Professional Documents
Culture Documents
M. Vargas Jimenez
2012/02/11
Indice general
3. Regresi
on lineal m
ultiple y con variables cualitativas. Regresi
on logstica
3.1. Regresion y correlacion lineal . . . . . . . . . . . . . . . . . .
3.1.1. Nociones teoricas . . . . . . . . . . . . . . . . . . . . .
3.1.2. Estimacion del modelo . . . . . . . . . . . . . . . . . .
3.1.3. Descomposicion de la variacion... . . . . . . . . . . . .
3.1.4. Ajuste de la recta . . . . . . . . . . . . . . . . . . . . .
3.1.5. Inferencia . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.6. Contrastes de hipotesis . . . . . . . . . . . . . . . . . .
3.1.7. Prediccion . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Regresion m
ultiple . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1. Estimacion del modelo . . . . . . . . . . . . . . . . . .
3.2.2. Descomposicion de la variacion... . . . . . . . . . . . .
3.2.3. Inferencia . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.4. Contraste de hipotesis . . . . . . . . . . . . . . . . . .
3.3. Regresion con variables cualitativas . . . . . . . . . . . . . . .
3.3.1. Interaccion . . . . . . . . . . . . . . . . . . . . . . . .
3.4. Analisis de regresion lineal con ... . . . . . . . . . . . . . . . .
3.4.1. Representacion grafica de los... . . . . . . . . . . . . .
3.5. Analisis de regresion lineal ... . . . . . . . . . . . . . . . . . .
3.6. Analisis de regresion lineal... . . . . . . . . . . . . . . . . . . .
3.6.1. Representacion grafica de... . . . . . . . . . . . . . . .
3.7. Regresion logstica . . . . . . . . . . . . . . . . . . . . . . . .
3.7.1. Nociones teoricas . . . . . . . . . . . . . . . . . . . . .
3.7.2. Contrastes de hipotesis . . . . . . . . . . . . . . . . . .
3.7.3. Implementacion con R de un analisis de regresion logstica . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.7.4. Ejemplo de regresion logstica con R . . . . . . . . . .
3.7.5. Ejemplo con varias formas de respuesta . . . . . . . . .
5
5
5
6
6
8
8
9
10
10
11
11
12
12
14
15
16
19
21
25
36
40
41
47
49
51
55
INDICE GENERAL
Captulo 3
Regresi
on lineal m
ultiple y con
variables cualitativas.
Regresi
on logstica
3.1.
Regresi
on y correlaci
on lineal
3.1.1.
Nociones te
oricas
LINEAL MULTIPLE
6CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS.
La relacion entre X e Y es estocastica, o sea, para cada valor de X existe
una distribucion de probabilidad de Y.
Asunciones del modelo
Para cada observacion i esima, se verifica que la variable aleatoria i
tiene media cero y varianza constante:
E(i ) = 0
V (i ) = 2
Dadas i , j , con i 6= j, estan incorreladas
Cov(i , j ) = 0
j estan normalmente distribuidas.
3.1.2.
Estimaci
on del modelo
2i =
(yi 0 1 xi )2
3.1.3.
Descomposici
on de la variaci
on de Y. El coeficiente de determinaci
on.
Y CORRELACION
LINEAL
3.1. REGRESION
(yi ybi )2 +
e2i =
SCN E
SCE
=1
SCT
SCT
Cov(X, Y )
X Y
LINEAL MULTIPLE
8CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS.
3.1.4.
Ajuste de la recta
El criterio de mnimos cuadrados permite plantear un sistema de ecuaciones lineales, sencillo, cuya solucion viene dada por los coeficientes b0 y
b1 .
Los coeficientes b0 y b1 de la recta se obtienen mediante
b1 =
Cov(X, Y )
2
X
b0 = Y b1 X
donde la covarianza se obtiene mediante
P
Cov(X, Y ) =
xi y i
X Y
N
3.1.5.
P 2
x
i
Inferencia
s =
P 2
e
i
N 2
SCN E
N 2
Y CORRELACION
LINEAL
3.1. REGRESION
Donde N es el tama
no de la muestra. SCNE es la suma de cuadrados no
explicada obtenida en la tabla de descomposicion de la variacion y MCNE
se denomina media de cuadrados no explicada. Nos indica la magnitud de la
variabilidad existente en los terminos de error. A la raz cuadrada de su valor
se denomina error tpico de la estimaci
on.
El error estandar, e.e.(b), es una medida de la cantidad de variabilidad
que habra en diferentes coeficientes, bs, estimados de muestras extradas de
la misma poblacion. En esencia mide la capacidad de cambiar, ante cambios
en las observaciones de la muestra.
3.1.6.
Contrastes de hip
otesis
Un metodo para hacer conjeturas acerca de los valores que tendran los
verdaderos parametros , basandose en el conocimiento de la muestra, es el
contraste de hipotesis.
La hipotesis de mayor interes en la regresion, es la consideracion de si el
efecto de X es o no significativo. Es decir, si se puede o no, asumir que la
pendiente de la recta es nula:
1 = 0
La hipotesis nula planteada se nota con
H0 : 1 = 0
Equivale a admitir que no existe relacion lineal entre X e Y. Los cambios
en X no producen cambios en Y de forma lineal.
Frente a la alternativa
H1 : 1 = 0
(Se pueden considerar tambien alternativas como 1 > 0 , o 1 < 0)
Si H0 es cierta, se comprueba que el estadstico t definido como
t=
b1
7 t de Student
e.e.(b1 )
LINEAL MULTIPLE
10CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
t valor =
b
e.e.(b)
DECISION:
si el p-valor es menor que el nivel elegido, se rechaza la
hipotesis nula. En caso contrario, no puede rechazarse.
3.1.7.
Predicci
on
3.2.
Regresi
on m
ultiple
En regresion m
ultiple se pretende explicar el comportamiento de una variable dependiente (Y) en funcion de dos o mas variables independientes
(Xs). El objetivo es descubrir que variables independientes estan relacionadas con la variable Y, y describir esta relacion, midiendo los efectos que
producen sobre la variable dependiente. El analisis de regresion m
ultiple permite calcular un modelo que relaciona la variable dependiente y las variables
independientes en la forma:
Y = 0 + 1 X1 + 2 X2 + ... + k Xk +
Los parametros 0 , 1 , 2 , ..., k se estiman por el procedimiento de mnimos cuadrados. Cada parametro i que acompa
na a la variable independiente,Xi ,
expresa el incremento medio que se produce en la variable dependiente, Y,
MULTIPLE
3.2. REGRESION
11
3.2.1.
Estimaci
on del modelo
2i =
Los valores ajustados para cada individuo i-esimo se obtienen por la ecuacion estimada, resultante de la solucion de un sistema de k+1 ecuaciones lineales derivadas del criterio de ajuste mnimo cuadratico de la ecuacion lineal
de regresion:
Yb = b0 + b1 X1 + b2 X2 + ... + bk Xk
Los residuos observados vienen dados por las diferencias entre los valores
observados y sus correspondientes estimaciones o valores ajustados:
ei = yi ybi
Representan las cantidades que la regresion no pudo explicar.
3.2.2.
Descomposici
on de la variaci
on de Y. Tabla de
An
alisis de la varianza.
(yi ybi )2 +
e2i =
SCN E
nk1
LINEAL MULTIPLE
12CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
La media de cuadrados explicada se obtiene por el cociente
SCE
k
El coeficiente R2 , de correlaci
on m
ultiple muestral al cuadrado, es
un ndice del ajuste total
M CE =
SCE
SCN E
=1
SCT
SCT
representa la proporcion de variacion de la variable dependiente que puede
ser explicada por la combinacion lineal de las variables independientes, o
modelo de regresion propuesto.
R2 =
0 R2 1
En regresion m
ultiple tiene interes conocer un coeficiente derivado del R2 ,
denominado coeficiente de determinacion ajustado.
El R-cuadrado ajustado, corrige el R-cuadrado estandar basandose en el
n
umero de coeficientes del modelo. Este estadstico es u
til para comparar
modelos de regresion con diferentes n
umeros de variables independientes. Sabemos que, tanto si la variable tiene o no capacidad explicativa, el R-cuadrado
estandar siempre se incrementara al incluir una nueva variable independiente en el modelo. El R-cuadrado ajustado penaliza la inclusion de nuevas
variables, de tal modo, que si estas no son suficientemente explicativas, el
coeficiente puede incluso disminuir al a
nadirlas.
R2 ajustado = 1
3.2.3.
M CN E
SCN E n 1
=1
SCT n k 1
M CT
Inferencia
El objetivo fundamental en regresion es el de conocer el nivel de confianza que tenemos en que el efecto de la variable independiente sea realmente
verdadero o, por el contrario, se deba al azar. Se plantea el problema de si
su valor es o no, significativamente distinto de cero.
El error est
andar de estimaci
on es la raz cuadrada del error cuadratico medio, desviacion estandar estimada de los residuos (mide la variabilidad
no explicada en la variable respuesta). Su valor proporciona una interpretacion de la magnitud de la dispersion de los terminos de error.
3.2.4.
Contraste de hip
otesis
MULTIPLE
3.2. REGRESION
13
Un metodo para hacer conjeturas acerca de los valores que tendran los
verdaderos parametros , basandose en el conocimiento de la muestra, es el
contraste de hipotesis.
Destacamos los tests de hip
otesis mas usados en regresion:
Test individual para conocer la significatividad de la variable Xj
La hipotesis nula
H0 : j = 0
Equivale a admitir que, en principio 1 , no existe relacion entre Xj e Y .
Los cambios en Xj no producen cambios en Y.
Frente a la alternativa
H1 : j 6= 0
Si H0 es cierta, se comprueba que el estadstico t definido como
t=
bj
e.e.(bj )
DECISION:
si el p valor es menor que el nivel elegido, se rechaza
la hipotesis. En caso contrario, no puede rechazarse.
Incumplimiento de las asunciones del modelo
En el modelo de regresion lineal se han hecho asunciones sobre los errores,
tales como:
los errores son independientes
varianza constante
siguen una normal
1
Debe tenerse en cuenta que la significatividad de una variable depende del contexto
en que se efect
ue el contraste. Por ejemplo, una variable puede ser significativa si aparece
sola en el modelo y dejar de serlo cuando se incluye con otras.
LINEAL MULTIPLE
14CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
La inspeccion de los graficos de los residuos ayuda a valorar el resultado
del ajuste. Para que las conclusiones derivadas del ajuste se tomen con cierta
confianza debe comprobarse el cumplimiento de dichas asunciones.
3.3.
Regresi
on con variables cualitativas
Las variables cualitativas pueden tambien, al igual que las cuantitativas, explicar el comportamiento de una variable dependiente en el modelo
de regresion. Pero antes es preciso cuantificarlas, definiendo nuevas variables
ficticias capaces de reflejar en el modelo los efectos de sus distintas modalidades.
Se llama variable ficticia a la creada para detectar la presencia/ausencia
de un atributo o modalidad de la variable cualitativa.
El metodo usual es asignar a las variables ficticias los valores 1 y 0 seg
un
presente o no el individuo una determinada modalidad.
Dada una variable cualitativa con k modalidades, es suficiente tomar k-1
variables ficticias (de valores 1 y 0) para presentar todas las posibilidades de
presencia ausencia de las distintas modalidades. Es decir, asignar una variable
ficticia a cada modalidad de la variable cualitativa salvo a una, que se deja
como referencia.
Por ejemplo, para una variable cualitativa con 3 modalidades A, B,
C, se toma una modalidad como referencia o base, por ejemplo, la primera
categora A. Se pueden definir dos variables ficticias (una para cada modalidad de la variable cualitativa B y C, dejando la modalidad A, sin ficticia),
FB y FC, del siguiente modo:
FB = 1 si el individuo presenta B; en otro caso valdra 0.
FC = 1 si el individuo presenta C; en otro caso valdra 0.
De este modo, cada elemento que presente la modalidad A tendra en FB y
FC los valores 0 y 0, respectivamente (FB=0 y FC=0).
Un individuo que presenta la modalidad B, tendra en las ficticias los
valores:
FB=1 y FC=0 y, por u
ltimo, un individuo que presenta la modalidad C
tendra en las ficticias los valores:
FB=0 y FC=1.
Este tipo de codificacion se denomina de referencia a primera categora (A).
Permite medir los efectos producidos en la variable dependiente cuando
se pasa de la categora referencia, A, a otra cualquiera (B o C)
15
FB FC
0
0
1
0
0
1
3.3.1.
Interacci
on
LINEAL MULTIPLE
16CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
3.4.
An
alisis de regresi
on lineal con R: un
ejemplo de regresi
on simple
Modelo te
orico propuesto
X2011 = 0 + 1 X2005 +
Funci
on R que realiza el ajuste
La funcion R que permite realizar un ajuste lineal es lm()
Se determinara la recta de regresion simple que expresa la tasa de paro
en 2011 respecto a la del 2005.
Los argumentos de lm() son la formula que expresa la variable dependiente e independiente (obligatorio) y el data.frame que contiene los datos
(optativo).
lm(f ormula = X2011~X2005, data = Regs1)
> Rs1=lm(X2011~X2005,data=Regs1)
> summary(Rs1)
LINEAL CON ...
3.4. ANALISIS
DE REGRESION
17
Call:
lm(formula = X2011 ~ X2005, data = Regs1)
Residuals:
Min
1Q Median
-7.860 -4.848 -1.925
3Q
Max
6.192 12.110
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 11.3318
5.5984
2.024
0.0705 .
X2005
1.4244
0.4762
2.991
0.0135 *
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 6.996 on 10 degrees of freedom
Multiple R-squared: 0.4722,
Adjusted R-squared: 0.4195
F-statistic: 8.948 on 1 and 10 DF, p-value: 0.01354
El resultado se puede resumir mediante la funcion summary()
Ecuaci
on del modelo ajustada
Es muy importante todo el contenido de este resultado. Por un lado aparece la tabla de coeficientes estimados, lo que va a permitir escribir la ecuaci
on
ajustada del modelo.
La pendiente estimada es b1 = 1,424
La ordenada en el origen o intercept es b0 = 11,332
Y la ecuacion ajustada:
X2011 = 11,332 + 1,424 X2005
Test de hip
otesis de nulidad de la pendiente al nivel = 0,01
Uno de los objetivos mas importantes de un ajuste de regresion es comprobar si la variable (o variables independientes) sirven para explicar la variable
dependiente. La respuesta cientfica a este interrogante se realiza mediante un
contraste de hipotesis de nulidad del coeficiente que acompa
na a la variable
independiente en el modelo.
La tabla de coeficientes es importante porque, ademas de permitir construir la ecuacion ajustada, permite contrastar la hipotesis de nulidad de la
pendiente:
LINEAL MULTIPLE
18CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
H0 : 1 = 0
frente a la alternativa
H1 : 1 6= 0
Observe que al nivel de significacion = 0,01 no puede rechazarse H0 ,
por lo que entendemos que, cambios en la variable X2005 no parece que
provoquen cambios significativos en la variable X2011. Diramos que (para
este nivel de significacion elegido) la variable X2005 no explica la variable
X2011.
p valor = 0,0135 > = 0,01
DECISION: A este nivel de significacion de 0.01, NO puede rechazarse
que
1 = 0
Cuando las pendientes son significativamente distintas de cero, decimos
que las variables sirven para explicar. Si la variable independiente es cuantitativa el coeficiente, 1 , se interpreta como el incremento esperado en la variable
dependiente cuando se aumenta una unidad la variable independiente.
Bondad de ajuste del modelo
El coeficiente de correlacion R2 permite valorar la bondad del modelo
ajustado y, por tanto, su capacidad para hacer predicciones. Valores altos
indican buen ajuste. Representa la proporcion de variacion de la variable
dependiente que es explicada por el modelo. El valor R2 = 0,4722 no esta
cercano a 1. Por lo que se entiende que la recta no se ajusta bien a los datos.
Error est
andar de la estimaci
on
Y por u
ltimo, el error estandar residual, presenta un valor igual a, 6.99,
este valor en s mismo no es muy expltico en lo que se refiere a interpretacion.
Sin embargo, es muy u
til para comparar modelos propuestos para los mismos
datos. (Lo veremos en el proximo ejemplo (pag. 24), cuando se proponga un
modelo mas completo).
Este estadstico es un indicador de la variabilidad que deja sin explicar el
modelo (error o dispersion aleatoria o no explicada). Un modelo que presente
un valor bajo sera preferible a otro con valor alto.
LINEAL CON ...
3.4. ANALISIS
DE REGRESION
3.4.1.
19
Representaci
on gr
afica de los datos y la recta
40
30
20
10
10
15
20
25
Funciones R usadas en el gr
afico
>
>
>
+
+
>
>
LINEAL MULTIPLE
20CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
Tabla de Variaci
on Explicada (ANOVA)
La funcion R anova() permite ver la variacion total, la explicada y no
explicada por el modelo.
La tabla siguiente muestra los resultados
anova(Rs) #Rs es el objeto que contiene los resultados del analisis
Analysis of Variance Table
Response: X2011
Df Sum Sq Mean Sq F value Pr(>F)
X2005
1 437.98 437.98 8.9481 0.01354 *
Residuals 10 489.46
48.95
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
windows
2
LINEAL ...
3.5. ANALISIS
DE REGRESION
21
40
Rectas de Regresin
30
20
10
10
15
20
25
30
3.5.
An
alisis de regresi
on lineal con R: regresi
on simple con variable cualitativa
LINEAL MULTIPLE
22CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
Nacionalidad X2005 X2011
Espa
nol
12.73 35.30
Espa
nol
18.08 32.12
Espa
nol
5.15 15.93
Espa
nol
10.55 18.50
Espa
nol
4.68 13.19
Espa
nol
8.25 15.23
Extranjero
12.98 37.96
Extranjero
18.75 36.98
Extranjero
8.26 30.36
Extranjero
12.51 28.04
Extranjero
8.36 35.35
Extranjero
11.28 24.45
Modelo te
orico propuesto
Variable dependiente = X2011
Variable independiente cualitativa = Nacionalidad (2 categoras)
Variable ficticia asociada:
FNaciExtranjero (segunda modalidad de variable Nacionalidad)
Base=Espa
nol
Modelo propuesto:
X2011 = 0 + 1 F N aciExtranj +
Ajuste con R
Se determinara la ecuacion lineal de regresion que expresa la tasa de paro
en 2011 respecto a la Nacionalidad del grupo.
El paquete R detecta automaticamente una variable cualitativa declarada
como factor y genera internamente la ficticia (o ficticias, si hay mas de 2
modalidades) necesarias para el ajuste. Por defecto R toma como categora
base la primera modalidad.
LINEAL ...
3.5. ANALISIS
DE REGRESION
23
3Q
Max
5.035 13.588
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept)
21.712
3.157
6.877 4.31e-05 ***
NacionalidadExtranjero
10.478
4.465
2.347
0.0409 *
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 7.733 on 10 degrees of freedom
Multiple R-squared: 0.3552,
Adjusted R-squared: 0.2907
F-statistic: 5.508 on 1 and 10 DF, p-value: 0.04086
Ecuaci
on del modelo ajustado
La tabla de coeficientes estimados muestra sus valores estimados con los
que podemos escribir la ecuaci
on del modelo ajustado.
La ordenada en el origen o intercept es b0 = 21,712
La pendiente estimada de la variable ficticia F Extranjero = N acionalExtranj
es b1 = 10,478
Y la ecuacion ajustada es:
X2011 = 21,712 + 10,478 N acionalExtranj
Test de hip
otesis de nulidad de la pendiente al nivel = 0,05
LINEAL MULTIPLE
24CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
Vemos si la variable propuesta sirve para explicar la variable dependiente.
Para ello se realiza un contraste de hipotesis de nulidad del coeficiente que
acompa
na a la variable independiente ficticia (asociada a Nacionalidad).
La tabla de coeficientes permitir construir la ecuacion ajustada y contrastar la hipotesis de nulidad de las pendientes:
H0 : 1 = 0
frente a la alternativa
H1 : 1 6= 0
Observe que al nivel de significacion = 0,05 se rechaza H0 , por lo
que entendemos que, cambios en la variable Nacionalidad provocan cambios
significativos en la variable X2011.
Diramos que (para este nivel de significacion elegido) la variable Nacionalidad explica la variable X2011.
p valor = 0,0409 < = 0,05
DECISION: A este nivel de significacion de 0.05, se rechaza que
1 = 0
Se concluye que la variable Nacionalidad sirve para explicar.
En concreto, esperamos un incremento en la tasa de paro del 2011 de
aproximadamente 10.5 unidades cuando pasamos del grupo de nacionalidad
espa
nola al grupo de nacionalidad extranjera.
Bondad de ajuste del modelo
El coeficiente de correlacion R2 representa la proporcion de variacion de la
variable dependiente que es explicada por el modelo. El valor del R2 = 0,355
no esta cercano a 1. Por lo que se entiende que el modelo no se ajusta bien
a los datos.
Error est
andar de la estimaci
on
El error estandar residual, presenta un valor igual a 7.733
anterior tena un valor igual a 6.99 y su coeficiente R-cuadrado
Si tuviesemos que elegir entre el modelo simple anterior y este,
en estos criterios: error estandar y coeficente R2 , elegiramos el
que presenta menor error estandar residual y mejor ajuste.
(El modelo
era mayor).
basandonos
primero, ya
LINEAL...
3.6. ANALISIS
DE REGRESION
3.6.
25
An
alisis de regresi
on lineal con R: un
ejemplo de regresi
on m
ultiple
LINEAL MULTIPLE
26CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
El grafico siguente puede orientar sobre la estructura que tienen los datos
windows
2
50
Tasas de Paro
hombre
mujer
45
40
35
30
20
25
15
10
15
20
25
30
<30
>30
35
Relaci
on entre Tasa de paro en 2005 y Respuesta (Tasa de paro
en 2011):
Si no distinguimos por sexo ni edad, la relacion entre Tasa de paro en
2011 y 2005 muestra una trayectoria, reflejada por la nube de puntos, aproximadamente de una recta con pendiente positiva.
Relaci
on entre Sexo y Respuesta (Tasa de paro en 2011):
Los datos aparecen mezclados sin una trayectoria o agrupamiento claro
en relacion al eje Y del grafico.
Relaci
on entre Edad y Respuesta (Tasa de paro en 2011):
Si distinguimos entre los puntos correspondientes a edad <30 y >30,
parece que existe relacion. Aparecen 2 grupos distanciados verticalmente (eje
de Tasas de Paro en 2011). Se aprecia visualmente un cambio importante en
los valores de las tasas del 2011 al pasar del grupo joven al grupo mayor.
LINEAL...
3.6. ANALISIS
DE REGRESION
27
Relaci
on entre tasa de paro en 2005 y Respuesta (distinguiendo
por edad) Si distinguimos entre los puntos correspondientes a edad <30 y
>30, no parece que exista relacion entre las Tasas de Paro en 2005 y 2011.
Podemos dibujar dos rectas con pendientes proximas a cero.
Relaci
on entre tasa de paro en 2005 y Respuesta (distinguiendo
por sexo) Dividiendo la nube de puntos por Sexo, parece que la relacion
entre las Tasas de Paro es similar a la global (independientemente del sexo
la relacion entre Tasas es similar).
Si ajustamos por pasos modelos simples podemos confirmar lo comentado
sobre el grafico.
Por ejemplo, el modelo que solo incluye a Tasa en 2005 como independiente presenta esta tabla de coeficientes:
> summary(lm(TP2011~TP2005,data=Regm))
Call:
lm(formula = TP2011 ~ TP2005, data = Regm)
Residuals:
Min
1Q
-10.391 -6.171
Median
-1.836
3Q
4.822
Max
15.489
Coefficients:
Estimate Std. Error t value
(Intercept) 22.8541
3.2923
6.942
TP2005
0.7415
0.1816
4.084
--Signif. codes: 0 '***' 0.001 '**' 0.01
Pr(>|t|)
1.04e-07 ***
0.000303 ***
'*' 0.05 '.' 0.1 ' ' 1
LINEAL MULTIPLE
28CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
Residuals:
Min
1Q
-14.7381 -8.5756
Median
-0.1312
3Q
7.3697
Max
14.9419
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept)
34.288
2.294
14.95 1.92e-15 ***
SexoMujer
1.816
3.244
0.56
0.58
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 9.175 on 30 degrees of freedom
Multiple R-squared: 0.01034,
Adjusted R-squared: -0.02265
F-statistic: 0.3135 on 1 and 30 DF, p-value: 0.5797
Donde se observa que la variable Sexo no es significativa. Con p valor =
0,58.
Por u
ltimo, introducimos la variable Edad, que es la que muestra en el
grafico mayor relacion con la variable tasa de paro en 2011.
> summary(lm(TP2011~Edad,data=Regm))
Call:
lm(formula = TP2011 ~ Edad, data = Regm)
Residuals:
Min
1Q Median
-7.3519 -1.7641 -0.2856
3Q
2.5069
Max
6.1581
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 43.4906
0.8543
50.91 < 2e-16 ***
Edad>30
-16.5887
1.2082 -13.73 1.8e-14 ***
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 3.417 on 30 degrees of freedom
Multiple R-squared: 0.8627,
Adjusted R-squared: 0.8581
F-statistic: 188.5 on 1 and 30 DF, p-value: 1.797e-14
LINEAL...
3.6. ANALISIS
DE REGRESION
29
3Q
Max
3.627 12.938
Coefficients:
Estimate Std. Error t value
(Intercept) 20.6150
3.0535
6.751
TP2005
1.1431
0.2144
5.332
SexoMujer
-8.8890
3.0866 -2.880
--Signif. codes: 0 '***' 0.001 '**' 0.01
Pr(>|t|)
2.08e-07 ***
1.01e-05 ***
0.0074 **
'*' 0.05 '.' 0.1 ' ' 1
LINEAL MULTIPLE
30CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
Variables independientes
Variable independiente continua = TP2005 (Tasa de paro en 2005)
Variable independiente cualitativa = Edad (2 categoras o grupos de
edad)
Variable ficticia asociada:
F>30 (segunda categora de edad)
Base (primera categora de edad: menor de 30 a
nos )
Variable independiente cualitativa = Sexo (2 categoras)
Variable ficticia asociada:
FMujer (segunda modalidad de variable Sexo)
Base=Hombre
Modelo propuesto:
T P 2011 = 0 + 1 T P 2005 + 2 F M ujer + 3 F > 30 +
Ajuste con R
La funcion R que permite realizar un ajuste lineal es lm()
Se determinara la ecuacion lineal de regresion m
ultiple que expresa la tasa
de paro en 2011 respecto a la del 2005 y las variables Sexo y Edad del grupo.
La formula para R es:
lm(f ormula = T P 2011~T P 2005 + Sexo + Edad, data = Regm)
> Rs2=lm(TP2011~TP2005+Sexo+Edad,data=Regm)
> summary(Rs2)
Call:
lm(formula = TP2011 ~ TP2005 + Sexo + Edad, data = Regm)
Residuals:
Min
1Q Median
3Q
Max
LINEAL...
3.6. ANALISIS
DE REGRESION
-6.482 -1.586 -0.327
2.940
31
7.441
Coefficients:
Estimate Std. Error t value
(Intercept) 44.6939
3.0463 14.671
TP2005
-0.1298
0.1763 -0.737
SexoMujer
3.0323
2.0357
1.490
Edad>30
-17.7053
1.9278 -9.184
--Signif. codes: 0 '***' 0.001 '**' 0.01
Pr(>|t|)
1.13e-14 ***
0.467
0.148
6.08e-10 ***
'*' 0.05 '.' 0.1 ' ' 1
LINEAL MULTIPLE
32CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
frente a la alternativa
H1 : 1 6= 0
Observe que al nivel de significacion = 0,05 no se rechaza H0 , por lo
que entendemos que, cambios en la variable TP2005 no provocan cambios
significativos en la variable TP2011.
Diramos que (para este nivel de significacion elegido) la variable TP2005
no explica la variable TP2011.
p valor = 0,467 >= 0,05
DECISION: A este nivel de significacion de 0.05, no se rechaza que
1 = 0
Por tanto se tendra que eliminar del modelo.
Cuando las pendientes son significativamente distintas de cero, decimos
que las variables sirven para explicar. Si la variable independiente es cuantitativa, el coeficiente se interpreta como el incremento esperado en la variable
dependiente cuando se aumenta una unidad la variable independiente. En
concreto, por cada unidad de incremento en la tasa de paro en 2005 (si la
variable fuese significativa) esperamos encontrar un descenso de aproximadamente 0.12 unidades en la del a
no 2011. En este caso concreto no tiene
sentido interpretarla puesto que no es significativa.
La inclusioh de la variable altamente significativa Edad, es capaz de explicar parte de la variabilidad que en el modelo mas simple (solo TP2005 y
SexoMujer) era explicada por TP2005 y SexoMujer.
Contraste para la variable Sexo
H0 : 2 = 0
frente a la alternativa
H1 : 2 6= 0
Observe que al nivel de significacion = 0,05 no se rechaza H0 , por lo que
entendemos que, cambios en la variable SexoMujer (y por tanto en la variable
Sexo) no provoca cambios significativos en la variable TP2011.
Diramos que (para este nivel de significacion elegido) la variable Sexo no
explica la variable TP2011.
p valor = 0,148 >= 0,05
LINEAL...
3.6. ANALISIS
DE REGRESION
33
1Q
Median
3Q
Max
LINEAL MULTIPLE
34CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
-6.4437 -1.2466 -0.4619
2.8550
6.6475
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept)
42.582
1.023 41.610 < 2e-16 ***
SexoMujer
1.816
1.182
1.537
0.135
Edad>30
-16.589
1.182 -14.038 1.83e-14 ***
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 3.342 on 29 degrees of freedom
Multiple R-squared: 0.873,
Adjusted R-squared: 0.8643
F-statistic: 99.72 on 2 and 29 DF, p-value: 1.006e-13
Lo que nos llevara a elegir el modelo mas simple, con solo la variable Edad.
Call:
lm(formula = TP2011 ~ Edad, data = Regm)
Residuals:
Min
1Q Median
-7.3519 -1.7641 -0.2856
3Q
2.5069
Max
6.1581
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 43.4906
0.8543
50.91 < 2e-16 ***
Edad>30
-16.5887
1.2082 -13.73 1.8e-14 ***
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 3.417 on 30 degrees of freedom
Multiple R-squared: 0.8627,
Adjusted R-squared: 0.8581
F-statistic: 188.5 on 1 and 30 DF, p-value: 1.797e-14
El coeficiente que acompa
na a la ficticia Edad>30 vale aprosimadamente
-16.6, es significativo al nivel 0.05 (de hecho su p-valor esta proximo a 0) Se
concluye que la variable Edad sirve para explicar. Se espera un descenso de
16.6 unidades en la tasa de Paro en cuando se pasa del grupo joven al grupo
mayor.
Otra Representacion grafica de los datos:
windows
2
LINEAL...
3.6. ANALISIS
DE REGRESION
35
45
40
35
30
25
20
20
25
30
35
40
45
50
Ao 2011
50
Ao 2011
<30
>30
Hombre
Mujer
Ao 2005
Ao 2005
25
20
15
10
5
10
15
20
25
30
Sexo
30
Edad
Hombre
Mujer
<30
Sexo
>30
Edad
3Q
2.232
Max
5.474
Coefficients:
(Intercept)
TP2005
LINEAL MULTIPLE
36CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
SexoMujer
9.4376
Edad>30
-17.0668
TP2005:SexoMujer -0.4363
--Signif. codes: 0 '***' 0.001
3.6908
1.8545
0.2143
2.557
0.0165 *
-9.203 8.18e-10 ***
-2.036
0.0517 .
Este modelo esta mas proximo a la estructura que muestran los datos, inspeccionada graficamente. Mejora la bondad de ajuste (R2 ajustado = 0,876)
y el error estandar residual disminuye ligeramente (3.2). Los p-valores asociados a los coeficientes estimados, que no son significativos, estan, no obstante,
cercanos al lmite del nivel de significacion (0.0517).
Nota: El principio jerarquico establece que si se admite en el modelo un
termino de interaccion, automaticamente quedan incluidos los efectos principales (al margen de los valores p-valores asociados a ellos).
Bondad de ajuste del modelo
Representa la proporcion de variacion de la variable dependiente que es
explicada por el modelo. El valor del R2 = 0,892 esta cercano a 1. Por lo que
se entiende que la ecuacion estimada del modelo se ajusta bien a los datos.
3.6.1.
Representaci
on gr
afica de los datos y la ecuaci
on
ajustada
LINEAL...
3.6. ANALISIS
DE REGRESION
37
45
hombre
mujer
40
35
TP2011
30
25
10
15
20
25
<30
>30
30
TP2005
Con los datos de la tabla 3.1 ajuste el modelo que mejor se adapte a los
datos, para explicar la Tasa de paro en 2011.
Se han ajustado los modelos siguientes:
lm1=lm(X2011~., data=Regm)
lm2=lm(X2011~.+nacional*X2005, data=Regm)
lm3=lm(X2011~.+nacional*X2005+Edad*X2005, data=Regm)
lm4=lm(X2011~.+nacional*X2005+Edad*X2005+nacional*Edad, data=Regm)
Edad
<30
>30
<30
>30
nacional
X2005 X2011 Edad.1
Espa
nol
20.41 43.78 <30
Espa
nol
11.23 24.67 >30
Extranjero 16.07 42.44 <30
Extranjero
9.98 37.40 >30
LINEAL MULTIPLE
38CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
9.49
3.93
14.36
8.95
18.91
7.65
10.22
14.86
11.77
4.51
14.30
7.77
19.67
8.90
24.26
9.79
14.90
6.28
8.58
14.40
16.01
6.26
18.65
8.73
13.94
6.73
11.23
13.42
10.28
4.62
19.39
9.92
14.33
6.64
12.97
9.86
21.96
13.46
27.41
15.75
17.29
25.75
10.55
49.12
31.54
32.88
12.96
30.69
33.67
30.11
14.52
40.40
25.62
45.28
24.05
35.96
31.78
29.40
10.30
35.00
29.91
29.71
12.14
36.19
28.53
34.16
16.91
40.69
29.70
27.71
12.56
36.86
31.05
36.39
17.08
43.80
33.71
38.32
19.18
36.01
35.59
28.49
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
9.49
3.93
14.36
8.95
18.91
7.65
10.22
14.86
11.77
4.51
14.30
7.77
19.67
8.90
24.26
9.79
14.90
6.28
8.58
14.40
16.01
6.26
18.65
8.73
13.94
6.73
11.23
13.42
10.28
4.62
19.39
9.92
14.33
6.64
12.97
9.86
21.96
13.46
27.41
15.75
17.29
25.75
10.55
49.12
31.54
32.88
12.96
30.69
33.67
30.11
14.52
40.40
25.62
45.28
24.05
35.96
31.78
29.40
10.30
35.00
29.91
29.71
12.14
36.19
28.53
34.16
16.91
40.69
29.70
27.71
12.56
36.86
31.05
36.39
17.08
43.80
33.71
38.32
19.18
36.01
35.59
28.49
LINEAL...
3.6. ANALISIS
DE REGRESION
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
<30
>30
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
Cuadro
39
Espa
nol
7.34
Extranjero
19.79
Extranjero
16.33
Espa
nol
11.71
Espa
nol
4.74
Extranjero
12.81
Extranjero
8.67
Espa
nol
13.20
Espa
nol
5.11
Extranjero
12.76
Extranjero
11.50
Espa
nol
10.86
Espa
nol
3.35
Extranjero
11.24
Extranjero
8.30
Espa
nol
14.10
Espa
nol
5.35
Extranjero
12.47
Extranjero
14.23
Espa
nol
10.40
Espa
nol
3.32
Extranjero
18.22
Extranjero
9.60
Espa
nol
35.88
Espa
nol
12.75
Extranjero
25.32
Extranjero
38.49
Espa
nol
28.77
Espa
nol
8.83
Extranjero
53.22
Extranjero
5.59
nacionalidad y sexo
[1] .EdadnacionalX2005X2011
La tabla anora de de los 4 ajustes propuestos es la siguiente:
13.09
38.86
31.63
27.33
11.17
28.01
20.92
35.30
17.96
42.41
33.45
20.01
7.74
35.81
21.87
23.62
8.59
30.29
19.94
27.49
9.08
44.95
31.92
48.14
18.53
32.96
47.85
40.49
16.04
12.01
41.77
LINEAL MULTIPLE
40CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
1
2
3
4
Res.Df
72
71
70
69
RSS Df Sum of Sq
F Pr(>F)
4162.64
2532.30
1
1630.34 58.02 0.0000
1948.48
1
583.81 20.78 0.0000
1938.81
1
9.67 0.34 0.5593
> anova(lm1,lm2,lm3,lm4)
Analysis of Variance Table
Model 1: X2011 ~ Edad + nacional + X2005
Model 2: X2011 ~ Edad + nacional + X2005 + nacional * X2005
Model 3: X2011 ~ Edad + nacional + X2005 + nacional * X2005 + Edad * X2005
Model 4: X2011 ~ Edad + nacional + X2005 + nacional * X2005 + Edad * X2005 +
nacional * Edad
Res.Df
RSS Df Sum of Sq
F
Pr(>F)
1
72 4162.6
2
71 2532.3 1
1630.34 58.0220 1.001e-10 ***
3
70 1948.5 1
583.81 20.7772 2.170e-05 ***
4
69 1938.8 1
9.67 0.3442
0.5593
--NA
El resultado del ajuste del modelo lm3 es el siguiente:
(Intercept)
Edad>30
nacionalExtranjero
X2005
nacionalExtranjero:X2005
Edad>30:X2005
3.7.
Regresi
on logstica
LOGISTICA
3.7. REGRESION
3.7.1.
41
Nociones te
oricas
LINEAL MULTIPLE
42CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
En el modelo que nos ocupa aqu, de regresion logstica, tomaremos la
funcion logit y el modelo de distribucion de probabilidad binomial.
Supongamos, por ejemplo, que se ha clasificado a un grupo de individuos
atendiendo a un conjunto de variables explicativas como X1=Edad, X2=nivel
estudios, etc., y una variable, Y, considerada dependiente que representa
la asistencia a una manifestacion (con categoras 1=Si y 0=No). Se desea
estudiar la probabilidad de que un individuo asista a la manifestacion en
funcion de las variables X1, X2, etc. El objetivo es construir un modelo
capaz de describir el efecto de los cambios de las variables explicativas sobre
la probabilidad de que Y valga 1 (probabilidad de asistir a la manifestacion).
Sea p=P(Y=1)
Modelo de regresion logstica simple
Expresado en t
erminos de los logits, el modelo presenta la forma:
logit = ln
p
= 0 + 1 X
1p
donde los logits son funciones lineales de las variables explicativas, pero
no las probabilidades.
Despejando la probabilidad de la ecuacion anterior, lo podemos presentar
en t
erminos de probabilidad:
e0 +1 X
p
= e0 +1 X p =
1p
1 + e0 +1 X
Es frecuente expresar el modelo en terminos de Odds (razon de una
probabilidad a su valor complementario)
Expresado en t
erminos de Odds o Ventajas:
Odd(x) =
p(x)
= e0 (e1 )x
1 p(x)
Conocidos los coeficientes del modelo de regresion logstica se puede determinar el incremento multiplicativo que se produce en la razon de odds 3
para cada incremento de una unidad de x:
Odd(x + 1) =
p(x + 1)
= e0 (e1 )(x+1)
1 p(x + 1)
De donde la raz
on de odds, RO, vale:
3
Un estadstico muy utilizado y estrechamente ligado a la interpretacion de los parametros de un modelo de regresion logstica, es este cociente o razon, denominado razon de
odds.
LOGISTICA
3.7. REGRESION
RO(x+1/x) =
43
Odd(x + 1)
= e1
Odd(x)
e0 + k xk
P
p=
1 + e0 + k xk
tambien podemos expresar en t
erminos de logit:
logit = 0 +
j xj = 0 X
LINEAL MULTIPLE
44CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
distintas modalidades de una variable explicativa cualitativa sobre la variable
respuesta, a traves del dise
no de distintas variables, denominadas ficticias
(dummy en terminologa inglesa).
Referencia a celda:
La codificacion que toma como referencia una modalidad de la variable
cualitativa (generalmente la primera o u
ltima), permite comparar el comportamiento en la respuesta de los individuos que presentan una modalidad
i-esima, con los de la modalidad referencia o base.
Interpretaci
on de los par
ametros de un modelo de regresi
on logstica
Distinguiremos distintos casos:
Una variable explicativa categ
orica:
Dada la variable A de modalidades A1 y A2 , se define el modelo
logit = 0 + 1 F A2
Usando la codificacion de referencia a celda, F A2 = 1 si A = A2 y F A2 =
0 si A = A1 , la Odd de la variable respuesta entre los elementos de la celda
o categora A2 es
Odd(A2 ) =
P (A2 )
1 P (A2 )
P (A1 )
1 P (A1 )
P (A1 ) y P (A2 ) representan las probabilidades de que la variable respuesta, Y, tome el valor 1 (ocurrencia del suceso en estudio) para los individuos
de la celda A1 y A2 , respectivamente.
El logaritmo neperiano de la razon de odds, RO, que compara la categora
A2 frente a la A1 vale:
ln(RO) = logit(A = A2 ) logit(A = A1 )
LOGISTICA
3.7. REGRESION
45
P (A2 )
1P (A2 )
P (A1
1P (A1 )
P (A2 ) 1 P (A1 )
= e1
P (A1 ) 1 P (A2 )
Ejemplo:
Variable dependiente Y (Acudir a la huelga, dicotomica, de valores SI
y NO)
Variable independiente X (cualitativa, afilicacion a un sindicato, de
valores SI y NO)
La probabilidad, p, de que se ponga en huelga un trabajador, viene explicada seg
un el modelo:
e1,39+1,1F S
1 + e1,39+1,1F S
Siendo FS la variable ficticia asociada a la cualitativa X pertenencia al
sindicato con valores FS=1 si el trabajador pertenece a un sindicato y FS=0,
en caso contrario. (Es decir,FS es la ficticia asociada a la modalidad SI pertenece al sindicato y la modalidad base o referencia es: NO pertenece al
sindicato)
a) Obtenga la Razon de odds que compara a los trabajadores pertenecientes al sindicato con los no afiliados.
p=
Soluci
on:
a)
ROSI/N O = e1 = e1,1 = 3,004
b) Sustituyendo FS=0 en la ecuacion del modelo:
p=
e1,39
= 0,199
1 + e1,39
LINEAL MULTIPLE
46CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
Supongamos que usamos la codificacion de referencia a celda primera. El
modelo constara de I-1 termninos para expresar los efectos de las I modalidades de la variable cualitativa A.
Consideremos las I-1 variables ficticias: F A2 , F A3 , ..., F AI , correspondientes a las modalidades A2 , ..., AI . de A. La modalidad A1 es la base o
referencia.
logit = 0 + 1 F A2 + ... + k1 F Ak + ... + I1 F AI
Observe que si A = Ak , la ficticia definida para esa modalidad es F Ak ,
cuyos valores son 1s y 0s. Tales que:
F Ak = 1 si A = Ak y F Ak = 0, en otro caso.
El logaritmo neperiano de la RO que compara Ak con A1 viene dado por:
logit(Ak ) logit(A1 ) =
(0 + 1 0 + ... + k1 1 + ... + I1 0) (0 + 1 0 + ... + k1 0 + ... + I1 0) =
k1
k1 es el cambio producido en el logit al incrementar una unidad (pasar
de 0 a 1) la correspondiente variable ficticia, F Ak . Lo que interpretaremos,
de modo equievalente, como el cambio esperado en el logit al pasar de la
modalidad A1 a la categora Ak
La razon de odds de Ak frente a A1 viene dada por:
RO(Ak /A1 ) = exp(k1 )
Una variable explicativa medida a escala ordinal o superior
Sea X una variable explicativa cuantitativa (discreta o continua)
Sea el modelo
logit = 0 + 1 X
p(x)
1 p(x)
LOGISTICA
3.7. REGRESION
47
Odd(x + 1) =
p(x + 1)
1 p(x + 1)
3.7.2.
Contrastes de hip
otesis
(bj j )2
21
V ar(bj )
bj
Z
e.e(bj )
LINEAL MULTIPLE
48CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
H0 : j = 0
Frente a la alternativa: H1 : j 6= 0
Si notamos:
w=
b
j
e.e(bj )
w N (0, 1)
LOGISTICA
3.7. REGRESION
49
3.7.3.
Implementaci
on con R de un an
alisis de regresi
on logstica
Se puede usar glm para ajustar un modelo de regresion lineal con la opcion de family
por defecto (gaussiana), pero es menos eficiente que lm
LINEAL MULTIPLE
50CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
Formas en que se pueden introducir los datos
Los datos pueden darse de varios modos, seg
un se presente la informacion
relativa a los exitos y fracasos de la variable dependiente.
1. Un vector de valores que representan proporciones de exitos. N de
exitos yi entre el total (ni = exitos+f racasos). En este caso los totales
ni deben introducirse como el argumento weights.
2. Un vector de 0s y 1s (fracasos y exitos, respectivamente). En este caso
no hay que especificar el argumento weights.
3. Un vector con valores que representan a mas de dos niveles o categoras.
En este caso se trata como en el caso 2), anterior, asumiendo que el
nivel mas bajo representa el cero o fracaso y los otros el 1(exito).
4. Una matriz formada por dos columnas que representan los exitos y
fracasos. En este caso se asume que la primera columna contiene los
exitos (yi ) y la segunda los fracasos (ni yi ). Tampoco es necesario el
argumento weights.
Resultados del an
alisis
Coefficients, residuals, fitted.values
Representan los coeficientes, residuos, valores ajustados, respectivamente
Deviance valor que representa, salvo constante, menos dos veces el maximo del logaritmo de la funcion de verosimilitud. Por tanto sirve como indicador para bondad de ajuste, especialmente para comparar modelos.
AIC Criterio de Informaci
on de Akaike. Estadstico derivado tambien de la funcion de verosimilitud.
Nota: En ayuda de R puede encontrar otras funciones que permiten extraer informacion del modelo ajustado
LOGISTICA
3.7. REGRESION
3.7.4.
51
DATOS
La variable est
a definida como factor y explcitamente se declararon los niveles 1 y 2
como baja y alta, respectivamente
LINEAL MULTIPLE
52CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
Sexo
Hombre
Mujer
Hombre
Mujer
Hombre
Mujer
Hombre
Mujer
Hombre
Mujer
Hombre
Mujer
Hombre
Mujer
Hombre
Mujer
Hombre
Mujer
Hombre
Mujer
Hombre
Mujer
Hombre
Mujer
Hombre
Mujer
Hombre
Mujer
Hombre
Mujer
Hombre
Mujer
LOGISTICA
3.7. REGRESION
53
p
donde p = P (Y = 1) = P (T P 2011 = alta), y logit = ln 1p
>
summary(glm( TP2011~.,family=binomial,
data=Regm) )
Call:
glm(formula = TP2011 ~ ., family = binomial, data = Regm)
Deviance Residuals:
Min
1Q
Median
-1.68342 -0.00009 -0.00007
3Q
0.77459
Max
1.08414
Coefficients:
(Intercept)
SexoMujer
Edad>30
TP2005
on 31
on 28
degrees of freedom
degrees of freedom
3Q
Max
LINEAL MULTIPLE
54CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
-1.5900
-0.8914
-0.4587
0.8422
1.8680
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -3.42416
1.29258 -2.649 0.00807 **
TP2005
0.15687
0.06601
2.376 0.01748 *
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 41.183
Residual deviance: 33.900
AIC: 37.9
on 31
on 30
degrees of freedom
degrees of freedom
LOGISTICA
3.7. REGRESION
55
p = 0,974
La probabilidad esperada de una tasa alta en 2011 para un grupo que
en 2005 tiene una tasa de paro de 5 es igual a
p=
exp(3,424 + 0,157 5)
=
1 + exp(3,424 + 0,157 5)
p = 0,067
Odd(10 + 1
=
=
Odd(1)
p(10+1)
1p(10+1)
p(1)
1p(1)
3.7.5.
Ejemplo de regresi
on logstica con R
DATOS
En la tabla siguiente se tienen clasificados a varios grupos de personas
del conjunto nacional en funcion de Tasa de paro en 2005, Tasa de 2011,
6
Observe que hablamos de ventaja u odds (no probabilidad). Este concepto esta proximo al de riesgo, cuando la probabilidad de exito es muy baja. Por eso es frecuente que
se utilize esta terminologa cuando se manejan sucesos raros (de probabilidad proxima a
cero, tales como enfermedades raras)
LINEAL MULTIPLE
56CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
Nacionalidad y Edad del grupo. La tabla muestra los datos ya tabulados o
agrupados con las correspondientes frecuencias.
Variable dependiente: Tasa de par en 2011 (exito=tasa alta)
Variables independientes: Tasa de 2005, Nacionalidad y Edad del grupo (todas cualitativas)
Edad
<30
>30
<30
>30
<30
<30
>30
<30
<30
>30
<30
<30
>30
nacional
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Extranjero
Extranjero
Espa
nol
Extranjero
Extranjero
Espa
nol
Extranjero
Extranjero
X2005
baja
baja
baja
baja
alta
alta
alta
baja
baja
baja
alta
alta
alta
X2011 Freq
baja
10
baja
19
baja
5
baja
14
baja
3
baja
3
baja
2
alta
1
alta
5
alta
2
alta
5
alta
6
alta
1
La tabla siguiente muestra los mismos datos, pero estableciendo una columna de exitos y otra de totales (exitos mas fracasos que corresponden a las
categoras alta y baja de la variable tasa de 2011, respectivamente). A partir
de las cuales se deriva la columna de proporcion de exitos (tasas altas).
Edad
<30
>30
<30
>30
<30
<30
>30
nacional
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Extranjero
Extranjero
X2005
baja
baja
baja
baja
alta
alta
alta
LOGISTICA
3.7. REGRESION
57
3Q
0.6811
Max
2.1736
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept)
-1.6972
0.6233 -2.723 0.00647 **
Edad>30
-1.9922
0.7654 -2.603 0.00925 **
nacionalExtranjero
1.4261
0.6779
2.104 0.03540 *
X2005alta
1.6141
0.6594
2.448 0.01438 *
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 87.603
Residual deviance: 61.623
AIC: 69.623
on 75
on 72
degrees of freedom
degrees of freedom
LINEAL MULTIPLE
58CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
Call:
glm(formula = Prop ~ X2005 + Edad + nacional, family = binomial,
data = s, weights = Total)
Deviance Residuals:
1
2
-0.62708 -0.96835
3
0.42793
4
0.40356
5
0.82795
7
-0.88071
8
-0.03608
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept)
-1.6973
0.6233 -2.723 0.00647 **
X2005alta
1.6141
0.6594
2.448 0.01438 *
Edad>30
-1.9923
0.7654 -2.603 0.00925 **
nacionalExtranjero
1.4262
0.6779
2.104 0.03540 *
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 29.1211
Residual deviance: 3.1394
AIC: 25.083
on 6
on 3
degrees of freedom
degrees of freedom
[1,]
[2,]
[3,]
[4,]
[5,]
[6,]
[7,]
[,1] [,2]
1
10
0
19
5
5
2
14
5
3
6
3
1
2
LOGISTICA
3.7. REGRESION
59
Call:
glm(formula = m ~ X2005 + Edad + nacional, family = binomial,
data = s)
Deviance Residuals:
1
2
-0.62704 -0.96841
3
0.42798
4
0.40351
5
0.82797
7
-0.88080
8
-0.03594
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept)
-1.6972
0.6233 -2.723 0.00647 **
X2005alta
1.6141
0.6594
2.448 0.01438 *
Edad>30
-1.9922
0.7654 -2.603 0.00925 **
nacionalExtranjero
1.4261
0.6779
2.104 0.03540 *
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 29.1199
Residual deviance: 3.1396
AIC: 25.083
on 6
on 3
degrees of freedom
degrees of freedom
LINEAL MULTIPLE
60CAPITULO 3. REGRESION
Y CON VARIABLES CUALITATIVAS
grupo de tasa alta con otro de tasa baja en 2005, es igual a e1,614 = 5,02.
La ventaja de la respuesta (tasa alta de paro en 2011) es 5 veces mayor
para el colectivo que presenta una tasa alta en 2005 que para el que
presenta una tasa baja en 2005.
2. El coeficiente de F Edad>30 , 1,992, es el cambio esperado en el logit
cuando se pasa de un grupo de edad de menos de 30 a
nos a otro de
mas de 30, supuestas estables el resto de las variables.
Equivalentemente, podemos decir que la razon de odds, que compara
un grupo de mas de 30 a
nos con otro de menos de 30, es igual a e1,992 =
0,14.
La ventaja de la respuesta (tasa alta de paro en 2011) es un 86 %
inferior para el colectivo mayor de 30 a
nos que para el de menos de
30. En terminos comparativos inversos, podemos decir que la razon de
Odds del grupo de menos de 30 a
nos respecto al de mas de 30 es igual
1,992
ae
= 7,33.
3. El coeficiente de F nacioExtranj , 1,426, es el cambio esperado en el logit cuando se pasa de un grupo de nacionalidad espa
nola a otro de
nacionalidad extranjera, supuestas estables el resto de las variables.
Equivalentemente, podemos decir que la razon de odds, que compara un grupo extranjero con otro de nacionalidad espa
nola, es igual a
1,426
e
= 4,16.
La ventaja de la respuesta (tasa alta de paro en 2011) es mas de 4 veces
mayor para el colectivo extranjero que para el espa
nol.
Calculo de probabilidades con el modelo ajustado
La probabilidad de tasa alta en 2011 para un grupo mayor de 30 a
nos,
espa
nol y con tasa alta en 2005 se obtiene sustituyendo los valores de las
variables (ficticias) en la ecuacion del modelo ajustado, mediante:
logit = 1,697 + 1,614 1,992 = 2,075
y la probabilidad es
elogit
e2,075
=
= 0,112
1 + elogit
1 + e2,075
La funcion R predict() permite determinar las probabilidad ajustadas.
p=
LOGISTICA
3.7. REGRESION
61
Podemos obtener los valores ajustados automaticamente con R (en terminos de logit o de probabilidades) para un data.frame especificado como
nuevos datos o para los utilizados en el ajuste.
Los valores de las variables no pueden cambiar sus nombres. Deben ser
los mismos que los utilizados en el ajuste.
Las probabilidades ajustadas a las distintas combinaciones de niveles de
los datos usados son
Edad
<30
>30
<30
>30
<30
>30
<30
>30
nacional
Espa
nol
Espa
nol
Extranjero
Extranjero
Espa
nol
Espa
nol
Extranjero
Extranjero
X2005
baja
baja
baja
baja
alta
alta
alta
alta
prob
0.155
0.024
0.433
0.094
0.479
0.112
0.793
0.343