1 minute read
TABLA 19: RESUMEN DE LOS ESTADÍSTICOS DE LOS MODELOS LINEALES
from 104043
Debido a que el desarrollo estadístico de los modelos de regresión lineal supone testear los diferentes supuestos de modelos como normalidad, homocedasticidad, multicolinealidad, autocorrelación; para lo cual resultaría bastante extenso el consignar los resultados de cada uno de los estadísticos y pasos intermedios para cada modelo, se ha dejado un Anexo de Cálculos que contiene estos resultados, a fin que el lector pueda indagar sobre los supuestos
de los modelos formulados. En la Tabla 19: Resumen de los estadísticos de los modelos lineales., se muestra el resumen de los estadísticos obtenidos a nivel general de los primeros 7 modelos.
Advertisement
Tabla 19: Resumen de los estadísticos de los modelos lineales.
Modelo R2 ajustado RMSE RMSE Max(x) Normalidad Homocedasticidad Multicolinealidad
Autocorrelación 1 0.67 88320 14% SI NO N/A SI 2 0.738 0.6084 5% NO SI N/A SI 3 0.9023 48310 8% SI NO NO SI 4 0.758 70040 11% SI NO NO SI 5 0.7743 73440 11% SI NO NO SI 6 0.8312 0.489 4% SI NO NO SI 7 0.8661 0.4355 3% SI SI NO SI
De estos modelos de regresión lineal se concluye principalmente:
• Ningún modelo cumple a plenitud los supuestos del modelo de regresión lineal.
Presenta errores auto correlacionados y problemas de heterocedasticidad. Esto puede deberse en gran medida a la autocorrelación espacial de valores al ser el valor una variable espacial. Se seleccionaron mejores modelos para realizar una regresión geográficamente ponderada. • De los modelos de Regresión Lineal Simple, el mejor corresponde al modelo 2, en donde se utiliza el logaritmo del valor en función del Vector de ponderación total obtenido en el proceso analítico jerárquico. • De los modelos Multivariados los mejores son el 3 y 5 el cual se selecciona para el moldeo geográficamente ponderado. • En los modelos exponenciales el mejor modelo es el 7 el cual cumple con los supuestos de normalidad, homocedasticidad, multicolinealidad, pero no el de autocorrelación de los errores.
• Se selecciona tanto el modelo 6 y 7 para realizar una regresión geográficamente ponderada, para tratar de esta manera la autocorrelación espacial de los errores y la heterocedasticidad
