SPSS Modelos Regresion

i
SPSS Regression Models 16.0
Si desea obtener ms informacin sobre los productos de software de SPSS, visite nuestra pgina Web en http://www.spss.com o pngase en contacto con SPSS Inc. 233 South Wacker Drive, 11th Floor Chicago, IL 60606-6412 EE.UU. Tel: (312) 651-3000 Fax: (312) 651-3668 SPSS es una marca registrada; los dems nombres de productos son marcas comerciales de SPSS Inc. para los programas de software de su propiedad. El material descrito en este software no puede ser reproducido ni distribuido sin la autorizacin expresa por escrito por parte de los propietarios de la marca registrada y de los derechos de la licencia en el software y en los copyrights de los materiales publicados. El SOFTWARE y la documentacin se proporcionan con DERECHOS LIMITADOS. Su uso, duplicacin o revelacin por parte del Gobierno estn sujetos a las restricciones establecidas en la subdivisin (c)(1)(ii) de la clusula Rights in Technical Data and Computer Software en 52.227-7013. El fabricante es SPSS Inc., 233 South Wacker Drive, 11th Floor, Chicago, IL 60606-6412, EE.UU. N de patente 7,023,453 Aviso general: El resto de los nombres de productos mencionados en este documento se utilizan slo con nes identicativos y pueden ser marcas comerciales de sus respectivas empresas. Windows es una marca comercial registrada de Microsoft Corporation. Apple, Mac y el logotipo de Mac son marcas comerciales de Apple Computer, Inc., registradas en Estados Unidos y en otros pases. Este producto utiliza WinWrap Basic, Copyright 1993-2007, Polar Engineering and Consulting, http://www.winwrap.com. SPSS Regression Models 16.0 Copyright 2007 de SPSS Inc. Reservados todos los derechos. Queda prohibida la reproduccin, el almacenamiento en sistemas de recuperacin o la transmisin de cualquier parte de esta publicacin en cualquier forma y por cualquier medio (electrnico o mecnico, fotocopia, grabacin o cualquier otro) sin previa autorizacin expresa y por escrito de parte del editor. 1234567890 10 09 08 07
Prefacio
SPSS 16.0 es un sistema global para el anlisis de datos. El mdulo adicional opcional SPSS Modelos de regresin proporciona las tcnicas de anlisis adicionales que se describen en este manual. El mdulo adicional Modelos de regresin se debe utilizar con el sistema Base de SPSS 16.0 y est completamente integrado en dicho sistema.
Instalacin
Para instalar SPSS Modelos de regresin mdulo adicional, ejecute el Asistente para autorizacin de licencia utilizando el cdigo de autorizacin que le envi SPSS Inc. Si desea obtener ms informacin, consulte las instrucciones de instalacin proporcionadas con SPSS Modelos de regresin mdulo adicional.
Compatibilidad
SPSS est diseado para ejecutarse en gran cantidad de sistemas de ordenadores. Consulte las instrucciones de instalacin entregadas con su sistema para obtener informacin especca acerca de los requisitos mnimos y los recomendados.
Nmeros de serie
El nmero de serie es su nmero de identicacin con SPSS Inc. Necesitar este nmero cuando se ponga en contacto con SPSS Inc. para recibir informacin sobre asistencia, formas de pago o actualizacin del sistema. El nmero de serie se incluye en el sistema Base de SPSS.
Servicio al cliente
Si tiene cualquier duda referente a la forma de envo o pago, pngase en contacto con su ocina local, que encontrar en la pgina Web de SPSS en http://www.spss.com/worldwide. Tenga preparado su nmero de serie para identicarse.
Cursos de preparacin
SPSS Inc. ofrece cursos de preparacin, tanto pblicos como in situ. En todos los cursos habr talleres prcticos. Estos cursos tendrn lugar peridicamente en las principales capitales. Si desea obtener ms informacin sobre estos cursos, pngase en contacto con su ocina local que encontrar en la pgina Web de SPSS en http://www.spss.com/worldwide.
iii
Asistencia tcnica
El servicio de asistencia tcnica de SPSS est a disposicin de todos los clientes de mantenimiento. Los clientes podrn ponerse en contacto con este servicio de asistencia tcnica si desean recibir ayuda sobre el uso de SPSS o sobre la instalacin en alguno de los entornos de hardware admitidos. Para ponerse en contacto con el servicio de asistencia tcnica, consulte la pgina Web de SPSS en http://www.spss.com, o pngase en contacto con la ocina ms cercana, que encontrar en la pgina Web de SPSS en http://www.spss.com/worldwide. Tenga preparada la informacin necesaria para identicarse personalmente, a su organizacin y el nmero de serie de su sistema.
Publicaciones adicionales
Puede adquirir copias adicionales de los manuales de los productos directamente de SPSS Inc. Visite la seccin Store de la pgina Web de SPSS en http://www.spss.com/estore o pngase en contacto con su ocina de SPSS local que encontrar en la pgina Web de SPSS en http://www.spss.com/worldwide. Para pedidos telefnicos en Estados Unidos y Canad, llame a SPSS Inc. al 800-543-2185. Para pedidos telefnicos desde otros pases, pngase en contacto con la ocina ms cercana que encontrar en la pgina Web de SPSS. El libro SPSS Statistical Procedures Companion, de Marija Noruis, ha sido publicado por Prentice Hall. Est prevista una nueva versin de este libro, actualizado para SPSS 16.0. El libro SPSS Advanced Statistical Procedures Companion, que tambin se basa en SPSS 16.0, se publicar muy pronto. El libro SPSS Guide to Data Analysis para SPSS 16.0 tambin est en proceso de desarrollo. Las publicaciones anunciadas de forma exclusiva por Prentice Hall estarn disponibles en la pgina Web de SPSS en http://www.spss.com/estore (seleccione su pas de origen y pulse en Books).
Dganos su opinin
Sus comentarios son importantes. Hganos saber su experiencia con los productos SPSS. Nos interesa especialmente recibir noticias sobre aplicaciones nuevas e interesantes para el sistema SPSS Modelos de regresin mdulo adicional. Envenos un correo electrnico a suggest@spss.com o escriba a SPSS Inc., Attn.: Director of Product Planning, 233 South Wacker Drive, 11th Floor, Chicago, IL 60606-6412, EE.UU.
Acerca de este manual
Este manual es la documentacin de la interfaz grca del usuario para los procedimientos incluidos en el mdulo SPSS Modelos de regresin mdulo adicional. Las ilustraciones de los cuadros de dilogo estn tomadas de SPSS . La informacin detallada sobre la sintaxis de comandos para las caractersticas de SPSS Modelos de regresin mdulo adicional est disponible en dos formatos: integrada en el sistema de ayuda global y como un documento independiente en formato PDF en SPSS 16.0 Command Syntax Reference, disponible en el men Ayuda.
Cmo ponerse en contacto con SPSS
Si desea que le incluyamos en nuestra lista de correo, pngase en contacto con nuestras ocinas que encontrar en la pgina Web en http://www.spss.com/worldwide.
iv
Contenido
1 Seleccin de procedimientos para los modelos de regresin logstica binaria 1 Regresin logstica 3
Regresin logstica: Establecer regla . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Mtodos de seleccin de variables en el anlisis de regresin logstica . . . . . . . . . . . . . . . . . . . . 5 Regresin logstica: Definir variables categricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 Regresin logstica: Guardar nuevas variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 Regresin logstica: Opciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 Funciones adicionales del comando LOGISTIC REGRESSION . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Regresin logstica multinomial
11
Regresin logstica multinomial: Modelos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 Construir trminos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 Categora de referencia de regresin logstica multinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 Regresin logstica multinomial: Estadsticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 Regresin logstica multinomial: Criterios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 Opciones de Regresin logstica multinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 Regresin logstica multinomial: Guardar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 Funciones adicionales del comando NOMREG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Anlisis probit
21
Anlisis probit: Definir rango . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 Anlisis probit: Opciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 Funciones adicionales del comando PROBIT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Regresin no lineal
25
Lgica condicional (Regresin no lineal). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 Regresin no lineal: Parmetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 Modelos comunes de regresin no lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 Regresin no lineal: Funcin de prdida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 Regresin no lineal: Restricciones para los parmetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 Regresin no lineal: Guardar variables nuevas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 Regresin no lineal: Opciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 Regresin no lineal: Interpretacin de los resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 Funciones adicionales del comando NLR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Estimacin ponderada
34
Estimacin ponderada: Opciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 Funciones adicionales del comando WLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Regresin por mnimos cuadrados en dos fases
37
Regresin por mnimos cuadrados en dos fases: Opciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 Funciones adicionales del comando 2SLS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Apndice A Esquemas de codificacin de variables categricas 40
Desviacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 Simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 Helmert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 Diferencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 Polinmico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 Repetido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 Especial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 Indicador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
vi
ndice
46
vii
Captulo
Seleccin de procedimientos para los modelos de regresin logstica binaria
Los modelos de regresin logstica binaria pueden ajustarse mediante el uso del procedimiento de Regresin logstica o del procedimiento de Regresin logstica multinomial. Cada uno de estos dos procedimientos contiene opciones que no estn disponibles en el otro. Existe entre ambos una distincin terica importante: el procedimiento de Regresin logstica genera todas las predicciones, residuos, estadsticos de inuencia y pruebas de bondad de ajuste utilizando los datos a nivel de los casos individuales, independientemente de la forma en que los datos hayan sido introducidos y de si el nmero de patrones en las covariables es o no menor que el nmero total de casos; el procedimiento de Regresin logstica multinomial, por su parte, agrega los casos de manera interna para formar subpoblaciones con patrones en las covariables idnticos para las variables predictoras, generando predicciones, residuos y pruebas de bondad de ajuste basadas en las citadas subpoblaciones. Si todas las variables predictoras son categricas, o si alguna variable predictora continua toma slo un nmero limitado de valores (de manera que haya varios casos para cada patrn en las covariables), la aproximacin mediante subpoblaciones puede generar pruebas de bondad de ajuste vlidas y residuos que sean informativos, mientras que el mtodo a nivel de los casos individuales no lo permite. La opcin Regresin logstica ofrece una serie de funciones nicas que se detallan a continuacin:

Prueba de bondad de ajuste del modelo de Hosmer-Lemeshow Anlisis por pasos Contrastes para denir la parametrizacin del modelo Puntos de corte alternativos para la clasicacin Grcos de clasicacin Aplicacin de un modelo ajustado mediante un conjunto de casos sobre otro conjunto de casos reservados Almacenamiento de pronsticos, residuos y estadsticos de inuencia
La opcin Regresin logstica multinomial ofrece una serie de funciones nicas que se detallan a continuacin:

Pruebas chi-cuadrado de Pearson y de desviacin sobre la bondad de ajuste del modelo Especicacin de subpoblaciones para el agrupamiento de los datos, para las pruebas de bondad de ajuste Listado de las frecuencias, frecuencias pronosticadas y residuos por subpoblaciones Correccin de las estimaciones de la varianza por sobredispersin
1
2 Captulo 1
Matriz de covarianzas para las estimaciones de los parmetros Contrastes sobre combinaciones lineales de los parmetros Especicacin explcita de modelos anidados Ajuste de modelos de regresin logstica condicional con emparejamiento 1-1 usando variables diferenciadas
Captulo
Regresin logstica
La regresin logstica resulta til para los casos en los que se desea predecir la presencia o ausencia de una caracterstica o resultado segn los valores de un conjunto de predictores. Es similar a un modelo de regresin lineal pero est adaptado para modelos en los que la variable dependiente es dicotmica. Los coecientes de regresin logstica pueden utilizarse para estimar la razn de las ventajas (odds ratio) de cada variable independiente del modelo. La regresin logstica se puede aplicar a un rango ms amplio de situaciones de investigacin que el anlisis discriminante.
Ejemplo. Qu caractersticas del estilo de vida son factores de riesgo de enfermedad cardiovascular ? Dada una muestra de pacientes a los que se mide la situacin de fumador, dieta, ejercicio, consumo de alcohol, y estado de enfermedad cardiovascular, se puede construir un modelo utilizando las cuatro variables de estilo de vida para predecir la presencia o ausencia de enfermedad cardiovascular en una muestra de pacientes. El modelo puede utilizarse posteriormente para derivar estimaciones de la razn de las ventajas para cada uno de los factores y as indicarle, por ejemplo, cunto ms probable es que los fumadores desarrollen una enfermedad cardiovascular frente a los no fumadores. Estadsticos. Para cada anlisis: Casos totales, Casos seleccionados, Casos vlidos. Para cada variable categrica: codicacin de los parmetros. Para cada paso: variables introducidas o eliminadas, historial de iteraciones, 2 log de la verosimilitud, bondad de ajuste, estadstico de bondad de ajuste de Hosmer-Lemeshow, chi-cuadrado del modelo , chi-cuadrado de la mejora, tabla de clasicacin, correlaciones entre las variables, grco de las probabilidades pronosticadas y los grupos observados, chi-cuadrado residual. Para cada variable de la ecuacin: coeciente (B), error tpico de B, Estadstico de Wald, razn de las ventajas estimada (exp(B)), intervalo de conanza para exp(B), log de la verosimilitud si el trmino se ha eliminado del modelo. Para cada variable que no est en la ecuacin: estadstico de puntuacin. Para cada caso: grupo observado, probabilidad pronosticada, grupo pronosticado, residuo, residuo tipicado. Mtodos. Puede estimar modelos utilizando la entrada en bloque de las variables o cualquiera
de los siguientes mtodos por pasos: Condicional hacia adelante, LR hacia adelante, Wald hacia adelante, Condicional hacia atrs, LR hacia atrs o Wald hacia atrs.
Datos. La variable dependiente debe ser dicotmica. Las variables independientes pueden estar a nivel de intervalo o ser categricas; si son categricas, deben ser variables dummy o estar codicadas como indicadores (existe una opcin en el procedimiento para recodicar automticamente las variables categricas). Supuestos. La regresin logstica no se basa en supuestos distribucionales en el mismo sentido
en que lo hace el anlisis discriminante. Sin embargo, la solucin puede ser ms estable si los predictores tienen una distribucin normal multivariante. Adicionalmente, al igual que con otras formas de regresin, la multicolinealidad entre los predictores puede llevar a estimaciones sesgadas y a errores tpicos inados. El procedimiento es ms ecaz cuando la pertenencia a grupos es una
3
4 Captulo 2
variable categrica autntica; si la pertenencia al grupo se basa en valores de una variable continua (por ejemplo CI alto en contraposicin a CI bajo), deber considerar el utilizar la regresin lineal para aprovechar la informacin mucho ms rica ofrecida por la propia variable continua.
Procedimientos relacionados. Utilice el procedimiento Diagrama de dispersin para mostrar en pantalla sus datos para multicolinealidad. Si se cumplen los supuestos de normalidad multivariante y de matrices de varianzas-covarianzas iguales, puede obtener una solucin ms rpida utilizando el procedimiento Anlisis discriminante. Si todos los predictores son categricos, puede adems utilizar el procedimiento Loglineal. Si la variable dependiente es continua, utilice el procedimiento Regresin lineal. Puede utilizar el procedimiento Curva COR para realizar grcos de las probabilidades guardadas con el procedimiento Regresin logstica. Para obtener un anlisis de regresin logstica
E Elija en los mens: Analizar Regresin Logstica binaria... Figura 2-1 Cuadro de dilogo Regresin logstica
E Seleccione una variable dependiente dicotmica. Esta variable puede ser numrica o de cadena. E Seleccione una o varias covariables. Para incluir trminos de interaccin, seleccione todas las variables contenidas en la interaccin y seleccione >a*b>.
Para introducir variables por grupos (en bloques), seleccione las covariables para un bloque y pulse en Siguiente para especicar un nuevo bloque. Repita estos pasos hasta que haya especicado todos los bloques. Si lo desea, puede seleccionar casos para el anlisis. Elija una variable de seleccin y pulse Regla.
5 Regresin logstica
Regresin logstica: Establecer regla

Figura 2-2 Cuadro de dilogo Regresin logstica: Establecer regla
Los casos denidos por la regla de seleccin se incluyen en la estimacin del modelo. Por ejemplo, si ha seleccionado una variable y la opcin igual que y ha especicado 5 como valor, slo se incluirn en el anlisis aquellos casos para los cuales la variable seleccionada tenga un valor igual a 5. Tanto para los casos seleccionados como para los no seleccionados se generan resultados de clasicaciones y estadsticos. De esta manera, se ofrece un mecanismo para clasicar los nuevos casos basndose en datos ya existentes; o tambin para realizar la particin de los datos en dos subconjuntos, uno de entrenamiento y otro de prueba, que permiten la validacin del modelo generado.
Mtodos de seleccin de variables en el anlisis de regresin logstica

La seleccin del mtodo permite especicar cmo se introducen las variables independientes en el anlisis. Utilizando distintos mtodos se pueden construir diversos modelos de regresin a partir del mismo conjunto de variables.

Introducir. Procedimiento para la seleccin de variables en el que todas las variables de un
bloque se introducen en un solo paso.

Seleccin hacia adelante (Condicional). Mtodo de seleccin por pasos hacia adelante que
contrasta la entrada basndose en la signicacin del estadstico de puntuacin y contrasta la eliminacin basndose en la probabilidad de un estadstico de la razn de verosimilitud que se basa en estimaciones condicionales de los parmetros.
Seleccin hacia adelante (Razn de verosimilitud). Mtodo de seleccin por pasos hacia
adelante que contrasta la entrada basndose en la signicacin del estadstico de puntuacin y contrasta la eliminacin basndose en la probabilidad del estadstico de la razn de verosimilitud, que se basa en estimaciones de la mxima verosimilitud parcial.
Seleccin hacia adelante (Wald). Mtodo de seleccin por pasos hacia adelante que contrasta la
entrada basndose en la signicacin del estadstico de puntuacin y contrasta la eliminacin basndose en la probabilidad del estadstico de Wad.
Eliminacin hacia atrs (Condicional). Seleccin por pasos hacia atrs. El contraste para la
eliminacin se basa en la probabilidad del estadstico de la razn de verosimilitud, el cul se basa a su vez en las estimaciones condicionales de los parmetros.
6 Captulo 2
Eliminacin hacia atrs (Razn de verosimilitud). Seleccin por pasos hacia atrs. El contraste
para la eliminacin se fundamenta en la probabilidad del estadstico de la razn de verosimilitud, el cual se fundamenta en estimaciones de mxima verosimilitud parcial.
Eliminacin hacia atrs (Wald). Seleccin por pasos hacia atrs. El contraste para la eliminacin
se basa en la probabilidad del estadstico de Wald. Los valores de signicacin de los resultados se basan en el ajuste de un nico modelo. Por ello, estos valores no suele ser vlidos cuando se emplea un mtodo por pasos. Todas las variables independientes seleccionadas se aaden a un mismo modelo de regresin. Sin embargo, puede especicar distintos mtodos de introduccin para diferentes subconjuntos de variables. Por ejemplo, puede introducir en el modelo de regresin un bloque de variables que utilice la seleccin por pasos sucesivos, y un segundo bloque que emplee la seleccin hacia adelante. Para aadir un segundo bloque de variables al modelo de regresin, pulse en Siguiente.
Regresin logstica: Definir variables categricas

Figura 2-3 Cuadro de dilogo Regresin logstica: Definir variables categricas
Puede especicar los detalles sobre cmo el procedimiento Regresin logstica manipular las variables categricas:
Covariables. Contiene una lista de todas las covariables especicadas en el cuadro de dilogo
principal para cualquier capa, bien por ellas mismas o como parte de una interaccin. Si alguna de stas son variables de cadena o son categricas, slo puede utilizarlas como covariables categricas.
Covariables categricas. Lista las variables identicadas como categricas. Cada variable
incluye una notacin entre parntesis indicando el esquema de codicacin de contraste que va a utilizarse. Las variables de cadena (sealadas con el smbolo < a continuacin del nombre) estarn presentes ya en la lista Covariables categricas. Seleccione cualquier otra covariable categrica de la lista Covariables y muvala a la lista Covariables categricas.
7 Regresin logstica
Cambiar el contraste. Le permite cambiar el mtodo de contraste. Los mtodos de contraste
disponibles son:

Indicador. Los contrastes indican la presencia o ausencia de la pertenencia a una categora. La
categora de referencia se representa en la matriz de contraste como una la de ceros.

Simple. Cada categora del predictor (excepto la propia categora de referencia) se compara
con la categora de referencia.

Diferencia. Cada categora del predictor, excepto la primera categora, se compara con el
efecto promedio de las categoras anteriores. Tambin se conoce como contrastes de Helmert inversos.

Helmert. Cada categora del predictor, excepto la ltima categora, se compara con el efecto
promedio de las categoras subsiguientes.

Repetidas. Cada categora del predictor, excepto la primera categora, se compara con la
categora que la precede.

Polinmico. Contrastes polinmicos ortogonales. Se supone que las categoras estn
espaciadas equidistantemente. Los contrastes polinmicos slo estn disponibles para variables numricas.
Desviacin. Cada categora del predictor, excepto la categora de referencia, se compara
con el efecto global. Si selecciona Desviacin, Simple o Indicador, elija Primera o ltima como categora de referencia. Observe que el mtodo no cambia realmente hasta que se pulsa en Cambiar. Las covariables de cadena deben ser covariables categricas. Para eliminar una variable de cadena de la lista Covariables categricas, debe eliminar de la lista Covariables del cuadro de dilogo principal todos los trminos que contengan la variable.
Regresin logstica: Guardar nuevas variables

Figura 2-4 Cuadro de dilogo Regresin logstica: Guardar nuevas variables
8 Captulo 2
Puede guardar los resultados de la regresin logstica como nuevas variables en el conjunto de datos activo:
Valores pronosticados. Guarda los valores pronosticados por el modelo. Las opciones disponibles
son Probabilidades y Grupo de pertenencia.

Probabilidades. Para cada caso, guarda la probabilidad pronosticada de aparicin del evento.
En los resultados, una tabla muestra el nombre y el contenido de cualquier nueva variable.
Grupo de pertenencia pronosticado. Grupo con una mayor probabilidad posterior (a posteriori),
basndose en las puntuaciones discriminantes. El grupo al cual pertenece el caso, segn pronostica el modelo.
Influencia. Guarda los valores de estadsticos que miden la inuencia de los casos sobre los
valores pronosticados. Las opciones disponibles son De Cook, Valores de inuencia y DfBeta(s).
De Cook. El anlogo, en la regresin logstica, al estadstico de inuencia de Cook. Medida
de cunto cambiaran los residuos de todos los casos si se excluyera un caso determinado del clculo de los coecientes de regresin.

Valor de influencia. La inuencia relativa de una observacin en el ajuste del modelo. DfBeta(s). La diferencia en el valor de beta es el cambio en el valor de un coeciente de
regresin que resulta de la exclusin de un caso particular. Se calcula un valor para cada trmino del modelo, incluyendo la constante.
Residuos. Guarda los residuos. Las opciones disponibles son No tipicados, Logit, Mtodo de
Student, Tipicados y Desviacin.

Residuos no tipificados. Diferencia entre un valor observado y el valor pronosticado por el
modelo.
Residuo logit. El residuo para el caso si ste es pronosticado en la escala logit. El residuo
logit es el residuo dividido por la probabilidad pronosticada multiplicada por 1 menos la probabilidad pronosticada.

Residuo estudentizado. El cambio en la desvianza del modelo si se excluye el caso. Residuos tipificados. El residuo dividido por una estimacin de su error tpico. Los
residuos tipicados, que son conocidos tambin como los residuos de Pearson o residuos estandarizados, tienen una media de 0 y una desviacin tpica de 1.
Desviacin. Los residuos basados en la desviacin del modelo.
Exportar informacin del modelo a un archivo XML. Las estimaciones de los parmetros y (si lo
desea) sus covarianzas se exportan al archivo especicado en formato XML (PMML). SmartScore y servidor de SPSS (un producto independiente) pueden utilizar este archivo del modelo para aplicar la informacin del modelo en otros archivos de datos con nes de puntuacin.
9 Regresin logstica
Regresin logstica: Opciones

Figura 2-5 Cuadro de dilogo Regresin logstica: Opciones
Puede especicar estas opciones para el anlisis de regresin logstica:

Estadsticos y grficos. Le permite solicitar estadsticos y grcos. Las opciones disponibles son
Grcos de clasicacin, Bondad de ajuste de Hosmer-Lemeshow, Listado de residuos por caso, Correlaciones de estimaciones, Historial de iteraciones e IC para exp(B). Seleccione una de las alternativas del grupo Mostrar para mostrar los estadsticos y los grcos En cada paso o bien slo para el modelo nal, En el ltimo paso.
estadstico de bondad de ajuste de Hosmer-Lemeshow. Este estadstico de bondad de ajuste es
ms robusto que el estadstico de bondad de ajuste tradicionalmente utilizado en la regresin logstica, especialmente para los modelos con covariables continuas y los estudios con tamaos de muestra pequeos. Se basa en agrupar los casos en deciles de riesgo y comparar la probabilidad observada con la probabilidad esperada dentro de cada decil.
Probabilidad para el mtodo por pasos. Le permite controlar los criterios por los cuales las variables
se introducen y se eliminan de la ecuacin. Puede especicar criterios para la Entrada o para la Salida de variables.
Probabilidad para los pasos. Una variable se introduce en el modelo si la probabilidad de su
estadstico de puntuacin es menor que el valor de Entrada, y se elimina si la probabilidad es mayor que el valor de Salida. Para anular los valores por defecto, introduzca valores positivos en los cuadros Entrada y Salida. Entrada debe ser menor que Salida.
Punto de corte para la clasificacin. Le permite determinar el punto de corte para la clasicacin
de los casos. Los casos con valores pronosticados que han sobrepasado el punto de corte para la clasicacin se clasican como positivos, mientras que aqullos con valores pronosticados menores que el punto de corte se clasican como negativos. Para cambiar los valores por defecto, introduzca un valor comprendido entre 0,01 y 0,99.
10 Captulo 2
N mximo de iteraciones. Le permite cambiar el nmero mximo de veces que el modelo itera
antes de nalizar.
Incluir constante en el modelo. Le permite indicar si el modelo debe incluir un trmino constante.
Si se desactiva, el trmino constante ser igual a 0.
Funciones adicionales del comando LOGISTIC REGRESSION

Con el lenguaje de sintaxis de comandos tambin podr:

Identicar los resultados por casos mediante los valores o las etiquetas de variable de una variable. Controlar el espaciado de los informes de iteracin. En lugar de imprimir las estimaciones de los parmetros despus de cada iteracin, puede solicitar las estimaciones de los parmetros despus de cada nsima iteracin. Cambiar los criterios para nalizar la iteracin y para comprobar la redundancia. Especicar una lista de variables para los listados por casos. Ahorrar memoria manteniendo los datos para cada grupo de segmentacin del archivo en un archivo temporal externo durante el procesamiento.
Si desea informacin detallada sobre la sintaxis, consulte la referencia de sintaxis de comandos (Command Syntax Reference).
Captulo
Regresin logstica multinomial
La opcin Regresin logstica multinomial resulta til en aquellas situaciones en las que desee poder clasicar a los sujetos segn los valores de un conjunto de variables predictoras. Este tipo de regresin es similar a la regresin logstica, pero ms general, ya que la variable dependiente no est restringida a dos categoras.
Ejemplo. Para conseguir una produccin y distribucin de pelculas ms ecaz, los estudios de cine
necesitan predecir qu tipo de pelculas es ms probable que vayan a ver los acionados. Mediante una regresin logstica multinomial, el estudio puede determinar la inuencia que la edad, el sexo y las relaciones de pareja de cada persona tiene sobre el tipo de pelcula que preeren. De esta manera, el estudio puede orientar la campaa publicitaria de una pelcula concreta al grupo de la poblacin que tenga ms probabilidades de ir a verla.
Estadsticos. Historial de iteraciones, coecientes de los parmetros, covarianza asinttica y
matrices de correlacin, pruebas de la razn de verosimilitud para los efectos del modelo y los parciales, 2 log de la verosimilitud. Chi-cuadrado de la bondad de ajuste de Pearson y de la desviacin. R2 de Cox y Snell, de Nagelkerke y de McFadden. Clasicacin: frecuencias observadas respecto a las frecuencias pronosticadas, por cada categora de respuesta. Tablas de contingencia: frecuencias observadas y pronosticadas (con los residuos) y proporciones por patrn en las covariables y por categora de respuesta.
Mtodos. Se ajusta un modelo logit multinomial para el modelo factorial completo o para un
modelo especicado por el usuario. La estimacin de los parmetros se realiza a travs de un algoritmo iterativo de mxima verosimilitud.
Datos. La variable dependiente debe ser categrica. Las variables independientes pueden ser factores o covariables. En general, los factores deben ser variables categricas y las covariables deben ser variables continuas. Supuestos. Se asume que la razn de ventajas de cualquier par de categoras es independiente de
las dems categoras de respuesta. Segn esta suposicin, por ejemplo, si se introduce un nuevo producto en un mercado, las cuotas de mercado de todos los dems productos se vern afectadas de manera igualmente proporcional. De igual manera, dado un patrn en las covariables, se asume que las respuestas son variables multinomiales independientes.
Obtencin de una regresin logstica multinomial
E Elija en los mens: Analizar Regresin Logstica multinomial ... 11
12 Captulo 3 Figura 3-1 Cuadro de dilogo Regresin logstica multinomial
E Seleccione una variable dependiente. E Los factores son opcionales y pueden ser numricos o categricos. E Las covariables son opcionales, pero si se especican deben ser numricas.
13 Regresin logstica multinomial
Regresin logstica multinomial: Modelos

Figura 3-2 Cuadro de dilogo Regresin logstica multinomial: Modelos
Por defecto, el procedimiento de Regresin logstica multinomial genera un modelo con los principales efectos que producen las covariables y los factores, pero puede especicar un modelo personalizado o solicitar la seleccin de un modelo por pasos con este cuadro de dilogo.
Especificar modelo. Un modelo de efectos principales contiene los efectos principales de las
covariables y los factores, pero no contiene efectos de interaccin. Un modelo factorial completo contiene todos los efectos principales y todas las interacciones factor por factor. No contiene interacciones de covariable. Puede crear un modelo personalizado para especicar subconjuntos de interacciones entre los factores o bien interacciones entre las covariables, o solicitar una seleccin por pasos de los trminos del modelo.
Factores y covariables. Muestra una lista de los factores y las covariables. Trminos de entrada forzada. Los trminos aadidos a la lista de entrada forzada siempre se
incluyen en el modelo.
14 Captulo 3
Trminos por pasos. Los trminos aadidos a la lista por pasos se incluyen en el modelo segn uno
de los mtodos por pasos seleccionados por el usuario siguientes:
Entrada hacia delante. Este mtodo se inicia sin trminos por pasos en el modelo. En cada
paso se aade al modelo el trmino ms signicativo, hasta que ninguno de los trminos por pasos que quede fuera del modelo tenga una contribucin estadsticamente signicativa si se aade al modelo.
Eliminacin hacia atrs. Este mtodo se inicia introduciendo en el modelo todos los trminos
especicados en la lista por pasos. En cada paso se elimina del modelo el trmino menos signicativo, hasta que todos los trminos por pasos restantes representen una contribucin estadsticamente signicativa para el modelo.
Pasos sucesivos hacia adelante. Este mtodo se inicia con el modelo que se seleccionara
mediante el mtodo de entrada hacia delante. A partir de ah, el algoritmo alterna entre la eliminacin hacia atrs de los trminos por pasos del modelo, y la entrada hacia delante de los trminos fuera del modelo. Se sigue as hasta que no queden trminos que cumplan con los criterios de entrada o exclusin.
Pasos sucesivos hacia atrs. Este mtodo se inicia con el modelo que se seleccionara
mediante el mtodo de eliminacin hacia atrs. A partir de ah, el algoritmo alterna entre la entrada hacia delante de los trminos fuera del modelo, y la eliminacin hacia atrs de los trminos por pasos del modelo. Se sigue as hasta que no queden trminos que cumplan con los criterios de entrada o exclusin.
Incluir la interseccin en el modelo. Le permite incluir o excluir del modelo un trmino de
interseccin.
Construir trminos
Para las covariables y los factores seleccionados:
Interaccin. Crea el trmino de interaccin de mayor nivel con todas las variables seleccionadas. Efectos principales. Crea un trmino de efectos principales para cada variable seleccionada. Todas de 2. Crea todas las interacciones dobles posibles de las variables seleccionadas. Todas de 3. Crea todas las interacciones triples posibles de las variables seleccionadas. Todas de 4. Crea todas las interacciones cudruples posibles de las variables seleccionadas. Todas de 5. Crea todas las interacciones quntuples posibles de las variables seleccionadas.
Categora de referencia de regresin logstica multinomial

Figura 3-3 Cuadro de dilogo Regresin logstica multinomial: Categora de referencia
Por defecto, el procedimiento Regresin logstica multinomial hace de la ltima categora la categora de referencia. Este cuadro de dilogo le otorga el control sobre la categora de referencia y sobre la forma de ordenar las categoras.
Categora de referencia. Especique la primera, la ltima o una categora personalizada. Orden de categoras. En orden ascendente, el valor mnimo dene la primera categora, y el
valor ms alto la ltima. En orden descendente, el valor mximo dene la primera categora y el valor inferior dene la ltima.
16 Captulo 3
Regresin logstica multinomial: Estadsticos

Figura 3-4 Cuadro de dilogo Regresin logstica multinomial: Estadsticos
Puede especicar los siguientes estadsticos para una regresin logstica multinomial:
Resumen de procesamiento de casos. Esta tabla contiene informacin sobre las variables
categricas especicadas.
Modelo. Estadsticos del modelo global.

Pseudo R cuadrado. Imprime el estadstico de Cox y Snell, de Nagelkerke y el R2 McFadden. Resumen de pasos. Esta tabla resume los efectos introducidos o eliminados en cada paso,
mediante un mtodo por pasos. No se genera si no se especica un modelo por pasos en el cuadro de dilogo Modelo.

Informacin de ajuste de los modelos. Esta tabla compara los modelos ajustado y de slo
interseccin o nulo.
Criterios de informacin. Esta tabla imprime tanto el criterio de informacin de Akaike (AIC)
como el criterio de informacin bayesiano (BIC).
Probabilidades de casilla. Imprime una tabla de las frecuencias observadas y esperadas (con
los residuos) y las proporciones por patrn en las covariables y por categora de respuesta.
Tabla de clasificacin. Imprime una tabla de las respuestas observadas respecto a las respuestas
pronosticadas.
Estadsticos de bondad de ajuste de chi-cuadrado. Imprime los estadsticos de chi-cuadrado de
Pearson y de chi-cuadrado de la razn de verosimilitud. Los estadsticos se calculan para los patrones en las covariables determinados por todos los factores y las covariables o por un subconjunto de los factores y las covariables denido por el usuario.
Medidas de monoticidad. Muestra una tabla con informacin sobre el nmero de pares
concordantes, pares discordantes y empates. La D de Somers, la gamma de Goodman y Kruskal, la tau-a de Kendall y el ndice de concordancia C tambin se muestran en esta tabla.
Parmetros. Estadsticos relativos a los parmetros del modelo.

Estimaciones. Imprime las estimaciones de los parmetros del modelo con un nivel de
conanza especicado por el usuario.

Contraste de la razn de verosimilitud. Imprime los contrastes de la razn de verosimilitud
para los efectos parciales del modelo. El contraste para el modelo global se imprime de manera automtica.

Correlaciones asintticas. Imprime la matriz de las correlaciones entre las estimaciones de
los parmetros.
Covarianzas asintticas. Imprime la matriz de las covarianzas de las estimaciones de los
parmetros.
Definir subpoblaciones. Le permite seleccionar un subconjunto de factores y covariables de manera
que pueda denir los patrones en las covariables utilizados por las probabilidades de casilla y las pruebas de bondad de ajuste.
Regresin logstica multinomial: Criterios

Figura 3-5 Cuadro de dilogo Regresin logstica multinomial: Criterios de convergencia
18 Captulo 3
Puede especicar los siguientes criterios para una regresin logstica multinomial:
Iteraciones. Le permite especicar el nmero mximo de veces que desea recorrer el algoritmo, el nmero mximo de pasos en la subdivisin por pasos, las tolerancias de convergencia para los cambios en el log de la verosimilitud y los parmetros, la frecuencia con que se imprime el progreso del algoritmo iterativo y en qu iteracin el procedimiento debe comenzar a comprobar la separacin completa o casi completa de los datos.
Convergencia del logaritmo de la verosimilitud. Se asume la convergencia si el cambio absoluto
en la funcin log-verosimilitud es menor que el valor especicado. Este criterio no se aplica si el valor es igual a 0. Especique un valor no negativo.
Convergencia de los parmetros. Se asume la convergencia si el cambio absoluto en las
estimaciones de los parmetros es menor que este valor. Este criterio no se aplica si el valor es igual a 0.
Delta. Le permite especicar un valor no negativo inferior a 1. Este valor se aade a cada casilla
vaca de la tabla de contingencia de las categoras de respuesta por patrones de covariables. Se ayuda as a estabilizar el algoritmo y evitar sesgos en las estimaciones.
Tolerancia para la singularidad. Le permite especicar la tolerancia empleada en la comprobacin
de la singularidad.
Opciones de Regresin logstica multinomial

Figura 3-6 Cuadro de dilogo Opciones de Regresin logstica multinomial
Puede especicar las siguientes opciones para una regresin logstica multinomial:
Escala de dispersin. Le permite especicar el valor de escalamiento de la dispersin que se va a utilizar para corregir la estimacin de la matriz de covarianzas de los parmetros. Desviacin estima el valor de escalamiento mediante el estadstico de la funcin de desviacin (chi-cuadrado de la razn de verosimilitud. Pearson estima el valor de escalamiento mediante el estadstico chi-cuadrado de Pearson. Tambin puede especicar su propio valor de escalamiento. Debe ser un valor numrico positivo. Opciones por pasos. Estas opciones le ofrecen el control de los criterios estadsticos cuando se utilizan mtodos por pasos para generar un modelo. Se ignoran si no se especica un modelo por pasos en el cuadro de dilogo Modelo.
Probabilidad de entrada. Se trata de la probabilidad del estadstico de la razn de verosimilitud
para la entrada de variables. Cuanto mayor sea la probabilidad especicada, ms fcil resultar que una variable entre en el modelo. Este criterio se ignora a menos que se seleccione uno de los mtodos siguientes: hacia delante, pasos sucesivos hacia adelante o pasos sucesivos hacia atrs.
Prueba de entrada. ste es el mtodo para introducir los trminos en los mtodos por pasos.
Escoja entre la prueba de la razn de verosimilitud y la prueba de puntuacin. Este criterio se ignora a menos que se seleccione uno de los mtodos siguientes: hacia delante, pasos sucesivos hacia adelante o pasos sucesivos hacia atrs.
Probabilidad de eliminacin. Se trata de la probabilidad del estadstico de la razn de
verosimilitud para la eliminacin de variables. Cuanto mayor sea la probabilidad especicada, ms fcil resultar que una variable permanezca en el modelo. Este criterio se ignora a no ser que se seleccione el mtodo de eliminacin hacia atrs, pasos sucesivos hacia adelante o pasos sucesivos hacia atrs.
Prueba de eliminacin. ste es el mtodo utilizado para eliminar trminos en los mtodos por
pasos. Puede elegir entre la prueba de la razn de verosimilitud o la prueba de Wald. Este criterio se ignora a no ser que se seleccione el mtodo de eliminacin hacia atrs, pasos sucesivos hacia adelante o pasos sucesivos hacia atrs.
Efectos por pasos mnimos en el modelo. Al utilizar los mtodos de eliminacin hacia atrs o
pasos sucesivos hacia atrs, se especica el mnimo nmero de trminos que puede incluirse en el modelo. La interseccin no se cuenta como trmino de modelo.
Efectos por pasos mximos en el modelo. Al utilizar los mtodos de entrada hacia delante
o pasos sucesivos hacia adelante, se especica el mximo nmero de trminos que puede incluirse en el modelo. La interseccin no se cuenta como trmino de modelo.
Restringir jerrquicamente la entrada y la eliminacin de trminos. Esta opcin permite elegir si
se desea aplicar restricciones a la inclusin de trminos de modelo. La jerarqua precisa que para que se incluya un trmino, todos los inferiores que formen parte del que se desea incluir se encuentren antes en el modelo. Por ejemplo, si el requisito de jerarqua est activado, los factores Estado civil y Sexo deben estar en el modelo antes de poder aadir la interaccin Estado civil*Sexo. Las tres opciones en forma de botn radial determinan el papel de las covariables a la hora de determinar la jerarqua.
20 Captulo 3
Regresin logstica multinomial: Guardar

Figura 3-7 Cuadro de dilogo Regresin logstica multinomial: Guardar
El cuadro de dilogo Guardar permite guardar las variables en el archivo de trabajo, as como exportar la informacin de modelo a un archivo externo.
Variables guardadas.
Probabilidades de respuesta estimadas. Son las probabilidades estimadas de la clasicacin
de un patrn de factor/covariable en las categoras de respuesta. Hay tantas probabilidades estimadas como categoras de la variable de respuesta; se guardarn hasta 25.

Categora pronosticada. Es la categora de respuesta con la mayor probabilidad esperada
para un patrn de factor/covariable.

Probabilidades de la categora pronosticada. Mximo de las probabilidades de respuesta
estimadas.
Probabilidad de la categora real. Es la probabilidad estimada de la clasicacin de un patrn
de factor/covariable en la categora observada.

Exportar informacin del modelo a un archivo XML. Las estimaciones de los parmetros y (si lo
desea) sus covarianzas se exportan al archivo especicado en formato XML (PMML). SmartScore y servidor de SPSS (un producto independiente) pueden utilizar este archivo del modelo para aplicar la informacin del modelo en otros archivos de datos con nes de puntuacin.
Funciones adicionales del comando NOMREG


Especique la categora de referencia de la variable dependiente. Incluir los casos con valores perdidos denidos por el usuario. Personalizar los contrastes de hiptesis especicando las hiptesis nulas como combinaciones lineales de los parmetros.
Captulo
Anlisis probit
Este procedimiento mide la relacin entre la intensidad de un estmulo y la proporcin de casos que presentan una cierta respuesta a dicho estmulo. Es til para las situaciones en las que se dispone de una respuesta dicotmica que se piensa puede estar inuenciada o causada por los niveles de alguna o algunas variables independientes, y es particularmente adecuada para datos experimentales. Este procedimiento le permitir estimar la intensidad necesaria para que un estmulo llegue a inducir una determinada proporcin de respuestas, como la dosis efectiva para la mediana.
Ejemplo. Qu efectividad tiene un nuevo pesticida para matar hormigas y cul es la concentracin
adecuada que se debe utilizar? Podra llevar a cabo un experimento en el que se expongan muestras de hormigas a diferentes concentraciones del pesticida y despus registrar el nmero de hormigas muertas y el nmero de hormigas expuestas. Aplicando el anlisis probit a estos datos puede determinar la fuerza de la relacin entre concentracin y mortalidad, as como determinar la concentracin adecuada de pesticida si desea asegurar la exterminacin de, por ejemplo, el 95% de las hormigas expuestas.
Estadsticos. Coecientes de regresin y errores tpicos, interseccin y su error tpico, chi-cuadrado de Pearson de la bondad de ajuste, frecuencias observadas y esperadas e intervalos de conanza para los niveles efectivos de la variable o variables independientes. Grcos: grcos de respuestas transformadas.
Este procedimiento utiliza los algoritmos propuestos y aplicados en NPSOL por Gill, Murray, Saunders y Wright para la estimacin de los parmetros de modelo.
Datos. Para cada valor de la variable independiente (o para cada combinacin de valores para
mltiples variables independientes), la variable de respuesta debe contener el recuento del nmero de casos que presenta la respuesta de inters y que toma dichos valores de la variable independiente, y la variable del total observado debe ser el recuento del nmero total de casos con dichos valores para la variable independiente. La variable de factor debe ser categrica, codicada como enteros.
Supuestos. Las observaciones deben ser independientes. Si dispone de un gran nmero de valores
diferentes para las variables independientes respecto al nmero de observaciones, como es probable que suceda en un estudio observacional, puede que no sean vlidos los estadsticos de chi-cuadrado y de bondad de ajuste.
Procedimientos relacionados. El anlisis probit est estrechamente relacionado con la regresin logstica; de hecho, si elige la transformacin logit, este procedimiento calcular esencialmente una regresin logstica. En general, el anlisis probit es apropiado para los diseos experimentales, mientras que la regresin logstica es ms adecuada para los estudios observacionales. Las diferencias en los resultados reejan estas diferencias de nfasis. El procedimiento Anlisis
21
22 Captulo 4
probit informa de las estimaciones de los valores efectivos para las diferentes tasas de respuesta (incluyendo la dosis efectiva para la mediana), mientras que la Regresin logstica informa de las estimaciones de las razones de las ventajas (odds ratios) para las variables independientes.
Para obtener un anlisis probit
E Elija en los mens: Analizar Regresin Probit... Figura 4-1 Cuadro de dilogo Anlisis probit
E Seleccione una variable para la frecuencia de respuesta. Esta variable indica el nmero de casos
que presentan una respuesta al estmulo de prueba. Los valores de esta variable no pueden ser negativos.
E Seleccione una variable para el total observado. Esta variable indica el nmero de casos a los que
se aplic el estmulo. Para cada caso, los valores de esta variable no pueden ser negativos ni menores que los valores de la variable de frecuencia de respuesta. Si se desea, puede seleccionarse una variable de factor. Si lo hace, pulse en Definir rango para denir los grupos.
E Seleccione una o varias covariables. La covariable contiene el nivel del estmulo aplicado en
cada observacin. Si desea transformar la covariable, seleccione una transformacin de la lista desplegable Transformar. Si no se aplica ninguna transformacin y hay un grupo de control, ste se incluir en el anlisis.
E Seleccione el modelo Probit o Logit.
23 Anlisis probit
Modelo probit. Aplica la transformacin Probit (la inversa de la funcin acumulada de la
distribucin normal tpica) a las proporciones de respuesta.

Modelo logit. Aplica la transformacin logit (log de las ventajas) a las proporciones de
respuesta.
Anlisis probit: Definir rango

Figura 4-2 Cuadro de dilogo Anlisis probit: Definir rango
Permite especicar los niveles de la variable de factor que sern analizados. Los niveles de factor deben codicarse como enteros consecutivos; se analizarn todos los niveles del rango que especique.
Anlisis probit: Opciones

Figura 4-3 Cuadro de dilogo Anlisis probit: Opciones
Puede especicar opciones para el anlisis probit:

Estadsticos. Permite solicitar los siguientes estadsticos opcionales: Frecuencias, Potencia
relativa de la mediana, Prueba de paralelismo e Intervalos de conanza duciaria.
24 Captulo 4
Potencia relativa de la mediana. Muestra la razn de las potencias de las medianas para cada
pareja de los niveles del factor. Tambin muestra los lmites de conanza al 95% para cada potencia relativa de la mediana. Las potencias relativas de la mediana no estn disponibles si no dispone de una variable de factor, o si dispone de ms de una covariable.

Prueba de paralelismo. Contraste sobre la hiptesis de que todos los niveles del factor tienen
una pendiente comn.

Intervalos de confianza fiduciaria. Intervalos de conanza para la dosis del agente requerida
para producir una cierta probabilidad de respuesta. Intervalos de conanza duciaria y Potencia relativa de la mediana no estn disponibles si se ha seleccionado ms de una covariable. Potencia relativa de la mediana y Prueba de paralelismo slo estn disponibles si se ha seleccionado una variable de factor.
Tasa de respuesta natural. Permite indicar una tasa de respuesta natural incluso en la ausencia del estmulo. Ninguna, Calcular a partir de los datos o Valor.
Calcular a partir de los datos. Estima la tasa de respuesta natural a partir de los datos de la
muestra. Los datos deben contener un caso que represente el nivel de control, para el cual el valor de las covariables sea 0. Probit estima la tasa de respuesta natural utilizando como valor inicial la proporcin de respuestas para el nivel de control.
Valor. Establece la tasa de respuesta natural del modelo (seleccione este elemento cuando
conozca de antemano la tasa de respuesta natural). Introduzca la proporcin de respuesta natural (la proporcin debe ser menor que 1). Por ejemplo, si la respuesta ocurre el 10% de las veces cuando el estmulo es 0, introduzca 0,10.
Criterios. Permite controlar los parmetros del algoritmo iterativo de estimacin de los parmetros. Puede anular las opciones por defecto para N mximo de iteraciones, Lmite para los pasos y Tolerancia de la optimalidad.
Funciones adicionales del comando PROBIT


Solicitar simultneamente un anlisis con ambos modelos, probit y logit. Controlar el tratamiento de los valores perdidos. Transformar las covariables por bases diferentes de la base 10 o el logaritmo natural.
Captulo
Regresin no lineal
Regresin no lineal es un mtodo para encontrar un modelo no lineal para la relacin entre la variable dependiente y un conjunto de variables independientes. A diferencia de la regresin lineal tradicional, que est restringida a la estimacin de modelos lineales, la regresin no lineal puede estimar modelos con relaciones arbitrarias entre las variables independientes y las dependientes. Esto se lleva a cabo usando algoritmos de estimacin iterativos. Tenga en cuenta que este procedimiento no es necesario para los modelos polinmicos simples de la forma Y = A + BX**2. Deniendo W = X**2, obtenemos un modelo lineal simple, Y = A + BW, que se puede estimar usando mtodos tradicionales como el procedimiento Regresin lineal.
Ejemplo. Puede pronosticarse la poblacin basndose en el tiempo Un diagrama de dispersin muestra que parece haber una estrecha relacin entre la poblacin y el tiempo, pero la relacin es no lineal y por eso exige la utilizacin de los mtodos de estimacin especiales del procedimiento Regresin no lineal. Creando una ecuacin adecuada, como la del modelo logstico de crecimiento poblacional, podemos obtener una buena estimacin del modelo, lo que nos permitir hacer predicciones sobre la poblacin para pocas que no se han sido medidas. Estadsticos. Para cada iteracin: estimaciones de los parmetros y suma de cuadrados residual. Para cada modelo: suma de cuadrados para regresin, residual, total corregido y no corregido, estimaciones de los parmetros, errores tpicos asintticos y matriz de correlaciones asintticas de estimaciones de los parmetros.
Nota: La regresin no lineal restringida utiliza los algoritmos propuestos y aplicados en NPSOL por Gill, Murray, Saunders y Wright para la estimacin de los parmetros de modelo.
Datos. Las variables dependiente e independientes deben ser cuantitativas. Las variables
categricas, como la religin, la mayora de edad o el lugar de residencia, han de recodicarse como variables binarias (dummy) o como otro de los tipos de variables de contraste.
Supuestos. Los resultados son vlidos slo si se ha especicado una funcin que describa con
precisin la relacin entre las variables independientes y las dependientes. Adems, la eleccin de buenos valores iniciales es muy importante. Incluso si se ha especicado la forma funcional correcta para el modelo, si no utiliza valores iniciales adecuados, puede que su modelo no logre converger o puede que obtenga una solucin que sea ptima localmente en vez de una que sea ptima globalmente.
Procedimientos relacionados. Muchos modelos que en un principio parecen ser no lineales pueden
ser transformados en un modelo lineal, el cual pueda ser analizado usando el procedimiento Regresin lineal. Si no est seguro de cul es el modelo adecuado, el procedimiento Estimacin curvilnea puede ayudarle a identicar relaciones funcionales tiles que estn presentes en los datos.
25
26 Captulo 5
Para obtener un anlisis de regresin no lineal

E Elija en los mens: Analizar Regresin No lineal... Figura 5-1 Cuadro de dilogo Regresin no lineal
E Seleccione una variable numrica dependiente de la lista de variables del conjunto de datos activo. E Para construir una expresin para el modelo, introduzca la expresin en el campo Expresin del
modelo o bien pegue en el campo los componentes (variables, parmetros, funciones).

E Identique los parmetros del modelo pulsando en Parmetros.
Un modelo segmentado (uno que adquiere diferentes formas en distintas partes de su dominio) se debe especicar usando la lgica condicional dentro de la declaracin nica del modelo.
Lgica condicional (Regresin no lineal)

Se puede especicar un modelo segmentado utilizando la lgica condicional. Para usar la lgica condicional dentro de la expresin del modelo o de la funcin de prdida, debe construir la suma de una serie de trminos, uno para cada condicin. Cada trmino se compone de una expresin
27 Regresin no lineal
lgica (entre parntesis) multiplicada por la expresin que resultar cuando esa expresin lgica es verdadera. Por ejemplo, considere un modelo segmentado que sea igual a 0 para X<=0, X para 0<X<1 y 1 para X>=1. La expresin para este ejemplo es: (X<=0)*0 + (X>0 & X < 1)*X + (X>=1)*1. Todas las expresiones lgicas entre parntesis deben ser evaluables como 1 (verdadero) o 0 (falso). As: Si X<=0, la anterior se reduce a 1*0 + 0*X + 0*1 = 0. Si 0<X<1, se reduce a 0*0 + 1*X + 0*1 = X. Si X>=1, se reduce a 0*0 + 0*X + 1*1 = 1. Se pueden construir con facilidad ejemplos ms complicados reemplazando diferentes expresiones lgicas y expresiones de resultado. Recuerde que las desigualdades dobles, como 0<X<1, deben escribirse como expresiones compuestas, de la forma (X>0 & X < 1). Se pueden utilizar variables de cadena dentro de las expresiones lgicas: (ciudad=Madrid)*costliv + (ciudad=Guadalajara)*0.59*costliv Esto da lugar a una expresin (el valor de la variable costliv) para los madrileos y a otra (el 59% de ese valor) para los habitantes de Guadalajara. Las constantes de cadena deben ir entre comillas o apstrofos, como se muestra aqu.
Regresin no lineal: Parmetros

Figura 5-2 Cuadro de dilogo Regresin no lineal: Parmetros
Los parmetros son las partes del modelo que son estimadas por el procedimiento Regresin no lineal. Los parmetros pueden ser constantes aditivas, coecientes multiplicativos, exponentes o valores usados para evaluar funciones. Todos los parmetros que hayan sido denidos aparecern (con sus valores de inicio) en la lista Parmetros del cuadro de dilogo principal.
Nombre. Debe especicarse un nombre para cada parmetro. Debe ser un nombre de variable vlido y debe ser el nombre utilizado en la expresin del modelo del cuadro de dilogo principal.
28 Captulo 5
Valor inicial. Permite especicar un valor de inicio para el parmetro, preferiblemente lo ms prximo posible a la solucin nal esperada. Los valores iniciales no adecuados pueden dar como resultado un fallo de convergencia o una convergencia sobre una solucin local (en vez de global) o fsicamente imposible. Usar los valores iniciales del anlisis previo. Si ya se ha ejecutado una regresin no lineal desde este cuadro de dilogo, puede seleccionar esta opcin para obtener los valores iniciales de los parmetros a partir de sus valores en la ejecucin previa. De esta forma podr continuar buscando cuando el algoritmo est convergiendo lentamente. Los primeros valores iniciales seguirn apareciendo en la lista Parmetros del cuadro de dilogo principal.
Nota: Esta seleccin persistir en este cuadro de dilogo durante el resto de la sesin. Si cambia el modelo, asegrese de desactivarla.
Modelos comunes de regresin no lineal

La tabla que se muestra ms abajo proporciona ejemplos de la sintaxis del modelo para muchos modelos de regresin no lineal publicados. Es probable que los modelos seleccionados al azar no se ajusten bien a sus datos. Son necesarios valores iniciales adecuados para los parmetros; algunos modelos requieren restricciones para llegar a converger.
Tabla 5-1 Ejemplos de sintaxis de modelo
Nombre Regresin asinttica Regresin asinttica Densidad Gauss Gompertz Johnson-Schumacher Log-modicado Log-logstico Ley de Metcherlich de devoluciones decrecientes Michaelis Menten Morgan-Mercer-Florin Peal-Reed Razn de cbicas Razn de cuadrticas Richards Verhulst Von Bertalanffy Weibull Densidad de rendimiento
Expresin del modelo b1 + b2 *exp( b3 * x ) b1 (b2 * (b3 ** x)) (b1 + b2 * x) ** (1 / b3) b1 * (1 b3 * exp(b2 * x ** 2)) b1 * exp(b2 * exp(b3 * x)) b1 * exp(b2 / (x + b3)) ( b1 + b3 * x ) ** b2 b1 ln(1 + b2 * exp(b3 * x)) b1 + b2 * exp(b3 * x) b1* x /( x + b2 ) ( b1 * b2 + b3 * x ** b4 )/( b2 + x ** b4 ) b1 / (1+ b2 * exp((b3 * x + b4 * x **2 + b5 * x ** 3))) (b1 + b2 * x + b3 * x ** 2 + b4 * x ** 3) / (b5 * x ** 3) ( b1 + b2 * x + b3 * x **2)/( b4 * x **2) b1 / ((1 + b3 * exp(b2 * x)) ** (1 / b4)) b1 / (1 + b3 * exp(b2 * x)) (b1 ** (1 b4) b2 * exp(b3 * x)) ** (1 / (1 b4)) b1 b2 * exp(b3 * x ** b4) (b1 + b2 * x + b3 * x ** 2) ** (1)
Regresin no lineal: Funcin de prdida

Figura 5-3 Cuadro de dilogo Regresin no lineal: Funcin de prdida
La funcin de prdida en regresin no lineal es la funcin que es minimizada por el algoritmo. Seleccione Suma de los residuos al cuadrado para minimizar la suma de los residuos al cuadrado o bien Funcin de prdida definida por el usuario para minimizar una funcin diferente. Si selecciona Funcin de prdida definida por el usuario, debe denir la funcin de prdida cuya suma (en todos los casos) deber minimizarse por la eleccin de los valores de los parmetros.
La mayora de las funciones de prdida incluyen la variable especial RESID_, que representa el residuo. La funcin de prdida por defecto Suma de los residuos al cuadrado se podra introducir explcitamente como RESID_**2. Si tiene que utilizar el valor pronosticado en la funcin de prdida, ste es igual a la variable dependiente menos el residuo. Se puede especicar una funcin de prdida condicional utilizando la lgica condicional.
Puede escribir una expresin en el campo Funcin de prdida denida por el usuario, o bien pegar en el campo los componentes de la expresin. Las constantes de cadena deben ir entre comillas o apstrofos y las constantes numricas deben escribirse en formato americano, con el punto como separador de la parte decimal.
30 Captulo 5
Regresin no lineal: Restricciones para los parmetros

Figura 5-4 Cuadro de dilogo Regresin no lineal: Restricciones para los parmetros
Una restriccin es una limitacin sobre los valores permitidos para un parmetro durante la bsqueda iterativa de una solucin. Las expresiones lineales se evalan antes de realizar un paso, de modo que se puedan utilizar restricciones lineales para omitir los pasos que pueden provocar desbordamientos. Las expresiones no lineales se evalan despus de realizar el paso. Cada ecuacin o desigualdad requiere los siguientes elementos:
Una expresin que incluya al menos un parmetro del modelo. Escriba la expresin o bien utilice el teclado, que le permita pegar nmeros, operadores o parntesis en la expresin. Puede escribir el parmetro o parmetros requeridos junto con el resto de la expresin o bien pegarlos de la lista de Parmetros situada a la izquierda. No se pueden usar variables ordinarias en una restriccin. Uno de los tres operadores lgicos <=, =, o bien >=. Una constante numrica, con la que se compara la expresin utilizando el operador lgico. Escriba la constante. Las constantes numricas deben escribirse en formato americano, con el punto como separador de la parte decimal.
Regresin no lineal: Guardar variables nuevas

Figura 5-5 Cuadro de dilogo Regresin no lineal: Guardar variables nuevas
Puede guardar una serie de variables nuevas en el archivo de datos activo. Las opciones disponibles son: Residuos, Valores pronosticados, Derivadas y Valores de la funcin de prdida. Estas variables se pueden utilizar en anlisis subsiguientes para contrastar el ajuste del modelo o para identicar casos problemticos.

Residuos. Guarda los residuos, con el nombre de variable resid. Valores pronosticados. Guarda los valores pronosticados, con el nombre de variable pred_. Derivadas. Se guarda una derivada para cada parmetro del modelo. Los nombres de las
derivadas se construyen aadiendo como prejo una "d." a los primeros seis caracteres de los nombres de los parmetros.
Valores de la funcin de prdida. Esta opcin est disponible si especica su propia funcin de
prdida. Se asigna el nombre de variable loss_ a los valores de la funcin de prdida.
Regresin no lineal: Opciones

Figura 5-6 Cuadro de dilogo Regresin no lineal: Opciones
Este cuadro de dilogo permite controlar diversos aspectos del anlisis de regresin no lineal:
Estimaciones bootstrap. Mtodo para la estimacin del error tpico de un estadstico que usa
muestras repetidas del conjunto original de datos. Esto se lleva a cabo mediante muestreo (con reposicin) para obtener muchas muestras de tamao igual al conjunto de datos original. Se estima la ecuacin no lineal para cada una de estas muestras. A continuacin, se calcula el error tpico de cada estimacin del parmetro como la desviacin tpica de las estimaciones creadas por el mtodo bootstrap. Se utilizan los valores de los parmetros obtenidos a partir de los datos originales como los valores de inicio para las estimaciones bootstrap. Tambin se denominan estimaciones autodocimantes.
Mtodo de estimacin. Permite seleccionar un mtodo de estimacin, si esto es posible.
(Determinadas opciones de ste y otros cuadros de dilogo requieren el algoritmo de programacin cuadrtica secuencial.) Entre las alternativas disponibles se encuentran Programacin cuadrtica secuencial y Levenberg-Marquardt.
32 Captulo 5
Programacin cuadrtica secuencial. Est mtodo est disponible para los modelos restringidos
y los no restringidos. La programacin cuadrtica secuencial se utiliza automticamente si especica un modelo restringido, una funcin de prdida denida por el usuario o el muestreo autodocimante (bootstrap). Si lo desea puede introducir nuevos valores para N mximo de iteraciones y Lmite para los pasos y puede cambiar la seleccin que se encuentra en las listas desplegables para Tolerancia de optimalidad, Precisin de la funcin y Tamao para pasos innitos.
Levenberg-Marquardt. Algoritmo por defecto para los modelos no restringidos. El mtodo de
Levenberg-Marquardt no est disponible si especica un modelo restringido, una funcin de prdida denida por el usuario, o el muestreo bootstrap (autodocimante). Se pueden introducir nuevos valores para el N mximo de iteraciones y cambiar las selecciones de las listas desplegables de la Convergencia de la suma de cuadrados y la Convergencia en los parmetros.
Regresin no lineal: Interpretacin de los resultados

Los problemas de la regresin no lineal presentan con frecuencia dicultades de clculo:

La eleccin de valores iniciales para los parmetros inuye en la convergencia. Intente elegir valores iniciales que sean razonables y, si es posible, prximos a la solucin nal esperada. A veces, un algoritmo se ejecuta mejor que otro en un determinado problema. En el cuadro de dilogo Opciones, seleccione el otro algoritmo si est disponible. Si especica una funcin de prdida o ciertos tipos de restricciones, no podr utilizar el algoritmo de Levenberg-Marquardt. Cuando la iteracin se detiene slo porque se ha dado el nmero mximo de iteraciones, el modelo nal probablemente no sea una buena solucin. Seleccione Usar los valores iniciales del anlisis previo del cuadro de dilogo Parmetros para continuar la iteracin o, mejor an, elija otros valores iniciales. Los modelos que requieren la exponenciacin de o por valores de datos grandes pueden causar desbordamientos (nmeros demasiado grandes o demasiado pequeos para que su equipo los represente). A veces esto se puede evitar eligiendo los valores iniciales adecuados o imponiendo restricciones sobre los parmetros.
Funciones adicionales del comando NLR


Nombrar un archivo del cual leer valores iniciales para las estimaciones de los parmetros. Especicar ms de una instruccin de modelo y de funcin de prdida. Con ello se facilita la tarea de especicacin de un modelo segmentado. Suministrar sus propias derivadas en vez de utilizar las calculadas por el programa. Especicar el nmero de muestras bootstrap que se van a generar. Especicar criterios de iteracin adicionales, incluyendo el establecer un valor crtico para la comprobacin de las derivadas y denir un criterio de convergencia para la correlacin entre los residuos y las derivadas.
Los criterios adicionales para el comando CNLR (regresin no lineal restringida) permiten:

Especicar el nmero mximo de iteraciones secundarias permitidas dentro de cada iteracin principal. Establecer un valor crtico para la comprobacin de las derivadas. Establecer un lmite para los pasos. Especicar una tolerancia de colapso para determinar si los valores iniciales estn dentro de los lmites especicados.
Captulo
Estimacin ponderada
Los modelos de regresin lineal tpicos asumen que la varianza es constante en la poblacin objeto de estudio. Cuando ste no es el caso (por ejemplo cuando los casos con puntuaciones mayores en un atributo muestran ms variabilidad que los casos con puntuaciones menores en ese atributo), la regresin lineal mediante mnimos cuadrados ordinarios (MCO, OLS) deja de proporcionar estimaciones ptimas para el modelo. Si las diferencias de variabilidad se pueden pronosticar a partir de otra variable, el procedimiento Estimacin ponderada permite calcular los coecientes de un modelo de regresin lineal mediante mnimos cuadrados ponderados (MCP, WLS), de forma que se les d mayor ponderacin a las observaciones ms precisas (es decir, aqullas con menos variabilidad) al determinar los coecientes de regresin. El procedimiento Estimacin ponderada contrasta un rango de transformaciones de ponderacin e indica cul se ajustar mejor a los datos.
Ejemplo. Cules son los efectos de la inacin y el paro sobre los cambios en el precio de las
acciones Debido a que los valores con mayor valor de cotizacin suelen mostrar ms variabilidad que aquellos con menor valor de cotizacin, la estimacin de mnimos cuadrados ordinarios no generar estimaciones que sean ptimas. El mtodo de Estimacin ponderada permite capturar el efecto del precio de cotizacin sobre la variabilidad de los cambios en el precio, al calcular el modelo lineal.
Estadsticos. Valores de la log-verosimilitud para cada potencia de la variable de ponderacin
puesta a prueba,R mltiple, R-cuadrado, R cuadrado corregida, tabla de ANOVA para el modelo MCP, estimaciones de los parmetros tipicados y no tipicados y log-verosimilitud para el modelo MCP.
categricas, como la religin, la mayora de edad o el lugar de residencia, han de recodicarse como variables binarias (dummy) o como otro de los tipos de variables de contraste. La variable de ponderacin deber ser cuantitativa y estar relacionada con la variabilidad de la variable dependiente.
Supuestos. Para cada valor de la variable independiente, la distribucin de la variable dependiente
debe ser normal. La relacin entre la variable dependiente y cada variable independiente debe ser lineal y todas las observaciones deben ser independientes. La varianza de la variable dependiente puede cambiar segn los niveles de la variable o variables independientes, pero las diferencias se deben poder pronosticar en funcin de la variable de ponderacin.
Procedimientos relacionados. El procedimiento Explorar se puede utilizar para inspeccionar los datos. Este procedimiento proporciona pruebas de normalidad y homogeneidad de la varianza, as como representaciones grcas. Si la variable dependiente parece tener la misma varianza para todos los niveles de las variables independientes, puede utilizar el procedimiento Regresin lineal. Si los datos parecen violar un supuesto (como puede ser la normalidad), intente transformarlos. Si los datos no estn relacionados linealmente y una transformacin no ayuda, utilice un
34
35 Estimacin ponderada
modelo alternativo en el procedimiento Estimacin curvilnea. Si la variable dependiente es dicotmica, por ejemplo si se lleva o no a cabo una determinada venta o si un artculo es o no defectuoso, utilice el procedimiento Regresin logstica. Si la variable dependiente est censurada (por ejemplo, el tiempo de supervivencia despus de una intervencin quirrgica), utilice los procedimientos Tablas de mortalidad, Kaplan-Meier o Regresin de Cox, disponibles en la opcin Estadsticas avanzadas. Si los datos no son independientes (por ejemplo, si observa a la misma persona en diversas condiciones), utilice el procedimiento Medidas repetidas, disponible en la opcin Modelos avanzados.
Para obtener un anlisis de Estimacin ponderada
E Elija en los mens: Analizar Regresin Estimacin ponderada... Figura 6-1 Cuadro de dilogo Estimacin ponderada
E Seleccione una variable dependiente. E Seleccione una o ms variables independientes. E Seleccione la variable fuente de heterocedasticidad como variable de ponderacin.
Variable de ponderacin. Los datos son ponderados por el inverso de esta variable elevada a
una potencia. La ecuacin de regresin se calcula para cada uno de los valores del rango de potencias especicado y se indica la potencia que maximiza el logaritmo de la funcin de verosimilitud.
Rango de potencias. Se utiliza en conjuncin con la variable de ponderacin para calcular las
ponderaciones. Se ajustarn varias ecuaciones de regresin, una para cada valor del rango de potencias. Los valores introducidos en el cuadro Rango de potencias y en el cuadro Hasta, deben encontrarse entre -6.5 y 7.5, ambos inclusive. Los valores de la potencia irn del valor menor al mayor, con el incremento determinado por el valor especicado. El nmero total de valores del rango de potencias est limitado a 150.
36 Captulo 6
Estimacin ponderada: Opciones

Figura 6-2 Cuadro de dilogo Estimacin ponderada: Opciones
Puede especicar las opciones para el anlisis de estimacin ponderada:

Guardar la mejor ponderacin como nueva variable. Aade la variable de ponderacin al archivo
activo. Esta variable se denomina WGT_n, siendo n un nmero elegido para proporcionar a la variable un nombre exclusivo.
Mostrar ANOVA y estimaciones. Permite controlar cmo se muestran los estadsticos en los
resultados. Las alternativas disponibles son Para la mejor potencia y Para cada valor de potencia.
Funciones adicionales del comando WLS


Proporcionar un nico valor para la potencia. Especicar una lista de valores para la potencia o mezclar un rango de valores con una lista de valores para la potencia.
Captulo
Regresin por mnimos cuadrados en dos fases
Los modelos de regresin lineal tpica asumen que los errores de la variable dependiente no estn correlacionados con la variable o variables independientes. Cuando ste no es el caso (por ejemplo, cuando las relaciones entre las variables son bidireccionales), la regresin lineal mediante mnimos cuadrados ordinarios (OLS) deja de proporcionar estimaciones ptimas del modelo. La regresin por mnimos cuadrados en dos fases utiliza variables instrumentales que no estn correlacionadas con los trminos de error para calcular los valores estimados de los predictores problemticos (en la primera fase ) y despus utiliza dichos valores calculados para estimar un modelo de regresin lineal para la variable dependiente (la segunda fase). Dado que los valores calculados se basan en variables que no estn correlacionadas con los errores, los resultados del modelo en dos fases son ptimos.
Ejemplo. Est relacionada la demanda de un artculo con su precio y con los ingresos del
consumidor? La dicultad de este modelo radica en que el precio y la demanda tienen efectos recprocos el uno sobre el otro. Es decir, el precio puede inuir en la demanda y la demanda tambin puede inuir en el precio. Un modelo de regresin por mnimos cuadrados en dos fases permite utilizar los ingresos de los consumidores y el precio retardado para calcular un predictor sustituto del precio, el cual no est correlacionado con los errores de medida de la demanda. Se reemplaza el precio en el modelo especicado originariamente por este sustituto y despus se estima el nuevo modelo.
Estadsticos. Para cada modelo: coecientes de regresin tipicados y no tipicados, R mltiple,
R2, R2 corregida, error tpico de la estimacin, tabla de anlisis de varianza, valores pronosticados y residuos. Adems, los intervalos de conanza al 95% para cada coeciente de regresin y las matrices de correlacin y covarianza para las estimaciones de los parmetros.
categricas, como la religin, la mayora de edad o el lugar de residencia, han de recodicarse como variables binarias (dummy) o como otro de los tipos de variables de contraste. Endgena deben ser cuantitativas (no categricas).
Supuestos. Para cada valor de la variable independiente, la distribucin de la variable dependiente
debe ser normal. La varianza de distribucin de la variable dependiente debe ser constante para todos los valores de la variable independiente. La relacin entre la variable dependiente y cada variable independiente debe ser lineal.
Procedimientos relacionados. Si piensa que ninguna de las variables predictoras est correlacionada con los errores de la variable dependiente, puede utilizar el procedimiento Regresin lineal. Si los datos parecen violar alguno de los supuestos (como la normalidad o la varianza constante), pruebe a transformarlos. Si los datos no estn relacionados linealmente y una transformacin no
37
38 Captulo 7
ayuda, utilice un modelo alternativo en el procedimiento Estimacin curvilnea. Si la variable dependiente es dicotmica, por ejemplo si se ha completado o no una determinada venta, utilice el procedimiento Regresin logstica. Si los datos no son independientes (por ejemplo, si observa a la misma persona en diversas condiciones), utilice el procedimiento Medidas repetidas, disponible en la opcin Modelos avanzados.
Para obtener un anlisis de regresin de mnimos cuadrados en dos fases
E Elija en los mens: Analizar Regresin Mnimos cuadrados en dos fases... Figura 7-1 Cuadro de dilogo Mnimos cuadrados en dos fases
E Seleccione una variable dependiente. E Seleccione una o ms variables (predictoras) explicativas. E Seleccione una o ms variables instrumentales.
Instrumental. Estas son las variables utilizadas para calcular los valores pronosticados de las
variables endgenas en la primera etapa del anlisis de mnimos cuadrados en dos fases. Las listas de variables explicativas e instrumentales pueden contener las mismas variables. Debe haber al menos tantas variables instrumentales como explicativas. Si las variables explicativas e instrumentales coinciden, los resultados sern los mismos que los del procedimiento de Regresin lineal. Las variables explicativas no especicadas como instrumentales se consideran endgenas. Normalmente, todas las variables exgenas de la lista Explicativas se especican tambin como variables instrumentales.
39 Regresin por mnimos cuadrados en dos fases
Regresin por mnimos cuadrados en dos fases: Opciones

Figura 7-2 Cuadro de dilogo Mnimos cuadrados en dos fases: Opciones
Puede seleccionar las opciones siguientes para su anlisis:

Guardar variables nuevas. Permite aadir nuevas variables al archivo activo. Las opciones
disponibles son Pronsticos y Residuos.

Mostrar covarianza de parmetros. Permite imprimir la matriz de covarianzas de las estimaciones
de los parmetros.
Funciones adicionales del comando 2SLS

El lenguaje de sintaxis de comandos tambin permite estimar varias ecuaciones simultneamente. Si desea informacin detallada sobre la sintaxis, consulte la referencia de sintaxis de comandos (Command Syntax Reference).
Apndice
Esquemas de codificacin de variables categricas
En muchos procedimientos, se puede solicitar la sustitucin automtica de una variable independiente categrica por un conjunto de variables de contraste, que se podrn introducir o eliminar de una ecuacin como un bloque. Puede especicar cmo se va a codicar el conjunto de variables de contraste, normalmente en el subcomando CONTRAST. Ese apndice explica e ilustra el funcionamiento real de los distintos tipos de contrastes solicitados en CONTRAST.
Desviacin
Desviacin desde la media global. En trminos matriciales, estos contrastes tienen la forma:
media gl(1) gl(2) . . gl(k1) ( 1/k ( 1/k ( 11/k ( 1/k 1/k 1/k 11/k . . 1/k ... 11/k 1/k ) ... ... ... 1/k 1/k 1/k 1/k ) 1/k ) 1/k )
donde k es el nmero de categoras para la variable independiente y, por defecto, se omite la ltima categora. Por ejemplo, los contrastes de desviacin para una variable independiente con tres categoras son los siguientes:
( 1/3 ( 2/3 ( 1/3 1/3 1/3 2/3 1/3 ) 1/3 ) 1/3 )
Para omitir una categora distinta de la ltima, especique el nmero de la categora omitida entre el parntesis que sucede a la palabra clave DEVIATION. Por ejemplo, el siguiente subcomando obtiene las desviaciones para la primera y tercera categoras y omite la segunda:
/CONTRAST(FACTOR)=DEVIATION(2)
40
41 Esquemas de codificacin de variables categricas
Suponga que factor tiene tres categoras. La matriz de contraste resultante ser
( 1/3 ( 2/3 ( 1/3 1/3 1/3 1/3 1/3 ) 1/3 ) 2/3 )
Simple
Contrastes simples. Compara cada nivel de un factor con el ltimo. La forma de la matriz general es
media gl(1) gl(2) . . gl(k1) (0 ( 1/k (1 (0 1/k 0 1 . . 0 ... 1 1 ) ... ... ... 1/k 0 0 1/k ) 1 ) 1 )
donde k es el nmero de categoras para la variable independiente. Por ejemplo, los contrastes simples para una variable independiente con cuatro categoras son los siguientes:
( 1/4 (1 (0 (0 1/4 0 1 0 1/4 0 0 1 1/4 ) 1 ) 1 ) 1 )
Para utilizar otra categora en lugar de la ltima como categora de referencia, especique entre parntesis tras la palabra clave SIMPLE el nmero de secuencia de la categora de referencia, que no es necesariamente el valor asociado con dicha categora. Por ejemplo, el siguiente subcomando CONTRAST obtiene una matriz de contraste que omite la segunda categora:
/CONTRAST(FACTOR) = SIMPLE(2)
Suponga que factor tiene cuatro categoras. La matriz de contraste resultante ser
( 1/4 (1 (0 (0 1/4 1 1 1 1/4 0 1 0 1/4 ) 0) 0) 1)
42 Apndice A
Helmert
Contrastes de Helmert. Compara categoras de una variable independiente con la media de las categoras subsiguientes. La forma de la matriz general es
media gl(1) gl(2) . . gl(k2) gl(k1) (0 (0 ( 1/k (1 (0 1/k 1/(k1) 1 . . 0 0 1 ... 1/2 1 1/2 1 ) ... ... ... 1/k 1/(k1) 1/(k2) 1/k ) 1/(k1) ) 1/(k2) )
donde k es el nmero de categoras de la variable independiente. Por ejemplo, una variable independiente con cuatro categoras tiene una matriz de contraste de Helmert con la siguiente forma:
( 1/4 (1 (0 (0 1/4 1/3 1 0 1/4 1/3 1/2 1 1/4 ) 1/3 ) 1/2 ) 1 )
Diferencia
Diferencia o contrastes de Helmert inversos. Compara categoras de una variable independiente con
la media de las categoras anteriores de la variable. La forma de la matriz general es

media gl(1) gl(2) . . gl(k1) ( 1/(k1) ( 1/k ( 1 ( 1/2 1/k 1 1/2 . . 1/(k1) 1/(k1) ... 1) 1/k 0 1 ... ... ... 1/k ) 0) 0)
donde k es el nmero de categoras para la variable independiente. Por ejemplo, los contrastes de diferencia para una variable independiente con cuatro categoras son los siguientes:
( 1/4 ( 1 ( 1/2 ( 1/3 1/4 1 1/2 1/3 1/4 0 1 1/3 1/4 ) 0) 0) 1)
43 Esquemas de codificacin de variables categricas
Polinmico
Contrastes polinmicos ortogonales. El primer grado de libertad contiene el efecto lineal a travs de
todas las categoras; el segundo grado de libertad, el efecto cuadrtico, el tercer grado de libertad, el cbico, y as sucesivamente hasta los efectos de orden superior. Se puede especicar el espaciado entre niveles del tratamiento medido por la variable categrica dada. Se puede especicar un espaciado igual, que es el valor por defecto si se omite la mtrica, como enteros consecutivos desde 1 hasta k, donde k es el nmero de categoras. Si la variable frmaco tiene tres categoras, el subcomando
/CONTRAST(DRUG)=POLYNOMIAL
es idntico a
/CONTRAST(DRUG)=POLYNOMIAL(1,2,3)
De todas maneras, el espaciado igual no es siempre necesario. Por ejemplo, supongamos que frmaco representa las diferentes dosis de un frmaco administrado a tres grupos. Si la dosis administrada al segundo grupo es el doble que la administrada al primer grupo y la dosis administrada al tercer grupo es el triple que la del primer grupo, las categoras del tratamiento estn espaciadas por igual y una mtrica adecuada para esta situacin se compone de enteros consecutivos:
No obstante, si la dosis administrada al segundo grupo es cuatro veces la administrada al primer grupo, y la dosis del tercer grupo es siete veces la del primer grupo, una mtrica adecuada sera
En cualquier caso, el resultado de la especicacin de contrastes es que el primer grado de libertad para frmaco contiene el efecto lineal de los niveles de dosicacin y el segundo grado de libertad contiene el efecto cuadrtico. Los contrastes polinmicos son especialmente tiles en contrastes de tendencias y para investigar la naturaleza de supercies de respuestas. Tambin se pueden utilizar contrastes polinmicos para realizar ajustes de curvas no lineales, como una regresin curvilnea.
Repetido
Compara niveles adyacentes de una variable independiente. La forma de la matriz general es
media gl(1) gl(2) . . gl(k1) (0 ( 1/k (1 (0 1/k 1 1 . . 0 0 ... 1 1 ) 1/k 0 1 ... ... ... 1/k 0 0 1/k ) 0) 0)
44 Apndice A
donde k es el nmero de categoras para la variable independiente. Por ejemplo, los contrastes repetidos para una variable independiente con cuatro categoras son los siguientes:
( 1/4 (1 (0 (0 1/4 1 1 0 1/4 0 1 1 1/4 ) 0) 0) 1 )
Estos contrastes son tiles en el anlisis de perles y siempre que sean necesarias puntuaciones de diferencia.
Especial
Un contraste definido por el usuario. Permite la introduccin de contrastes especiales en forma de
matrices cuadradas con tantas las y columnas como categoras haya de la variable independiente. Para MANOVA y LOGLINEAR, la primera la introducida es siempre el efecto promedio, o constante, y representa el conjunto de ponderaciones que indican cmo promediar las dems variables independientes, si las hay, sobre la variable dada. Generalmente, este contraste es un vector de contrastes. Las restantes las de la matriz contienen los contrastes especiales que indican las comparaciones deseadas entre categoras de la variable. Normalmente, los contrastes ortogonales son los ms tiles. Este tipo de contrastes son estadsticamente independientes y son no redundantes. Los contrastes son ortogonales si:

Para cada la, la suma de los coecientes de contrastes es igual a cero. Los productos de los correspondientes coecientes para todos los pares de las disjuntas tambin suman cero.
Por ejemplo, supongamos que el tratamiento tiene cuatro niveles y que deseamos comparar los diversos niveles del tratamiento entre s. Un contraste especial adecuado sera
(1 (3 (0 (0 1 1 2 0 1 1 1 1 1) 1 ) 1 ) 1 ) ponderaciones para el clculo de la media compare 1 con 2 hasta 4 compare 2 con 3 y 4 compare 3 con 4
todo lo cual se especica mediante el siguiente subcomando CONTRAST para MANOVA, LOGISTIC REGRESSION y COXREG:
/CONTRAST(TREATMNT)=SPECIAL( 1 1 1 1 3 -1 -1 -1 0 2 -1 -1 0 0 1 -1 )
Para LOGLINEAR, es necesario especicar:

/CONTRAST(TREATMNT)=BASIS SPECIAL( 1 1 1 1 3 -1 -1 -1 0 2 -1 -1
45 Esquemas de codificacin de variables categricas 0 0 1 -1 )
Cada la, excepto la la de las medias suman cero. Los productos de cada par de las disjuntas tambin suman cero:
Filas 2 y 3: Filas 2 y 4: Filas 3 y 4: (3)(0) + (1)(2) + (1)(1) + (1)(1) = 0 (3)(0) + (1)(0) + (1)(1) + (1)(1) = 0 (0)(0) + (2)(0) + (1)(1) + (1)(1) = 0
No es necesario que los contrastes especiales sean ortogonales. No obstante, no deben ser combinaciones lineales de unos con otros. Si lo son, el procedimiento informar de la dependencia lineal y detendr el procesamiento. Los contrastes de Helmert, de diferencia y polinmicos son todos contrastes ortogonales.
Indicador
Codificacin de la variable indicadora. Tambin conocida como variable auxiliar o dummy, no est disponible en LOGLINEAR o MANOVA. El nmero de variables nuevas codicadas es k1.
Los casos que pertenezcan a la categora de referencia se codicarn como 0 para todas las k1 variables. Un caso en la categora i-sima se codicar como 0 para todas las variables indicadoras excepto la i-sima, que se codicar como 1.
ndice
anlisis probit criterios, 23 denicin de rango, 23 ejemplo, 21 estadsticos, 21, 23 funciones adicionales del comando, 24 intervalos de conanza duciaria, 23 iteraciones, 23 potencia relativa de la mediana, 23 prueba de paralelismo, 23 tasa de respuesta natural, 23 bondad de ajuste en regresin logstica multinomial, 16 casillas con 0 observaciones en regresin logstica multinomial, 17 categora de referencia en regresin logstica multinomial, 15 chi-cuadrado de Pearson bondad de ajuste, 16 estimacin del valor del escalamiento para la dispersin, 18 clasicacin en regresin logstica multinomial, 11 contrastes en regresin logstica, 6 covariables en regresin logstica, 6 covariables categricas, 6 covariables de cadena en regresin logstica, 6 criterio de convergencia en regresin logstica multinomial, 17 D de Cook en regresin logstica, 7 delta correccin para casillas con 0 observaciones, 17 DfBeta en regresin logstica, 7 eliminacin hacia atrs en regresin logstica, 5 estadstico de bondad de ajuste de Hosmer-Lemeshow en regresin logstica, 9 estimacin ponderada, 34 almacenamiento de la mejor ponderacin como una variable nueva, 36
46
ejemplo, 34 estadsticos, 34 funciones adicionales del comando, 36 historial de iteraciones, 36 log de la verosimilitud, 34 mostrar ANOVA y estimaciones, 36 estimaciones de los parmetros en regresin logstica multinomial, 16 funcin de desviacin estimacin del valor del escalamiento para la dispersin, 18 historial de iteraciones en regresin logstica multinomial, 17 interseccin incluir o excluir, 13 intervalos de conanza en regresin logstica multinomial, 16 intervalos de conanza duciaria en el anlisis probit, 23 iteraciones en el anlisis probit, 23 en regresin logstica, 9 en regresin logstica multinomial, 17 ley de Metcherlich de devoluciones decrecientes en regresin no lineal, 28 log de la verosimilitud en estimacin ponderada, 34 en regresin logstica multinomial, 16 matriz de correlaciones en regresin logstica multinomial, 16 matriz de covarianzas en regresin logstica multinomial, 16 modelo de densidad en regresin no lineal, 28 modelo de densidad de rendimiento en regresin no lineal, 28 modelo de Gauss en regresin no lineal, 28 modelo de Gompertz en regresin no lineal, 28 modelo de Johnson-Schumacher en regresin no lineal, 28 modelo de Michaelis Menten en regresin no lineal, 28
47 ndice
modelo de Morgan-Mercer-Florin en regresin no lineal, 28 modelo de Peal-Reed en regresin no lineal, 28 modelo de razn de cuadrticas en regresin no lineal, 28 modelo de razn de cbicas en regresin no lineal, 28 modelo de Richards en regresin no lineal, 28 modelo de Verhulst en regresin no lineal, 28 modelo de Von Bertalanffy en regresin no lineal, 28 modelo de Weibull en regresin no lineal, 28 modelo log-modicado en regresin no lineal, 28 modelos de efectos principales en regresin logstica multinomial, 13 modelos factoriales completos en regresin logstica multinomial, 13 modelos no lineales en regresin no lineal, 28 modelos personalizados en regresin logstica multinomial, 13 potencia relativa de la mediana en el anlisis probit, 23 prueba de paralelismo en el anlisis probit, 23 R cuadrado de McFadden en regresin logstica multinomial, 16 R-cuadrado de Cox y Snell en regresin logstica multinomial, 16 R-cuadrado de Nagelkerke en regresin logstica multinomial, 16 razn de verosimilitud bondad de ajuste, 16 estimacin del valor del escalamiento para la dispersin, 18 regresin asinttica en regresin no lineal, 28 regresin lineal estimacin ponderada, 34 Regresin lineal Regresin por mnimos cuadrados en dos fases, 37 regresin logstica, 3 almacenamiento de nuevas variables, 7 coecientes, 3 contrastes, 6 covariables categricas, 6 covariables de cadena, 6 denicin de la regla de seleccin, 5 ejemplo, 3
establecimiento de reglas, 5 estadstico de bondad de ajuste de Hosmer-Lemeshow, 9 estadsticos, 3 estadsticos y grcos, 9 funciones adicionales del comando, 10 iteraciones, 9 medidas de inuencia, 7 mtodos de seleccin de variables, 5 opciones de presentacin, 9 probabilidad para el mtodo por pasos, 9 punto de corte para la clasicacin, 9 residuos, 7 trmino constante, 9 valores pronosticados, 7 Regresin logstica binaria, 1 regresin logstica binaria, 1 regresin logstica multinomial, 11, 16 categora de referencia, 15 criterios, 17 estadsticos, 16 exportacin de informacin del modelo, 20 funciones adicionales del comando, 20 guardar, 20 modelos, 13 regresin no lineal, 25 algoritmo de Levenberg-Marquardt, 31 almacenamiento de variables nuevas, 30 derivadas, 30 ejemplo, 25 estadsticos, 25 estimaciones bootstrap, 31 funcin de prdida, 29 funciones adicionales del comando, 32 interpretacin de resultados, 32 lgica condicional, 26 mtodos de estimacin, 31 modelo segmentado, 26 modelos no lineales comunes, 28 parmetros, 27 programacin cuadrtica secuencial, 31 residuos, 30 restricciones para los parmetros, 30 valores iniciales, 27 valores pronosticados, 30 Regresin por mnimos cuadrados en dos fases, 37 almacenamiento de nuevas variables, 39 covarianzas de los parmetros, 39 ejemplo, 37 estadsticos, 37 funciones adicionales del comando, 39 variables instrumentales, 37 regresin restringida en regresin no lineal, 30 restricciones para los parmetros en regresin no lineal, 30
48 ndice
seleccin hacia delante en regresin logstica, 5 seleccin por pasos en regresin logstica, 5 en regresin logstica multinomial, 13 separacin en regresin logstica multinomial, 17 singularidad en regresin logstica multinomial, 17 subdivisin por pasos en regresin logstica multinomial, 17 tablas de clasicacin en regresin logstica multinomial, 16 tablas de probabilidades de casilla en regresin logstica multinomial, 16 trmino constante en regresin lineal, 9 valor del escalamiento para la dispersin en regresin logstica multinomial, 18 valores de inuencia en regresin logstica, 7

SPSS Modelos Regresion

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

SPSS Modelos Regresion

Uploaded by

Copyright:

Available Formats

i

SPSS Regression Models 16.0

Regresin logstica multinomial

Estimacin ponderada: Opciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 Funciones adicionales del comando WLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

Regresin por mnimos cuadrados en dos fases

Apndice A Esquemas de codificacin de variables categricas 40

Seleccin de procedimientos para los modelos de regresin logstica binaria

Regresin logstica: Establecer regla

Mtodos de seleccin de variables en el anlisis de regresin logstica

Introducir. Procedimiento para la seleccin de variables en el que todas las variables de un

bloque se introducen en un solo paso.

Regresin logstica: Definir variables categricas

Cambiar el contraste. Le permite cambiar el mtodo de contraste. Los mtodos de contraste

Indicador. Los contrastes indican la presencia o ausencia de la pertenencia a una categora. La

categora de referencia se representa en la matriz de contraste como una la de ceros.

con la categora de referencia.

promedio de las categoras subsiguientes.

categora que la precede.

Desviacin. Cada categora del predictor, excepto la categora de referencia, se compara

Regresin logstica: Guardar nuevas variables

son Probabilidades y Grupo de pertenencia.

De Cook. El anlogo, en la regresin logstica, al estadstico de inuencia de Cook. Medida

Student, Tipicados y Desviacin.

Residuos no tipificados. Diferencia entre un valor observado y el valor pronosticado por el

Desviacin. Los residuos basados en la desviacin del modelo.

Regresin logstica: Opciones

Puede especicar estas opciones para el anlisis de regresin logstica:

estadstico de bondad de ajuste de Hosmer-Lemeshow. Este estadstico de bondad de ajuste es

Probabilidad para los pasos. Una variable se introduce en el modelo si la probabilidad de su

Si se desactiva, el trmino constante ser igual a 0.

Funciones adicionales del comando LOGISTIC REGRESSION

Regresin logstica multinomial

12 Captulo 3 Figura 3-1 Cuadro de dilogo Regresin logstica multinomial

13 Regresin logstica multinomial

Regresin logstica multinomial: Modelos

de los mtodos por pasos seleccionados por el usuario siguientes:

15 Regresin logstica multinomial

Categora de referencia de regresin logstica multinomial

Regresin logstica multinomial: Estadsticos

como el criterio de informacin bayesiano (BIC).

17 Regresin logstica multinomial

conanza especicado por el usuario.

Correlaciones asintticas. Imprime la matriz de las correlaciones entre las estimaciones de

Regresin logstica multinomial: Criterios

Convergencia del logaritmo de la verosimilitud. Se asume la convergencia si el cambio absoluto

Convergencia de los parmetros. Se asume la convergencia si el cambio absoluto en las

Opciones de Regresin logstica multinomial

19 Regresin logstica multinomial

Probabilidad de entrada. Se trata de la probabilidad del estadstico de la razn de verosimilitud

Probabilidad de eliminacin. Se trata de la probabilidad del estadstico de la razn de

Restringir jerrquicamente la entrada y la eliminacin de trminos. Esta opcin permite elegir si

Regresin logstica multinomial: Guardar

Probabilidades de respuesta estimadas. Son las probabilidades estimadas de la clasicacin

Categora pronosticada. Es la categora de respuesta con la mayor probabilidad esperada

para un patrn de factor/covariable.

de factor/covariable en la categora observada.

Funciones adicionales del comando NOMREG

Modelo probit. Aplica la transformacin Probit (la inversa de la funcin acumulada de la

distribucin normal tpica) a las proporciones de respuesta.

Anlisis probit: Definir rango

Anlisis probit: Opciones

Puede especicar opciones para el anlisis probit:

relativa de la mediana, Prueba de paralelismo e Intervalos de conanza duciaria.