Regresión y modelos

De la recta descriptiva al modelo estadístico: qué agrega el término de error y qué se puede inferir a partir de él.

borrador

Los cinco supuestos, cuánto importa cada uno, en qué orden verificarlos y qué hacer cuando fallan.

borrador

La frase exacta con la que se lee un coeficiente de regresión múltiple, y las cinco maneras de leerla mal.

borrador

La frase correcta para leer un OR ajustado, por qué no es un riesgo relativo y cómo convertirlo en algo que se entienda.

borrador

Los cuatro gráficos que hay que mirar después de ajustar cualquier modelo, y qué patrón indica cada problema.

borrador

Dos intervalos que se confunden todo el tiempo: uno para la media condicional y otro para un individuo, con anchos muy distintos.

borrador

Cómo se decide si una variable aporta al modelo: la prueba t de cada coeficiente, el F global y sus intervalos de confianza.

borrador

Varias predictoras a la vez: qué significa 'controlar por', cuánto aporta cada variable y los problemas que aparecen al agregarlas.

borrador

El modelo para variables de respuesta binaria: por qué no sirve la regresión lineal, qué es el logit y cómo se evalúa el ajuste.

borrador

Cómo entran las variables categóricas en un modelo: la categoría de referencia, la trampa de las dummy y cómo se leen los coeficientes.

borrador

Cuando la varianza del error no es constante: qué rompe exactamente, cómo se detecta y por qué los errores robustos son la respuesta moderna.

borrador

Cuando el efecto de una variable depende de otra: cómo se especifica, cómo cambia la lectura de los demás coeficientes y por qué centrar ayuda.

borrador

El marco que unifica la regresión lineal, la logística y la de Poisson: tres piezas y una tabla que ordena todo el módulo.

borrador

Qué hacer cuando las observaciones están agrupadas: efectos aleatorios, correlación intraclase y por qué ignorar la estructura produce falsos positivos.

borrador

Cuando las predictoras se solapan entre sí: qué rompe, cómo se mide con el VIF y por qué muchas veces no hay que hacer nada.

borrador

Tres conceptos que se confunden —atípico, leverage e influencia— y qué hacer con el caso que mueve el modelo entero.

borrador

Por qué el R² no sirve para comparar modelos y qué usar en su lugar, con la demostración empírica de agregar ruido puro.

borrador

El modelo para conteos: coeficientes multiplicativos, el término de exposición y la sobredispersión que casi siempre aparece.

borrador

Cómo se decide qué entra en el modelo, por qué los métodos automáticos tienen mala prensa y qué hacer en su lugar.

borrador

Cuando el modelo aprende el ruido de la muestra: cómo se detecta, cómo se mide la capacidad predictiva real y por qué el R² no alcanza.

borrador