Gracias Emilio por el codigo en R.
Hace poco estuve revisando una situacion similar a la que ilustras en tu
mensaje (i.e., seleccion de modelos e inferencia). Dale una mirada a estos
dos articulos:
http://www-stat.wharton.upenn.edu/~berkr/PoSI-submit.pdf
http://statweb.stanford.edu/~ckirby/brad/p
Pero que gran comunidad ... si el mundo funcionara con esta generosidad, el
estado de cosas serÃa diferente gracias por existir.
Slds, eric.
On 23/01/15 16:24, Emilio Torres Manzanera wrote:
> ¡Mil gracias!
> Parece que el tamaño ¡sà que importa! aunque solo sean 4 coeficientes. Par
¡Mil gracias!
Parece que el tamaño ¡sà que importa! aunque solo sean 4 coeficientes. Para
estimar los 4 coeficientes con cierta precisión, se necesitan unos 2000 datos.
La próxima vez que vea un estudio sobre si trabaja (sÃ/no) en función del sexo
(hombre/mujer) y estado civil (casado/so
Efectivamente, la normalidad tarda en llegar (un problema que merece ser
investigado)
En cualquier caso, parece que ambos diseños dan varianzas asintóticas similares
de los estimadores:
> n=1000
>
> dat <- data.frame(x1=sample(0:1, n,replace=TRUE),x2=sample(0:1,
> n,replace=TRUE))
> dat$inte
Hola, ¿qué tal?
Cierto, cierto, habÃa un error en el código que publiqué. Pero el
diagnóstico es parecido. Cuando los datos se generan con el
coeficiente de x2 igual a 7, los coeficientes estimados tienen una
distribución extraña, bimodal (aparentemente), en lugar de
_normalmente_ distribu
Emilio,
espero no haberte generado mucha confusión con mi anterior respuesta.
El problema no es de separación sino más bien de tamaño muestral.
Al coger el código de Carlos, obtenÃa que "y" y "x1" eran sistemáticamente
independiente (la tabla table(dat$y,dat$x1) tiene columnas proporcional
