mlg
DESCRIPTION
MLGTRANSCRIPT
1 MLG: VARIABLE RESPUESTA EN ESCALA BINARIA
Se puede explicar en los siguiente pasos:
A. La distribución binomial
Sea la variable binaria
fracasorpta
éxitorptaZ
0
1
)1(ZP
1)0(ZP
Sean ,,, 21 nZZZ v.a. independientes:
jjZP )1(
jjZP 1)0(
La probabilidad conjunta, que es miembro de la familia exponencial es:
n
j
j
j
jn
j
j
n
i
Z
j
Z
j zjj
111
11log
1logexp1
Sean todas las probabilidades de éxito iguales, i.e.: j
El número de éxitos con n ensayos ),( nBin :
n
j
jZY1
yny
y
nyYP
1)(
ny ,,1,0
Si ,,, 21 NYYY con ~,iY ),( iinBin número de éxitos en N subgrupos o estratos
Con función de verosimilitud:
i
i
ii
i
iN
i
iNNy
nnyyyyl log1log
1log),,,;,,(
1
2121
Data: Frecuencias observadas ( N distribuciones binomiales)
subgrupos
1 2
N
Éxito 1y
2y
Ny
Fracaso 11 yn
22 yn
NN yn
TOTALES 1n
2n
Nn
B. El modelo
Meta: describir la proporción de éxito en cada subgrupo o estrato
En cada subgrupo o estrato i
ii
n
YP
En función de:
(i) variables explicativas o
(ii) niveles de factores.
Como
iii nYE )( i
i
i
n
YE )( iiPE )(
Modelamiento de i
βXT
iig )(
iX vector de variables explicativas (continuas, dummy o niveles de factor)
β vector de parámetros
(.)g función link
B1. Modelo Lineal
βXTg )(
Como es una probabilidad: 1,0
Pero, βXT
podría tomar valores 1,0 (no se cumpliría βXT )
Solución: Restringir a 1,0 modelando
x
dssf )( ; 0)( sf ; 1)(
dssf
)(sf “distribución de tolerancia” (f.d.p.)
Ejemplo: Modelo de dose-respuesta (Modelo Lineal)
Se registraron proporciones o porcentajes de éxito de “fallecidos” en animales experimentales al aplicárseles
diversas dosis de una sustancia tóxica “respuesta quantal”.
Meta.- describir la probabilidad de éxito como una función de las dosis ix
xg 21)(
Si la distribución de tolerancia es uniforme (“distribución de tolerancia uniforme”)
..0
1
)( 21
12
co
cscccsf
12
1
1
)(cc
cxdssf
t
c
21 csc
12
1
1212
1
12
1
cc
cx
cccc
c
cc
x
12
11
cc
c y
12
2
1
cc
x21
En otras palabras, equivale a utilizar la función βXTxg 21)( e imponiendo condiciones a
x y a los parámetros como 21 csc .
Debido a esas condiciones y otras posibles, los métodos estándar para estimar los parámetros en MLG no
pueden aplicarse directamente. Este modelo no es muy utilizado.
B2. Modelo Probit
βXTg )()( 1
Imponiendo que la función tolerancia es
xds
sdssf
xx2
2
1exp
2
1)(
función de probabilidad acumulada de la normal estándar
Aplicando xxx
g T
1)()( 11
βX
0 y
11
xT 11 )( βX
Observación: los modelos Probit son utilizados en varias áreas de las ciencias biológicas y sociales.
Interpretación del modelo: x es llamada la “dosis letal mediana” LD(50) porque corresponde a la dosis
que se espera mate a la mitad de animales.
B3. Modelo Logit o Logístico
βXTg
1log)(
La distribución de tolerancia en este caso es: )exp(1
)exp()(
10
101
s
ssf
y
)exp(1
)exp(
)exp(1
)exp()(
10
101
10
101
x
xds
s
sdssf
xx
xoggitlo T
101
1)(
βX
función logit
B4. Modelo Log-log-complementar
βXTg 1loglog)(
)exp()(exp)( 10101 sssf “distribución valor extremo”
xx
dsssdssf )exp()(exp)( 10101
)exp(exp1 10 x
xT
10)1log(log βX
función link
Nota.- el modelo log-log complementar es similar a los modelos logístico y probit para valores de pi cercanos a
0.5 pero difiere de ellos para pi cercano a 1.
Ejemplo: 7.3.1
Lista de algunas funciones link,