Ejercicio MGL

UNIVERSIDAD NACIONAL DE INGENIERÍA
Facultad de Ingeniería Ambiental
EJERCICIO LABORATORIO TESIS 2

Msc. Enrique Ruiz Tejedo
METODOLOGÍA.
Paso 1. Leer y analizar los conceptos

Paso 2. Procesar el ejemplo
Paso 3. Interpretar los resultados
Paso 4. Procesar otro ejemplo asumiendo datos relacionados con su tema de
tesis

MLG Análisis univariante
ANOVA en MLG Univariante,
El procedimiento MLG Univariante proporciona un análisis de regresión y un

análisis de varianza para una variable dependiente mediante uno o más
factores o variables. Las variables de factor dividen la población en grupos.
El Modelo lineal general se usa para contrastar hipótesis sobre los efectos de
otras variables en varios grupos de una sola variable dependiente.
También se pueden analizar los efectos de los factores individuales y las

interacciones entre éstos, algunos de los cuales pueden ser aleatorios.
También se pueden incluir los efectos de las covariables y sus interacciones

con los factores. Para el análisis de regresión, las variables (predictoras)
independientes se especifican como covariables.
Se pueden contrastar tanto los modelos equilibrados como los no

equilibrados. Se considera que un diseño está equilibrado si cada casilla del
modelo contiene el mismo número de casos.
Además, si una prueba F global ha mostrado cierta significación, pueden

emplearse las pruebas post hoc para evaluar las diferencias entre las medias
específicas.
Las medias marginales permiten pronosticar las medias de las casillas del
modelo; los gráficos de perfil (gráficos de interacciones) nos ayudan a analizar
estas relaciones.
En su archivo de datos puede guardar residuos, valores pronosticados,

distancia de Cook y valores de influencia como variables nuevas para
comprobar los supuestos.
Los Mínimos Cuadrados Ponderados (MCP) permiten especificar

ponderaciones diferentes en un análisis de mínimos cuadrados ponderados
(MCP), por ejemplo para compensar la distinta precisión de las medidas.
Ejemplo. Se recogen datos de los corredores individuales de maratón de varios

años. El tiempo final de cada corredor es la variable dependiente. Influyen
otros factores como el clima (frío, calor o temperatura agradable), los meses
de entrenamiento, el número de maratones anteriores y el sexo. La edad se
considera una covariable. Observará que el sexo es un efecto significativo y
que la interacción del sexo con el clima es significativa. ( ¿...? )
Métodos. Las sumas de cuadrados de Tipo I, Tipo II, Tipo III y Tipo IV pueden
emplearse para evaluar las diferentes hipótesis. Tipo III es el valor por defecto.
Estadísticos. Las pruebas de rango post hoc y las comparaciones múltiples: …

Estadísticos descriptivos: medias observadas, desviaciones típicas y
frecuencias de todas las variables dependientes en todas las casillas. Prueba
de Levene para la homogeneidad de varianzas.
Diagramas. Diagramas de dispersión por nivel, gráficos de residuos, gráficos

de perfil (interacción).
CONSIDERACIONES SOBRE LOS DATOS
Datos. La variable dependiente es cuantitativa. Los factores son categóricos;

pueden tener valores numéricos o valores de cadena de hasta ocho caracteres.
Las covariables son variables cuantitativas que están relacionadas con la
variable dependiente.
Supuestos. Los datos son una muestra aleatoria de una población normal; en
la población, todas las varianzas de las casillas son iguales. El análisis de
varianza es robusto a las desviaciones de la normalidad, aunque los datos

deberán ser simétricos. Para comprobar los supuestos, puede utilizar la prueba
de homogeneidad de varianzas y los gráficos de dispersión por nivel. También
puede examinar los residuos y los gráficos de residuos.

PROCESO EJEMPLO MARATON
Ejemplo. Se recogen datos de los corredores individuales de maratón de varios

años. El tiempo final de cada corredor es la variable dependiente. Influyen
otros factores como el clima (frío, calor o temperatura agradable), los meses
de entrenamiento, el número de maratones anteriores y el sexo. La edad se
considera una covariable. Observará que el sexo es un efecto significativo y
que la interacción del sexo con el clima es significativa. ( ¿...? )
Para obtener un análisis MLG Univariante
Elija en los menús:
Analizar
Modelo lineal general
Univariante...
Seleccione una variable dependiente.
Seleccione variables para Factores fijos, Factores aleatorios y Covariables,

en función de los datos.
Si lo desea, puede utilizar la Ponderación MCP para especificar una

variable de ponderación para el análisis de mínimos cuadrados ponderados. Si
el valor de la variable de ponderación es cero, negativo o perdido, el caso queda
excluido del análisis. Una variable que ya se haya utilizado en el modelo no
puede usarse como variable de ponderación.
3. INTERPRETAR LOS RESULTADOS

4. CONSTRUIR OTRO EJEMPLO ASUMIENDO DATOS RELACIONADOS CON

SU TEMA DE TESIS
ESPECIFICACIÓN DE MODELOS PARA MGL

Especificar modelo. Un modelo factorial completo contiene todos los efectos principales
del factor, todos los efectos principales de las covariables y todas las interacciones factor por
factor. No contiene interacciones de covariable. Seleccione Personalizado para especificar
sólo un subconjunto de interacciones o para especificar interacciones factor por covariable.
Indique todos los términos que desee incluir en el modelo.
Factores y Covariables. Muestra una lista de los factores y las covariables, etiquetando con
(F) los factores fijos y con (C) las covariables. En un análisis univariante, (R) indica un factor
aleatorio.
Modelo. El modelo depende de la naturaleza de los datos. Después de seleccionar

Personalizado, puede elegir los efectos principales y las interacciones que sean de interés
para el análisis.
Suma de cuadrados. Determina el método para calcular las sumas de cuadrados. Para los
modelos equilibrados y no equilibrados sin casillas perdidas, el método más utilizado para la
suma de cuadrados es el Tipo III.
Incluir la intersección en el modelo. La intersección se incluye normalmente en el modelo.

Si supone que los datos pasan por el origen, puede excluir la intersección.
Elija en los menús:
Analizar
Modelo lineal general
Elija Univariante o Multivariante.
En el cuadro de diálogo, pulse en Modelo.
En el cuadro de diálogo Modelo, elija Personalizado.
Seleccione uno o más factores o covariables, o una combinación de

factores y covariables.
Seleccione de la lista desplegable un método para construir los términos
y pulse en el botón de desplazamiento.
Repita esta operación hasta que el modelo contenga todos los términos
que desee. No utilice el mismo término más de una vez en el modelo.
Seleccione un tipo de suma de cuadrados y especifique si desea o no

incluir la intersección.
MLG multivariante sólo está disponible si tiene instalada la opción Modelos

avanzados.
Paso 3. Interpretar los resultados

Paso 4. Procesar otro ejemplo asumiendo datos relacionados con su tema de
tesis.

Ejercicio MGL

Cargado por

Copyright:

Formatos disponibles

Ejercicio MGL

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ejercicio MGL

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE INGENIERÍA

Facultad de Ingeniería Ambiental

EJERCICIO LABORATORIO TESIS 2

Paso 1. Leer y analizar los conceptos

Paso 1. Leer y analizar los conceptos

El procedimiento MLG Univariante proporciona un análisis de regresión y un

También se pueden analizar los efectos de los factores individuales y las

También se pueden incluir los efectos de las covariables y sus interacciones

Se pueden contrastar tanto los modelos equilibrados como los no

Además, si una prueba F global ha mostrado cierta significación, pueden

En su archivo de datos puede guardar residuos, valores pronosticados,

Los Mínimos Cuadrados Ponderados (MCP) permiten especificar

Ejemplo. Se recogen datos de los corredores individuales de maratón de varios

Estadísticos. Las pruebas de rango post hoc y las comparaciones múltiples: …

Diagramas. Diagramas de dispersión por nivel, gráficos de residuos, gráficos

CONSIDERACIONES SOBRE LOS DATOS

Datos. La variable dependiente es cuantitativa. Los factores son categóricos;

varianza es robusto a las desviaciones de la normalidad, aunque los datos

Paso 2. Procesar el ejemplo

Ejemplo. Se recogen datos de los corredores individuales de maratón de varios

Para obtener un análisis MLG Univariante

Elija en los menús:

Seleccione una variable dependiente.

Seleccione variables para Factores fijos, Factores aleatorios y Covariables,

Si lo desea, puede utilizar la Ponderación MCP para especificar una

3. INTERPRETAR LOS RESULTADOS

4. CONSTRUIR OTRO EJEMPLO ASUMIENDO DATOS RELACIONADOS CON

ESPECIFICACIÓN DE MODELOS PARA MGL

Modelo. El modelo depende de la naturaleza de los datos. Después de seleccionar

Incluir la intersección en el modelo. La intersección se incluye normalmente en el modelo.

Paso 2. Procesar el ejemplo

Elija en los menús:

Seleccione uno o más factores o covariables, o una combinación de

Seleccione un tipo de suma de cuadrados y especifique si desea o no

MLG multivariante sólo está disponible si tiene instalada la opción Modelos

Paso 3. Interpretar los resultados

También podría gustarte