Modelos lineales generalizados y aditivos generalizados

Abstract

Este trabajo describe una serie de técnicas para el estudio de modelos estadísticos que no satisfacen las hipótesis del modelo lineal normal. El modelo lineal generalizado (MLG) nos permite estimar y contrastar hipótesis en modelos cuya variable respuesta tiene distribución de probabilidad perteneciente a la familia exponencial de distribuciones. La esperanza de dicha variable respuesta está ligada a un predictor lineal, función matricial del parámetro del modelo, mediante una función de enlace que satisface unas condiciones de regularidad adecuadas. El modelo aditivo generalizado da flexibilidad al MLG incluyendo técnicas de regresión no paramétrica.

This essay describes an array of techniques to understand statistical models asside of normal linear model hypotheses. Generalized linear model (GLM) allows to estimate and test hypothesis in models whose response variable follows some exponential family distribution. Expectation in responses are linked to a linear predictor, a matrix transformation of the model parameter, via some link function satisfaying enough regularity contions. Generalized additive model gives flexibility to GLM adding nonparametric regression techniques.