4.6 Resumen

Capítulo 4 en revisión

El Capítulo 4 introdujo el modelo lineal, el caballo de batalla de la estadística. Comenzamos con la distribución Gaussiana y explicamos por qué es un valor por defecto natural (teorema del límite central, entropía máxima). Luego construimos un lenguaje para describir modelos que separa la verosimilitud, el modelo lineal y las distribuciones a priori.

Ajustamos un modelo Gaussiano de estatura (sin predictor) y luego lo extendimos a una regresión lineal con el peso como predictor. Aprendimos la importancia de la simulación predictiva a priori, el centrado de predictores y la visualización de la incertidumbre a posteriori. Finalmente, exploramos la regresión polinomial para relaciones no lineales y vimos los peligros del sobreajuste.

Modelos clave del Capítulo 4

• Modelo Gaussiano: $h_i \sim \text{Normal}(\mu, \sigma)$
• Regresión lineal: $h_i \sim \text{Normal}(\alpha + \beta x_i, \sigma)$
• Regresión polinomial: $h_i \sim \text{Normal}(\alpha + \beta_1 x_i + \beta_2 x_i^2, \sigma)$

Lecciones clave

1. Elija las distribuciones a priori cuidadosamente: Use simulación predictiva a priori para verificar qué implican.
2. Centre los predictores: Hace que el intercepto sea interpretable y mejora el cálculo.
3. Interprete los coeficientes en contexto: La pendiente es el cambio esperado por unidad del predictor.
4. Verifique el modelo: Use simulaciones predictivas a posteriori para verificar el ajuste.
5. Cuidado con el sobreajuste: Use el modelo más simple que capture las características importantes.