20.1 Modelos de regresión

Nos centraremos en los modelos de regresión:

\[Y=f(X_{1},\cdots,X_{p})+\varepsilon\] donde:

• \(Y\equiv\) variable respuesta (o dependiente).

• \(\left( X_{1},\cdots,X_{p}\right) \equiv\) variables explicativas (independientes, o covariables).

• \(\varepsilon\equiv\) error aleatorio.

20.1.1 Herramientas disponibles en R

R dispone de múltiples herramientas para trabajar con modelos de este tipo. Algunas de las funciones y paquetes disponibles se muestran a continuación:

• Modelos paramétricos:

  • Modelos lineales:

    • Regresión lineal: lm() (aov(), lme(), biglm, …).

    • Regresión lineal robusta: MASS::rlm().

    • Métodos de regularización (Ridge regression, Lasso): glmnet, …

  • Modelos lineales generalizados: glm() (bigglm, …).

  • Modelos paramétricos no lineales: nls() (nlme, …).

• Modelos no paramétricos:

  • Regresión local (métodos de suavizado): loess(), KernSmooth, sm, …

  • Modelos aditivos generalizados (GAM): gam, mgcv, …

  • Arboles de decisión (Random Forest, Boosting): rpart, randomForest, xgboost, …

  • Redes neuronales, …

Desde el punto de vista de la programación, con todos estos modelos se trabaja de una forma muy similar en R.