Professional Documents
Culture Documents
PRUEBA DE HIPOTESIS
Afirmacin acerca de los parmetros de la poblacin.
Etapas Bsicas en Pruebas de Hiptesis.
Al realizar pruebas de hiptesis, se parte de un valor supuesto (hipottico) en parmetro
poblacional.
Despus
de
recolectar
una muestra aleatoria,
se
compara
la estadstica muestral, as como la media (x), con el parmetro hipottico, se compara
con una supuesta media poblacional (). Despus se acepta o se rechaza el valor hipottico,
segn proceda. Se rechaza el valor hipottico slo si el resultado muestral resulta muy
poco probable cuando la hiptesis es cierta.
Etapa 1.- Planear la hiptesis nula y la hiptesis alternativa. La hiptesis nula (H0) es el
valor hipottico del parmetro que se compra con el resultado muestral resulta muy poco
probable cuando la hiptesis es cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de significancia del
5%, entonces se rechaza la hiptesis nula solamente si el resultado muestral es tan
diferente del valor hipottico que una diferencia de esa magnitud o mayor, pudiera
ocurrir aleatoria mente con una probabilidad de 1.05 o menos.
Etapa 3.- Elegir la estadstica de prueba. La estadstica de prueba puede ser la estadstica
muestral (el estimador no segado del parmetro que se prueba) o una versin
transformada de esa estadstica muestral. Por ejemplo, para probar el valor hipottico de
una media poblacional, se toma la media de una muestra aleatoria de
esa distribucin normal, entonces es comn que se transforme la media en un valor z el
cual, a su vez, sirve como estadstica de prueba.
Consecuencias de las Decisiones en Pruebas de Hiptesis.
Decisiones Posibles
Situaciones Posibles
La hiptesis nula es La
verdadera
hiptesis
nula es
falsa
Aceptar la Hiptesis Nula
Se acepta correctamente
Error tipo II
Error tipo I
Se
rechaza
correctamente
Etapa 5.- Determinar el valor real de la estadstica de prueba. Por ejemplo, al probar un
valor hipottico de la media poblacional, se toma una muestra aleatoria y se determina el
valor de la media muestral. Si el valor crtico que se establece es un valor de z, entonces se
transforma la media muestral en un valor de z.
Etapa 6.- Tomar la decisin. Se compara el valor observado de la estadstica muestral con
el valor (o valores) crticos de la estadstica de prueba. Despus se acepta o se rechaza la
hiptesis nula. Si se rechaza sta, se acepta la alternativa; a su vez, esta decisin tendr
efecto sobre otras decisiones de los administradores operativos, como por ejemplo,
mantener
o
no
un
estndar
de desempeo o
cul
de
dos estrategias demercadotecnia utilizar.
La distribucin apropiada de la prueba estadstica se divide en dos regiones: una regin
de rechazo y una de no rechazo. Si la prueba estadstica cae en esta ltima regin no se
puede rechazar la hiptesis nula y se llega a la conclusin de que el proceso funciona
correctamente.
Al tomar la decisin con respecto a la hiptesis nula, se debe determinar el valor crtico en
la distribucin estadstica que divide la regin del rechazo (en la cual la hiptesis nula no
se puede rechazar) de la regin de rechazo. A hora bien el valor crtico depende del
tamao de la regin de rechazo.
Hiptesis Alternativa.
Toda hiptesis que difiere de una dada se llamar una hiptesis alternativa. Por ejemplo:
Si una hiptesis es p = 0,5, hiptesis alternativa podran ser p = 0,7, p " 0,5 p > 0,5.
Una hiptesis alternativa a la hiptesis nula se denotar por H1.
Al responder a un problema, es muy conveniente proponer otras hiptesis en que
aparezcan variables independientes distintas de las primeras que formulamos. Por tanto,
para no perder tiempo en bsquedas intiles, es necesario hallar diferentes hiptesis
alternativas como respuesta a un mismo problema y elegir entre ellas cules y en qu
orden vamos a tratar su comprobacin.
Las hiptesis, naturalmente, sern diferentes segn el tipo de investigacin que se est
realizando. En los estudios exploratorios, a veces, el objetivo de la investigacin podr ser
simplemente el de obtener los mnimos conocimientos que permitan formular una
hiptesis. Tambin es aceptable que, en este caso, resulten poco precisas, como cuando
afirmamos que "existe algn tipo de problema social en tal grupo", o que los
planetas poseen algn tipo de atmsfera, sin especificar de qu elementos est
compuesto.
Los trabajos de ndole descriptiva generalmente presentan hiptesis del tipo "todos los X
poseen, en alguna medida, las caracterstica Y". Por ejemplo, podemos decir que todas las
naciones poseen algn comercio internacional, y dedicarnos a describir, cuantificando, las
relaciones comerciales entre ellas. Tambin podemos hacer afirmaciones del tipo "X
pertenece al tipo Y", como cuando decimos que una tecnologa es capital - intensiva. En
estos casos, describimos, clasificndolo, el objeto de nuestro inters, incluyndolo en un
tipo ideal complejo de orden superior.
Por ltimo, podemos construir hiptesis del tipo "X produce (o afecta) a Y", donde
estaremos en presencia de una relacin entre variables.
Errores de tipo I y de tipo II.
Si rechazamos una hiptesis cuando debiera ser aceptada, diremos que se ha cometido un
error de tipo I.
Por otra parte, si aceptamos una hiptesis que debiera ser rechazada, diremos que se
cometi un error de tipo II.
En ambos casos, se ha producido un juicio errneo.
Para que las reglas de decisin (o no contraste de hiptesis) sean buenos, deben disearse
de modo que minimicen los errores de la decisin; y no es una cuestin sencilla, porque
para cualquier tamao de la muestra, un intento de disminuir un tipo de error suele ir
acompaado de un crecimiento del otro tipo. En la prctica, un tipo de error puede ser
ms grave que el otro, y debe alcanzarse un compromiso que disminuya el error ms
grave.
La nica forma de disminuir ambos a la vez es aumentar el tamao de la muestra que no
siempre es posible.
Niveles de Significacin.
Al contrastar una cierta hiptesis, la mxima probabilidad con la que estamos dispuesto a
correr el riesgo de cometern error de tipo I, se llama nivel de significacin.
Esta probabilidad, denota a menudo por se, suele especificar antes de tomar la muestra,
de manera que los resultados obtenidos no influyan en nuestra eleccin.
En la prctica, es frecuente un nivel de significacin de 0,05 0,01, si bien se une otros
valores. Si por ejemplo se escoge el nivel de significacin 0,05 ( 5%) al disear una regla
de decisin, entonces hay unas cinco (05) oportunidades entre 100 de rechazar la
hiptesis cuando debiera haberse aceptado; Es decir, tenemos un 95% de confianza de
que hemos adoptado la decisin correcta. En tal caso decimos que la hiptesis ha sido
rechazada al nivel de significacin 0,05, lo cual quiere decir que tal hiptesis tiene una
probabilidad 0,05 de ser falsa.
Prueba de Uno y Dos Extremos.
Cuando estudiamos ambos valores estadsticos es decir, ambos lados de la media lo
llamamos prueba de uno y dos extremos o contraste de una y dos colas.
Con frecuencia no obstante, estaremos interesados tan slo en valores extremos a un lado
de la media (o sea, en uno de los extremos de la distribucin), tal como sucede cuando se
contrasta la hiptesis de que un proceso es mejor que otro (lo cual no es lo mismo que
contrastar si un proceso es mejor o peor que el otro) tales contrastes se llaman
unilaterales, o de un extremo. En tales situaciones, la regin crtica es una regin situada a
un lado de la distribucin, con rea igual al nivel de significacin.
Curva Caracterstica Operativa Y Curva De Potencia
Podemos limitar un error de tipo I eligiendo adecuadamente el nivel de significancia. Es
posible evitar el riesgo de cometer el error tipo II simplemente no aceptando nunca la
hiptesis, pero en muchas aplicaciones prcticas esto es inviable. En tales casos, se suele
recurrir a curvas caractersticas de operacin o curvas de potencia que son grficos que
muestran las probabilidades de error de tipo II bajo diversas hiptesis. Proporcionan
indicaciones de hasta que punto un test dado nos permitir evitar un error de tipo II; es
decir, nos indicarn la potencia de un test a la hora de prevenir decisiones errneas. Son
tiles en el diseo de experimentos por que sugieren entre otras cosas el tamao de
muestra a manejar.
Pruebas de hiptesis para la media y proporciones
Debido a la dificultad de explicar este tema se enfocar un problema basado en un estudio
en una fbrica de llantas.
En este problema la fbrica de llantas tiene dos turnos de operarios, turno de da y turno
mixto. Se selecciona una muestra aleatoria de 100 llantas producidas por cada turno para
ayudar al gerente a sacar conclusiones de cada una de las siguientes preguntas:
1.- Es la duracin promedio de las llantas producidas en el turno de da igual a 25 000
millas?
2.- Es la duracin promedio de las llantas producidas en el turno mixto menor de 25 000
millas?
Ejemplo:
La altura promedio de 50 palmas que tomaron parte de un ensayo es de 78 cm. con una
desviacin estndar de 2.5 cm.; mientras que otras 50 palmas que no forman parte
del ensayo tienen media y desviacin estndar igual a 77.3 y 2.8 cm.
Se desea probar la hiptesis de que las palmas que participan en el ensayo son ms altas
que las otras.
Consultando el valor z de la tabla a 95% de probabilidad se tiene que es 1.96, por lo
consiguiente, el valor z calculado no fue mayor al valor de la tabla y entonces se declara la
prueba no significativa.
Conclusin: Las alturas promedio de los 2 grupos de palmas son iguales y la pequea
diferencia observada en favor al primer grupo se debe al azar.
2.-Caso de nmero igual de observaciones y varianzas homogneas.
Ejemplo:
Se plant cierto experimento en 24 parcelas para probar el efecto de la presencia o
ausencia de K en el rendimiento de palma.
Peso medio del racimo (Kg.)
n
a
b
a2
b2
1
20.0
24.0
400.00
576.00
24.0
28.0
576.00
784.00
21.0
25.0
441.00
625.00
22.0
25.0
484.00
625.00
23.0
27.0
529.00
729.00
24.0
27.5
576.00
756.25
22.5
28.0
506.25
784.00
22.0
26.0
484.00
576.00
21.5
26.0
462.25
676.00
10
20.0
24.5
400.00
600.25
11
22.0
26.5
484.00
702.25
12
24.0
28.5
576.00
812.25
Suma
266
316
5918.5
8346
Promedio 22.16
s2a
s2b
=
11
=
11
26.33
5918.5
8346
(266)2/12
(316)2/12
2.02
2.24
Ejemplo:
Se plant cierto experimento en 24 parcelas con dos clases de semillas: semilla mezclada y
semilla DxP seleccionada. Se desea saber si el rendimiento observado por la semilla
seleccionada difiere a la otra.
Produccin de palma: TM/ha/ao
Para ver la tabla seleccione la opcin "Descargar" del men superior
s2a
=
1748.61
(144.5)2/12
=
0.78
11
s2b
=
4001.14
(216.2)2/12
=
9.63
11
Consultando la tabla de t con n-1 grados de libertad (11) se encuentra un valor de 2.201,
por lo tanto, la diferencia se declara significativa.
Conclusin: El rendimiento observado por las plantas de semilla seleccionada fue
significativamente superior a las otras.
4.-Caso de diferente nmero de observaciones y varianzas homogneas
Ejemplo:
Se tom una rea de terreno distribuida en 22 parcelas y a 13 de ellas se les aplic un
fertilizante nitrogenado para medir el efecto del N en el crecimiento.
rea foliar de la hoja # 17 en m2
Para ver la tabla seleccione la opcin "Descargar" del men superior
s2a
968.93
(112.1)2/13
0.19
12
s2b
=
390.84
(59.2)2/9
=
0.18
8
s2c
=
12(0.19)
+
8(0.18)
=
0.19
20
Consultando la tabla de t con n-1 grados de libertad (11) se encuentra un valor de 2.201,
por lo tanto, la diferencia se declara significativa.
Conclusin: El rendimiento observado por las plantas de semilla seleccionada fue
significativamente superior a las otras.
Ejemplo:
Se tom una rea de terreno distribuida en 22 parcelas y a 13 de ellas se les aplic un
fertilizante nitrogenado para medir el efecto del N en el crecimiento.
rea foliar de la hoja # 17 en m2
Para ver la tabla seleccione la opcin "Descargar" del men superior
s2a
968.93
(112.1)2/13
0.19
12
s2b
=
390.84
(59.2)2/9
=
0.18
8
s2c
=
12(0.19)
+
8(0.18)
=
0.19
20
Consultando la tabla con (na-1) + (nb-1) o sea (20) grados de libertad, se obtiene el valor
tabular de 2.086, el cual es menor que la t calculada, por lo tanto la diferencia se declara
significativa.
Conclusin: La diferencia detectada en estas dos muestras es atribuible a la aplicacin del
fertilizante nitrogenado.
5.- Caso de diferente nmero de observaciones y varianzas heterogneas.
Dnde: ta y tb son los valores de la tabla con n-1 grados de libertad para a y b
respectivamente
Ejemplo:
Se tomaron 2 muestras de palma comercial de orgenes diferentes y se midi el
porcentaje de almendra en el racimo en ambas muestras, el objeto es probar si las
muestras son diferentes genticamente o no.
Porcentaje de almendra
Para ver la tabla seleccione la opcin "Descargar" del men superior
s2a
=
13
225.02
s2b
(53)2/14
192.26
(43.80)2/10
1.88
0.05
En este caso la t generada (tg), reemplaza la t de la tabla y como la tc es menor que la tg,
la diferencia se declara No significativa.
Conclusin: La diferencia observada entre promedios es atribuible nicamente a errores
de muestreo o variabilidad natural, y no a diferencias genticas.
6.-Caso de muestras pareadas (de variables dependientes)
En este caso, se asume que las muestras han sido distribuidas por pares.
Ejemplo: Se tomaron 12 foliolos de palma joven y a cada uno se le trat la mitad con
Benlate para medir la inhibicin del crecimiento de hongos.
Magnitud del dano
Sin Con
n Benlate Benlate D = X - Y D2
Para ver la tabla seleccione la opcin "Descargar" del men superior
Consultando la tabla con n-1 grados de libertad se obtiene el valor tabular de 2.201, por
lo tanto, la diferencia se declara significativa.
Conclusin: De la prueba se desprende que el tratamiento con benlate redujo
significativamente la incidencia de hongos.
Utilidad de las hiptesis:
El uso y formulacin correcta de las hiptesis le permiten al investigador poner a prueba
aspectos de la realidad, disminuyendo la distorsin que pudieran producir sus propios
deseos o gustos. Pueden ser sometidas a prueba y demostrarse como probablemente
correctas o incorrectas sin que interfieran los valores o creencias del individuo.
, el estadstico:
tiene una distribucin muestral que es una distribucin ji-cuadrada con gl=n-1 grados de
libertad y se denota X2 (X es la minscula de la letra griega ji). El estadstico ji-cuadrada
esta dado por:
La siguiente figura ilustra tres distribuciones X2. Note que el valor modal aparece en el
valor (n-3) = (gl-2).
para x>0
La tabla que se utilizar para estos apuntes es la del libro de probabilidad y estadstica de
Walpole, la cual da valores crticos
(gl) para veinte valores especiales de
. Para
denotar el valor crtico de una distribucin X2 con gl grados de libertad se usa el
smbolo
(gl); este valor crtico determina a su derecha un rea de
bajo la curva
2
2
X y sobre el eje horizontal. Por ejemplo para encontrar X 0.05(6) en la tabla se localiza 6 gl
en el lado izquierdo y
Clculo de Probabilidad
El clculo de probabilidad en una distribucin muestral de varianzas nos sirve para saber
como se va a comportar la varianza o desviacin estndar en una muestra que proviene
de una distribucin normal.
Ejemplos:
1. Suponga que los tiempos requeridos por un cierto autobs para alcanzar un de sus
destinos en una ciudad grande forman una distribucin normal con una desviacin
estndar
=1 minuto. Si se elige al azar una muestra de 17 tiempos, encuentre la
probabilidad de que la varianza muestral sea mayor que 2.
Solucin:
Primero se encontrar el valor de ji-cuadrada correspondiente a s2=2 como sigue:
y
Aqu se tienen que buscar los dos valores en el rengln de 24 grados de libertad. Al buscar
el valor de 13.846 se encuentra un rea a la derecha de 0.95. El valor de 42.98 da un rea
a la derecha de 0.01. Como se est pidiendo la probabilidad entre dos valores se resta el
rea de 0.95 menos 0.01 quedando 0.94.
Por lo tanto la P(3.462
s2
10.745) = 0.94
Estimacin de la Varianza
Para poder estimar la varianza de una poblacin normal se utilizar la distribucin jicuadrada.
Ejemplos:
1. Los siguientes son los pesos, en decagramos, de 10 paquetes de semillas de pasto
distribuidas por cierta compaa: 46.4, 46.1, 45.8, 47.0, 46.1, 45.9, 45.8, 46.9, 45.2
y 46. Encuentre un intervalo de confianza de 95% para la varianza de todos los
paquetes de semillas de pasto que distribuye esta compaa, suponga una
poblacin normal.
Solucin:
Primero se calcula la desviacin estndar de la muestra:
Graficamente:
es que es bastante improbable que en nuestrapoblacin "r" sea cero, y por tanto su
intervalo de confianza no incluir el cero.
Figura 1. El coeficiente de correlacin de Pearson.
FEV1 (litros)
Altura (cm.)
3,46
171
4,55
172
4,53
182
4,59
179
3,67
173
4,71
180
168
4,38
177
169
5,06
184
170
3,06
152
Cualquier programa estadstico nos debe dar al menos tres informaciones bsicas:
Valor de "R cuadrado": En la regresin lineal simple, se trata del coeficiente de correlacin
de Pearson elevado al cuadrado. Se le conoce por coeficiente de determinacin y siempre
ser un valor positivo entre 0 y 1. En nuestro ejemplo (Tabla I) la "R cuadrado" es de 0,75
lo cual significa que nuestra variable independiente (talla en cm) es capaz de explicar
hasta un 75% de la variabilidad observada en nuestra variable dependiente (FEV1).
ANOVA de la regresin: Se descompone por un lado, en la suma de cuadrados explicada
por la recta de regresin y por otro, en la suma de cuadrados no explicada por la
regresin, denominada residual. La suma de ambas es lo que se llama suma de cuadrados
totales. Por tanto, cuanto mayor sea la suma de cuadrados de la regresin respecto a la
residual, mayor porcentaje de variabilidad observada podemos explicar con nuestra recta
de regresin. Si la tabla presenta un resultado significativo (p<0,05) rechazaramos
la hiptesis nula que afirma que la pendiente de la recta de regresin es 0.
Coeficientes de la regresin: Los coeficientes estimados a (constante de la recta) y b
(pendiente de la recta) que en nuestro ejemplo sera FEV1 (litros)= -8,387 + 0,073*TALLA
(cm.) (Tabla II). En nuestra tabla, no solo aparecen los coeficientes, sino sus intervalos de
confianza, y adems el valor de "beta" que no es mas que el coeficiente b estandarizado y
que en la regresin lineal simple coincide con el coeficiente de correlacin de Pearson. El
valor positivo de b (0,073) nos indica el incremento de FEV1 por cada centmetro en la
talla. Para un adolescente de 170 cm. de altura podramos esperar un valor de FEV1 de
0,073*170-8,387 que dara como resultado 4,03.
Tabla II. Coeficientes estimados de la recta de regresin.
B
Beta
IC 95%
<0,001
(-9,476; -7,298)
TALLA (b)
0,864
<0,001
(0,066; 0,079)
0,073
Error tp.
0,003
PASOS:
Identificar Xi, Y
Construr diagrama de dispersin
Estmar los parmetros del modelo.
Probar la signifcancia
Determinar la fuerza de la asociacin
Verificar la exactitud de la prediccin
Anlisis de residuales
Validacin cruzada del modelo
Regresin mltiple de variable ficticia [1]
La utilizacin de la regresin en la investigacin de mercados podra verse seriamente
limitada por el hecho de que las variables independientes deben presentarse en escalas
de intervalos. Afortunadamente, existe una forma de emplear variables independientes
nominales dentro de un contexto de regresin. El procedimiento recibe el nombre de
Regresin Mltiple de Variable Ficticia RMVF. Bsicamente RMVF convierte las variables
nominales en una serie de variables binarias que se codifican 0-1 por ejemplo, suponemos
que deseamos utilizar la variable nominal Sexo en una regresin. Podramos codificarla de
la siguiente manera:
CATEGORIA
CODIGO
Masculino
Femenino
El intervalo entre 0 y 1 es igual y, por tanto, aceptable en la regresin. Ntese que hemos
convertido una variable nominal de dos categoras en una variable 0-1 podemos extender
este enfoque a una variable nominal de mltiples categoras. La variable nominal de
cuatro categoras, rea de estudio, puede convertirse en tres variables ficticias, x1, x2, y x3
de la siguiente manera:
AREA
x1
X2
X3
Humanidades
Salud
Matemticas
C. Naturales
Esta variable nominal de cuatro categoras se convierte en K-1 categoras son 0 1, la Ksima categora se determina automticamente como 0 1. Crear una k-sima variable
ficticia sera redundante y, de hecho, invalidara toda la regresin. Es arbitraria la eleccin
de la categora en la cual todo equivale a cero.
Ntese que slo una de las variables x1, x2, x3 tomar el valor de 1 para
cualquier individuo y las otras dos X sern cero
R. Humano = a + b Humanidades + c Salud + d Matemticas + e C.Naturales
En una regresin podemos tener la cantidad de variables ficticias que sean necesarias,
sujetas a la restriccin de que cada variable ficticia utiliza un grado de libertad. Por lo
mismo, debemos contar con un tamao de muestra adecuado.
Regresin logstica
La regresin logstica resulta til para los casos en los que se desea predecir la presencia o
ausencia de una caracterstica o resultado segn los valores de un conjunto de variables
predictoras. Es similar a un modelo de regresin lineal pero est adaptado para modelos
en los que la variable dependiente es dicotmica. Los coeficientes de regresin logstica
pueden utilizarse para estimar la razn de las ventajas (odds ratio) de cada variable
independiente del modelo. La regresin logstica se puede aplicar a un rango ms amplio
de situaciones de investigacin que el anlisis discriminante.
Ejemplo. Qu caractersticas del estilo de vida son factores de riesgo de enfermedad
cardiovascular? Dada una muestra de pacientes a los que se mide la situacin de fumador,
dieta, ejercicio, consumo de alcohol, y estado de enfermedad cardiovascular , se puede
construir un modelo utilizando las cuatro variables de estilo de vida para predecir la
presencia o ausencia de enfermedad cardiovascular en una muestra de pacientes. El
modelo puede utilizarse posteriormente para derivar estimaciones de la razn de las
ventajas para cada uno de los factores y as indicarle, por ejemplo, cunto ms probable
es que los fumadores desarrollen una enfermedad cardiovascular frente a los no
fumadores.
Datos. La variable dependiente debe ser dicotmica. Las variables independientes pueden
estar a nivel de intervalo o ser categricas; si son categricas, deben ser variables dummy
o estar codificadas como indicadores (existe una opcin en el procedimiento para
recodificar automticamente las variables categricas).
Supuestos. La regresin logstica no se basa en supuestos distribucionales en el mismo
sentido en que lo hace el anlisis discriminante. Sin embargo, la solucin puede ser ms
estable si los predictores tienen una distribucin normal multivariante. Adicionalmente, al
igual que con otras formas de regresin, la multicolinealidad entre los predictores puede
llevar a estimaciones sesgadas y a errores tpicos inflados . El procedimiento es ms eficaz
cuando la pertenencia a grupos es una variable categrica autntica; si la pertenencia al
grupo se basa en valores de una variable continua (por ejemplo "CI alto " en
contraposicin a "CI bajo"), deber considerar el utilizar la regresin lineal para
aprovechar la informacin mucho ms rica ofrecida por la propia variable continua.
Estadsticos. Para cada anlisis: Casos totales, Casos seleccionados, Casos vlidos. Para
cada variable categrica: codificacin de los parmetros. Para cada paso: variables
introducidas o eliminadas, historial de iteraciones, -2 log de la verosimilitud, bondad de
ajuste, estadstico de bondad de ajuste de Hosmer-Lemeshow, chi-cuadrado del modelo ,
chi-cuadrado de la mejora, tabla de clasificacin, correlaciones entre las variables, grfico
de las probabilidades pronosticadas y los grupos observados, chi-cuadrado residual. Para
cada variable de la ecuacin: Coeficiente (B), Error tpico de B, Estadstico de Wald, R,
Razn de las ventajas estimada (exp(B)), Intervalo de confianza para exp(B), Log de la
verosimilitud si el trmino se ha eliminado del modelo. Para cada variable que no est en
la ecuacin: Estadstico de puntuacin, R. Para cada caso: grupo observado, probabilidad
pronosticada, grupo pronosticado, residuo, residuo tipificado.
Mtodos. Puede estimar modelos utilizando la entrada en bloque de las variables o
cualquiera de los siguientes mtodos por pasos: Condicional hacia adelante, LR hacia
adelante, Wald hacia adelante, Condicional hacia atrs, LR hacia atrs o Wald hacia atrs.
Regresin logstica multinomial
La opcin Regresin logstica multinomial resulta til en aquellas situaciones en las que
desee poder clasificar a los sujetos segn los valores de un conjunto de variables
predictoras. Este tipo de regresin es similar a la regresin logstica, pero ms general, ya
que la variable dependiente no est restringida a dos categoras.
Datos. La variable dependiente debe ser categrica. Las variables independientes pueden
ser factores o covariables. En general, los factores deben ser variables categricas y las
covariables deben ser variables continuas