Contenido de este artículo
Actualizado el 23 de octubre de 2021, por Luis Benites.
Suavizado Lowess: descripción general
LOWESS (suavizado de diagrama de dispersión ponderado localmente), a veces llamado LOESS (suavizado ponderado localmente), es una herramienta popular utilizada en el análisis de regresión que crea una línea suave a través de un diagrama de tiempo o de dispersión para ayudarlo a ver la relación entre las variables y prever tendencias.
¿Para qué se utiliza el alisado Lowess?
LOWESS se usa típicamente para:
- Ajustar una línea a un gráfico de dispersión o gráfico de tiempo donde los valores de datos ruidosos, los puntos de datos escasos o las interrelaciones débiles interfieren con su capacidad para ver una línea de mejor ajuste.
- Regresión lineal donde el ajuste de mínimos cuadrados no crea una línea de buen ajuste o requiere demasiado trabajo para su uso.
- Exploración y análisis de datos en las ciencias sociales, particularmente en elecciones y comportamiento electoral.
Ajuste paramétrico y no paramétrico
LOWESS, y el ajuste por mínimos cuadrados en general, son estrategias no paramétricas para ajustar una curva suave a puntos de datos. “ Paramétrico ” significa que el investigador o analista asume de antemano que los datos se ajustan a algún tipo de distribución (es decir, la distribución normal ). Debido a que se asume algún tipo de distribución de antemano, el ajuste paramétrico puede llevar a ajustar una curva suave que tergiversa los datos. En esos casos, los suavizadores no paramétricos pueden ser una mejor opción. Los suavizadores no paramétricos como LOESS intentan encontrar una curva de mejor ajuste sin asumir que los datos deben ajustarse a alguna forma de distribución. En general, ambos tipos de suavizadores se utilizan para el mismo conjunto de datos para compensar las ventajas y desventajas de cada tipo de suavizador.
Beneficios del suavizado no paramétrico
- Proporciona un enfoque flexible para representar datos.
- Facilidad de uso.
- Los cálculos son relativamente fáciles.
Desventajas del suavizado no paramétrico
- No se puede usar para obtener una ecuación simple para un conjunto de datos.
- Menos entendido que los suavizadores paramétricos.
- Requiere que el analista use un poco de conjetura para obtener un resultado.
-
Imagen: Kierano|Wikimedia Commons
Redactor del artículo
¿Te hemos ayudado?
Ayudanos ahora tú, dejanos un comentario de agradecimiento, nos ayuda a motivarnos y si te es viable puedes hacer una donación:La ayuda no cuesta nada
Por otro lado te rogamos que compartas nuestro sitio con tus amigos, compañeros de clase y colegas, la educación de calidad y gratuita debe ser difundida, recuerdalo:
