MODELOS DE REGRESIÓN PARAMÉTRICOS POLINOMIALES Y NO PARAMÉTRICOS B-SPLINES. UNA APLICACIÓN EN INGENIERÍA.
DOI:
https://doi.org/10.47187/perf.v1i28.185Palabras clave:
Simulación de impacto vehicular, modelos de regresión polinomiales, modelos de regresión B-splines, bondad de ajuste, intervalo de confianza, normalidadResumen
Se realizó un estudio de los modelos de regresión paramétricos polinomiales y no paramétricos B-splines aplicados a una simulación de impacto de un automóvil contra una carrocería de autobús. Se estableció un diseño no experimental, transversal y correlacional. Se utilizó el software R y se consideraron los criterios: rechazo de la nulidad de los coeficientes de los modelos mediante la prueba de hipótesis t de Student, validez de los modelos mediante la prueba F de Snedecor de la tabla ANOVA, bondad de ajuste, intervalos de confianza al 95%, y cumplimiento de los supuestos de distribución normal, no autocorrelación y homocedasticidad de los residuos. Para la selección del modelo de regresión idóneo se aplicó la prueba no paramétrica de Wilcoxon a partir de las longitudes de los intervalos de confianza. Los modelos de regresión paramétricos polinomiales se ajustaron a las curvas con forma parabólica o que presentan una curvatura sin cambios abruptos, adaptándose mejor a las relaciones de la simulación de impacto vehicular, cuya variable explicativa es la velocidad del vehículo que impacta. Mientras los modelos de regresión no paramétricos B-splines brindaron un mejor ajuste a las curvas con forma de campana y con cambios de curvatura más abruptos.
Descargas
Citas
Jurewicz C, Sobhani A, Woolley J, Dutschke J, Corben B. Exploration of Vehicle Impact Speed – Injury Severity Relationships for Application in Safer Road Design. Transportation Research Procedia. 2016;14:4247-56.
Moreno-Zulca PA, Llanes-Cedeño EA, Guaña-Fernández WV, Jima-Matailo JC. Análisis estructural de un bus por el método de elementos finitos. Polo del Conocimiento. 2020;5(1):799-837.
Portillo M, Chacón R, Moreno M, Bongiorno F. Simulación y análisis de una prueba de choque de un automóvil tipo deportivo, utilizando un software basado en el método de los elementos finitos. Revista Ciencia e Ingeniería. 2011;32(1):69-77.
Cárdenas D, Escudero J, Quizhpi S, Amaya M. Propuesta de diseño estructural para buses de carrocería interprovincial. Ingenius Revista de Ciencia y Tecnología. 2014;11(1):42-52.
Pikûnas A, Pumputis V, Sadauskas V. The influnce of vehicles speed on accident rates and their consequences. Transport. 2004;19(1):15-25.
Stimson JA, Carmines EG, Zeller RA. Interpreting Polynomial Regression. Sociological Methods & Research. mayo de 1978;6(4):515-24.
Meilán-Vila A, Opsomer J, Francisco-Fernández M, Crujeiras R. A goodness-of-fit test for regression models with spatially correlated errors. TEST. 2020;29(3):728-49.
Ostertagová E. Modelling using Polynomial Regression. Procedia Engineering. 2012;48:500-6.
Montgomery DC, Runger GC. Applied statistics and probability for engineers. 3.a ed. New York, USA: John Wiley & Sons, Inc.; 2003. 976 p.
Aparicio J, Martínez M, Morales J. Modelos lineales aplicados en R [Internet]. 1.a ed. Elche, España; 2006 [citado 29 de abril de 2021]. 215 p. Disponible en: https://umh3067.edu.umh.es/wp-content/uploads/sites/240/2013/02/Modelos-Lineales-Aplicados-en-R.pdf
Racine JS. The crs Package [Internet]. 2021 [citado 3 de abril de 2021]. Disponible en: https://cran.r-project.org/web/packages/crs/vignettes/crs.pdf
Paluszny M, Prautzsch H, Böhm W. Métodos de Bézier y B-splines. Karlsruhe: Univ.-Verl; 2005. 303 p.
Racine JS. A primer on Regression Splines. 2019.
Yli-Heikkilä M. Data Science Languages. 2019;2.
Garibaldi LA, Oddi FJ, Aristimuño FJ, Behnisch AN. Modelos estadísticos en lenguaje R [Internet]. 1.a ed. Buenos Aires, Argentina: UNRN; 2019. 261 p. Disponible en: https://rid.unrn.edu.ar/bitstream/20.500.12049/5789/2/garibaldi_lenguajeR_eunrn.pdf
Woolson RF. Wilcoxon signed-Rank test. En: Wiley encyclopedia of clinical trials [Internet]. Willey; 2007. p. 1-3. Disponible en: https://onlinelibrary.wiley.com/doi/abs/10.1002/9780471462422.eoct979
Meyer R. Deviance Information Criterion (DIC). En: Wiley StatsRef: Statistics Reference Online [Internet]. 1.a ed. Wiley; 2016 [citado 7 de mayo de 2022]. p. 1-6. Disponible en: https://onlinelibrary.wiley.com/doi/10.1002/9781118445112.stat07878
Cavanaugh JE, Neath AA. The Akaike information criterion: Background, derivation, properties, application, interpretation, and refinements. WIREs Comp Stat. 2019;11(3):1-11.
Koenker R. A note on studentizing a test for heteroscedasticity. Journal of Econometrics. 1981;17(1):107-12.
Tillman JA. The Power of the Durbin-Watson Test. Econometrica. 1975;43(5/6):959-74.
Yap BW, Sim CH. Comparisons of various types of normality tests. Journal of Statistical Computation and Simulation. 2011;81(12):2141-55.
Pedrosa I, Juarros-Basterretxea J, Robles-Fernández A, Basteiro J, García-Cueto E. Pruebas de bondad de ajuste en distribuciones simétricas, ¿qué estadístico utilizar? Univ Psychol. 2014;14(1):245-54.
Saculinggan M, Balase EA. Empirical Power Comparison of Goodness of Fit Tests for Normality in the Presence of Outliers. J Phys: Conf Ser. 2013;435:1-11.
Peˇckov A. A machine learning approch to polynomial regression [Internet] [Tesis Doctoral]. [Ljubljana, Slovenia]: Joˇzef Stefan International Postgraduate School; 2012. Disponible en: http://kt.ijs.si/theses/phd_aleksandar_peckov.pdf
Rencher AC, Schaalje GB. Linear models in Statistics. 2nd ed. Hoboken, N.J: Wiley-Interscience; 2008. 672 p.
Kaňka M. Segmented Regression Based on B-Splines with Solved Examples. 2015;20.
Mastandrea M, Vangi D. Influence of braking force in low-speed vehicle collisions. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering. 2005;219(2):151-64.
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.