Gráficando los rendimientos consecutivos del portafolio

La regresión a la media también es un concepto importante en el mundo de las inversiones. Aquí podrás ver los rendimientos anuales de invertir en empresas del índice Standard and Poor 500 (S&P 500) en 2018 y 2019.

El conjunto de datos « sp500_yearly_returns » contiene tres columnas:

variable	significado
símbolo	Símbolo bursátil que identifica de forma única a la empresa.
return_2018	Una medida del rendimiento de las inversiones en 2018.
return_2019	Una medida del rendimiento de las inversiones en 2019.

Un número positivo para el rendimiento significa que la inversión aumentó de valor; uno negativo significa que perdió valor.

Al igual que con los jonrones en el béisbol, una predicción ingenua podría ser que el rendimiento de la inversión se mantuviera igual año tras año, situándose en la línea «y igual a x».

sp500_yearly_returns está disponible y se ha cargado ggplot2.

Este ejercicio forma parte del curso

Introducción a la regresión en R

Instrucciones del ejercicio

Utilizando sp500_yearly_returns, dibuja un gráfico de dispersión de return_2019 frente a return_2018.
Añade una «línea A-B», de color "green" y con un tamaño de 1.
Añade una línea de tendencia suave creada con el método de regresión lineal y sin cinta de error estándar.
Fija las coordenadas para que las distancias a lo largo de los ejes x e y parezcan iguales.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Using sp500_yearly_returns, plot return_2019 vs. return_2018
___ +
  # Make it a scatter plot
  ___ +
  # Add a line at y = x, colored green, size 1
  ___ +
  # Add a linear regression trend line, no std. error ribbon
  ___ +
  # Fix the coordinate ratio
  ___

Editar y ejecutar código

Este ejercicio forma parte del curso

Introducción a la regresión en R

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

Aprenderás los conceptos básicos de este popular modelo estadístico, qué es la regresión y en qué se diferencian las regresiones lineales y logísticas. A continuación, aprenderás a ajustar modelos de regresión lineal simples con variables explicativas numéricas y categóricas, y a describir la relación entre las variables de respuesta y las variables explicativas utilizando los coeficientes del modelo.

Exercise 1: Una historia de dos variables Exercise 2: ¿Cuál es la variable de respuesta?Exercise 3: Visualización de dos variables Exercise 4: Ajustar una regresión lineal Exercise 5: Estima el intercepto.Exercise 6: Estima la pendiente.Exercise 7: Regresión lineal con lm()Exercise 8: Variables explicativas categóricas Exercise 9: Visualización numérica frente a categórica Exercise 10: Cálculo de medios por categoría Exercise 11: lm() con una variable explicativa categórica

En este capítulo, descubrirás cómo utilizar modelos de regresión lineal para realizar predicciones sobre los precios de la vivienda en Taiwán y los clics en anuncios de Facebook. También desarrollarás tus habilidades de regresión a medida que adquieras experiencia práctica con objetos de modelo, comprendas el concepto de «regresión a la media» y aprendas a transformar variables en un conjunto de datos.

Exercise 1: Hacer predicciones Exercise 2: Predicción de los precios de la vivienda Exercise 3: Visualización de predicciones Exercise 4: Los límites de la predicción Exercise 5: Trabajar con objetos modelo Exercise 6: Extracción de elementos del modelo Exercise 7: Predicción manual de los precios de la vivienda Exercise 8: Usando una escoba Exercise 9: Regresión a la media Exercise 10: ¡Home run!Exercise 11: Gráficando los rendimientos consecutivos del portafolio

Ejercicio actual

Exercise 12: Modelización de rendimientos consecutivos Exercise 13: Transformación de variables Exercise 14: Transformación de la variable explicativa Exercise 15: Transformando también la variable de respuesta

En este capítulo, aprenderás a formular preguntas sobre tu modelo para evaluar su adecuación. Aprenderás a cuantificar el ajuste de un modelo de regresión lineal, diagnosticar problemas del modelo mediante visualizaciones y comprender la influencia y el peso de cada observación utilizada para crear el modelo.

Exercise 1: Cuantificación del ajuste del modelo Exercise 2: Coeficiente de determinación Exercise 3: Error estándar residual Exercise 4: Visualización del ajuste del modelo Exercise 5: Residuos frente a valores ajustados Exercise 6: Gráfico Q-Q de residuos Exercise 7: Ubicación de la escala Exercise 8: Dibujar gráficos de diagnóstico Exercise 9: Valores atípicos, influencia y poder Exercise 10: Apalancamiento Exercise 11: Influencia Exercise 12: Obtener ventaja e influencia

Aprende a ajustar modelos de regresión logística. Utilizando datos del mundo real, predirás la probabilidad de que un cliente cierre su cuenta bancaria en forma de probabilidades de éxito y razones de probabilidad, y cuantificarás el rendimiento del modelo utilizando matrices de confusión.

Exercise 1: Por qué necesitas la regresión logística Exercise 2: Exploración de las variables explicativas Exercise 3: Visualización de modelos lineales y logísticos Exercise 4: Regresión logística con glm()Exercise 5: Predicciones y odds ratios Exercise 6: Probabilidades Exercise 7: Resultado más probable Exercise 8: Razón de probabilidades Exercise 9: Logaritmo del cociente de probabilidades Exercise 10: Cuantificación del ajuste de la regresión logística Exercise 11: Cálculo de la matriz de confusión Exercise 12: Medición del rendimiento del modelo logístico Exercise 13: Precisión, sensibilidad, especificidad Exercise 14: ¡Enhorabuena!