Modelo Lineal General
Prof. Susana Martn Fernndez
ndice
Introduccin Modelo
Lineal General Anlisis de la Varianza Regresin Lineal
Introduccin
modelo lineal es una relacin entre variables matemticas cuantitativas y/o cualitativas (explicativas) y un vector aleatorio de inters.
Un
Planteamiento del problema Eleccin de variables a medir Planteamiento del modelo Obtencin y depuracin de datos Obtencin de parmetros del modelo Simplificacin del modelo Validacin del Modelo
Introduccin
NO
Es vlido?
SI
APLICACIN
Mtodos Estadsticos de Inferencia
Dada la V.A. X Se conoce su Funcin de Distribucin excepto un n de parmetros? SI Inferencia Paramtrica
Introduccin
NO Inferencia no Paramtrica
f(x)=?
=?, =?
Modelo Lineal General
Sea X = (X1 , X 2 ,..., X n ) un vector aleatorio, sea A una matriz nxk / k<n de constantes conocidas a ij (valores de las variables explicativas), i=1,..n; j=1,...,k. Y sea un D vector desconocido de escalares, el vector X = (X1 , X 2 ,..., X n ) sigue un modelo lineal si se puede escribir de la siguiente forma:
X = A +
Modelo Lineal General
Donde = ( 1 , 2 ,..., n ) es un vector de variables aleatorias no medibles y adems cumplen que E[i ] = 0 (media cero). Luego otra definicin de modelo lineal sera la siguiente: Sea X = (X1 , X 2 ,..., X n ) un vector aleatorio, sea A D una matriz nxk / k<n de constantes conocidas a ij i=1,..n; j=1,...,k. Y sea un vector desconocido de escalares, el vector X = (X1 , X 2 ,..., X n ) sigue un modelo lineal si cumple:
E[X] = A
Modelo Lineal General
Modelo lineal de forma matricial:
a11 a 21 a12 a 22 (X1 , X 2 ,..., X n ) = (1 , 2 ,..., k ) ... ... D a1k a 2k ... a n1 ... a n2 + (1 , 2 ,..., n ) ... ... ... a nk
Modelo Lineal General
Por tanto:
X1 = 1 a11 + ... + k a1k + 1 X2 = 1 a 21 + ... + k a 2k + 2
...
Xi = 1 a i1 + ... + j a ij + ... + k a ik + i
...
D
Xn = 1 a n1 + ... + k a nk + n
Modelo Lineal General
Qu representan estas expresiones?
X1 = 1 a11 + ... + k a1k + 1 X2 = 1 a 21 + ... + k a 2k + 2
...
Xi = 1 a i1 + ... + j a ij + ... + k a ik + i
...
D
Xn = 1 a n1 + ... + k a nk + n
Muestra de tamao n de una variable X Datos de las k variables numricas o explicativas medidas en las n unidades muestrales
Modelo Lineal General
EJEMPLO: Queremos modelizar los slidos en suspensin (ss) de una depuradora en funcin del caudal, Q, y del pH. Datos: ss=(376,364,360) D Q=(28.1, 28.9, 30.1) pH=(7.75, 7.53, 7.9)
Modelo Lineal General EJEMPLO
Por tanto n=3; El vector X es: X=(X1, X2, X3)=(376,364,360) K=2, hayD 2 variables numricas Q=(28.1, 28.9, 30.1) pH=(7.75, 7.53, 7.9)
Modelo Lineal General EJEMPLO
El modelo de forma matricial:
a11 a 21 a 31 + (1 , 2 , 3 ) (X1 , X 2 , X 3 ) = (1 , 2 ) a a a 12 22 32
Caudal
D
pH
28.1 28.9 30.1 (376,364,360) = (1 , 2 ) 7.75 7.53 7.9 + (1 , 2 , 3 )
Modelo Lineal General
= ( 1 , 2 ,...,
-
Se
asume
que las variables n ) cumplen:
del
vector
Son independientes Siguen un distribucin normal misma varianza que 2 ya
-Todas tienen la (homocedasticidad) .
-
E[i ] = 0 (media
cero). cumplan por definicin.
Condicin
Bajo estas condiciones se deduce que las variables del vector X=(X1, X2,..., Xn) siguen una distribucin normal, son independientes y con varianza constante 2 .
Modelo Lineal General
Objetivo: El objetivo es encontrar el mejor vector de estimadores de los parmetros:
= ( 1 , 2 ,..., k )
Consistente. Al aumentar el tamao de la muestra el estimador converge en probabilidad en el parmetro estimado.
D
Invariante. Sea G un grupo de transformaciones que deja a las funciones de distribucin {F :} invariantes. Un estimador U se dice que es invariante bajo G, si: U(g(x1), g(x2), ..., g(xn)) = U(x1, x2, ..., xn), gG. Con varianza mnima. Se dice que U es el estimador de varianza mnima de un parmetro , si para cualquier otro estimador Ui de dicho parmetro se cumple que: var(U) < var(Ui) Insesgado. E[U]=
Modelo Lineal General
Obtencin del vector de parmetros : Para la estimacin de los parmetros se pueden utilizar dos mtodos:
min ' = (X A')(X A')' =
Mtodo de mxima verosimilitud.
f , (x 1 ,..., x n ) =
D
Error cuadrtico mnimo.
2 i
1 2
1 exp 2 2
(x
i =1
1a i1 ... k a ik )
Modelo Lineal General
Simplificacin del modelo-Hiptesis lineal general El modelo se simplificar si se puede aceptar que alguno de los coeficientes i es 0.
Forma terica y compleja de plantear la simplificacin del modelo
H 0 : H = 0
... h r1 ... h r2 = (0,0,...,0) ... ... ... h rk
h11 h 21 h12 h 22 (1 , 2 ,..., k ) ... ... h1k h 2k
Modelo Lineal General Simplificacin del modelo
Teorema Sea el modelo lineal
X= A+
donde A es una matriz nxk conocida y de rango k<n, sea un vector desconocido de escalares, y sea =(1,2,...n) un vector de variables aleatorias no observables independientes de forma que todas ellas siguen una distribucin Normal N(0,2). El coeficiente obtenido por mxima verosimilitud F (estadstico) para contrastar la hiptesis lineal H0:H=0 , donde H es una matriz rxk con rango r<=k, har que se rechace la hiptesis nula para un nivel de significacin si FF0, donde PH0(FF0), es decir la probabilidad de rechazar la hiptesis nula cuando sta es cierta en la realidad es . Y se demuestra que F es una variable aleatoria cuya expresin es:
( ( ) ) ( X 0 A')(X 0 A')' (X A')(X A')' F= ) ) (X A')(X A')'
Donde
es el estimador de mxima verosimilitud de
0 es y
el estimador mximo
verosmil bajo la hiptesis nula. La variable aleatoria [(n-k)/r]F tiene una distribucin F-snedecor con (r,n-k) grados de libertad bajo .