Please enable JavaScript.

Coggle requires JavaScript to display documents.

Regresion lineal (Estadísticos (\[ R^2 = \frac{SCE}{SCT} = 1 -…

- - - - Marca la bondad del modelo
        Mejor cuanto más alto (>0.70 deseable)
  - - - Contraste de significación individual
      - summary(cars.lm)$coefficients[,3]
        
        t-values
        mayor que 1.96
      - summary(cars.lm)$coefficients[,4]
        
        p-values
        menores que 0.05
    - - Contraste de significación global (F)
        Understanding analysis of Variance (Anova)
        and the F-Test
      - summary(cars.lm)$fstatistic
        
        Mejor cuanto más alto
  - - - Mejor cuanto más alto
  - - - Si existe correlación entre las variables
        p-valor < 0.05
- - - - qqnorm(cars.lm$residuals)
        qqline(cars.lm$residuals)
        boxplot(cars.lm$residuals)
        plot(cars.lm$residuals) , abline(0,0)
        
        de los residuos!!
        Combinar con par() o layout()
- - - - mtcars.lm <- lm(mpg ~ wt+hp, data =mtcars)
    - - forward
        
        library (leaps)
        regfit.fwd = regsubsets(mpg~., data=mtcars, method="forward")
        plot(regfit.fwd, scale = 'r2')
      - backward
      - stepwise
    - - newdatos = data.frame(wt=3, hp=120)
        predict(mtcars.lm, newdatos, interval = "prediction", type="response")
    - - homocedasticidad
        
        contraste de White
        
        test
        Breusch-Pagan
        
        library(lmtest)
        m <- lm (mpg ~ hp+wt, data = mtcars)
        bptest(m, ~ hp*wt + I(hp^2)m data = mtcars)
        
        contraste White
        redes neuronales
      - normalidad
      - autocorrelación
        
        contraste de Durbin-Watson
        
        library(lmtest)
        dwtest(y~x data = z)
        
        valores entre 0 y 4; valores cercanos a 2, indican ausencia de autocorrelación de primer orden
        
        contraste de Breush-Godfrey
        
        library(lmtest)
        bgtest(y~x, order = 3, data = z)
    - - summary(mtcars.lm)
  - - - Homocedasticidad
        
        test de White
        
        Redes neuronales
        
        library(tseries)
        white.test(x,y)
      - Normalidad
      - autocorrelación
        
        contraste de Durbin-Watson
        
        library(lmtest)
        dwtest(y~x data = z)
        
        valores entre 0 y 4; valores cercanos a 2, indican ausencia de autocorrelación de primer orden
        
        contraste de Breush-Godfrey
        
        library(lmtest)
        bgtest(y~x, order = 3, data = z)
    - - cars.lm <- lm (dist ~ cars, data = cars)
    - - coef(cars.lm)
    - - summary(cars.lm)
    - - plot(dist ~ speed, data = cars)
        abline(coef(cars.lm))
    - - parametros
        
        confint(cars.lm, level=0.95)
      - nuevas observaciones
        
        predict(cars.lm, newdata = vel, interval = c("prediction"), level = 0.95)
      - variable independiente
        
        vel <- data.frame(speed = c(5,15))
        predict(cars.lm, newdata = vel, interval = c("confidence"), level = 0.95)