Seminaris nutrició comunitària 5 i 6 (2017)

Apunte Catalán
Universidad Universidad de Barcelona (UB)
Grado Nutrición Humana y Dietética - 3º curso
Asignatura Nutrición comunitària
Año del apunte 2017
Páginas 4
Fecha de subida 02/07/2017
Descargas 0
Subido por

Vista previa del texto

MODEL DE REGRESSIÓ LINEAL SIMPLE: • • Pes: depenent Talla: independent Explicativa: variable que explica el perquè de l’associació amb la Y Predictora A nivell poblacional: Y = alfa (a) + beta (b)X alfa: ordenada d’origen beta: pendent Quan la X=0, l’alçada valdrà -106,4 (diapo 25). A vegades la ordenada d’origen només és un artefacte matemàtic, i la recta ha de creuar la Y (a -106,4). En aquest cas és una Extrapolació salvatge.
B = 1,03  En promig el pes s’incrementa en 1kg per cada cm d’altura.
Si incremento 10 cm  el pes incrementa en 10 kg.
Diapo 29: Per un individu que mesura 160,2  60,9 kg; en la recta posa que és 59,9. La diferència entre els dos valors és l’anomenat error.
Tots els punts tenen associats un error. La recta és aquella millor recta que minimitza els errors.
La Y observada: és el valor real que té l’individu Y predicció: és aquell valor que marca la recta.
Pes = 160,2 (està en el power) PREDICCIÓ Si la correlació és positiva  la pendent (b) serà positiva Si la correlació és negativa  la pendent (b) serà negativa Diapo 35: Ho: no associació; Ho: p=0 Ha: Sí associació; Ha: p no = a 0 Si p valor > 0,05 NO rebutjarem en Ho Si em quedo amb la hipòtesis nul·la  alfa = 0  quan la y val 0 la x val 0. Ens avalua si la recta passa pel punt d’origen o no.
RESULTATS AMB EL R PACKAGE: Pes  y Altura  x Residus = error = error residuals Intercept = a Altura = b (pendent associat a la variable x) Std. Error = Error estàndard.
Pr = P valor • • Rebutjem la Ho en que alfa sigui = 0.
Rebutjem la Ho de que la pendent (b) sigui igual a 0.
*** = ?????? COM MESURAR LA BONDAT D’AJUST D’UNA REGRESSIÓ? La recta s’ajusta millor si hi ha menys errors, millor ajust.
Variabilitat residual: Variabilitat de Y: INTERPRETACIÓ DE LA VARIABILITAT EN Y: La variabilitat és tota la franja rosa. La variabilitat Y explicarà la variabilitat de les variables.
INTERPRETACIÓ DELS RESIDUS O ERRORS: Tots els errors tenen la variabilitat vermella. Si els punts estiguessin més junts, la variabilitat serà més petita.
Com pitjor sigui l’ajust, la franja es farà més gran.
Coeficient que compara les dues variabilitats (rosa) i la dels errors (vermella).
Com més petita sigui la dels residus, la variabilitat de les dades  millor ajust Com major sigui la dels residus, la variabilitat de la Y  mal ajust BONDAT DE L’AJUST: Al vermell li falta un tros: és la variabilitat de Y recollida pel model.
El vermell: Variabilitat de Y no recollida pel model.
El coeficient de determinació és el que explica la bondat de l’ajust.
La R va de -1 a +1.
La R ens pot dir si hi ha un bon ús o no.
SUPOSICIONS EN QUE ES REALITZEN EN UN MODEL DE REGRESSIÓ LINEAL: Per cada valor de x, els valors de la y es distribueix segons una normal.
Normalitat dels residus: els residus del model s’assumeix que es distribueixen segons una normal.
EXEMPLES: PROBLEMES A L’AJUSTAT...
1) No relació lineal, incompliment del model de regressió.
2) No homocedasticitat  en una part, hi ha una recta, però hi ha una zona amb més dispersió.
3) Dades influents  si ajusto la recta, hi ha punts molt fora d’enlloc (respecte la Y  dades influents) Diapo 46: 1) Residus distribuïts a l’atzar 2) Les meves dades tenen una relació no lineal. He ajustat un model y = a + bx que generen uns residus. La forma que no he ajustat jo acaba sortint.
3) Els residus tenen més dispersió.
4) La dispersió no és constant.
Si es compleix la linealitat, la nosequé i la normalitat.
Si segueix una normal o no, es pot mirar als residus.
DIAGNÒSTIC DEL MODEL DE REGRESSIÓ LINEAL: H0 : Residus quasi iguals a la normal Ha: Residus no iguals a la no normal • • 1  Test Shapiro Wills 2  Gràfis QQ plots En una normal (0,1) la mitjana de les nostres dades valdría zero. Mediana: zero.
VALORACIÓ DE DADES ATÍPIQUES: La recta també ha de detectar els valors atípics.
Les dades atípiques provoquen un mal ajust.
Valors per sobre de 2 o per sota de -2.
PASSES A SEGUIR PER ESTIMAR UNA RECTA DE REGRESSIÓ: 1. Gràfic de punts de les dues variables. Per mirar si hi ha relació lineal, valors outliers,… 2. Test d’independència entre les dos variables a partir del coeficient de correlació de Pearson.
...

Comprar Previsualizar