Appunti di Statistica 3

Statistica Niccolò Grillo Voto

µ...1 LEZIONE

GLM parametrica

E) Regressione non

Riassunto

L.tl- .✗ [ ;)f- ?EY =p+= ignotiE osservabili→•Èi v.E- ;i c non= pronomi .Allatnti SIST pe Infili/ Xi'Xi''È Nn ?Yi EEi|% +ci MiE- i- --- -,, I Ice * •") Predite( INCORRELAZIONEN [f- ]#Yi Yi62 yi~ lui ERRORI lineare,L lineare( inNON )OMOSCH PI. D . .. omoschedosticitoiRestrizioni ILM. NormalitàÌ NYin. . . f- (Iii E)Linearità Yi ✗ ik Eiii. i✗ +.. . = . . . , lineare↳ FunzIRiv Supporto nonyi e79 GLM ESTENDO LMGLI DIREZIONIIN 2Suppongono↳ / dispersioneyi# )Famiglia di(1) esponenzialeDE di ordeyi ~ , ( )PoissonAlcune Bern• N GommaBim ,, , . ..,f- Xi'lineare ]Mi Etyiè ?(2) |MiLM -non < >: == E ][( E;)GLM Mi Yi Xi ✗g µ =: in... .§ LINK FUNCTION MONOTONA DERIVABILENOTA →: g , POISSÉÈBINBe )."(ModelliAlcuniOSSERVAZIONI logistica• ,)TEORIA UNIFICATA ( 1972Affinché Anche( Dei)1) 3)NLMEGLM VERO I• -02 Yineiµ GLMe → :,. 4)glifi I.)2) ✗( 1.in LM )×= -- =LLN #di ( )supponi ?[ ]Y Y>FATTURATO E 2y yavere ;=io-- -- -/ hlyi1) [Fyi ] " ]lo " =3GLM E )e EYi Mi = ;a )g()g( Ti) ZiEtyi ])guai Eliyi2)Gl'Ii →a- → = -=-trasformo lase problemirispostasi →Interpretazione #1) ossrosclenormalee) Y --, ,Regressione Logistica Binary ModelLogic- BERNOULLIInadeguatezzaO Pelo)yr}Y dicotomicheRisposte Lte :{ }sy→ ea.>.abilidicotomia' Risposte fyly ÉI È)→ -2 - ,- _EEY -0] -varieSupporto Il )Eliyi} -0=4--0Yi )è )7• • • ;i =nona ÌPÈ NOIR( ) ✗ C- onosch0,1e ..A. )[ )(E / -0 Xiii✗Yi XiYi XiiDooLM Ei itMi + = - -.: - -. .= ,,[' 1Mi )/0,62N SENSOprovo NONGLM HA +per : → (4 AHYi OiEii Xi= - -..,Var ( ) (Ma )( ①I >1;) IlEi Xiii oiliiixi-0• ① yi Xii•• iseyi -i. =i = .c- .-= con- ;= ( )Xix P" EiE Yi) "[ ? /Se ①DI i/ ✗o ii.- -- con→) = .Ofa= ix.Xix -1✗ ✗i i . - (.. .. . SCHEDASTICITÀ, )4 Q Xii Xia-- -ESEMPIOY malattia/ diYi presenza ass= .età✗ ( )100= su =|=1 .. .. .. . .. . ... ... derivaticostktiNEDL.tl ciao 1e- non° • jg-""" ' ..età✗ ? ✓TROVIAMO GLM.aeUN Be Dee siè logit di? -0il /Rdiventi" :trovo seme"come 8' ,. no )log (( ;) Iii }IlJa) ""qcg ( (①µ ; i)• • e= o0• Mi c- c->0,1= : ,.Notte ①I i-. logitloi )) gloi= =Beloit logityi - g = BoOi : P> "+è 'la •logitti epotp' if. ✗)) ① i ,g-Mi ?| ① a.B. ipo ✗ Poti ✗+ →i,= ==== ero@i Pixi, +no ,. +, ehi / )yinpe= tieniSTIMA LIKLMaximum MLHOOD/ fine didiIpotesi vero→ .YiFunzione Beladi Verosimiglianza #)~ i iper in- --lyttlei.IO?ili-o- lei" ") los210 )ilan )= - =>. .. --~-E È [ ]yillnliyiho :)li+ -0;= =-, i Traccolgo) ]) luceÉtyi /( :| essendo o-ifmz.li |h ?-0+ ma= , i log P") "e'(Stimiamo + '①13 i =p 13.x aiper- ;;+ =., ①I i Po Bili+- | @+↳ ^Oi1ftp.piih-E/i.=,.yi(potPiXi)-h( - : BOTPIXI)"" )" I" ( + e> e' + lupi fammi)la /;)@> ,. = -annullatoGradiente{ )epoi-P.sil È(E) [• = yi °. =eisotpixiBo> , +, NON ANALITICAESISTE UNA SOL .poi« +,µ [e -2 °, ,yi =_= ltetotpix ALGORITMO.7 P • NUMERICO APPROSSIMA, .IRLS= iei ihetedtuaeÈ+È×iÈ È ÓÈ )(IRLS stima ;= = %, Èl' +I ✗+ i ÈR È{malattia } conEX Y ottengo -5.309 .in> = :O=/re -oi.oo =, ,Èdel logitmodelloEquazione stimato -5.309 + in ✗ io= _÷ TÈ logitloiÈ ) 0.24> -/ ✗? i} +0è .ÈÓi✗ 0.043 =4 °%> °20i = →= =, ✗ i5.3+0.1e-, + cheÓi Io ↳ Prof-80 0.973 97.3%✗ i un= È- ' siaoeme' -f-Èlogit snodato gy,→ l'( g--5.309 È( I )ÌXÌÌY # Inferenza( direttaLM } →~: = Natura + ,-- e > di alcune asintoticagodono proprietàGLM MLEa- -È )ÈÈ È)( .IR EÈMa,-, ,- ti asintotica↳ Van /diMatr CorocorrettiAsintotica|:[- VIÈ ") "È "}[ IIP=p )>" -. - . Elle.. ). vip per»µ .. E i Jpo =,api 2135 1 -1kt '., ."IIP Épia) "[ )stimò delloÈI / Stima" ) di. matr→• vorkov=, degli MLESÈTE ] Voilà )= Value ValuePZSTIME SE -/ -ÉX R -5.309 1.1337 -4.68OUTPUT cost °: .' 4.61 0ETA 0.02411110 . ↳ ZPIZ KIÈ)(Ho >H :P13 Zoss→-1-00 == ., . SECÌS ), }{È (Settis ) ZI:/ ZIC Z± z =→ ±> ± =. ,, _ _Àxi.IR/iJ=poi-EtàLOGITIC ^ È )ÀXIEN / Èlogici È( Po) ✗ ++= i → , ,~i AINe- 1µVai ( Vai V.it/Ilxi+zxiCoi(Po.Pi)--Ep(E)logit /È +=logit (-0%40.7)z.se/logit( )Ò ÈIC );) es( Z± Icg <>: , ,_ iOE sempreIC profla ① •ieiiotfixi-E-logitlo.isperÈ Ólx sqisellogitio:));) elogit IZ= = (0.43%0.677),qlogitcq _).It t-co.gg =]telogil-IZ.z.se/logit( È )IC ilDa :MODELLOVERIFICA ( )Ho :p WALDDITEST0 5=0,1=> ,, FHo HiLM -43>1--0almeno Test:p Px vso :: =-, . . .( )RAPPORTOTEST LRTVEROSIM . M# inMi Kµy→y ⇐ Tomomi ' KK= conES -, <, ,. MrMa Kz # in⇐ Mapronome M= C. ,differiscono4×5×6 )✗ le✗ solo✗ ✗ (Mi Mi corrucciate stessapere y,, }ANNIDATI Ho Pa Hi almenoPare vs =/ Oo: :=- uno= . . = -,{ }La Mi { ln la didiLM 14sup ↳ E)-= == - ama -- ,- la dille )togliesui> )-fa =) "sotto Ho- È✗daWILKSTEO,tP K. --) ,_( scottatoval- { P }' valsa HoRifSel - .' i maÈ Kiri• ✗ "s \-. Test> generalissimo TESTAREPEMODELLI ANNIDATI/ Lee -0*68.331solo intercettatietà Nodex ✗ = ,- → , =/Not 53.676Mz ①- con ✗ µ→ =,[ ]poiché discreta lloVeras iof-prole )(Segno* è )4 c-0,1neg una;. c-.. ?PIÈloss )[-68.331+53.676]=29.31 Pual 29.31> 0-2 == =Rif ④Ho :P• *o. .-. )Test Wald loildi ( ( stessotest:P :o)LRTHo Ho :paaaa noneo sono=> -,asintoticamente equivalentitest sonoma, .REGRESSIONE BINARIALOGISTICA MULTIPLA/ex dieci' (f)/Yi dimalato '/ Pressioneetà #La cancroi= ==surround )o Baselineb(infezioni RattoIg Biancoi →= = Nero '☒ <- o6Da = Di Altro '- < oSESTIMA pzcost 0.8145 03.512- . legit Òi° )/ Xii0.027 0.027ETÀ 60 Il ' -3.512 +=. ,0.6168 697 0.26CANCRO ✗244 + -20 + ÷O ..... , 0.008JPRESS 646 0.62341. . .0,681 0.074FEZIN 0.3804 -086 0.377-0.959RAZZA i., . 0.7860.87130.260RAZZA ., ModelloBonfàTest Msola intera consorziateMo Gi con,con .H PjHo P Po -1-0 -o ii caso>= a, con==i , . ... AM toposImo [ ) PUOI-89.65 +89.65 20.86-100.0808 =100 ;= -2= = ;- , =. 0.0019¢( %P =P Rifiuto) MHoVal [ 0.0019420.86 0.01< -•=> ,- -e-- _ __ Mr RuralMSe ✗ 0.3248× ✗✗invece ee •-3 =5.2-, ,,ASPETTI INTERPRETATIVILM :All'" di dell' età logitio "il diaumentare delaumenta! amenità restoe 0.027 ,logit)( binariaRegr Look Yi: Mi = della )(mediaquanto -0Kil logit" )Ps Oi mirispesprime -varia .= ..-. "unitaria didi delfronte parità resto×reazione euna a>a .banchineMaschi Promozione,o |gyy ✓ (DX (✗ =\ "Ma Femm| 1 Promozionenoo. D= ÈÈlogito-lh-logeto.to ) Pil f-# + =-+= ,t t {t M (1)①y ÒÈ log"log "logorio =p== ,'010,( o✗ 0101 )-:::÷÷L. n.si?!u: :m. .wT----✓promossa )( ODDS YA )(OR RatioODDS( 011 )EH* 010 ) 0.8= -011 )Idisposto scommettere)( →② =o ase 8 4°= . = ② 10 )ottenere( 4, ① , perdio 10.2- per e, i -010 )nelbuttò contrariocaso . /( (0-5)=0) CX① UGUALIODDS°se 0.5 ottenere LOGITe OREODDS →→= ,, per=se )-010 }1 ODDS→ )→@ a (- ° (9--3)° +>" " ⇐° ' summitSe Disposto( OR)① 1o• >o Opps→ → o a =IR (01 volte) diQuindi log loctit→( piùtreDDS c- 3 pero* diil (1) rispetto.successoIdentico al 10)OR ODDSIOI< ODDSID012| > 1a >.tra )di diè aumentata(associazioneOR misura 4=1 =\euna ✗ ✗stimaÈ >logòr . È= ÒR, 1 ÒRÒR / "0.1111/li 81XpDel /13 →e0.111 =RISCHIO > |=FATTORI DI =, .C' tra diassociazione Tè tpos ✗• (( )il) quindi malattiaanziano la+ y =Len succ e.OÌDSÒRè ( )' +1✗= n= OÒDS }è( ) allora l'✗ da' dalaumentaSe 1.2 ✗✗ 20%+1 DDS☒ a= ☐additiva )(di tipo moltiplicativaInterpretazione nonÈ da dell' odise diminuisce✗ 9%o.si ✗ +1 s= >a ÒIO ÒCImaschi055 )donne ) 0.5✗ o 0.2 → È✗ ==\= • =, )ODÓS ÒROÉÒS (0.2) 4(1) 10.25( 0 = =;= µ==, o,- hanno volte degliproleladonne diche leMa uomini-è invece a succnon . .di• RELATIVO=/%÷ -5 RISCHIO→2 4==⑤ (a) covariante dipendenteil lorodalaltrese valoreRRci sono !il OR noma dummyOssa °<commiatoy 1 ✗., ,°55</ età /hola 00=/ ✗ =, 255 1^ È( ) 528513 094 0SE TEST2 = ..., = . .. Òa °>log MalatoEraAssoaiaz / )- ianzianoposp> eo>• = .,- o< EÈforte ÒRQuanto 8questa associazioneè "=: ." "suldisposto scommettere quantosono 8 giovane succper unvaÌ | tabelladallaÒisstimare° Voglioe2×2 Ói0 OÌDS73 ÒR5¥ =D(72 ✗ èi< =_= =OÓD è=D( ✗>✗ È1 iÈ ↳ -735 21 27 21127 5121 8,11✗6127= = =4357 22×6100 2217g511¥ RATIOCROSS PRODUCT= - -FAMIGLIE DISPERSIONE ESPONENZIALIDIPRIMA FAMIGLIE ESPONENZIALI> { È{ duf- } })famiglia ✗EN -0) )-40parametrica ①ix. c-ha ✗0 exp c-=, = - , ,che dipende dcxfune funeda)eleDove è NOTA ✗ ) èuna non una,dettodipende dacheNOTA 0 FAMIGLIA' NATURALE ORD