Manuelseugevd

📈🙂 REGRESIÓN LINEAL MÚLTIPLE: una herramienta esencial en el análisis de datos.

La regresión lineal múltiple es una extensión del modelo lineal simple que permite analizar cómo varias variables explicativas influyen sobre una variable dependiente 🎯.

Es clave en disciplinas como la economía, marketing, psicología, ingeniería y las ciencias sociales.

🧮 En este modelo, cada coeficiente mide el efecto parcial de una variable independiente sobre la variable dependiente , manteniendo las demás constantes.
Así, podemos predecir, explicar y comprender relaciones complejas entre variables.

✅ Evaluar el modelo implica verificar varios aspectos:
1️⃣ Significancia individual y global
2️⃣ Bondad de ajuste (R² y R² ajustado)
3️⃣ Multicolinealidad
4️⃣ Normalidad y homocedasticidad de los errores
5️⃣ No autocorrelación
6️⃣ Correcta especificación
7️⃣ ¡Y ahora también, la linealidad del modelo! 📊

💡 Recordemos que la validez de un modelo depende no solo del ajuste, sino de cumplir los supuestos estadísticos fundamentales.

📚 Una regresión bien especificada es la base de una buena inferencia.



---

¿𝗤𝘂𝗲́ 𝗲𝘀 𝗹𝗮 𝗽𝗿𝘂𝗲𝗯𝗮 𝗱𝗲 𝗠𝗰𝗡𝗲𝗺𝗮𝗿❓

La prueba de McNemar es una prueba de hipótesis que se utiliza para determinar si hay una diferencia significativa entre dos conjuntos de datos categóricos.

sta prueba es particularmente útil cuando se desean comparar dos métodos de diagnóstico o dos jueces que evalúan un conjunto de datos.

La prueba de McNemar se basa en la comparación de las frecuencias de los valores en cada categoría entre los dos conjuntos de datos.Software

La prueba de McNemar se utiliza comúnmente en la investigación médica para comparar los resultados de dos pruebas diagnósticas diferentes.

𝙑𝙚𝙣𝙩𝙖𝙟𝙖𝙨 𝙮 𝙙𝙚𝙨𝙫𝙚𝙣𝙩𝙖𝙟𝙖𝙨 𝙙𝙚 𝙡𝙖 𝙥𝙧𝙪𝙚𝙗𝙖 𝙙𝙚 𝙈𝙘𝙉𝙚𝙢𝙖𝙧

𝙑𝙚𝙣𝙩𝙖𝙟𝙖𝙨 𝙙𝙚 𝙡𝙖 𝙥𝙧𝙪𝙚𝙗𝙖 𝙙𝙚 𝙈𝙘𝙉𝙚𝙢𝙖𝙧

1. Sencillez: La prueba de McNemar es fácil de entender y aplicar, incluso para aquellos sin experiencia previa en estadística.

La fórmula para calcular la estadística de McNemar es simple y fácil de implementar.

2. Flexibilidad: La prueba de McNemar se puede utilizar para analizar variables categóricas con dos o más categorías.

Además, se puede aplicar a variables categóricas con más de dos categorías, utilizando reglas para definir "éxito".

3. No requiere normalidad: La prueba de McNemar no requiere que los datos sigan una distribución normal, lo que la hace útil para analizar variables categóricas que no siguen una distribución normal.

4. Puede manejar pequeñas muestras: La prueba de McNemar se puede utilizar con pequeñas muestras, lo que la hace útil cuando se tienen datos limitados.

5. Robusta: La prueba de McNemar es robusta en presencia de outliers y datos atípicos, lo que la hace confiable en diferentes situaciones.

La prueba de McNemar es una herramienta estadística versátil y fácil de usar que se puede aplicar en una variedad de contextos.

𝑫𝒆𝒔𝒗𝒆𝒏𝒕𝒂𝒋𝒂𝒔 𝒅𝒆 𝒍𝒂 𝒑𝒓𝒖𝒆𝒃𝒂 𝒅𝒆 𝑴𝒄𝑵𝒆𝒎𝒂𝒓

1. Asunciones: La prueba de McNemar asume que los datos son independientes y que las variables categóricas tienen solo dos categorías.

Si estas asunciones no se cumplen, los resultados de la prueba pueden no ser válidos.

2. No es adecuada para variables continuas: La prueba de McNemar se aplica solo a variables categóricas y no es adecuada para variables continuas.

3. No proporciona medidas de efecto: La prueba de McNemar solo indica si hay una diferencia significativa entre las dos variables categóricas, pero no proporciona medidas de efecto, como el tamaño del efecto.

4. Puede ser influenciada por la tamaño de la muestra: La prueba de McNemar puede ser influenciada por el tamaño de la muestra, lo que puede afectar la precisión de los resultados.

5. No es adecuada para variables con más de dos categorías: Aunque la prueba de McNemar se puede aplicar a variables categóricas con más de dos categorías, puede ser complicado definir la categoría de "éxito" y puede requerir reglas adicionales.

𝑳𝑨 𝑷𝑹𝑼𝑬𝑩𝑨 𝑫𝑬 𝑹𝑨𝑪𝑯𝑨𝑺

Objetivo de la prueba de rachas
“La prueba de rachas sirve para evaluar la aleatoriedad de una secuencia de observaciones”

𝐄𝐱𝐚𝐜𝐭𝐚𝐦𝐞𝐧𝐭𝐞.

La prueba de rachas verifica si una secuencia es:
-Aleatoria,
-Independiente o presenta patrones.

𝐇𝐢𝐩ó𝐭𝐞𝐬𝐢𝐬
H0: la secuencia es aleatoria
H1: la secuencia no es aleatoria

𝐏𝐞𝐪𝐮𝐞𝐧̃𝐨 𝐝𝐞𝐭𝐚𝐥𝐥𝐞 𝐜𝐨𝐧𝐜𝐞𝐩𝐭𝐮𝐚𝐥 𝐢𝐦𝐩𝐨𝐫𝐭𝐚𝐧𝐭𝐞
𝐋𝐚 𝐩𝐫𝐮𝐞𝐛𝐚 𝐝𝐞 𝐫𝐚𝐜𝐡𝐚𝐬:

- NO prueba normalidad
- NO prueba homocedasticidad
- Evalúa principalmente: aleatoriedad

La prueba de rachas suele usarse en análisis no paramétrico,
validación de aleatoriedad.








𝑺𝒊 𝒅𝒆𝒔𝒆𝒂𝒔 𝒂𝒑𝒓𝒆𝒏𝒅𝒆𝒓 𝒎á𝒔 𝒔𝒐𝒃𝒓𝒆 𝒆𝒔𝒕𝒂𝒅í𝒔𝒕𝒊𝒄𝒂 𝒂𝒑𝒍𝒊𝒄𝒂𝒅𝒂, 𝒊𝒏𝒈𝒓𝒆𝒔𝒂 𝒂𝒍 𝒔𝒊𝒈𝒖𝒊𝒆𝒏𝒕𝒆 𝒍𝒊𝒏𝒌:

https://drive.google.com/file/d/1Ild7va6YXWzG8W0IZY1TbfcmdS-Zq5QO/view?usp=sharing

¿𝐐𝐮𝐞́ 𝐞𝐬 𝐞𝐥 𝐜𝐥𝐮𝐬𝐭𝐞𝐫𝐢𝐧𝐠❓

El clustering es un algoritmo de machine learning no supervisado que organiza y clasifica diferentes objetos, puntos de datos u observaciones en grupos o clústeres basados en similitudes o patrones.

Hᴀʏ ᴠᴀʀɪᴀs ғᴏʀᴍᴀs ᴅᴇ ᴜsᴀʀ ᴇʟ ᴄʟᴜsᴛᴇʀɪɴɢ ᴇɴ ᴇʟ ᴍᴀᴄʜɪɴᴇ ʟᴇᴀʀɴɪɴɢ, ᴅᴇsᴅᴇ ʟᴀs ᴇxᴘʟᴏʀᴀᴄɪᴏɴᴇs ɪɴɪᴄɪᴀʟᴇs ᴅᴇ ᴜɴ ᴄᴏɴᴊᴜɴᴛᴏ ᴅᴇ ᴅᴀᴛᴏs ʜᴀsᴛᴀ ʟᴀ ᴍᴏɴɪᴛᴏʀɪᴢᴀᴄɪᴏ́ɴ ᴅᴇ ʟᴏs ᴘʀᴏᴄᴇsᴏs ᴇɴ ᴄᴜʀsᴏ. Pᴜᴇᴅᴇ ᴜsᴀʀʟᴏ ᴇɴ ᴇʟ ᴀɴᴀ́ʟɪsɪs ᴅᴇ ᴅᴀᴛᴏs ᴇxᴘʟᴏʀᴀᴛᴏʀɪᴏs ᴄᴏɴ ᴜɴ ɴᴜᴇᴠᴏ ᴄᴏɴᴊᴜɴᴛᴏ ᴅᴇ ᴅᴀᴛᴏs ᴘᴀʀᴀ ᴄᴏᴍᴘʀᴇɴᴅᴇʀ ʟᴀs ᴛᴇɴᴅᴇɴᴄɪᴀs, ʟᴏs ᴘᴀᴛʀᴏɴᴇs ʏ ʟᴏs ᴠᴀʟᴏʀᴇs ᴀᴛɪ́ᴘɪᴄᴏs sᴜʙʏᴀᴄᴇɴᴛᴇs. Cᴏᴍᴏ ᴀʟᴛᴇʀɴᴀᴛɪᴠᴀ, ᴘᴜᴇᴅᴇ ᴛᴇɴᴇʀ ᴜɴ ᴄᴏɴᴊᴜɴᴛᴏ ᴅᴇ ᴅᴀᴛᴏs ᴍᴀ́s ɢʀᴀɴᴅᴇ ᴏ̨ᴜᴇ ᴅᴇʙᴀ ᴅɪᴠɪᴅɪʀsᴇ ᴇɴ ᴠᴀʀɪᴏs ᴄᴏɴᴊᴜɴᴛᴏs ᴅᴇ ᴅᴀᴛᴏs ᴏ ʀᴇᴅᴜᴄɪʀsᴇ ᴍᴇᴅɪᴀɴᴛᴇ ʟᴀ ʀᴇᴅᴜᴄᴄɪᴏ́ɴ ᴅᴇ ᴅɪᴍᴇɴsɪᴏɴᴀʟɪᴅᴀᴅ. Eɴ ᴇsᴛᴏs ᴄᴀsᴏs, ᴇʟ ᴄʟᴜsᴛᴇʀɪɴɢ ᴘᴜᴇᴅᴇ sᴇʀ ᴜɴ ᴘᴀsᴏ ᴇɴ ᴇʟ ᴘʀᴇᴘʀᴏᴄᴇsᴀᴍɪᴇɴᴛᴏ.

𝙇𝙤𝙨 𝙚𝙟𝙚𝙢𝙥𝙡𝙤𝙨 𝙙𝙚 𝙘𝙡𝙪́𝙨𝙩𝙚𝙧𝙚𝙨 𝙥𝙪𝙚𝙙𝙚𝙣 𝙞𝙣𝙘𝙡𝙪𝙞𝙧 𝙜𝙚́𝙣𝙚𝙧𝙤𝙨 𝙢𝙪𝙨𝙞𝙘𝙖𝙡𝙚𝙨, 𝙙𝙞𝙛𝙚𝙧𝙚𝙣𝙩𝙚𝙨 𝙜𝙧𝙪𝙥𝙤𝙨 𝙙𝙚 𝙪𝙨𝙪𝙖𝙧𝙞𝙤𝙨, 𝙨𝙚𝙜𝙢𝙚𝙣𝙩𝙤𝙨 𝙘𝙡𝙖𝙫𝙚 𝙙𝙚 𝙪𝙣𝙖 𝙨𝙚𝙜𝙢𝙚𝙣𝙩𝙖𝙘𝙞𝙤́𝙣 𝙙𝙚 𝙢𝙚𝙧𝙘𝙖𝙙𝙤, 𝙩𝙞𝙥𝙤𝙨 𝙙𝙚 𝙩𝙧𝙖́𝙛𝙞𝙘𝙤 𝙙𝙚 𝙧𝙚𝙙 𝙚𝙣 𝙪𝙣 𝙘𝙡𝙪́𝙨𝙩𝙚𝙧 𝙙𝙚 𝙨𝙚𝙧𝙫𝙞𝙙𝙤𝙧𝙚𝙨, 𝙜𝙧𝙪𝙥𝙤𝙨 𝙙𝙚 𝙖𝙢𝙞𝙜𝙤𝙨 𝙚𝙣 𝙪𝙣𝙖 𝙧𝙚𝙙 𝙨𝙤𝙘𝙞𝙖𝙡 𝙤 𝙢𝙪𝙘𝙝𝙤𝙨 𝙤𝙩𝙧𝙤𝙨 𝙩𝙞𝙥𝙤𝙨 𝙙𝙚 𝙘𝙖𝙩𝙚𝙜𝙤𝙧𝙞́𝙖𝙨. 𝙀𝙡 𝙥𝙧𝙤𝙘𝙚𝙨𝙤 𝙙𝙚 𝙘𝙡𝙪𝙨𝙩𝙚𝙧𝙞𝙣𝙜 𝙥𝙪𝙚𝙙𝙚 𝙪𝙨𝙖𝙧 𝙨𝙤𝙡𝙤 𝙪𝙣𝙖 𝙘𝙖𝙧𝙖𝙘𝙩𝙚𝙧𝙞́𝙨𝙩𝙞𝙘𝙖 𝙙𝙚 𝙡𝙤𝙨 𝙙𝙖𝙩𝙤𝙨 𝙤 𝙥𝙪𝙚𝙙𝙚 𝙪𝙨𝙖𝙧 𝙩𝙤𝙙𝙖𝙨 𝙡𝙖𝙨 𝙘𝙖𝙧𝙖𝙘𝙩𝙚𝙧𝙞́𝙨𝙩𝙞𝙘𝙖𝙨 𝙥𝙧𝙚𝙨𝙚𝙣𝙩𝙚𝙨 𝙚𝙣 𝙡𝙤𝙨 𝙙𝙖𝙩𝙤𝙨.

Si deseas aprender a realizar clustering en python ingresa a:
https://deepnote.com/app/mazzaroli/Clustering-con-Python-y-scikit-learn-0e465354-fe3e-4676-bd8d-a5f28bf707a3