Escolar Documentos
Profissional Documentos
Cultura Documentos
Universidad
del Pas Vasco
Euskal Herriko
Unibertsitatea
Programa de la asignatura
Curso 20112012
Descripcin
Objetivos de la asignatura. Proporcionar una base terica y prctica que
faculte al alumno(a) para hacer un uso productivo de los modelos estadsticos
lineales de regresin y anlisis de varianza. Si el tiempo lo permite, se hace
tambin una breve introduccin a la regresin no paramtrica.
Prerrequisitos. Un curso introductorio de Estadstica, al nivel, por ejemplo, de Estadstica para Economistas. Es til tener alguna competencia
informtica, pero no imprescindible: todo lo preciso se ensea a lo largo del
curso.
Orientacin bibliogrfica. Adems de los libros citados como bibliografa
de cada captulo, hay muy buenos manuales de uso general como Draper &
Smith (1998), Seber (1977) (hay una segunda edicin, Seber & Lee (1998),
pero para algunas cosas utilizaremos la primera) y Stapleton (1995). Una
obra enciclopdica es Trocniz (1987), con multitud de detalles sobre casi
cada aspecto del modelo de regresin y ANOVA. Pueden tambin utilizarse
las notas del curso que no debieran disuadir de consultar la bibliografa. Son
una ayuda, no un sustituto.
Como el curso est basado en R, ser tambin de utilidad Faraway (2005),
que muestra el modo de hacer ciertos clculos; pero debe complementarse
con un texto mas detallado en cuanto a la teora.
Salvo que se indique lo contrario, todos los libros y artculos estn
disponibles en Biblioteca. De algunos se incluye la signatura topogrfica para
facilitar la bsqueda.
Evaluacin y desarrollo del curso. En un curso normal se realizan
entre diez y once tareas semanales o decenales, que se corrigen en todo o en
parte (dependiendo del nmero de alumnos matriculados) y se devuelven y
comentan en clase. Hay adems un examen final. La nota es un promedio de
todo ello.
Las prcticas se realizan con R. Los alumnos disponiendo de ordenadores
personales reciben, si lo desean, una copia de R y algn software adicional.
Se ofrece a los alumnos espacio de trabajo en el Laboratorio de Economa
Cuantitativa (LEC), que proporciona lo necesario para realizar todo el trabajo
del curso.
El programa est sobredimensionado; algunos temas no llegan a verse,
dependiendo del nmero y disposicin de das festivos en cada curso concreto
y de la preparacin de base de cada promocin.
Curso 20112012
Curso 20112012
Temario
I. REGRESIN LINEAL
Curso 20112012
4. ESTIMACIN CONDICIONAL.
Algunos lemas adicionales sobre proyecciones. La estimacin condicionada como problema geomtrico. Estimacin mnimo cuadrtica bajo
restricciones lineales A~ = ~c.
Clase prctica: Utilizacin de R bajo emacs.
Bibliografa: Seber & Lee (1998) Sec. 3.8.
5. REGRESIN LINEAL CON PERTURBACIN ALEATORIA NORMAL (I).
Algunos teoremas previos sobre independencia de diversas formas
lineales y cuadrticas. Independencia entre S 2 y el vector de estimadores
de los parmetros.
Bibliografa: Seber & Lee (1998) Cap. 2 y Sec. 3.3.
6. REGRESIN LINEAL CON PERTURBACIN ALEATORIA NORMAL (II).
Distribucin de diversos estadsticos en el muestreo. Contrastes de
hiptesis: sobre parmetros aislados, sobre el vector de estimadores
completo, sobre parte del vector de estimadores.
Bibliografa: Seber & Lee (1998) Sec. 3.4-3.5 y Sec. 4.1 a 4.3, Myers
(1990) Sec. 3.1 a 3.5.
7. REGRESIN LINEAL CON PERTURBACIN ALEATORIA NORMAL (III).
Contraste de hiptesis lineales generales. Contrastes cuando la matriz
de diseo es de rango deficiente. Funciones estimables. Hiptesis contrastables. Contraste de hiptesis simultneas: problemas que plantea.
Mtodos de Bonferroni, rango Studentizado, y de Scheff .
Bibliografa: Seber & Lee (1998) Sec. 4.3 y 5.1.
8. MULTICOLINEALIDAD.
Interpretacin grfica. Correlacin mltiple y parcial. Formas de detectar multicolinealidad en la matriz de diseo. Efecto sobre el vector
de estimadores y sobre diferentes funciones lineales de los parmetros. Forma de tomar muestras adicionales ptimas para corregir la
multicolinealidad en la matriz de diseo.
Bibliografa: Seber & Lee (1998) Sec. 3.9 y 9.7
9. REGRESIN SESGADA.
Motivacin. Regresin ridge: compromiso varianza-sesgo. Existencia de
una solucin que domina a la MCO en trminos de ECM. Regresin
Curso 20112012
Curso 20112012
Curso 20112012
Calendario previsto
2011
Martes
Jueves
29
2
Repaso Algebra Lineal
y Matricial.
Entrega Tarea 1
30
El modelo lineal:
introduccin.
R en el LEC.
Sep 27
1
Repaso Algebra Lineal
y Matricial.
6
Proyecciones.
Obtencin .
Entrega Tarea 2
7
Propiedades
estimadores
Vence Tarea 1
13th
Interpretacin
geomtrica. R2 .
Entrega Tarea 3
14th
Estimacin
condicional.
Vence Tarea 2
20
11
Regresin lineal con
normalidad.
Entrega Tarea 4
21
Distribucin de
estadsticos.
Vence Tarea 3
12
27
Distribucin de
estadsticos
28
Distribucin de
estadsticos
Vence Tarea 4
14
Oct 4
Proyecciones.
11th
Estimacin 2 .
Descomp. suma
cuadrados. Uso
lsfit en R.
18th
10
Estimacin
condicional. R bajo
emacs.
25
Euskadiko Eguna
Nov 1
Todos los Santos
Viernes
13
3
15
Contraste de hiptesis
4
16
Contraste de hiptesis
Martes
8
17
Contraste de hiptesis
e intervalos de
confianza,
Entrega Tarea 5
15th
20
Multicolinealidad.
Diagnstico.
22
Residuos
Entrega Tarea 7
23
29
26
Especificacin de
modelos. Estrategias.
Entrega Tarea 8
6
Da Constitucin
13th
30
Regresin logstica
Curso 20112012
Jueves
10th
18
Inferencia simultnea.
Viernes
11th
19
Inferencia simultnea.
17th
21
Regresin sesgada.
Entrega Tarea 6
18th
22
Regresin sesgada
Vence Tarea 5
24
Diagnsticos.
Influencia
24
25
25
Especificacin de
modelos. Criterios (R2 ,
2
R , Cp , AIC. . .)
Vence Tarea 6
Dic 1
27
Incumplimiento de las
hiptesis
2
28
Transformaciones:
Box-Cox, Box-Tidwell,
regresin polinmica,
etc.
Vence Tarea 7
9
29
Regresin logstica
Entrega Tarea 9
8
Inmaculada
15th
31
Modelos lineales
generalizados (GLM).
16th
32
Regresin no lineal
Vence Tarea 8
Martes
20
33
Regresin no
paramtrica: kernels y
otros suavizadores.
Entrega Tarea 10
Jueves
22
Regresin no
paramtrica
Vence Tarea 9
Curso 20112012
34
Viernes
23
Regresin
semiparamtrica
35
2012
Lunes
Ene 10th
34
Anlisis de Varianza.
Modelo un
tratamiento.
Introduccin.
Entrega Tarea 11
17th
37
Anlisis de Varianza.
Modelos con dos y
ms tratamientos,
aditivos y con
interaccin.
Vence Tarea 10
24
40
Anlisis de Varianza.
Otros diseos.
Mircoles
Viernes
12th
35
Anlisis de Varianza.
Modelo un
tratamiento.
Contrastes.
13th
36
Anlisis de Varianza.
Modelo aditivo con
dos tratamientos
cruzados.
19th
38
Modelos incompletos.
Cuadrado latino y
grecolatino.
20
39
Anlisis de Varianza.
Modelos anidados.
Otros diseos.
Vence Tarea 11.
26
41
Dudas, preguntas.
27
10
42
Curso 20112012
Bibliografa
Abadir, K. & Magnus, J. (2005), Matrix Algebra, Cambridge Univ. Press.
Chambers, J. M. & Hastie, T. J. (1992), Statistical Models in S, Wadsworth
& Brooks/Cole, Pacific Grove, Ca.
Cook, R. D. & Weisberg, S. (1982), Residuals and Influence in Regression,
Chapman and Hall, New York.
Dalgaard, P. (2002), Introductory Statistics with R, Statistics and Computing,
Springer-Verlag. Signatura: 519.682 DAL.
Draper, N. R. & Smith, H. (1998), Applied Regression Analysis, third edn,
Wiley. Signatura: 519.233.5 DRA.
Faraway, J. J. (2005), Linear Models with R, Chapman & Hall/CRC. Signatura: 519.233 FAR.
Fox, J. (2002), An R and S-Plus Companion to Applied Regression, Sage
Pub.
Gentle, J. (2007), Matrix Algebra: Theory, Computations, and Applications
in Statistics, Springer.
Hastie, T. J. & Tibshirani, R. J. (1991), Generalized Additive Models, 2nd.
edn, Chapman & Hall, London.
Hoerl, A. E. & Kennard, R. W. (1970), Ridge regression: Biased estimation
for non-orthogonal problems, Technometrics 12, 5567.
Hosmer, D. W. & Lemeshow, S. (1989), Applied Logistic Regression, Wiley.
Kleinbaum, D. G. (1994), Logistic Regression. A Self-Learning Test, Springer
Verlag.
Krause, A. & Olson, M. (1997), The Basics of S-Plus, Springer Verlag.
Signatura: 519.682 KRA.
Myers, R. H. (1990), Classical and Modern Regression with Applications,
PWS-KENT Pub. Co., Boston.
11
Curso 20112012
12