Es imposible la multicolinealidad severa cuando tienes una variablre
respuesta y una variable explicativa nada mas no???
------------------------------
From: jorgeivanvelez en gmail.com
Date: Thu, 21 Apr 2016 11:35:43 -0500
Subject: Re: [R-es] Calcular Error en modelo lineal
To: j.para.fernandez en hotmail.com
CC: r-help-es en r-project.org
Hola Jesús,
Lo que mencionas es posible en presencia de multicolinealidad severa. Solo
en ese caso los intervalos de confianza y prediccion son equivalentes. Sin
embargo, y por tu ejemplo, este parece no ser tu caso.
Saludos,
Jorge.-
2016-04-21 9:49 GMT-05:00 Jesús Para Fernández <
j.para.fernandez en hotmail.com>:
Enun ejemplo real estoy viendo como el intervalo de confianza usando lo
que me comentas me ha salido mucho más pequeño de lo que la realidad luego
refleja. ¿Cómo es esto posible??
Es decir, veo que para valores de 2,70 obtengo una respuesta de entre 2,69
y 2,90 y sin embargo luego en la realidad tengo valores entre 2,20 y 3
Gracias
Jesús
------------------------------
From: jorgeivanvelez en gmail.com
Date: Thu, 21 Apr 2016 09:09:03 -0500
Subject: Re: [R-es] Calcular Error en modelo lineal
To: j.para.fernandez en hotmail.com
CC: r-help-es en r-project.org
Buenos dias Jesus,
Esos valores son _aproximados_. Las estimaciones, de acuerdo con teoria
de regresion, podrian obtenerse de manera puntual y construir intervalos de
_confianza_ y _prediccion_ alrededor de estos. Ten en cuenta que el 2do
tipo de intervalos de calcula para observaciones _futuras_.
En R puedes calcularlos de la siguiente manera:
## IC de confianza
## ver ?predict.lm para mas detalles
R> data.frame(y, predict(modelo, interval = "confidence"))
y fit lwr upr
#1 8.35 9.938571 6.580445 13.29670
#2 12.42 11.804286 9.134239 14.47433
#3 18.00 15.535714 13.664949 17.40648
#4 17.58 17.401429 15.396872 19.40599
#5 17.97 19.267143 16.798908 21.73538
#6 20.76 21.132857 18.014915 24.25080
## intervalos de prediccion para x = 25
R> predict(modelo, newdata = data.frame(x = 25), interval = "prediction")
# fit lwr upr
#1 23.93143 17.69035 30.17251
Lo anterior significa que E[y|x=25] = 23.93 y el intervalo de prediccion
del 95% es (17.69, 30.17).
Espero sea de utilidad.
Saludos cordiales,
Jorge.-
2016-04-21 8:56 GMT-05:00 Jesús Para Fernández <
j.para.fernandez en hotmail.com>:
Buenas, una pregunta.
Si yo estoy calculando un modelo lineal, el caso más simple, 1 variable
respuesta y una variable explicativa y creo un modelo, me da un R2 del 80%
y quiero ver como es esa relacion entre las variables, para calcular el
error de predicción del modelo, basta con ver el intervalo de confianza del
modelo e irme a los extremos?
Por si no me he expresado bien, un ejemplo tonto:
y=c(8.35,12.42,18.00,17.58,17.97,20.76)
x=c(10,12,16,18,20,22)
modelo<-lm(y~x)
summary(modelo)
library(MASS)
Confint(modelo, level=0.95)
Con esto tengo un modelo :
Confint(RegModel.1, level=0.95)
Estimate 2.5 % 97.5 %
(Intercept) 0.6100000 -6.8296312 8.049631
x 0.9328571 0.4919135 1.373801
Es decir, el intervalo de confianza de la respuesta y en función de los
valores x, serÃa de la forma (ymin,ymax), siendo:
ymin = -6,82 + 0,49*x
ymax = 8,05 + 1,37*x
Es esto correcto???
Gracias
Jesús
[[alternative HTML version deleted]]