Escolar Documentos
Profissional Documentos
Cultura Documentos
DE
OVIEDO
1201B
U N I O V I C E
Han colaborado en la elaboracin de este material docente: Susana Montes Rodrguez, Ignacio Montes , Pelayo Izquierdo Garca, Tania Iglesias Cabo, Patricia Daz Daz.
http://uce.uniovi.es c/ Luis Moya 261- 33203 Gijn- Spain Tel. 985 182061 email: uce@uniovi.es
Se concede permiso para copiar, distribuir o modicar este documento bajo los trminos de la Licencia de Documentacin Libre de GNU, versin 1.3 o cualquier otra versin posterior publicada por la Free Software Foundation; sin Secciones Invariantes ni Textos de Portada ni Textos de Contraportada.
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
3. Contrastes de hiptesis 3.1. Introduccin . . . . . . . . . . . . . . . 3.2. Tests para el promedio . . . . . . . . . 3.3. Comparacin de dos promedios . . . . 3.4. Comparacin de dos varianzas . . . . . 3.5. Test para la proporcin . . . . . . . . . 3.6. Comparacin de dos proporciones . . . 3.7. Relaciones entre variables . . . . . . . 3.8. Comparacin de ms de dos promedios 4. Regresin lineal 4.1. Modelizacin estadstica . . . . . 4.2. Modelo de regresin lineal simple 4.3. Transformaciones de variables . . 4.4. Regresin lineal mltiple . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
5. Anlisis de la varianza 5.1. Experimentos factoriales. Contrastes ortogonales y no ortogonales . . . . . . . . . . 5.2. Modelo lineal con un factor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3. Interacciones entre factores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6. Anlisis de la covarianza 6.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2. El consumo de energa segn la produccin de TBC y la lnea. 6.3. Variables indicadoras . . . . . . . . . . . . . . . . . . . . . . . 6.4. Modelo completo . . . . . . . . . . . . . . . . . . . . . . . . . 7. Redaccin de un artculo 8. Ejercicios
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
A. Bases de datos 105 A.1. Produccin de acero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 A.2. Consumo de alcohol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Antes de profundizar en el conocimiento de la Estadstica, es til empezar motivndose mediante una interfaz que nos facilite la realizacin de las tareas, al menos de las ms sencillas. Para ello, R-Commander presenta una interfaz que, adems de permitirnos interactuar con R para realizar anlisis estadsticos bsicos, presenta el cdigo en lenguaje R que corresponde a las acciones solicitadas. Es posible que, para muchos de los alumnos del curso, R-Commander sea una herramienta suciente para todos los anlisis estadsticos que necesiten abordar. Quienes encuentren R-Commander insuciente, una vez superado el respeto inicial hacia R, podrn manejarse directamente con la consola de R, creando y editando las instrucciones, lo que puede resultar ms engorroso, pero al mismo tiempo permite un control total sobre los procedimientos que en cada momento se van a aplicar. Segn la version de R y R-Commander que se eligi instalar, hay distintas formas de lanzar RCommander. Si instal R-UCA o R-commander, abriendo Rterm automticamente se inicia tambin el R-Commander. Si instal directamente R, o bien R-Excel, siga las instrucciones que se indican a continuacin. Desde la consola de R, seleccione Paquetes y despus Cargar paquete..., tal como se muestra en la gura 1.
Figura 1: Cargar paquetes en R Se visualizar una lista de paquetes; baje hasta encontrar Rcmdr y seleccinelo. Se inicia la ventana del R-Commander. Este interface consta de las siguientes partes: barra de mens, barra de elementos activos (conjuntos de datos y modelos), rea de instrucciones, rea de resultados y rea de mensajes (Fig. 2).
Figura 2: R-Commander
Figura 4: Cargar datos El programa R y el paquete R-Commander no slo permiten crear y trabajar sobre datos con formato nativo, sino que importan cheros provenientes de otros programas: texto puro (en chero, portapapeles o direccin URL), SPSS, Minitab, STATA, Excel y Access.
Conceptos bsicos
Anlisis descriptivo
La estadstica descriptiva es la parte de la Estadstica que se dedica a resumir los datos. Este anlisis fundamenta todo estudio desde el inicio. Las primeras conclusiones obtenidas tras el anlisis descriptivo proporcionan un poder de inferencia mnimo, pero facilitan la utilizacin de tcnicas ms avanzadas (inferencia, contrastes). Una vez depurados los posibles errores de los datos, sintetizamos la informacin mediante tablas, grcos y medidas descriptivas. Las variables estadsticas se clasican en tres categoras: nominales, ordinales y numricas. Las variables nominales clasican segn modalidades, atributos o niveles, como por ejemplo el estado civil, grupo sanguneo, etc. Las variables ordinales corresponden a otro caso particular de variables no numricas y ocurre cuando existe una relacin de orden entre los atributos, como por ejemplo, nivel de estudios (primarios, secundarios, superiores), capacitacin laboral (baja, media, alta), etc. Las variables numricas cuantican alguna magnitud: velocidad, edad, tiempo, etc. Las dos primeras se integrarn en las llamadas caractersticas cualitativas (factores), mientras que el tercer tipo corresponde a caractersticas cuantitativas (numricas). Dentro de las cuantitativas tambin se pueden hacer dos grupos: discretas y continuas. Una variable discreta es aquella que entre dos valores posibles de la variable, siempre existe uno que no puede ser un valor posible de la variable. Por ejemplo, el nmero de hijos de una familia, puesto que pueden ser 3 o 4, pero no pueden ser 3 5. Otros ejemplos de variables discretas son el nmero de cilindros de un coche, el nmero de averas en una hora, etc. Por otro lado, se dice que una variable numrica es continua si entre cualesquiera dos valores posibles de la variable, siempre existe un valor posible. Una variable continua sera la estatura de una persona, puesto que al poder ser 1 70 1 75 metros, en potencia al menos podra tomar cualquier valor intermedio como 1 73 metros, por ejemplo. Longitudes, pesos, temperaturas, etc. son otros ejemplos de variables continuas. Una vez identicadas, recopiladas y organizadas, las variables se tratarn combinando medidas estadsticas con representaciones grcas. Conviene seleccionar y mostrar, en cada caso, aquellas que aportan informacin relevante (cuadro 1). Cuadro 1: Principales estadsticos de resumen. Tipo de Variable Cualitativa-nominal (sexo, raza,. . . ) Cualitativa-ordinal (nivel de estudios,. . . ) Cuantitativa-discreta (N dias, N errores) Cuantitativa-continua (peso, consumo,. . . )
+
Medidas posicin Moda Porcentajes Mediana Percentiles Media Percentiles Media Percentiles
Medidas dispersin
Grcos ms habituales Diagrama de barras Diagrama de sectores+ Diagrama de barras Diagrama de sectores+
No se recomienda.
2.2.
Variable cualitativa-nominal
Dentro de la base de datos acero aparece la variable averias, que consta de dos modalidades (S, No). Por lo tanto, es evidente que es de naturaleza cualitativa y nominal. Ejemplo 2.1. Obtenga la moda y los porcentajes de la variable averias.
y y
> Tabla <- table(acero$averias) > Tabla No S 89 28 > 100 * Tabla/sum(Tabla) No S 76.06838 23.93162
As, se ha obtenido el nmero de casos de cada modalidad y el porcentaje que representan dentro de la muestra. La moda es el dato que ms se repite; en este caso, la modalidad No. Ejemplo 2.2. Obtenga el grco de barras de la variable averias. Solucin: Los grcos de barras se obtienen con la opcin del men Grficas. En particular,
Con esto se obtendra el grco de barras correspondiente. Para modicar las etiquetas de los ejes, se podran cambiar los nombres que aparecen en la ventana de instrucciones como sigue:
2.3.
Cuantitativa-discreta
Como ejemplo de una variable cuantitativa discreta disponemos en la base de datos de la variable naverias. Tal como se coment en el Cuadro 1, para esta variable interesa obtener su media, su desviacin tpica y algunos de sus percentiles. Ejemplo 2.3. Calcule la media, desviacin tpica y percentiles de la variable naverias. Solucin: Estos valores se obtienen de la siguiente forma:
> numSummary(acero[,"naverias"], statistics=c("mean", "sd", "quantiles"), + quantiles=c(0,.25,.5,.75,1)) mean sd 0% 25% 50% 75% 100% n 0'6752137 1.292078 0 0 0 0 4 117
Los resultados nos indican que la media es de aproximadamente 0 675 averas por hora, con una desviacin tpica de 1 292. El nmero de averas vara desde 0 hasta 4, y al menos el 75 % de la observaciones no presentaron averas. En total disponemos de 117 observaciones. Ejemplo 2.4. Obtenga el grco de barras de la variable naverias.
y y
Seleccionar la variable naverias Utilizar nmeros Escribir un nombre para la nueva variable Aceptar
y y
2.4.
Cuantitativa-continua
Dentro de la base de datos acero escogemos la variable consumo como ejemplo de variable cuantitativa continua. Para las variables continuas, tal como vimos en el Cuadro 1, los descriptivos que nos interesa obtener son la media, la desviacin tpica y los percentiles (en particular los cuartiles). Ejemplo 2.5. Calcule los principales estadsticos descriptivos de la variable consumo.
> numSummary(acero[,"consumo"], statistics = c("mean", "sd", "quantiles"), + quantiles=c(0,.25,.5,.75,1)) mean sd 0% 25% 50% 75% 100% n 139.4565 55.18525 17.5 99.09 140'07 182.48 290'72 117
Con esta informacin podemos concluir que el consumo medio se sita en torno a 139 46 Megavatios/hora, con una desviacin tpica de 55 19 Mg./hora. El consumo mnimo desciende hasta 17 5 y el mximo asciende hasta 290 72. El 25 % de los casos analizados consumen 99 09 megavatios o menos, el 50 % menos de 140 07 y un 25 % consume ms de 182 48.
Ejemplo 2.6. Obtenga el histograma y el diagrama de cajas de la variable consumo. Solucin: Vamos a realizar este ejemplo en dos etapas: 1. Para representar el histograma, seguimos los pasos que se detallan a continuacin:
Grcas Histograma. . .
10
yAceptar
A partir de dicho diagrama se observa, por ejemplo, que no existen datos atpicos para la variable (consumo) en esta muestra.
11
Contrastes de hiptesis
Introduccin
Los mtodos descriptivos proporcionan una idea de cmo es la muestra. Para obtener conclusiones relativas a la poblacin necesitamos utilizar tcnicas de inferencia estadstica. Dentro de stas la ms habitual es el contraste de hiptesis. Una hiptesis es una armacin sobre las caractersticas estadsticas de un proceso, por lo que se puede considerar una hiptesis como una conjetura. Por ejemplo: si un tcnico observa el consumo de energa durante varias horas, sabr el consumo medio de las horas que observ. Con la ayuda de la inferencia, puede avanzar un paso ms y conjeturar que el consumo medio de todas las horas de trabajo en esa fbrica es de 120. El proceso cientco consiste entonces en probar su hiptesis contra una hiptesis alternativa: Hiptesis nula Hiptesis alternativa
H0 : H1 :
= =
120 120
Un test consiste en un procedimiento estadstico para determinar la validez de una hiptesis (la hiptesis nula). Si los datos de la muestra resultan poco crebles de obtenerse en caso de ser cierta dicha hiptesis, nuestra razn nos obligar a rechazarla. En caso contrario, no hay base suciente para rechazarla. La aceptacin de la hiptesis nula es muy difcil si slo se usan procedimientos estadsticos. Sin embargo, desde el punto de vista prctico, el no rechazo de una hiptesis nos llevar a concluir que no hay evidencias signicativas en contra de dicha hiptesis y, por tanto, que puede considerarse admisible. La forma habitual de presentar los resultados de un test de hiptesis es a travs del p-valor o nivel crtico. Simplemente con este nmero se puede concluir si la hiptesis nula es o no rechazada a un nivel de signicacin (). El p-valor es el nivel de signicacin menor que llevara al rechazo de la hiptesis nula H0 . Una vez que se conoce el p-valor, el responsable de tomar las decisiones puede determinar por s mismo en qu medida son signicativos los datos sin que se le imponga formalmente un nivel de signicacin predeterminado. Una vez conocido el valor del p-valor y jado el nivel de signicacin del contraste, la decisin a tomar se obtiene comparando ambos valores, tal como puede verse en el cuadro 2.
Cuadro 2: Regla de decisin. REGLA DE DECISIN P-valor < = Rechazo H0 P-valor = No rechazo H0 Generalmente se considera = 0 05.
La decisin es el ltimo paso de un contraste de hiptesis. Un esquema de todo el proceso asociado a un contraste puede verse en la gura 5. En dicho esquema se pone de maniesto el hecho de que los niveles de signicacin habituales son siempre menores de 0 1, destacando los valores 0 1, 0 05 y 0 01. De entre todos ellos, el nivel 0 05 predomina con claridad. Como ejemplos de test de hiptesis, vamos a considerar algunos de los ms habituales en la prctica. stos aparecen descritos a continuacin, junto con un ejemplo de pregunta que sera contestada mediante dicho test. Promedio de una poblacin: El consumo medio es menor de 140? Comparacin de promedios: El consumo medio es mayor cuando hubo averas? Proporcin poblacional: El porcentaje de horas con averas es mayor del 10 %?
12
Comparacin de proporciones: El porcentaje de horas con averas es mayor cuando estaba encendido el sistema que cuando no? Desviacin tpica: La variabilidad del consumo es menor de 50? Comparacin de desviaciones tpicas: La variabilidad del consumo es la misma durante las horas que hubo averas y durante las que no? Ejemplos de la mayora de los contrastes anteriores sern analizados en detalle en las Secciones 3.2 a 3.6.
3.2.
Para realizar un test cualquiera debemos considerar las siguientes etapas: seleccionar el contraste adecuado en el caso en estudio, establecer quines son H0 y H1 en ese contraste e interpretar el p-valor. En un test sobre el valor promedio de la poblacin, debemos tener en cuenta si los datos siguen aproximadamente una distribucin normal o no, as como el tamao de la muestra, y segn sea el resultado, decidir qu contraste realizamos (cuadro 3).
Si la muestra dispone de un suciente nmero de datos (habitualmente se exige que tenga al menos 30), se puede utilizar el test t para una muestra para realizar contrastes acerca de la media de la poblacin. En caso contrario, es necesario que se pueda admitir la normalidad de los datos para realizar dicho test. Si no fuera normal, se utilizara el test de Wilcoxon para una muestra. En los contrastes de normalidad de los datos utilizaremos del test de Shapiro-Wilk. Para este test las hiptesis a contrastar son: TEST DE BONDAD DE AJUSTE A LA NORMAL H0 : los datos provienen de una poblacin normal H1 : los datos NO provienen de una poblacin normal
13
En nuestro ejemplo, si queremos analizar el valor promedio de la variable consumo, al tener 117 datos ya podemos utilizar directamente el test t para una muestra. As pues, estamos en condiciones de realizar un contraste para la media, comparndola con el valor 120. El test adecuado en este caso es el test t para una muestra, cuyas hiptesis a contrastar (H0 y H1 ) pueden ser de tres tipos:
H0 : = 120 H1 : = 120
Ejemplo 3.1. Es el consumo medio igual a 120? Solucin: En este caso se tiene:
H0 : H1 :
> t.test(acero$consumo, mu = 120, conf.level = 0.95) One Sample t-test data: acero$consumo t = 3.8136, df = 116, p-value = 0.0002210 alternative hypothesis: true mean is not equal to 120 95 percent confidence interval: 129.3516 149.5614 sample estimates: mean of x 139.4565
Puesto que la adaptacin de la regla de decisin a este test en particular sera: P-valor < = Rechazo H0 (consumo medio = 120) P-valor = No rechazo H0 (consumo medio = 120) Generalmente se considera = 0 05.
14
H0 : H1 :
el consumo medio es mayor o igual que 140 el consumo medio es menor de 140
y y
Seleccionar la variable consumo Ponemos 140 en la hiptesis nula Marcar Media poblacional < mu0 Aceptar
y y
> t.test(acero$consumo, alternative = "less", mu = 140, conf.level = 0.95) One Sample t-test data: acero$consumo t = -0.1065, df = 116, p-value = 0.4577 alternative hypothesis: true mean is less than 140 95 percent confidence interval: -Inf 147.9159 sample estimates: mean of x 139.4565
Como el p-valor (0 4577) supera los valores habituales de , no se rechaza la hiptesis nula, por lo que podemos concluir que estos datos no aportan evidencias sucientes de que la media sea menor de 140. Vamos por ltimo a analizar el caso de una variable en la que no se den las condiciones para aplicar el test t para una muestra. Ejemplo 3.3. Durante los das que hubo averas, la produccin promedio de galvanizado 1 se sita en menos de 400 toneladas?
15
As, disponemos de un nuevo conjunto de datos activado, solamente con los datos relativos a las horas en las que hubo avera. Como son 28 datos, tal como vimos en el ejemplo 2.1, no podemos aplicar sin ms el test t para la media y debemos comprobar si se cumple la hiptesis de normalidad. Realizaremos pues el test de normalidad a la variable pr.galv1.
yAceptar
Seleccionar pr.galv1
> shapiro.test(acero2$pr.galv1) Shapiro-Wilk normality test data: acero2$pr.galv1 W = 0.8805, p-value = 0.004117
Como el p-valor (0 004118) es menor que = 0 05, se rechaza la hiptesis nula, por lo tanto no hay normalidad.
16
H0 : M e 400 (la produccin promedio es alta) H1 : M e < 400 (la produccin promedio es baja)
Para realizar este test escribimos en la ventana de instrucciones lo que sigue:
wilcox.test(acero2$PR.GALV1,alternative="less",mu=400)
y pinchamos en Ejecutar.
> wilcox.test(acero2$pr.galv1, alternative = "less", mu = 400) Wilcoxon signed rank test with continuity correction data: acero2$pr.galv1 V = 277, p-value = 0.9552 alternative hypothesis: true location is less than 400
Como el p-valor (0 9552) es mayor que el nivel de signicacin , no se rechaza la hiptesis nula, por lo tanto podemos suponer que la produccin es alta, es decir mayor o igual de 400.
3.3.
La comparacin de dos promedios consiste en comprobar si el promedio de una variable vara segn determinadas caractersticas. Dependiendo de la situacin existen diversas posibilidades de contrastes. El cuadro 4 recoge los principales tests aplicados habitualmente. Ejemplo 3.4. Se puede armar que cuando se producen averas el consumo de energa se incrementa?
17
Independientes?
Tipo de test
S No S No
Test t para muestras independientes Test t para datos relacionados Test de Wilcoxon para dos muestras Test de Wilcoxon para muestras pareadas
Solucin: Lo primero de todo ser volver a activar la base de datos acero. Para ello, pinchamos a la derecha de Conjunto de datos:, en el botn que pone acero2 y seleccionamos de nuevo la base de datos acero. Una vez hecho esto, vamos a vericar la normalidad del consumo para cada uno de las dos situaciones (cuando haya averas y cuando no) mediante el test de Shapiro-Wilk. Para esto ponemos en la lnea de comandos:
Figura 7: Normalidad del consumo segn las averas Los resultados de ejecutar ambas lneas de comando son:
> shapiro.test(subset(acero, subset = averias == "No")$consumo) Shapiro-Wilk normality test data: subset(acero, subset = averias == "No")$consumo W = 0.9869, p-value = 0.5137 > shapiro.test(subset(acero, subset = averias == "S")$consumo) Shapiro-Wilk normality test data: subset(acero, subset = averias == "S")$consumo W = 0.9644, p-value = 0.4408
Los p-valores correspondientes superan el nivel , por lo que podemos considerar normalidad en ambos casos. Por la naturaleza del problema, es evidente que se puede trabajar con la hiptesis de que las poblaciones son independientes, con lo cual estamos en condiciones de aplicar el test t para muestras independientes. Ahora bien, a la hora de realizar dicho test es necesario especicar si se supone que las varianzas son iguales o no, puesto que el estadstico utilizado al obtener el p-valor y, por tanto, el valor de dicho p-valor, diere segn la opcin elegida. En la seccin 3.4 se puede ver cmo contrastar la igualdad de varianzas. El contraste para este ejemplo en particular est realizado en el Ejemplo 3.6, donde se obtiene que no hay evidencias en contra de suponer que las varianzas de ambas poblaciones sean iguales. En estas circunstancias, aplicamos el test t para muestras independientes, suponiendo las varianzas iguales.
18
H0 : 1 = 2 H1 : 1 = 2
H0 : 1 2 H1 : 1 < 2
H0 : 1 2 H1 : 1 > 2
Ahora bien, antes de nada debemos tener claro a quien asigna R como primera clase (clase 1 con media 1 ) y como segunda clase (clase 2 con media 2 ). Por defecto, el programa considera el orden alfabtico, es decir, si como en este caso las clases son No y S, la primera clase corresponde al no (sin averas y la segunda al s (con avera). Que consuma ms con avera se traducira por lo tanto en 2 > 1 , por lo que para este ejemplo vamos a considerar el contraste:
H0 : 1 2 (consumo menor o igual con avera) H1 : 1 < 2 (consumo mayor con avera)
y para calcularlo procedemos de la siguiente forma:
Seleccionar
las variables averias consumo Marcar: Diferencias < 0 Marcar: Varianzas iguales Aceptar
y y
> t.test(consumo ~ averias, alternative = "less", conf.level = 0.95, + var.equal = TRUE, data = acero) Two Sample t-test data: consumo by averias t = -0.9423, df = 115, p-value = 0.174 alternative hypothesis: true difference in means is less than 0 95 percent confidence interval: -Inf 8.564113 sample estimates: mean in group No mean in group S 136.7585 148.0321
Como el p-valor (0 174) es mayor que el nivel de signicacin , no se rechaza la hiptesis nula. As pues, los datos no aportan evidencias de que el consumo promedio sea mayor cuando haya avera.
19
Sera este el caso, por ejemplo, si comparamos la resistencia de una pieza antes y despus de aplicarle un procedimiento en el horno, el nivel de glbulos rojos de una persona antes y despus de recibir un determinado tratamiento o la produccin de galvanizado tipo 1 y la produccin de galvanizado tipo 2. Cuando las poblaciones no son normales y no tienen suciente nmero de datos (habitualmente se suele exigir al menos 30) se realiza el test de Wilcoxon para dos muestras si las poblaciones son independientes, o el test de Wilcoxon para muestras pareadas si tal independencia no es supuesta. Realicemos unos ejemplos para aclarar tales situaciones. Ejemplo 3.5. Estudie el comportamiento de la produccin de galvanizado 1 en funcin de las averas. Solucin: Aunque ya sabemos que no podemos asegurar que la produccin de galvanizado 1 siga una distribucin normal, vamos a actuar como si an no conocisemos dicha informacin. As, determinamos el tipo de test ms apropiado. Para ello aplicamos el test de normalidad de Shapiro-Wilk a ambas poblaciones:
Figura 8: Test Shapiro de galvanizado por averias y los resultados de los mismos se detallan a continuacin:
Shapiro-Wilk normality test data: subset(acero, subset = averias == "No")$pr.galv1 W = 0.8563, p-value = 8.081e-08 > shapiro.test(subset(acero, subset = averias == "S")$pr.galv1)
Shapiro-Wilk normality test data: subset(acero, subset = averias == "S")$pr.galv1 W = 0.8805, p-value = 0.004117
20
H0 : M e1 M e2 (produccin menor o igual con avera) H1 : M e1 < M e2 (produccin mayor con avera)
aunque de nuevo se podra considerar de la misma forma la alternativa de mayor (>) o de distinto (=), tal como ocurra con el test t de igualdad de medias. Para realizar el test seguimos los siguientes pasos:
> tapply(acero$consumo, acero$averias, median, na.rm = TRUE) No S 136.05 148.56 > wilcox.test(consumo ~ averias, alternative = "less", data = acero) Wilcoxon rank sum test with continuity correction data: consumo by averias W = 1088.5, p-value = 0.1579 alternative hypothesis: true location shift is less than 0
Como el p-valor (0 1579) es mayor que el nivel de signicacin considerado (), no se rechaza la hiptesis nula y, por tanto, no podemos concluir que la produccin de galvanizado 1 sea mayor cuando haya averas. En el caso de que las muestras no fueran independientes se tendra que haber elegido, si no se supone normalidad, el test de Wilcoxon para muestras pareadas. Dicho test se realiza eligiendo la siguiente opcin del men:
21
y
3.4.
Como ya comentamos, un paso previo al contraste t de igualdad de medias es determinar la igualdad de varianzas, lo cual supone la realizacin de un test previo de igualdad de varianzas. Para este contraste de hiptesis vamos a considerar dos tipos de test, segn la naturaleza de los datos, tal como se detalla en el cuadro 5
En nuestro ejemplo comparamos el consumo con o sin averas y ya habamos visto que se podan suponer ambas poblaciones normales. Por lo que realizaremos el test F para dos varianzas. Quines son H0 y H1 en ese contraste? Los distintos tipos de contrastes de hiptesis para dos varianzas, segn la hiptesis alternativa considerada, son:
2 2 H0 : 1 = 2 2 2 H1 : 1 = 2 two.sided 2 2 H0 : 1 2 2 2 H1 : 1 < 2 less 2 2 H0 : 1 2 2 2 H1 : 1 > 2 greater
En el contraste de igualdad de medias, la comprobacin previa consiste precisamente en el primero de estos tres contrastes. Vamos a ver como se realiza mediante el siguiente ejemplo. Ejemplo 3.6. Son iguales las varianzas del consumo con o sin averas? Solucin: Las hiptesis para el test son las siguientes.
Los pasos a seguir para obtener el p-valor asociado a dicho contraste son:
y
22
> tapply(acero$consumo, acero$averias, var, na.rm = TRUE) No S 3123.748 2802.630 > var.test(consumo ~ averias, alternative = "two.sided", conf.level = 0.95, + data = acero)
F test to compare two variances data: consumo by averias F = 1.1146, num df = 88, denom df = 27, p-value = 0.7731 alternative hypothesis: true ratio of variances is not equal to 1 95 percent confidence interval: 0.5696427 1.9686748 sample estimates: ratio of variances 1.114577
Como el p-valor (0 7731) es mayor que el nivel de signicacin , no se rechaza la hiptesis nula y, por tanto, podemos suponer que no existen diferencias signicativas entre las varianzas del consumo con o sin avera (tienen la misma varianza). Como ya hemos comentado, si quisisemos comparar la varianza de dos poblaciones que no suponemos normales, se debera realizar el test de Levene. Vamos a ver su funcionamiento mediante un ejemplo. Ejemplo 3.7. Es homocedstica la produccin de galvanizado 1 (pr.galv1) segn las averas? Solucin: Para la variable pr.galv1 sabamos que los datos se comportan sin normalidad. En este caso se realiza el test de Levene. Las hiptesis del test son:
2 2 = 2 (varianzas iguales) H0 : 1 2 2 H1 : 1 = 2 (varianzas distintas)
23
yAceptar
No 114634.30
S 91694.27
Levene's Test for Homogeneity of Variance Df F value Pr(>F) group 1 4.1293 0.04445 * 115 --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Como el p-valor (0 04445) es menor que se rechaza la hiptesis nula, podemos por tanto suponer que hay diferencias signicativas entre las varianzas. Ms an, podemos ver que la varianza sin avera es de 114634 30 mientras que cuando hay avera la varianza toma el valor de 91694 27.
3.5.
Es frecuente el inters por saber qu proporcin o porcentaje de individuos de una poblacin, presentan una caracterstica A, frente a los que no la presentan. Dicha proporcin no ser en general conocida, pero se pueden hacer contrastes de hiptesis sobre su valor, en funcin de los datos de una muestra. Para la realizacin de dichos tests es necesario un tamao suciente de muestra. Habitualmente se exige que dicho tamao (n) sea mayor o igual que 30. Por ejemplo de aplicacin de dichos tests sera si queremos saber si porcentaje de horas con avera es excesivo, considerndose excesivo si el porcentaje es mayor del 10 %. Para responder a esta pregunta un contraste de hiptesis adecuado es el test de proporciones para una muestra. Vamos a ver un ejemplo de aplicacin de dicho test. Ejemplo 3.8. Siguiendo con los datos de nuestro ejemplo, puede considerarse que el porcentaje de averas es mayor del 10 %? Solucin: Tendramos en cuenta que p es la primera clase por orden alfabtico, en este caso No. Plantearse si el porcentaje de horas con averas es mayor del 10 % es lo mismo que plantearse si el porcentaje de horas sin averas es menor del 90 %. Puesto que los distintos tipos de contrastes de hiptesis para la proporcin son de la forma:
H0 : p = 90 % H1 : p = 90 % two.sided
las hiptesis a contrastar seran:
H0 : p 90 % H1 : p < 90 % less
H0 : p 90 % H1 : p > 90 % greater
24
p0
> prop.test(rbind(xtabs(~averias, data = acero)), alternative = "less", + p = 0.9, conf.level = 0.95, correct = FALSE)
1-sample proportions test without continuity correction data: rbind(xtabs(~averias, data = acero)), null probability 0.9 X-squared = 25.2317, df = 1, p-value = 2.542e-07 alternative hypothesis: true p is less than 0.9 95 percent confidence interval: 0.0000000 0.8192062 sample estimates: p 0.7606838
Como el p-valor es tan pequeo (2 542 107 ), se rechaza la hiptesis nula, por lo que se concluye que ha habido un porcentaje excesivo de averas. En la muestra se ve que dicho porcentaje ha sido de alrededor del 24 %. Otra manera de abordar el problema, sobre todo si hubiera ms de 2 clases sera reordenar los niveles de factor y poner como primer factor de la variable averias el factor S.
25
y y y
p0
> prop.test(rbind(xtabs(~averias, data = acero)), alternative = "greater", + p = 0.1, conf.level = 0.95, correct = FALSE) 1-sample proportions test without continuity correction data: rbind(xtabs(~averias, data = acero)), null probability 0.1 X-squared = 25.2317, df = 1, p-value = 2.542e-07 alternative hypothesis: true p is greater than 0.1
26
Como el p-valor (2 542e 07) (que es el mismo para los dos contrastes) es menor que se rechaza la hiptesis nula y se concluye que la proporcin de averas es excesiva. De nuevo vemos que para estos datos el porcentaje de horas con averas es de aproximadamente el 24 %.
3.6.
Adems de analizar el comportamiento de una proporcin, se puede querer comparar la proporcin de una determinada caracterstica en dos poblaciones distintas. Al igual que ocurra en la seccin anterior, el nmero de datos en cada muestra debe ser sucientemente grande (habitualmente se exigen al menos 30 datos por muestra). As, por ejemplo, para poder determinar si el porcentaje de horas con avera es mayor cuando estaba apagado el sistema que cuando no, deberamos plantear un test de proporciones para dos muestras. Los distintos tipos de contrastes de hiptesis en este caso son:
H0 : p1 = p2 H1 : p1 = p2 two.sided
H0 : p1 p2 H1 : p1 < p2 less
H0 : p1 p2 H1 : p1 > p2 greater
donde p1 representa la proporcin en el primer grupo (por orden alfabtico) y p2 en el segundo. Vamos a ver el funcionamiento de este test a travs de un ejemplo concreto. Ejemplo 3.9. El porcentaje de horas con avera es mayor cuando estaba encendido el sistema que cuando no? Solucin: Hemos de tener en cuenta que p1 es siempre la primera clase por orden alfabtico. Como en este caso trabajamos con las modalidades No y S, las hiptesis a contrastar son:
H0 : pN O pSI (igual o mejor con el sistema encendido) H1 : pN O < pSI (peor con el sistema encendido)
La obtencin del p-valor asociado a este test se realizara mediante los siguientes pasos en R:
27
> prop.test(xtabs(~sistema + averias, data = acero), alternative = "less", + conf.level = 0.95, correct = FALSE)
2-sample test for equality of proportions without continuity correction data: xtabs(~sistema + averias, data = acero) X-squared = 0.6641, df = 1, p-value = 0.2076 alternative hypothesis: less 95 percent confidence interval: -1.000000 0.065007 sample estimates: prop 1 prop 2 0.7288136 0.7931034
Como el p-valor (0 2076) es mayor que no se rechaza la hiptesis nula, no hay evidencias de que vaya peor con el sistema encendido.
3.7.
Muchas veces nos podemos preguntar si tiene sentido estudiar dos variables de forma conjunta, si existe una relacin entre ellas y en caso de existir como de fuerte es esa relacin. Para contestar a estas preguntas se establece una serie de coecientes: Para estudiar la relacin general, se puede estudiar, entre otros, el coeciente Chi-cuadrado de Pearson. Para estudiar la relacin lineal, el ms habitual es el coeciente de correlacin de Pearson. Para seleccionar el contraste ms adecuado a la muestra, tendremos en cuenta la naturaleza de nuestras variables. Para variables Cuantitativas, Cuantitativas-Discretas o cuantitativas-Continuas Discretizadas, se utiliza el test Chi-cuadrado de Pearson de independencia. Para variables Cuantitativas-Continuas, se usar el test de correlacin de Pearson. Las hiptesis a contrastar en este tipo de problemas son siempre del tipo:
H0 : no existe relacin entre las variables H1 : s existe relacin entre las variables
28
linea averias A B No 31 28 30 S 8 11 9
Pearson's Chi-squared test data: xtabs(~averias + linea, data = acero) X-squared = 0.6573, df = 2, p-value = 0.7199
Como el p-valor (0 7199) es mayor que no se rechaza la hiptesis nula, es decir, no hay evidencias de que las lneas afecten en que haya o no averas.
29
Seleccionar
las
variables
pr.galv1
pr.galv2 Aceptar
Pearson's product-moment correlation data: acero$pr.galv1 and acero$pr.galv2 t = 0.5331, df = 115, p-value = 0.595 alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval: -0.1330859 0.2291146 sample estimates: cor 0.04964655
Como el p-valor (0 595) es mayor que no se rechaza la hiptesis nula. As pues, de nuevo no hay evidencias de relacin lineal entre las dos producciones (al aumentar una no tiene por qu aumentar o disminuir signicativamente la otra).
3.8.
El anlisis de varianza (ANOVA) de un factor sirve para comparar varios grupos en una variable cuantitativa. Se trata, por tanto, de una generalizacin del test t para dos muestras independientes en el caso de diseos con ms de dos factores de agrupacin. Veremos aqu su utilizacin como simple generalizacin de dicho test, aunque volveremos sobre este tema en ms profundidad en los captulos 5 y 6. A la variable categrica (nominal u ordinal) que dene los grupos que deseamos comparar, la llamamos independiente o factor. A la variable cuantitativa (de intervalo o razn) en la que deseamos comparar los grupos, la llamamos dependiente. Si queremos, por ejemplo, averiguar cul de tres programas distintos de incentivos aumenta de forma
30
Recordar que la normalidad la estudibamos con el test de Shapiro-Wilk, mientras que la homocedasticidad se puede comprobar utilizando el test de Barlett. En este tipo de tests de igualdad de ms de dos promedios, las hiptesis a contrastar son:
= =
Rechazo H0 (no todos los promedios son iguales) No rechazo H0 (los promedios son iguales)
Vamos a ver varios ejemplos con algunos de los casos que se pueden presentar. Ejemplo 3.12. Comparar el consumo promedio para las tres temperaturas. Solucin: Lo primero que tenemos que estudiar es la normalidad de los datos para cada grupo de temperatura, para ello utilizbamos es test de Shapiro-Wilk, que tena como hiptesis:
H0 : los datos provienen de una poblacin normal H1 : los datos NO provienen de una poblacin normal
La forma ms rpida de realizar los tres tests (uno para cada modalidad de la temperatura) es escribir en la lnea de comandos: Cuyos resultados son:
> shapiro.test(subset(acero, subset = temperatura == "Alta")$consumo) Shapiro-Wilk normality test data: subset(acero, subset = temperatura == "Alta")$consumo W = 0.9748, p-value = 0.4112
31
Shapiro-Wilk normality test data: subset(acero, subset = temperatura == "Media")$consumo W = 0.9499, p-value = 0.1323
Shapiro-Wilk normality test data: subset(acero, subset = temperatura == "Baja")$consumo W = 0.9662, p-value = 0.2993
Los p-valores obtenidos son, respectivamente, 0 4112, 0 1323 y 0 2993, con lo que en todos los casos es sucientemente grande como para no rechazar la hiptesis nula (se puede admitir la normalidad). Para contrastar la igualdad de varianzas en ms de dos poblaciones, se utiliza el test de Barlett, que tiene como hiptesis:
yAceptar
32
Como el p-valor (0 4953) es mayor que no se rechaza la hiptesis nula, con lo que se pueden suponer las varianzas iguales. Como hay normalidad y homocedasticidad, el test que realizaremos es el test de la F para la igualdad de medias, es decir, el tpico anlisis de la varianza de un factor. A este modelo le vamos a llamar Anova1. Los pasos a seguir para obtener el correspondiente p-valor son:
Df Sum Sq Mean Sq F value Pr(>F) temperatura 2 101567 50783 23.001 4.06e-09 *** Residuals 114 251701 2208 --Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 .
0.1
mean sd n Alta 109.4409 51.13719 46 Media 138.7297 45.58685 38 Baja 182.1333 42.25437 33
Como el p-valor (4 06 109 ) es menor que , se rechaza la hiptesis nula, con lo que se puede suponer que no todas las medias son iguales. Grcamente podramos ver como se comporta cada grupo haciendo los correspondientes diagramas de cajas o grcos de medias. Comenzaremos con los diagramas de cajas:
33
Aunque el diagrama de cajas es muy utilizado, al estar comparando medias, un grco ms adecuado podra ser el de medias. Para obtenerlo los pasos a seguir son:
y
34
Seleccionar
las
variables
temperatura y
consumo Aceptar
Con el procedimiento anterior se obtendran los grcos de medias para los tres grupos de temperatura. Bien modicando las salidas en la ventana de instrucciones o bien tecleando directamente, podemos cambiar las opciones del grco, como por ejemplo las etiquetas de los ejes o el ttulo del grco. Para ello deberamos ejecutar la siguiente orden:
> plotMeans(acero$consumo, acero$temperatura, error.bars = "conf.int", + level = 0.95, xlab = "Temperatura", ylab = "Consumo", n.label = FALSE, + main = "Distribucin del consumo por temperatura", col = "black", + barcol = "blue", connect = TRUE)
35
y y
Introducimos el nombre Anova1 Seleccionanos temperatura y consumo Comparacin dos a dos de las medias Aceptamos
Simultaneous Tests for General Linear Hypotheses Multiple Comparisons of Means: Tukey Contrasts
Fit: aov(formula = consumo ~ temperatura, data = acero) Linear Hypotheses: Estimate Std. Error t value Pr(>|t|) B - A == 0 72.69 10.72 6.781 <0.001 *** M - A == 0 29.29 10.30 2.843 0.0146 * M - B == 0 -43.40 11.18 -3.882 <0.001 *** --Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . (Adjusted p values reported -- single-step method)
0.1
Fit: aov(formula = consumo ~ temperatura, data = acero) Quantile = 2.3738 95% family-wise confidence level
36
Linear Hypotheses: Estimate lwr upr Media - Alta == 0 72.6925 47.2471 98.1378 Baja - Alta == 0 29.2889 4.8377 53.7400 Baja - Media == 0 -43.4036 -69.9442 -16.8630
> plot(comparacion)
y ejecutar la lnea de comando. A la vista del grco podemos concluir que el consumo a temperatura alta es mayor que a temperatura media o baja y el consumo a temperatura media es signicativamente mayor que el consumo a temperatura baja.
37
y obtenemos:
Shapiro-Wilk normality test data: subset(acero, subset = linea == "A")$consumo W = 0.9597, p-value = 0.1738
Shapiro-Wilk normality test data: subset(acero, subset = linea == "B")$consumo W = 0.9485, p-value = 0.07302
Shapiro-Wilk normality test data: subset(acero, subset = linea == "C")$consumo W = 0.9887, p-value = 0.9584
Para los datos de la lnea A el p-valor es 0 1738, para los de la lnea B es 0 07302 y para los de la C es 0 9584. En los tres casos sucientemente grande como para que no se rechace la hiptesis nula (se puede admitir la normalidad). La homocedasticidad la estudiamos por medio del test de Bartlett:
y y
38
Bartlett test of homogeneity of variances data: consumo by linea Bartlett's K-squared = 6.3161, df = 2, p-value = 0.04251
Dado que el p-valor (0 04251) es menor que , se rechaza la hiptesis nula al nivel 0 05, con lo que no pueden suponerse las varianzas iguales. En este caso, como no hay homocedasticidad, realizaremos el test de Kruskal-Wallis, donde las hiptesis a contrastar son:
y y
Kruskal-Wallis rank sum test data: consumo by linea Kruskal-Wallis chi-squared = 26.5836, df = 2, p-value = 1.688e-06
39
40
Con el procedimiento anterior se obtendra el correspondiente grco de medias. No obstante, vamos a hacer modicaciones en la ventana de instrucciones a n de especicar ciertas opciones del grco. As, ejecutaremos la siguiente orden de comandos:
> plotmeans(acero$consumo ~ acero$linea, error.bars = "conf.int", + level = 0.95, xlab = "Linea", ylab = "Consumo", n.label = FALSE, + main = "Distribucin del consumo por linea", col = "black", + barcol = "blue", connect = TRUE)
41
42
Regresin lineal
Modelizacin estadstica
Si se sospecha de la existencia de una relacin entre diversas variables o magnitudes (por ejemplo, la inuencia de la experiencia profesional de los trabajadores en sus respectivos sueldos, la estatura en el peso de las personas, etc.) surge de forma natural plantearse cmo formalizar esa relacin y si puede extrapolarse a situaciones ms generales. El modelado estadstico obtiene un conjunto de modelos que se ajustan a los datos disponibles de una forma razonable. En general, los modelos ms sencillos buscan explicar la variabilidad de una magnitud Y , denominada variable dependiente, en funcin de otras variables, X1 , X2 , . . . , Xk , llamadas variables independientes. No siempre resulta fcil determinar cul es la variable dependiente y cules intervienen como independientes. La inuencia o relacin causa-efecto depende del planteamiento del problema y su concrecin y formalizacin corresponden al investigador que disea el experimento. Las tcnicas estadsticas disponibles abarcan una gran variedad de situaciones y de nuevo concierne al responsable del estudio seleccionar el procedimiento ms correcto para modelar los datos. Sin ser exhaustivos, el Cuadro 6 detalla los modelos ms habituales. Cuadro 6: Principales modelos estadsticos segn la naturaleza de las variables. Variable respuesta Continua Variables independientes Todas son continuas: regresin normal Todas son categricas: anlisis de la varianza Ambos tipos: anlisis de la covarianza Regresin logstica Modelos log-lineales Regresin logstica binaria Anlisis de supervivencia
La principal regla para realizar el modelado consiste en asumir que el resultado obtenido siempre ser mejorable. El modelo ha de adaptarse a los datos y evitar la tentacin de que los datos casen con un determinado modelo. De principio, un buen ajuste ha de explicar la mayor parte de la variabilidad y simplicar al mximo las relaciones entre las variables. No encontraremos un nico modelo, sino un conjunto de soluciones que se amoldan razonablemente bien a los datos. El principio de parsimonia (la navaja de Ockham) induce a optar por un modelo sencillo en vez de uno complicado. Dado un conjunto de posibles explicaciones igualmente buenas, la ms sencilla se convierte en la mejor; cuantos menos parmetros intervengan en el modelo, relaciones lineales o con pocos factores sealan pistas que orientan nuestra bsqueda. Sin embargo, no exageremos en la sencillez del modelo. Tambin existe la navaja de Einstein: A model should be as simple as possible. But not simpler.
4.2.
El principio de parsimonia indica que el modelo de regresin lineal se convierte en el primer candidato para explicar la relacin entre las variables. En este ejemplo, deseamos estudiar el consumo de energa de la fbrica: la variable dependiente (Y ) es el consumo, mientras que el resto de variables disponibles comprenden el conjunto de variables independientes. Es decir, deseamos encontrar un modelo que cuantique el consumo energtico a partir de las diferentes producciones. La forma ms facil de comenzar consiste en realizar representaciones grcas. Ejemplo 4.1. Realice un diagrama de dispersin de la variable consumo con las variables de produccin.
43
> scatterplot.matrix(~consumo + pr.ca + pr.cc + pr.galv1 + pr.galv2 + + pr.pint + pr.tbc, reg.line = lm, smooth = TRUE, span = 0.5, + diagonal = "density", data = acero)
De los diferentes grcos que aparecen, los ms ajustados a nuestra hiptesis de trabajo se encuentran en la primera hilera, ya que la variable dependiente, el consumo, corresponde al eje de ordenadas, mientras que las independientes, las diferentes producciones, se representan en el eje de abscisas. Qu nube de punto de la primera la muestra un patrn ms claro de relacin? Si bien no siempre aparece claramente un comportamiento visual, se puede intuir cierta dependencia entre el consumo energa y la produccin del tren de bandas en caliente (pr.tbc).
44
Seleccionamos consumo, pr.ca, pr.cc, pr.galv1, pr.galv2, pr.pint y pr.tbc. Coeciente de Pearson Aceptar
> cor(acero[, c("consumo", "pr.ca", "pr.cc", "pr.galv1", "pr.galv2", + "pr.pint", "pr.tbc")], use = "complete.obs")
consumo pr.ca pr.cc pr.galv1 pr.galv2 pr.pin consumo 1.00000000 -0.04462924 0.3853352 0.40126392 0.24073916 0.193584920 pr.ca -0.04462924 1.00000000 -0.1907847 0.08285971 -0.08530484 -0.027095106 pr.cc 0.38533520 -0.19078475 1.0000000 0.30011090 0.07108381 0.268146068 pr.galv1 0.40126392 0.08285971 0.3001109 1.00000000 0.04964655 0.300788576 pr.galv2 0.24073916 -0.08530484 0.0710838 0.04964655 1.00000000 0.072855628 pr.pint 0.19358492 -0.02709511 0.2681461 0.30078858 0.07285563 1.000000000 pr.tbc 0.74329458 -0.03999992 0.1539631 0.06614846 0.10224749 0.003463181 pr.tbc consumo 0.743294582 pr.ca -0.039999921 pr.cc 0.153963066 pr.galv1 0.066148462 pr.galv2 0.102247494 pr.pint 0.003463181 pr.tbc 1.000000000
La primera columna muestra la correlacin de la variable consumo con el resto de las producciones. La relacin ms intensa se produce entre el consumo y la pr.tbc.
Investigamos con ms detalle la relacin entre consumo y la pr.tbc. De nuevo, empezamos con un grco. Ejemplo 4.3. Dibuje el diagrama de dispersin del consumo y la pr.tbc.
45
El eje de abscisas muestra la produccin de TBC y el de ordenadas el consumo de energa. Se observa una relacin creciente entre ambas magnitudes. En el grco aparecen dos lneas. Una es la recta de regresin (el modelo ms simple) y la otra la lnea de regresin no paramtrica (el mejor ajuste posible). Si ambas lneas coinciden, el ajuste lineal resulta adecuado. En este caso la lnea recta no sigue muy bien el comportamiento de la lnea no paramtrica, por lo que el modelo lineal no ajustar bien los datos. Adems en el grco se muestran dos posibles observaciones atpicas, la 107 y la 88. Si bien el grco sugiere que el modelo lineal no casa bien con los datos, procedemos a construir un modelo lineal que cuantica la relacin entre el consumo y la pr.tbc. Consumo de energa = a + b Produccin de TBC La formulacin matemtica de este modelo determina que el consumo slo depende de la produccin de TBC y de ninguna otra produccin. Este modelo a priori parece demasiado sencillo, ya que ignora el resto de informacin disponible.
46
> Modelo1 <- lm(consumo ~ pr.tbc, data = acero) > summary(Modelo1) Call: lm(formula = consumo ~ pr.tbc, data = acero) Residuals: Min 1Q -94.9517 -23.4839
Median -0.7312
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 36.075095 9.328889 3.867 0.000183 *** pr.tbc 0.013661 0.001146 11.915 < 2e-16 *** --Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1 Residual standard error: 37.08 on 115 degrees of freedom Multiple R-squared: 0.5525, Adjusted R-squared: 0.5486 F-statistic: 142 on 1 and 115 DF, p-value: < 2.2e-16
La columna de Estimate proporciona los valores de los coecientes.
(1)
Si deseamos incorporar la variabilidad de esos coecientes, incorporamos en la formulacin sus desviaciones tpicas
(2)
Todos los coecientes del modelo son signicativos (distintos de 0) ya que sus p-valor (Pr(>|t|)) minoran a 0,05. El R cuadrado, R2 , representa la fraccin de la variacin de la variable dependiente explicada por la regresin. El 54.86 % del consumo de energa se debe a la produccin del tren de bandas en caliente. Hemos de mencionar que el R2 no es un buen criterio para comparar modelos (el AIC es preferible).
47
Aceptar
> bptest(consumo ~ pr.tbc, varformula = ~fitted.values(Modelo1), + studentize = FALSE, data = acero) Breusch-Pagan test data: consumo ~ pr.tbc BP = 1.1495, df = 1, p-value = 0.2837
Como el p-valor (0,2837) es menor que , los residuos se comportan de forma homocedstica (la varianza es igual en todo el grco). Si el p-valor hubiera superado el valor (normalmente 0,05), se producira una variabilidad no constante en el ajuste (heterocedstico) y habra que encontrar otra relacin. Ejemplo 4.6. El modelo lineal Modelo1 (Y = a + bX ) ajusta de forma correcta?, no conviene ms un modelo cuadrtico (Y = a + bX + cX 2 ) o cbico? Solucin: Para estudiar la linealidad de los residuos se utiliza el test Reset de no linealidad:
48
RESET test data: consumo ~ pr.tbc RESET = 5.8411, df1 = 1, df2 = 114, p-value = 0.01724
Como el p-valor (0,01724) es inferior a , se concluye que el modelo lineal no ajusta adecuadamente. Nuestra labor de modelado empieza de nuevo plantendonos otras relaciones, como por ejemplo
Si bien ya hemos concluido que este ajuste lineal no cumple con los requisitos necesarios, como prctica realizamos tambin el control de las observaciones atpicas. Ejemplo 4.7. Existen observaciones atpicas que distorsionen el anlisis del Modelo1? Solucin: El test de valores atpicos de Bonferroni indica la presencia de observaciones atpicas.
> outlier.test(Modelo1)
max|rstudent| = 3.85354, degrees of freedom = 114, unadjusted p = 0.0001929329, Bonferroni p = 0.02257315 Observation: 107
El p-valor es menor que e implica que hay observaciones atpicas: la nmero 107.
49
Hasta ahora slo se han considerado los datos originales y como resultado hemos concluido que el modelo lineal no ajusta adecuadamente. Llega el momento de abandonar el modelo inicial y buscar alternativas. Existe algn modelo terico que corresponda a nuestros datos? Por ejemplo, estimar el volumen de un depsito de aguas, Volumen = Base Altura, determinar la distancia que recorre un cuerpo en cada libre, Distancia = a g tiempo2 o calcular el crecimiento demogrco, N = a ebtiempo . En todos estos planteamientos, la relacin no es lineal; Pero con una sencilla transformacin, obtenemos una. Por ejemplo, si Y = X 2 Z , entonces log (Y ) = 2 log (X ) + log (Z ). La transformacin ms inmediata consiste en tomar logaritmos de la variable dependiente, de la independiente o de ambas. Ejemplo 4.8. Represente consumo y log(pr.tbc). Solucin: Este dibujo se consigue transformando la escala de los ejes:
Visualmente se comprueba que la relacin lineal no es adecuada. Por lo tanto desechamos esta transformacin.
50
Ejemplo 4.9. Dibuje un grco de log(consumo) y log(pr.tbc). Solucin: Procedemos de forma similar al ejemplo anterior.
En ambos casos, la distribucin de los puntos no sigue una lnea recta, por lo que no transformamos la variable x (pr.tbc). La transformacin de Box-Cox efecta un cambio de variable sobre la variable dependiente de la forma: y 1 si = 0 (3) log y si = 0 Los valores de ms usuales son: log y ( = 0), y ( = 1/2), y 1/3 ( = 1/3), y 2 ( = 2), . . . . Esta transformacin debe ser realizada por lnea de comandos. En la ventana de instrucciones, escribimos primero library(MASS), ejecutamos; luego boxcox(Modelo1) y ejecutamos (Fig. 10).
51
Proporciona un intervalo de valores vlidos para (Fig. 11). De entre este intervalo, escogeremos aquellos ms naturales: 0, 1/2, 1/3, 2/3, 1, 3/2, etc. En este caso determinamos que = 0,5, que equivale transformar la variable consumo mediante su raz cuadrada. Calculamos esta nueva variable raiz.consumo tal como como indica la Fig. 12.
52
> scatterplot(raiz.consumo ~ pr.tbc, reg.line = lm, smooth = TRUE, + labels = FALSE, boxplots = "xy", span = 0.5, data = acero)
53
y y
> Modelo2 <- lm(raiz.consumo ~ pr.tbc, data = acero) > summary(Modelo2) Call: lm(formula = raiz.consumo ~ pr.tbc, data = acero) Residuals: Min 1Q Median -9.1509 -1.8850 0.2068
Coefficients: Estimate Std. Error t (Intercept) 1.112e+01 7.946e-01 pr.tbc 1.316e-03 9.765e-05 --Signif. codes: 0 *** 0.001 **
value Pr(>|t|) 13.99 <2e-16 *** 13.47 <2e-16 *** 0.01 * 0.05 . 0.1 1
Residual standard error: 3.158 on 115 degrees of freedom Multiple R-squared: 0.6123, Adjusted R-squared: 0.6089 F-statistic: 181.6 on 1 and 115 DF, p-value: < 2.2e-16
Los coecientes son signicativos y el modelo resultante queda:
Ejemplo 4.12. Es homocedstico el modelo Modelo2? Solucin: Esta duda se resuelve mediante el test de Breusch-Pagan.
54
Aceptar
> bptest(raiz.consumo ~ pr.tbc, varformula = + ~fitted.values(Modelo2), + studentize = FALSE, data = acero) Breusch-Pagan test data: raiz.consumo ~ pr.tbc BP = 1.1211, df = 1, p-value = 0.2897
Como el p-valor (0,2897) supera a 0,05, el modelo es homocedstico. Ejemplo 4.13. El ajuste lineal casa bien con los datos? Solucin: Para comprobar si tenemos que aumentar el grado en el modelo procedemos del siguiente modo:
> resettest(raiz.consumo ~ pr.tbc, power = 2, type = "regressor", + data = acero) RESET test data: raiz.consumo ~ pr.tbc RESET = 1.0532, df1 = 1, df2 = 114, p-value = 0.3070
Como el p-valor (0,3070) es mayor que 0,05 no se rechaza la hiptesis nula y no se necesita incrementar el grado del modelo. Ejemplo 4.14. Hay observaciones atpicas?
55
> outlier.test(Modelo2) max|rstudent| = 3.943655, degrees of freedom = 114, unadjusted p = 0.0001389735, Bonferroni p = 0.0162599 Observation: 107
Podemos ver que la observacin 107 sigue siendo atpica. Vericamos si distorsiona el modelo dibujando las bandas de conanza.
y y
56
La regresin lineal mltiple generaliza el modelo anterior al incorporar dos o ms variables dependientes. Ejemplo 4.15. Estime la raiz.consumo en funcin de las diferentes producciones. Llame a este modelo Modelo3. Solucin: Intervienen como variable dependiente raiz.consumo y como variables independientes pr.ca, pr.cc, pr.galv1, pr.galv2, pr.pint y pr.tbc.
y y
> Modelo3 <- lm(raiz.consumo ~ pr.ca + pr.cc + pr.galv1 + pr.galv2 + + pr.pint + pr.tbc, data = acero) > summary(Modelo3)
Call: lm(formula = raiz.consumo ~ pr.ca + pr.cc + pr.galv1 + pr.galv2 + pr.pint + pr.tbc, data = acero) Residuals: Min 1Q Median -6.4825 -1.3144 0.1286
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 7.679e+00 7.886e-01 9.737 < 2e-16 *** pr.ca 1.845e-04 1.431e-03 0.129 0.897614 pr.cc 2.387e-03 6.922e-04 3.448 0.000801 *** pr.galv1 3.756e-03 7.316e-04 5.135 1.23e-06 *** pr.galv2 1.523e-03 3.927e-04 3.880 0.000178 *** pr.pint 1.055e-03 8.305e-04 1.271 0.206469 pr.tbc 1.214e-03 7.602e-05 15.975 < 2e-16 *** --Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1 Residual standard error: 2.415 on 110 degrees of freedom Multiple R-squared: 0.7831, Adjusted R-squared: 0.7713 F-statistic: 66.2 on 6 and 110 DF, p-value: < 2.2e-16
57
Start: AIC=213.1 raiz.consumo ~ pr.ca + pr.cc + pr.galv1 + pr.galv2 + pr.pint + pr.tbc Df Sum of Sq RSS AIC - pr.ca 1 0.10 641.65 - pr.pint 1 9.42 650.98 <none> 641.56 213.10 - pr.cc 1 69.34 710.90 - pr.galv2 1 87.80 729.36 - pr.galv1 1 153.76 795.32 - pr.tbc 1 1488.44 2129.99
Step: AIC=211.12 raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.pint + pr.tbc Df Sum of Sq RSS AIC - pr.pint 1 9.41 651.06 <none> 641.65 211.12 - pr.cc 1 71.52 713.18 - pr.galv2 1 87.87 729.53 - pr.galv1 1 158.47 800.13 - pr.tbc 1 1488.34 2129.99
Step: AIC=210.82 raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc Df Sum of Sq RSS AIC <none> 651.06 210.82 - pr.cc 1 85.49 736.55 - pr.galv2 1 91.33 742.39 - pr.galv1 1 188.34 839.40 - pr.tbc 1 1480.14 2131.20
58
Call: lm(formula = raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc, data = acero) Residuals: Min 1Q Median -6.56830 -1.32935 -0.08463
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 7.773e+00 7.548e-01 10.299 < 2e-16 *** pr.cc 2.537e-03 6.617e-04 3.835 0.000208 *** pr.galv1 3.991e-03 7.011e-04 5.692 1.02e-07 *** pr.galv2 1.547e-03 3.903e-04 3.964 0.000130 *** pr.tbc 1.209e-03 7.579e-05 15.957 < 2e-16 *** --Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1 Residual standard error: 2.411 on 112 degrees of freedom Multiple R-squared: 0.7799, Adjusted R-squared: 0.772 F-statistic: 99.22 on 4 and 112 DF, p-value: < 2.2e-16
En este modelo slo intervienen variables con coecientes signicativos. El modelo ajustado adquiere la siguiente expresin:
raiz.consumo = 7,773 + 2,537 103 pr.cc + 3,991 103 pr.galv1 + 1,547 103 pr.galv2 + 1,209 103 pr.tbc
Una vez estimamos el modelo vericamos si ajusta bien o no los datos. Ejemplo 4.18. Determine la bondad del modelo Modelo4.
59
> vif(Modelo4)
Si alguno de los valores supera el valor 4 implica que hay colinealidad (sobra alguna variable). En este modelo todos los valores no minoran dicha cantidad y por lo tanto, no hay colinealidad. 2. Comprobemos ahora si el modelo es homocedstico mediante el test de Breusch-Pagan.
Aceptar
> bptest(raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc, + varformula = ~fitted.values(Modelo4), + studentize = FALSE, data = acero)
Breusch-Pagan test data: raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc BP = 0.904, df = 1, p-value = 0.3417
60
> resettest(raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc, + power = 2, type = "regressor", data = acero)
RESET test data: raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc RESET = 1.2025, df1 = 4, df2 = 108, p-value = 0.314
Como el p-valor (0,314) es mayor que no se rechaza la hiptesis nula. No se necesita incrementar el grado del modelo. 4. Por ltimo veamos la presencia de observaciones atpicas que distorsionen el modelo.
> outlier.test(Modelo4)
max|rstudent| = 3.494116, degrees of freedom = 111, unadjusted p = 0.0006843334, Bonferroni p = 0.08006701 Observation: 107
La observacin 107 sigue siendo atpica. . . 5. Los test anteriores se pueden analizar grcamente:
61
> oldpar <- par(oma = c(0, 0, 3, 0), mfrow = c(2, 2)) > plot(Modelo4) > par(oldpar)
6. Clculo de intervalo de conanza para las obseraciones atpicas. Nuestro inters se centra en la observacin 107 (si bien la distancia de Cook indica que apenas inuye en el anlisis).
62
Como la observacin 107 queda dentro de las bandas de conanza podemos concluir que este modelo ajusta razonablemente bien los datos.
63
Anlisis de la varianza
Experimentos factoriales. Contrastes ortogonales y no ortogonales
El anlisis de la varianza se convierte en la tcnica ms habitual cuando las variables explicativas son categricas y cuantitativa la variable explicada. Las variables independientes se denominan factores, constan de dos o ms niveles y pueden interactuar entre ellas. Esta tcnica contrasta mediante el anlisis de la variabilidad si los valores medios de la variable dependiente diere segn las diferentes combinaciones de factores e interacciones. Los experimentos factoriales pueden complicarse tanto como se deseen e incorporar efectos aleatorios, multinivel, jerrquicos, anidados, jos, etc. Existe una amplia gama de situaciones que se presentan de forma habitual al realizar un experimento o anlisis. Si bien el acercamiento bsico al anlisis de la varianza proviene de los contrastes de medias para dos o ms niveles, el enfoque ms correcto nace desde el anlisis de regresin. El anlisis de la varianza particulariza el modelo de regresin lineal cuando las variables independientes son cualitativas y la independiente cuantitativa. Considerar esta situacin desde los modelos de regresin permite al investigador un estudio completo, detallado y sistematizado del experimento factorial. Cuando en los modelos de regresin intervienen variables independientes cualitativas, el abordaje se realiza mediante dos tipos de contrastes: los denominados a priori y los contrastes a posteriori. Si bien a nivel matemtico se establece un isomorsmo entre ambos enfoques por lo que son equivalentes, a nivel prctico el investigador debe optar por uno de esos contrastes. Los contrastes ortogonales, o a priori, se utilizan habitualmente en el mbito de las Ciencias Experimentales. Los factores intervienen en el modelo de forma controlada (por ejemplo, a un ratn le inyectamos 100 gramos del compuesto I y a otro roedor 200 gramos) y se suele denominar Diseo de Experimentos. Las principales ventajas de los contrastes ortogonales residen en que el orden de los factores no inuye en el modelo, ste adopta una nica expresin (ortogonal) y resulta fcil detectar qu factores o niveles inuyen o no. El principal inconveniente consiste en que los coecientes del modelo han de interpretarse con precaucin. En el otro extremo aparecen los contrastes no ortogonales, o a posteriori, muy usuales en las Ciencias Sociales. Estos estudios no disponen de condiciones controladas desde donde puedan observar las reacciones de los sujetos entrevistados. En estos modelos el orden de los factores o variables nominales que intervienen en el modelo s importan, lo que conlleva a diferentes modelos igualmente vlidos. La principal ventaja en estos modelos surge de que los coecientes son muy fciles de interpretar. Ejemplo 5.1. En la base de datos de acero aparecen las siguientes variables nominales: linea, hora y averia. Determine si estas variables se realizaron bajo condiciones controladas o no. Solucin: Las variables linea, hora y averia se han controlado de forma dispar: Lnea: Hemos seleccionado conscientemente un nmero determinado de mediciones en cada lnea, por lo que este factor se encuentra bajo nuestro control. Hora: De nuevo, la obtencin de datos por hora fue diseada a priori. Avera: Este factor con dos modalidades (no hubo avera, s la hubo) no estaba controlada, pues las averas surgen sin control.
5.2.
Analizaremos el consumo de energa en funcin de la lnea de produccin, la presencia de averas y la hora de captura de los datos. Disearemos un modelo para cada uno de los factores.
64
> fmodelo1 <- lm(raiz.consumo ~ linea, data = acero) > summary(fmodelo1) Call: lm(formula = raiz.consumo ~ linea, data = acero) Residuals: Min 1Q -14.3467 -2.3134
Median 0.5332
3Q 2.9904
Max 9.4656
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 18.6263 0.7362 25.300 < 2e-16 *** linea[T.B] 2.0871 1.0412 2.005 0.0474 * linea[T.C] 5.2649 1.0412 5.057 1.65e-06 *** --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 4.598 on 114 degrees of freedom Multiple R-squared: 0.1853,Adjusted R-squared: 0.171 F-statistic: 12.97 on 2 and 114 DF, p-value: 8.428e-06
El consumo medio de la lnea A se sita en 18,6262, el consumo medio de la lnea B supera en 2,0871 unidades el de la lnea A, y el de la lnea C gasta 5,2648 ms que el de la lnea A. Estas diferencias son signicativas (p-valor<0,05). El modelo resultante queda por tanto,
(4)
con lineaB y lineaC variables indicadoras que valen 1 0 si corresponden a la lnea B y C, respectivamente.
65
Ejemplo 5.3. Determine cmo inuye la presencia de averas en el consumo (raiz.consumo). Nomine a este modelo como fmodelo2. Solucin: Se trata de estimar la relacin lineal entre raiz.consumo y averias.
> fmodelo2 <- lm(raiz.consumo ~ averias, data = acero) > summary(fmodelo2) Call: lm(formula = raiz.consumo ~ averias, data = acero) Residuals: Min 1Q -15.4624 -3.0473 Coefficients: (Intercept) averias[T.S] Estimate Std. Error t value Pr(>|t|) 20.8403 0.5357 38.902 <2e-16 *** 0.9888 1.0951 0.903 0.368
Median 0.4921
3Q 3.6218
Max 11.2608
66
0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 5.054 on 115 degrees of freedom Multiple R-squared: 0.00704,Adjusted R-squared: -0.001595 F-statistic: 0.8153 on 1 and 115 DF, p-value: 0.3684
El coeciente de la modalidad S de la variable averias no diere signicativamente de 0 (pvalor>0,05). Por lo tanto, el consumo no vara en funcin de la presencia de averas. Ejemplo 5.4. Estime la inuencia de la hora (1,2,. . . ,8) del turno en el consumo de energa raiz.consumo. Solucin: Denominaremos la relacin lineal entre raiz.consumo y hora como fmodelo3.
> fmodelo3 <- lm(raiz.consumo ~ hora, data = acero) > summary(fmodelo3) Call: lm(formula = raiz.consumo ~ hora, data = acero) Residuals: Min 1Q -15.3729 -3.1487
Median 0.7521
3Q 3.4311
Max 9.7156
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 20.2218 1.3126 15.406 <2e-16 *** hora[T.2] 2.1636 1.8563 1.166 0.246 hora[T.3] 2.1781 1.8563 1.173 0.243 hora[T.4] 1.4267 1.8563 0.769 0.444 hora[T.5] 0.6504 1.8563 0.350 0.727 hora[T.6] 1.5176 1.8563 0.818 0.415 hora[T.7] -0.8294 1.8563 -0.447 0.656 hora[T.8] -0.5468 1.9689 -0.278 0.782 --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 5.084 on 109 degrees of freedom Multiple R-squared: 0.04772,Adjusted R-squared: -0.01343 F-statistic: 0.7803 on 7 and 109 DF, p-value: 0.6051
67
5.3.
Los modelos mostrados hasta el momento no contienen interacciones entre los factores y stos han sido estudiados de forma independiente. Llega el momento de abordar relaciones ms complejas entre las variables explicativas. Ejemplo 5.5. Inuye la linea, las averias y sus posibles interacciones en raiz.consumo? Denomine este modelo como fmodelocomplicado. Solucin: La expresin que muestra todas las posibles interacciones entre las dos variables adopta la siguiente forma: averia*linea. El asterisco denota los efectos simples e interacciones de ambos factores.
y y
* linea Aceptar
> fmodelocomplicado <- lm(raiz.consumo ~ averias * linea, data = acero) > summary(fmodelocomplicado) Call: lm(formula = raiz.consumo ~ averias * linea, data = acero) Residuals: Min 1Q -14.0988 -1.6263 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 17.8252 0.8195 21.752 < 2e-16 *** averias[T.S] 3.9050 1.8094 2.158 0.0331 * linea[T.B] 3.0075 1.1896 2.528 0.0129 * linea[T.C] 6.1377 1.1685 5.252 7.31e-07 *** averias[T.S]:linea[T.B] -4.3282 2.4310 -1.780 0.0777 . averias[T.S]:linea[T.C] -4.2160 2.5062 -1.682 0.0953 . --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 4.563 on 111 degrees of freedom Multiple R-squared: 0.2188,Adjusted R-squared: 0.1836 F-statistic: 6.219 on 5 and 111 DF, p-value: 4.032e-05
Median 0.1921
3Q 2.8710
Max 10.2666
68
17,8252 + 3,9050(averaSi ) raiz.consumo= 17,8252 + 3,0075 + (3,9050 4,3282)averaSi 17,8252 + 6,1377 + (3,9050 4,2160)averaSi
Al disponer de dos modelos posibles, fmodelo1 y fmodelocomplicado, para explicar el consumo, nos hemos de plantear cul ajusta mejor los datos mediante el anlisis del AIC. R dispone de un test (anova) que contrasta si ambos modelos se comportan de forma similar o bien dieren signicativamente:
H0 : No hay diferencias entre los modelos H1 : Hay diferencias entre los modelos
Ejemplo 5.6. De los modelos fmodelo1 y fmodelocomplicado cul ajusta mejor? Solucin: La comparacin entre los modelos se realiza de la siguiente forma.
y y
> anova(fmodelo1, fmodelocomplicado) Analysis of Variance Table Model 1: Model 2: Res.Df 1 114 2 111 raiz.consumo ~ linea raiz.consumo ~ averias * linea RSS Df Sum of Sq F Pr(>F) 2409.86 2310.81 3 99.05 1.586 0.1968
Como el p-valor 0,1968 es mayor que 0,05 no se observan diferencias entre los dos modelos. Escogeremos el modelo ms sencillo (el que tenga ms grados de libertad, Res.Df): en este caso el fmodelo1.
Ejemplo 5.7. Es posible simplicar el fmodelo1? Solucin: La realizacin de este ejercicio nos llevar una serie de pasos. 1. Recordemos el modelo fmodelo1.
yfmodelo1
69
> summary(fmodelo1) Call: lm(formula = raiz.consumo ~ linea, data = acero) Residuals: Min 1Q -14.3467 -2.3134
Median 0.5332
3Q 2.9904
Max 9.4656
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 18.6263 0.7362 25.300 < 2e-16 *** linea[T.B] 2.0871 1.0412 2.005 0.0474 * linea[T.C] 5.2649 1.0412 5.057 1.65e-06 *** --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 4.598 on 114 degrees of freedom Multiple R-squared: 0.1853,Adjusted R-squared: 0.171 F-statistic: 12.97 on 2 and 114 DF, p-value: 8.428e-06
Podemos observar que la lnea B y C dieren signicativamente de la lnea A. 2. Calculamos el intervalo de conanza para los coecientes de estas lneas.
Aceptar
> confint(fmodelo1, level = 0.95) 2.5 % 97.5 % (Intercept) 17.16779459 20.084711 linea[T.B] 0.02449371 4.149636 linea[T.C] 3.20228554 7.327428
El consumo medio de la lnea B es superior a la lnea A, con valores entre 0,02449371 y 4,149636 unidades, mientras que el consumo adicional de la lnea C vara entre 3,20228554 y 7,327428 unidades, con una conanza del 95 %. Pero se puede asegurar que la lnea B diere de la lnea C?; y en caso negativo se puede simplicar el modelo?
70
Seleccionar linea Nuevo nombre. . . reco.linea Asignar los valores A=A; else=ByC
> fmodelo1.simpli <- lm(raiz.consumo ~ reco.linea, data = acero) > summary(fmodelo1.simpli) Call: lm(formula = raiz.consumo ~ reco.linea, data = acero) Residuals: Min 1Q -15.936 -2.287 Coefficients: (Intercept) Estimate Std. Error t value Pr(>|t|) 18.6263 0.7624 24.432 < 2e-16 ***
Median 1.065
3Q 3.169
Max 9.799
71
raiz.consumo=
si es de la lnea A si es de la lnea B o C
De los dos modelos observados, fmodelo1 o fmodelo1.simpli, cul es mejor? Ejemplo 5.8. Comparar los modelos fmodelo1 y fmodelo1.simpli. Solucin: La comparacin de modelos se realiza del siguiente modo.
y y
> anova(fmodelo1, fmodelo1.simpli) Analysis of Variance Table Model 1: raiz.consumo ~ linea Model 2: raiz.consumo ~ reco.linea Res.Df RSS Df Sum of Sq F Pr(>F) 1 114 2409.86 2 115 2606.78 -1 -196.92 9.3153 0.002828 ** --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Como el p-valor 0,002828 es menor que 0,05 se rechaza que ambos modelos ajusten igual. Escogeremos por tanto el modelo con menos grados de libertad, en este caso el fmodelo1.
72
Anlisis de la covarianza
Introduccin
El anlisis de la covarianza se reere a los modelos en los que intervienen simultneamente variables numricas y factores como variables independientes. Por ejemplo, el consumo de energa depende de la lnea de produccin (factor) y de la produccin de TBC (numrica). Veamos grcamente algunos ejemplos. Ejemplo 6.1. Dibuje el diagrama de dispersin del consumo y la pr.tbc segn averias. Solucin: Procedemos del siguiente modo.
Seleccionamos: consumo y pr.tbc Desmarcar: Lnea suavizada Grca segn: averias Aceptamos
y y
> scatterplot(raiz.consumo ~ pr.tbc | averias, reg.line = lm, smooth = TRUE, + labels = FALSE, boxplots = "xy", span = 0.5, by.groups = TRUE, + data = acero)
Ambas rectas de regresin muestran una trayectoria muy similar. Este grco muestra que la presencia o no de averas apenas diferencia el consumo de energa segn la produccin de TBC.
73
Seleccionamos: consumo y pr.tbc Desmarcar: Lnea suavizada Grca segn: linea Aceptamos
y y
> scatterplot(raiz.consumo ~ pr.tbc | linea, reg.line = lm, smooth = TRUE, + labels = FALSE, boxplots = "xy", span = 0.5, by.groups = TRUE, + data = acero)
Las rectas estimadas no son paralelas. El consumo de produccin vara en funcin de la produccin y de la lnea de trabajo.
6.2.
Analizaremos el consumo de energa segn la produccin del tren de bandas calientes (pr.tbc) y la lnea de produccin (linea). Ejemplo 6.3. Estime el consumo a partir de la produccin de TBC y de la lnea. Llame a este modelo CoModelo1.
74
y y
> CoModelo1 <- lm(raiz.consumo ~ pr.tbc + linea, data = acero) > summary(CoModelo1) Call: lm(formula = raiz.consumo ~ pr.tbc + linea, data = acero) Residuals: Min 1Q Median -7.2926 -1.5770 -0.3949
3Q 2.0585
Max 9.4530
Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 1.005e+01 7.727e-01 13.006 < 2e-16 *** pr.tbc 1.223e-03 8.928e-05 13.703 < 2e-16 *** linea[T.B] 1.720e+00 6.416e-01 2.681 0.00843 ** linea[T.C] 3.584e+00 6.526e-01 5.491 2.49e-07 *** --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 2.831 on 113 degrees of freedom Multiple R-squared: 0.6939,Adjusted R-squared: 0.6858 F-statistic: 85.4 on 3 and 113 DF, p-value: < 2.2e-16
Por cada unidad producida en pr.tbc, el raiz.consumo de energa aumenta en 1,223 103 unidades. Si se ha producido en la lnea A, hay que aadir al raiz.consumo 10,05 unidades adicionales, mientras que si se fabrica en la lnea B, el raiz.consumo aumenta en 10,05 + 1,720 unidades y si se produce en la lnea C el raiz.consumo se incrementa en 10,05 + 3,584. As el modelo se formaliza y representa de la siguiente forma:
75
En este modelo, la variacin de energa consumida es constante para las tres lneas de produccin (las rectas de regresin son paralelas). Ejemplo 6.4. Estime el consumo a partir de la produccin de TBC, la lnea de produccin y sus posibles interaciones. Nomine a este modelo CoModelo2. Solucin: El modelo con interaccin se obtiene de la siguiente forma:
> CoModelo2 <- lm(raiz.consumo ~ pr.tbc * linea, data = acero) Call: lm(formula = raiz.consumo ~ pr.tbc * linea, data = acero) Residuals: Min 1Q Median -6.76425 -1.83728 -0.07738 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 12.4645906 1.1652944 10.697 < 2e-16 *** pr.tbc 0.0008790 0.0001545 5.689 1.05e-07 *** linea[T.B] -3.2322181 1.5422928 -2.096 0.038380 * linea[T.C] 3.1148687 1.9084184 1.632 0.105477 pr.tbc:linea[T.B] 0.0006917 0.0001988 3.480 0.000719 *** pr.tbc:linea[T.C] 0.0001124 0.0002318 0.485 0.628793 --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 2.686 on 111 degrees of freedom Multiple R-squared: 0.7293,Adjusted R-squared: 0.7171 F-statistic: 59.8 on 5 and 111 DF, p-value: < 2.2e-16
Al haber coecientes no signicativos (sin estrellas) este modelo incorpora demasiadas variables independientes y se ha de simplicar.
3Q 1.82916
Max 8.41252
Antes de estudiar el modelo en profundidad, comprobemos si realmente mejora este modelo al anterior.
76
y y
> anova(CoModelo1, CoModelo2) Analysis of Variance Table Model 1: raiz.consumo ~ pr.tbc + linea Model 2: raiz.consumo ~ pr.tbc * linea Res.Df RSS Df Sum of Sq F Pr(>F) 1 113 905.37 2 111 800.89 2 104.49 7.2406 0.001107 ** --Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Se verica la diferencia entre ambos modelos. Escogemos el modelo raiz.consumo pr.tbc * linea. Ejemplo 6.6. Interprete el CoModelo2. Solucin: Recordemos el CoModelo2.
y y
yCoModelo2
> summary(CoModelo2) Call: lm(formula = raiz.consumo ~ pr.tbc * linea, data = acero) Residuals: Min 1Q Median -6.76425 -1.83728 -0.07738 Coefficients:
3Q 1.82916
Max 8.41252
77
Como los coecientes de la lnea C no resultan signicativamente diferente de la lnea A, podemos intentar agrupar los resultados de las lneas A y C. La interpretacin grca de este modelo muestra que las rectas de regresin de A y de C son casi paralelas.
6.3.
Variables indicadoras
Las variables indicadores, cticias o dummy, permiten desagregar fcilmente las variables nominales. Por cada categora de la variable nominal se crea una variable indicadora, que vale 1 si el registro pertenece a dicho atributo y cero en otro caso. Dado que la suma de todas las variables indicadoras generadas a partir de una misma variable nominal vale 1, y por lo tanto son linealmente dependientes, slo se utilizan k 1 variables indicadoras, siendo k el nmero de modalidades presentes en la variable nominal. Por ejemplo, en el caso de la lnea de produccin se disponen de tres modalidades (A, B, C). Crearemos tres variables indicadoras, lineaA, lineaB y lineaC que valdrn 1 si son de la lnea A, B y C, respectivamente, y cero en otro caso.
linea
A B C
lineaA
1 0 0
lineaB
0 1 0
lineaC
0 0 1
Ejemplo 6.7. Genere las variables dummys lineaA, lineaB y lineaC que tomen valores 1 y 0 segn sean la produccin de la lnea A, B o C respectivamente Solucin: Crearemos tres nuevas variables en nuestra base de datos.
78
y y
Nombre del modelo: CoModelo3 Formula del. . . raiz.consumo(lineaB + lineaC) * pr.tbc Aceptar
> CoModelo3 <- lm(raiz.consumo ~ (lineaB + lineaC) * pr.tbc, data = acero) > summary(CoModelo3) Call: lm(formula = raiz.consumo ~ (lineaB + lineaC) * pr.tbc, data = acero) Residuals: Min 1Q Median -6.76425 -1.83728 -0.07738 Coefficients: (Intercept) lineaB Estimate Std. Error t value Pr(>|t|) 12.4645906 1.1652944 10.697 < 2e-16 *** -3.2322181 1.5422928 -2.096 0.038380 *
3Q 1.82916
Max 8.41252
79
0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 2.686 on 111 degrees of freedom Multiple R-squared: 0.7293,Adjusted R-squared: 0.7171 F-statistic: 59.8 on 5 and 111 DF, p-value: < 2.2e-16
Al aparecer coecientes no signicativos (sin estrellas), este modelo incorpora demasiadas variables independientes y se ha de simplicar.
Ejemplo 6.9. Simplique el modelo anterior. Solucin: La depuracin del modelo se realiza del siguiente modo:
Start: AIC=253.63 raiz.consumo ~ (lineaB + lineaC) * pr.tbc Df Sum of Sq RSS AIC 1 1.696 802.59 249.11 800.89 253.63 1 87.359 888.25 260.98
Step: AIC=249.11 raiz.consumo ~ lineaB + lineaC + pr.tbc + lineaB:pr.tbc Df Sum of Sq <none> + lineaC:pr.tbc - lineaB:pr.tbc - lineaC 1 1 1 RSS 802.59 1.696 800.89 102.790 905.37 290.525 1093.11 AIC 249.11 253.63 258.45 280.50
Esta salida muestra el modelo simplicado (raiz.consumo lineaB + lineaC + pr.tbc + lineaB:pr.tbc).
80
y y
Call: lm(formula = raiz.consumo ~ lineaB + lineaC + pr.tbc + lineaB * pr.tbc, data = acero) Residuals: Min 1Q Median -6.84084 -1.82951 -0.07738 Coefficients: Estimate Std. Error t value (Intercept) 12.1146686 0.9116805 13.288 lineaB -2.8822961 1.3582876 -2.122 lineaC 3.9884021 0.6263885 6.367 pr.tbc 0.0009289 0.0001148 8.093 lineaB:pr.tbc 0.0006417 0.0001694 3.787 --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' Pr(>|t|) < 2e-16 0.036041 4.37e-09 7.74e-13 0.000247 *** * *** *** ***
3Q 1.82916
Max 8.13247
Residual standard error: 2.677 on 112 degrees of freedom Multiple R-squared: 0.7287,Adjusted R-squared: 0.719 F-statistic: 75.2 on 4 and 112 DF, p-value: < 2.2e-16
Todos los coecientes son signicativos. Las lneas A y C consumen igual por cada unidad producida de TBC (son paralelas), mientras que la lnea B consume ms (mayor pendiente de la recta).
81
6.4.
Modelo completo
Para nalizar el estudio introducimos en el modelo todas las variables de produccin y consideramos las interacciones con las variables linea y averias, generando un modelo de la forma:
raiz.consumo(pr.ca+pr.cc+pr.galv1+pr.galv2+pr.pint+pr.tbc)*(lineaB+lineaC)*averias
que llamaremos ModeloComple0 Ejemplo 6.11. Estime el modelo anterior. Solucin: Los coecientes se calculan ajustando un modelo lineal.
> ModeloComple0 <- lm(raiz.consumo ~ (pr.ca + pr.cc + pr.galv1 + + pr.galv2 + pr.pint + pr.tbc) * (lineaB + lineaC) * averias, + data = acero) > summary(ModeloComple0) Call: lm(formula = raiz.consumo ~ (pr.ca + pr.cc + pr.galv1 + pr.galv2 + pr.pint + pr.tbc) * (lineaB + lineaC) * averias, data = acero) Residuals: Min 1Q Median -4.42944 -1.06618 -0.00667 Coefficients: (Intercept) pr.ca pr.cc pr.galv1 pr.galv2 pr.pint pr.tbc Estimate Std. Error t value Pr(>|t|) 7.650e+00 1.569e+00 4.877 5.89e-06 7.545e-03 3.697e-03 2.041 0.04480 2.661e-03 1.830e-03 1.454 0.15018 6.294e-04 2.395e-03 0.263 0.79344 2.215e-03 8.124e-04 2.726 0.00798 1.254e-03 1.902e-03 0.659 0.51175 8.679e-04 1.485e-04 5.843 1.24e-07 *** *
3Q 1.14888
Max 5.26460
** ***
82
Residual standard error: 2.251 on 75 degrees of freedom Multiple R-squared: 0.8715,Adjusted R-squared: 0.8012 F-statistic: 12.4 on 41 and 75 DF, p-value: < 2.2e-16
Dado que anteriormente ya se haba analizado qu variables intervienen de forma signicativa, consideramos el siguiente modelo. Ejemplo 6.12. Estime un modelo de la forma raiz.consumo (pr.cc + pr.galv1 + pr.galv2 + pr.tbc)*(lineaB + lineaC). Llame lo ModeloComple1 Solucin: Procedemos de la siguiente forma:
83
y y
> ModeloComple1 <- lm(raiz.consumo ~ (pr.cc + pr.galv1 + pr.galv2 + + pr.tbc) * (lineaB + lineaC), data = acero) Call: lm(formula = raiz.consumo ~ (pr.cc + pr.galv1 + pr.galv2 + pr.tbc) * (lineaB + lineaC), data = acero) Residuals: Min 1Q -5.325113 -1.136508 Coefficients: (Intercept) pr.cc pr.galv1 pr.galv2 pr.tbc lineaB lineaC pr.cc:lineaB pr.cc:lineaC pr.galv1:lineaB pr.galv1:lineaC pr.galv2:lineaB pr.galv2:lineaC pr.tbc:lineaB pr.tbc:lineaC --Signif. codes: Estimate Std. Error t value Pr(>|t|) 8.6910333 1.3140579 6.614 1.75e-09 *** 0.0028780 0.0015176 1.896 0.06074 . 0.0006535 0.0020001 0.327 0.74453 0.0021517 0.0007426 2.898 0.00460 ** 0.0008998 0.0001282 7.021 2.51e-10 *** -1.3215576 1.6927983 -0.781 0.43679 0.5173535 2.3707022 0.218 0.82769 -0.0009772 0.0025148 -0.389 0.69840 0.0005477 0.0020655 0.265 0.79144 0.0023994 0.0025280 0.949 0.34478 0.0033782 0.0022674 1.490 0.13933 -0.0006493 0.0009893 -0.656 0.51309 -0.0005098 0.0009900 -0.515 0.60770 0.0004720 0.0001757 2.686 0.00844 ** 0.0001735 0.0001970 0.881 0.38034 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Median 0.007969
3Q 1.526089
Max 5.933964
Residual standard error: 2.208 on 102 degrees of freedom Multiple R-squared: 0.8319,Adjusted R-squared: 0.8088 F-statistic: 36.05 on 14 and 102 DF, p-value: < 2.2e-16
De nuevo aparecen coecientes no signicativos (sin estrellas). Ejemplo 6.13. Simplique el modelo anterior. Solucin: Utilizamos el procedimiento automtico de reduccin.
84
Start: AIC=240.75 raiz.consumo ~ (pr.cc + pr.galv1 + pr.galv2 + pr.tbc) * (lineaB + lineaC) Df Sum of Sq RSS AIC 1 0.343 497.71 236.07 1 0.736 498.10 236.16 1 1.293 498.66 236.29 1 2.100 499.46 236.48 1 3.785 501.15 236.87 1 4.393 501.76 237.01 1 10.824 508.19 238.50 497.36 240.75 1 35.187 532.55 243.98
Step: AIC=236.07 raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaB + lineaC + pr.cc:lineaB + pr.galv1:lineaB + pr.galv1:lineaC + pr.galv2:lineaB + pr.galv2:lineaC + pr.tbc:lineaB + pr.tbc:lineaC Df Sum of Sq RSS AIC 1 1.543 499.25 231.67 1 1.555 499.26 231.67 1 2.255 499.96 231.83 1 4.023 501.73 232.25 1 7.313 505.02 233.01 1 16.376 514.08 235.09 497.71 236.07 1 35.574 533.28 239.38 1 0.343 497.36 240.75
Step: AIC=231.67 raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaB + lineaC + pr.cc:lineaB + pr.galv1:lineaB + pr.galv1:lineaC + pr.galv2:lineaB + pr.tbc:lineaB + pr.tbc:lineaC Df Sum of Sq RSS AIC 1 0.948 500.20 227.13 1 1.561 500.81 227.27 1 4.772 504.02 228.02 1 6.631 505.88 228.45
85
Step: AIC=227.13 raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaB + lineaC + pr.cc:lineaB + pr.galv1:lineaB + pr.galv1:lineaC + pr.tbc:lineaB + pr.tbc:lineaC Df Sum of Sq RSS AIC 1 1.492 501.69 222.71 1 4.371 504.57 223.38 1 6.089 506.29 223.78 1 14.666 514.86 225.75 500.20 227.13 1 34.642 534.84 230.20 1 0.948 499.25 231.67 1 0.582 499.61 231.75 1 0.236 499.96 231.83 1 94.996 595.19 242.71
- pr.cc:lineaB - pr.tbc:lineaC - pr.galv1:lineaB - pr.galv1:lineaC <none> - pr.tbc:lineaB + pr.galv2:lineaB + pr.cc:lineaC + pr.galv2:lineaC - pr.galv2
Step: AIC=222.71 raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaB + lineaC + pr.galv1:lineaB + pr.galv1:lineaC + pr.tbc:lineaB + pr.tbc:lineaC Df Sum of Sq RSS AIC 1 4.427 506.12 218.98 1 4.802 506.49 219.07 1 13.188 514.88 220.99 501.69 222.71 1 33.409 535.10 225.49 1 1.494 500.19 227.13 1 1.492 500.20 227.13 1 0.879 500.81 227.27 1 0.257 501.43 227.41 1 48.446 550.13 228.74 1 93.828 595.52 238.01
- pr.tbc:lineaC - pr.galv1:lineaB - pr.galv1:lineaC <none> - pr.tbc:lineaB + pr.cc:lineaC + pr.cc:lineaB + pr.galv2:lineaB + pr.galv2:lineaC - pr.cc - pr.galv2
Step: AIC=218.98 raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaB + lineaC + pr.galv1:lineaB + pr.galv1:lineaC + pr.tbc:lineaB Df Sum of Sq RSS 1 4.497 510.61 1 12.337 518.45 506.12 1 29.516 535.63 1 4.427 501.69 1 2.055 504.06 1 1.547 504.57 AIC 215.25 217.03 218.98 220.85 222.71 223.26 223.38
86
Step: AIC=215.25 raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaB + lineaC + pr.galv1:lineaC + pr.tbc:lineaB Df Sum of Sq RSS 1 7.882 518.49 510.61 1 33.283 543.89 1 4.497 506.12 1 4.200 506.41 1 4.121 506.49 1 0.597 510.02 1 0.246 510.37 1 0.184 510.43 1 45.549 556.16 1 86.487 597.10 AIC 212.28 215.25 217.88 218.98 219.05 219.07 219.88 219.96 219.97 220.49 228.80
- pr.galv1:lineaC <none> - pr.tbc:lineaB + pr.galv1:lineaB + pr.cc:lineaC + pr.tbc:lineaC + pr.galv2:lineaC + pr.cc:lineaB + pr.galv2:lineaB - pr.cc - pr.galv2
Step: AIC=212.28 raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaB + lineaC + pr.tbc:lineaB Df Sum of Sq <none> - pr.tbc:lineaB + pr.galv1:lineaC + pr.cc:lineaC - pr.cc + pr.tbc:lineaC + pr.galv2:lineaC + pr.galv2:lineaB + pr.galv1:lineaB + pr.cc:lineaB - pr.galv1 - pr.galv2 - lineaC 1 1 1 1 1 1 1 1 1 1 1 1 31.792 7.882 6.288 37.857 3.574 0.521 0.050 0.042 0.016 76.987 81.223 113.472 RSS 518.49 550.29 510.61 512.21 556.35 514.92 517.97 518.44 518.45 518.48 595.48 599.72 631.97 AIC 212.28 214.48 215.25 215.62 215.76 216.23 216.93 217.03 217.03 217.04 223.72 224.55 230.68
Call: lm(formula = raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaB + lineaC + pr.tbc:lineaB, data = acero)
pr.galv2 0.0015580
pr.tbc 0.0009934
87
Ejemplo 6.14. Estime el modelo simplicado anterior. Llmelo ModeloComple2. Solucin: Procedemos de la siguiente forma:
y y
Call: lm(formula = raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaB + lineaC + pr.tbc:lineaB, data = acero) Residuals: Min 1Q Median -5.4317 -1.2986 -0.0415 Coefficients: Estimate Std. Error t value (Intercept) 8.530e+00 9.441e-01 9.035 pr.cc 2.030e-03 7.198e-04 2.821 pr.galv1 2.907e-03 7.225e-04 4.023 pr.galv2 1.558e-03 3.770e-04 4.132 pr.tbc 9.934e-04 9.446e-05 10.516 lineaB -1.126e+00 1.199e+00 -0.939 lineaC 2.741e+00 5.612e-01 4.884 pr.tbc:lineaB 3.746e-04 1.449e-04 2.585 --Signif. codes: 0 '***' 0.001 '**' 0.01 '*' Pr(>|t|) 6.77e-15 0.005689 0.000106 7.07e-05 < 2e-16 0.350045 3.59e-06 0.011051 *** ** *** *** *** *** *
3Q 1.5019
Max 6.3258
Residual standard error: 2.181 on 109 degrees of freedom Multiple R-squared: 0.8247,Adjusted R-squared: 0.8135 F-statistic: 73.27 on 7 and 109 DF, p-value: < 2.2e-16
Al haber coecientes no signicativos (sin estrellas) este modelo incorpora demasiadas variables independientes y se ha de simplicar.
La coecientes relacionados con la variable lineaB muestran ciertas dudas respecto a su signicatividad. Generamos un modelo sin este factor aislado.
88
Call: lm(formula = raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaC + pr.tbc:lineaB, data = acero) Residuals: Min 1Q Median -5.36027 -1.31064 -0.02664 Coefficients: (Intercept) pr.cc pr.galv1 pr.galv2 pr.tbc lineaC pr.tbc:lineaB --Signif. codes: Estimate Std. Error t value Pr(>|t|) 7.922e+00 6.857e-01 11.553 < 2e-16 *** 2.141e-03 7.097e-04 3.016 0.003179 ** 2.801e-03 7.133e-04 3.927 0.000150 *** 1.680e-03 3.538e-04 4.749 6.22e-06 *** 1.043e-03 7.788e-05 13.399 < 2e-16 *** 2.778e+00 5.595e-01 4.965 2.53e-06 *** 2.558e-04 7.040e-05 3.633 0.000427 *** 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
3Q 1.56234
Max 6.47916
Residual standard error: 2.18 on 110 degrees of freedom Multiple R-squared: 0.8233,Adjusted R-squared: 0.8137 F-statistic: 85.42 on 6 and 110 DF, p-value: < 2.2e-16
Todos los coecientes son signicativos y no habra que simplicar nada. La duda surge de si hemos simplicado demasiado el modelo.
De entre los modelos obtenidos, (ModeloComple0, ModeloComple2, ModeloComple3), estimaremos si ajustan igual de bien o por el contrario muestran diferencias. Ejemplo 6.16. Compare los modelos ModeloComple2 y el ModeloComple3. Solucin: Al igual que en apartados anteriores la comparacin de modelos se realiza del siguiente modo:
89
y y
> anova(ModeloComple2, ModeloComple3) Analysis of Variance Table Model 1: raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaB + lineaC + pr.tbc:lineaB Model 2: raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaC + pr.tbc:lineaB Res.Df RSS Df Sum of Sq F Pr(>F) 1 109 518.49 2 110 522.68 -1 -4.19 0.8808 0.3500
El ajuste es igual de bueno en ambos casos ( p-valor 0,3500 >0,05). La bsqueda de la sencillez nos indica escoger el modelo con ms grados de libertad ModeloComple3). Ejemplo 6.17. Compare los modelos ModeloComple0 y el ModeloComple3. Solucin: Efectuamos un anlisis del AIC:
y y
> anova(ModeloComple0, ModeloComple3) Analysis of Variance Table Model 1: raiz.consumo ~ (pr.ca + pr.cc + pr.galv1 + pr.galv2 + pr.pint + pr.tbc) * (lineaB + lineaC) * averias Model 2: raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaC + pr.tbc:lineaB Res.Df RSS Df Sum of Sq F Pr(>F) 1 75 380.18 2 110 522.68 -35 -142.51 0.8032 0.7604
Como el p-valor 0,7347 supera a 0,05 ambos modelos ajustan igual de bien. Seleccionamos el modelo ms simple (ModeloComple3 , con 110 grados de libertad).
Para nalizar, chequeamos la bondad del modelo. Ejemplo 6.18. Determine la bondad del modelo ModeloComple3.
90
> vif(ModeloComple3) pr.cc 1.581420 pr.galv1 1.393477 pr.galv2 1.019939 pr.tbc 1.335018 lineaC pr.tbc:lineaB 1.713150 1.929893
Si alguno de los valores supera el valor 4 implica colinealidad (y por lo tanto, sobra alguna variable en el modelo). En este modelo todos los valores no sobrepasan dicha cantidad y por lo tanto no presentan colinealidad. 2. Comprobemos ahora si el modelo es homocedstico mediante el test de Breusch-Pagan.
Aceptar
> bptest(raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + + lineaC + pr.tbc:lineaB, varformula = ~fitted.values(ModeloComple3), + studentize = FALSE, data = acero) Breusch-Pagan test data: raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaC + pr.tbc:lineaB BP = 0.4266, df = 1, p-value = 0.5137
Como el p-valor (0,5137) supera a 0,05 no se rechaza la hiptesis de homocedasticidad. 3. Respecto a la linealidad o no del modelo:
91
> resettest(raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + + lineaC + pr.tbc:lineaB, power = 2, type = "regressor", + data = acero) RESET test data: raiz.consumo ~ pr.cc + pr.galv1 + pr.galv2 + pr.tbc + lineaC + pr.tbc:lineaB RESET = 0.474, df1 = 6, df2 = 104, p-value = 0.8263
Como el p-valor 0,8263 es mayor que no se rechaza la hiptesis nula, por lo que no se requiere aumentar el grado al modelo. 4. Por ltimo veamos si hay alguna observacin atpica que distorsione el modelo.
> outlier.test(ModeloComple3) max|rstudent| = 3.212874, degrees of freedom = 109, unadjusted p = 0.00172831, Bonferroni p = 0.2022123 Observation: 107
Tenemos que la observacin 107 sigue siendo atpica. . . 5. Los test anteriores se pueden analizar grcamente:
92
6. Clculo de intervalo de conanza para las obseraciones atpicas. Nuestro inters se centra en la observacin 107 (si bien la distancia de Cook indica que apenas inuye en el anlisis).
93
Como se mantiene dentro del intervalo de conanza no nos preocupamos por la observacin 107. La estimacin naliza con el siguiente modelo:
2( consumo 1) =7,922(0,685) + 2,141 1003 (7,0971004 ) pr.cc + 2,801 1003 (7,1331004 ) pr.galv1 + 1,680 1003 (3,5381004 ) pr.galv2 + 1,043 1003 (7,7881005 ) pr.tbc + 2,558 1004 (7,0401005 ) lineaB pr.tbc + 2,778(5,5951001 ) lineaC +
Adjusted R-squared: 0,8137 Residual standard error: 2,18 on 110 degrees of freedom con = 2,18.
94
La difusin del trabajo se convierte habitualmente en nuestra ltima meta. Si bien no existen reglas precisas para garantizar la publicacin de nuestra investigacin, y sin nimo de hablar ex cathedra, en esta seccin sugerimos diversas observaciones que el investigador puede considerar. Lo primero consiste en identicar un grupo de revistas interesadas por el trabajo. Seguidamente, comprobamos si en esas revistas han publicado modelos similares al nuestro. Si aparecen artculos similares, lo escribiremos dos o tres veces imitando dichos trabajos. La cuarta versin la redactaremos por nuestra cuenta. En caso de que nuestro trabajo sea novedoso y no aparezca ninguna referencia previa, hemos de ser conscientes de que tal vez los revisores de la revista descozcan completamente nuestra metodologa. Esto implica un especial cuidado con la redaccin y exposicin de nuestra investigacin, procurando un enfoque muy pedaggico. En general los artculos con metodologa estadstica se dividen en las siguientes secciones: introduccin, metodologa, resultados, conclusiones, referencias, tablas y grcos. A continuacin presentamos un conjunto de ideas o sugerencias para publicar el modelo obtenido. Metodologa. Objetivo: analizar la relacin del consumo de energa con la produccin. Datos: Se realizaron 39 observaciones en cada una de las tres lneas de produccin, recogindose 15 observaciones en cada turno (5 para cada lnea) salvo en el ltimo, que slo se pudo realizar 12 mediciones (4 en cada lnea). En total se disponen de 117 mediciones que recogen el consumo de energa, la produccin colada continua (cc), convertidor de acero (ca), galvanizado tipo 1, galvanizado tipo 2, tren de bandas caliente (tbc) y chapa pintada (pint). Adems, se anot si durante el turno correspondiente se detect alguna anomala o no en la produccin. Mtodo de anlisis: Se realiz una anlisis de la covarianza y se emple la transformacin de Box-Cox con = 0,5 con el n de conseguir normalidad, linealidad y homocedasticidad en el modelo ( = 0,05). Se emple el software estadstico R (Venables and Ripley, 2002; Crawley, 2009). Resultados
2( consumo 1) =7,922(0,685) + 2,141 1003 (7,0971004 ) pr.cc + 2,801 1003 (7,1331004 ) pr.galv1 + 1,680 1003 (3,5381004 ) pr.galv2 + 1,043 1003 (7,7881005 ) pr.tbc + 2,558 1004 (7,0401005 ) lineaB pr.tbc + 2,778(5,5951001 ) lineaC +
Adjusted R-squared: 0,8137 Residual standard error: 2,18 on 110 degrees of freedom con = 2,18. El resto de variables e interacciones no son signicativas al 5 %. Se presenta de forma sucinta una posible interpretacin del modelo: Existe diferente consumo segn la lnea de produccin empleada.
95
96
97
Figura 17: Relaciones entre produccin y consumo de energa, por la lnea de montaje (diferentes escalas).
98
Descargue la base de datos de la encuesta sobre el consumo de alcohol (http://uce.uniovi. es/). La descripcin del cuestionario se encuentra en el Apndice A.2. Ejercicio 1. Describa los principales estadsticos de Ingresos mensuales personales (p4), Ingresos mensuales familiares (p5), Dinero semanal que te dan (p7). Solucin:
mean sd 0% 25% 50% 75% 100% n NA p4 198.99766 367.93078 0 0 0 295 2520 1283 0 p5 1607.92666 1030.08156 86 1080 1440 1872 14400 859 424 p7 31.53521 22.26721 1 20 25 40 250 710 573
Ejercicio 2. Represente grcamente la distribucin por barrios (p1). Solucin:
99
Welch Two Sample t-test data: p12 by p2 t = 8.0686, df = 1178.718, p-value = 1.738e-15 alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: 3.013180 4.949356 sample estimates: mean in group Mascul. mean in group Femen. 11.155844 7.174576
Ejercicio 5. Realice un modelo de regresin en el que el consumo total de alcohol (p12) dependa del barrio (p1), sexo (p2), edad (p3) y de los ingresos (p4, p5, p7). Deprelo. Solucin:
Call: lm(formula = p12 ~ p4 + p5 + p7 + p1 + p2 + p3, data = alcohol) Residuals: Min 1Q -12.965 -5.349 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 1.7314781 3.1418905 0.551 0.581851 p1[T.Calzada-Nata.-Moreda] 0.2982704 1.6833515 0.177 0.859442 p1[T.Centro-Cimadevilla] 1.5453320 1.5566696 0.993 0.321397 p1[T.Contrueces-Ceares] 3.4139943 2.4495026 1.394 0.164101 p1[T.El Coto] -0.8240901 2.0950283 -0.393 0.694249 p1[T.El Llano] 0.6082775 1.6791857 0.362 0.717344 p1[T.Periferia] 2.6534485 2.0806684 1.275 0.202885 p1[T.Pumar.-Roces] 1.1068011 1.6444040 0.673 0.501258 p2[T.Mascul.] 3.2248798 0.8420124 3.830 0.000147 *** p3 0.0673985 0.1292659 0.521 0.602356 p4 -0.0016527 0.0053703 -0.308 0.758416 p5 0.0005950 0.0004561 1.305 0.192702 p7 0.0781025 0.0208088 3.753 0.000198 *** Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Median -2.224
3Q 2.741
Max 48.972
Residual standard error: 8.73 on 437 degrees of freedom (833 observations deleted due to missingness) Multiple R-squared: 0.1071,Adjusted R-squared: 0.08256 F-statistic: 4.367 on 12 and 437 DF, p-value: 1.367e-06 > modelofinal <- Rcmdr::stepwise(modelo1, + direction='backward/forward', + criterion='BIC') Direction: Criterion: backward/forward BIC
100
- p1 - p4 - p3 - p5 <none> - p7 - p2
Step: AIC=1978.91 p12 ~ p4 + p5 + p7 + p2 + p3 Df Sum of Sq RSS 1 2.84 33706 1 20.27 33724 1 192.53 33896 33704 1 1059.88 34763 1 1274.22 34978 7 395.41 33308 AIC 1972.8 1973.1 1975.4 1978.9 1986.7 1989.5 2016.4
- p4 - p3 - p5 <none> - p2 - p7 + p1
Step: AIC=1972.83 p12 ~ p5 + p7 + p2 + p3 Df Sum of Sq RSS 1 19.74 33726 1 201.80 33908 33706 1 2.84 33704 1 1057.06 34764 1 1273.99 34980 7 391.03 33315 AIC 1967.0 1969.4 1972.8 1978.9 1980.6 1983.4 2010.3
- p3 - p5 <none> + p4 - p2 - p7 + p1
Step: AIC=1966.99 p12 ~ p5 + p7 + p2 Df Sum of Sq RSS 1 190.99 33917 33726 1 19.74 33706 1 2.32 33724 1 1052.82 34779 1 1505.36 35232 7 390.67 33336 AIC 1963.4 1967.0 1972.8 1973.1 1974.7 1980.5 2004.5
- p5 <none> + p3 + p4 - p2 - p7 + p1
Call:
101
p7 0.07475
p2[T.Femen.] -2.90666
Call: lm(formula = p12 ~ p7 + p2, data = alcohol) Residuals: Min 1Q -25.982 -5.355 Coefficients: (Intercept) p2[T.Mascul.] p7 Signif. codes: Estimate Std. Error t value Pr(>|t|) 5.38889 0.64189 8.395 2.53e-16 *** 2.90666 0.65976 4.406 1.22e-05 *** 0.07475 0.01478 5.056 5.45e-07 *** 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Median -2.510
3Q 2.826
Max 50.369
Residual standard error: 8.706 on 707 degrees of freedom (573 observations deleted due to missingness) Multiple R-squared: 0.067,Adjusted R-squared: 0.06436 F-statistic: 25.39 on 2 and 707 DF, p-value: 2.255e-11
Ejercicio 6. Determine la bondad del modelo del ejercicio anterior (modelofinal). Solucin:
Breusch-Pagan test data: p12 ~ p2 + p7 BP = 48.3988, df = 1, p-value = 3.478e-12 RESET test data: p12 ~ p2 + p7 RESET = 14.9451, df1 = 1, df2 = 706, p-value = 0.0001209 outlierTest(Modelofinal) rstudent unadjusted p-value Bonferonni p 68 5.932588 4.6702e-09 3.3159e-06 284 5.883926 6.1879e-09 4.3934e-06 498 5.299646 1.5527e-07 1.1025e-04 1131 5.270635 1.8084e-07 1.2840e-04 154 5.166829 3.1018e-07 2.2023e-04 738 4.814580 1.8055e-06 1.2819e-03 43 4.273992 2.1837e-05 1.5504e-02 1093 4.154694 3.6566e-05 2.5962e-02
102
Ejercicio 7. Realice una transformacin logartmica de las variables gasto total de alcohol (p12) y dinero semanal que te dan (p7). Calcule el diagrama de dispersin de las logartmicas de p12 y p7. Solucin:
Call: lm(formula = log(p12) ~ log(p7) + p2, data = alcohol) Residuals: Min 1Q -2.77672 -0.58646 Coefficients: (Intercept) log(p7) p2[T.Mascul.] Estimate Std. Error t value Pr(>|t|) 0.51070 0.17571 2.907 0.00377 ** 0.34916 0.05266 6.630 6.66e-11 *** 0.33816 0.06652 5.084 4.75e-07 ***
Median 0.05107
3Q 0.62273
Max 2.37514
103
Residual standard error: 0.881 on 707 degrees of freedom (573 observations deleted due to missingness) Multiple R-squared: 0.09653,Adjusted R-squared: 0.09397 F-statistic: 37.77 on 2 and 707 DF, p-value: 2.605e-16
Ejercicio 9. Determine la bondad del modelo ModeloTransfor.
Breusch-Pagan test data: log(p12) ~ log(p7) + p2 BP = 0.2286, df = 1, p-value = 0.6326 RESET test data: log(p12) ~ log(p7) + p2 RESET = 8e-04, df1 = 1, df2 = 706, p-value = 0.9773 outlierTest(ModeloTransform.) No Studentized residuals with Bonferonni p < 0.05 Largest |rstudent|: rstudent unadjusted p-value Bonferonni p 916 -3.204988 0.0014115 NA Observation: 916
104
Bases de datos
Produccin de acero
Con el n de analizar el consumo energtico de una empresa productora de acero se inspeccionaron durante cinco das cada una de las tres lneas de produccin. En cada una de ellas se anotaron las variables ms relevantes para las distintas horas del turno, salvo en la ltima hora donde slo se inspeccion durante cuatro das. En total se disponen de 117 mediciones recogidas en las siguientes variables:
consumo Consumo energtico de la empresa (Megavatioshora). pr.tbc Produccin del tren de bandas calientes (Toneladas de acero). pr.cc Produccin de colada continua (Toneladas de acero). pr.ca Produccin del convertidor de acero (Toneladas de acero). pr.galv1 Produccin de galvanizado de tipo I (Tns. de acero). pr.galv2 Produccin de galvanizado de tipo II (Tns. de acero). pr.pint Produccin de chapa pintada (Tns. de acero). linea Lnea de produccin empleada (A, B o C). hora Hora en la que se recogieron los datos (1, 2,. . . , 8). temperatura Temperatura del sistema: alta (Alta), media (Media) y baja (Baja). averias Presencia de averas (S, No). naverias Nmero de averas detectadas. sistema Activacin de un sistema de deteccin de sobrecalientamiento: encendido (ON), apagado (OFF). raiz.consumo Transformacin de Box-Cox de la variable consumo con = 0,5. raiz.consumo = 2( consumo 1) reco.linea Lnea de produccin: lnea A (A) y lneas B o C (ByC). lineaB Vale 1 si es de la lnea B y 0 en el resto de los casos. lineaC Vale 1 si es de la lnea C y 0 en el resto de los casos.
1 2 3 4 5 6
consumo pr.tbc pr.cc pr.ca pr.galv1 pr.galv2 pr.pint linea hora temperatura 135.31 6840 830 0 579 1401 0 A 1 A 84.08 443 903 58 611 1636 717 A 2 A 131.62 7270 572 36 982 1963 243 A 3 M 90.46 5031 694 122 896 1568 0 A 4 M 120.04 9365 1054 157 403 1480 0 A 5 M 153.68 9281 1003 172 605 1525 473 A 6 M
105
1 2 3 4 5 6
106
Encuesta sobre el consumo de alcohol de las personas jvenes de Gijn Cdigo del cuestionario codigo:
1. Periferia 2. Pumarn - Roces 3. El Llano 4. El Coto p1 Barrio donde vive: 5. Centro - Cimadevilla 6. Calzada - Natahoyo - Moreda 7. Arena - Viesques - Bibio 8. Contrueces - Ceares p2 Sexo: p3 Edad: p4 Ingresos mensuales personales (en euros): p5 Ingresos mensuales familiares (en euros): p6 Nmero de personas en la familia, con ingresos: p7 Dinero semanal que te dan (en euros): 1. Nunca he fumado 2. Slo fum alguna vez p8 Fumas cigarrillos?: 3. Fumaba pero ya no 4. S, fumo p9 A qu edad comenzaste a fumar?:
Los siguientes consumos se expresan en unidades alcohlicas, obtenidas a partir de las tablas de equivalencia segn la respuesta facilitada por la persona entrevistada. 1. Masculino 2. Femenino
p10 Consumo de alcohol viernes tarde/noche: p11 Consumo de alcohol sbado tarde/noche: p12 Consumo de alcohol total semanal:
Una muestra de la base datos acero es:
1 2 3 4 5 6 1 2 3 4 5 6
codigo p1 1 Calzada-Nata.-Moreda 2 El Coto 3 El Llano 4 El Llano 5 Pumar.-Roces 6 Centro-Cimadevilla p10 p11 p12 0 6 6 2 0 2 3 4 7 3 4 8 0 4 4 1 1 3
p3 p4 p5 p6 p7 p8 19 0 2160 2 30 Nunca he fumado 18 0 720 1 10 Nunca he fumado 23 0 1260 1 NA Nunca he fumado 22 144 1800 3 NA Fumo actualmente 23 0 1620 1 30 Fumaba alguna vez 16 0 1080 2 10 Nunca he fumado
p9 NA NA NA 12 17 NA
107
UNIVERSIDAD
DE
OVIEDO
U N I O V I C E