Running Ols Regression In Stata Forex

Lo malo es usar OLS agrupadas en lugar de efectos fijos cuando tienes 7 años de datos de panel. De lo que he entendido, el riesgo es que los coeficientes se correlacionen con el término de error, haciendo las estimaciones sesgadas. Habrá alguna forma de endogeneidad. ¿Sería útil si incluyo maniquíes de año en la regresión de MCO combinada? Todavía no capturaría los efectos de variar la interceptación en la dimensión individual, a la derecha Una de mis principales variables explicativas es significativa en el nivel 5 en la regresión FE. En el OLS agrupado es significativo en el nivel 0.001. ¿Es este resultado insignificante o podría todavía usarse con la reserva de que está sobrestimado Lo pregunto porque la mayoría de los parámetros estimados son fuertemente significativos en la regresión OLS agrupada. Además, dos de mis variables explicativas que son constantes se caen en la regresión FE. Aunque son de interés secundario, contribuyen explicando bastante la variación en la variable dependiente. (La muestra es btw no congruente con un modelo de efectos aleatorios). ¿Hay alguna manera de decidir qué modelo podría ser más adecuado Si usted sabe algunas cosas que debe tener en cuenta al implementar los modelos que sería muy agradecido escucharlos pidió Jun 18 14 en 9: 47Multiple Regression Analysis usando Stata Introducción Múltiples regresión ( Una extensión de la regresión lineal simple) se utiliza para predecir el valor de una variable dependiente (también conocida como variable de resultado) basada en el valor de dos o más variables independientes (también conocidas como variables predictoras). Por ejemplo, usted podría usar la regresión múltiple para determinar si la ansiedad del examen se puede predecir basada en la marca del curso, el tiempo de revisión, la asistencia a la conferencia y el puntaje de CI (es decir, la variable dependiente sería la ansiedad del examen y las cuatro variables independientes serían marca de curso, Tiempo, asistencia a conferencias y puntuación de CI). Alternativamente, se podría utilizar una regresión múltiple para determinar si el ingreso puede predecirse en función de la edad, género y nivel educativo (es decir, la variable dependiente sería el ingreso y las tres variables independientes serían la edad, el género y el nivel educativo). Si usted tiene una variable dependiente dicotómica, puede usar una regresión logística binomial. La regresión múltiple también permite determinar el ajuste general (variante explicada) del modelo y la contribución relativa de cada una de las variables independientes a la varianza total explicada. Por ejemplo, es posible que desee saber cuánto de la variación en la ansiedad examen puede explicarse por la marca de trabajo de curso, el tiempo de revisión, la asistencia a conferencias y el puntaje de CI en su conjunto, sino también la contribución relativa de cada variable independiente en explicar la varianza. Esta guía de inicio rápido le muestra cómo realizar una regresión múltiple utilizando Stata, así como la forma de interpretar y reportar los resultados de esta prueba. Sin embargo, antes de presentarle este procedimiento, debe comprender las diferentes suposiciones que deben cumplir sus datos para que la regresión múltiple le dé un resultado válido. Discutimos estos supuestos a continuación. Supuestos de Stata Hay ocho suposiciones que sostienen la regresión múltiple. Si cualquiera de estos ocho supuestos no se cumplen, no puede analizar sus datos mediante regresión múltiple porque no obtendrá un resultado válido. Puesto que los supuestos 1 y 2 se refieren a la elección de las variables, no se pueden probar para usar Stata. Sin embargo, usted debe decidir si su estudio cumple con estos supuestos antes de seguir adelante. Asunción 1: Su variable dependiente debe medirse en el nivel continuo. Ejemplos de tales variables continuas incluyen altura (medida en pies y pulgadas), temperatura (medida en 176C), salario (medido en dólares estadounidenses), tiempo de revisión (medido en horas), inteligencia En milisegundos), el rendimiento de las pruebas (medido de 0 a 100), las ventas (medido en número de transacciones por mes), etc. Si no está seguro de si su variable dependiente es continua (es decir, medida en el intervalo o nivel de relación), consulte nuestra Guía de tipos de variables. Asunción 2: Tiene dos o más variables independientes. Que debe medirse en el nivel continuo o categórico. Para ejemplos de variables continuas. Vea la viñeta de arriba. Ejemplos de variables categóricas incluyen género (por ejemplo, 2 grupos: hombres y mujeres), etnia (por ejemplo, 3 grupos: caucásico, afroamericano e hispano), nivel de actividad física (por ejemplo, 4 grupos: sedentario, bajo, moderado y alto) 5 grupos: cirujano, doctor, enfermera, dentista, terapeuta), y así sucesivamente. En esta guía, le mostramos el procedimiento de regresión múltiple porque tenemos una mezcla de variables independientes continuas y categóricas. Nota: Si sólo tiene variables independientes categóricas (es decir, no hay variables independientes continuas), es más común abordar el análisis desde la perspectiva de un ANOVA bidireccional (para dos variables independientes categóricas) o un ANOVA factorial (para tres o más variables categóricas Variables independientes) en lugar de regresión múltiple. Afortunadamente, puede comprobar las suposiciones 3, 4, 5, 6, 7 y 8 utilizando Stata. Al pasar a las suposiciones 3, 4, 5, 6, 7 y 8, sugerimos probarlas en este orden porque representa un orden en el que, si una infracción a la suposición no es corregible, ya no podrá utilizar múltiples regresión. De hecho, no se sorprenda si sus datos fallan uno o más de estos supuestos ya que esto es bastante típico cuando se trabaja con datos del mundo real en lugar de ejemplos de libros de texto, que a menudo sólo muestran cómo llevar a cabo la regresión lineal cuando todo va bien. Sin embargo, no se preocupe porque incluso cuando sus datos faltan ciertas suposiciones, hay a menudo una solución para superar esto (por ejemplo, transformar sus datos o utilizar otra prueba estadística en su lugar). Sólo recuerde que si no comprueba que los datos cumplen con estos supuestos o los prueba correctamente, los resultados obtenidos al ejecutar una regresión múltiple podrían no ser válidos. Asunción 3: Debería tener independencia de las observaciones (es decir, independencia de los residuos), que puede verificar en Stata usando la estadística de Durbin-Watson. Asunción 4: Debe haber una relación lineal entre (a) la variable dependiente y cada una de sus variables independientes, y (b) la variable dependiente y las variables independientes colectivamente. Puede comprobar la linealidad en Stata usando diagramas de dispersión y parcelas de regresión parcial. Suposición 5: Sus datos necesitan mostrar homoscedasticity. Que es donde las variaciones a lo largo de la línea de mejor ajuste siguen siendo similares a medida que se mueven a lo largo de la línea. Puede comprobar la homoscedasticidad en Stata trazando los residuos estudiados contra los valores predichos no estandarizados. Suposición 6: Sus datos no deben mostrar multicolinearidad. Que se produce cuando tiene dos o más variables independientes que están altamente correlacionadas entre sí. Puede comprobar esta suposición en Stata a través de una inspección de los coeficientes de correlación y los valores de Tolerancia / VIF. Asunción 7: No debe haber valores atípicos significativos. Altos puntos de apalancamiento o puntos de gran influencia. Que representan observaciones en su conjunto de datos que son de alguna manera inusuales. Estos pueden tener un efecto muy negativo en la ecuación de regresión que se utiliza para predecir el valor de la variable dependiente basada en las variables independientes. Puede comprobar los valores atípicos, los puntos de apalancamiento y los puntos influyentes utilizando Stata. Suposición 8: Los residuos (errores) deben ser aproximadamente distribuidos normalmente. Que se puede comprobar en Stata utilizando un histograma (con una curva normal superpuesta) y Normal P-P Plot, o una Normal Q-Q Trama de los residuos studentized. En la práctica, la comprobación de los supuestos 3, 4, 5, 6, 7 y 8 probablemente ocupará la mayor parte de su tiempo al realizar una regresión múltiple. Sin embargo, no es una tarea difícil, y Stata proporciona todas las herramientas que necesita para hacer esto. En la sección, Procedimiento de prueba en Stata. Ilustramos el procedimiento de Stata requerido para realizar una regresión múltiple asumiendo que no se han violado suposiciones. En primer lugar, exponemos el ejemplo que utilizamos para explicar el procedimiento de regresión múltiple en Stata. Stata Ejemplo Un investigador de salud quiere ser capaz de predecir el VO 2 máx, un indicador de aptitud y salud. Normalmente, para realizar este procedimiento se requiere un costoso equipo de laboratorio, así como se requiere que las personas hagan ejercicio hasta su máximo (es decir, hasta que ya no puedan seguir ejerciendo debido al agotamiento físico). Esto puede retrasar a los individuos que no son muy activos / aptos y aquellos que podrían estar en mayor riesgo de mala salud (por ejemplo, sujetos más viejos no aptos). Por estas razones, ha sido deseable encontrar una manera de predecir un VO 2 max de individuos basado en atributos que puedan medirse más fácilmente y de manera más económica. Para ello, un investigador reclutó a 100 participantes para realizar una prueba máxima de VO 2 máx, pero también registró su edad, peso, frecuencia cardíaca y sexo. La frecuencia cardíaca es la media de los últimos 5 minutos de una prueba de ciclo de trabajo de 20 minutos, mucho más fácil y menor. El objetivo de los investigadores es poder predecir el VO 2 máx basado en estos cuatro atributos: edad, peso, frecuencia cardíaca y sexo. Nota: El ejemplo y los datos utilizados para esta guía son ficticios. Los hemos creado para los propósitos de esta guía. Stata Setup en Stata En Stata, hemos creado cinco variables: (1) VO 2 máx. Que es la capacidad aeróbica máxima (es decir, la variable dependiente) y (2) la edad. Que es el peso de los participantes edad (3). Que es el peso de los participantes (técnicamente, es su masa) (4) heartrate. Que es la frecuencia cardíaca de los participantes y (5) el género. Que es el sexo de los participantes (es decir, las variables independientes). Después de crear estas cinco variables, ingresamos las puntuaciones de cada una en las cinco columnas de la hoja de cálculo Editor de datos (Editar), como se muestra a continuación: Publicado con permiso por escrito de StataCorp LP. Stata Test Procedure in Stata En esta sección, le mostramos cómo analizar sus datos usando regresión múltiple en Stata cuando los ocho supuestos en la sección anterior, Supuestos. No han sido violados. Puede realizar una regresión múltiple utilizando el código o la interfaz gráfica de usuario (GUI) de Statas. Después de haber realizado su análisis, le mostramos cómo interpretar sus resultados. En primer lugar, elija si desea utilizar el código o la interfaz gráfica de usuario (GUI) de Statas. Código El código para llevar a cabo la regresión múltiple en sus datos toma la forma: regress DependentVariable IndependentVariable1 IndependentVariable2 IndependentVariable3 IndependentVariable4 Utilizando nuestro ejemplo donde la variable dependiente es VO2max y las cuatro variables independientes son la edad. peso. Heartrate y género. El código requerido sería: regresar VO2max edad peso heartrate i. gender Nota: Usted verá del código anterior que las variables independientes continuas se introducen simplemente como es, mientras que las variables independientes categóricas tienen el prefijo i (por ejemplo, la edad para la edad, ya que esto es un Variable independiente continua, pero i. gender para el género, ya que ésta es una variable independiente categórica). Por lo tanto, ingrese el código, regrede VO2max peso de edad heartrate i. gender. Y presione el botón Return / Enter en su teclado. Usted puede ver la salida de Stata que se producirá aquí. Interfaz gráfica de usuario (GUI) Los siete pasos necesarios para realizar la regresión múltiple en Stata se muestran a continuación: Haga clic en Estadísticas gt Modelos lineales y gt relacionados Regresión lineal en el menú principal, como se muestra a continuación: Publicado con permiso escrito de StataCorp LP. Nota: No se preocupe que esté seleccionando Estadísticas gt Modelos lineales y relacionados gt Regresión lineal en el menú principal, o que los cuadros de diálogo en los pasos siguientes tengan el título, Regresión lineal. No has cometido un error. Usted está en el lugar correcto para llevar a cabo el procedimiento de regresión múltiple. Este es sólo el título que da Stata, incluso cuando se ejecuta un procedimiento de regresión múltiple. Se le presentará el cuadro de diálogo de regresión lineal, como se muestra a continuación: Publicado con permiso por escrito de StataCorp LP. Seleccione la variable dependiente, VO2max. Desde la variable Dependiente: cuadro y seleccione las variables independientes continuas, edad. Peso y corazón del cuadro Variables independientes: mediante el botón desplegable, como se muestra a continuación: Publicado con permiso escrito de StataCorp LP. Seleccione la variable independiente categórica, género. Desde el cuadro Variables independientes: haciendo clic en el botón. Esto le presentará el siguiente cuadro de diálogo en el que sus variables independientes continuas (edad, peso y heartrate) ya se han introducido en el cuadro Varlist: Publicado con permiso escrito de StataCorp LP. Deje la variable Factor seleccionada en el ndashTipo del área de variablendash. A continuación, en el campo ndashAgregar factor variablendash, deje seleccionado en el cuadro Especificación :. Ahora seleccione Género en el cuadro Variables con el botón desplegable y, a continuación, seleccione Predeterminado en el cuadro Base. Finalmente, haga clic en el botón. Se le presentará el siguiente cuadro de diálogo donde se encuentra la variable independiente categórica, i. gender. Ha sido introducido en el Varlist: box: Publicado con permiso por escrito de StataCorp LP. Clic en el botón. Se le regresará al cuadro de regresión regresión lineal, pero con la variable independiente categórica, i. gender. Ahora ingresado en el cuadro Variables independientes: como se muestra a continuación: Publicado con permiso por escrito de StataCorp LP. Clic en el botón. Esto generará la salida. Stata Interpretación y presentación de informes de la salida de Stata de análisis de regresión múltiple Stata generará una sola pieza de salida para un análisis de regresión múltiple basado en las selecciones realizadas anteriormente, suponiendo que se han cumplido los ocho supuestos requeridos para la regresión múltiple. Determinación de la adecuación del modelo El R 2 y el R 2 ajustado pueden utilizarse para determinar la adecuación de un modelo de regresión a los datos: La fila R cuadrada representa el valor R 2 (también denominado coeficiente de determinación), que es la proporción De varianza en la variable dependiente que puede ser explicada por las variables independientes (técnicamente, es la proporción de variación que representa el modelo de regresión por encima y más allá del modelo medio). Usted puede ver desde nuestro valor de 0.577 que nuestras variables independientes explican 57.7 de la variabilidad de nuestra variable dependiente, VO 2 máx. Sin embargo, también debe ser capaz de interpretar Adj R-squared (adj R 2) para informar con precisión sus datos. Significado estadístico El F - ratio prueba si el modelo de regresión general es un buen ajuste para los datos. La salida muestra que las variables independientes predicen estadísticamente la variable dependiente F (4, 95) 32.39, p lt. 0005 (es decir, el modelo de regresión es un buen ajuste de los datos). Coeficientes estimados del modelo Forma general de la ecuación para predecir el VO 2 máx de la edad. peso. El heartrate y el género es: predicho VO 2 max 87.83 ndash (0.165 x edad) ndash (0.385 x peso) ndash (0.118 x heartrate) (13.208 x gender) Esto se obtiene del Coef. , Como se muestra a continuación: Los coeficientes no normalizados indican cuánto varía la variable dependiente con una variable independiente, cuando todas las demás variables independientes se mantienen constantes. Considere el efecto de la edad en este ejemplo. El coeficiente no normalizado, B 1. Para la edad es igual a -0.165 (véase la primera fila de la columna Coef.). Esto significa que para cada 1 año de aumento en la edad, hay una disminución en VO 2 máx. De 0,165 ml / min / kg. Significancia estadística de las variables independientes Puede probar la significación estadística de cada una de las variables independientes. Esto prueba si los coeficientes no estandarizados (o estandarizados) son iguales a 0 (cero) en la población. Si p lt .05, puede concluir que los coeficientes son estadísticamente significativamente diferentes a 0 (cero). El valor t y el valor p correspondiente se localizan en las columnas t y Pgtt respectivamente, como se resalta a continuación: Se puede ver en la columna Pgtt que todos los coeficientes variables independientes son estadísticamente significativos diferentes de 0 (cero). Aunque la intercepción, B 0. Se prueba para la significación estadística, éste es raramente un hallazgo importante o interesante. Stata Reporte de la salida del análisis de regresión múltiple Podría redactar los resultados de la siguiente manera: Se realizó una regresión múltiple para predecir el VO 2 máx de género, edad, peso y frecuencia cardíaca. Estas variables predijeron estadísticamente VO 2 max, F (4, 95) 32,39, p lt. 0005, R 2, 577. Las cuatro variables agregadas estadísticamente significativas a la predicción, p lt .05.Bienvenido al Instituto de Investigación y Educación Digital Stata Anotada Salida Robusta Regresión Los mínimos cuadrados ordinarios (OLS) la regresión es un método estadístico extremadamente útil, fácilmente interpretable. Sin embargo, no es perfecto. Cuando se ejecuta una regresión OLS, desea ser consciente de su sensibilidad a valores atípicos. Por quotsensibilidad a outliersquot, queremos decir que un modelo de regresión OLS puede a veces ser muy afectado por unos pocos registros en el conjunto de datos y luego puede producir resultados que no reflejan con precisión la relación entre la variable de resultado y las variables predictorizadas observadas en el resto de los récords. La regresión robusta ofrece una alternativa a la regresión de OLS que es menos sensible a los valores atípicos y todavía define una relación lineal entre el resultado y los predictores. Tenga en cuenta que la regresión robusta no aborda el apalancamiento. Esta página muestra un ejemplo de análisis de regresión robusto en Stata con notas explicativas de la salida. Utilizaremos el conjunto de datos sobre delitos. Este conjunto de datos aparece en Métodos Estadísticos para las Ciencias Sociales, Tercera Edición de Alan Agresti y Barbara Finlay (Prentice Hall, 1997). Las variables son estado id (sid), estado nombre (estado), crímenes violentos por cada 100.000 personas (delincuencia), asesinatos por 1.000.000 de personas (homicidio), el porcentaje de la población que vive en las áreas metropolitanas (pctmetro), el porcentaje de la población Que es blanco (pctwhite), porcentaje de la población con educación secundaria o superior (pcths), porcentaje de la población que vive bajo la línea de pobreza (pobreza) y porcentaje de la población que son padres solteros (solteros). Dejaremos la observación para Washington, D. C. (sid 51) porque no es un estado. Para determinar si un modelo de regresión robusto sería apropiado, la regresión OLS es un buen punto de partida. Después de ejecutar la regresión, se pueden implementar técnicas de gráficas de postetimación y un examen de los residuos del modelo para determinar si hay puntos en los datos que puedan influir desproporcionadamente en los resultados de la regresión. Los comandos para una regresión OLS, la predicción del crimen con la pobreza y único. Y un gráfico de poste-evaluación aparece a continuación. Los detalles para interpretar este gráfico y otros métodos para detectar puntos de alta influencia se pueden encontrar en el Ejemplo de Análisis de Datos de Regresión Robusta. Estaremos interesados ​​en los residuos de esta regresión al mirar nuestra regresión robusta, por lo que hemos añadido un comando predicción y generado una variable que contiene el valor absoluto de los residuos OLS. El mismo modelo se puede ejecutar como una regresión robusta. La regresión robusta funciona ajustando primero el modelo de regresión OLS desde arriba e identificando los registros que tienen una distancia Cooks mayor que 1. Entonces, se ejecuta una regresión en la que aquellos registros con distancia Cooks mayor que 1 tienen peso cero. A partir de este modelo, los pesos se asignan a los registros según la diferencia absoluta entre los valores previsto y real (el residuo absoluto). Los registros con residuos residuales pequeños son más pesados ​​que los registros con grandes residuos absolutos. Luego, se ejecuta otra regresión usando estos pesos asignados recientemente, y luego se generan nuevos pesos de esta regresión. Este proceso de regresión y reponderación se itera hasta que las diferencias en pesos antes y después de una regresión son suficientemente cercanas a cero. Para una ilustración detallada de este proceso, vea el Capítulo Seis de Regresión con Gráficos. El comando Stata para la regresión robusta es rreg. La parte modelo del comando es idéntica a una regresión OLS: variable de resultado seguida por predictores. Hemos añadido gen (peso) al comando para que podamos examinar los pesos finales utilizados en el modelo. Podemos ver que los grandes residuos corresponden a pesos bajos en la regresión robusta. Aquí podemos ver que, en general, los pesos pequeños se dan a los casos con grandes residuos absolutos. Salida de Stata a. Huber iteration - Estas son iteraciones en las que se implementan las ponderaciones de Huber. En la ponderación de Huber, cuanto mayor sea el residuo, menor será el peso. Estos pesos se utilizan hasta que son casi sin cambios de la iteración a la iteración. En este ejemplo, tres iteraciones fueron necesarias para que el modelo convergiera usando pesos de Huber. El modelo convergido es entonces ponderado usando biweights (véase el exponente b). Ambos métodos de ponderación se utilizan porque ambos tienen problemas cuando se usan solos: los pesos de Huber pueden funcionar mal con valores extremos extremos y los pesos no siempre convergen. segundo. Biweight iteration - Estas son iteraciones en las que se implementan biweights. Para ver las funciones precisas que definen las ponderaciones y los pesos de Huber, consulte el manual de Stata 10 (Referencia Q-Z. quot rreg). Las repeticiones de bi-peso continúan hasta que las ponderaciones no cambian de iteración a iteración. En este ejemplo, se requerían cuatro iteraciones para la convergencia. El modelo al que convergen las iteraciones biweight se considera el modelo final. do. Número de obs - Este es el número de observaciones en nuestro conjunto de datos. Nuestro conjunto de datos comenzó con 51 casos, y se cayó el registro correspondiente a Washington, D. C. dejándonos con 50 casos en nuestro análisis. re. F (2, 47) - Este es el modelo F-estadística. Es la estadística de prueba utilizada para evaluar la hipótesis nula de que todos los coeficientes del modelo son iguales a cero. Bajo la hipótesis nula, nuestros predictores no tienen relación lineal con la variable de resultado. Los números entre paréntesis son grados de libertad. El modelo de grados de libertad es igual al número de predictores y el error grados de libertad se calcula como (número de observaciones - (número de predictores1)). Esta estadística sigue una distribución de F con df1 2, df2 47. e. Probabilidad G - Esta es la probabilidad de obtener una estadística de prueba estadística F tan extrema como, o más, que la estadística observada bajo la hipótesis nula la hipótesis nula es que todos los coeficientes de regresión son simultáneamente igual a cero. En otras palabras, esta es la probabilidad de obtener esta estadística F (31.15) o una más extrema si de hecho no hay efecto de las variables predictoras. Este valor de p se compara con un nivel alfa especificado, nuestra disposición a aceptar un error de tipo I, que se fija típicamente en 0,05 o 0,01. El pequeño valor de p, lt0,0001, nos llevaría a concluir que al menos uno de los coeficientes de regresión en el modelo no es igual a cero. F. Coef. - Estos son los valores de la ecuación de regresión para predecir la variable dependiente a partir de la variable independiente. La ecuación de regresión se presenta de muchas maneras diferentes, por ejemplo: Y (predicho) b0 b1x1 b2x2. La columna de estimaciones proporciona los valores de b0, b1 y b2 para esta ecuación. Expresada en términos de las variables utilizadas en este ejemplo, la ecuación de regresión es delito (predicho) -1160.931 10.36971 pobreza 142.6339 única. Estas estimaciones informan sobre la relación entre las variables predictoras y la variable de resultado. Estas estimaciones indican la cantidad de aumento de la delincuencia que sería pronosticada por un aumento de 1 unidad en la variable predictora. Pobreza - El coeficiente de pobreza es 10.36971. Por cada aumento de unidad en la pobreza. Se prevé un aumento de 10.36971 unidades en la delincuencia, manteniendo constantes todas las demás variables. Single - El coeficiente para single es 142.6339. Por cada aumento de unidad en single. Se prevé un aumento de 142,6339 unidades en el crimen, manteniendo constantes todas las demás variables. gramo. Std. Errar. - Estos son los errores estándar asociados con los coeficientes. El error estándar se utiliza para probar si el parámetro es significativamente diferente de 0 dividiendo el parámetro estimado por el error estándar para obtener un valor t (véase los superíndices h e i). Los errores estándar también se pueden usar para formar un intervalo de confianza para el parámetro, como se muestra en las dos últimas columnas de esta tabla. marido. T - La estadística de prueba t es la relación de Coef. Al Std. Errar. Del predictor respectivo. El valor de t sigue una distribución t que se utiliza para probar contra una hipótesis alternativa de dos lados que el Coef. No es igual a cero. Pobreza - El estadístico de la prueba t para la predicción de la pobreza es (10.36971 / 7.629288) 1.36 con un valor p asociado de 0.181. Si establecimos nuestro nivel alfa a 0,05, no podríamos rechazar la hipótesis nula y concluir que el coeficiente de regresión para la pobreza no se ha encontrado que sea estadísticamente diferente de cero dado que solo está en el modelo. La estadística de la prueba t para el predictor single es (142.6339 / 22.17042) 6.43 con un valor p asociado de lt 0.001. Si fijamos nuestro nivel alfa a 0,05, rechazaríamos la hipótesis nula y concluiremos que el coeficiente de regresión para un solo se ha encontrado que es estadísticamente diferente de cero dado que la pobreza está en el modelo. Contras - La estadística t de prueba para el intercepto, contras, es (-1160.931 / 224.2564) -5.18 con un valor p asociado de lt 0.001. Si establecimos nuestro nivel alfa en 0.05, rechazaríamos la hipótesis nula y concluiremos que contras se ha encontrado que son estadísticamente diferentes de cero dado la pobreza y solo están en el modelo y evaluados en cero. yo. Pgtt - Esta es la probabilidad de que la estadística de prueba t (o una estadística de prueba más extrema) se observaría bajo la hipótesis nula de que un coeficiente de regresión de predictores particular es cero, dado que el resto de los predictores están en el modelo. Para un nivel alfa dado, Pgtt determina si de no la hipótesis nula se puede rechazar. Si Pgtt es menor que alfa, entonces la hipótesis nula puede ser rechazada y la estimación de parámetros se considera estadísticamente significativa en ese nivel alfa. J. 95 Conf. Intervalo - Este es el Intervalo de Confianza (IC) para un coeficiente individual dado que los otros predictores están en el modelo. Para un predictor determinado con un nivel de confianza de 95, supongamos que estamos seguros de que el coeficiente quottruequot está entre el límite inferior y el superior del intervalo. Se calcula como el Coef. (Z 945/2) (Std. Err.), Donde z 945/2 es un valor crítico en la distribución normal estándar. El IC es equivalente a la estadística t de prueba: si el IC incluye cero, no se puede rechazar la hipótesis nula de que un coeficiente de regresión particular es cero dado que los otros predictores están en el modelo. Una ventaja de un CI es que es ilustrativo que proporciona un intervalo en el que puede quedar el parámetro quottruequot. El contenido de este sitio web no debe ser interpretado como un endoso de cualquier sitio web, libro o producto de software en particular por la Universidad de California.