Scribd
Cargar
197 vistas4 páginas

Análisis de Covarianza y Aplicaciones

El análisis de covarianza (ANCOVA) es una técnica estadística que combina el análisis de varianza y el análisis de regresión para reducir el error experimental. ANCOVA segrega la variabilidad total de los resultados en la parte debida a fuentes de error y descubre la influencia de los tratamientos. Se presenta un ejemplo de datos de insecticidas donde se aprecia que algunos sprays (A, B, F) tienen medias de insectos vivos superiores, mientras que otros sprays tienen medias inferiores, mostrando

Cargado por

Fany G. Hernandez
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
197 vistas4 páginas

Análisis de Covarianza y Aplicaciones

El análisis de covarianza (ANCOVA) es una técnica estadística que combina el análisis de varianza y el análisis de regresión para reducir el error experimental. ANCOVA segrega la variabilidad total de los resultados en la parte debida a fuentes de error y descubre la influencia de los tratamientos. Se presenta un ejemplo de datos de insecticidas donde se aprecia que algunos sprays (A, B, F) tienen medias de insectos vivos superiores, mientras que otros sprays tienen medias inferiores, mostrando

Cargado por

Fany G. Hernandez
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 4

ITSA

INVESTIGACI
ON
ESTADISTICA INFERENCIAL

JENNY ARLEN GARCIA HERNANDEZ


Análisis de covarianza: ¿qué es?
El análisis de covarianza (ANCOVA) es una técnica utilizada en estadística, y
concretamente se trata de una prueba paramétrica. Las pruebas paramétricas
dentro de la estadística permiten analizar factores dentro de una población.
Además, permiten cuantificar hasta qué punto dos variables son independientes.
El acrónimo ANCOVA proviene de “ANalysis of COVAriance”. En realidad, el
ANCOVA combina dos tipos de estrategias: el Análisis de Varianza (ANOVA) junto
al Análisis de Regresión.
Aquí debemos recordar que el ANOVA es otra técnica estadística que segrega de
la variabilidad total de nuestros resultados, la parte debida a fuentes de error; así,
además de ser una técnica de control del error, descubre la influencia de los
tratamientos.
Por su parte, el análisis de covarianza también es una técnica estadística, pero
más completa que la ANOVA; igual que ella, se utiliza para reducir el error
experimental, pero además, aplica una regresión lineal múltiple (regresión
estadística) a los resultados.
EJEMPLO:
Datos de Insecticidas. Este ejemplo contiene los datos de un experimento
agronómico para conocer el efecto de diferentes insecticidas (spray) sobre el
número de insectos vivos (count) tras un periodo de tratamiento.

Cargamos los datos y realizamos el gráfico descriptivo: data(InsectSprays)


insecticidas <- InsectSprays
ggplot(insecticidas,aes(x = spray, y = count)) + geom_boxplot()
Se aprecia como el número de insectos vivos es superior cuando usamos los
sprays A, B, y F (con medias muy similares). El resto de sprays muestran (medias)
una supervivencia inferior. Se observan como dos grupos de sprays, uno con
medias altas y otro con medias bajas.
MATRIZ DE COVARIANZA
La matriz de covarianzas de un conjunto de rendimientos es un parámetro
relevante en la construcción de portafolios de inversión. No obstante, resulta difícil
determinar una matriz de covarianzas empírica confiable Laloux, Cizeau y
Bouchaud (1999), ya que las series de tiempo disponibles pueden contener ruido y
este elemento estocástico ocasiona indirectamente que se sobrestimen o
subestimen las covarianzas y varianzas poblacionales.
señalan que la matriz de covarianzas muestral puede no reflejar la correcta
asociación poblacional entre los diferentes rendimientos porque las condiciones
del mercado cambian con el tiempo y la covarianza existente entre un par de
activos no necesariamente es permanente. El tamaño de la muestra, la longitud de
las series de tiempo y el conjunto de activos que se hayan considerado pueden
arrojar observaciones con ruido. En este caso, la varianza muestral estimada
traería consigo un componente asociado a la variable aleatoria del ruido, pero que
no se puede distinguir directamente . Análogamente, las covarianzas muestrales
podrían presentar el mismo problema y sesgar los cálculos relacionados con la
matriz de covarianzas muestral.

Idealmente se desearía utilizar la matriz de covarianzas poblacional de los


rendimientos en un portafolio específico, pues se eliminarían las posibles
complicaciones que presenta el estimador muestral de la matriz de covarianzas.
En este sentido, la función de densidad de probabilidad multivariada que mejor se
ajuste a la muestra de información disponible es un punto clave ,ya que sería
posible emplear un estimador más consistente de la matriz de covarianzas
poblacional en el procedimiento de Markowitz
EJEMPLO:

También podría gustarte