Bru Cordero, Osnamir ElíasSoto Garcés, Rafael Enrique2023-06-082023-06-082023-06-08https://repositorio.unicordoba.edu.co/handle/ucordoba/7387En este trabajo presentamos algunas aplicaciones y generalidades de la regresión cuantil. Se puntualizan los escenarios en los que es pertinente utilizar este tipo de herramientas en contextos donde la regresión clásica no es adecuada. Además, se evidencia la preeminencia y efectividad de la regresión cuantil sobre la regresión lineal clásica, especialmente cuando se busca conocer o evaluar un parámetro diferente a la respuesta media de la variable dependiente. Un ejemplo de su utilidad es en el análisis de supervivencia, donde se puede utilizar la regresión cuantil para estimar la mediana de la duración de una enfermedad o el tiempo hasta un evento de interés, como la muerte. Además, cabe destacar que la regresión cuantil no precisa de supuestos distribuciona les, lo que la diferencia de la regresión clásica cuyos supuestos son extremadamente restrictivos: homocedasticidad, ausencia de correlación y normalidad en los errores del modelo. Por último, se presentan dos aplicaciones en R, conteo de daño celular pa ra evaluar el riesgo de cáncer en cuatro departamentos de Colombia y otra aplicación del precio de viviendas bajo el software Python con el fin de resaltar la capacidad y la versatilidad de la regresión cuantil.1. Introducción..................................82. Modelo e inferencia de la regresión cuantil..........112.1. Inferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132.2. Regresión cuantil para comparar medianas .. . . . . 132.3. Regresión cuantil y regresión lineal simple en distribuciones normales......... . 142.4. Regresión cuantil en modelos binarios .. . . . . . . . . 152.5. Regresión cuantil de coeficiente variable . . . . . . 162.6. Regresión cuantil parcial . . .. . . . . . . . . . . . . . . 162.7. Regresión de cuantiles penalizados .. . . . . . . . . . 173. Aplicaciones de la regresión cuantil.............193.1. Aplicación 1 en Sofware R . . . . . . . . . . . . . . . . . . . 223.2. Aplicación 2 en Python . . . . . . . . . . . . . . . . . . 283.2.1. Cargar módulos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293.2.2. Contexto de los datos . . . . . . . . . . . . . . . . . . . . . . . . . 293.2.3. Análisis descriptivo . . . . . . . . . . . . . . . . . . . . . . . . . . 343.2.4. Análisis descriptivo para la variable a predecir (SalePrive) . . . . 363.2.5. Análisis de la correlación SalePrince con GrLivArea . . . . . . . . 383.2.6. Prueba de correlación . . . . . . . . . . . . . . . . . . . . . . . . . 393.2.7. Prueba de normalidad . . . . . . . . . . . . . . . . . . . . . . . . . 403.2.8. Modelo de regresión lineal simple . . . . . . 413.2.9. Modelo de regresión cuantil (Q2) . . . . . . . . 434. Conclusiones...........................47Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47application/pdfspaCopyright Universidad de Córdoba, 2023Trabajo de grado - Pregradoinfo:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)Regresión cuantilRegresión linealMNBNQuantile regressionLinear regressionMNBN