¡Gracias por tu comentario y sugerencia! Definitivamente, explorar el supuesto de linealidad en la regresión lineal múltiple es crucial para asegurarnos de que los modelos que construimos son adecuados y eficaces. En futuros videos, planeo detallar cómo verificar este supuesto utilizando gráficos de dispersión y análisis de residuales, además de discutir qué hacer si la relación entre las variables no es lineal. ¡Estén atentos para más contenido que profundice en estos temas importantes!
Durbin Watson es para evaluar autocorrelación en series de tiempo. Por favor, justifique su uso para "evaluar la independencia de los errores". Quedo a la espera. Gracias.
Exelente video de los modelos de regresión, es un exelente profesor muchas gracias por impartirnos la clase de macroeconomía y brindarnos todo su conocimiento y siempre estar con la mejor actitud a la hora de enseñarnos 💪🏼
¡Muchas gracias por el video, estimado Elias A! Consulta: en el caso de que no se cumpla con el supuesto de independencia ¿que' opciones existen para salvar este inconveniente?
Si el supuesto de independencia no se cumple, significa que los errores están correlacionados. Algunas opciones para solucionarlo son: 1. Modelos para datos correlacionados: - Usar "modelos de efectos mixtos o regresión de datos panel", dependiendo de la estructura de los datos. 2. Corregir la autocorrelación (en series temporales): - Aplicar un modelo como "ARIMA" o incluir retardos (lag) en las variables. 3. Corregir mediante errores estándar robustos: - Estimar errores estándar robustos a la heterocedasticidad y autocorrelación (HAC) para ajustar las pruebas de significancia. Recuerda interpretar los resultados con precaución y, si es posible, reestructurar el diseño del estudio. ¡Gracias por tu pregunta y sigue aprendiendo! 😊 Saludos
¡Hola! Muchas gracias por tu comentario sobre el video, me alegra saber que te fue útil. 😊 En cuanto a tu pregunta, si no seleccionas los valores pronosticados "no estandarizados" en SPSS, no habrá un problema técnico con la tabla en sí, pero sí puede afectar el uso o interpretación de los resultados, dependiendo de lo que necesites analizar. Aquí está el detalle: 1. Valores pronosticados estandarizados: - Estos están expresados en términos de desviaciones estándar y no en las unidades originales de la variable dependiente. - Son útiles para interpretar la influencia relativa de las variables independientes, pero pueden ser confusos si necesitas hacer predicciones en términos concretos (es decir, en la escala original de la variable dependiente). 2. Valores pronosticados no estandarizados: - Representan los valores esperados de la variable dependiente en su escala original. - Son necesarios si quieres verificar cómo se ajustan tus datos a los valores reales, realizar predicciones prácticas o graficar el modelo. Recomendación: Seleccionar siempre los valores "no estandarizados" cuando desees interpretar los resultados en la escala original de tus datos o realizar análisis más específicos, como predicciones concretas. Si no los seleccionas, te perderás esta posibilidad, aunque la tabla de coeficientes seguiría siendo válida. Espero que esta respuesta aclare tu duda. ¡Gracias por interactuar con el canal y sigue aprendiendo! 😊
¡Hola! Muchas gracias por tu pregunta y por ver el video. 😊 Tienes toda la razón, cuando se trabaja con muestras pequeñas (generalmente menores a 50 observaciones), es más recomendable aplicar la prueba de Shapiro-Wilk en lugar de la de Kolmogorov-Smirnov, ya que la primera es más sensible y adecuada para detectar desviaciones de la normalidad en tamaños de muestra pequeños. En el caso del video, se utilizó Kolmogorov-Smirnov como ejemplo práctico, pero si tu muestra es de 15 observaciones, la prueba de Shapiro-Wilk sería una mejor opción. Gracias por mencionarlo, este es un excelente punto para tener en cuenta al elegir pruebas estadísticas. ¡Saludos! 😊📊
Gracias por tu pregunta mi estimado. Para dar respuesta diré que: - Tipificado: Se usa cuando necesitas estandarizar las variables para comparar sus efectos en la misma escala, generalmente en modelos donde las variables tienen unidades muy diferentes (por ejemplo, ingresos vs. edad). Los coeficientes resultantes estarán en términos de desviaciones estándar. - No Tipificado: Es la opción predeterminada y se usa cuando quieres interpretar los coeficientes en las unidades originales de las variables (como pesos, años, etc.), lo cual es útil para análisis prácticos. Selecciona según el objetivo de tu análisis: "tipificado" para comparar efectos y "no tipificado" para interpretar directamente. ¡Espero te sirva esta explicación! 😊 Saludos
![Noob To Max With DRAGON REWORK In Blox Fruits [FULL MOVIE]](http://i.ytimg.com/vi/LnBMOinoOvA/mqdefault.jpg)
¡Gracias por el video! Seria muy interesante ampliar y profundizar el "supuesto de linealidad" en la Regresion Lineal Multiple.
¡Gracias por tu comentario y sugerencia! Definitivamente, explorar el supuesto de linealidad en la regresión lineal múltiple es crucial para asegurarnos de que los modelos que construimos son adecuados y eficaces. En futuros videos, planeo detallar cómo verificar este supuesto utilizando gráficos de dispersión y análisis de residuales, además de discutir qué hacer si la relación entre las variables no es lineal. ¡Estén atentos para más contenido que profundice en estos temas importantes!
Dr. gracias por su aportación. Saludos!!!
Gracias por comentar😄
¡Muy buen video! Me gustó mucho la forma en que está explicado, es muy parecido a como se da en clase y facilita su entendimiento.
Gracias pro comentar, saludos😀
Durbin Watson es para evaluar autocorrelación en series de tiempo. Por favor, justifique su uso para "evaluar la independencia de los errores". Quedo a la espera. Gracias.
Exelente video de los modelos de regresión, es un exelente profesor muchas gracias por impartirnos la clase de macroeconomía y brindarnos todo su conocimiento y siempre estar con la mejor actitud a la hora de enseñarnos 💪🏼
Un placer😉
¡Muchas gracias por el video, estimado Elias A! Consulta: en el caso de que no se cumpla con el supuesto de independencia ¿que' opciones existen para salvar este inconveniente?
Si el supuesto de independencia no se cumple, significa que los errores están correlacionados. Algunas opciones para solucionarlo son:
1. Modelos para datos correlacionados:
- Usar "modelos de efectos mixtos o regresión de datos panel", dependiendo de la estructura de los datos.
2. Corregir la autocorrelación (en series temporales):
- Aplicar un modelo como "ARIMA" o incluir retardos (lag) en las variables.
3. Corregir mediante errores estándar robustos:
- Estimar errores estándar robustos a la heterocedasticidad y autocorrelación (HAC) para ajustar las pruebas de significancia.
Recuerda interpretar los resultados con precaución y, si es posible, reestructurar el diseño del estudio. ¡Gracias por tu pregunta y sigue aprendiendo! 😊
Saludos
Muy bien video! Una de pregunta, si en los valores pronosticados no se selecciona “no estandarizados, habría problema con la tabla?
ya sabes cuándo? necesito la respuesta también
¡Hola! Muchas gracias por tu comentario sobre el video, me alegra saber que te fue útil. 😊
En cuanto a tu pregunta, si no seleccionas los valores pronosticados "no estandarizados" en SPSS, no habrá un problema técnico con la tabla en sí, pero sí puede afectar el uso o interpretación de los resultados, dependiendo de lo que necesites analizar.
Aquí está el detalle:
1. Valores pronosticados estandarizados:
- Estos están expresados en términos de desviaciones estándar y no en las unidades originales de la variable dependiente.
- Son útiles para interpretar la influencia relativa de las variables independientes, pero pueden ser confusos si necesitas hacer predicciones en términos concretos (es decir, en la escala original de la variable dependiente).
2. Valores pronosticados no estandarizados:
- Representan los valores esperados de la variable dependiente en su escala original.
- Son necesarios si quieres verificar cómo se ajustan tus datos a los valores reales, realizar predicciones prácticas o graficar el modelo.
Recomendación: Seleccionar siempre los valores "no estandarizados" cuando desees interpretar los resultados en la escala original de tus datos o realizar análisis más específicos, como predicciones concretas. Si no los seleccionas, te perderás esta posibilidad, aunque la tabla de coeficientes seguiría siendo válida.
Espero que esta respuesta aclare tu duda.
¡Gracias por interactuar con el canal y sigue aprendiendo! 😊
La muestra es de 15, no se aplicaria la prueba de normalidad de Shapiro-Wilk, en lugar de la de Kolgomorov?
¡Hola! Muchas gracias por tu pregunta y por ver el video. 😊 Tienes toda la razón, cuando se trabaja con muestras pequeñas (generalmente menores a 50 observaciones), es más recomendable aplicar la prueba de Shapiro-Wilk en lugar de la de Kolmogorov-Smirnov, ya que la primera es más sensible y adecuada para detectar desviaciones de la normalidad en tamaños de muestra pequeños.
En el caso del video, se utilizó Kolmogorov-Smirnov como ejemplo práctico, pero si tu muestra es de 15 observaciones, la prueba de Shapiro-Wilk sería una mejor opción. Gracias por mencionarlo, este es un excelente punto para tener en cuenta al elegir pruebas estadísticas.
¡Saludos! 😊📊
En qué casos debo seleccionar "Tipificado" y "No Tipificado" podría indicarme por favor
Gracias por tu pregunta mi estimado. Para dar respuesta diré que:
- Tipificado: Se usa cuando necesitas estandarizar las variables para comparar sus efectos en la misma escala, generalmente en modelos donde las variables tienen unidades muy diferentes (por ejemplo, ingresos vs. edad). Los coeficientes resultantes estarán en términos de desviaciones estándar.
- No Tipificado: Es la opción predeterminada y se usa cuando quieres interpretar los coeficientes en las unidades originales de las variables (como pesos, años, etc.), lo cual es útil para análisis prácticos.
Selecciona según el objetivo de tu análisis: "tipificado" para comparar efectos y "no tipificado" para interpretar directamente.
¡Espero te sirva esta explicación! 😊
Saludos