Se realizó un estudio para analizar la velocidad de nado de las personas mayores de 18 años que son miembros regulares de un equipo de natación, y se tomaron en cuenta algunas variables que pueden estar relacionadas con esta velocidad. Se hizo una prueba a los participantes y se tomó el tiempo que duraban en nadar 50m. Entonces como medida de la velocidad de nado se tiene el tiempo (en segundos) el cual se puede transformar a la velocidad dividiendo la distancia entre el tiempo. Esta variable se llama veloc. Como variables predictoras se tienen las siguientes:
edad: la edad en años cumplidos.
sexo: el sexo codificado como 0 (mujeres) y 1 (hombres).
imc: el índice de masa corporal se calcula dividiendo el peso en kilogramos entre la altura al cuadrado (en metros), lo cual da una medida en $kg/m^2$.
pierna: la longitud promedio de ambas piernas (en centímetros).
brazo: la longitud promedio de ambos brazos (en centímetros).
A.2. MÉTODOS Y TÉCNICAS ESTADÍSTICAS ESTUDIADAS Y APLICADAS
Análisis descriptivo con la sintaxis xyplot de la librería “lattice”.
Análisis descriptivo con la sintaxis scatterplot de la librería “car”.
Correlación lineal de Pearson.
Correlograma.
Estimación del valor esperado de la variable de respuesta.
Coeficientes de regresión estandarizados internamente y externamente.
Construccción manual y automatizada del modelo de regresión.
Construcción y descomposición manual de la suma de cuadrados.
Construcción manual y automatizada de intervalos de confianza t de Student.
Construcción manual y automatizada de los intervalos de predicción t de Student.
Construcción automatizada de los intervalos de tolerancia bayesianos normalmente distribuidos.
Ajuste de distribución de probabilidad.
Gráfico Q-Q.
Gráfico de probabilidad acumulada.
Gráfico P-P.
Pruebas de normalidad.
Simulación de estimación pseudo-aleatoria mediante una sintaxis de tipo bucle.
Efectos marginales.
Construcción manual de la prueba F.
Prueba de hipótesis de significancia global y local de los coeficientes de regresión.
b. ECONOMÍA POLÍTICA
B.1. cASO DE APLICACIÓN
Estudiar estadísticamente, como parte de un ejercicio pedagógico, los determinantes fundamentales lineales de la tasa media de ganancia para el caso de Estados Unidos en el período 1964-2008 mediante un análisis de regresión lineal.
B.2. MÉTODOS Y TÉCNICAS ESTADÍSTICAS ESTUDIADAS Y APLICADAS
Análisis descriptivo de tendencias con las sintaxis plot_ly y add_trace.
Análisis descriptivo de las influencias o ‘leverages’.
Construcción automatizada del modelo de regresión.
Verificación del modelo de mejor ajuste vía eliminación hacia atrás mediante el Criterio Bayesiano de Información (BIC).
Análisis de la capacidad predictiva del modelo.
Ajuste de distribución.
Contrastes de normalidad.
Distancia de Cook.
Pruebas de multicolinealidad.
Pruebas de autocorrelación.
Pruebas de heterocedasticidad.
Errores Estándar Robustos en presencia de Heterocedasticidad y Autocorrelación (Errores Estándar HAC).
Pruebas de especificación del modelo.
Construcción automatizada de intervalos de confianza t de Student.
Aldrich, J. H., & Nelson, F. D. (1984). Linear Probability, Logit, and Probit Models. Beverly Hills: Sage University Papers Series. Quantitative Applications in the Social Sciences.
Allen, M. (2017). The SAGE Encyclopedia of COMMUNICATION RESEARCH METHODS. London: SAGE Publications, Inc.
AMERICAN PSYCHOLOGICAL ASSOCIATION. (2021, Julio 15). level. Retrieved from APA Dictionary of Pyschology: https://dictionary.apa.org/level
AMERICAN PYSCHOLOGICAL ASSOCIATION. (2021, Julio 15). factor. Retrieved from APA Dictionary of Pyschology: https://dictionary.apa.org/factor
Birnbaum, Z. W., & Sirken, M. G. (1950, Marzo). Bias Due to Non-Availability in Sampling Surveys. Journal of the American Statistical Association, 45(249), 98-111.
Hastie, T., Tibshirani, R., & Friedman, J. (2017). The Elements of Statistical Learning. Data Mining, Inference, and Prediction (Segunda ed.). New York: Springer.
Instituto Nacional de Estadística y Censos de la República Argentina. (2019). Encuesta de Actividades de Niños, Niñas y Adolescentes 2016-2017. Factores de expansión, estimación y cálculo de los errores por muestra para el dominio rural. Buenos Aires: Ministerio de Hacienda. Retrieved from https://www.indec.gob.ar/ftp/cuadros/menusuperior/eanna/anexo_bases_eanna_rural.pdf
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning with Applications in R. New York: Springer.
Kolmogórov, A. N., & Fomin, S. V. (1978). Elementos de la Teoría de Funciones y del Análisis Funcional (Tercera ed.). (q. e.-m. Traducido del ruso por Carlos Vega, Trans.) Moscú: MIR.
Liao, T. F. (1994). INTERPRETING PROBABILITY MODELS. Logit, Probit, and Other Generalized Linear Models. Iowa: Sage University Papers Series. Quantitative Applications in the Social Sciences.
Lipschutz, S. (1992). Álgebra Lineal. Madrid: McGraw-Hill.
Lohr, S. L. (2019). Sampling: Design and Analysis (Segunda ed.). Boca Raton: CRC Press.
Lohr, S. L. (2019). Sampling: Design and Analysis (Segunda ed.). Boca Raton: CRC Press.
McCullagah, P., & Nelder, J. A. (1989). Generalized Linear Models (Segunda ed.). London: Chapman and Hall.
McCullagh, P., & Nelder, J. A. (1989). Generalized Linear Models (Segunda ed.). London: Chapman and Hall.
Nelder, J. A., & Wedderburn, R. W. (1972). Generalized Linear Models. Journal of the Royal Statistical Society, 135(3), 370-384.
Ritchey, F. (2002). ESTADÍSTICA PARA LAS CIENCIAS SOCIALES. El potencial de la imaginación estadística. México, D.F.: McGRAW-HILL/INTERAMERICANA EDITORES, S.A. DE C.V.