PRCTICA N3:

PRCTICA DE MODELOS DE REGRESIN

ASIGNATURA: Anlisis Estadstico de Variables Ambientales

1. INTRODUCCIN
1.1. ENUNCIADO

2. MODELOS DE REGRESIN LINEAL

2.1. ESTACIONALIDAD

Estudio de los armnicos estadsticamente significativos Para determinar qu parmetros son estadsticamente significativos al 95 % se emplean las siguientes frmulas que definen las bandas de confianza:

Donde =0.05, n=tamao de la muestra y p=nmero de parmetros considerados. La estacionalidad viene dada por la siguiente expresin:

El estudio del primer armnico (i=1) da lugar a los siguientes resultados:

1er armnico 0 2,913 0,lo 2,8772 0,up 2,9489 1 0,0474 1,lo -0,0033 1,up 0,098 2 0,0491 2,lo -0,0015 2,up 0,0997

Las siguientes grficas permiten visualizar los resultados para cada uno de los parmetros considerados en este primer armnico: 0, 1, 2. En el caso de 0 podemos afirmar que se trata de un parmetro estadsticamente significativo al 95 %, puesto que el intervalo [0,lo=2,8772; 0,up=2,9489] no incluye el cero.

Sin embargo, en el caso de 1 y 2 los intervalos [-0,0033; 0,098] y [-0,0015; 0,0997] respectivamente, incluyen el cero. En consecuencia, podemos concluir que stos parmetros no son estadsticamente significativos, y al no serlo ninguno de ellos, no lo es el armnico correspondiente (i=1).

Modelo de regresin obtenido El modelo de regresin obtenido, teniendo en cuenta que la estacionalidad no es estadsticamente significativa en la zona de estudio es un valor constante, independiente del tiempo. = 0 = 2,913
0 2,913 0,lo 2,8771 0,up 2,949

Las siguientes grficas incluyen los datos (en rojo), el valor esperado a lo largo del tiempo (en negro), las bandas de confianza del valor medio (en negro, lnea discontinua) y las bandas de confianza de las predicciones (en verde). La primera grfica corresponde al modelo obtenido a lo largo del periodo de estudio (Enero de 1866 Diciembre de 2006), mientras que la segunda muestra el resultado en escala anual.

El coeficiente R2 es nulo, por tanto el modelo no explica la variabilidad de los datos, quedando claro que no puede ser bueno. Al no tener ni siquiera un armnico estadsticamente significativo se deduce directamente que la estacionalidad no tiene influencia en el nivel del mar registrado en la zona de estudio.

La siguiente grfica muestra el modelo incluyendo el primer armnico, a fin de comprobar que el anlisis de los parmetros es coherente con los resultados obtenidos y que no se ha cometido un error durante el anlisis. Se puede observar que el hecho de incluir los parmetros correspondientes al primer armnico apenas refleja mejora en el modelo. En este caso R2=0.0041, luego el modelo explicara el 0.41 % de la varianza. La inclusin de dos parmetros ms al modelo no supone una mejora, por lo que no se considerarn en etapas sucesivas de formacin del modelo.

2.2. FORZAMIENTO ASTRONMICO Y TENDENCIA A LARGO PLAZO.

Forzamiento astronmico: Al comprobar los parmetros dados para el forzamiento astronmico se obtienen los siguientes resultados:
0 2,9196 0,lo 2,8842 0,up 2,9551 N1 0,1784 N1,lo 0,1281 N1,up 0,2287 N2 -0,0172 N2,lo -0,0671 N2,up 0,0327

Tal y como se puede observar N1 es estadsticamente significativo puesto que para un intervalo de confianza del 95 % no contiene al cero, mientras que el parmetro N2 no lo es. Sin embargo, como se trata de una funcin ondulatoria compuesta por un coseno y un seno, si uno de los dos es estadsticamente significativo, se incluyen ambos en el modelo.

En este punto, el modelo obtenido sera el siguiente:

En este caso R2=0.0282, por lo que la varianza explicada por el modelo sera del 2.82 %.

Tendencia a largo plazo La tendencia a largo plazo viene representada por un trmino lineal:

Y por un trmino cuadrtico que representa la aceleracin:

Una vez aadido el parmetro lineal se obtienen los siguientes valores:

0 2,7686 N2 -0,0139 0,lo 2,6983 N2,lo -0,0635 0,up 2,8389 N2,up 0,0356 N1 0,1772 SLR1 2,143 N1,lo 0,1272 SLR1,lo 1,279 N1,up 0,2271 SLR1,up 3,0067

Tal y como muestra la tabla, y la siguiente grfica, el trmino lineal a largo plazo es estadsticamente significativo y, por tanto, es aadido al modelo.

Sin embargo, al aadir el trmino cuadrtico se puede observar que el intervalo contiene al cero lo cual quiere decir que no es estadsticamente significativo y no ser introducido en el modelo.
0 2,6996 N2 -0,0158 0,lo 2,5937 N2,lo -0,0654 0,up 2,8056 N2,up 0,0337 N1 0,172 SLR1 5,0722 N1,lo 0,1218 SLR1,lo 1,5972 N1,up 0,2223 SLR1,up 8,5471

SLR2 -0,0208

SLR2,lo -0,0447

SLR2,up 0,0031

2.3. MODELO DE REGRESIN PROPUESTO

En conclusin, en este caso los parmetros estadsticamente significativos son los siguientes: N1 (no es el caso de N2 pero al tratarse de una funcin ondulatoria se consideran ambos trminos). SLR1 (tendencia lineal de cambio de nivel del mar) es estadsticamente significativo. SLR2 (posible aceleracin) no es estadsticamente significativo, y por tanto no es incluido en el modelo. = + ( ) + ( ) + ( ) . . Los parmetros obtenidos son:
0 2,7686 N2 -0,0139 0,lo 2,6983 N2,lo -0,0635 0,up 2,8389 N2,up 0,0356 N1 0,1772 SLR1 2,143 N1,lo 0,1272 SLR1,lo 1,279 N1,up 0,2271 SLR1,up 3,0067

Sustituyendo en la ecuacin obtenida:

. = . + . ( ) . ( ) + . ( ) . .

Las siguientes grficas incluyen los datos (en rojo), el valor esperado a lo largo del tiempo (en negro), las bandas de confianza del valor medio (en negro, lnea discontinua) y las bandas de confianza de las predicciones (en verde). La primera grfica corresponde al modelo obtenido a lo largo del periodo de estudio (Enero de 1866 Diciembre de 2006), mientras que la segunda muestra el resultado en escala anual.

La capacidad predictiva del modelo ha mejorado, puesto que R2 = 0.0416. Y, por tanto, el porcentaje de varianza explicado por el modelo es del 4.16 %.
2.4. ANLISIS DE LOS RESIDUOS

Para analizar los residuos del modelo de regresin existen dos mtodos posibles: El ajuste en papel probabilstico normal de los residuos debe ajustarse a una recta si el modelo cumple la hiptesis de normalidad de los residuos.

Los residuos se distribuyen homogneamente en torno a cero, demostrando que la varianza es constante.

Tal y como se desprende de ambas grficas, los residuos cumplen la hiptesis de normalidad, a excepcin de algunos valores extremos que no se ajustan completamente, pero en general puede decirse que los residuos se ajustan segn una distribucin normal.
2.5. VARIABILIDAD CLIMTICA

El enunciado nos plantea el siguiente modelo de regresin:

En el que SOI (t) es el valor del ndice climtico SOI en el tiempo t, y que ha sido proporcionado para los mismos valores temporales (t) que el nivel del mar.

Por tanto, se aade el SOI al modelo obtenido en el apartado anterior calculando el parmetro SOI de la misma forma que se ha realizado anteriormente.

En este caso, los valores contenidos en el intervalo de SOI incluyen el cero, por lo que el parmetro no es estadsticamente significativo.

3. CLCULO DE PROBABILIDADES

Para el clculo de la probabilidad calculamos el valor medio y la desviacin tpica para los datos de los doce meses de 2005. El valor medio calculado segn:
= . + . ( . ) . ( ) + . ( ) . .

No se ha tenido en cuenta el SOI puesto que SOI no es estadsticamente significativo.

Calculamos la probabilidad de obtener un nivel del mar menor o igual que 4 m mediante la funcin de distribucin normal de media NM y =0.7377 correspondiente a cada mes del ao 2005. Ao 2005 Enero Febrero Marzo Abril Mayo Junio Julio
(m) 3.24935982 4.32798102 3.60253697 2.10152369 3.56135626 3.02150397 3.05174854

Agosto Septiembre Octubre Noviembre Diciembre

Obtenemos los siguientes resultados:

3.12732167 2.91029549 2.79220428 2.50992145 1.81710677

Prob [NM > 4 m] (%) Ao 2005 Enero 10.35% Febrero 10.48% Marzo 10.61% Abril 10.74% Mayo 10.87% Junio 11.00% Julio 11.13% Agosto 11.26% Septiembre 11.39% Octubre 11.52% Noviembre 11.65% Diciembre 11.79% Repetimos el proceso para 2050: Ao 2050 Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Y obtenemos los siguientes resultados: Prob [NM > 4 m] (%) Ao 2050 Enero 15.40% Febrero 15.27% Marzo 15.13% Abril 14.99%
(m) 3.24802343 3.2437792 3.23947113 3.23510277 3.23067772 3.22619962 3.22167215 3.21709905 3.21248408 3.20783102 3.20314371 3.19842599

Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre

14.85% 14.71% 14.57% 14.43% 14.29% 14.14% 14.00% 13.86%

Representando los valores obtenidos en una grfica, la probabilidad de que el nivel del mar alcance valores mayores que 4 m ser mayor en 2050, que la probabilidad obtenida en el ao 2005. Sin embargo, el comportamiento a lo largo del ao es diferente en ambos casos: en 2005 la tendencia es la de aumentar el nivel del mar mientras que en 2050 la tendencia que presenta conforme avanza el ao es a descender.

Se puede deducir de esto que el aumento del nivel medio del mar es significativo y que el modelo ms apropiado es el de la tendencia a largo plazo ya que predice mejor el comportamiento que tendr en el futuro el nivel del mar en esa ubicacin.