
Este supuesto asume que los residuos deben
presentar una distribución normal, y la ausencia
de normalidad supone poca precisión en los
intervalos de confianza creados por el modelo.
Otras pruebas para validar el supuesto de
normalidad son: prueba de asimetría y kurtosis,
prueba de chi-cuadrado, prueba de residuos
estandarizados, prueba de Kolmogorov-
Smirnov-Liliefors, etc..
¿Qué prueba chi-cuadrada?
Una prueba de chi-cuadrada es una prueba
de hipótesis que compara la distribución
observada de los datos con una distribución
esperada de los datos.
Existen varios tipos de pruebas de chi-
cuadrada:
Prueba de bondad de ajuste de chi-cuadrada
Utilice este análisis para probar qué tan
bien una muestra de datos categóricos se
ajusta a una distribución teórica.
Por ejemplo, usted puede comprobar si un
dado es justo, lanzando el dado muchas
veces y utilizando una prueba de bondad de
ajuste de chi-cuadrada para determinar si
los resultados siguen una distribución
uniforme. En este caso, el estadístico de
chi-cuadrada cuantifica qué tanto varía la
distribución observada de los conteos con
respecto a la distribución hipotética.
Pruebas de chi-cuadrada de asociación e
independencia
Los cálculos para estas pruebas son iguales,
pero la pregunta que se está tratando de
contestar puede ser diferente.
Prueba de asociación: Utilice una prueba de
asociación para determinar si una variable
está asociada a otra variable. Por ejemplo,
determine si las ventas de diferentes colores
de automóviles dependen de la ciudad
donde se venden.
Prueba de independencia: Utilice una
prueba de independencia para determinar si
el valor observado de una variable depende
del valor observado de otra variable. Por
ejemplo, determine si el hecho de que una
persona vote por un candidato no depende
del sexo del elector.
Hipotesis de chi- cudrado
NULA (H0): Es aquella en la que se
asegura que los dos parámetros analizados
son independientes uno del otro.
ALTERNATIVA (H1): Es aquella en la que
se asegura que los dos parámetros
analizados sí son dependientes.
Referencia
http://www.ub.edu/aplica_infor/spss/cap5-
2.htm
https://es.slideshare.net/armando310388/pr
ueba-chicuadrado
http://apuntes-
r.blogspot.com.co/2015/04/supuestos-en-
regresion-lineal.html