Ir al contenido
σestadistica.ar

Módulo 13

Regresión y modelos

Modelar una variable en función de otras: lineal simple, múltiple y logística.

22 entradas · 2 troncales

  1. 1El modelo de regresión lineal simpleTroncalDe la recta descriptiva al modelo estadístico: qué agrega el término de error y qué se puede inferir a partir de él.
  2. 2Supuestos del modelo linealTroncalLos cinco supuestos, cuánto importa cada uno, en qué orden verificarlos y qué hacer cuando fallan.
  3. 3Pruebas e intervalos para los coeficientesIntermedioCómo se decide si una variable aporta al modelo: la prueba t de cada coeficiente, el F global y sus intervalos de confianza.
  4. 4Intervalo de confianza e intervalo de predicciónIntermedioDos intervalos que se confunden todo el tiempo: uno para la media condicional y otro para un individuo, con anchos muy distintos.
  5. 5Diagnóstico de residuosIntermedioLos cuatro gráficos que hay que mirar después de ajustar cualquier modelo, y qué patrón indica cada problema.
  6. 6HeterocedasticidadAvanzadoCuando la varianza del error no es constante: qué rompe exactamente, cómo se detecta y por qué los errores robustos son la respuesta moderna.
  7. 7Regresión lineal múltipleIntermedioVarias predictoras a la vez: qué significa 'controlar por', cuánto aporta cada variable y los problemas que aparecen al agregarlas.
  8. 8Cómo se interpreta un coeficiente parcialIntermedioLa frase exacta con la que se lee un coeficiente de regresión múltiple, y las cinco maneras de leerla mal.
  9. 9Variables dummyIntermedioCómo entran las variables categóricas en un modelo: la categoría de referencia, la trampa de las dummy y cómo se leen los coeficientes.
  10. 10Interacciones en regresiónAvanzadoCuando el efecto de una variable depende de otra: cómo se especifica, cómo cambia la lectura de los demás coeficientes y por qué centrar ayuda.
  11. 11MulticolinealidadAvanzadoCuando las predictoras se solapan entre sí: qué rompe, cómo se mide con el VIF y por qué muchas veces no hay que hacer nada.
  12. 12Selección de variablesAvanzadoCómo se decide qué entra en el modelo, por qué los métodos automáticos tienen mala prensa y qué hacer en su lugar.
  13. 13R² ajustado, AIC y BICAvanzadoPor qué el R² no sirve para comparar modelos y qué usar en su lugar, con la demostración empírica de agregar ruido puro.
  14. 14Observaciones influyentes y distancia de CookAvanzadoTres conceptos que se confunden —atípico, leverage e influencia— y qué hacer con el caso que mueve el modelo entero.
  15. 15Sobreajuste y validaciónAvanzadoCuando el modelo aprende el ruido de la muestra: cómo se detecta, cómo se mide la capacidad predictiva real y por qué el R² no alcanza.
  16. 16Regresión penalizada: ridge, lasso y elastic netAvanzadoEstimar y seleccionar a la vez encogiendo los coeficientes: qué hace cada penalización, cómo se elige lambda y cuándo le gana al stepwise.
  17. 17Regresión logísticaIntermedioEl modelo para variables de respuesta binaria: por qué no sirve la regresión lineal, qué es el logit y cómo se evalúa el ajuste.
  18. 18Cómo se interpreta un odds ratioIntermedioLa frase correcta para leer un OR ajustado, por qué no es un riesgo relativo y cómo convertirlo en algo que se entienda.
  19. 19Regresión ordinal y multinomialAvanzadoModelar una respuesta de varias categorías: odds proporcionales, cómo se verifica el supuesto y cuándo conviene el multinomial.
  20. 20Regresión de PoissonAvanzadoEl modelo para conteos: coeficientes multiplicativos, el término de exposición y la sobredispersión que casi siempre aparece.
  21. 21Introducción a los modelos lineales generalizadosAvanzadoEl marco que unifica la regresión lineal, la logística y la de Poisson: tres piezas y una tabla que ordena todo el módulo.
  22. 22Modelos mixtos y datos anidadosAvanzadoQué hacer cuando las observaciones están agrupadas: efectos aleatorios, correlación intraclase y por qué ignorar la estructura produce falsos positivos.

Ejercicios de este módulo

Con enunciado, respuesta y solución paso a paso.