Tema 9 - Regresión lineal simple y

polinomial: teoría y práctica

Pablo Vinuesa, CCG-UNAM. http://www.ccg.unam.mx/~vinuesa/
v0.7, 22 de Octubre, 2016

 1 Regresión lineal simple y múltiple: teoría y práctica

o 1.1 Introducción: el concepto de regresión
 1.1.1 Tipos de regresión
 1.1.2 Modelado estadístico: selección de modelos, ajuste a los
datos y varianza en la estima
o 1.2 Regresión lineal simple
 1.2.1 Cálculo manual de los coeficientes de regresión de un modelo
lineal
 1.2.2 ¿Cómo calcula R los coeficientes de un modelo lineal de
regresión?
 1.2.2.1 El método de mínimos cuadrados
 1.2.2.2 Simulación del algoritmo que usa R para minimizar la
suma de cuadrados
 1.2.2.3 Fórmulas se suma de cuadrados corregidas y cálculo
de los coeficientes de regresión
 1.2.3 Determinación de la bondad del
ajuste: suma de cuadradossuma de cuadrados, RR y R2R2
 1.2.3.1 Explicación gráfica de los conceptos subyacentes a la
bondad de ajuste: SSYSSY, SSESSE y SSRSSR
 1.2.3.2 Cálculo manual del particionado de las sumas de
cuadrados en el análisis de regresión: análisis de la varianza
 1.2.3.3 Cálculo en R del particionado de las sumas de
cuadrados en el análisis de
regresión: summary.aov()summary.aov()
 1.2.3.4 Estima de la significancia de los coeficientes de
regresión y cálculo de los errores asociados
 1.2.3.5 Cálculo del grado de ajuste, R2R2
 1.2.4 Diagnóstico del modelo de regresión y validación de supuestos
o 1.3 Transformación de datos y selección de modelos
 1.3.1 Linearización de un modelo exponencial y evaluación del ajuste
 1.3.1.1 Diagnóstico del modelo de regresión: Evaluación de
los supuestos
 1.3.2 Ajuste de una curva de decaimiento exponencial a datos no
transformados
o 1.4 Regresión polinomial y determinación de desviaciones de relación de
linearidad entre variables
o 1.5 AIC: Selección de modelos mediante el criterio de información de Akaike
 1.5.1 Fórmulas para cálculo del AICiAICi para un modeloimodeloi
  1.5.2 Estadísticos de diferencias en AIC** (δiδi) y ponderaciones de
Akaike
o 1.6 Predicciones usando el modelo seleccionado
 1.6.1 Interpolaciones
 1.6.2 extrapolaciones
o 1.7 Graficado de bandas e intervalos de confianza
 2 Regresión lineal simple - ejercicios de tarea
o 2.1 Datos
o 2.2 Objetivo
 3 Bibliografía selecta
o 3.1 Libros
 3.1.1 R y estadística
 3.1.2 R - aprendiendo el lenguaje base
 3.1.3 R - manipulación, limpieza y visualización avanzada de datos
con tidyr, dplyr y ggplot2
 3.1.4 R - aplicaciones en análisis de datos usando multiples
paquetes
 3.1.5 R - programación
 3.1.6 Investigación reproducible con R y RStudio
 4 Funciones y paquetes de R usados para este documento
o 4.1 Análisis de regresión
 4.1.1 Funciones de paquetes base (R Core Team 2016)
 4.1.2 Datos del paquetes base
 4.1.3 Paquetes especializados
o 4.2 Paquetes y software para investigación reproducible y generación de
documentos en múltiples formatos
 5 Recursos en línea
o 5.1 The comprehensive R archive network (CRAN)
o 5.2 Cursos
o 5.3 Consulta
o 5.4 Manipulación y graficado de datos con paquetes especializados
 Referencias

1 Regresión lineal simple y múltiple:

teoría y práctica
Este tema es parte del Curso Fundamental de Posgrado: Análisis Estadístico en Ciencias
Biológicas Utilizando R, semestre 2017-1, de la Universidad Nacional Autónoma de México,
impartido entre Agosto-Diciembre 2016 en el Centro de Ciencias Genómicas. Para más
información consultar la página del curso
en: http://www.ccg.unam.mx/~vinuesa/R4biosciences/.
La parte teórica está basada en (Crawley 2015), (Davies 2016) y (A. P. Field, Miles, and Field
2012).
Este documento está aún en construcción y es generado con R (R Core Team 2016),
rstudio (RStudio Team 2016), knitr (Xie 2016), rmarkdown (Allaire et al.
2016), pandoc (MacFerlane 2016) y LaTeXLaTeX.
1.1 Introducción: el concepto de regresión
El análisis de regresión engloba a un conjunto de métodos estadísticos que usamos cuando
tanto la variable de respuesta como la la(s) variable(s) predictiva(s) son contínuas y
queremos predecir valores de la primera en función de valores observados de las segundas.
En esencia, el análisis de regresión consiste en ajustar un modelo a los datos, estimando
coeficientes a partir de las observaciones, con el fin de predecir valores de la variable de
respuesa a partir de una (regresión simple) o más variables (regresión múltiple) predictivas
o explicativas.
El análisis de regresión juega un papel central en la estadística moderna y se usa para:

 identificar a las variables predictivas relacionadas con una variable de respuesta

 describir la forma de la relación entre estas variables y para derivar una función
matemática óptima que modele esta relación
 predecir la variable de respuesta a partir de la(s) explicativas o predictoras

1.1.1 Tipos de regresión
El término regresión puede ser confuso porque existen muchas variantes especializadas de
regresión. Además, R tiene muchas funciones para ajustar una gran gama de modelos de
regresión.
Tabla 1. Algunos tipos básicos de regresión (hay muchos más)

Tipo de
regresión Uso típico

lineal simple Predicción de una variable de respuesta cuantitativa a partir de una variable predictora cuan

polinomial Predicción de una variable de respuesta cuantitativa a partir de una variable predictora cuan
modela como una función polinomial de orden nn
lineal múltiple Predicción de una variable de respuesta cuantitativa a partir de dos o más variables predicto
multivariada Predicción de más de una variable de respuesta cuantitativa a partir de una o más variables
logística Predicción de una variable categórica a partir de una o más predictoras
de Poisson Predicción de una variable de respuesta que representa un conteo a partir de una o más pred
no lineal Predicción de una variable de respuesta cuantitativa a partir de una o más predictoras, dond
robusta Predicción de una variable de respuesta cuantitativa a partir de una o más predictoras, usan
al efecto de observaciones influyentes

1.1.2 Modelado estadístico: selección de modelos, ajuste a

los datos y varianza en la estima
Dadas dos variables cuantitativas existen virtualmente cientos de modelos que podrían
describir la relación matemática entre ellas. El reto está en elegir el modelo que mejor se
ajuste a estos datos para minimizar el error en la estima que se haga a partir del modelo.
Usamos los modelos para estimar el valor promedio de la variable de respuesta en
función de parámetros estimados de los datos. De manera general, podemos predecir
valores de la variable de respuesta usando esta fórmula:

estimai=(modelo)+erroriestimai=(modelo)+errori.
Para obtener la máxima precisión (mínimo errorierrori) en nuestra estima o predicción,
tendremos que:

1. elegir una familia de modelos adecuados a nuestros datos (modelos lineales,

polinomiales, exponenciales, no lineales …)
2. determinar el grado de parametrización adecuado del modelo
3. obtener estimas de máxima verosimilitud de dichos parámetros

Sólo así podremos llegar a un compromiso óptimo entre realismo del modelo, grado de ajuste
del modelo a los datos, y mínima varianza de la estima.
Veamos como ejemplo el ajuste de modelos lineal y cuadrático (polinomial) para predecir el
peso de mujeres de 30-39 años en función de su altura (peso ~ altura) ¿Cuál de ellos se
ajusta mejor a los datos?

 Estadísticas asociadas al modelo

lineal: pesoˆ=−87.52+3.45∗alturapeso^=−87.52+3.45∗altura

 Residual standard error: 1.525 on 13 degrees of freedom

 Multiple R-squared: 0.991, Adjusted R-squared: 0.9903
 F-statistic: 1433 on 1 and 13 DF, p-value: 1.091e-14
 Estadísticas asociadas al modelo

polinomial: pesoˆ=261.88−7.35∗altura+0.083∗altura2peso^=261.88−7.35∗altur

a+0.083∗altura2
 Residual standard error: 0.3841 on 12 degrees of freedom
 Multiple R-squared: 0.9995, Adjusted R-squared: 0.9994
 F-statistic: 1.139e+04 on 2 and 12 DF, p-value: < 2.2e-16
Visualmente es claro
que elmodelopolinomial(cuadrático)seajustamejoralosdatoselmodelopolinomial(cuadrático
)seajustamejoralosdatos, como indican los valores de R2R2 (coef. de determinación) y
los valores−pvalores−p asociados al estadístico−F−F.
¿Pero es este ajuste significativamente mejor? Comparando el ajuste de ambos modelos
mediane el criterio de información de Akaike (AIC), confirmamos que el modelo polinomial
es mucho mejor: aunque tiene un parámetro libre más a estimar de los datos (el
coeficiente b2∗altura2b2∗altura2) que el modelo lineal, el ajuste es ~ 40 unidades de AIC
mejor, por lo que rechazamos el modelo lineal en favor el cuadrático.
## df AIC
## fit 3 59.08158
## fit2 4 18.51270

Aprenderemos más adelante los detalles relativos a la selección del mejor modelo de
regresión, que es un aspecto esencial del modelado matemático.
En este capítulo nos enfocaremos en métodos que encajan en el rubro de modelos de
regresión de mínimos cuadrados ordinarios (OLS). El énfasis estará en los modelos
lineales simple y polinomiales, es decir, modelos en los que la analizamos
el comportamiento de la variable de respuesta cuantitativa en función de una variable
predictora o regresora cuantitativa, asumiendo una relación lineal o curvilínea entre ellas.

1.2 Regresión lineal simple

Se basa en modelos lineales con la fórmula genaral:

Yi=(a+bXi)+ϵiYi=(a+bXi)+ϵi

donde:

 a = punto de corte en el eje de ordenadas

 b = pendiente o gradiente de la recta, que son los coeficientes de regresión
 ϵiϵi corresponde al término de resíduos, que representa la diferencia entre el valor
observado y el estimado para el individuo ii.

Los coeficientes de regresión los tenemos que estimar de los datos, usando el método de
mínimos cuadrados, basado en las siguientes fórmulas, y el criterio de optimización
de máxima verosimilitud.

b=∑i=1n(xi−x¯)(yi−y¯)∑i=1n(xi−x¯)2=∑xy−∑x∑yn∑x2−
(∑x)2n=SSXYSSX=sumacorregidadeproductossumadecuadradosdex b=∑i=1n(xi−x¯)
(yi−y¯)∑i=1n(xi−x¯)2=∑xy−∑x∑yn∑x2−
(∑x)2n=SSXYSSX=sumacorregidadeproductossumadecuadradosdex

a=y¯−bx¯=∑yn−b∑xna=y¯−bx¯=∑yn−b∑xn
Una vez estimados estos coeficientes los sustituímos en la fórmula general de la recta,
definiendo así el modelo lineal que ajustamos en el ejemplo gráfico

anterior: pesoˆ=−87.52+3.45∗alturapeso^=−87.52+3.45∗altura. Nótese que en este

caso el punto de corte no tiene mucho sentido ya que no encontraremos una persona de 0
pulgadas de altura.

1.2.1 Cálculo manual de los coeficientes de regresión de un

modelo lineal
Es fácil estimar “a ojo” los coeficientes de regresión, razonablemente precisos, de un modelo
lineal.
Ajustemos un modelo lineal a los siguientes datos:

En pseudocódigo los pasos a seguir son:

1. Evaluar el decremento de la variable de respuesta: ha decrecido de 12 a 2, es decir un

decremento de -10
2. Determinar el rango de variación de la variable regresora: x=+8x=+8
3. Calcular la pendiente o gradiente de la variación de la variable de
respuesta: b≈−10/8=−1.25b≈−10/8=−1.25
4. Determinar el punto de corte: ¿Cuánto vale yy cuando x=0x=0?, a≈12a≈12

Por tanto la recta de regresión simple ajustada manualmente a los datos tiene la
fórmula: y=12−1.25xy=12−1.25x
Estos coeficientes no difieren mucho de los obtenidos al ajustar un modelo lineal con R:

# Noten que la var. de respuesta va a la izda de la tilde ' ~' y se lee

como
# modelado de Y en función de X. Esta notación corresponde a lo que se
conoce como
# una fórmula en R. Las fórmulas son centrales en el modelado estadístico
y tienen una
# sintaxis particular y compleja, que hay que aprender para manejar R
eficientemente
lm(dfr1$Y ~ dfr1$X)
##
## Call:
## lm(formula = dfr1$Y ~ dfr1$X)
##
## Coefficients:
## (Intercept) dfr1$X
## 11.756 -1.217

1.2.2 ¿Cómo calcula R los coeficientes de un modelo lineal

de regresión?
R busca las estimas de máxima verosimilitud de los parámetros: L≈Pr(D|M)L≈Pr(D|M). Es
decir, habiendo seleccionado un modelo lineal, necesitamos encontrar los valores de los
parámetros del Modelo (aa y bb) que maximizan la probabilidad de observar los Datos.

1.2.2.1 El método de mínimos cuadrados

Este método garantiza encontrar el valor de máxima verosimilitud de los parámetros del
modelo lineal para un conjunto de datos, al minimizar la magnitud de la diferencia entre los
puntos y la recta. Veamos ésto gráficamente, al añadir la recta más ajustada a los datos
medienta la función abline()abline() y dibujando líneas que representan los resíduos, es
decir, la distancia de cada punto a la recta.
# 1. Graficamos los puntos
plot(dfr1$X, dfr1$Y, pch=21, bg="blue", ylab= "Var. de respuesta",
xlab="Var. explicativa", main = "Recta de regresión y resíduos")

# 2. Añadimos a la gráfica de dispersión la recta de regresión

abline(lm(dfr1$Y ~ dfr1$X), col="green")

# Podemos obtener el valor predicho de Y para cada valor de X con

predict()
fitted <- predict(lm(dfr1$Y ~ dfr1$X))

# Con un bucle for y la función lines() podemos representar los resíduos

for(i in 1:9)
{
lines( c(dfr1$X[i],dfr1$X[i]), c(dfr1$Y[i], fitted[i]), col="red")
}

# Veamos los valores Y ajustados que calculamos previamente:

fitted
## 1 2 3 4 5 6 7
## 11.755556 10.538889 9.322222 8.105556 6.888889 5.672222 4.455556
## 8 9
## 3.238889 2.022222

Los resíduos describen la bondad de ajuste de la recta de regresión. Nuestro modelo de

máxima verosimilitud se define como el modelo que minimiza la suma de los cuadrados de
estos resíduos.

1.2.2.2 Simulación del algoritmo que usa R para minimizar la suma de cuadrados

R implementa un algoritmo para minimizar esta suma de cuadrados. Concretamente el
algoritmo, mediante cáluculo diferencial (tomando derivadas) calcula el mínimo de la función
de verosimilitud para cada coeficiente a partir de la fórmula:

d=y−y^d=y−y^
Dado y^y^ está sobre la recta a+bxa+bx, podemos reescribir la ecuación anterior como:
d=y−(a+bx)=y−a−bxd=y−(a+bx)=y−a−bx
La estima por mínimos cuadrados de la pendiente de regresión (bb) se calcula por tanto
rotando la línea hasta que el error de la suma de cuadrados, SSESSE, sea minimizada. El
algoritmo por tanto tiene que encontrar el mínimo de ∑(y−a−bx)2∑(y−a−bx)2. Tomando la
derivada de SSE con respecto a bb:
dSSEdb=−2∑x(y−a−bx)dSSEdb=−2∑x(y−a−bx)
Operando llegamos a que:

b=∑xy−∑x∑yn∑x2−(∑x)2nb=∑xy−∑x∑yn∑x2−(∑x)2n
Que se abrevia como:

b=SSXYSSX=sumacorregidadeproductossumadecuadradosdexb=SSXYSSX=sumacorre
gidadeproductossumadecuadradosdex
Para que tengan una impresión de los cálculos involucrados, es útil graficar la suma de
cuadrados de los resíduos SSESSE contra el valor del parámetro que estamos tratando de
estimar. Veamos el caso de la pendiente bb.

 Sabemos que la recta de regresión pasa por un punto en el centro de la nube de

puntos, cuyas coordenadas son (x¯,y¯)(x¯,y¯). La línea de mejor ajuste tendrá que
pivotarse en torno a las medias de xx e yy, seleccionando aquella línea cuya
pendiente bb minimiza la suma de cuadrados de las distancias marcadas en rojo en la
gráfica anterior.
 El valor de bb que minimiza la SSESSE representa la estima de máxima verosimilitud
de este parámetro. Veamos una simulación del algoritmo. Sabemos de nuestras
estimas que b≈−1.25b≈−1.25.
 Por tanto vamos a localizar el valor de máxima verosimilitud en el rango
de −1.4<b<−1.0−1.4<b<−1.0, estimando la SSESSE para cada valor de bb en este
rango.
 En pseudocódigo los pasos a realizar son:
 recorrer en pequeños incrementos el valor de bb dentro del rango establecido
 calcular el punto de corte correspondiente (a=y¯−bx¯a=y¯−bx¯ )
 estimar los valores ajustados de yy para cada nivel de x (y=a+bxy=a+bx)
 calcular los resíduos asociados (d=y−a−bxd=y−a−bx) a cada estima puntual
 elevar los resíduos al cuadrado y sumarlos (∑(y−a−bx)2∑(y−a−bx)2)
 asociar este valor de sse[i]sse[i] con la estima actual de la pendient b[i]b[i]
Una vez ejecutado este algoritmo, produciremos una gráfica en forma de “U”, con la suma de
resíduos cuadrados SSESSE en el eje de ordenadas, expresada en función de la estima de la
pendiente bb. El mínimo de esta gráfica corresponderá a la estima de máxima verosimilitud
de bb para la cual se minimiza la SSESSE.
# estima de maxima verosimilitud de la pendiente

b <- seq(-1.43,-1,0.002)
sse <- numeric(length(b))
for (i in 1:length(b)) {
a <- mean(dfr1$Y)-b[i]*mean(dfr1$X)
residual <- dfr1$Y - a - b[i]*dfr1$X
sse[i] <- sum(residual^2)
}

# generemos la gŕafica de sse ~ b

plot(b,sse,type="l",ylim=c(19,24),
main = "Estima de máxima verosimilitud del parámetro b")

# añadamos una flecha en el mínimo

arrows(-1.216,20.07225,-1.216,19,col="red")

# dibujemos una recta verde que pase por el mínimo

abline(h=20.07225,col="green",lty=2)
lines(b,sse)

# el valor mínimo de sse lo obtenemos con la fución min()

min(sse)
## [1] 20.07225
# así obtenemos el valor de "b" asociado al valor mínimo de sse
b4minSSE <- b[which(sse==min(sse))]
b4minSSE
## [1] -1.216

1.2.2.3 Fórmulas se suma de cuadrados corregidas y cálculo de los coeficientes

de regresión
En resumen, en base a las fórmulas antes enunciadas para los coeficientes de regresión:

b=∑i=1n(xi−x¯)(yi−y¯)∑i=1n(xi−x¯)2=∑xy−∑x∑yn∑x2−
(∑x)2n=SSXYSSX=sumacorregidadeproductossumadecuadradosdex b=∑i=1n(xi−x¯)
(yi−y¯)∑i=1n(xi−x¯)2=∑xy−∑x∑yn∑x2−
(∑x)2n=SSXYSSX=sumacorregidadeproductossumadecuadradosdex

a=y¯−bx¯=∑yn−b∑xna=y¯−bx¯=∑yn−b∑xn
y recordando las fórmulas de las sumas de cuadrados y productos corregidas, que son
absolutamente centrales en todo lo que seguirá sobre regresión y análisis de la varianza:

 suma total de cuadrados SSYSSY:

SSY=∑y2−(∑y)2nSSY=∑y2−(∑y)2n

 suma de cuadrados de x SSXSSX:

SSX=∑x2−(∑x)2nSSX=∑x2−(∑x)2n

 suma de productos corregida:

SSXY=∑xy−∑x∑yn∑x2−(∑x)2nSSXY=∑xy−∑x∑yn∑x2−(∑x)2n

podemos calcular fácilmente los coeficientes de regresión, como muestra el siguiente bloque
de código:

SSX <- sum(dfr1$X^2)-sum(dfr1$X)^2/length(dfr1$X)

SSY <- sum(dfr1$Y^2)-sum(dfr1$Y)^2/length(dfr1$Y)
SSXY <- sum(dfr1$X*dfr1$Y)-sum(dfr1$X)*sum(dfr1$Y)/length(dfr1$X)

cat("SSX =", SSX, "| SSY =", SSY, "| SSXY =", SSXY, "\n")
## SSX = 60 | SSY = 108.8889 | SSXY = -73
# por tanto:
b <- SSXY/SSX
a <- (sum(dfr1$Y)/length(dfr1$Y)) - (b*sum(dfr1$X)/length(dfr1$X))

cat("los coeficientes de regresión: a =", a, "| b =", b, "\n")

## los coeficientes de regresión: a = 11.75556 | b = -1.216667

1.2.3 Determinación de la bondad del

ajuste: suma de cuadradossuma de cuadrados, RR y R2R
2
Lo que hemos visto hasta ahora es sólo la “mitad de la historia”. Además de los
parámetros aa y bb, necesitamos calcular la incertidumbre asociada a cada una de estas
estimas. Es decir, necesitamos calcular el error estándar de cada parámetro de nuestro
modelo de regresión.
El error estándar (SESE) es la desviación estándar de la distribución de muestreo de un
estadístico. Para un estadístico (p.ej. la mediamedia), nos indica cuánta variación existe
entre muestras de la misma población. Por tanto valores grandes de SESE indican que el
estadístico no representa adecuadamente a la población de la que procede la muestra.
Para determinar la bondad del ajuste de un modelo necesitamos compararlo con un modelo
nulo, el más simple de todos, la mediamedia, que es un “modelo de no relación entre
variables”. Cuantitativamente la determinamos usamos la siguiente ecuación general:
desviación=∑(observación−modelo)2desviación=∑(observación−modelo)2
1.2.3.1 Explicación gráfica de los conceptos subyacentes a la bondad de
ajuste: SSYSSY, SSESSE y SSRSSR
La mejor manera de explicar este concepto es hacerlo gráficamente:

opar <- par(no.readonly = TRUE)

par(mfrow = c(1,2))

## I. Gráfica de desviaciones de los datos de la media (para cálculo de

SSY)
# 1. Graficamos los puntos (gráfico de dispersión)
plot(dfr1$X, dfr1$Y, pch=21, bg="blue", ylab= "Y", xlab="X",
main = "H0 = Media; +dev. (SSY)")

# 2. Añadimos una recta, a la altura de la media de Y, como modelo nulo

abline(h=mean(dfr1$Y), col="black")

# 3. Con un bucle for y la función lines() podemos representar las

desviaciones
# de la media
for(i in 1:9)
{
lines( c(dfr1$X[i],dfr1$X[i]), c(mean(dfr1$Y), dfr1$Y[i]), col="blue",
lty=3)
}

## II: Gráfica de resíduos (para cálculo de SSE)

# 2. Añadimos a la gráfica de dispersión la recta de regresión
plot(dfr1$X, dfr1$Y, pch=21, bg="blue", ylab= "Y", xlab="X",
main = "H1 = lm; + resíduos (SSE)")
abline(lm(dfr1$Y ~ dfr1$X), col="black")

# Podemos obtener el valor predicho de Y para cada valor de X con

predict()
fitted <- predict(lm(dfr1$Y ~ dfr1$X))

for(i in 1:9)
{
lines( c(dfr1$X[i],dfr1$X[i]), c(dfr1$Y[i], fitted[i]), col="red",
lty=3)
}

par(opar)

 Definiciones
 SSYSSY o SSTSST es la suma total de cuadrados, ya que representa la variación
máxima o total, respecto del modelo nulo (media)
 SSESSE es la suma cuadrada de resíduos y representa el grado de error del
modelo ajustado, o variación no explicada por el modelo
 SSMSSM o SSRSSR es la suma de cuadrados del modelo de regresión y mide
la diferencia entre SSY y SSE, indicando la ganancia en precisión de la estima al
ajustar un modelo, con respecto a la media, o variación explicada por el modelo

Por tanto SSY=SSR+SSESSY=SSR+SSE representa al particionado de la suma de

cuadrados de una regresión.
La siguient gráfica muestra SSR=SSY−SSESSR=SSY−SSE visualmente, es decir, las
diferencias entre el valor promedio de YY y las estimas del modelo de regresión.
Si SSRSSR es grande, quiere decir que las predicciones hechas por el modelo son muy
distintas a usar la media para predecir valores la variable de respuesta. Cuanto mayor
sea SSRSSR, mejor será la capacidad del modelo de predecir la variable de respuesta.
## I. Gráfica de desviaciones de los datos de la media (para cálculo de
SSR)
# 1. Graficamos los puntos
plot(dfr1$X, dfr1$Y, pch=21, bg="blue", ylab= "Y", xlab="X",
main = "SSR (SSM) = H1 - H0")

# 2. Añadimos una recta, a la altura de la media de Y, como modelo nulo

abline(h=mean(dfr1$Y), col="red")

abline(lm(dfr1$Y ~ dfr1$X), col="green")

fitted <- predict(lm(dfr1$Y ~ dfr1$X))
# 3. Con un bucle for y la función lines() podemos representar las
desviaciones
# de la media
for(i in 1:9)
{
lines( c(dfr1$X[i],dfr1$X[i]), c(mean(dfr1$Y), fitted[i]), col="red",
lty=3)
}

1.2.3.2 Cálculo manual del particionado de las sumas de cuadrados en el análisis

de regresión: análisis de la varianza
La idea que subyace a la fórmula SSY=SSR+SSESSY=SSR+SSE es sencilla: tomamos la
variación total de los datos originales (SSYSSY) y la particionamos entre
dos componentes que nos revelan el poder explicativo o predictor del modelo. La variación
explicada por el modelo SSRSSR se conoce como la suma de cuadrados del modelo (de
regresión), y la variación no explicada (SSESSE) se conoce como suma de cuadrados de
los errores
Ya vimos cómo calcular SSYSSY y SSESSE. Por tanto SSR=SSY−SSE=(∑y2−(∑y)2n)−

(∑(y−a−bx)2)SSR=SSY−SSE=(∑y2−(∑y)2n)−(∑(y−a−bx)2)
Pero podemos hacerlo más sencillo, si en vez de tomar SSE=∑(y−a−bx)2SSE=∑(y−a−bx)2,
usamos el siguiente atajo:
SSR=b∗SSXYSSR=b∗SSXY
Podemos así calcular fácilmente SSRSSR usando los valores
de bb y SSXYSSXY previamente calculados:
SSR=−1.21667X−73=88.81667SSR=−1.21667X−73=88.81667
Teniendo SSYSSY y SSRSSR calculados, es trivial calcular SSESSE:
SSE=SSY−SSR=108.8889−88.81667=20.07222SSE=SSY−SSR=108.8889−88.81667=2
0.07222

Ya tenemos los dos componentes (SSRSSR y SSESSE) en los que se descompone la

variación total de los datos (SSYSSY). Hagamos un análisis de la varianza, la
famosa ANOVA, para comparar estos dos componentes mediante un cociente FF entre las
varianzas asociadas a cada componente.
Estadísticos como FF representan generalmente la cantidad de varianza sistemática (del
modelo) / varianza no sistemática (de los datos), es decir FF se basa en la razón
de SSR/SSESSR/SSE. Pero como las sumas de cuadrados dependen del número de puntos
(diferencias sumadas), FF usa la media de la suma de
cuadrados, MS=promedio de suma de cuadradosMS=promedio de suma de cuadrados.
F=MSMMSE=media de los cuadrados del modelomedia cuadrados de los errores o resí
duosF=MSMMSE=media de los cuadrados del modelomedia cuadrados de los errores o resíd
uos
donde

MSM=SSRg.l.=SSRno. parámetros estimados en el modelo: b (1 g.l. en ml simple)MS
M=SSRg.l.=SSRno. parámetros estimados en el modelo: b (1 g.l. en ml simple)
y

MSE=SSEg.l.=SSEno. observaciones−no. parámetros libres: a, b (n−2)MSE=SSEg.l.=S
SEno. observaciones−no. parámetros libres: a, b (n−2)
Construyamos la tabla de ANOVA correspondiente, paso a paso:
Ya tenemos calculados las sumas de cuadrados de cada fuente de variación, como se
muestra abajo.

Fuente Suma de cuadrados Grados de libertad Media de cuadrados (Vari

Regresión (modelo) 88.817 (SSRSSR)

Error (resíduos) 20.072 (SSESSE)
Total (datos) 108.889 (SSYSSY)
Llenemos ahora la columna de los grados de libartad (g.l.g.l.). Recordemos que,
esencialmente, los grados de libartad representan el número de ‘entidades’ que están libres
de variar cuando estimamos algún parámetro estadístico a partir de los datos.
Los g.lg.l generalmente se calculan
como n−número de parámetros libres a estimar de los datosn−número de parámetros libres 
a estimar de los datos. Por tanto:

 g.l.(SSY)g.l.(SSY) Dado que SSY=∑(y−y^)2SSY=∑(y−y^)2, vemos que sólo

necesitamos estimar 1 parámetro: y^y^; g.l.=(n−1)g.l.=(n−1)
 g.l.(SSE)g.l.(SSE) Dado que SSE=∑(y−a−bx)2SSE=∑(y−a−bx)2, vemos que
necesitamos estimar 2 parámetros: aa y bb; g.l.=(n−2)g.l.=(n−2)
 g.l.(SSR)g.l.(SSR) en el modelo de regresión lineal simple hemos estimado 1
parámetro bb; g.l.=1g.l.=1

Noten que la suma de g.l.(SSR)+g.l.(SSE)=g.l.(SSYg.l.(SSR)+g.l.(SSE)=g.l.(SSY), como

se ve en la tabla.
Fuente Suma de cuadrados Grados de libertad Media de cuadrados (Vari

Regresión (modelo) 88.817 (SSRSSR) 1

Fuente Suma de cuadrados Grados de libertad Media de cuadrados (Vari

Error (resíduos) 20.072 (SSESSE) 7 (n−2n−2)

Total 108.889 (SSYSSY) 8 (n−1n−1)
Necesitamos llenar la 4a. columna, reservada para las varianzas. Recoredemos que:

var=s2=suma de cuadradosgrados de libertadvar=s2=suma de cuadradosgrados de liberta
d
Esta columna (4) es muy fácil de llenar, ya que tenemos los valors que necesitamos pre-
calculados en las columnas 2 y 3. La var totalvar total no nos hace falta, pero sí
el cociente−F=88.8172.86764cociente−F=88.8172.86764, que incluímos tambien en la tabla de
ANOVA, completándola.
Fuente Suma de cuadrados Grados de libertad Media de cuadrados (Vari

Regresión (modelo) 88.817 (SSRSSR) 1 88.817 (var. regresión)

Error (resíduos) 20.072 (SSESSE) 7 (n−2n−2) s2s2 = 2.86764 (var. error)
Total 108.889 (SSYSSY) 8 (n−1n−1)
Calculemos ahora la significancia del cociente−Fcociente−F. Recordemos que:

 H0:b=0H0:b=0, la pendiente de la recta de regresión es cero (el modelo no difiere de

la media)
 H1:b≠0H1:b≠0, usando una alternativa de doble cola asumimos que la pendiente es
positiva o negativa

Podemos buscar el valor crítico de FF en la tabla correspondiente,

usando g.l.numerador=1g.l.numerador=1 y g.l.denominador=7g.l.denominador=7 y
veríamos algo como ésto:
g.l.(denom)g.l.(denom) p 1 … (g.l.(num.)g.l.(num.))
1 0.05 161.45
1 0.01 4052.18
… … …
7 0.05 5.59
7 0.01 12.25
Dado que nuestro estadístico FF es mucho mayor que el valor crítico de F(1,7)F(1,7),
rechazamos la hipótesis nula con p<.001p<.001.
Pero estamos aprendiendo estadística usando R, ¿verdad? ¿O cargas contigo las tablas de
valores críticos para múltiples estadísticos?
Recordemos que los intervalos de confianza se definen como quantiles del 95% ó 99% …
Podemos calcular los quantiles para FF usando la
función qf(.95,glNum,glDenom)qf(.95,glNum,glDenom). La pp asociada al estadístico FF la
calculamos como 1−pf(F,glNum,glDenom)1−pf(F,glNum,glDenom), como se muestra
seguidamente:
glNum <- 1
glDenom <- 7
Fstat <- 30.974

CI95_F <- qf(.95, glNum, glDenom)

CI99_F <- qf(.99, glNum, glDenom)

p <- 1-pf(Fstat,glNum,glDenom)

cat("CI95% = ", CI95_F, "| CI99% = ", CI99_F, " | p = ", p, "\n")
## CI95% = 5.591448 | CI99% = 12.24638 | p = 0.0008460725

Por tanto, la probabilidad de observar un cociente−Fcociente−F de 30.974 bajo la H0H0 es

muy poco probable, de hecho p<0.001p<0.001, por lo que
rechazamos H0H0 contundentemente.
1.2.3.3 Cálculo en R del particionado de las sumas de cuadrados en el análisis de
regresión: summary.aov()summary.aov()
Podemos fácilmente comprobar en R lo que hemos hecho a mano en la sección anterior,
usando la función summary.aov()summary.aov() a la que le pasamos el objeto que
regresa lm()lm():
# ajustemos un modelo lineal
fit1 <- lm(dfr1$Y ~ dfr1$X)

# summary.aov() nos da la tabla de ANOVA

summary.aov(fit1)
## Df Sum Sq Mean Sq F value Pr(>F)
## dfr1$X 1 88.82 88.82 30.97 0.000846 ***
## Residuals 7 20.07 2.87
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

1.2.3.4 Estima de la significancia de los coeficientes de regresión y cálculo de los

errores asociados
Aunque el resultado del análisis de la varianza sea altamente significativo, no es
particularmente interesante. En el contexto del análisis de regresión lo que realmente nos
interesa conocer es el tamaño de los efectos (estimas de aa y bb),
su significancia y errores asociados a su estima.

 Los errores asociados a la estima de los coeficientes se calculan así:

SEb=s2SSX−−−−−√=2.86760−−−−−√=0.2186SEb=s2SSX=2.86760=0.2186
SEa=s2∑x2n∗SSX−−−−−−−−√=2.867∗2049∗60−−−−−−−−−
−√=1.0408SEa=s2∑x2n∗SSX=2.867∗2049∗60=1.0408

 Cálculo de la significancia de bb

Ya vimos que en el peor de los escenarios b=0b=0, es decir, que un cambio unitario en la

variable predictora no se asocia con cambio alguno en la variable de respuesta. Por tanto si
una variable predice significativamente una respuesta, su coeficiente de regresión tiene
que ser significativamente distinto a 0.
Esta hipótesis la podemos evaluar con una prueba−tprueba−t, donde H0:b=0H0:b=0.
Al igual que el cociente−Fcociente−F, el estadístico-tt se basaen el cociente entre la varianza
explicada y la no explicada o error. El test será significativo si bb es grande comparado con la
magnitud del error en la estima:
t=bobservada−besperadaSEb=bobservada−0SEbt=bobservada−besperadaSEb=bobservada−0S
Eb

En regresión lineal simple, los grados de libertad para los predictores (pp) se calculan
como: N−p−1N−p−1, donde NN tamaño de muestra, y pp es el número de predictores (1 en
este caso: bb).

 Toda esta información sobre el modelo lineal nos la da la

función summary()summary():

fit1 <- lm(dfr1$Y ~ dfr1$X)

# la salida de summary() nos da los tamaños de los efectos, es decir, los

# coeficientes de regresión (a, b), los errores asociados, su
significancia (t-test) +
# el resultado de la prueba F (ANOVA)
summary(fit1)
##
## Call:
## lm(formula = dfr1$Y ~ dfr1$X)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.4556 -0.8889 -0.2389 0.9778 2.8944
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 11.7556 1.0408 11.295 9.54e-06 ***
## dfr1$X -1.2167 0.2186 -5.565 0.000846 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.693 on 7 degrees of freedom
## Multiple R-squared: 0.8157, Adjusted R-squared: 0.7893
## F-statistic: 30.97 on 1 and 7 DF, p-value: 0.0008461

1.2.3.5 Cálculo del grado de ajuste, R2R2

Nos queda un asunto muy importante que considerar. Dos rectas de regresión pueden tener la
misma pendiente y puntos de corte, pero derivarse de relaciones completamente diferentes
entre las variables:

## Coeficientes para fit1: 0.5 2 Coeficientes para fit2: 0.5 2

Claramente el ajuste del modelo a los datos en la gráfica derecha es mucho mejor que en la
izquierda. Llevado al extremo ideal, los puntos caerían todos sobre la recta, reflejando
una dispersión=0dispersión=0. En el otro extremo, xx podría no explicar ninguna de la
variación observada en yy. En dicho caso las variables no estarían correlacionadas, el ajuste
del modelo lineal sería 0 y la magnitud de la dispersión sería de 100%.
Combinando lo que hemos aprendido sobre SSYSSY, SSRSSR y SSESSE debería quedar
claro que podemos derivar una métrica que mida la fracción de la variación total
en  yy explicada por la regresión. A esta medida es a la que llamamos coeficiente de
determinación: R2=SSRSSYR2=SSRSSY.
R2R2 varía entre 0, cuando la regresión no explica ninguna de la variación obserbada
en yy (SSE=SSYSSE=SSY; dispersión = 100%), y 1, cuando la regresión explica toda la
variación en y (SSR=SSYSSR=SSY; dispersión = 0%). Gráficamente:
## * Coeficientes para fit1: 0 0
## * Coeficientes para fit2: 0.5 2

Esta R2R2 corresponde al coeficiente de determinación que vimos en el tema de correlación.

Generalmente lo expresaremos como porcentaje (R2∗100R2∗100), y representa la cantidad
de varianza en la variable de respuesta explicada por el modelo (SSRSSR) relativa al
total de la variación existente en los datos (SSYSSY o SSTSST). Por
tanto, R2R2 representa el porcentaje de la variación en la variable de respuesta que
puede ser explicada por el modelo.
Además, tratándose de regresión simple, podemos calcular el coeficiente de correlación de
Pearson entre las dos variables como r=R2−−−√r=R2.

1.2.4 Diagnóstico del modelo de regresión y validación de

supuestos
Un último aspecto central en el análisis de regresión lineal es comprobar que el modelo no
viole los supuestos de los que depende. Particularmente críticos son:

1. linearidad la variable de respuesta está relacionada linealmente con las variables

predictoras
2. constancia de las varianzas (homocedasticidad) : la varianza de la variable de
respuesta no varía con los niveles de la predictora
3. normalidad de los errores
4. ausencia de puntos marcadamente aberrantes (outliers) palanca o influyentes

Una primera opción para comprobar si el modelo cumple estos supuestos es mediante la
generación de cuatro gráficas de checado del modelo a partir de la información que viene
integrada en el objeto que regresa la función lm()lm() usando la función plot()plot()
opar <- par(no.readonly = TRUE)

# ajustamos modelo lineal

modelo <- lm(dfr1$Y ~ dfr1$X)

# imprimimos las gráficas en un arreglo de 2x2

par(mfrow = c(2,2))
plot(modelo)

par(opar)

 La primera gráfica (arriba izda.) nos ayuda a decidir si las variables están linealmente
relacionadas. Si es así, no debería de existir una relación sistemática entre los
resíduos (errores) y los valores predichos (ajustados). Es decir, el modelo debería de
capturar toda la varianza sistemática de los datos, dejando sólo ruido
estocástico sin explicar. Por tanto, esta gráfica debe de verse como “las estrellas en
el firmamento”, sin un patrón claro de asociación. Si es así, sugiere además que se
cumple el supuesto de homocedasticidad.
 La segunda es la gráfica de quantil-quantil normal. Los puntos deberían seguir la
diagonal si los resíduos están normalmente distribuidos. Si aparecen patrones tipo “S”
o “banana”, posiblemente necesitemos ajustar otro modelo.
  La tercera gráfica es como la primera, pero usando una escala diferente, |
residuos estandarizados|−−−−−−−−−−−−−−−−−−−−−√|residuos estandarizados|,
y sirve para comprobar la homocedasticidad, la cual se cumple si los puntos forman
una banda estocástica en torno a la horizontal.
 La última gráfica (abajo, dcha.) trata sobre la identificación de puntos influyentes,
aberrantes y con efecto palanca. Vemos que la observación 4 es la que tiene el
mayor resíduo estandarizado, la 7 tiena la mayor Cook−DCook−D y la nueve al
mayor efecto palanca.
o observaciones influyentes: son aquellas con un impacto desproporcionado en
la determinación de los parámetros del modelo. Se identifican usando la
distancia de Cook, Cooks−DCooks−D. Son de preocupar los puntos
con Cooks−D>1Cooks−D>1
o punto aberrante: es una observación que no es predicha satisfactoriamente por
el modelo de regresión (con un valor positivo o negativo grande del resíduo)
o observación con alto efecto palanca tienen una combinación inusual de valores
predictores. Es decir, son aberrantes en el espacio predictor.

Las dos gráficas de la primera fila son las más importantes.

1.3 Transformación de datos y selección de

modelos
Conviene recordar que y=a+bxy=a+bx no es el único modelo de dos parámetros que existe
para describir la relación entre dos variables contínuas. Tenemos que tener ésto en cuenta, ya
que la selección del modelo adecuado es un aspecto de importancia crítica en el análisis de
regresión. Es decir, si los datos no presentan una relación lineal, podemos encontrar modelos
curvilíneos con igual grado de parametrización que la recta, los cuales se ajustan mejor
a datos con curvatura.
Veamos algunos de estos modelos no lineales de 2 parámetros. Nota: en todos los casos se
ha llamado a la función curve(f,0,20)curve(f,0,20) para graficar las funciones (f)(f) indicadas
sobre los ejes de ordenadas, con los coeficienes aa y bb indicados en los títulos.

Es sencillo estimar los parámetros de estos modelos, si las funciones se pueden

transformar de tal manera que sus parámetros se conviertan en lineales.

1.3.1 Linearización de un modelo exponencial y evaluación

del ajuste
Veamos un ejemplo de datos del decaimiento de emisiones radioactivas en función del
tiempo. Vamos a graficarlos y a ajustar una recta de mínmos cuadrados a los datos.

Vemos que el patrón de dispersión presenta una marcada curvatura. La mayoría de los

resíduos para t<5t<5 y t>25t>25 tienen resíduos positivos, mientras que para los valores
intermedios son mayormente negativos. Por tanto el modelo lineal NO es adecuado para
estos datos.
Veamos el resumen de las estadísticas asociadas al modelo lineal simple:

##
## Call:
## lm(formula = amount ~ time)
##
## Residuals:
## Min 1Q Median 3Q Max
## -19.065 -10.029 -2.058 5.107 40.447
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 84.5534 5.0277 16.82 < 2e-16 ***
## time -2.8272 0.2879 -9.82 9.94e-11 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 14.34 on 29 degrees of freedom
## Multiple R-squared: 0.7688, Adjusted R-squared: 0.7608
## F-statistic: 96.44 on 1 and 29 DF, p-value: 9.939e-11

 Podemos ver que los coeficientes son altamente significativos, y que el modelo explica
más de 76% de la variación en la variable de respuesta (un valor muy alto de R2R2).
 La moraleja es que valores−pvalores−p y R2R2 nos hablan del ajuste, pero no
indican si el tipo of familia de modelo ajustado es el más adecuado.
Dado que los datos son de decaimiento radiactivo, parece razonable pensar que
una función exponencial negativa y=ae−bxy=ae−bx pueda ajustarse mejor a los datos.
Probemos esta hipótesis, linearizando la ecuación exponencial, tomando logaritmo a ambos
lados de la igualdad y operando así:

y=ae−bxy=ae−bx
log(y)=log(a)−bxlog(y)=log(a)−bx
Cambiemos log(y)log(y) por YY y log(a)log(a) por AA, que representa un modelo lineal, con
un punto de corte AA y una pendiente bb
Y=A−bxY=A−bx
Grafiquemos el modelo linearizado:

# transformamos solo la variable de respuesta: log(y)

plot(time,log(amount),pch=21,col="blue",bg="red")
abline(lm(log(amount)~time),col="blue")

El ajuste a los datos se ha mejorado de manera apreciable. Veamos el resumen estadístico

para el nuevo modelo:

summary(lm(log(amount)~time))
##
## Call:
## lm(formula = log(amount) ~ time)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.5935 -0.2043 0.0067 0.2198 0.6297
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.547386 0.100295 45.34 < 2e-16 ***
## time -0.068528 0.005743 -11.93 1.04e-12 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.286 on 29 degrees of freedom
## Multiple R-squared: 0.8308, Adjusted R-squared: 0.825
## F-statistic: 142.4 on 1 and 29 DF, p-value: 1.038e-12

Vemos que el error estándar de los resíduos ha decrecido mucho, y que R2R2 es mayor
aún, al igual que el nivel de significancia de los coeficientes. El ajuste a los datos es sin duda
mejor.
Podemos formalmente seleccionar el mejor de ambos modelos usando el criterio de
informacón de Akaike (AIC), que indica claramente que el modelo linearizado es mucho más
adecuado.

fit1 <- lm(amount ~ time)

fit.log <- lm(log(amount) ~ time)

# elegiremos el modelo con el valor de AIC más pequeño (AICmin),

# despreciando todos los modelos con > 3 unidades AIC con respecto a
AICmin
AIC(fit1, fit.log)
## df AIC
## fit1 3 257.00156
## fit.log 3 14.29588

Si les gustan más los p−valoresp−valores, podemos confirmar el resultado

de AIC()AIC() comparando ambos modelos mediante la
función anova(lm0,lm1)anova(lm0,lm1)
anova(fit1, fit.log)
## Analysis of Variance Table
##
## Response: amount
## Df Sum Sq Mean Sq F value Pr(>F)
## time 1 19822.5 19822.5 96.441 9.939e-11 ***
## Residuals 29 5960.6 205.5
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Está claro por tanto que fue una decisión crítica elegir el modelo linearizado.

1.3.1.1 Diagnóstico del modelo de regresión: Evaluación de los supuestos

Parece no haber problemas con el supuesto de normalidad, pero sí parece hablerlos con
respecto al supuesto de homocedasticidad, como muestra la forma en punta de flecha de la
primera gráfica y la caída que muestran los resíduos estandarizados en función de los valores
ajustados (3a. gráfica). La última gráfica muestra que los puntos 30 y 31 tienen alto valor de
palanca (“leverage”), mientras que el 28 tiene un valor muy alto del resíduo asociado.

1.3.2 Ajuste de una curva de decaimiento exponencial a

datos no transformados
A pesar de los problemas de heterocedasticidad, puntos aberrantes y observaciones palanca,
ajustemos la curva de decaimiento exponencial a los datos no transformados. Para ello
necesitamos primero los coeficienes para sustituir en la función exponencial y=aebxy=aebx.
Recordemos que el modelo linearizado nos daba los
coeficienes: A=4.547386A=4.547386 y b=−0.068528b=−0.068528. Necesitamos
regresar AA a su escala original, tomando su antilogaritmo usando exp()exp(), es
decir: a=exp(A)a=exp(A)
exp(coef(fit.log)[1]) # ésto es exp(A)
## (Intercept)
## 94.38539

Además debemos saber que R grafica curvas como múltiples segmentos rectilíneos.
Necesitamos > 100 de estos segmentos en el ancho de una gráfica para que la curva se vea
razonablemente “lisa”. Viendo el gráfico de dispersión original (no transformado), vemos que
el rango para  xx es: 0≤x≤300≤x≤30. Por tanto, para tener > 100 segmentos queremos > 3
segmentos por unidad de tiempo, es decir, está bien usar intervalos de 0.25. Usaremos la
variable xvxv para almacenar los “valores de x”: xv<−seq(0,30,0.25)xv<−seq(0,30,0.25), es
decir, tendremos length(xv)length(xv) segmentos. Veamos el código:
plot(time, amount, pch = 21, col = "blue", bg = "green",
main ="* exp: amount = 94.38536 * exp(-0.068528 * time)\n
* recta: amount = 84.5534 + (-2.8272 * time)")
xv <- seq(0,30,0.25)
yv <- 94.38536 * exp(-0.068528 * xv)
lines(xv, yv, col="red")
abline(fit1, col="blue")

Sin duda el ajuste

de amount=94.38536∗exp(−0.068528∗time)amount=94.38536∗exp(−0.068528∗time) a los
datos es mucho mejor que el que muestra la recta de mínimos
cuadrados: amount=coef(fit1[1])+coef(fit1[2])∗x)=84.5534+
(−2.8272∗time)amount=coef(fit1[1])+coef(fit1[2])∗x)=84.5534+(−2.8272∗time). Pero todavía
queda trabajo por hacer. El ajuste es bueno sólo para los valores intermedios de timetime,
siendo peor cuando 0≤time≤290≤time≤29.

1.4 Regresión polinomial y determinación de

desviaciones de relación de linearidad entre
variables
La dependencia entre la variable de respuesta y la regresora frecuentemente no es lineal. No
obstante, el principio de parsimonia (navaja de Occam) requiere que ajustemos un modelo
lineal simple (el más simple, menos parametrizado) como modelo nulo, a no ser que un
modelo no lineal se demuestre significativamente superior al nulo.
¿Cómo determinar la significancia de la desviación del supuesto de linearidad?
Una de las maneras más sencillas es usando la regresión polinomial, donde:

y=a+bx+cx2+dx3...y=a+bx+cx2+dx3...
El concepto básico es sencillo. Tenemos una sola variable explicativa contínua, xx, pero
podemos ajustar potencias mayores de  xx, como  x2x2,  x3x3… y añadirlas al modelo, junto
a xx, para describir diversos tipos de curvatura en la relación y xy x. Las funciones
polinomiales presentan gran flexibilidad de formas, incluso al añadir un solo término
cuadrático, dependiendo de los signos de los términos lineales y cuadrático, como se muestra
seguidamente:
opar <- par(no.readonly = TRUE)
par(mfrow=c(2,2))
curve(4+2*x-0.1*x^2,0,10,col="red",ylab="y", main = "y = 4 + 2*x -0.1 *
x^2")
curve(4+2*x-0.2*x^2,0,10,col="red",ylab="y", main = "y = 4 + 2*x -0.2 *
x^2")
curve(12-4*x+0.3*x^2,0,10,col="red",ylab="y", main = "y = 12 - 4*x +
0.3*x^2")
curve(4+0.5*x+0.1*x^2,0,10,col="red",ylab="y", main = "y = 12 - 0.5*x +
0.1*x^2")

par(opar)

Vemos que un simple modelo cuadrático con sólo tres parámetros (punto de corte, pendiente
para  xx y pendiente para  x2x2) puede describir un amplio rango de relaciones
funcionales yy ~ xx.
Veamos cómo se ajusta un modelo cuadrático de 3 parámetros (model3model3) y cómo se
compara con uno lineal de dos parámetros (model2model2).
model2 <- lm(amount~time)
model3 <- lm(amount~time+I(time^2))
model3
##
## Call:
## lm(formula = amount ~ time + I(time^2))
##
## Coefficients:
## (Intercept) time I(time^2)
## 106.3888 -7.3448 0.1506
summary(model3)
##
## Call:
## lm(formula = amount ~ time + I(time^2))
##
## Residuals:
## Min 1Q Median 3Q Max
## -22.302 -6.044 -1.603 4.224 20.581
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 106.38880 4.65627 22.849 < 2e-16 ***
## time -7.34485 0.71844 -10.223 5.90e-11 ***
## I(time^2) 0.15059 0.02314 6.507 4.73e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.205 on 28 degrees of freedom
## Multiple R-squared: 0.908, Adjusted R-squared: 0.9014
## F-statistic: 138.1 on 2 and 28 DF, p-value: 3.122e-15
AIC(model2,model3)
## df AIC
## model2 3 257.0016
## model3 4 230.4445
anova(model2,model3)
## Analysis of Variance Table
##
## Model 1: amount ~ time
## Model 2: amount ~ time + I(time^2)
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 29 5960.6
## 2 28 2372.6 1 3588.1 42.344 4.727e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Vemos que la pendiente para el término cuadrático (0.15059) es altamente significativa,

indicando la existencia de una fuerte curvatura en los datos. Por tanto el AICAIC y el test
de ANOVAANOVA indican una clara superioridad del modelo cuadrático sobre el lineal,
rechazándolo.
Finalmente comparemos los tres modelos en competición: lineal, cuadrático y exponencial
linearizado que hemos ajustado a los datos de decaimiento, para ver cuál de ellos es el mejor
de los que hemos evaluado hasta ahora:

model2 <- lm(amount~time)

model2.lin <- lm(log(amount)~time)

# nótese uso de I(): "as is"; permite pasar operadores aritméticos en

fórmulas
model3 <- lm(amount~time+I(time^2))
AIC(model2, model2.lin, model3)
## df AIC
## model2 3 257.00156
## model2.lin 3 14.29588
## model3 4 230.44447
#anova(model2, model2.lin, model3)

 Seleccionamos definitivamente el modelo exponencial

linearizado model2.linmodel2.lin.
 Usaremos éste para hacer predicciones.

1.5 AIC: Selección de modelos mediante el

criterio de información de Akaike
El criterio de información de Akaike es un estimador no sesgado del parámetro de contenido
de información de Kullback-Leibler, el cual es una medida de la información perdida al usar
un modelo para aproximar la realidad.
Por tanto, a menor valor de AIC mejor ajuste del modelo a los datos. Al penalizar por cada
parámetro adicional, considera tanto la bondad de ajuste como la varianza asociada a la
estima de los parámetros.
Hay que recordar que añadir parámetros a un modelo siempre contribuirá a explicar algo
más de la variación estocástica o no explicada. Por tanto, a mayor parametrización, mejor
ajuste. De hecho los modelos saturados, con un parámetro por cada dato puntual, presentan
un ajuste perfecto a los datos. El problema es que carecen de cualquier fuerza explicadora.
Por tanto hay que buscar siempre el balance óptimo entre el grado de parametrización
(ajuste) del modelo e incremento asociado en la varianza de las predicciones, resultado
de estimar más parámetros del mismo conjunto finito de datos. Tenemos que evaluar
críticamente el aporte que cada nuevo parámetro hace a la fuerza explicativa del modelo.
Muchos parámetros presentan alta colinearidad entre ellos, no aprotando fuerza explicativa al
modelo, pero sí inflando su error.
1.5.1 Fórmulas para cálculo del AICiAICi para
un modeloimodeloi
 El AICiAICi para un modeloimodeloi en particular se calcula así:

AICi=−2lnLi+2∗NiAICi=−2lnLi+2∗Ni

 Ni=no. de parámetros libres en el modeloiNi=no. de parámetros libres en el modelo
i
 Li=verosimilitud bajo el modeloiLi=verosimilitud bajo el modeloi

También se puede describir el AICAIC como:

AICi=devianciai+2∗NiAICi=devianciai+2∗Ni
Cuando la deviancia<2deviancia<2 entre un modelo0modelo0 y otro
alternativo modelo1modelo1 con un parámetro adicional, no se justifica la inclusión del mismo,
ya que infla más la varianza en la estima que lo que aporta en fuerza explicativa.

1.5.2 Estadísticos de diferencias en AIC** (δiδi) y

ponderaciones de Akaike
Se pueden usar los estadísticos de diferencias en AIC (δiδi) y ponderaciones de
Akaike para cuantificar el nivel de incertidumbre en la selección del modelo.
Las δiδi son AICsAICs re-escalados con respecto modelo con el AICAIC más bajo
(AICminAICmin), de modo que:
δi=AICi−AICminδi=AICi−AICmin
Las δiδi son fáciles de interpretar y permiten ordenar los modelos candidatos:

 rango de δiδi entre modelo AICminAICmin y competidores

 1-2 con respecto al modelo ganador tienen un soporte sustancial y deben de ser
considerados como modelos alternativos.
 3-7 con respecto al modelo ganador tienen un soporte significativamente inferior
 10+ carecen de soporte

1.6 Predicciones usando el modelo seleccionado

Una vez seleccionado el mejor modelo y habiéndolo ajustado a los datos, típicamente
querremos usarlo para hacer predicciones de la variable de respuesta a valores de nuestro
interés de la variable regresora. Existen dos tipos de predicciones, sujetas a niveles muy
diferentes de incertidumbre:

 Las interpolaciones son predicciones hechas dentro del rango de los datos usados

para construir el modelo
 Las extrapolaciones son predicciones hechas fuera de este rango y son mucho más
problemáticas, siendo la selección del modelo aún más crítica y difrentes modelos
frecuentemente generan predicciones dispares.
La fución genérica predict()predict() del paquete de base statsstats para hacer predicciones a
partir de los objetos obtenidos de aplicar diversas funciones de ajuste de modelos,
como lm()lm(), y que llamaremos genéricamente objeto.modeloobjeto.modelo.
La sintaxis básica es:

predict(objeto.modelo,...)predict(objeto.modelo,...)
Si lo llamamos así, sin argumentos opcionales, nos regresa los valores ajustados como vimos
en ejemplos anteriores.
Si queremos calcular los valores predichos por el modelo modelo para nuevos valores de la
variable predictora, le pasamos una lista o dataframe como argumento a newdata=newdata=.
predict(objeto.modelo,newdata=data.frame(varPredictora=c(x1,x2...)))predict(objeto.m
odelo,newdata=data.frame(varPredictora=c(x1,x2...))) Es importante notar que el nombre
de varPredictoravarPredictora debe ser el de la que hemos usado para construir el modelo
(timetime en el caso que nos ocupa)
Además de las estimas puntuales, podemos pedirle a predict()predict() que regrese también
el intervalo de confiaza del nivel deseado (level=.95level=.95 por defecto) para las
predicciones en las que estamos interesados, pasándole el valor “prediction” al
parámetro interval: interval="prediction"interval="prediction". Este intervalo de la
predicción es el rango de la distribución de la predicción.
predict(objeto.modelo,newdata=data.frame(varPredictora=c(x1,x2...)),interval="pred
iction",level=.99)predict(objeto.modelo,newdata=data.frame(varPredictora=c(x1,x2...)),inter
val="prediction",level=.99)
Esto quedará más claro con los ejemplos de código que se muestran seguidamente, para
estimar los valores de la variable de respuesta “amount”de radiación en función de valores de
la variable regresora “time” en los que estamos interesados.

1.6.1 Interpolaciones
# los valores de interés de la var. regresora se pasan como un vector con
el nombre de
# la variable regresora, almacenados en una lista o dataframe
# En este caso los valores de x están dentro del rango de las
observaciones usadas
# para construir el modelo: vamos a "interpolar"
preds <- data.frame(time=c(3, 12.5, 22.2, 29))

# La función predict() nos calcula los valores ajustados al modelo.

# Podemos pedirle que regrese sólo las predicciones puntuales, pero si
queremos
# también el intervalo de confiaza del 95% pasamos el valor "prediction"
al
# parámetro interval para obtenerlo.
prediction.interpol.pi <- predict(model2.lin, newdata=preds,
interval="prediction",
level=.95)
str(prediction.interpol.pi)
## num [1:4, 1:3] 4.34 3.69 3.03 2.56 3.73 ...
## - attr(*, "dimnames")=List of 2
## ..$ : chr [1:4] "1" "2" "3" "4"
## ..$ : chr [1:3] "fit" "lwr" "upr"
# Si cambiamos interval="confidence", obtendremos los intervalos de
confianza en torno a
# la media estimada de radiación (amount)
prediction.interpol.ci <- predict(model2.lin, newdata=preds,
interval="confidence",
level=.95)

# recordemos que en model2.lin, tomamos log(amount); de ahí el exp()

# noten como el calor del ci en torno a la media es más estrecho que el
ci
# para las predicciones de observaciones.
# Noten también cómo el rango para *.ci son mucho más estrechos que para
# las predicciones *.pi
exp(prediction.interpol.ci)
## fit lwr upr
## 1 76.84581 64.45778 91.61468
## 2 40.07612 35.93455 44.69503
## 3 20.61574 18.01475 23.59226
## 4 12.93661 10.64330 15.72406
exp(prediction.interpol.pi)
## fit lwr upr
## 1 76.84581 41.722272 141.53781
## 2 40.07612 22.104370 72.65965
## 3 20.61574 11.311133 37.57437
## 4 12.93661 6.982805 23.96686

1.6.2 extrapolaciones
# estos valores de la variable regersora time están fuera del rango de
las observaciones.
# por tanto estamos EXTRAPOLANDO:
preds <- data.frame(time=c(35, 50, 65, 95, 125))
prediction.extrapol.ci <- predict(model2.lin, newdata=preds,
interval="confidence",
level=.95)
prediction.extrapol.pi <- predict(model2.lin, newdata=preds,
interval="prediction",
level=.95)
exp(prediction.extrapol.ci)
## fit lwr upr
## 1 8.57534033 6.629701032 11.0919725
## 2 3.06781008 2.007038793 4.6892261
## 3 1.09750265 0.604375227 1.9929871
## 4 0.14046230 0.054567845 0.3615620
## 5 0.01797687 0.004917582 0.0657168
exp(prediction.extrapol.pi)
## fit lwr upr
## 1 8.57534033 4.526126493 16.24710709
## 2 3.06781008 1.489370114 6.31908658
## 3 1.09750265 0.475940138 2.53080579
## 4 0.14046230 0.046207508 0.42697951
## 5 0.01797687 0.004336027 0.07453083

1.7 Graficado de bandas e intervalos de

confianza
Para concluir este capítulo de introducción a la regresión, veamos cómo graficar los intervalos
de confianza asociados al modelo de regresión.
El siguiente código muestra como graficar los intervalos de confianza en torno a la media (ci) y
a las predicciones (pi).
Graficaremos tanto intervalos de ci como de pi entorno a dos puntos selectos,
como bandas de CIs y PIs en torno a las predicciones correspondientes para un rango de
valores de xx.
# I. Graficado de intervalos de credibilidad en torno a la media (ci) y a
las
# predicciones (pi) para para dos valors específicos de "time"
xvals <- data.frame(time=c(5, 25))

# Recuerden: hemos ajustado un modelo exponencial linearizado, por tanto

tenemos
# que tomar el antilogaritmo para regresar los valores de y estimados a
su
# escala original, para añadirlos sobre el gráfico de dispersión
mypred.ci <- exp(predict(model2.lin, newdata=xvals,
interval="confidence", level=.95))
mypred.pi <- exp(predict(model2.lin, newdata=xvals,
interval="prediction", level=.95))

# Generamos el gráfico de dispersión y añadimos la curva corresondiente

al ajuste
# exponencial negativo, dando un poco más de márgenes al rango de x e y
con xlim e ylim
plot(time, amount, pch = 21, col = "blue", bg = "green",
main = "fitted: amount = 94.38536 * exp(-0.068528 * time)",
xlim = c(-1, 31), ylim = c(-10, 190))
xv <- seq(0,30,0.25)
yv <- 94.38536 * exp(-0.068528 * xv)
lines(xv, yv, col="red")

# añadimos los puntos de la predicción y barras en negro y gris para los

cis y pis
points(xvals[,1],mypred.ci[,1],pch=8)
segments(x0=c(5,25), x1=c(5,25), y0=c(mypred.pi[1,2],mypred.pi[2,2]),
y1=c(mypred.pi[1,3],mypred.pi[2,3]),col="gray",lwd=3)
segments(x0=c(5,25), x1=c(5,25), y0=c(mypred.ci[1,2],mypred.ci[2,2]),
y1=c(mypred.ci[1,3],mypred.ci[2,3]),lwd=2)

# II Graficado de bandas de intervalo de confianza

# 1. con seq() generamos una secuencia de 10 valores equidistantes de x
entre 0 y 30
xseq <- data.frame(time=seq(0,30,length=100))

# 2 predecimos los valores puntuales, junto a los ci y pi asociados, para

# cada uno de los 100 valores de x almacenados en xseq
ci.band <-
exp(predict(model2.lin,newdata=xseq,interval="confidence",level=0.95))
pi.band <-
exp(predict(model2.lin,newdata=xseq,interval="prediction",level=0.95))

# 3. Añadimos líneas en el rango de x (0:30), para cada una de las 100

predicciones
# puntuales en este intervalo, almacenados en ci.band y pi.band
# También incluimos una leyenda con legend()
lines(xseq[,1],ci.band[,2],lty=2)
lines(xseq[,1],ci.band[,3],lty=2)
lines(xseq[,1],pi.band[,2],lty=2,col="gray")
lines(xseq[,1],pi.band[,3],lty=2,col="gray")
legend("topright",legend=c("Fit","95% CI","95% PI"),lty=c(1,2,2),
col=c("black","black","gray"),lwd=c(2,1,1))

 Tal y como ya habíamos diagnosticado, la varianza no es homogénea. Decrece

marcadamente con el incremento de xx, tal y como muestran las bandas de confiaza
del 95% en torno al ajuste y a las predicciones de las observaciones.
 Nótese también que los errores son asimétricos arriba y abajo de la estima.

Como nota final, hay que tener en cuenta que estos intervalos de predicción son
extremadamente sensibles a las desviaciones del supuesto de normalidad. Si hay claros
indicios de que la variable de respuesta no presenta una distribución normal, considera
usar técnicas no-paramétricas, robustas a dichas violaciones, com el bootstrapbootstrap.

2 Regresión lineal simple - ejercicios de

tarea
2.1 Datos
Usaremos el set de datos states.x77states.x77 del paquete base datasetsdatasets que R
carga por defecto, el cual ya conocemos del tema 8: correlación.
2.2 Objetivo
Estudiaremos el efecto de las variables regresoras o
predictoras "Population""Population" e "Illiteracy""Illiteracy" sobre la variable de
respuesta "Murder""Murder"
Deben de:

1. Genera gráficos de dispersión para los pares de variables Murder ~ Population,

Murder ~ Illiteracy del dataframe states.x77states.x77
2. Cálcula los coeficientes de correlación para las asociaciones entre Murder ~
Population, Murder ~ Illiteracy
3. Cálcula y representa gráficamente sobre los gráficos de dispersión correspondientes,
las rectas de mínimos cuadrados para Murder ~ Population, Murder ~ Illiteracy
4. Evalúa gráficamente los supuestos del modelo lineal y comentalos brevemente
5. Evalúa si los modelos lineales son los más adecuados en ambos casos mediante el
ajsute de una función cuadrática
6. Estima las tasas de homicidio para niveles de Illiteracy de 0.25, 1.2, 2.1, 3.0, 4.0; ¿Con
qué valores estamos inerpolando y con cuales extrapolando?

Los resultados los deben de subir al sitio moodlesitio moodle como un solo

archivo htmlhtml generado con RStudioRStudio.

3 Bibliografía selecta
3.1 Libros
3.1.1 R y estadística
 Andy Field, Discovering statistics using R (A. P. Field, Miles, and Field 2012)
 Michael J. Crawley, Statistics - An introduction using R (Crawley 2015)
 Tilman M. Davies - The book of R - a first course in programming and statistics (Davies
2016)

3.1.2 R - aprendiendo el lenguaje base

 Michael J. Crawley, The R book, 2nd edition (Crawley 2012)
 Paul Teetor, The R cookbook (Teetor and Loukides 2011)
 Richard Cotton, Learning R (Cotton 2013)
 Paul Murrell, R graphics (Murrell 2009)

3.1.3 R - manipulación, limpieza y visualización

avanzada de datos con tidyr, dplyr y ggplot2
  Bradley C Boehmke, Data wrangling with R (Boehmke 2016)
 Hadley Wickham, ggplot2 - elegant graphics for data analysis (Wickham 2016)

3.1.4 R - aplicaciones en análisis de datos usando

multiples paquetes
 Robert Kabacoff, R in action (Kabacoff 2015)
 Jared Lander, R for everyone (Lander 2014)

3.1.5 R - programación
 Garrett Grolemund, Hands on programming with R (Grolemund 2014)
 Norman Matloff, The art of R programming (Matloff 2011)

3.1.6 Investigación reproducible con R y RStudio

 Christopher Gandrud, Reproducible research with R and RStudio (Gandrud 2015)

4 Funciones y paquetes de R usados

para este documento
4.1 Análisis de regresión
4.1.1 Funciones de paquetes base (R Core Team 2016)
 abline()
 AIC()
 anova()
 arrows()
 cat()
 class()
 coef()
 colnames()
 cor()
 curve()
 data.frame()
 exp()
 lm()
 head()
 I()
 legend()
 length()
  library()

 mean()
 lines()
 log()
 numeric()
 par()
 pairs()
 plot()
 points()
 predict()
 segments()
 seq()
 sqrt()
 str()
 subset()
 sum()
 summary()
 summary.aov()
 tail()
 which()

4.1.2 Datos del paquetes base

 datasets [R-datasets]

4.1.3 Paquetes especializados
 car (Fox and Weisberg 2016)

4.2 Paquetes y software para investigación

reproducible y generación de documentos en
múltiples formatos
 knitr (Xie 2016)
 pandoc (MacFerlane 2016)
 rmarkdown (Allaire et al. 2016)
 xtable (Dahl 2016)

5 Recursos en línea
5.1 The comprehensive R archive network
(CRAN)
 CRAN

5.2 Cursos
 RStudio - online learning
 datacamp - learning R
 swirl - learn R, in R

5.3 Consulta
 R cookbook
 QuickR
 downloadable books o R and stats
 Use R!
 Official CRAN documentation
 [r], stackoverflow

5.4 Manipulación y graficado de datos con

paquetes especializados
 plotly and gglplot2 user guide
 Data wrangling with R and RStudio
 Data wrangling with R and RStudio - cheatsheet
 Data wrangling with R and RStudio - webinar
 Bradley C Boehmke - Data wrangling with R

Referencias
Allaire, JJ, Joe Cheng, Yihui Xie, Jonathan McPherson, Winston Chang, Jeff Allen, Hadley
Wickham, Aron Atkins, and Rob Hyndman. 2016. Rmarkdown: Dynamic Documents for
R. https://CRAN.R-project.org/package=rmarkdown.
Boehmke, Bradley. 2016. Data Wrangling with R. 1st ed.
Springer. http://www.springer.com/la/book/9783319455983.
Cotton, Richard. 2013. Learning R. 1st ed. O’Reilly.
Crawley, Michael J. 2012. The R book. 2nd ed. Wiley.
———. 2015. Statistics : an introduction using R. 2nd ed. Wiley.
Dahl, David B. 2016. Xtable: Export Tables to Latex or Html. https://CRAN.R-
project.org/package=xtable.
Davies, Tilman M. 2016. The book of R - a first course in programming and statistics. 1st ed.
No Starch Press.
Field, Andy P., Jeremy Miles, and Zoe. Field. 2012. Discovering statistics using R. 1st ed.
London: Sage.
Fox, John, and Sanford Weisberg. 2016. Car: Companion to Applied
Regression. https://CRAN.R-project.org/package=car.
Gandrud, Christopher. 2015. Reproducible research with R and RStudio. 2nd ed. Chapman &
Hall. https://github.com/christophergandrud/Rep-Res-Book.
Grolemund, Garrett. 2014. Hands-on programming with R. O’Reilly.
Kabacoff, Robert. 2015. R in action : data analysis and graphics with R. 2nd ed.
Manning. https://github.com/kabacoff/RiA2 http://www.statmethods.net/.
Lander, Jared P. 2014. R for everyone : advanced analytics and graphics. New York, N.Y.:
Addison-Wesley.
MacFerlane, John. 2016. “Pandoc - a universal document converter.” http://pandoc.org/.
Matloff, Norman S. 2011. The art of R programming : tour of statistical software design. No
Starch Press. http://heather.cs.ucdavis.edu/{~}matloff/132/NSPpart.pdf.
Murrell, Paul. 2009. “R Graphics.” In Wiley Interdisciplinary Reviews: Computational Statistics,
1:216–20. doi:10.1002/wics.22.
R Core Team. 2016. R: A Language and Environment for Statistical Computing. Vienna,
Austria: R Foundation for Statistical Computing. https://www.R-project.org/.
RStudio Team. 2016. RStudio: Integrated Development Environment for R. Boston, MA:
RStudio, Inc. http://www.rstudio.com/.
Teetor, Paul, and Michael Kosta. Loukides. 2011. R cookbook. O’Reilly. http://www.cookbook-
r.com/.
Wickham, Hadley. 2016. Ggplot2. 2nd ed. Use R! Cham: Springer International Publishing.
doi:10.1007/978-3-319-24277-4.
Xie, Yihui. 2016. Knitr: A General-Purpose