Quan les variables estan correlacionades observem que el m odel serà
globalment significatiu però no ho seran les variables de forma individual.
Caldrà eliminar aquella amb p valor més elevat i comparar els dos models
per treballar amb el més simple.
Si el coeficient de correlació es superior a ±0.9 tenim variables molt
correlacionades entre elles.
Si el coeficient vif és superior a 5 tenim problemes. Si es superior a 10
les variable estan molt correlacionades.
TEMA 5. REGRESSIO LINIAL (dades del ppt, exemple TAD)
1. Expressió del model: Veure taules i fixar-se en l’ANOVA que compara els diferents models que ens ofereixen.
Agafar el més simple i escriure expressió mirant coeficients (mínims quadrats):
*Només variables continues: Regressió lineal (múltiple)
*L’error 𝒆𝒊~𝑵(𝟎, 𝝈)
2. Contrast d’hipòtesi:
Contrast global:
Contrast de cada variable individualment:
- Ens fixem en F test i en el pvalue:
- Ens fixem en els seus pvalue individuals
- Si tenim més d’una possibilitat cal comparar-
les entre elles!
*GRAUS DE LLIBERTAT: 3 = nombre de variables; 46= grandària de mostra(n) – variables – 1* Els GRAUS DE LLIBERTAT TOTALS són n-1*
3. Validació numèrica del modelR2 adj, indica si el model és bo, i quina part del model s’explica a partir de les
variables utilitzades. Si fem la seva arrel obtenim el coeficient de correlació, i el signe d’aquest coeficient el sabrem
pel pendent de B.
4. Per comparar models podem fer servir ANOVA (si es tracta de models niats) o R2 adj (si les variables que inclouen
els diferents models no són les mateixes).
5. Gràfics Validació del model:
Homogeneïtat (homocedasticitat)
Normalitat de residus (Shapiro)
Punts influents (Outliers)
Si no tenim N transformar dades amb log
6. En cas de tenir variables categòriques (fumar, sexe…) i continues (consum de greix) podem treballar amb alfa i
beta model ANCOVA
6.1. Per saber si hi ha interacció veure ANOVA
o plots xy:
Interacció: No paral·lelisme
No interacció: paral·lelisme
7. Matriu de correlacions:
