Los coeficientes estimados de un modelo autorregresivo (AR) también se pueden emplear como características de series de tiempo.1 Considere el siguiente modelo AR de orden P:
donde el término de error εt se supone un proceso de ruido blanco. En la práctica, el orden AR P está determinado por un medio de criterio de selección de modelos, como el criterio de información bayesiana (BIC) propuesto por Schwarz (1978). Una vez que P se selecciona correctamente, los valores estimados de ϕ1,…, ϕp son capaces de caracterizar patrones que varían en el tiempo de XT. Es común en la literatura utilizar estimaciones de coeficientes AR para clasificar las realizaciones de series de tiempo (Liu y Maharaj, 2013; Liu, Maharaj y Inder, 2014; Maharaj, 2000).
Una vez que se calculan las características de las series temporales, se pueden aplicar algoritmos de clasificación estándar (por ejemplo, vecino K-Nearest, máquinas de vectores de soporte, etc.). El principio de clasificación es sencillo: siempre asigne una serie de tiempo al grupo con el que tiene la mayor similitud. La similitud/disimilitud se mide mediante cierta función de distancia de las características de series de tiempo calculadas, por ejemplo, la distancia euclidiana entre los valores de SACF. Tenga en cuenta que en la práctica, las características de la serie temporal de un grupo se aproximan por las características de un representante del grupo (por ejemplo, la serie de tiempo del centroide en ese grupo).
Existen numerosos ejemplos de datos de clasificación de ECG, EMG o EEG utilizando métodos basados en características, y los resultados de la clasificación han sido generalmente deseables. Por ejemplo, Ge et al. (2002) y Corduas y Piccolo (2008) intentaron clasificar los datos de ECG midiendo la distancia entre los coeficientes autorregresivos estimados. El resultado de la clasificación mostró que los grupos de arritmia pueden ser bien reconocidos y separados del grupo de ritmo sinusal normal. Kalpakis et al. (2001) consideraron las características de la serie temporal ACF y Cepstrum para la clasificación de las señales de ECG. Ambas características lograron un buen rendimiento en la discriminación entre los grupos de salud y enfermedades. Kang, Cheng, Lai y Tsao (1995) emplearon coeficientes tanto autorregresivos como cepstrales para clasificar los patrones en señales EMG de 20 repeticiones de 10 movimientos, y los resultados experimentales mostraron que la tasa media de reconocimiento de los coeficientes cepstrales fue al menos 5% superior a la que de los coeficientes autorregresivos. Gupta, Parameswaran y Lee (2009) abordaron la cuestión de la clasificación de los datos de EEG caracterizando las señales de electrodos utilizando la densidad espectral de potencia normalizada, lo que resultó en muy alta precisión.
¿Qué son los valores de coeficiente?
Un coeficiente se refiere a un número o cantidad colocada con una variable. Por lo general, es un entero que se multiplica por la variable y escrita a su lado. Se supone que las variables que no tienen un número con ellas tienen 1 como su coeficiente. Por ejemplo, en la expresión 3x, 3 es el coeficiente de x pero en la expresión x2 + 3, 1 es el coeficiente de x2. En otras palabras, un coeficiente es un factor multiplicativo en los términos de un polinomio, una serie o cualquier expresión. Observe la siguiente expresión que muestra que 5 es el coeficiente de X2 y 8 es el coeficiente de y.
Un coeficiente puede ser positivo o negativo, real o imaginario, o en forma de decimales o fracciones. Otra definición de coeficiente dice: «Cualquier número con el que multiplicamos una variable». Por ejemplo, en el término 9.3x, 9.3 es el coeficiente de la variable x, y en -5z, -5 es el coeficiente.
El coeficiente de una variable es el valor del entero o cualquier letra que esté presente con la variable. Por ejemplo, el coeficiente de variable x en la expresión 2x + 3y es 2, y en la misma expresión, el coeficiente de variable y es 3. De manera similar, el coeficiente de la variable x2 en la expresión cuadrática ax2 + bx + c es un .
Para encontrar un coeficiente de una variable en un término, siga los pasos que se dan a continuación:
- Paso 1: rodee la variable junto con su potencia cuyo coeficiente estamos encontrando.
- Paso 2: Deje esa variable y considere todos los demás números o variables escritas con ella. Ese será el coeficiente.
Por ejemplo, encontremos los coeficientes de X e Y en el término 5xy. Para encontrar el coeficiente de X, podemos rodearlo o subrayarlo. Luego, tome todo lo demás excepto X, es decir, 5y. Entonces, el coeficiente de X en el término 5xy es 5y. Del mismo modo, el coeficiente de y en el término 5xy es 5x.
¿Qué son los valores coeficientes?
La evaluación de la propiedad cambia de acuerdo con sus características y, para su definición, se utilizan parámetros conocidos como coeficientes correctivos. Estos varían según el tipo de propiedad y pueden aumentar el valor, en caso de que haya puntos de mérito capaces de hacer que la casa sea más atractiva para un posible comprador, pero también disminuyendo cuando hay aspectos capaces de influir negativamente en su evaluación en general, y por lo tanto en su precio de mercado.
Los principales coeficientes correctivos para las propiedades residenciales se basan en estas características de diversificación:
El estado locativo se refiere a la posible presencia de un arrendamiento en la propiedad y su tipo. La presencia de un contrato de arrendamiento, especialmente si con muchos años de duración, afectará negativamente el valor comercial de la propiedad.
¿Piano a qué piso se encuentra el apartamento? En principio, los planes que sufren una apreciación son los posicionados más altos y los áticos. La presencia de un ascensor es fundamental en este sentido.
Estado de conservación Una propiedad puede estar en estados de conservación muy diferentes: van desde la propiedad a ser restaurada a la nueva construcción. Si el edificio está bien conservado y en buenas condiciones obviamente su valor solo puede aumentar.
Brillo Este parámetro considera la cantidad de luz natural que ingresa a la casa. Una casa con mejor exposición al sol y, por lo tanto, una orientación al sur, se considerará más atractiva que una con un brillo limitado o ausente.
¿Qué es el coeficiente de un número?
Término del coeficiente que generalmente indica un factor que multiplica uno o más términos variables o constantes. Por ejemplo, dos cantidades x e y directamente proporcionales están vinculadas por una ley del tipo y = kx en la que k es un número real no nulo, llamado coeficiente de proporcionalidad.
Constante que multiplica la parte del monoma que contiene las variables (indeterminadas). Por ejemplo, en el monomio 3x 2y, donde las variables son x e y, el coeficiente es 3. Los coeficientes 1 o −1 generalmente se escriben; Por lo tanto, por ejemplo, el monomio – A3 tiene un coeficiente igual a –1. A menudo es útil mantener un nivel de mayor generalidad: en estos casos, el coeficiente de un monoma no debe ser necesariamente un número fijo, pero puede indicarse a su vez con una letra. Sin embargo, debe considerarse como un valor fijo y no debe confundirse con lo indeterminado del monoma. Para evitar malentendidos, es bueno en estos casos especificar las incógnitas del monoma, para no confundirlos con ningún coeficiente literal. Por ejemplo, en el monomio AX4 en la variable x, el coeficiente es a. Un coeficiente literal también se llama parámetro: debe considerarse como una constante numérica no especificada. En general, el coeficiente de un monoma puede contener simultáneamente una parte numérica y literal (que no debe confundirse con las variables del monoma): por ejemplo, en el monoma 3A2B3XY 5 en las variables X e Y, el coeficiente es 3A2B3 es 3A2B3 es 3A2B3 es 3A2B3 .
Coeficientes de cada uno de los monomas que constituyen el polinomio. En particular, el coeficiente del monomio de máximo grado de un polinomio en una variable se llama director de coeficiente del polinomio.
¿Qué interpretación le podemos dar al coeficiente de regresión?
Incluso cuando un coeficiente de regresión se interpreta (correctamente) como
una tasa de cambio de una media condicional (en lugar de una tasa de cambio de
la variable de respuesta), es importante tener en cuenta el
incertidumbre en la estimación del coeficiente de regresión. A
ilustrar, en el ejemplo utilizado en
El ítem 1 anterior, la línea de regresión calculada tiene ecuación ŷ
= 0.56 + 2.18x. Sin embargo, un intervalo de confianza del 95% para la pendiente
es (1.80, 2.56). Entonces dice: «La tasa de cambio de la media condicional
de y con respecto a x se estima entre
1.80 y 2.56 «generalmente es 1 preferible decir:» La tasa
del cambio de la media condicional Y con respecto a X es aproximadamente 2.18 «.
3. Interpretar un coeficiente que es
no estadísticamente significativo.2
Las interpretaciones de los resultados que no son estadísticamente significativos son
hecho sorprendentemente a menudo. Si la prueba t para un coeficiente de regresión es
no estadísticamente significativo, no es apropiado interpretar el
coeficiente. Una mejor alternativa podría ser decir: «No hay estadísticamente
Se detectó una dependencia lineal significativa de la media de y en x.
4. Interpretar coeficientes en regresión múltiple con la misma
Lenguaje utilizado para una pendiente en una regresión lineal simple.
Incluso cuando hay una dependencia lineal exacta de una variable en
Otros dos, la interpretación de los coeficientes no es tan simple como para
una pendiente con una variable dependiente.
¿Cómo se interpreta un coeficiente de regresión?
Esta guía supone que tiene al menos un poco de familiaridad con los conceptos de regresión múltiple lineal, y es capaz de realizar una regresión en algún paquete de software como Stata, SPSS o Excel. Es posible que desee leer primero la introducción de nuestra página complementaria a la regresión. Para obtener ayuda en la realización de regresión en paquetes de software particulares, hay algunos recursos en el portal de computación estadística de UCLA.
Recuerde que el análisis de regresión se utiliza para producir una ecuación que predice una variable dependiente utilizando una o más variables independientes. Esta ecuación tiene la forma
- Y = b1x1 + b2x2 +… + a
donde y es la variable dependiente que está tratando de predecir,
X1, x2, etc.
Variables independientes que está utilizando para predecirlo, B1, B2
y así sucesivamente son los coeficientes o multiplicadores
que describen el tamaño del efecto que tienen las variables independientes
en tu variable dependiente y,
y A es el valor y se predice que tiene cuando todo el
Las variables independientes son iguales a cero.
En la regresión de Stata que se muestra a continuación, la ecuación de predicción es precio =
-294.1955 (mpg) + 1767.292 (extranjero) + 11905.42 – diciéndole ese precio
se predice que aumentará 1767.292 cuando la variable extranjera aumenta
uno, disminuir en 294.1955 cuando MPG sube por uno, y se predice
11905.42 cuando tanto MPG como extranjeros son cero.
Presentar una ecuación de predicción como esta es solo una útil
ejercicio si las variables independientes en su conjunto de datos tienen algunos
correlación con su variable dependiente. Entonces además del
componentes de predicción de su ecuación: los coeficientes en su
Variables independientes (betas) y la constante (alfa): necesita algunas
medir para decirle cuán fuertemente se asocia cada variable independiente
con su variable dependiente.
¿Que explica el analisis de regresion?
El análisis de regresión calcula la relación estimada entre una variable dependiente y una o más variables explicativas. Le permite modelar la relación entre las variables elegidas y proporcionar valores dependiendo del modelo.
El análisis de regresión utiliza un método de estimación elegido, una variable dependiente y una o más variables explicativas para formar una ecuación que considera los valores de la variable dependiente.
El modelo de regresión incluye salidas, como los valores R2 y P, para proporcionar información sobre cómo el modelo considera la variable dependiente.
El análisis de regresión se puede utilizar para resolver los siguientes tipos de problemas:
- Identifique las variables explicativas que están asociadas con la variable dependiente.
- Comprender la relación entre variables dependientes y explicativas.
- Proporcione los valores desconocidos de la variable dependiente.
Un analista de una pequeña tienda de tiendas estudia el rendimiento de las diversas ubicaciones de los puntos de venta. Quiere saber por qué el volumen de ventas de ciertos puntos de venta es tan bajo. El analista crea un modelo de regresión con variables explicativas, como la edad media y el ingreso mediano en las cercanías, así como la distancia para ir a los centros comerciales y el transporte público, para identificar las variables que influyen en las ventas.
¿Qué significa EE del coeficiente en Minitab?
Los coeficientes son los números por los cuales se multiplican las variables en una ecuación. Por ejemplo, en la ecuación y = -3.6 + 5.0×1 -1.8×2, las variables x1 y x2 se multiplican por 5.0 y -1.8, respectivamente, por lo que los coeficientes son 5.0 y -1.8.
Al calcular una ecuación de regresión a los datos del modelo, Minitab estima los coeficientes para cada variable predictor en función de su muestra y muestra estas estimaciones en una tabla de coeficientes. Por ejemplo, la siguiente tabla de coeficientes se muestra en la salida para una ecuación de regresión:
Esta ecuación predice el flujo de calor en un hogar basado en la posición de sus puntos focales, la insolación y la hora del día. Minitab muestra los valores de coeficiente para la ecuación en la segunda columna:
Cada coeficiente estima el cambio en la respuesta media por unidad de aumento en X cuando todos los demás predictores se mantienen constantes. Por ejemplo, en la ecuación de regresión, si la variable norte aumenta en 1 y las otras variables siguen siendo las mismas, el flujo de calor disminuye en aproximadamente 22.95 en promedio.
Si el valor p de un coeficiente es menor que el nivel de significancia elegido, como 0.05, la relación entre el predictor y la respuesta es estadísticamente significativa. Minitab también incluye un valor para la constante en la ecuación en la columna COEF.
El coeficiente de término también se puede utilizar para denotar un valor numérico calculado utilizado como índice, como un coeficiente de correlación, un coeficiente de determinación o el coeficiente de Kendall.
¿Qué mide el error estándar de la estimación en la regresión múltiple?
En mi opinión, el error estándar residual tiene varias ventajas. Le dice directamente cuán precisas son las predicciones del modelo utilizando las unidades de la variable dependiente. Esta estadística indica cuán lejos están los puntos de datos de la línea de regresión en promedio. Desea valores más bajos de S porque significa que las distancias entre los puntos de datos y los valores ajustados son más pequeñas. S también es válido para modelos de regresión lineal y no lineal. Este hecho es conveniente si necesita comparar el ajuste entre ambos tipos de modelos.
Para R-cuadrado, desea que el modelo de regresión explique porcentajes más altos de la varianza. Los valores R más altos indican que los puntos de datos están más cerca de los valores ajustados. Si bien los valores R más altos son buenos, no le dicen cuán lejos están los puntos de datos de la línea de regresión. Además, R-cuadrado es válido solo para modelos lineales. No puede usar R-cuadrado para comparar un modelo lineal con un modelo no lineal.
Este modelo de regresión describe la relación entre el índice de masa corporal (IMC) y el porcentaje de grasa corporal en las niñas de la escuela intermedia. Es un modelo lineal que utiliza un término polinomial para modelar la curvatura. La gráfica de línea ajustada indica que el error estándar de la regresión es 3.53399% de grasa corporal. La interpretación de esta s es que la distancia estándar entre las observaciones y la línea de regresión es 3.5% de grasa corporal.
S mide la precisión de las predicciones del modelo. En consecuencia, podemos usar S para obtener una estimación aproximada del intervalo de predicción del 95%. Alrededor del 95% de los puntos de datos están dentro de un rango que se extiende desde el error estándar +/- 2 * de la regresión desde la línea ajustada.
¿Qué mide el error estándar en una regresión?
Este artículo fue coescrito por nuestro equipo compuesto por editores e investigadores que lo validaron por su precisión y exhaustividad. El equipo de gestión de contenido de Wikihow monitorea cuidadosamente el trabajo de nuestro equipo editorial para garantizar que cada elemento esté respaldado por una investigación confiable y cumpla con nuestros estándares de alta calidad.
El error de estimación estándar se usa para determinar en qué medida una línea recta puede describir los valores de un conjunto de datos. Cuando tiene una recopilación de datos de una medición, experiencia, encuesta u otra fuente, puede crear una línea de regresión para estimar datos adicionales. Con el error de estimación estándar, obtienes una puntuación que describe la calidad de la línea de regresión.
- X
{ Displaystyle x} - Y
{ DisplayStyle y} - Y
′
{ DisplayStyle y ^ { prime}} - Y
–
Y
′
{ DisplayStyle yy ^ { prime}} - (
Y
–
Y
′
))
2
{ DisplayStyle (yy ^ { prime}) ^ {2}} - Tenga en cuenta que la tabla presentada en la imagen de arriba realiza las restos opuestos,
Y
′
–
Y
{ DisplayStyle y ^ { prime} -y}
. El orden más estándar, sin embargo, es
Y
–
Y
′
{ DisplayStyle yy ^ { prime}}
. Dado que los valores de la última columna son cuadrados, el negativo no es problemático y no cambiará el resultado. Sin embargo, debe reconocer que el cálculo más estándar es
Y
–
Y
′
{ DisplayStyle yy ^ { prime}}
. - El orden de los datos y el emparejamiento son importantes para estos cálculos. Debe tener cuidado de mantener sus puntos de datos combinados en orden.
- Para ejemplos de cálculos anteriores, los pares de datos son los siguientes:
- Para este artículo, se supone que tendrá la ecuación del derecho de regresión o que se ha predicho por medios anteriores.
- Usando la ecuación del derecho de regresión, calcule o «predice» los valores de
Y
′
{ DisplayStyle y ^ { prime}}
Para cada valor de x. Inserte el valor x en la ecuación y encuentre el resultado para
Y
′
{ DisplayStyle y ^ { prime}}
Como lo siguiente: - Para los datos del conjunto de muestras, estos cálculos son los siguientes:
- Si los datos medidos representan una población completa, encontrará el promedio dividiendo por n, el número de puntos de datos. Sin embargo, si trabaja con una muestra más pequeña de la población, reemplace N-2 en el denominador.
- Para el ejemplo del conjunto de datos en este artículo, podemos suponer que es un conjunto de muestras y no una población, simplemente porque solo hay 5 valores de datos. Por lo tanto, calcule el error estándar de la estimación de la siguiente manera:
- Con este pequeño conjunto de muestras, la puntuación de error estándar de 0.894 es bastante baja y representa resultados de datos bien organizados.
¿Qué mide el error estándar de la estimación?
El error estándar de la estimación es la estimación de la precisión de cualquier predicción. Se denota como ver. La línea de regresión deprecia la suma de las desviaciones cuadradas de predicción. También se conoce como la suma del error de cuadrados. Ver es la raíz cuadrada de la desviación cuadrada promedio. La desviación de algunas estimaciones de los valores previstos está dada por el error estándar de la fórmula de estimación.
Donde Xi significa valores de datos, X Bar es el valor medio y N es el tamaño de la muestra.
Paso 4: Divida la suma del paso 3 por uno menos que el número total de mediciones (N-1).
Paso 5: tome la raíz cuadrada del número obtenido, que es la desviación estándar (σ).
Paso 6: Finalmente, divida la desviación estándar obtenida por la raíz cuadrada del número de mediciones (n) para obtener el error estándar de su estimación.
Realice el ejemplo que se da a continuación para comprender el método de calcular el error estándar.
Solución: Primero tenemos que encontrar la media de los datos dados;
S = suma de la diferencia entre cada valor de datos dados y el valor medio/número de valores.
La siguiente tabla muestra cómo podemos calcular la desviación estándar (DE) utilizando parámetros de población y error estándar (SE) utilizando parámetros de muestra.
Los errores estándar producen medidas simplistas de incertidumbre en un valor. A menudo se usan porque, en muchos casos, si se conoce el error estándar de algunas cantidades individuales, entonces podemos calcular fácilmente el error estándar de alguna función de las cantidades. Además, cuando se conoce la distribución de probabilidad del valor, podemos usarla para calcular un intervalo de confianza exacto. Sin embargo, el error estándar es un indicador esencial de cuán precisa es una estimación del parámetro de población de la estadística de muestra.
Artículos Relacionados:
