1 minute read
TABLA 21:APLICABILIDAD DE LOS MODELOS DE REGRESIÓN
from 104043
condiciones de datos no es recomendable su utilización, y definiendo la adaptabilidad como el volumen de cambios que se deben realizar al modelo del IGAC para poder ejecutar el modelo, es decir cuan adaptable a la condición actual de datos y normativa seria el modelo propuesto.
Regresión SIMPLE
Advertisement
Tabla 21 :Aplicabilidad de los Modelos de Regresión
LINEAL Modelo 1 NO LINEAL Modelo 2
Para el caso de estudio no es recomendable dado la extrema generalización del modelo, puesto que el valor no puede ser explicado a partir de la condensación de una sola variable. Los resultados de pronóstico de un modelo uni-variado pierden potencial de explicación. Dado que el modelo tiene estructura rectilínea, teóricamente no es aplicable ya que son pocas las ocasiones en que valor del suelo frente a sus variables formadoras se comporte como una recta. No es recomendable dado la extrema generalización del modelo, puesto que el valor no puede ser explicado a partir de la condensación de una sola variable. Los resultados de pronóstico de un modelo uni-variado pierden potencial de explicación. Dado a que proviene de un modelo potencial que se linealiza, su estructura de curva parece mejora el pronóstico del valor del suelo, pero no a un nivel mayor al que se logra con las Zonas homogéneas del IGAC.
Modelo 3 Modelo 4 - Modelo 5 - Modelo 6 - Modelo 7
Regresión MÚLTIPLE
Su poder de predicción es mayor dado que involucra más variables formadoras del valor del suelo, modelando una mejor variación del valor. Pero el hecho de agregar más variables debe ser sopesado bajo el principio de parsimonia: La mejor estimación a partir del menor número de variables posible. Estas regresiones asumen variables no lineales, dado que la racionalidad económica supone relaciones no lineales entre el suelo y las variables definidas que son posibles linealizar mediante logaritmos. Su poder de predicción es mayor modelando una mejor variación del valor, pero el hecho de agregar más variables debe ser sopesado bajo el principio de parsimonia: La mejor estimación a partir del menor número de variables posible.
