Howtosignalprocessing
- ¿Cómo eliges pesas para mínimos cuadrados ponderados??
- ¿Es WLS más eficiente que OLS??
- ¿Cuándo debo usar mínimos cuadrados ponderados??
- ¿Qué es el método de mínimo cuadrado ponderado??
¿Cómo eliges pesas para mínimos cuadrados ponderados??
La regresión de mínimos cuadrados ponderados (WLS) no es un modelo transformado. En cambio, simplemente está tratando cada observación como más o menos informativa sobre la relación subyacente entre X e Y. Esos puntos que son más informativos reciben más 'peso', y los que son menos informativos tienen menos peso.
¿Es WLS más eficiente que OLS??
El uso de WLS puede justificarse si cree que diferentes observaciones tienen diferentes variaciones de error, i.mi. Var (ε1) = ... = var (εn) no se mantiene. Entonces, WLS puede ser más eficiente que los OL (siempre que pueda obtener pesos que sean aproximadamente proporcionales a las variaciones de error inverso).
¿Cuándo debo usar mínimos cuadrados ponderados??
Si la desviación estándar de los errores aleatorios en los datos no es constante en todos los niveles de las variables explicativas, el uso de mínimos cuadrados ponderados con pesos que son inversamente proporcionales a la varianza en cada nivel de las variables explicativas producen las estimaciones de parámetros más precisas posibles.
¿Qué es el método de mínimo cuadrado ponderado??
Mínimos cuadrados ponderados (WLS), también conocidos como regresión lineal ponderada, es una generalización de los mínimos cuadrados ordinarios y la regresión lineal en la que el conocimiento de la varianza de las observaciones se incorpora a la regresión. WLS también es una especialización de mínimos cuadrados generalizados.
