Análisis de regresión lineal: concepto

y características
11 abril, 2019
Este artículo fue redactado y avalado por la psicóloga Paula Villasante

Pongamos que necesitamos realizar una investigación para una empresa. Esta
quiere saber la relación entre las ventas de una empresa y sus gastos en
publicidad. ¿Qué podemos hacer?

 ¿Qué es un metaanálisis?
 El doctor Francisco Lopera y un nuevo camino para tratar el alzhéimer
 La violencia sufrida en la infancia deja huella en el cerebro
A veces, en la investigación, nos interesa saber si existe una
relación lineal entre dos variables aleatorias. Es por eso que utilizamos el
análisis de regresión lineal.

El coeficiente que nos permite obtener este dato es el coeficiente de correlación

lineal de Pearson r, cuyo valor oscila entre -1 y +1 (1). En los casos en los que el
coeficiente de regresión lineal se acerque a +1 o -1, tiene sentido considerar la
ecuación de la recta que «mejor se ajuste» a la nube de puntos como un modelado
aceptable de la asociación entre las dos variables.
Principalmente, esta recta nos permite estimar los valores de Y que obtendríamos
para distintos valores de X. Estos conceptos quedarán representados en lo que
llamamos diagrama de dispersión. Por otro lado, el procedimiento más
usual para determinar la recta de mejor ajuste es el de mínimos
cuadrados.

Un ejemplo de la utilización del análisis de regresión lineal

Pongamos que necesitamos realizar una investigación para una empresa. Esta
quiere saber la relación entre las ventas de una empresa y sus gastos en
publicidad. ¿Qué podemos hacer? El análisis de regresión lineal nos permite
saber en qué grado los gastos en publicidad explican la variable ventas.
Así, esta última variable será la variable dependiente del
modelo, mientras que la variable explicativa o independiente serán los gastos en
publicidad.
El uso de este modelo nos va a permitir observar qué influencia tienen los gastos
de publicidad sobre el volumen de facturación o las ventas de la empresa (1). Para
saberlo, contamos con la ecuación de la recta de regresión lineal.
Para cuantificar la relación entre ambas variables y tener una aproximación de
la magnitud de la influencia de los gastos en publicidad sobre las ventas de la
empresa podemos estimar el modelo por mínimos cuadrados ordinarios
(M.C.O.) donde se minimiza la suma de los cuadrados de los residuos.
 Este residuo es la diferencia entre un valor observado y el valor
estimado. Pero, ¿de qué nos sirve esta información? Pues bien, el objetivo es
minimizar la suma de los cuadrados de los residuos. Sin embargo, hemos de tener
en cuenta que a la hora de representar este análisisno todos los puntos se
encontrarán dentro de la línea de regresión (de hecho, es raro que
hay alguno). Si todos lo estuvieran y, además, si el número de observaciones
fuera suficientemente grande, no habría ningún error de estimación. En ese caso,
no habría ninguna diferencia entre el valor observado y el valor de predicción (1).
El error estándar de estimación
Así, en los casos reales, los ajustes absolutos del modelo a la realidad
no se dan. Es por eso que existe una medida que describe cómo de precisa es la
predicción de Y en función de X. O, al revés, lo inexacta que puede ser la
estimación. A esta medida se le llama error estándar de estimación. Se
utiliza en el análisis de regresión lineal para medir la dispersión alrededor de la
línea de regresión.
Supuestos del modelo de regresión lineal
Si nuestras observaciones son una muestra aleatoria que viene de una
población, entonces nos interesa realizar inferencias sobre la misma. Para que
estas inferencias sean «estadísticamente razonables», se han de cumplir las
siguientes condiciones:
 En la población, la relación entre variables X e Y debe ser
aproximadamente lineal.
 Los residuos se distribuyen según una curva normal de media 0.
 Además, los residuos son independientes unos de otros.
 Los residuos tienen varianza constante.
Así, este modelo de regresión lineal es bastante «robusto». Ello quiere
decir que no es necesario que las condiciones anteriores se cumplan con exactitud
(en particular las tres últimas).