Regresión lineal de alto rendimiento: Crear un modelo

Método de selección del modelo

Seleccione un método en la lista desplegable Métodos de selección de modelo. Si no selecciona ningún método, se usa el modelo completo. Según el método de selección del modelo, están disponibles más opciones para ese método.

Estos son los métodos disponibles:

• Modelo completo ajustado (sin selección) es el método predeterminado y no proporciona ninguna selección de efecto. Este es el modelo que se creó cuando asignó las variables dependientes y las variables cuantitativas para ajustar el modelo.
• Selección hacia delante empieza sin efectos en el modelo. Para cada una de las variables explicativas, este método calcula los estadísticos F que reflejan la contribución de la variable al modelo, si está incluido. Los p-valores para estos estadísticos F se comparan con el nivel de significación especificado para incluir una variable en el modelo. El valor predeterminado es 0.05. Para cambiar este nivel de significación, introduzca el valor en el espacio de texto Para introducir el modelo.

  Si ningún estadístico F tiene un nivel de significación mayor que este valor, la selección hacia delante se detiene. De lo contrario, el método de selección hacia delante añade al modelo la variable con el estadístico F más grande. El método de selección hacia delante calcula de nuevo el estadístico F para las variables que permanecen fuera del modelo y el proceso de evaluación se repite. Las variables se añaden al modelo de una en una hasta que no queda ninguna variable que cree un estadístico F significativo. Las variables permanecen en el modelo después de añadirlas.

• Eliminación hacia atrás empieza calculando estadísticos F para el modelo, incluyendo todas las variables explicativas. Luego se eliminan las variables del modelo una a una hasta que todas las variables que quedan producen estadísticos F significativos. El nivel de significación se especifica en el espacio de texto Para permanecer en el modelo. El valor predeterminado es 0.05. En cada paso, se elimina la variable que muestra la contribución menor al modelo.
• Selección paso a paso es una modificación del método de selección hacia delante. En el método paso a paso, las variables que ya están en el modelo no están allí necesariamente. Al igual que en el método de selección hacia delante, las variables se añaden de una en una al modelo si el estadístico F es significativo. El nivel de significación se especifica en el espacio de texto Para introducir el modelo.

  Sin embargo, después de añadir una variable, el método paso a paso comprueba todas las variables que ya se han incluido en el modelo y elimina las variables que no producen un estadístico F significativo. El nivel de significación se especifica en el espacio de texto Para permanecer en el modelo. Solo después de realizar esta comprobación y de eliminar las variables puede añadir otra variable al modelo.

  El proceso paso a paso finaliza cuando se cumple cualquiera de estas condiciones:

  • ninguna de las variables fuera del modelo tiene un estadístico F significativo y todas las variables del modelo son significativas en el nivel de significación especificado para permanecer en el modelo.
  • la variable que se va a añadir al modelo es la variable que se acaba de eliminar.
• Selección cambio hacia delante es una extensión del método selección hacia delante. Este método utiliza intercambios por pares de efectos dentro y fuera del modelo actual que mejoran el criterio de selección.
• Regresión least angle empieza sin efectos en el modelo y añade los efectos. Los estimadores del parámetro en cada paso son más pequeños cuando se comparan con los estimadores de mínimos cuadrados correspondientes. Si el modelo contiene variables de clasificación, estas se dividen.
• Método lasso añade y elimina parámetros basados en una versión de mínimos cuadrados ordinarios en los que la suma de los coeficientes de la regresión absoluta se restringe. Si el modelo contiene variables de clasificación, estas se dividen.

Niveles de significación

En los métodos de selección hacia delante y de regresión least angle, especifique un nivel de significación para introducir una variable cuantitativa (explicativa) en el modelo. En el método de eliminación hacia atrás, especifique un nivel de significación de manera que la variable cuantitativa permanezca en el modelo. En el método de selección paso a paso y en el método lasso, especifique los niveles de significación.

Elegir el modelo con el mejor valor

Utiliza el criterio para seleccionar (en cada paso del proceso de selección) el modelo que aporta el mejor valor. Si el valor óptimo del criterio especificado sucede en los modelos en más de un paso, se selecciona el modelo con el número más bajo de parámetros. Si no especifica ningún criterio, el modelo seleccionado es el modelo en el paso final del proceso de selección. Estos son los criterios disponibles:

• AIC - criterio de información de Akaike
• AICC - un sesgo de muestra pequeña que es la versión corregida del criterio de información de Akaike
• BIC - criterio bayesiano de Schwarz
• ADJRSQ - criterio R-cuadrado ajustado
• CP - estadístico C_p de Mallows
• PRESS - estadístico de suma de cuadrados del residual predicho
• VALIDATE - error cuadrado de promedio sobre los datos de validación

Elegir el criterio para detener el proceso de selección

Utiliza el criterio para detener el proceso de selección. Si ha seleccionado Ninguno, el proceso de selección se detiene si no se encuentran candidatos adecuados para añadir o quitar o si se alcanza el límite basado en el tamaño. Estos son los criterios disponibles:

• SL - importancia del test de scoring
• AIC - criterio de información de Akaike
• AICC - un sesgo de muestra pequeña que es la versión corregida del criterio de información de Akaike
• BIC - criterio bayesiano de Schwarz
• ADJRSQ - criterio R-cuadrado ajustado
• CP - estadístico C_p de Mallows
• PRESS - estadístico de suma de cuadrados del residual predicho
• VALIDATE - error cuadrado de promedio sobre los datos de validación

Efectos que se van a forzar en el modelo

Seleccione el efecto que va a añadir al modelo. La variable se añade a Efectos que se van a forzar en el modelo. Estas variables se pueden reordenar seleccionando la variable y haciendo clic en los botones de fecha.

Nota: Esta opción no está disponible si selecciona el método de selección del modelo Modelo completo ajustado (sin selección), Regresión Least angle o Método lasso.