Rosana Ferrero

Buscar este blog

Redes Neuronales. Aplicaciones estadísticas.

Obtener enlace
Facebook
Twitter
Pinterest
Correo electrónico
Otras aplicaciones

TEMA 3

Etiquetas: redes neuronales

Obtener enlace
Facebook
Twitter
Pinterest
Correo electrónico
Otras aplicaciones

Comentarios

Publicar un comentario

Entradas populares

Clase 6: Índices de biodiversidad en R-project

Índices de biodiversidad Continuando con este breve curso sobre bioestadística en R ( Clase 1 , Clase 2 , Clase 3 , Clase 4 y Clase 5 ), en esta oportunidad intentaremos abordar el problema de los índices de biodiversidad utilizando R. Comenzaremos con algunos conceptos previos.

Construcción de modelos ARIMA en R

#Construcción de modelos ARIMA #1) graficamos los datos gnp96 = read.table ( "c:/data/gnp96.dat" ) #Analizamos el producto nacional bruto (GNP) desde 1947(1)-2003(3), n=223 gnp = ts ( gnp96 [ , 2 ] , start = 1947 , frequency = 4 ) #construimos la serie plot ( gnp ) #graficamos la serie acf ( gnp , 50 ) #graficamos el ACF y observamos que los datos no son estacionarios #2) aplicamos posibles transformaciones a los datos plot ( diff ( gnp ) ) #la diferenciación remueve la tendencia pero se observa aún algun tipo de tendencia remanente. La variabilidad en la segunda mitad es mayor que en la primer mitad de la serie. gnpgr = diff ( log ( gnp ) ) # calculamos la tasa de crecimiento X(t)=diff(log(Y(t))) plot.ts ( gnpgr ) # #parece ser un proceso estable #3) identificamos los órdenes de dependencia del modelo par ( mfrow= c ( 2 , 1 ) ) ; acf ( gnpgr , 24 ) ; pacf ( gnpgr , 24 ) #Existen 2 interpretaciones posibles: 1) el ACF se corta en lag=2 y el

Regresión: selección de variables. Stepwise, Forward, Backward

¿Cómo realizar una selección de variables predictoras para un modelo de regresión lineal múltiple? A menudo nos encontramos estudiando un gran número de variables explicativas (regresoras, predictoras, causales o independientes) y nos preguntamos cuál de ellas incluir en un modelo de regresión múltiple tanto por problemas de multicolinealidad como por su significación en la regresión. Estrategias de regresión Los métodos más comunes de selección de variables son: el de pasos sucesivos (stepwise), el de introducción progresiva (forward) y el de eliminación progresiva (backward). Eliminación hacia atrás (Backward Stepwise Regression). Se introducen todas las variables en la ecuación y después se van excluyendo una tras otra. En cada etapa se elimina la variable menos influyente según el contraste individual (de la t o de la F). 􏰐 Selección hacia adelante (Fordward Stepwise Regression). Las variables se introducen secuencialmente en el modelo. La primera var