Atoche Calzada Pablo TFG PDF

FACULTAD DE MATEMÁTICAS
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA
Trabajo Fin de Grado:
MODELOS DE REGRESIÓN CON DATOS DE

CONTEO. APLICACIÓN A COMPETICIONES
DEPORTIVAS
Pablo Atoche Calzada
Grado en Matemáticas
Junio 2017
Dirigido por:
Joaquı́n Garcı́a de las Heras
José Luis Pino Mejı́as
2
Índice general
Página
Resumen 5
Abstract 7
Introducción 9
1. Modelo Lineal Generalizado 11

1.1. Conceptos previos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2. Componentes del MLG . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.1. Componente aleatoria . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.2. Componente sistemática . . . . . . . . . . . . . . . . . . . . . . 16
1.2.3. Función enlace . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3. Inferencia en el modelo lineal generalizado . . . . . . . . . . . . . . . . 18
1.4. Adecuación e interpretación de los modelos . . . . . . . . . . . . . . . . 22
1.4.1. Bondad de ajuste . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.4.2. Residuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.4.3. Interpretación del modelo . . . . . . . . . . . . . . . . . . . . . 27
1.5. Modelos lineales mixtos generalizados . . . . . . . . . . . . . . . . . . . 27
2. Datos y variables de conteo 29

2.1. Datos de conteo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2. Modelos para datos de conteo . . . . . . . . . . . . . . . . . . . . . . . 31
3. Modelo de Regresión de Poisson 33

3.1. Problema de la infradispersión y sobredispersión . . . . . . . . . . . . . 36
4. Modelo de Regresión Binomial Negativa 39

4.1. Derivación del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.1.1. Derivación del modelo a partir del modelo de Poisson compuesto
con Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.1.2. Derivación del modelo como modelo lineal generalizado . . . . . 41
3
4 ÍNDICE GENERAL
5. Otros Modelos de Regresión para datos de conteo 45

5.1. PIG, PG y BN-P . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6. Problemas con el valor 0 49

6.1. Modelos truncados por ceros . . . . . . . . . . . . . . . . . . . . . . . . 49
6.2. Modelos con excesos de ceros . . . . . . . . . . . . . . . . . . . . . . . 51
6.2.1. Modelos inflados con ceros . . . . . . . . . . . . . . . . . . . . . 53
6.2.2. Modelos en dos partes . . . . . . . . . . . . . . . . . . . . . . . 53
7. Aplicación a competiciones deportivas 55

7.1. Estadı́sticas en el Deporte . . . . . . . . . . . . . . . . . . . . . . . . . 55
7.2. Aplicación a una base de datos deportiva . . . . . . . . . . . . . . . . . 56
7.2.1. Descripción de los datos . . . . . . . . . . . . . . . . . . . . . . 56
7.2.2. Aplicación del modelo de regresión de Poisson . . . . . . . . . . 60
7.2.3. Aplicación del modelo de regresión Binomial Negativa . . . . . . 63
7.2.4. Modelo inflado con ceros y modelo en dos partes BN . . . . . . 68
7.2.5. Valores pronosticados . . . . . . . . . . . . . . . . . . . . . . . . 71
Bibliografı́a 75
Resumen
Este trabajo se centrará en el estudio de los modelos de regresión para datos de

conteo, incluidos dentro de la familia de modelos lineales generalizados. Por esta razón,
primero se estudiará el modelo lineal generalizado (componentes del modelo, inferencia
estadı́stica sobre el MLG, adecuación e interpretación). A continuación, se explicarán
y estudiarán diferentes modelos de regresión para estos tipos de datos, como el modelo
de regresión de Poisson o el modelo de regresión Binomial Negativa, además de otros
modelos menos usuales como el modelo de regresión Poisson Inversa Gaussiana o el
modelo de regresión Poisson Generalizado. También se estudiarán los dos problemas
fundamentales que se dan en estos modelos: la sobredispersión e infradispersión de los
datos y las modificaciones producidas por los ceros. Finalmente, se verá la aplicabilidad
de estos modelos en competiciones deportivas, a partir datos reales usando el software
estadı́stico R.
6 ÍNDICE GENERAL
Abstract
This work will focus on the study of regression models for counting data, included
within the family of generalized linear models. For this reason, we will first study the
generalized linear model (components of the model, statistical inference about MLG,
adequacy and interpretation). We will then explain and study different regression mo-
dels for these types of data, such as the Poisson regression model or the Negative
Binomial regression model in addition to other less usual models such as the Poisson
Inverse Gaussian regression model or the regression model Generalized Poisson. We
will also study the two fundamental problems that happen in these models: overdisper-
sion and underdispersion of data and modifications produced by zeros. Finally, we will
see the applicability of these models in sports competitions, from real data using the
statistical software R.
8 ÍNDICE GENERAL
Introducción
El presente trabajo se ha estructurado en siete capı́tulos. En el primero, se realiza

una introducción al concepto de modelo matemático y en concreto del modelo estadı́sti-
co. A continuación, se recogen diferentes resultados sobre el modelo lineal generalizado
(MLG) ya que los modelos de conteo se pueden abordar como un caso particular del
mismo. Se definen las tres componentes del modelo lineal generalizado: componente
aleatoria, componente sistemática y la función enlace. Se obtienen los estimadores de
los parámetros desconocidos y se evalúa la adecuación del modelo mediante diferentes
medidas de bondad de ajuste y el estudio de los residuos. A continuación, se estudia la
importancia de la interpretación del modelo y se finaliza con una breve explicación de
los modelos lineales mixtos generalizados.
En el siguiente capı́tulo, se define que son los datos de conteo o recuento y las
variables de conteo. Se dan ejemplos de diversos tipos con orı́genes muy diferentes
demostrando ası́ su gran utilidad y aplicabilidad. Seguidamente, se expone que son los
modelos para datos de conteo y se citan y comparan los modelos que posteriormente se
estudiarán.
En el capı́tulo tres se estudia el modelo de regresión de Poisson, modelo base para

modelizar datos de conteo, aún ası́, el requisito de igualdad de media y varianza (equi-
dispersión) dificulta su aplicabilidad, ya que en numerosas ocasiones los datos presentan
mayor varianza que media (datos sobredispersos). Esto motiva el uso de modelos que
se adapten mejor a este tipo de datos.
El modelo de regresión Binomial Negativa es el mejor candidato para estudiar datos

de conteo con sobredispersión. En el cuarto capı́tulo se estudia este modelo y se ve que
se puede derivar de un modelo de regresión de Poisson compuesto con una distribución
Gamma, aunque también se puede pensar como un miembro de la familia de modelos
lineales generalizados y por lo tanto aplicar los test de bondad de ajuste, análisis de
residuos y cualquier otro estudio de los desarrollados en el primer capı́tulo.
En el capı́tulo cinco se estudian otros modelos para datos de conteo que son menos
usuales, pero se adaptan mejor a algunos tipos de datos de conteo que los anteriormente
estudiados. Entre ellos está el modelo Poisson Inversa Gaussiana, que se trata de un
modelo mixto y se utiliza para datos de recuento con un pico inicial muy alto y que
9
10 ÍNDICE GENERAL
pueden estar sesgados extremadamente a la derecha. Otro modelo que se estudia es el

modelo Poisson Generalizado que se suele usar para datos con infradispersión (varianza
menor que la media).
Al trabajar con datos de conteo suelen darse problemas con el valor cero. En el sexto
capı́tulo se estudian los modelos truncados por ceros (aquellos en los que la variable
no puede tomar el valor 0) y los modelos con excesos de ceros. En esta segunda parte
se estudia la diferencia entre los falsos ceros y los auténticos. Se exponen los modelos
inflados y los modelos en dos partes como modelos que se adaptan al exceso de ceros
pero siguiendo diferentes estrategias.
En el último capı́tulo, para ver la aplicabilidad real de la estadı́stica a las com-

peticiones deportivas se menciona el sistema AMISCO usado en la actualidad. Y, a
continuación, se realiza una aplicación sobre datos de conteo en competiciones deporti-
vas usando el software R.
Finalmente, se recoge una revisión bibliográfica con aquellos libros, trabajos, artı́cu-
los, etc., usados para la realización de este trabajo.
Capı́tulo 1
Modelo Lineal Generalizado
1.1. Conceptos previos

¿Qué se entiende por un modelo? En las diferentes áreas del conocimiento al realizar-
se un estudio, el investigador (quı́mico, economista, sociólogo,...) parte de la observación
del fenómeno real bajo estudio y desarrolla un sistema o teorı́a matemática. A través
de éste obtiene un modelo abstracto de la realidad que le permite reconstruir el meca-
nismo interno que se da en el fenómeno real. Por lo tanto, un modelo es un proceso de
abstracción desde la realidad al sistema matemático con el objetivo de facilitar la com-
prensión del suceso que se está estudiando. Esta idea se puede reflejar en el siguiente
diagrama:
En estos sistemas (cientı́ficos, socioeconómicos, biosanitarios,...) el fenómeno real

bajo estudio presenta incertidumbre (aleatoriedad), por lo que el modelo resultante del
proceso de abstracción debe ser un modelo estadı́stico. Muchos autores entre los que
destacan R.A.Fisher, J.Neyman y D.R.Cox han tratado el problema de la modelización
estadı́stica, es decir, representar la realidad y su variabilidad a través de un modelo
matemático que permita el estudio, el análisis y la comprensión de la misma con el
objetivo de transformarla, predecir su futuro, o simplemente conocerla.
11
12 CAPÍTULO 1. MODELO LINEAL GENERALIZADO
Figura 1.1: Ronald Aylmer Fisher (1890-1962), matemático-bioestadı́stico cuyas

aportaciones son fundamentales en el desarrollo de los modelos estadı́sticos.
El objetivo de la modelización estadı́stica es por tanto, a través de la observación o

experimentación, explicar el comportamiento de una o más variables en los individuos
de una población en base a la diferencia entre las caracterı́sticas asociadas a estos
individuos (otras variables).
La variable, univariante o multivariante que se desea explicar se conoce como va-

riable objetivo o variable respuesta, mientras que las variables en las que se basan la
explicación se denominan variables explicativas.
Por lo tanto se busca un modelo que describa la estructura de la relación entre

las variables o variable objetivo y las variables explicativas. Para el planteamiento de
este modelo es muy importante distinguir entre el tipo de variable que intervienen
(continuas, cualitativas, de conteo,...) y en la clase de relaciones funcionales que se
admiten para analizar la relación entre la variable objetivo y las variables explicativas.
Según la naturaleza de las variables que intervengan y la relación entre ellas se dispondrá
de un conjunto de posibles modelos más o menos eficaces, capaces de explicar la realidad.
La construcción del modelo se realiza atendiendo a las siguientes etapas:

1. Especificación del modelo teórico, determminando que variables son de in-
terés, ası́ como cuáles son las relaciones entre ellas. Que el modelo describa de la
forma más simple posible, o bien que la concordancia entre el modelo y los datos
sea lo más completa posible.
2. Estimación de parámetros, calculando el valor de los coeficientes del modelo
examinado a partir del conjunto de datos observados, con el objetivo de ver si
1.1. CONCEPTOS PREVIOS 13
el modelo teórico propuesto es aceptable como representación aproximada de los

datos.
3. Selección del modelo, valorando si el nivel de discrepancia entre entre los datos
observados y los datos ajustados es suficientemente bajo como para optar por el
modelo, o en caso contrario rechazarlo y buscar otro.
4. Evaluación del modelo, examinando las observaciones individuales, los datos

influyentes y los datos anómalos, ası́ como comprobando todos los supuestos que
caractericen el modelo
5. Interpretación del modelo, comprendiendo sus implicaciones con respecto a

la variable respuesta.
Generalmente el modelo más utilizado es el tipo lineal, es decir, se modeliza la rela-

ción tratando de expresar las variables o variable objetivo a través de una combinación
lineal de las variables explicativas.
Los modelos que tienen especial interés y que pueden formalizarse a través de la
modelización lineal son los siguientes:
Modelos para variables de respuesta continuas, permiten estudiar y analizar

el comportamiento de variables contı́nuas, cuantitativas (ganancias, tiempo de
vida, desintegración radiactiva,...) frente a los valores del conjunto de variables
explicativas.
Modelos para respuestas binarias o binomiales, permiten considerar va-

riables objetivos del tipo 0-1 (éxito/fracaso), muy útiles en medicina, análisis de
riesgos, etc.
Modelos para datos de conteo, los cuales se tratarán posteriormente, per-

miten considerar y analizar el comportamiento de variables de conteo (número
de accidentes, individuos de una especie,...) frente a los valores del conjunto de
variables explicativas.
La primera forma de regresión lineal documentada fue el método de los mı́nimos

cuadrados que fue publicada por Legendre en 1805, Gauss publicó un trabajo en donde
desarrollaba de manera más profunda este método, en donde además se incluı́a una
versión del teorema de Gauss-Márkov. El término regresión se utilizó por primera vez
en el estudio de variables antropométricas al comparar la estatura de padres e hijos,
donde resultó que los hijos cuyos padres tenı́an una estatura muy superior al valor
medio, tendı́an a igualarse a éste, mientras que aquellos cuyos padres eran muy bajos
tendı́an a reducir su diferencia respecto a la estatura media; es decir, regresaban al
promedio.
El modelo lineal clásico consiste en expresar la esperanza condicionada de la

variable objetivo Y como combinación lineal de las variables explicativas X:
E[Y |X = xi ] = µi = zit β
yi = zit β + εi
donde zi es un vector de diseño, es decir, una función apropiada de las variables ex-
plicativas, β es un vector de parámetros desconocidos y εi ≈ N (0, σ 2 ) independientes.
Por lo tanto el modelo lineal clásico consiste en expresar la esperanza condicionada

de la variable objetivo como combinación lineal de las variables explicativas bajo la su-
posición de normalidad y homocedasticidad. Esta modelización lineal clásica se puede
extender a una familia mas general [Nelder y Wedderburn, 1972] y ampliada por [Mc-
Cullagh y Nelder, 1989] conocida como modelos lineales generalizados (MLG).
Esta familia permite unificar los modelos con variables de respuestas categóricas co-
mo numéricas, y considera otras distribuciones, no únicamente la distribución normal.
Además supone que la esperanza µi está relacionada con las variables explicativas a
través de una función enlace.
Se considera el supuesto de independencia para las observaciones, sin embargo, para

esta nueva familia a diferencia del modelo clásico, la distribución puede ser hetero-
cedástica, es decir no se requiere un supuesto de homogeneidad de varianzas.
En un MLG, la media µ de la distribución de la variable objetivo depende de las

variables independientes X, a través de la fórmula:
E(Y ) = µ = g −1 (X t β)
donde E(Y ) es el valor esperado de Y , (X t β) es el predictor lineal (combinación lineal

de parámetros desconocidos), g es la función enlace (función link o vı́nculo).
1.2. Componentes del MLG

Un modelo lineal generalizado tiene tres componentes básicas: componente alea-
toria (identifica la variable respuesta cuya distribución pertenece a la familia expo-
nencial), componente sistemática (especifica las variables explicativas utilizadas en
la función predictor lineal), función enlace (es una función del valor esperado de la
variable objetivo como una combinación lineal de las variables explicativas)
1.2. COMPONENTES DEL MLG 15
1.2.1. Componente aleatoria

En un MLG, se asume que la función de distribución de la variable dependiente
(variable objetivo) Y pertenece a la familia exponencial.
La distribución de una variable objetivo, caracterizada por los parámetros θ y φ

pertene a la familia exponencial si presenta la forma:

yθ − b(θ)
f (y; θ, φ) = exp + c(y, φ)
a(φ)
donde f es la función de probabilidad en el caso de que Y sea discreta, o la función
de densidad en el caso de que sea continua, θ es el parámetro canónico o natural, φ
es el parámetro de escala o dispersión y a(φ), b(θ) y c(y, φ) son funciones especı́ficas
de cada elemento de la familia. La función a(φ) se suele escribir como φ/w, donde w es
una ponderación para cada observación.
Esta formulación confiere a las distribuciones de esta familia una serie de propieda-
des algebraicas y estadı́sticas muy ricas. Algunos miembros de la familia exponencial
son las distribuciones normal, exponencial, gamma, beta, Bernoulli, binomial, Poisson,
binomial negativa o geométrica. Sin embargo, las distribuciones uniforme y de Cauchy
no forman parte de esta familia.
Para cualquier distribución de esta familia se verifica que:

∂b(θ)
E(Y ) = µ = b0 (θ) =
∂θ
∂ 2 b(θ)
V ar(Y ) = σ 2 = a(φ) = a(φ)V (µ)
∂θ2
Donde V (µ) se denomina función de varianza. Esta función caracteriza la relación
entre E(y) y V ar(y).
En la siguiente tabla se resumen los elementos principales que caracterizan a algunas

de las distribuciones más utilizadas de la familia exponencial:
Distribuciones Rango θ a(φ) b(θ) V (µ)

θ
Bernoulli:B(p) {0, 1} ln(p/(1 − p)) 1 ln(1 + e ) p(1 − p)
Binomial:B(n, p) [0, n] ln(p/(1 − p)) 1 nln(1 + eθ ) np(1 − p)
2
Normal:N (µ, σ ) (−∞, ∞) µ σ2 θ2 /2 1
Gamma:G(µ, v) (0, ∞) −1/µ 1/v -ln(-θ) µ2
Poisson:P (µ) Ent[0, ∞) ln(µ) 1 eθ µ
θ r(1−p)
Binom.Negativa:BN (p, r) Ent[0, ∞) ln(1-p) 1 -r(ln(1-e )) p2
1.2.2. Componente sistemática

La componente sistemática también se denomina predictor lineal y se denota η,
recoge la variabilidad de Y expresada a través de las p variables explicativas X1 , ..., Xp
junto con sus correspondientes parámetros β = (β0 β1 ... βp )0
η = X 0β
donde X 0 = (1 X1 ... Xp )
1.2.3. Función enlace

Como se ha visto, en el modelo de regresión lineal se expresa el valor esperado de
la variable objetivo como una combinación lineal de las variables explicativas, pero en
la mayorı́a de los casos, en experimentos reales, esta relación no es adecuada, por lo
que es necesario incluir una función que relacione el valor esperado con las variables
explicativas. Esta función se denomina función enlace o vı́nculo y se denota por
g(µi ).
La función enlace que transforma el valor esperado en el predictor lineal es:
g(µi ) = ηi = Xit β
donde Xit = (1 Xi1 ... Xip ) representa las p variables explicativas para el i-ésimo indivi-
duo con i = 1, ..., n, donde n es el tamaño de la muestra (número de individuos).
La función inversa de la función enlace se denota como h, de modo que se verifica:
µi = g −1 (ηi ) = h(ηi ) = h(Xit β)
La elección de la función enlace no es simpre evidente, pueden existir varias funciones

enlaces aplicables a un problema particular de regresión, luego hay que decidir cuál es
la más apropiada en cada caso. Por lo tanto es muy importante la elección de una buena
función enlace que facilite la interpretación del modelo óptimo obtenido.
Para cada elemento de la familia exponencial existe una función enlace denominada
función enlace canónica o natural, que consisten en relacionar el parámetro natural
directamente con el predictor lineal:
θi = θ(µi ) = ηi = Xi0 β g(µi ) = θ(µi )
Ası́, para las siguientes distribuciones se tiene la función enlace canónica correspon-
diente:
Bernoulli:
µi
g(µi ) = θ(µi ) = ln( ) = Xit β = ηi
1 − µi
1.2. COMPONENTES DEL MLG 17
Binomial:
µi
g(µi ) = θ(µi ) = ln( ) = Xit β = ηi
1 − µi
Normal:
g(µi ) = θ(µi ) = µi = Xit β = ηi
Gamma:
1
g(µi ) = θ(µi ) = − = Xit β = ηi
µi
Poisson:
g(µi ) = θ(µi ) = ln(µi ) = Xit β = ηi
Binomial Negativa:

αµi
g(µi ) = θ(µi ) = ln = Xit β = ηi
1 + αµi
donde α = 1/r
Podemos por lo tanto definir también h = g −1 en función del predictor lineal ηi para
cada distribución:
Bernoulli:
eηi
h(Xit β) = g −1 (ηi ) = θ−1 (ηi ) =
1 + eηi
Binomial:
eηi
h(Xit β) = g −1 (ηi ) = θ−1 (ηi ) =
1 + eηi
Normal:
h(Xit β) = g −1 (ηi ) = θ−1 (ηi ) = ηi
Gamma:
1
h(Xit β) = g −1 (ηi ) = θ−1 (ηi ) = −
ηi
Poisson:
h(Xit β) = g −1 (ηi ) = θ−1 (ηi ) = eηi
Binomial Negativa:
1
h(Xit β) = g −1 (ηi ) = θ−1 (ηi ) =
α(e−ηi − 1)
donde α = 1/r
1.3. Inferencia en el modelo lineal generalizado

Una vez elegido el modelo o modelos, se estima para cada uno de ellos el valor
de los parámetros del predictor lineal y a continuación se valora la precisión de esas
estimaciones a través del cálculo de la discrepancia entre pares de modelos, con el
objetivo de seleccionar el mejor.
Dos de los métodos más estudiados y comunes de la estimación paramétrica son el

método de Mı́nimos Cuadrados y el método de Máxima Verosimilitud, el cuál es
el más adecuado pues tiene las propiedades de consistencia y eficiencia asintótica.
Para poder realizar un estudio se necesita disponer de una muestra aleatoria

Y = y1 , ..., yn junto con sus correspondientes variables explicativas x1 , ..., xi , ..., xn (xi
es un vector de dimensión p, es decir, del número de variables explicativas que se estén
estudiando para los n individuos). Este método trata de maximizar la verosimilitud
para obtener un estimador del vector de parámetros desconocidos β = (β0 β1 ... βp )0 en
el modelo muestral:
E[Y /Xi = xi ] = µi = h(x0i β) i = 1, ..., n
Supuesto que el parámetro de escala φ es conocido, y dado que aparece como factor
en la función de verosimilitud, se puede considerar φ = 1, sin pérdida de generali-
dad. Posteriormente se puede obtener un estimador de φ a través del método de los
momentos.
Asumiendo que Y pertenece a la familia exponencial, la función de verosimilitud

viene dada por:
n
Y
L(θ; y) = f (y; θ) = f (yi ; θ)
i=1
donde y = (y1 ... yn )0
Por lo tanto la función log-verosimilitud viene dada por:

n n
X X yi θi − b(θi )
l(θ, φ, y) = li (θ, φ, yi ) = + c(yi , φ)
i=1 i=1
a(φ)
Se omite la función c(yi , φ) que no depende de θi y se inserta la relación θi = θ(µi )

entre el parámetro natural y la esperanza de la i-ésima observación, obteniéndose la
función: n n
X X yi θi (µi ) − b(θi (µi ))
l(µi , φ, y) = li (µi , φ, yi ) =
i=1 i=1
a(φ)
1.3. INFERENCIA EN EL MODELO LINEAL GENERALIZADO 19
Debido a la relación entre la esperanza y la inversa de la función enlace (h) aplicada

al predictor lineal, se tiene que µi = h(x0i β), por lo tanto:
n n
yi θi (h(x0i β)) − b(θi (h(x0i β)))
X X
l(β, φ, y) = li (β, φ, yi ) =
i=1 i=1
a(φ)
La primera derivada respecto a β de la función log-verosimilitud es la llamada fun-

ción marcador o función score:
n
∂l X
s(β) = = si (β)
∂β i=1
Las contribuciones individuales a la función marcador, es decir, la expresión de cada

uno de los sumandos es:
(−2)
si (β) = xi Di (β)σi (β)[yi − µi (β)]
donde

 µi (β) = h(x0i β)
 −2

σi (β) = a(φ)v(h(x0i β))
 V (µ) = ∂ 2 b(θ)/∂θ2

Di (β) = ∂h(x0i β)/∂η (primera derivada de la función h evaluada en ηi = x0i β)

Aplicando la regla de la cadena se obtiene lo siguiente:

(Nota: Se cambia 0 por t para denotar el vector traspuesto, y se utiliza 0 para denotar
la derivada en el siguiente desarrollo)
∂
θ(h(xti β)) = θ0 (h(xti β))h0 (xti β)xi = xi Di (β)θ0 (h(xti β)) (1.1)
∂β
∂ ∂ ∂ ∂
b(θ(h(xti β))) = b(θ(h(xti β))) θ(h(xti β)) h(xti β)xi =
∂β ∂θ ∂h ∂ηi

∂ t ∂
= µi (β) θ(h(xi β))Di (β)xi = µi (β) θ(µi ) Di (β)xi (1.2)
∂h ∂µi
Para obtener la derivada que aparece en (1.1) y (1.2):
∂b(θ ∂µ(θ)
µ(θ) = b0 (θ) = =⇒ = b00 (θ)
∂θ ∂θ
por la derivada de la función inversa:
∂ 1 1
θ(µi ) = 00 = = a(φ)σi−2 (β) (1.3)
∂µi b (θ(µi )) V (µi )
Sustituyendo (1.3) en (1.1) y (1.2) se obtiene:

∂
θ(h(xti β)) = a(φ)xi Di (β)σi−2 (β) (1.4)
∂β
∂
b(θ(h(xti β))) = a(φ)µi (β)σi−2 (β)Di (β)xi (1.5)
∂β
Y teniendo en cuenta (1.4) y (1.5) se llega a:

∂
si (β) = li (β, φ, yi ) = yi xi Di (β)σi−2 (β) − µi (β)xi Di (β)σi−2 (β) =
∂β
= xi Di (β)σi−2 (β)(β) [yi − µi (β)]
Otros conceptos importantes que aparecen en la estimación máximo-verosı́mil del

vector de parámetros son:
Matriz de información de Fisher esperada:

X
F (β) = Cov s(β) = Fi (β)
i
Fi (β) = xi xti wi (β), donde wi (β) = Di2 (β)σi−2 (β)
Matriz de información de Fisher observada:

∂ 2 l(β)
Fobs (β) = −
∂β∂β t
Se puede comprobar que F (β) = E(Fobs (β))
Para las funciones enlaces naturales o canónicas θ(µi ) = xti β, se simplifica la forma
de las matrices de información ası́ como la función marcador:
1 X
s(β) = xi [yi − µi (β)]
a(φ) i
1 X
F (β) = V (µi (β))xi xti , dondeF (β) = Fobs (β)
a(φ) i
1.3. INFERENCIA EN EL MODELO LINEAL GENERALIZADO 21
La obtención de la estimación máxima-verosı́mil no se plantea, generalmente, como

el cálculo de un máximo global, sino como las soluciones de las ecuaciones de verosi-
militud s(β̂) = 0, lo que corresponde a un máximo local, es decir, con la matriz de
segundas derivadas Fobs (β̂) definida negativa. Estas ecuaciones no son normalmente
lineales por lo que han de ser resueltas con métodos iterativos. En muchos casos se uti-
liza el método iterativo marcador de Fisher o mı́nimos cuadrados ponderados iterados,
cuyas iteraciones vienen definidas, a partir de un estimador inicial β̂ (0) , por:
β̂ (k+1) = β̂ (k) + F −1 (β̂ (k) )s(β̂ (k) ) k = 0, 1, 2, ...
Algunas consideraciones sobre este método:

1. El parámetro escala φ se cancela en el término F −1 (β̂ (k) )s(β̂ (k) ) por lo que toma
sentido el comentario inicial realizado sobre dicho parámetro.
2. Como punto inicial del proceso iterativo β̂ (0) se puede utilizar el estimador mı́nimo
cuadrático de los puntos (g(yi ), xi ).
3. El proceso iterativo suele terminar con el criterio:
kβ̂ (k+1) − β̂ (k) k
< ε para un ε > 0 fijado
kβ̂ (k) k
Otros métodos alternativos son el método de Newton-Raphson y métodos Quasi-

Newton.
Por lo tanto se obtienen a través de estos métodos las estimaciones de los parámetros
β del modelo. Estas estimaciones máximo verosı́miles presentan las siguientes propie-
dades:
Existencia y unicidad asintótica: La probabilidad de que exista una solución
y sea (localmente) única tiende a 1 cuando n −→ ∞.
Consistencia: Si se denota por β el ”verdadero” valor del parámetro, la solu-
ción converge a β cuando n −→ ∞ en probabilidad (consistencia débil) o con
probabilidad 1 (consistencia fuerte).
Normalidad asintótica: β̂ es asintóticamente normal con matriz de varianzas
y covarianzas F −1 (β̂), es decir:
a
β̂ ∼ Np (β, F −1 (β̂))
En el caso de que el parámetro de dispersión φ sea desconocido, el resultado sigue
siendo válido si se sustituye dicho parámetro por un estimador consistente de él.
En este último caso para φ desconocido, puede considerarse el siguiente estimador

consistente:
1 X [yi − µi (β̂)]2
φ̂ =
n−p i v(µi (β̂))
1.4. Adecuación e interpretación de los modelos

Una vez estimados los parámetros, se debe valorar la discrepancia que hay entre los
datos observados y los esperados por el modelo.
Si se admite una combinación satisfactoria de la distribución de la componente

aleatoria y la función enlace, el objetivo es determinar cuantos términos son necesarios
en la estructura lineal para una descripción razonable de los datos. Por ejemplo un gran
número de variables explicativas puede hacer que un modelo explique bien los datos
pero aumenta la complejidad de su interpretación. Y al contario, un modelo con pocas
variables explicativas puede ser de fácil interpretación pero se ajustará poco a los datos.
Lo que se busca es un modelo intermedio.
En el proceso del ajuste del modelo se evalúan un conjunto de modelos que consti-
tuyen unas aproximaciones de los datos observados. Y se trata de construir un modelo
intermedio entre los modelos siguientes:
Modelo saturado: El número de parámetros estimados es igual al número de

observaciones. En estos datos individuales, este modelo no constituye parámetros
a estimar, sólo reproduce lo que está ocurriendo.
Modelo nulo: Es muy simple, se utiliza como modelo de referencia. Contiene

como único parámetro el valor esperado µ para todas las observaciones. Es incapaz
de representar adecuadamente la estructura de los datos, asume un efecto nulo de
las variables explicativas.
Obviamente el concepto o idea de mejor o peor modelo depende de la finalidad

del modelo. Cuando la finalidad es de tipo predictivo se seleccionan las variables
que expliquen el mayor porcentaje de variabilidad de la variable objetivo. Cuando la
finalidad es explicativa tienen mayor protagonismo los argumentos teóricos, por lo que
el proceso de selección de variables debe ser guiado por el investigador y el proceso de
adecuación seguirá estos tres pasos aproximadamente:
1. Evaluar los términos de interacción a través de su significación estadı́stica.
2. Analizar la necesidad de mantener variables en el modelo. Utilizando criterios de

relevancia práctica más que estadı́stica, se debe evaluar si:
1.4. ADECUACIÓN E INTERPRETACIÓN DE LOS MODELOS 23
a) La eliminación de variables confusas sesgará la estimación de los parámetros

de interés.
b) Si la eliminación de una variable implicará una pérdida de precisión de las
estimaciones.
3. Valorar si las variables explicativas de interés deben permanecer en el modelo.
Para comprobarlo se emplean tanto criterios estadı́sticos como criterios de rele-
vancia.
En conclusión, el objetivo del proceso de modelado es la obtención de un modelo

que sea capaz de representar los datos y al mismo tiempo reducir la complejidad.
1.4.1. Bondad de ajuste

La medida de la bondad de ajuste de un modelo describe lo bien que se ajusta el
mismo a un conjunto de observaciones. Las medidas de bondad en general resumen
la discrepancia entre los valores observados y los valores esperados en el modelo de
estudio. En el modelo lineal generalizado la bondad de ajuste se puede evaluar de
diferentes maneras entre las que destacan:
Función o estadı́stico desviación D:

D(y; µ̂) = 2φ {l(y; y) − l(µ̂; y)}
Se trata de la distancia entre el logaritmo de la función de verosimilitud del modelo
saturado y el modelo que se está estudiando. Un valor pequeño de la desviación indica
que para un número menor de parámetros se obtiene un ajuste tan bueno como cuando
se ajusta el modelo saturado. La notación l(y; y) es un reflejo de que el modelo saturado
selecciona perfectamente la variable respuesta. Ası́ los valores que predice el modelo son
µ̂ = y.
Para probar la adecuación de un MLG, el valor de la desviación debe ser comparado

con el percentil de alguna distribución de probabilidad referente. Si el modelo es ade-
cuado el estadı́tico desviación se distribuye asintóticamente según una χ2n−p con n − p
grado de libertad [McCullagh y Nelder, 1989].
D(y; µ̂) ≈ χ2n−p
Coeficiente de determinación R2 : determina la calidad del modelo para replicar

los resultados, y la proporción de variación de los resultados que puede explicarse por
el modelo. Viene dado por:
D(y; µ)
R2 = 1 −
D(y; µ0 )
donde D(y; µ) y D(y; µ0 ) son las funciones de desviación del modelo ajustado y nulo
respectivamente, y se verifica 0 ≤ R2 ≤ 1. El valor del coeficiente de determinación
aumenta cuando se incluyen nuevas variables en el modelo, incluso cuando éstas son
poco significativas o tienen poca correlación con la variable dependiente. El coeficiente
de determinación corregido mide el porcentaje de variación de la variable dependiente
(al igual que el coeficiente de determinación) pero tiene en cuenta además el número
de variables incluidas en el modelo.
Estadı́stico Chi-cuadrado de Pearson:

n
2
X (yi − µi )2
χ =
1=1
V (µi )
donde V (µi ) es la función varianza estimada para la distribución de la variable respuesta.
Análisis de las variable explicativas

A continuación se realiza inferencia estadı́stica sobre el vector de parámetros desco-
nocidos β = (β0 β1 ... βp )t de dimensión p + 1.
La mayorı́a de las cuestiones que se plantean en la realidad pueden ser formuladas

a través de la hipótesis lineal de la forma Cβ, siendo C una matriz de rango total
s ≤ p + 1, y ξ un vector de constantes conocido de dimensión s se tiene:
H0 : Cβ = ξ
H1 : Cβ 6= ξ
En general se recogen los siguientes procedimientos para este contraste:
Estadı́stico de razón de Verosimilitud. Definido por:
ΛRV = −2l(β; y) − l(β̂; y)
que compara el máximo del logaritmo de verosimilitud con el máximo obtenido

bajo la restricción definida por H0 .
Estadı́stico de Wald. Se basa en la distribución normal asintótica del vector β.

Se define por:
ξW = [Cβ̂ − ξ]t [CF −1 (β̂)Ct ][Cβ̂ − ξ]
Determina la distancia ponderada entre el estimador Cβ̂ y Cβ y su valor deter-
minado por la hipótesis nula, donde F −1 (β̂) denota la estimación de la matriz de
información de Fisher de β̂.
1.4. ADECUACIÓN E INTERPRETACIÓN DE LOS MODELOS 25
Estadı́stico score. Se obtiene a partir de la función score. Se basa en el hecho de

que la función score se anula en el estimador de máxima verosimilitud, por lo que
la evaluación de ésta en el estimador obtenido bajo restricción lineal, el resultado
será significativamente diferente de cero si la hipótesis nula no es cierta. Ası́ se
utiliza la distancia ponderada de s(β) a cero, es decir:
ξSR = [s(β)]t F −1 (β)s(β)
donde F (β̂) es la matriz de covarianza asintótica estimada bajo H0 : Cβ = ξ.
Asintóticamente y bajo hipótesis nula, los tres estadı́sticos definidos anteriormente

se distribuyen según una ley Chi-cuadrado con s grados de libertad χ2s .
Para las hipótesis relativas a un único coeficiente βi , el estadı́stico de Wald es el más

utilizado. Éste coincide con el cuadrado del estadı́stico t2 :
β̂
tj =
aˆjj
donde aˆjj es el elemento j-ésimo diagonal de la matriz de covarianzas asintóticas F (β̂)

de β̂.
Para hipótesis relativas a varios coeficientes, el test de razón de verosimilitud es

preferible por ser un test uniformemente más potente [Cordeiro, 2000].
Regiones de confianza para β

Las regiones de confianza pueden construirse usando cualquiera de los estadı́sticos
propuestos anteriormente. Usando por ejemplo el estadı́stico de Wald, una región de
confianza para β con un nivel de confianza 1 − α viene dada por:
{β ∈ Rp+1 | (β̂ − β)t [V ar(β̂)]−1 (β̂ − β) < χ2p+1,n−1 }
1.4.2. Residuos
A veces puede ocurrir que aún escogiendo cuidadosamente un modelo al ajustarlo
posteriormente a un conjunto de datos el resultado sea insatisfactorio. Estos errores
se originan por no haber elegido bien la función enlace o las variables explicativas
incluidas en el modelo. Las discrepancias aisladas se han podido producir debido a
algún dato erróneo. La verificación de la adecuación del modelo es fundamental para
analizar posibles desviaciones o la existencia de observaciones anómalas (outliers).
Como en la regresión lineal, los residuos son los utilizados para verificar la adecuación
del modelo. Expresan la diferencia entre una observación y su valor ajustado, y también
la presencia de valores anómalos que requieran una atención más detallada. Los residuos
mas destacados son:
Residuos básicos: Se trata de la diferencia entre el valor observado yi , de la

variable respuesta y el valor ajustado ŷi por el modelo:
rib = yi − ŷi con i = 1, ..., n
Residuos de Pearson: Se definen como:

yi − µ̂i
rip = q con i = 1, ..., n
φ̂V ar(µ̂i )
siendo φ̂ un estimador consistente del parámetro escala φ. Y su versión estunden-

tadizada viene dada por:
yi − µ̂i
rip = q i = 1, ..., n
φ̂V ar(µ̂i (1 − hi )
siendo hi el elemento diagonal de la matriz de proyección, H, donde:
H = W 1/2 X(X T W X)−1 X T W 1/2
con W una matriz diagonal, cuyos elementos de la diagonal principal vienen dados
por: 2
1 ∂µi
wi =
V ar(µi ) ∂η
La ventaja de usar este residuo estundentadizado frente al anterior es que capta
mejor la variabilidad de los datos, debido a que usa el valor de hi , el cual es útil
para medir la influencia de la i-ésima observación.
Residuos de desviación: se definen como:
p
riD = sign(yi − µ̂i ) di i = 1, ..., n
donde di es llamada la componente desviación, di = 2(l(yi , yi ) − l(µ̂i , yi ))
Y su versión estundentadizada:
0 rD
riD = q i
φ̂(1 − hi )
donde hi es el i-ésimo elemento de la diagonal de la matriz H y φ̂ es la estimación

del parámetro escala φ.
Según otros autores otros residuos importantes pero menos utilizados son los
siguientes: Residuos de Anscombe, Residuos de puntuación (score residuals), Re-
siduos parciales o Residuos de probabilidad.
1.5. MODELOS LINEALES MIXTOS GENERALIZADOS 27
1.4.3. Interpretación del modelo

Una vez obtenido el modelo adecuado, usando los criterios de bondad de ajuste y
estudio de los residuos, se finaliza el proceso de la modelización con la interpretación
del modelo elegido.
Esta parte es sin duda esencial, pues una mala interpretación del modelo hace que
todo lo anterior pierda su utilidad, pues nunca hay que olvidar que el analista o ma-
temático todo el tiempo tiene como objetivo modelizar y estudiar un sistema a partir
de unos datos para poder llegar a conclusiones que expliquen la relación entre variables
e incluso puedan servir para preveer situaciones futuras.
1.5. Modelos lineales mixtos generalizados

En general, los modelos paramétricos se basan en el análisis de relaciones lineales
entre cierta variable de interés (variable respuesta) y ciertas variables que contribuyen a
explicar su comportamiento (variables explicativas). Estas caracterı́sticas suelen medirse
en individuos o unidades experimentales que son independientes entre sı́. Además se
asume que el error que se produce tiene la propiedad de seguir una distribución Normal
homogénea.
Puede suceder que la variable objetivo sólo tome valores en un intervalo o bien,
que no sea continua o ni siquiera cuantitativa. Por lo tanto los errores no pueden ser
Normales. Esta generalización da lugar como se ha visto anteriormente a los modelos
lineales generalizados (MLG).
Otra posible generalización consiste en reducir restricciones sobre los errores man-
teniendo sin embargo la propiedad de Normalidad, es decir, contemplando errores no
independientes o heterogéneos. Esta generalización que permite dotar de estructura a
la variabilidad de los errores del modelo, da lugar a los modelos mixtos.
Los modelos lineales generalizados y los modelos mixtos pueden ser fusionados dando
lugar a los modelos lineales mixtos generalizados (MLMG) adaptando las propiedades
de ambas propuestas de modelización. Su aplicación es enorme en multitud de estudios
de distintos ámbitos.
Luego, en resumen, los modelos lineales mixtos generalizados (MLMG) tienen

las siguientes caracterı́sticas:
La variable objetivo está linealmente relacionada con la variable explicativa me-

diante una función enlace especificada.
La variable objetivo puede tener una distribución no normal.

Puede existir correlación entre las observaciones.
Los MLMG cubren una amplia variedad de modelos, desde modelos de regresión
lineal simplie hasta modelos altamente complejos.
Ejemplo: Los responsables educativos pueden utilizar un modelo lineal mixto gene-
ralizado para determinar si un método educativo es eficaz para mejorar las notas en una
asignatura. Los estudiantes de la misma clase deben correlacionarse ya que les enseña
el mismo profesor, a su vez, las clases del mismo colegio también deben correlacionar-
se. Por lo tanto, se pueden incluir efectos aleatorios a nivel de colegio y de clase para
explicar las diferentes fuentes de variabilidad.
Capı́tulo 2
Datos y variables de conteo
2.1. Datos de conteo

Al tratar el modelado de datos de conteo es importante aclarar que se entiende por
un recuento o conteo, además de que son los datos de conteo y las variables de
conteo.
Contar o hacer un recuento no es más que enumerar unidades, artı́culos o eventos

en un intervalo espacial o temporal. Podemos contar elementos tan dispares como por
ejemplo el número de accidentes observados en un tramo de carretera o el número de
erupciones solares observadas por año. Por otra parte, entendemos por datos de conteo
a las observaciones sobre eventos o sucesos que contamos.
Se denominan variables de conteo o recuento (count data) a aquellas que deter-

minan el número de sucesos o eventos que ocurren en una misma unidad de observación
en un intervalo espacial o temporal definido [Lindsey, 1995]. Luego, a partir de esta defi-
nición, se pueden observar dos caracterı́sticas fundamentales en una variable de conteo:
su naturaleza discreta y no negativa. Esta variable objetivo, que toma los valores 0,
1, 2,... se caracteriza por tomar infinitos números de valores que podemos ordenar en
orden creciente y cuya variabilidad va en descenso a medida que sea mayor el valor de
la variable.
Ejemplos de variables de conteo son:
Conteo de artı́culos o sucesos que ocurren en un área geográfica o espacial dada:

Número de colores primarios en un cuadro.
Número de hijos de cada mujer en un municipio.
Número de medallas conseguidas en deportistas olı́mpicos ya retirados.
Número de preguntas acertadas en un examen tipo test.
29
30 CAPÍTULO 2. DATOS Y VARIABLES DE CONTEO
Conteo de eventos o sucesos que ocurren dentro de un periodo de tiempo:
Número de visitas a un museo en un mes.
Número de artı́culos vendidos en una tienda deportiva durante un año.
Número de accidentes en una carretera en un año.
Número de lesiones deportivas por equipo durante una competición.
Número de goles por jugador de fútbol en una temporada.
A continuación, se muestra un ejemplo real de datos de conteo que provienen de com-

peticiones deportivas realizado mediante el software R:
Figura 2.1: Goles por jugador UD Las Palmas

2.2. MODELOS PARA DATOS DE CONTEO 31
2.2. Modelos para datos de conteo

Los modelos de datos de conteo se caracterizan teóricamente porque no tienen un
lı́mite superior natural, aunque desde el punto de vista práctico siempre se limitan a
un valor, generalmente el valor máximo del conteo que se está estudiando. También se
caracterizan por tomar el valor cero (en un porcentaje no despreciable) para algunos
miembros de la población estudiada y no tomar valores muy altos.
No todos los modelos de predicción son aplicables a este tipo de variable, pues
pueden surgir problemas como:
1. Las predicciones de la variable respuesta pueden salirse del rango de valores en el

que está definido.
2. Las estimaciones pueden ser inconsistentes.
3. Si la variable objetivo toma más de dos valores, plantear un modelo de elección

binaria para su estudio conduce a una pérdida de eficacia (se pierde información)
ya que se tratarán varios valores como un solo valor.
4. No tienen porqué cumplirse la hipótesis de normalidad u homocedasticidad.
Modelos que tienen especial interés para datos de conteo son Poisson (P) y Bi-
nomial Negativa (BN), estos modelos de regresión permiten considerar y analizar
el comportamiento de variables de conteo frente a los valores del conjunto de variables
explicativas. Otros modelos para datos de conteo son los modelos Poisson inversa
Gaussiana (PIG), Binomial Negativa de tres parámetros de Greene (BN-P)
y Poisson generalizado (PG).
La distribución de Poisson tiene un único parámetro a estimar, µ, la media, el cual a

veces es llamado parámetro de localización. La principal caracterı́stica de esta distribu-
ción es que la media y la varianza son iguales. Luego cuanto mayor sea la media mayor
será la varianza o variabilidad en los datos. Esta propiedad en la distribución de Poisson
es llamada propiedad de equidispersión. La sobredispersión es un gran problema
para la regresión de Poisson y ocurre cuando la varianza es mayor que la media. Proba-
blemente el método más popular de tratar con la sobredispersión es modelar los datos
usando un modelo de regresión Binomial Negativa, el cuál incorpora un parámetro de
dispersión α. En cambio para la infradispersión o subdispersión (varianza del modelo
menor que la media) no se puede usar el modelo de regresión Binomial Negativa. Sobre
todo esto se profundizará en los siguientes capı́tulos.
La razón por la que el modelo Poisson inversa Gaussiana (PIG) no ha tenido

amplio uso es que hasta hace poco no habı́a software para su estimación, a menos que
los analistas de datos crearan el software ellos mismos. La programación del modelo
32 CAPÍTULO 2. DATOS Y VARIABLES DE CONTEO
PIG no es fácil, si no se programa bien, un algoritmo para PIG puede tomar mucho
tiempo para converger y obtener estimaciones de parámetros apropiadas.
El modelo Poisson Generalizado (PG) incorpora respecto al modelo de Poisson

un segundo parámetro α, también denominado dispersión o parámetro escala. El modelo
de Poisson generalizado al igual que todos los anteriormente introducidos se reduce al
modelo de Poisson cuando dicho parámetro es 0. La ventaja es que el parámetro de
dispersión puede tomar valores negativos, lo cual puede proporcionar un buen ajuste
para datos con subdispersión.
Respecto al modelo Binomial Negativa de tres parámetros de Greene (BN-

P) diseñado por William Greene en la universidad de Nueva York tiene como tercer
parámetro ρ, que permite que la dispersión varı́e a través de la observación, proporcio-
nando una mejor oportunidad para ajustar datos binomiales negativos. La función de
distribución de probabilidad subyacente al modelo es una variación de la distribución
binomial negativa y es usualmente empleada por los analistas de datos para decidir si
emplear un modelo BN1 o modelo BN2 para modelizar los datos, el significado de BN1
y BN2 se estudiará posteriormente en el capı́tulo sobre el modelo de regresión Binomial
Negativa.
En la siguiente tabla se muestra la media y la varianza de estos modelos de conteo

muy relacionados entre sı́:
Modelo para datos de conteo Media Varianza

Poisson µ µ
Binomial Negativa (BN1) µ µ(1 + α)
Binomial Negativa (BN2) µ µ(1 + αµ)
Poisson inversa Gaussiana µ µ(1 + αµ2 )
Binomial Negativa (BN-P) µ µ(1 + αµρ )
Poisson Generalizado µ µ(1 + αµ)2
También se utilizan modelos para variables de conteo que no pertenecen a la familia

de modelos lineales generalizados como el Modelo en dos partes y Modelo con
exceso de ceros.
Los modelos para variables de conteo se encuentran en la intersección entre el modelo

lineal generalizado y el estudio de las variables de conteo o recuento. De entre todos
estos modelos destaca, por su papel como modelo de referencia en el estudio de variables
de conteo, el modelo de regresión de Poisson.
Capı́tulo 3
Modelo de Regresión de Poisson
El modelo de Regresión de Poisson es fundamental para modelizar datos de conteo.

Este fue el primer modelo usado especı́ficamente para datos de conteo, y es todavı́a la
base de muchos tipos de modelos de conteo usados por analistas de datos. Sin embargo
el asumir la propiedad de equidispersión (media = varianza) hace que su uso en estu-
dios con datos reales sea normalmente insatisfactorio. A veces, es posible hacer ajustes
para remediar el problema de la sobredispersión o el problema de la infradispersión o
subdispersión, pero desafortunadamente en la mayorı́a de los casos no es posible.
En este modelo, la variable respuesta (variable objetivo) Y ≈ P (µ) con función de

probabilidad:
e−µ µy
P (Y = y) = y = 0, 1, 2, ...
y!
O en la forma de la familia exponencial:
f (y; µ) = exp {yln(µ) − µ − lnΓ(y + 1)} y = 0, 1, 2, ...
donde el parámetro µ > 0
Por lo tanto el parámetro natural o canónico θ y la función b(θ) vienen dados por:
θ = ln(µ)
b(θ) = µ
El enlace canónico es la función logaritmo. Por lo tanto la inversa de la función

enlace es exp(η) donde η es el predictor lineal. En consecuencia se trata del modelo
exponencial:
E(Yi /xi ) = exp(β0 + β1 xi1 + ... + βn xin )
33
34 CAPÍTULO 3. MODELO DE REGRESIÓN DE POISSON
Utilizando esta función enlace las variables explicativas tienen un efecto multiplica-
tivo en vez de aditivo sobre la media. Se pueden usar otras funciones enlaces alterna-
tivas cuando falla el enlace canónico como la identidad (g(µ) = µ) o la raı́z cuadrada
√
(g(µ) = µ), sin embargo estas funciones enlaces podrı́an ser problematicas, pues las
predicciones podrian ser negativas.
Dado que el modelo de Poisson pertenece a la familia de modelos lineales generali-

zados, se calculan las funciones media y varianza como en el capı́tulo uno, sustituyendo
y derivando respecto θ:
∂b(θ) ∂b ∂µ
E(Y ) = µ = = = (1)(µ) = µ
∂θ ∂µ ∂θ
2 !
∂ 2 b(θ) ∂ 2 b ∂µ ∂b ∂ 2 µ
V ar(Y ) = a(φ) = (1) + = (1)((0)(1)2 + (µ)(1)) = µ
∂θ2 ∂µ 2 ∂θ ∂µ ∂θ 2
Por tanto la media y la varianza vienen dadas en este modelo por:
E(Y ) = V ar(Y ) = µ
Esta es la igualdad de media-varianza de la que ya se ha comentado que caracteriza

a la distribución de Poisson (propiedad de equidispersión).
Esta distribución se debe a Siméon-Denis Poisson, que la dio a conocer en 1838

en su trabajo Recherches sur la probabilité des jugements en matières criminelles et
matière civile (Investigación sobre la probabilidad de los juicios en materias criminales
y civiles).
Figura 3.1: Siméon Denis Poisson (1781-1840)

35
Además, la distribución de Poisson es el lı́mite de la distribución Binomial cuando

n −→ ∞ y p −→ 0 mientras que np se mantiene constante.
La suma de variables aleatorias de Poisson independientes es otra variable de Poisson

cuyo parámetro es la suma de los parámetros de las originales.
A medida que µ crece, la distribución de Poisson se aproxima a una distribución

normal por el Teorema Central del Lı́mite, es decir, sea Y ≈ P (µ), si µ −→ ∞
entonces:
Y −µ
√ ≈ N (0, 1)
µ
La distribución de Poisson condicionadas a las n variables explicativas X = (X1 , ..., Xn )0
viene dada por:
e−µi (xi ) µi (xi )yi

P (Yi = yi /xi ) = yi = 0, 1, 2, ...
yi !
donde
E(Yi /xi ) = µi (xi ) = µ(xi1 , ..., xin ) = exp(β0 + β1 xi1 + ... + βn xin )
Esta formulación es la que se conoce como Modelo de Regresión de Poisson.
El modelo de Regresión de Poisson tiene las siguientes caracterı́sticas:
1. La distribución es discreta con un único parámetro, la media, usualmente deno-

tada por µ. La media también se entiende como un parámetro de velocidad, es
decir, el número esperado de veces que un suceso o evento ocurre por unidad de
tiempo, área o volúmen.
2. Los valores de la variable objetivo Y son enteros no negativos.
3. Las observaciones son independientes entre sı́.
4. No hay conjuntos grandes de datos que estén muy por encima o muy por debajo
de la media de la distribución muestral.
5. La media y la varianza son idénticas, es decir, distribución de Poisson con una

media alta tiene una gran variabilidad.
Los datos de conteo de un modelo de Poisson deben ser generados por un proceso
que satisfaga las siguentes cuatro propiedades:
La probabilidad de que se dé un único suceso o evento sobre un pequeño intervalo

es aproximadamente proporcional al tamaño del intervalo.
La probabilidad de que dos sucesos ocurran en un mismo intervalo que tiende a

cero es despreciable.
La probabilidad de que se dé un suceso dentro de un intervalo de una cierta

longitud no cambia en otro intervalo diferente de la misma longitud.
La probabilidad de un suceso en un intervalo es independiente de la probabilidad

del suceso en otro intervalo no superpuesto al anterior.
Cuando las dos últimas propiedades no se cumplen en los datos, el modelo puede tener
una varianza que exceda la media.
Luego, a pesar de ser un modelo de referencia en estudios de variables de conteo y

resultar muy adecuado para modelar valores enteros no negativos, en concreto cuando
la frecuencia de ocurrencia es baja, presenta muchos problemas al tratar con datos en
que la media y variancia no son iguales.
3.1. Problema de la infradispersión y sobredisper-

sión
Como ya se ha visto, el Modelo de Regresión de Poisson a pesar de ser un buen
modelo para datos de conteo puede resultar inapropiado al no cumplir ciertos su-
puestos, el más común es la ausencia de equidispersión. Cuando se trabaja con datos
reales frecuentemente presentan infradispersión (V ar(Y ) < E(Y )) o sobredisper-
sión (V ar(Y ) > E(Y )), esta última aparece con mas asiduidad, por lo que se estudia
con más detalle. De hecho por abuso del lenguaje, las pruebas para evaluar la equidis-
persión son denominadas habitualmente pruebas de sobredispersión.
Se pueden destacar las siguientes causas de sobredispersión:
Alta variabilidad en los datos.
Los datos no provienen de una distribución de Poisson.
Los sucesos no ocurren independientemente.
Falta de estabilidad, la probabilidad de ocurrencia de un suceso puede ser inde-

pendiente de la ocurrencia de un suceso previo pero no es constante.
Errores de la especificación de la media, como omitir variables explicativas, o que

entran al modelo a través de alguna transformación en lugar de linealmente.
Errores al elegir la función enlace, es decir tal vez no es apropiado el enlace log-
lineal.
3.1. PROBLEMA DE LA INFRADISPERSIÓN Y SOBREDISPERSIÓN 37
Existen varias formas de detectar la sobredispersión, por ejemplo [Lindsey, 1995]

propone aplicar el coeficiente de variación CV :
V ar(µi )
CV =
µi
Para que se cumpla la propiedad de equidispersión este coeficiente debe valer 1, este
sencillo ı́ndice constituye una muy simple aproximación para la detección de sobredis-
persión, aunque existen más criterios de detección.
Generalmente la sobredispersión se evalúa mediante la relación entre el estadı́stico

de Pearson χ2 o la función desviación D y sus respectivos grados de libertad.
Si estos valores son mayores que 1 indican sobredispersión.
Otra forma es una prueba de Razón de Verosimilitud basada en las distribuciones

de Poisson y Binomial Negativa (BN2). Para la distribución de Poisson V (Y ) = µ y
para la distrubución Binomial Negativa (BN2) V (Y ) = µ(1 + αµ) = µ + αµ2 .
Por tanto si α = 0 la distribución Binomial Negativa se reducirá a una Poisson. Por

tanto las hipótesis que se plantean son las siguientes:
H0 : α = 0
H1 : α > 0
Para llevar a cabo esta prueba, se deberán ajustar los datos a los dos modelos:
Poisson y Binomial Negativa (BN2). Para cada modelo se obtendrá su respectiva función
de log-verosimilitud(l). El estadı́stico propuesto para esta prueba es:
RV = −(2(l(P oisson) − l(BN )))
Según [Cameron y Trivedi, 1998] este estadı́stico tiene una distribución asintótica χ21 .
Por tanto rechazamos la hipóteis nula H0 si el estadı́stico es mayor que χ21,1−α , donde
α es el nivel de significación.
Otra alternativa serı́a usar métodos de estimación de Quasi Verosimilitud, los cuales
nos permiten estimar el parámetro de dispersión e incluirlo en el modelo, estos métodos
comprenden una teorı́a bastante más compleja.
Capı́tulo 4
Modelo de Regresión Binomial

Negativa
Como se ha comentado en el capı́tulo anterior, a pesar de ser el modelo de regresión

de Poisson un modelo de referencia para datos de conteo, este presenta ciertos problemas
a la hora de tratar con datos en los que la media y varianza no coinciden, por ejemplo
cuando se da la sobredispersión. El modelo paramétrico estandar para datos de conteo
con sobredispersión es el Modelo de Regresión Binomial Negativa.
El modelo de regresión binomial negativa es un modelo estadı́stico atı́pico, aunque

los investigadores se refieren a éste como un único modelo, en realidad existen distintos
modelos binomiales negativas, que dependerán del tipo de problema de fondo que se
está abordando.[Boxwell y Patil, 1970] identificaron 13 tipos distintos que derivan de
la distribución binomial negativa mientras que otros autores exponen que existen más.
La distribución binomial negativa estudia la probabilidad de que en una variable

aleatoria Y se observen y fracasos antes del r-ésimo éxito en una serie de experimentos
Bernoulli independientes. Bajo esta descripción, r debe ser por lo tanto un entero
positivo. La distribución geométrica es el caso de la binomial negativa cuando r =
1 (la distribución geométrica que cuenta el número de fallos antes del primer éxito
P (Y = y) = (1 − p)y p, para y = 0, 1, 2...).
La variable aleatoria de conteo Y sigue una distribución Binomial Negativa de

parámetros r > 0 y 0 < p < 1, Y ≈ BN (r, p), si tiene como función de probabili-
dad:
y+r−1 Γ(y + r) r
P (Y = y) = pr (1 − p)y = p (1 − p)y
r−1 y!Γ(r)
donde y=0,1,2,...
Ejemplo: Supuesto que la probabilidad en un cierto equipo de baloncesto de que

un jugador enceste es 0.4. Se realiza el siguiente experimento:
39
40 CAPÍTULO 4. MODELO DE REGRESIÓN BINOMIAL NEGATIVA
Los jugadores lanzan individualmente a canasta uno tras otro ¿Cuál es la probabilidad
de que el décimo jugador que lance a canasta sea el tercero en encestar?
En este caso, Y es el número de lanzamientos encestados, r = 10 número de ensayos
(de experiemntos de Bernoulli independientes), p = 0,4 (se considera éxito encestar):

7 + 10 − 1 10 7 16
P (Y = 7) = 0,4 (1 − 0,4) = 0,410 (0,6)7 = 0,0335
10 − 1 9
En la distribución Binomial Negativa el valor esperado y la varianza vienen dados
por:
r(1 − p) r(1 − p)
E(Y ) = V ar(Y ) =
p p2
1
Se establece por tanto la relación entre ambos : V ar(Y ) = E(Y ), como 0 <
p
p < 1, se verifica que Var(Y) > E(Y), lo que justifica la predisposición natural de esta
distribución para modelar datos que se caracterizan por la existencia de sobredispersión.
El modelo de regresión binomial negativa fue estudiado por primera vez en 1949
por Anscombe. Muchos autores lo han citado, señalando su utilidad para datos de
conteo con sobredispersión. [Lawless, 1987] detalló la parametrización del modelo mixto,
obteniendo fórmulas para la log-verosimilitud, media, varianza y momentos. Más tarde
[Breslow,1990] citó el trabajo de Lawless mientras manipulaba el modelo de Poisson
para ajustarse a parámetros binomiales negativos. Desde sus inicios hasta finales de
la década de los 80 el modelo de regresión binomial negativa era construido como un
modelo mixto usado para datos de Poisson con sobredispersión.
[McCullagh y Nelder, 1989] mencionan que el modelo de regresión binomial negativa

puede considerarse un MLG, los autores mencionan la existencia de un enlace canónico,
rompiendo con el concepto de modelo mixto, pero no llegan a desarrollarlo. No es
hasta mitad de los 90 cuando la binomial negativa es construida formalmente como un
miembro de la familia de modelos lineales generalizados[Hilbe,1993].
4.1. Derivación del modelo

Se pueden resumir las diferentes formas de derivar el modelo de regresión binomial
negativo en dos orı́genes:
1. A partir de una distribución de Poisson compuesta con una Gamma, en

la cual la distribución Gamma es usada para ajustar los datos de Poisson que
presentan sobredispersión. De esta forma se deriva el modelo tradicional binomial
negativo, que se denota BN2.
4.1. DERIVACIÓN DEL MODELO 41
2. Como miembro de la familia exponencial de distribuciones y, por tanto ser con-

siderado un MLG. Tal interpretación permite a los investigadores aplicar al
modelo los test de bondad de ajuste, análisis de residuos y cualquier otro estudio
desarrollado para los Modelos Lineales Generalizados.
4.1.1. Derivación del modelo a partir del modelo de Poisson

compuesto con Gamma
Partiendo de un modelo de regresión de Poisson, se deriva el modelo de regresión
binomial negativa siguiendo dos enfoques distintos:
El enfoque más común, en el que la variable respuesta sigue una distribución de

Poisson, cuya media está especificada de forma incompleta debido a una situación
de heterogeneidad no observada, para solucionar dicha situación se introduce un
nuevo término de error. El término de error puede ser el resultado del efecto con-
junto de las variables no incluidas en el modelo o bien una fuente de aleatoriedad
intrı́nsica. Sea cual sea su origen, representa la heterogeneidad no observada de
los datos.
Otro enfoque supone que la variable respuesta sigue una distribución Poisson en
la que su media no se considera un parámetro fijo, sino que se interpreta como un
parámetro que varı́a aleatoriamente como una distribución Gamma.
En los dos casos, ambos enfoques conducen a una distribución binomial negativa.
A continuación se recoge la función de densidad de la distribución Gamma:

1
Y ≈ G(τ, ω) si f (y; τ, ω) = y τ −1 ey/ω
ω τ Γ(τ )
com x, ω, τ > 0 y siendo la función Gamma:
Z ∞
Γ(v) = xv−1 e−x dx
0
4.1.2. Derivación del modelo como modelo lineal generalizado

La distribución binomial negativa pertenece a la familia exponencial siempre que
el parámetro de dispersión sea introducido en la distribución como una constante, por
tanto se puede usar esta distribución como componente aleatoria del modelo lineal
generalizado. También es importante la selección de la función enlace, según la que se
utilice se obtienen diferentes modelos. Normalmente, se suele usar el enlace canónico y
el enlace logarı́tmico. La ventaja de este segundo enlace es que permite una comparación
con el modelo de regresión de Poisson [Hardin y Hilbe, 2012].
Componente aleatoria: La función de probabilidad se puede expresar como miem-

bro de la familia exponencial paramétrica con la siguiente estructura:

y+r−1
P (Y = y) = f (y; r, p) = exp yln(1 − p) + rln(p) + ln
r−1
donde:
θ = ln(1 − p) =⇒ p = 1 − eθ
b(θ) = −rln(p) = −rln(1 − eθ )
a(φ) = 1
Por lo tanto para hallar la media y la varianza se calcula la primera y segunda

derivada de b(θ) respecto de θ:
∂b ∂p r r(1 − p)
b0 (θ) = = − {−(1 − p)} = =µ
∂p ∂θ p p
2
00 ∂ 2 b ∂p ∂b ∂ 2 p r 2 r r(1 − p)
b (θ) = 2 + = (1 − p) + (1 − p) = = σ2
∂p ∂θ ∂p ∂θ2 p2 p p2
Reparametrizando α = 1/r, ası́ se obtiene p y r en función de µ y α:

r(1 − p) (1 − p)
= = µ =⇒
p αp
(1 − p) 1
= αµ =⇒ p =
p 1 + αµ
Por lo tanto se pueden obtener los siguientes términos en función de µ y α:

αµ
θ = ln(1 − p) = ln
1 + αµ
1 1
b(θ) = − ln(p) = ln(1 + αµ)
α α
1 − p 1
b0 (θ) = =µ=
αp α(e−θ − 1)
1−p
b00 (θ) = = µ + αµ2
αp2
µ2
V (µ) = b00 (θ) = µ +
r
4.1. DERIVACIÓN DEL MODELO 43
Por lo tanto, dados los valores definidos de µ y α se puede volver a expresar la

función de probabilidad de la distribución binomial negativa como:
1/α y
y + 1/α − 1 1 αµ
P (Y = y) =
1/α − 1 1 + αµ 1 + αµ
Función enlace: La función de enlace canónica de esta distribución, donde se

parametriza la relación entre la media µ y las variables predictoras, viene dada por:

αµ 1
g(µ) = η = θ = ln = −ln +1
1 + αµ αµ
Y su inversa:
1
h(η) = g −1 (η) = µ =
α(e−θ − 1)
Si bien desde el punto de vista teórico, el enlace canónico representa una simpli-
ficación del estudio del modelo, desde el punto de vista aplicado la mayorı́a de los
investigadores proponen el enlace logarı́tmico g(µ) = ln(µ) = η.
Bajo este enlace el modelo que se obtiene es el modelo BN2 o modelo tradicional de
regresión binomial negativa.
Independientemente de la manera en que se obtenga el modelo de regresión bino-

mial negativa, éste es casi siempre usado para modelar datos con sobredispersión. Las
ventajas del enfoque como modelo lineal generalizado está en poder usar las técnicas
estadı́sticas especı́ficas para el MLG que vienen en la mayorı́a de los softwares.
El inconveniente con la versión MLG es que se debe estimar el parámetro de dis-

persión α e introducirse en el modelo como una constante.
Capı́tulo 5
Otros Modelos de Regresión para

datos de conteo
En este capı́tulo, se estudian otros modelos de regresión para datos de conteo menos
conocidos, por ser mas complejos matemáticamente y más dificiles de tratar compu-
tacionalmente. Aún ası́, en determinados estudios, estos modelos pueden adaptarse
mejor a los datos que los modelos anteriormente estudiados.
5.1. PIG, PG y BN-P

Modelo POISSON INVERSA GAUSSIANA (PIG):
Al igual que el modelo de regresión binomial negativa se trata de un modelo

mixto. El modelo PIG es una mezcla de distribución de Poisson y distribución
inversa Gaussiana (también conocida como distribución de Wald), cuya función
de densidad de probabilidad viene dada por:
1/2
−α(y − µ)2

α
f (y; µ, α) = exp
2πy 3 2µ2 y
para y > 0, donde µ > 0 y α > 0 son dos parámetros (µ es la media).
La distribución inversa Gaussiana tiene varias propiedades análogas a la distri-

bución Gaussiana. Esta distribución parece haber sido derivada por primera vez
por Schrödinger en 1915. El nombre inverso Gaussiano fue propuesto por Tweedie
en 1945. Wald redefinió esta distribución en 1947 como la forma lı́mite de una
muestra en una prueba de razón de probabilidad secuencial. El nombre puede ser
engañoso, pues no se trata de la inversa de la distribución Gaussiana.
45
46CAPÍTULO 5. OTROS MODELOS DE REGRESIÓN PARA DATOS DE CONTEO
La distribución inversa gaussiana pertenece a la familia exponencial biparamétri-

ca. El modelo PIG también es reconocido como una versión biparamétrica de la
distribución de Sichel.
La regresión PIG se utiliza para modelar datos de recuento que tienen un pico
inicial alto y que pueden estar sesgados extremadamente a la derecha.
Con un parámetro de dispersión mayor que 1, mayores valores de la media de la

variable objetivo en un modelo de regresión PIG proporciona un ajuste de mayores
cantidades de sobredispersión que el modelo binomial negativo. Luego el modelo
PIG puede tratar mejor con datos altamente dispersos que la regresión binomial
negativa, particularmente cuando los datos se agrupan fuertemente entre el valor
1 y 2.
Este modelo se puede aplicar al siguiente ejemplo: Se quiere estudiar el número de

dı́as ingresados en un hospital de pacientes que llegan a urgencias, la mayorı́a de los
pacientes son dados de alta en los primeros dı́as y luego disminuye rápidamente el
número de pacientes ingresados, con pocos pacientes persistentes durante mucho
tiempo.[Hilbe, 2014]
Modelo POISSON GENERALIZADO (PG):
Raramente se encuentra infradispersión (o subdispersión) cuando se trata

con datos reales. Pero a veces puede ocurrir y que no se le preste atención a
la infradispersión y modelar los datos por medios normales, entonces los errores
estándar del modelo resultante se sobreestiman. Esto puede llevar a pensar que
los predictores no son significativos cuando de hecho si lo son.
En este modelo se asume que la variable respuesta sigue una distribución Poisson
generalizada con función de probabilidad [Harrris, Yang and Hardin, 2012]:
θi (θi + δyi )yi −1 e−θi −δyi

f (y; θi , δ) = yi = 0, 1, 2, ...
yi !
donde θi > 0 0 ≤ δ < 1. [Joe and Zhu, 2005]
Se ve que:
θi
E(Yi ) = µi =
1−δ
θi 1
V (Yi ) = = E(Yi ) = φE(Yi )
(1 − δ)3 (1 − δ)2
5.1. PIG, PG Y BN-P 47
1
El término φ = caracteriza la dispersión en la distribución PG. Clara-
(1 − δ)2
mente, cuando δ = 0 la distribución Poisson Generalizada se reduce a la usual
distribución de Poisson con parametro θi . Además cuando δ < 0 el modelo pre-
senta subdispersión y cuando δ > 0 presenta sobredispersión.
Algunos autores recogen otros modelos para datos de conteo, combiando modelos
ya existentes o creando variaciones de los anteriormente citados. Luego, con el
objetivo de encontrar un modelo que se ajuste lo mejor posible a los datos de
un estudio concreto se desarrollan estos modelos más especı́ficos y elaborados.
Entre estos otros modelos se encuentra el modelo BINOMIAL NEGATIVA
DE TRES PARÁMETROS DE GREEN (BN-P).
48CAPÍTULO 5. OTROS MODELOS DE REGRESIÓN PARA DATOS DE CONTEO
Capı́tulo 6
Problemas con el valor 0
En este capı́tulo se analizan dos casos especiales que pueden aparecer cuando se
trabaja con datos de conteo. Ambos casos son completamente diferentes pero tienen el
mismo elemento en común: el valor 0.
Primero se tratan los modelos que no permiten que la variable objetivo tome el valor
0, Modelos truncados por ceros. Y, posteriormente, los Modelos con exceso de
ceros, en los que por algún motivo hay más observaciones con valor 0 de las que cabrı́a
esperar de acuerdo a una distribución Poisson o Binomial Negativa.
6.1. Modelos truncados por ceros

Se comienza mostrando algunos ejemplos de estos tipos de datos, se tratan de datos
que por su propia naturaleza no pueden tomar nunca el valor 0:
Número de delitos por los que ha sido condenado un preso.
Número de veces que un conductor tuvo que hacer el examen práctico.
Número de individuos que forman un grupo.
Número de idiomas que habla una persona.
Por trabajar con un modelo de regresión para datos de conteo concreto, se elige
por ejemplo el modelo de regresión de Poisson. Por lo tanto se asume que la variable
respuesta se distribuye según una función de Poisson con un parámetro µ (que es tanto la
media como la varianza). El problema que se plantea es que la distribución de Poisson no
excluye los ceros, es decir, predice valores de 0 para la variable objetivo, especialmente
cuando los valores de µ son bajos.
49
50 CAPÍTULO 6. PROBLEMAS CON EL VALOR 0
A continuación, se muestra esto en el siguiente ejemplo realizado con el software

R a partir de 4 muestras aleatorias de Poisson de tamaño 1000 con los valores de µ
indicados:
Figura 6.1: Ejemplos de la frecuencia con la que la distribución de Poisson toma el valor
cero, incrementandose para valores de µ bajos
Para solucionar este problema los modelos truncados por ceros reparten la proba-
bilidad de que la variable respuesta sea 0 entre todos los demás valores posibles. A
continuación, se muestra como se hace esto a partir de una distribución de Poisson, se
desarrolla ası́ la construcción del modelo de Poisson truncado por ceros:
Se recuerda que la función de distribución de probabilidad de Poisson es:

e−µ µyi
f (yi ; µ|yi ≥ 0) =
yi !
6.2. MODELOS CON EXCESOS DE CEROS 51
donde i = 1, ..., n
La probabilidad de que la variable respuesta tome el valor 0:
e−µ µ0
f (0; µ) = = e−µ
0!
En los modelos sin ceros, se excluye la posibilidad de que la variable objetivo tome
el valor 0 al dividir las probabilidades del resto de valores posibles por (1 − f (0)). Por
lo tanto ya se pueden recalcular las probabilidades del resto de valores:
e−µ µyi
f (yi ; µ|yi > 0) =
yi !(1 − e−µ )
Consecuentemente al haber excluido el cero, ahora la probabilidad del resto de

valores es más alta.
Ası́, los modelos Poisson truncados por ceros son iguales a los modelos generaliza-
dos lineales con errores de Poisson, con la diferencia de que utilizan distribuciones de
probabilidad en las que se eliminan los ceros y se reajustan las probabilidades del resto
de valores.
Cuando µ es grande, la porción a repartir (probabilidad de tomar el valor 0) es muy

pequeña y no vale la pena sustituir un modelo de Poisson por uno truncado por ceros.
En caso de que, en lugar de una distribución de Poisson, se estuviese usando una

Binomial Negativa, el procedimiento seria análogo y se obtendrı́a el modelo de Regresión
Binomial Negativa truncado por ceros. Y ası́ para cualquier otro modelo sobre datos de
conteo, como los estudiados en el capı́tulo anterior (PIG,PG,BN-P).
6.2. Modelos con excesos de ceros

Es usual encontrar datos de conteo en los que hay muchas observaciones que toman
el valor cero. Esta cantidad de ceros no es consistente con los modelos que se están
usando (Poisson, BinomialNegativa, etc).
De entre los datos cuyo valor es cero podemos distinguir dos tipos de cero: los falsos
ceros y los ceros auténticos. La presencia de estos falsos ceros puede llevar a que haya
una sobreabundancia de ceros en la base de datos. Para aclarar este concepto se muestra
un ejemplo relacionado con las competiciones deportivas:
Ejemplo: En el estudio del número de goles de un delantero de fútbol en la útima

temporada, aquellos que han marcado 0 goles puede ser por dos motivos:
No han jugado en toda la temporada (lesionados la temporada completa, nunca
han sido convocados...) Falsos ceros
Sı́ han jugado, pero han fallado todos los tiros realizados o nunca han tirado a
puerta. Ceros aunténticos
Hay básicamente dos estrategias para lidiar con el problema del exceso de ceros:
1. Asumir que los ceros proceden de dos procesos distintos: el proceso binomial y el
proceso de Poisson. Igual que en los Modelos en dos partes, se hace un modelo
lineal generalizado binomial para modelizar la probabilidad de medir un 0 (los
falsos ceros). Posteriormente se modeliza la probabilidad de obtener el resto de
valores, incluyendo ceros (los ceros auténticos). Estos modelos se incluyen en los
llamados Modelos lineales generalizados mezclados o mixtos (mixture models) y
se denominan Modelos inflados por ceros.
2. Asumir que todos los ceros son iguales (sin distinguir entre falsos y auténticos).
Este tipo de modelos constan de dos partes: en una primera parte se conside-
ran todos los datos como ceros o no-ceros y se modela la probabilidad de que
una observación sea cero (en función de las variables explicativas seleccionadas)
usando un modelo binomial. Posteriormente, las observaciones que no son cero se
modelizan usando modelos truncados por ceros, como los que se acaban de ver.
Estos modelos se llaman Modelos en dos partes (Hurdle models).
Ambos tipos de modelos permiten abordar el exceso de ceros. La elección de uno

u otro modelo deberı́a basarse en conocimiento a priori de las fuentes de ceros en el
problema. En principio, si se considera que por algún motivo hay una gran cantidad de
falsos ceros en los datos, se deben usar los Modelos inflados por cero, que van a permitir
descubrir los motivos que llevan a medir falsos ceros, y tal vez tomar medidas para que
se eviten en futuros trabajos. Si por el contrario se piensa que la mayorı́a de los ceros
son auténticos, aunque haya muchos, se debe optar por los Modelos en dos partes.
Como ya se ha expuesto, la principal diferencia entre los Modelos en dos partes y los
Modelos inflados por ceros es que en estos últimos se está interesado en distinguir los
distintos orı́genes de los ceros observados, es decir, considerar que hay ceros auténticos
y ceros falsos.
6.2. MODELOS CON EXCESOS DE CEROS 53
6.2.1. Modelos inflados con ceros

Estos modelos suponen que los ceros se generan de dos formas, por una parte se
tienen los ceros falsos y por otra los ceros que proceden de la distribución que se ha
supuesto (Poisson, Binomial Negativa,...) y que también es la que genera los valores
mayores que cero. Por lo tanto:
P (Yi = yi |yi = 0) = g + (1 − g)f (0)

P (Yi = yi |yi > 0) = (1 − g)f (yi )
donde g representa la probabilidad de los ceros falsos, viene definida por un proceso
de decisión binario. Y f (0) es la probabilidad de observar cero en aquellos individuos
que no pertenecen a los ceros falsos, f se trata de una distribución de recuento (Poisson,
Binomial Negativa,...)
6.2.2. Modelos en dos partes

La idea básica de este método es que hay una decisión binaria que determina si el
resultado es cero o no, y una segunda parte de decisión que determina la probabilidad
de los valores mayores que cero cuando se pasa la primera decisión.
El proceso se divide en dos: Modelo de decisión binaria (generado por una distribu-
ción g) y modelo truncado en cero (generado por una distribución f)
P (Yi = yi |yi = 0) = g(0)

f (yi )
P (Yi = yi |yi > 0) = (1 − g(0))
1 − f (0)
donde 1 − g(0) es la probabilidad de pasar la primera decisión, es decir, de no ser el

valor 0, y (f (yi )/(1 − f (0))) la probabilidad de tomar un valor yi , sabiendo que yi > 0.
Capı́tulo 7
Aplicación a competiciones
deportivas
En este capı́tulo se lleva a cabo la aplicación práctica de las técnicas estadı́sticas

en los modelos para datos de conteo y se muestra su aplicabilidad en competiciones
deportivas.
7.1. Estadı́sticas en el Deporte

Actualmente son muchas las fuentes que suministran información estadı́stica para
los deportes más populares. Para ilustrar las posibilidades de estas fuentes se muestra
como ejemplo el sistema AMISCO en el fútbol.
Amisco es un programa informático de la empresa francesa Sport Universal Process.

Se trata de un sistema de captación, procesamiento y análisis de los datos que se
obtienen a través de las cámaras que se instalan en los estadios de fútbol. Su principal
función es la de medir, almacenar y descifrar los datos estadı́sticos que se desprenden
en un partido de fútbol, desde parámetros tanto tácticos, técnicos como fı́sicos.
El programa AmiscoPro tiene 8 cámaras situadas alrededor de todo el estadio que

graban todo lo que pasa en el terreno de juego, desde las acciones técnico-tácticas de
cada jugador (pase, chut, remate, desmarque, cobertura, etc.), a trayectorias del balón
o recorridos realizados por los árbitros. Estas imágenes se envı́an a una central, donde se
utilizan para reproducir virtualmente todas las acciones que se dan durante el partido.
Este programa lo utilizan en la actualidad varios equipos de la Liga BBVA, entre

los que podemos incluir al Real Madrid, Valencia o Villarreal, y otros grandes clubes de
Europa como Liverpool, Manchester, Ajax o Borussia Dortmund. Solo con estos datos,
es evidente que el uso de este sistema aporta grandes beneficios a aquellos equipos que
lo utilizan, entre los que se pueden destacar:
55
56 CAPÍTULO 7. APLICACIÓN A COMPETICIONES DEPORTIVAS
Para los entrenadores: Comprobar si se realizan correctamente las acciones técnico-

tácticas entrenadas. Medir distancias entre jugadores y respecto a sus marcas.
Ocupación de zonas.
Para los preparadores fı́sicos: Velocidad y distancia recorrida por los jugadores en
un partido, que sirve para demostrar que el estado de la condición fı́sica permite
por ejemplo realizar un sprint en el minuto 88.
Para los jugadores: Reciben un mensaje que les permite comprobar la participa-
ción y la eficacia de sus acciones con y sin balón.
Para el propio deporte: Se ha aplicado también en el ámbito de la investigación,

con el desarrollo de diferentes estudios para analizar la actividad de los jugadores
en función a su posición, del tipo de competición, etc.
En conclusión, se puede afirmar que este sistema actual de análisis ofrece a los clubes
que lo utilizan, una amplia gama de información única e innovadora sobre los partidos,
ası́ como la posibilidad de una preparación táctica ventajosa de sus jugadores sobre
futuros rivales.
Esto demuestra que la tecnologı́a junto con la estadı́stica puede aportar enormes
beneficios a la cada vez más demandante competitividad del futbol, ya que son datos
reales y fiables. Sin embargo, hay que tener claro que el triunfo lo obtendrá aquel equipo
que mejor uso le haya dado a esa información, y no el que más tenga.
7.2. Aplicación a una base de datos deportiva

En esta sección, a partir de datos obtenidos mediante la página web de la liga
de fútbol profesional española (http://www.laliga.es) se estudia el número de goles
anotados por los jugadores pertenecientes a los cinco primeros equipos de la temporada
2015-2016.
Se han programado distintos scripts en R para poder realizar tal estudio, interpre-
tando posteriormente los resultados obtenidos.
7.2.1. Descripción de los datos

La base de datos está formada por 125 jugadores de los siguientes cinco equipos
(Ath.Bilbao, Atl. de Madrid, F.C. Barcelona, Real Madrid y Villareal FC). El objetivo
será modelizar el número de goles por jugador (variable objetivo) en función de una
7.2. APLICACIÓN A UNA BASE DE DATOS DEPORTIVA 57
serie de variables explicativas relacionadas con las caracterı́siticas del jugador (peso,
altura, edad, equipo,...), persiguiendo un objetivo fundamentalmente explicativo.
Instrucciones iniciales necesarias para el estudio a realizar y resumen descriptivo

de la base de datos ”GolesJugadoresLiga 20152016.sav” que se encuentra en un archivo
SPSS.
> library(foreign) #Para leer ficheros de SPSS

> X<-data.frame(read.spss("GolesJugadoresLiga_20152016.sav"))
> jugador<-X$Jugador
> X<-X[,2:16] #Seleción de las variables
> rownames(X)<-jugador
> str(X)
’data.frame’: 125 obs. of 15 variables:

$ Altura : num 182 174 177 175 180 185 184 181 180 191 ...
$ Peso : num 78 69 76 72 76 79 78 77 71 87 ...
$ Edad : num 36 23 28 29 27 29 29 28 26 35 ...
$ Nacionalidad : Factor w/ 2 levels "Esp",..: 1 1 1 1 1 1 1 1 1 1 ...
$ Pos : Factor w/ 4 levels "centrocampista",..: 3 1 2 1 1 ...
$ Equipo : Factor w/ 5 levels "Ath.Bilbao",..: 1 1 1 1 1 1 1 ...
$ PJ : num 34 3 34 36 34 30 11 23 16 37 ...
$ PJCompl : num 25 1 31 22 30 26 3 13 4 36 ...
$ Partidos_Tit : num 30 2 33 32 33 28 4 15 8 37 ...
$ Partidos_Sust: num 4 1 1 4 1 2 7 8 8 0 ...
$ Min_Jugados : num 2776 186 2905 2894 2886 ...
$ Tarjetas : num 9 0 6 8 6 5 1 1 2 1 ...
$ Expulsiones : num 0 0 0 0 0 0 0 0 0 1 ...
$ Penaltis : num 2 0 0 0 0 0 0 0 0 0 ...
$ GOLES : num 20 0 0 1 1 0 1 0 2 0 ...
Las variables que requieren una descripción adicional a su nombre son: Pos (Po-
sición), PJ (Partidos jugados), PJCompl (Partidos jugados completos), Partidos Tit
(Partidos jugados como titular) y Partidos Sust (Partidos jugados como sustituto). A
continuación se muestra un resumen de los valores que toman cada variable.
> summary(X)
Altura Peso Edad Nacionalidad

Min. :169.0 Min. :62.00 Min. :19.00 Esp :71
1st Qu.:177.0 1st Qu.:72.00 1st Qu.:24.00 NoEsp :54
Median :182.0 Median :74.00 Median :27.00
Mean :181.1 Mean :75.19 Mean :27.04
3rd Qu.:185.0 3rd Qu.:78.00 3rd Qu.:30.00
Max. :195.0 Max. :94.00 Max. :36.00
Pos Equipo PJ
centrocampista :45 Ath.Bilbao :25 Min. :1.00
defensa :39 Atl. de Madrid :25 1st Qu.:11.00
delantero :31 FC Barcelona :25 Median :23.00
portero :10 Real Madrid :24 Mean :20.94
Villarreal CF :26 3rd Qu.:31.00
Max. :38.00
PJCompl Partidos_Tit Partidos_Sust Min_Jugados

Min. : 0.00 Min. : 0.00 Min. : 0.000 Min. : 10
1st Qu.: 2.00 1st Qu.: 7.00 1st Qu.: 1.000 1st Qu.: 657
Median : 9.00 Median :15.00 Median : 3.000 Median :1467
Mean :12.37 Mean :16.72 Mean : 4.216 Mean :1501
3rd Qu.:22.00 3rd Qu.:28.00 3rd Qu.: 7.000 3rd Qu.:2475
Max. :38.00 Max. :38.00 Max. :21.000 Max. :3420
Tarjetas Expulsiones Penaltis GOLES

Min. : 0.000 Min. :0.000 Min. :0.000 Min. : 0.000
1st Qu.: 1.000 1st Qu.:0.000 1st Qu.:0.000 1st Qu.: 0.000
Median : 3.000 Median :0.000 Median :0.000 Median : 1.000
Mean : 3.368 Mean :0.152 Mean :0.112 Mean : 3.024
3rd Qu.: 5.000 3rd Qu.:0.000 3rd Qu.:0.000 3rd Qu.: 2.000
Max. :13.000 Max. :2.000 Max. :4.000 Max. :40.000
> mean(X$GOLES)
[1] 3.024
> var(X$GOLES)
[1] 44.92684
Se observa que la varianza muestral del número de goles (44.93) es bastante ma-
yor a la media (3.024), lo que nos hace empezar a cuestionarnos el problema de la
sobredispersión en los datos.
Con un objetivo descriptivo se realizan los siguientes histogramas que representan el

número de jugadores que han anotado una determinada cantidad de goles, dependiendo
de la posición en la que juegan. Como es de esperar los delanteros tienen más jugadores
que anotan muchos goles que el resto de posiciones. También observamos como los todos
los porteros se acumulan, obviamente, en el valor 0:
> ggplot(X, aes(GOLES, fill = Pos)) +

+ geom_histogram(binwidth=2) +
+ facet_grid(Pos ~ ., margins=TRUE, scales="free")
Análogamente se pueden obtener usando las mismas instrucciones, los histogramas

que representan el número de jugadores que han anotado una determinada cantidad
de goles por equipos o por nacionalidad (Españoles y no Españoles), e interpretar los
resultados gráficos.
7.2.2. Aplicación del modelo de regresión de Poisson

A continuación se analiza el conjunto de datos a través de la regresión de Poisson
mediante el método paso a paso. Se han seleccionado las variables explicativas: Altura,
Nacionalidad, Pos, Equipo, PJ, PJCompl, Min Jugados y Penaltis.
A continuación se muestra la instrucción del paso a paso y el modelo de regresión
de Poisson con su respectiva salida:
> modpoisson <- step(glm(GOLES ~ . , family="poisson", data=X),
direction="both")
> summary(modpoisson <-glm(GOLES~Altura + Nacionalidad + Pos + Equipo +
PJ + PJCompl + Min_Jugados + Penaltis,family="poisson", data=X))
Call:
glm(formula = GOLES ~ Altura + Nacionalidad + Pos + Equipo +
PJ + PJCompl + Min_Jugados + Penaltis, family = "poisson",
data = X)
Deviance Residuals:
Min 1Q Median 3Q Max
-3.1787 -1.0845 -0.3958 0.3845 2.9828
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -6.802e+00 2.239e+00 -3.038 0.00238 **
Altura 2.729e-02 1.233e-02 2.213 0.02691 *
NacionalidadNoEsp 3.930e-01 1.568e-01 2.506 0.01220 *
Posdefensa -7.200e-01 2.462e-01 -2.925 0.00345 **
Posdelantero 1.446e+00 1.662e-01 8.700 < 2e-16 ***
Posportero -1.755e+01 8.538e+02 -0.021 0.98360
EquipoAtl. de Madrid -5.851e-01 2.254e-01 -2.596 0.00943 **
EquipoFC Barcelona 1.330e-01 2.263e-01 0.588 0.55677
EquipoReal Madrid 1.514e-01 2.127e-01 0.711 0.47678
EquipoVillarreal CF -3.869e-01 2.426e-01 -1.595 0.11070
PJ 6.287e-02 2.286e-02 2.750 0.00596 **
PJCompl -3.778e-02 1.912e-02 -1.976 0.04818 *
Min_Jugados 6.333e-04 3.656e-04 1.732 0.08324 .
Penaltis 1.823e-01 8.050e-02 2.265 0.02354 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for poisson family taken to be 1)

Null deviance: 997.81 on 124 degrees of freedom

Residual deviance: 176.35 on 111 degrees of freedom
AIC: 404.13
Number of Fisher Scoring iterations: 15
Se observa que puede haber un problema de colinealidad entre las variables PJComp
y Min Jugados, luego se estudia la colinealidad de las variables mediante el Factor de
inflación de varianza:
> library(car)
> vif(modpoisson)
GVIF Df GVIF^(1/(2*Df))
Altura 1.563021 1 1.250208
Nacionalidad 2.082131 1 1.442959
Pos 1.889924 3 1.111921
Equipo 4.257626 4 1.198522
PJ 9.855946 1 3.139418
PJCompl 19.500017 1 4.415882
Min_Jugados 34.684988 1 5.889396
Penaltis 4.523385 1 2.126825
Efectivamente se observa colinealidad, en la variable Min Jugados GVIF=34.68.

Luego se realiza el modelo de regresión de Poisson sin esta variable:
> summary(m1poisson <-glm(GOLES~Altura + Nacionalidad + Pos + Equipo + PJ +

+ PJCompl + Penaltis,family="poisson", data=X))
Call:
glm(formula = GOLES ~ Altura + Nacionalidad + Pos + Equipo +
PJ + PJCompl + Penaltis, family = "poisson", data = X)
Deviance Residuals:
-3.0041 -1.0631 -0.3650 0.3803 2.7638
Coefficients:
(Intercept) -7.232e+00 2.250e+00 -3.215 0.00131 **
Altura 2.926e-02 1.239e-02 2.362 0.01819 *
NacionalidadNoEsp 4.664e-01 1.502e-01 3.106 0.00190 **
Posdefensa -7.572e-01 2.448e-01 -3.094 0.00198 **

Posdelantero 1.461e+00 1.651e-01 8.848 < 2e-16 ***
Posportero -1.860e+01 1.354e+03 -0.014 0.98904
EquipoAtl. de Madrid -6.335e-01 2.226e-01 -2.846 0.00443 **
EquipoFC Barcelona 2.825e-02 2.188e-01 0.129 0.89725
EquipoReal Madrid 6.384e-02 2.040e-01 0.313 0.75431
EquipoVillarreal CF -5.203e-01 2.339e-01 -2.225 0.02609 *
PJ 9.667e-02 1.149e-02 8.416 < 2e-16 ***
PJCompl -8.446e-03 9.151e-03 -0.923 0.35605
Penaltis 1.470e-01 7.790e-02 1.887 0.05911 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

AIC: 405.15
Para la interpretación del modelo se debe tener en cuenta las categorı́as de referencia
para las variables cualitativas: Nacionalidad: Española, Posición: centrocampista y
Equipo: Ath.Bilbao.
En la salida, entre los resultados obtenidos se encuentran las estimaciones de los

coeficientes de regresión para cada una de las variables en el modelo de Regresión de
Poisson. A través de los p-valores observamos que no todas las variables explicativas
influyen en la variable objetivo para un nivel de significación de 0.05.
A nivel interpretativo tenemos que un aumento de la variable Altura, PJ y Pe-

naltis produce un aumento del valor esperado del número de goles. Respecto a las
variables explicativas dummy definidas, NacionalidadNoEsp aumenta el valor espe-
rado de goles. Posdefensa disminuye frente a Poscentrocampista, y Posdelantero
aumenta el valor esperado de goles frente a Poscentrocampista. Se observa que Equi-
poAtl. de Madrid disminuye el valor esperado de goles respecto EquipoAth.Bilbao
y EquipoVillarreal CF también disminuye el valor esperado de goles respecto Equi-
poAth.Bilbao .
Además en la salida también se muestra la desviación calculada a partir del modelo

con solo el coeficiente β0 , el residuo desviación y se muestra el criterio AIC. También se
obtiene el estadı́stico desviación, que como se vió en el capı́tulo 3 detecta sobredispersión

en los datos:
D 176,35
= = 1,59 > 1
gl 111
Luego se da la sobredispersión en los datos. Los modelos de Poisson sobredispersos
algunas veces conducen a la confusión de que algunas variables explicativas contribuyen
significativamente al modelo, cuando en realidad no es ası́.
El coeficiente de variación CV constituye también otra forma de detección de sobre-

dispersión, para que se cumpla la propiedad de equidispersión este coeficiente debe ser
1, vemos a continuación que en ninguno de los 5 equipos se cumple, es más, en algunos
equipos CV toma valores muy grandes:
> cv<-function(x) {sd(x)/abs(mean(x))}

> with(X, tapply(GOLES,Equipo, function(x) {
+ sprintf("(Media, Var, CV) = (%1.2f, %1.2f, %1.2f)",
+ mean(x), var(x), cv(x))}))
Ath.Bilbao
"(Media, Var, CV) = (2.28, 18.46, 1.88)"
Atl. de Madrid
"(Media, Var, CV) = (2.48, 22.43, 1.91)"
FC Barcelona
"(Media, Var, CV) = (4.36, 102.07, 2.32)"
Real Madrid
"(Media, Var, CV) = (4.50, 78.00, 1.96)"
Villarreal CF
"(Media, Var, CV) = (1.62, 7.05, 1.64)"
Por lo tanto, se prueba aplicar un modelo de regresión Binomial Negativa.
7.2.3. Aplicación del modelo de regresión Binomial Negativa

El lenguaje R permite un estudio del Modelo de Regresión Binomial Negativa desde
los dos enfoques planteados en el capı́tulo 4, como una Poisson compuesta con Gamma
y como miembro de la familia de MLG. Se analizará el conjunto de datos enfocando
el modelo de regresión binomial negativa como un miembro de la familia de modelos
lineales generalizados. Para ello se usa glm.nb del paquete MASS. Al igual que con el
modelo de Poisson, se aplica previamente el método de paso a paso para seleccionar las
variables con la que se realiza la regresión Binomial Negativa. Se recogen las siguientes
instrucciones con sus salidas correspondientes:
> library("MASS")
> modBN <- step(glm.nb(GOLES ~ . , data=X),direction="both")
> summary(modBN <-glm.nb(GOLES~Altura + Nacionalidad + Pos + PJ + PJCompl +
+ Penaltis, data=X))
Call:
glm.nb(formula = GOLES ~ Altura + Nacionalidad + Pos + PJ + PJCompl +
Penaltis, data = X, init.theta = 3.169403907, link = log)
Deviance Residuals:
-2.3316 -0.9428 -0.4586 0.2772 2.5200
Coefficients:
(Intercept) -1.017e+01 3.536e+00 -2.875 0.00404 **
Altura 4.539e-02 1.952e-02 2.325 0.02007 *
NacionalidadNoEsp 3.220e-01 1.964e-01 1.639 0.10116
Posdefensa -6.806e-01 3.047e-01 -2.234 0.02551 *
Posdelantero 1.043e+00 2.352e-01 4.433 9.28e-06 ***
Posportero -3.715e+01 1.980e+07 0.000 1.00000
PJ 1.076e-01 1.650e-02 6.524 6.86e-11 ***
PJCompl -3.001e-02 1.529e-02 -1.962 0.04974 *
Penaltis 4.949e-01 1.536e-01 3.222 0.00127 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for Negative Binomial(3.1694) family taken to be 1)

AIC: 391.52
Theta: 3.17
Std. Err.: 1.17
2 x log-likelihood: -371.524
init.theta es el valor inicial para el parámetro dispersión, si se omite se estima

mediante el MLG de Poisson. Hay que aclarar que en esta salida 3.16940 no es la
estimación de θ sino de su invera, siendo su valor 0.315.
Como se hizo con el modelo de regresión de Poisson se realiza un estudio de la coli-

nealidad de las variables que han sido seleccionadas. Se observa que no hay colinealidad,
luego mantenemos todas las variables explivativas seleccionadas por el paso a paso:
> library(car)
> vif(modBN)
GVIF Df GVIF^(1/(2*Df))
Altura 1.183049 1 1.087681
Nacionalidad 1.131378 1 1.063662
Pos 1.836403 3 1.106610
PJ 2.317967 1 1.522487
PJCompl 3.415688 1 1.848158
Penaltis 2.254691 1 1.501563
El modelo de Poisson con las mismas variables seleccionadas puede relacionarse

con el modelo binomial negativo. Se usa la siguiente prueba de razón de verosimilitud
para comparar estos dos modelos.
> m2poisson <- glm(GOLES~Altura + Nacionalidad + Pos + PJ + PJCompl +

+ Penaltis , family="poisson", data=X)
Call:
glm(formula = GOLES ~ Altura + Nacionalidad + Pos + PJ + PJCompl +
Penaltis, family = "poisson", data = X)
Deviance Residuals:
-2.8715 -1.2718 -0.4643 0.5114 3.8785
Coefficients:
(Intercept) -9.377273 1.981888 -4.731 2.23e-06 ***
Altura 0.042204 0.010901 3.872 0.000108 ***
NacionalidadNoEsp 0.452887 0.121606 3.724 0.000196 ***
Posdefensa -0.893733 0.245174 -3.645 0.000267 ***
Posdelantero 1.234151 0.154462 7.990 1.35e-15 ***

Posportero -17.903312 868.907578 -0.021 0.983561
PJ 0.083456 0.010590 7.880 3.26e-15 ***
PJCompl -0.004321 0.008595 -0.503 0.615168
Penaltis 0.291521 0.069503 4.194 2.74e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

AIC: 417.66
> X2 <- 2 * (logLik(modBN) - logLik(m2poisson))

> pchisq(X2, df = 1, lower.tail=FALSE)
’log Lik.’ 1.129599e-07 (df=10)
El valor del chi-cuadrado asociado es de 1,129 · 10−7 , con 10 grados de libertad. Esto
indica que el modelo de regresión Binomial Negativo con la estimación del parámetro de
dispersión es más apropiado que el modelo de Poisson utilizando las mismas variables
explicativas.
A continuación se compara el primer modelo de Poisson que se realizó (modelo con

las variables seleccionadas paso a paso y eliminando la variable que daba problemas
de colinealidad) con el modelo de regresión BN precedente. Para comparar estos dos
modelos no se puede usar el método anterior, pues los modelos tienen distintas variables
explicativas, luego se usa el test de Vuong, cuya hipótesis nula es que los modelos son
equivalentes. Se obtiene lo siguiente:
> install.packages("pscl")
> library(pscl)
> vuong(m1poisson,modBN)
Vuong Non-Nested Hypothesis Test-Statistic:

(test-statistic is asymptotically distributed N(0,1) under the
null that the models are indistinguishible)
-------------------------------------------------------------
Vuong z-statistic H_A p-value
Raw -0.6748969 model2 > model1 0.2498706
AIC-corrected -1.3825215 model2 > model1 0.0834058
BIC-corrected -2.3832137 model2 > model1 0.0085811
La elección entre el test y sus correciones AIC y BIC se basa en la existencia o

no de ceros inflados que se estudiará en el siguiente apartado. En general cuando no
hay ceros inflados se utiliza el test sin correción y se aceptarı́a que son indistingui-
bles.[https://stats.stackexchange.com/questions/182020/ zero-inflated-poisson-regression-
vuong-test-raw-aic-or-bic-corrected-results/217869]
Por lo tanto, en caso de que no hubiera exceso de ceros, ambos modelos son equiva-
lentes.
Dado que el modelo de regresión BN se trata de un modelo cuya función enlace

(link) es logarı́tmica, a la hora de estimar los coeficientes se tienen que exponenciar los
coeficientes del modelo. Los coeficientes tienen un efecto multiplicativo.
> est <- cbind(Estimate = coef(modBN))

> est
Estimate
(Intercept) -10.16574143
Altura 0.04538793
NacionalidadNoEsp 0.32196426
Posdefensa -0.68059355
Posdelantero 1.04267610
Posportero -37.14561482
PJ 0.10762305
PJCompl -0.03000689
Penaltis 0.49491672
7.2.4. Modelo inflado con ceros y modelo en dos partes BN

Para esta sección en la que se aborda el exceso de ceros en el modelo, se crea una
nueva variable en la base de datos que indique si un jugador es o no portero con la
siguiente instrucción:
> for(i in 1:nrow(X))

+ if (X$Pos[i]=="portero") X$Portero[i]=1 else X$Portero[i]=0
> X <- within(X, {Portero <- factor(Portero, levels=0:1,
+ labels=c("noportero", "portero"))})
> str(X)
’data.frame’: 125 obs. of 16 variables:

$ Altura : num 182 174 177 175 180 185 184 181 180 191 ...
$ Peso : num 78 69 76 72 76 79 78 77 71 87 ...
$ Edad : num 36 23 28 29 27 29 29 28 26 35 ...
$ Nacionalidad : Factor w/ 2 levels "Esp",..: 1 1 1 1 1 1 1 1 1 ...
$ Pos : Factor w/ 4 levels "centrocampista",..: 3 1 2 1 1 ...
$ Equipo : Factor w/ 5 levels "Ath.Bilbao",..: 1 1 1 1 1 1 ...
$ PJ : num 34 3 34 36 34 30 11 23 16 37 ...
$ PJCompl : num 25 1 31 22 30 26 3 13 4 36 ...
$ Partidos_Tit : num 30 2 33 32 33 28 4 15 8 37 ...
$ Partidos_Sust: num 4 1 1 4 1 2 7 8 8 0 ...
$ Min_Jugados : num 2776 186 2905 2894 2886 ...
$ Tarjetas : num 9 0 6 8 6 5 1 1 2 1 ...
$ Expulsiones : num 0 0 0 0 0 0 0 0 0 1 ...
$ Penaltis : num 2 0 0 0 0 0 0 0 0 0 ...
$ GOLES : num 20 0 0 1 1 0 1 0 2 0 ...
$ Portero : Factor w/ 2 levels "noportero","portero": 1 1 1 1 ...
Para tratar el exceso de ceros se utiliza inicialmente un modelo en dos partes (hurdle)
en el que se supone que todos los ceros son iguales. Se tienen que introducir dos fórmulas,
la primera corresponde al modelo de Binomial Negativa y la segunda al Binomial, hurdle
estima la probabilidad de que el conteo no sea cero. En el siguiente modelo hurdle se ha
eliminado la variable explicativa Pos y se ha añadido la variable Portero para estimar
la probabilidad de no ser cero. Se observa lo siguiente:
> library(pscl)
> mhurdlebn <- hurdle(GOLES ~ Altura + Nacionalidad + PJ + PJCompl +
+ Penaltis|Portero , dist="negbin", data = X)
> summary(mhurdlebn)
Call:
hurdle(formula = GOLES ~ Altura + Nacionalidad + PJ + PJCompl + Penaltis |
Portero, data = X, dist = "negbin")
Pearson residuals:
-1.0670 -0.8281 -0.1930 0.3401 6.7757
Count model coefficients (truncated negbin with log link):

(Intercept) -15.77148 5.34067 -2.953 0.003146 **
Altura 0.07696 0.02874 2.678 0.007411 **
NacionalidadNoEsp 0.42970 0.27706 1.551 0.120919
PJ 0.13753 0.02987 4.605 4.13e-06 ***
PJCompl -0.07933 0.02098 -3.781 0.000156 ***
Penaltis 1.09556 0.23461 4.670 3.02e-06 ***
Log(theta) 0.46393 0.42679 1.087 0.277024
Zero hurdle model coefficients (binomial with logit link):
(Intercept) 0.3335 0.1891 1.764 0.0778 .
Porteroportero -17.8996 2062.6394 -0.009 0.9931
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
Theta: count = 1.5903

Number of iterations in BFGS optimization: 17
Log-likelihood: -216.1 on 9 Df
Se observa como ser portero tiene un coeficiente negativo en la probabilidad de que

el conteo de goles no sea cero. Es coherente, aunque no es significativo, pues el p-valor
es 0.9931.
Ahora con las mismas variables se aplica el modelo inflado por cero en el cuál se
supone que los ceros son de dos tipos (ceros verdaderos y ceros falsos). La función
zeroinfl estima la probabilidad de que la variable de conteo valga 0.
> mzeroinflbn <- zeroinfl(GOLES ~ Altura + Nacionalidad + PJ +

+ PJCompl + Penaltis|Portero , data = X, dist = "negbin")
> summary(mzeroinflbn)
Call:
zeroinfl(formula = GOLES ~ Altura + Nacionalidad + PJ + PJCompl + Penaltis |
Portero, data = X, dist = "negbin")
Pearson residuals:
-1.0361 -0.5812 -0.3593 0.3296 7.0723
Count model coefficients (negbin with log link):

(Intercept) -13.23741 4.24218 -3.120 0.00181 **
Altura 0.06160 0.02321 2.654 0.00795 **
NacionalidadNoEsp 0.28519 0.23783 1.199 0.23049
PJ 0.14809 0.02028 7.303 2.82e-13 ***
PJCompl -0.07943 0.01739 -4.568 4.93e-06 ***
Penaltis 1.08889 0.21323 5.107 3.28e-07 ***
Log(theta) 0.29471 0.26047 1.131 0.25786
Zero-inflation model coefficients (binomial with logit link):

(Intercept) -7.901 55.852 -0.141 0.887
Porteroportero 17.905 86.715 0.206 0.836
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
Theta = 1.3427
Number of iterations in BFGS optimization: 39
Log-likelihood: -199 on 9 Df
Se observa como ser portero tiene un coeficiente positivo en el modelo que estima la
odd-ratio de que el conteo de goles sea cero. Es coherente, aunque no es significativo,
pues el p-valor es 0.836.
Se comparan los dos modelos que se han usado para abordar el exceso de ceros con
el objetivo de ver cual se adapta mejor a los datos:
> vuong(mhurdlebn,mzeroinflbn)

-------------------------------------------------------------
Raw -3.434199 model2 > model1 0.00029715
AIC-corrected -3.434199 model2 > model1 0.00029715
BIC-corrected -3.434199 model2 > model1 0.00029715
Se rechaza que los modelos sean indistinguibles. El modelo inflado BN se adapta
mejor a los datos que el modelo hurdle BN.
Finalmente, se compara el modelo de regresión BN con el modelo inflado BN y se

ve si se adapta mejor a los datos:
> vuong(modBN,mzeroinflbn)

-------------------------------------------------------------
Raw 2.705442 model1 > model2 0.0034107
AIC-corrected 2.501679 model1 > model2 0.0061803
BIC-corrected 2.213526 model1 > model2 0.0134307
Según la salida obtenida, el modelo BN se adapta mejor a nuestros datos que el
modelo inflado BN que se ha diseñado.
Una razón que puede justificar esta elección es que la diferencia entre los goles
marcados por los defensas y los porteros no es estadı́sticamente significativa.
7.2.5. Valores pronosticados

Según se ha estudiado, los modelos que mejor se adaptan a los datos son: el primer
modelo de Poisson con la variable Min Jugados eliminada (m1poisson) y el modelo BN
(modBN), ambos equivalentes.
Se observa que para predecir el número de goles de un nuevo jugador, en el modelo de
Poisson influye el equipo al que este pertenezca, en cambio en modelo BN esta variable
no influye en la predicción (el equipo al que pertenezca el jugador es indiferente).
Para predecir el número esperado de goles de un nuevo futbolista perteneciente al
Villarreal CF utilizando el modelo de regresión de Poisson, se realizan las siguientes
instrucciones y se observa en la salida el número de goles esperado para este futbolista:
> nuevofutbolista=data.frame(Altura=178,Nacionalidad="Esp",
Pos="delantero",Equipo="Villarreal CF",PJ=34,PJCompl=30,Penaltis=1)
> (GolesPredichos<- predict(m1poisson, nuevofutbolista, type = "response"))
1
8.143466
A continuación se usa el modelo de regresión Binomial Negativa para predecir el

número esperado de goles del mismo fútbolista. Hay que tener en cuenta que en este
modelo el equipo al que pertenece no aporta nada, si se cambia el equipo por otro
cualquiera se obtendrı́a la misma predicción.
> (GolesPredichos<- predict(modBN, nuevofutbolista, type = "response"))
1
9.114624
Se pueden observar por ejemplo los valores predichos para los delanteros españoles
y no españoles usando el modelo de regresión BN, con las siguientes instrucciones:
delanteros=data.frame(Altura=mean(X$Altura),
Nacionalidad=factor(1:2,levels=1:2,labels=levels(X$Nacionalidad)),
Pos="delantero",PJ=mean(X$PJ),
PJCompl=mean(X$PJCompl),Penaltis=mean(X$Penaltis))
GolesPredichos <- predict(modBN, delanteros, type = "response")
cbind(delanteros,GolesPredichos)[,c(2,7)]
Nacionalidad GolesPredichos
1 Esp 2.814361
2 NoEsp 3.883355
Según el modelo BN los goles esperados en los delanteros de nacionalidad extranjera

son mayores que en los españoles.
Para realizar estas predicciones utilizando el modelo de Poisson habrı́a que tener en
cuenta el equipo al que pertenecen los jugadores. A continuación se realiza el mismo
estudio anterior pero solamente con los jugadores del Villarreal CF.
> delanterosVillarreal=data.frame(Altura=mean(X$Altura),
+ Nacionalidad=factor(1:2,levels=1:2,labels=levels(X$Nacionalidad)),
+ Pos="delantero",Equipo="Villarreal CF",PJ=mean(X$PJ),
+ PJCompl=mean(X$PJCompl),Penaltis=mean(X$Penaltis))
> GolesPredichosVillarreal <- predict(m1poisson, delanterosVillarreal,
+ type = "response")
> cbind(delanterosVillarreal,GolesPredichosVillarreal)[,c(2,8)]
Nacionalidad GolesPredichosVillarreal
1 Esp 2.569421
2 NoEsp 4.096366
Según el modelo de Poisson los goles esperados en los delanteros de nacionalidad

extranjera son mayores que en los españoles en el Villarreal CF.
Conclusión:
La modelización de cualquier situación real no es un proceso unı́voco sino que de-
pende de muchos factores tales como calidad de datos, modelo teórico subyacente, etc.
Con esta aplicación se han mostrado las posibilidades y limitaciones de la aplicación de
técnicas estadı́sticas para datos de conteo en el campo del deporte de competición.
Bibliografı́a
[1] Agresti, A. Categorical Data Analysis

Wiley Series in Probability and Statistics, 1996
[2] Alcaide, M. Modelo de Regresión Binomial Negativa

Trabajo fin de grado, 2015
[3] Cameron, A.C. ; Trivedi, P.K. Regression Analysis of Count Data

New York: Cambridge University Press, 1998
[4] Cascales, B. ; Lucas, P. ; Mira, J.M. ; Pallarés, A. ; Sánchez-Pedreño

S. El libro de Latex
Prentice Hall, 2003
[5] Cordeiro, G.M. ; Vasconcellos, K.L.P. ; Barroso, L.P. Improved esti-

mation for robust econometric regression models
Brazilian Journal of Probability and Statistics, 2000
[6] Hardin, J.W. ; Hilbe, J.M. Generalized Linear Models and Extensions
A State Press Publication StataCorp LP, College Station, Texas, third edition,
2012
[7] Hilbe, J.M. Negative Binomial Regression

Cambridge University Press,second Edition, 2011
[8] Hilbe, J.M. Modeling count data

Cambridge University Press, 2014
[9] Kopka, H. ; Daly, P.W. A guide to LATEX2

Addison-Wesley, 1995
[10] Lindsey, J.K. Modelling Frecuency and Count Data

Oxford Univerity Press, 1995
75
76 BIBLIOGRAFÍA
[11] Lindsey, J.K. Applying Generalized Linear Models

New York: Springer-Verlag, 1997
[12] Madsen, H. ; Thyregod, P. Introduction to General and Generalized Linear

Models
CRC Press Taylor & Francis Group, 2011
[13] McCullagh, P. ; Nelder, J.A. Generalized Linear Models

London:Chapman and Hall, 1989
[14] Muñoz, J.M. Apuntes Asignatura Modelos lineales y diseño de experimentos

Universidad de Sevilla, 2015
[15] Nelder, J.A. ; Wedderburn, R.W.M. Generalized Linear Models

Journal of the Royal Statistical Society, 1972
[16] Pino, J.L. Apuntes Master Big Data y Data Science

Universidad de Sevilla, 2016

Atoche Calzada Pablo TFG PDF

Cargado por

Copyright:

Formatos disponibles

Atoche Calzada Pablo TFG PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Atoche Calzada Pablo TFG PDF

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE MATEMÁTICAS

DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA

Trabajo Fin de Grado:

MODELOS DE REGRESIÓN CON DATOS DE

Pablo Atoche Calzada

1. Modelo Lineal Generalizado 11

2. Datos y variables de conteo 29

3. Modelo de Regresión de Poisson 33

4. Modelo de Regresión Binomial Negativa 39

5. Otros Modelos de Regresión para datos de conteo 45

6. Problemas con el valor 0 49

7. Aplicación a competiciones deportivas 55

Este trabajo se centrará en el estudio de los modelos de regresión para datos de

El presente trabajo se ha estructurado en siete capı́tulos. En el primero, se realiza

En el capı́tulo tres se estudia el modelo de regresión de Poisson, modelo base para

El modelo de regresión Binomial Negativa es el mejor candidato para estudiar datos

pueden estar sesgados extremadamente a la derecha. Otro modelo que se estudia es el

En el último capı́tulo, para ver la aplicabilidad real de la estadı́stica a las com-

Modelo Lineal Generalizado

1.1. Conceptos previos

En estos sistemas (cientı́ficos, socioeconómicos, biosanitarios,...) el fenómeno real

Figura 1.1: Ronald Aylmer Fisher (1890-1962), matemático-bioestadı́stico cuyas

El objetivo de la modelización estadı́stica es por tanto, a través de la observación o

La variable, univariante o multivariante que se desea explicar se conoce como va-

Por lo tanto se busca un modelo que describa la estructura de la relación entre

La construcción del modelo se realiza atendiendo a las siguientes etapas:

el modelo teórico propuesto es aceptable como representación aproximada de los

4. Evaluación del modelo, examinando las observaciones individuales, los datos

5. Interpretación del modelo, comprendiendo sus implicaciones con respecto a

Generalmente el modelo más utilizado es el tipo lineal, es decir, se modeliza la rela-

Modelos para variables de respuesta continuas, permiten estudiar y analizar

Modelos para respuestas binarias o binomiales, permiten considerar va-

Modelos para datos de conteo, los cuales se tratarán posteriormente, per-

La primera forma de regresión lineal documentada fue el método de los mı́nimos

El modelo lineal clásico consiste en expresar la esperanza condicionada de la

Por lo tanto el modelo lineal clásico consiste en expresar la esperanza condicionada

Se considera el supuesto de independencia para las observaciones, sin embargo, para

En un MLG, la media µ de la distribución de la variable objetivo depende de las

donde E(Y ) es el valor esperado de Y , (X t β) es el predictor lineal (combinación lineal

1.2. Componentes del MLG

1.2.1. Componente aleatoria

La distribución de una variable objetivo, caracterizada por los parámetros θ y φ

Para cualquier distribución de esta familia se verifica que:

En la siguiente tabla se resumen los elementos principales que caracterizan a algunas

Distribuciones Rango θ a(φ) b(θ) V (µ)

1.2.2. Componente sistemática

1.2.3. Función enlace

La función enlace que transforma el valor esperado en el predictor lineal es:

La función inversa de la función enlace se denota como h, de modo que se verifica:

µi = g −1 (ηi ) = h(ηi ) = h(Xit β)

La elección de la función enlace no es simpre evidente, pueden existir varias funciones

θi = θ(µi ) = ηi = Xi0 β g(µi ) = θ(µi )

1.3. Inferencia en el modelo lineal generalizado

Dos de los métodos más estudiados y comunes de la estimación paramétrica son el

Para poder realizar un estudio se necesita disponer de una muestra aleatoria

E[Y /Xi = xi ] = µi = h(x0i β) i = 1, ..., n

Asumiendo que Y pertenece a la familia exponencial, la función de verosimilitud

donde y = (y1 ... yn )0

Por lo tanto la función log-verosimilitud viene dada por: