Estadistica Avanzada

1 2 3
CURSO DE
ESTADSTICA AVANZADA
Guadalupe Ruiz Merino - Curso de Estadstica Avanzada
1 2 3
SESIN 2
REGRESIN LINEAL
SIMPLE
2.1 Introduccin a la regresin
2.2 Modelo de regresin
2.3 Errores comunes de la regresin
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
RECORDATORIO
PARA QU SIRVE EL ANOVA?
variable independiente
Para comprobar si una variable con ms de dos categoras (factores)

tiene relacin con una segunda variable que es cuantitativa
variable dependiente
A esta segunda variable que supone la respuesta al factor se le

llama variable dependiente
Pretendemos demostrar que depende de la otra variable (factor)
El factor es, por lo tanto, la variable independiente

1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
RECORDATORIO
Hay dos problemas que no se pueden solucionar con el anlisis de la
varianza:
1
El ANOVA se queda corto
LA REGRESIN Cunto aumenta la

dependiente por
VIENE A RESOLVERvariable
cada unidad de aumento
de la independiente?
ESTOS DOS PROBLEMAS
Indica si hay o no una asociacin

estadstica entre dos variables,
pero no define exactamente cul
es la magnitud de esa relacin
Hay factores que tienen tantas categoras que realmente se

parecen ms a una variable cuantitativa, o puede que nos interese
usar como variable independiente una variable que es cuantitativa
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
Como hemos visto, la correlacin sirve para medir la fuerza con

que estn asociadas dos variable cuantitativas
Esa fuerza se expresa con un nmero
COEFICIENTE DE
CORRELACIN
La regresin sirve para detallar ms
Est dirigida a describir de una manera ms completa cmo es la

relacin entre ambas variables
de tal manera que se puede predecir (con un cierto margen de
error) cul va a ser el valor de una variable una vez que se sabe el
valor de la otra
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
Si la asociacin entre
ambas variables es dbil
Esta prediccin puede ser

bastante imprecisa
Pero cuando la
asociacin es fuerte
La regresin nos ofrece

un modelo estadstico que
puede alcanzar
finalidades predictivas
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
variable indepediente o predictora
La regresin supone que hay una variable fija, controlada

por el investigador y otra variable que no est controlada
variable de respuesta o depediente
La correlacin supone que ninguna variabe es fija, las dos

estn fuera del control del investigador
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
La regresin en su forma ms sencilla se llama regresin

lineal simple
Tcnica estadstica que analiza la relacin

entre dos variables cuantitativas, tratando de
verificar si dicha relacin es lineal
Sin embargo, a diferencia de lo que ocurra con la correlacin,

ahora no se puede considerar que ambas variables tengan un
papel simtrico
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
En la regresin, cada una de las dos variables desempea

una funcin diferente y en consecuencia tienen una
consideracin distinta:
variable respuesta
A la variable respuesta se le
llama variable dependiente y
ocupa el eje de ordenadas (eje
vertical o de la y)
A la variable predictora o
causa se le denomina variable
independiente y ocupa el eje de
abcisas (eje horizontal)
variable predictora
Suele ser un factor previamente
determinado o una caracterstica
ms fcil de medir que la que se
pretende explicar a partir de ella
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
ALGUNAS ACLARACIONES
La correlacin y la regresin tienen distintas finalidades
Es bastante raro que est indicado aplicar simultneamente
ambas tcnicas para alcanzar los objetivos de un determinado
anlisis estadstico
Con frecuencia se confunden ambas tcnicas y se piensa
que son una sola
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
OBJETIVO DE LA
CORRELACIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
Medir el grado o fuerza de la asociacin

entre dos variables cuantitativas
A travs del coeficiente de correlacin
No estima la bondad del ajuste de unos datos a

un modelo
OBJETIVO DE LA
REGRESIN
Buscar la lnea que mejor se ajusta a los

puntos
1 2 3
EJERCICIO
REACCIN DE UN ALRGENO EN FUNCIN DE DISTINTAS DOSIS DE UN
PRODUCTO
1 2 3
Los datos de nuestra muestra seran los siguientes:
1 2 3
1er Paso: Diagrama de Dispersin
1 2 3
1er Paso: Diagrama de Dispersin
1 2 3
Obtenemos el siguiente resultado
39
Qu est pasando?
Cul es el problema?
36
CTs-BCRABL
33
30
27
24
21
20000
40000
60000
80000
100000
Concent
1 2 3
Obtenemos el siguiente resultado
Qu est pasando?
Cul es el problema?
Dispersin de los datos: los datos estn muy separados

Por eso no se observa ninguna tendencia
QU
HACER?
Aplicamos transformaciones logartmicas
Es una opcin siempre que tengamos datos dispersos

1 2 3
Los datos para la regresin seran por tanto:
1 2 3
El Diagrama de Dispersin obtenido ahora es:
Ahora s se intuye
una relacin
39
36
CTs-BCRABL
33
30
27
24
21
2,00
4,00
log_Conct
1 2 3
2 Paso: Estudio de Correlacin
1 2 3
Correlaciones
CTs-BCRABL
Rho de Spearman
CTs-BCRABL
Concent
Concent
Coeficiente de
correlacin
1,000
-1,000(**)
Sig. (bilateral)
,000
Coeficiente de
correlacin
-1,000(**)
1,000
Sig. (bilateral)
,000
** La correlacin es significativa al nivel 0,01 (bilateral).
Puedo calcular una recta de regresin lineal?

1 2 3
3er Paso: Clculo de la Recta de Regresin
1 2 3
1 2 3
RESULTADOS (I)
Res um e n de l m ode lo
Modelo
1
R c uadrado
corregida
,989
R
R c uadrado
,996 a
,993
Error tp. de la
es timacin
,697
a. V ariables predictoras : (Cons tante), log_Conc t

ANOV Ab
Modelo
1
Regresin
Residual
Total
Suma de
cuadrados
136,029
,971
137,000
gl
1
2
3
Media
cuadrtica
136,029
,486
F
280,059
Sig.
,004 a
a. V ariables predictoras : (Cons tante), log_Conct

b. V ariable dependiente: CTs-BCRA BL
1 2 3
RESULTADOS (II)
Coe ficiente sa
Modelo
1
(Cons tante)
log_Conct
Coef icientes no
es tandariz ados
B
Error tp.
41,343
,736
-3,943
,236
Coef icientes
es tandariz ad
os
Beta
-,996
t
56,197
-16,735
Sig.
,000
,004
a. Variable dependiente: CTs-BCRABL
La recta de regresin sera:
CTs-BCRABL=41,343-3,943*logx
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
EJEMPLO
El ejemplo ms intuitivo es cmo se relacionan la talla y la edad
Por cada incremento de edad (por lo menos hasta los 25 aos) se
produce un incremento de altura. Es decir
y = a + b*x
constante llamada ordenada en el origen
(en nuestro caso: cunto
medira un recin nacido)
pendiente: incremento de y por

cada unidad de incremento de x
(en nuestro caso: cuntos
centmetros crece un nio al ao)
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
EJEMPLO
Sin embargo, a pesar de ser este un modelo de fcil comprensin,
tiene errores
Nunca ser posible hacer predicciones perfectas de la estatura que
tendr un nio una vez que se conoce su edad
Aunque la edad tiene un efecto importante sobre la estatura, este

efecto est afectado por un cierto grado de variabilidad aleatoria
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
EJEMPLO
Las observaciones de dos variables no suelen trazar una lnea recta
perfecta sino que existe un cierto grado de dispersin entorno
a una imaginaria lnea recta que los atravesara por el centro
y = a + b*x + e
error residual: expresa el

desajuste de los datos
respecto al modelo lineal
es una cantidad variable de un sujeto a otro y puede ser

positiva o negativa
equivale a lo que habra que aadir o quitar a la prediccin

que hace el modelo para que coincida exactamente con lo
observado en cada sujeto
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
La ecuacin anterior nos plantea una serie de preguntas
Hasta qu punto es importante ese error?

Qu porcentaje de la variabilidad en la talla puede ser
explicado por efecto de la edad y cul no es explicado?
Para resolver estos interrogantes nos adentramos en los modelos

de regresin
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
COEFICIENTE DE DETERMINACIN R2
R2
INTERPRETACIN
Coeficiente muy importante en regresin, ya

que compara lo explicado por la regresin
lineal con la variabilidad total
Porcentaje de la variabilidad total de la

variable dependiente que es explicada
por la variable independiente
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
VALORES
Los posibles valores para R2 van desde 1, que es

el mximo, a 0 que es el mnimo
+1
La recta dara una explicacin perfecta, es decir, los

valores de y estn totalmente determinados por la x
La recta no explica nada, es decir, no existe asociacin

entre x e y
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
VALORES
+1
Los posibles valores para R2 van desde 1, que es

el mximo, a 0 que es el mnimo
Cuando ms prximo a 1 sea R2 mayor es la fuerza de
la asociacin entre ambas variables
0
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
La raz cuadrada de R2 se llama r
R2 = r
Slo se escribe con mayscula (R) cuando hay varias

variables independientes
Entonces se llama coeficiente de correlacin mltiple o R
mltiple
Esta r es precisamente el coeficiente de correlacin de Pearson
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
Salvo en los casos extremos de que R2 valga 0 o 1, la magnitud
de r es siempre superior a la de R2
para R2 0,1 r >R2
REPERCURSIONES
PRCTICAS
Una correlacin puede parecer muy buena,

por ejemplo r=0,7, y sin embargo el modelo
lineal explicara menos del 50% de lo
observado
R2 = 0,49
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
ECUACIN DE REGRESIN
El objetivo ms importante de un anlisis de regresin lineal
suele ser el clculo del valor de la pendiente de la recta
= pendiente de la recta o coeficiente de regresin

mide el cambio de la variable y por cada unidad de
cambio de x
Su magnitud sirve para predecir en cunto aumentar
y cada vez que x se incremente en una unidad
Su signo puede ser positivo o negativo, y en esto la
interpretacin coincide con la correlacin
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
SUPUESTOS DEL MODELO DE REGRESIN

Para poder realizar una regresin lineal se deben asumir cuatro
supuestos:
1
Normalidad de la distribucin condicional de la variable y
Linealidad
Homogeneidad de las varianzas
Independencia de las observaciones

1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN

supuestos:
1
Linealidad
3
4
Se refiere no slo a que la variable y siga una

distribucin normal, sino que adems, para
cada valor de x, la distribucin de posibles
valores de y tambin siga una normal

1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN

supuestos:
1
Linealidad
Que exista una relacin lineal subyacente entre

la variable x y la variable y
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN

supuestos:
1

Se conoce como homoscedasticidad
Linealidad

1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN

supuestos:
1
Linealidad
Cada observacin de la variable y

ser varianzas
independiente de las dems
Homogeneidaddebe
de las

1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN

POR
EJEMPLO
Un estudio en el que y que representa el nmero

de lesiones cutneas en un brazo
Si existiesen pacientes en
los que se han estudiado
ambos brazos
Hay dos observaciones por

paciente que estn
autocorrelacionadas entre s
No son independientes!
POR
TANTO
Habra que considerar como N al nmero de

pacientes y no al nmero de brazos
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN

OTRO
EJEMPLO
Nmero de casos de meningitis en la regin

en un ao
Puede influir mucho en el nmero de casos de meningitis

del ao siguiente
Puede decidirse el vacunar a todos los nios porque hubo

muchos casos el ao anterior
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN

OTRO
EJEMPLO

en un ao
Es decir, el segundo valor y no es independiente sino

que est condicionado por el primero, el tercero por el
segundo y as sucesivamente
A este efecto se le llama autocorrelacin
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN

OTRO
EJEMPLO

en un ao
La autocorrelacin exige aplicar tcnicas especiales que

se agrupan bajo el concepto de series temporales
Estas series se utilizan mucho en economa, y cada vez van

teniendo ms inters para aplicaciones epidemiolgicas
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
REGRESIN LINEAL CON SPSS

PRIMER
PASO
OBJETIVO
Pedir a SPSS un grfico de dispersin
Apreciar visualmente si se puede asumir

un modelo lineal entre ambas variables
Cundo ajustaremos
una regresin?
Cuando la nube de puntos

nos sugiera que existe una
relacin lineal
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN

Una nube de puntos puede sugerir que no existe ninguna
relacin
Si no existe relacin
PERO
b=0
Tambin puede resultar una pendiente de 0

por otro motivo: que haya relacin, pero
que la relacin no sea lineal sino que siga
una curva u otro tipo de funcin
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN

Por ejemplo, las nubes de puntos pueden tomar formas no
lineales como las siguientes:
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN

FORMA DE LA
NUBE DE PUNTOS
TIPO DE
RELACIN
ECUACIN
UoJ
CUADRTICA
y = a + b*x2
REPRESENTACIN GRFICA
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN

FORMA DE LA
NUBE DE PUNTOS
TIPO DE
RELACIN
ECUACIN
HIPRBOLA
HIPERBLICA
y = a + b*(1/x)
REPRESENTACIN GRFICA
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
USOS E INTERPRETACIN DE UNA REGRESIN LINEAL

Una vez que se ha comprobado que tenemos motivos
razonables para pensar que no existe una transgresin
importante de los supuestos de la regresin lineal
Hemos obtenido una lnea recta que relaciona x e y
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
USOS E INTERPRETACIN DE UNA REGRESIN LINEAL

Cul es la utilidad ms interesante de esta recta de regresin?
Representa lo que idealmente sera la unin de las diferentes

medias que va tomando y para cada grupo de valores de x
ES
DECIR
cul es la media de y a
medida que x va cambiando
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
Un error comn en el anlisis de regresin se presenta cuando se

hacen en el mismo individuo mltiples observaciones y se tratan
como si fueran independientes
Considrese 10 pacientes de quienes se ha registrado
el peso y la medida de los pliegues cutneos antes de
empezar una dieta baja en caloras
POR
EJEMPLO
Tamao de la muestra
N = 10
RESULTADO
Variables
PESO
MEDIDA DE
LOS PLIEGUES
CUTNEOS
Puede esperarse una moderada relacin positiva

entre el peso y el grosor de los pliegues de la piel
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
Ahora supngase que los mismos 10 sujetos se pesan y miden a

las seis semanas de llevar la dieta
Si las 20 observaciones se tratan como si fueran independientes

se presentaran varios problemas:
El tamao de la muestra parecera ser de 20 en vez de 10
El uso de ambas observaciones tiene el mismo efecto

que usar mediciones duplicadas
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN


El tamao de la muestra parecera ser de 20 en vez de 10
Podra concluirse (errneamente) con

El uso de ambas
observaciones
tiene
el mismo efecto
mayor
probabilidad una
significancia

1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN


Esto es debido a que la

Da como resultado una
relacin
entre
el
peso
y
el
El tamao de la muestra parecera ser correlacin
de 20 en vez
de 10de lo
mayor
grosor de los pliegues
que en realidad debe ser
cutneos
es
un
tanto
estable en la misma persona
El uso de ambas observaciones tiene el mismo efecto

1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
Se pueden tambin obtener conclusiones inadecuadas si se

mezclan dos poblaciones diferentes
POR
EJEMPLO
Considrese la relacin entre estatura y

peso corporal
Recogemos una muestra de 10 hombres y 10 mujeres y se calcula

la correlacin entre peso y estatura combinando las muestras
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
Si representamos las 10 muestras de las mujeres en una grfica

estatura
No parece que haya

relacin entre peso y
estatura
peso
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
Si representamos las 10 muestras de los hombres en una grfica

estatura
Tampoco parece que

haya relacin entre
peso y estatura
peso
1 2 3
2.1 INTRODUCCIN A
LA REGRESIN
2.2 MODELO DE
REGRESIN
2.3 ERRORES COMUNES

DE LA REGRESIN
Sin embargo, si representamos las 20 muestras de hombres y

mujeres en la misma grfica
estatura
Mujeres
Hombres
Nos podra llevar a

interpretar que s hay
relacin entre peso y
estatura
peso
1 2 3
EJERCICIO
BLOQUEO DEL NERVIO FEMORAL EN EL PACIENTE PEDITRICO: ES
POSIBLE DETERMINAR EL PUNTO MS ADECUADO PARA LA PUNCIN?
1 2 3
Los datos de nuestra muestra seran los siguientes:
1 2 3
EJERCICIO
BLOQUEO DEL NERVIO FEMORAL EN EL PACIENTE PEDITRICO: ES
POSIBLE DETERMINAR EL PUNTO MS ADECUADO PARA LA PUNCIN?
OBJETIVO
Queremos relacionar la medida del nervio

inguinal con el del CUN
Si conocemos la
medida del CUN
podemos calcular la medida del

nervio inguinal?
Lo hacemos como ejemplo para el derecho
1 2 3
1er Paso: Grfico de Dispersin
1 2 3
1 2 3
1,8
A/N-D
1,5
1,2
0,9
0,6
0,5
0,75
1,0
1,25
1,5
1,75
IFD-D
1 2 3
1 2 3
1 2 3
Correlaciones
A/N-D
A/N-D
Correlacin de Pearson
IFD-D
1
Sig. (bilateral)
N
IFD-D
Correlacin de Pearson
Sig. (bilateral)
N
,887(**)
,000
74
74
,887(**)
,000
74
74
** La correlacin es significativa al nivel 0,01 (bilateral).
Vemos que podemos asumir una correlacin lineal

1 2 3
1 2 3
1 2 3
REGRESIN (I)
b
Variables introducidas/e lim inadas
Modelo
1
Variables
introducidas
A/N-Da
Variables
eliminadas
.
Mtodo
Introducir
a. Todas las v ariables s olicitadas introduc idas

b. Variable dependiente: IFD-D
Res um e n de l m ode lo
Modelo
1
R
R c uadrado
,887 a
,787
R c uadrado
corregida
,784
Error tp. de la
es timacin
,1579
a. V ariables predictoras : (Cons tante), A/N-D

1 2 3
REGRESIN (II)
ANOV Ab
Modelo
1
Regresin
Residual
Total
Suma de
cuadrados
6,635
1,796
8,431
Media
cuadrtica
6,635
,025
gl
1
72
73
F
266,026
Sig.
,000 a
a. V ariables predictoras : (Cons tante), A/N-D

b. V ariable dependiente: IFD-D
Coe ficiente sa
Modelo
1
(Cons tante)
A/N-D
Coef icientes no
es tandariz ados
B
Error tp.
,118
,064
,901
,055
Coef icientes
es tandariz ad
os
Beta
,887
t
1,830
16,310
Sig.
,071
,000
a. Variable dependiente: IFD-D

1 2 3
SESIN 3
REGRESIN LINEAL
MLTIPLE
3.1 Introduccin
3.2 Mtodos de Regresin Lineal Mltiple
1 2 3
3.1 INTRODUCCIN
3.2 MTODOS DE REGRESIN

LINEAL MLTIPLE
El procedimiento de Regresin Lineal permite utilizar ms de una

variable independiente y permite llevar a cabo anlisis de
regresin mltiple
En el anlisis de regresin mltiple la ecuacin ya no define una

recta en el plano, sino un hiperplano en un espacio
multidimensional
1 2 3
3.1 INTRODUCCIN

LINEAL MLTIPLE
Con una variable dependiente y dos independientes
necesitamos tres ejes para poder representar el diagrama de

dispersin
1 2 3
3.1 INTRODUCCIN
Si en lugar de
utilizramos tres

LINEAL MLTIPLE
dos
variables
independientes
sera necesario un espacio de cuatro dimensiones para

poder construir el diagrama de dispersin
POR
TANTO
Con ms de una variable independiente, la

representacin grfica de las relaciones
presentes en un modelo de regresin resulta
poco intuitiva, muy complicada y nada til
1 2 3
3.1 INTRODUCCIN

LINEAL MLTIPLE
Es ms fcil y prctico partir de la ecuacin del

modelo de regresin lineal:
Y = 0 + 1*X1 + 2*X2 +..+ k*Xk +

La variable dependiente Y se interpreta como una combinacin
lineal de un conjunto de K variables independientes, cada una de
las
las cuales
cuales va
va acompaada
acompaada de
de un
un coeficiente , que
que indica
indica el
el peso
peso
relativo de esa variable en la ecuacin
La ecuacin incluye un componente aleatorio (los residuos )
que recoge todo lo que las variables independientes no son
capaces de explicar
1 2 3
3.1 INTRODUCCIN

LINEAL MLTIPLE
SELECCIN DE LAS VARIABLES DE REGRESIN

El control sobre las variables utilizadas para construir el
modelo de regresin recae sobre el propio analista
Es el analista quien decide qu variables independientes

desea incluir en la ecuacin de regresin seleccionndolas l
mismo de la lista de variables independientes que tiene
v. independiente 1
v. independiente 2
v. independiente 3
..
analista
ecuacin de
regresin
1 2 3
3.1 INTRODUCCIN

LINEAL MLTIPLE
SELECCIN DE LAS VARIABLES DE REGRESIN

Sin
embargo
son
frecuentes situaciones
en las que
No existe una teora o un trabajo

previo que oriente al analista en la
eleccin de las variables relevantes
El nmero de variables
independientes es muy elevado
Para afrontar estas situaciones existen procedimientos diseados

para seleccionar, entre una gran cantidad de variables, slo
aquellas que permiten obtener el mejor ajuste posible
1 2 3
3.1 INTRODUCCIN

LINEAL MLTIPLE
CRITERIOS DE SELECCIN DE LAS VARIABLES

Existen diferentes criterios para seleccionar variables en un
modelo de regresin:
1
El valor del coeficiente de correlacin mltiple R2
El coeficiente de correlacin parcial entre cada

variable independiente y la dependiente
El grado de reduccin del error tpico cada vez que se

incorpora una variable
1 2 3
3.1 INTRODUCCIN

LINEAL MLTIPLE
MTODOS DE SELECCIN DE VARIABLES

Existen diferentes mtodos para seleccionar las variables
independientes que debe incluir un modelo de regresin
Los de mayor aceptacin son los mtodos de seleccin por
pasos (stepwise)
En primer lugar se selecciona la mejor variable, de
acuerdo a algn criterio estadstico
A continuacin, la mejor de las restantes

y as sucesivamente hasta que ya no quedan variables
que cumplan los criterios de seleccin
1 2 3
3.1 INTRODUCCIN

LINEAL MLTIPLE

Los mtodos de seleccin ms utilizados son:
1
Mtodo hacia delante
Mtodo hacia atrs
Pasos sucesivos
1 2 3
3.1 INTRODUCCIN

LINEAL MLTIPLE

1
Mtodo hacia delante
Las variables se incorporan al modelo de regresin

Mtodo hacia
una atrs
a una
PRIMER
PASO:
se
selecciona
la
variable
independiente que, adems de superar los criterios
Pasos sucesivos
de entrada, ms alto correlaciona (positiva o
negativamente) con la dependiente
1 2 3
3.1 INTRODUCCIN

LINEAL MLTIPLE

1
Mtodo hacia delante
SIGUIENTES PASOS: se utiliza como criterio de

Mtodo hacia
atrs el coeficiente de correlacin parcial.
seleccin
Van siendo seleccionadas una a una las variables

que poseen el coeficiente de correlacin parcial ms
Pasos sucesivos
alto en valor absoluto
La seleccin de variables se detiene cuando no
quedan variables que superen el criterio de entrada
1 2 3
3.1 INTRODUCCIN

LINEAL MLTIPLE

1
Mtodo hacia delante
Mtodo hacia atrs
Comienza incluyendo en el modelo todas las

variables independientes, para luego proceder a
Pasos sucesivos
eliminarlas una a una
PRIMER PASO: se elimina aquella variable que,
adems de cumplir los criterios de salida, posee el
coeficiente de regresin ms bajo en valor absoluto
1 2 3
3.1 INTRODUCCIN

LINEAL MLTIPLE

1
Mtodo hacia delante
Mtodo hacia atrs
SIGUIENTES PASOS: Se van eliminando las variables

con coeficientes de regresin no significativos
Pasos sucesivos
La eliminacin de variables se detiene cuando no

quedan variables en el modelo que cumplan los
criterios de salida
1 2 3
3.1 INTRODUCCIN

LINEAL MLTIPLE

1
Mtodo hacia delante
Mtodo hacia atrs
Pasos sucesivos
Mezcla de los dos mtodos anteriores

1 2 3
3.1 INTRODUCCIN

LINEAL MLTIPLE

1
Mtodo hacia delante
Mtodo hacia atrs
Pasos sucesivos
Comienza al igual que el mtodo hacia delante,
seleccionando en el primer paso la variable independiente
que adems de superar los criterios de entrada ms altos
correlaciona con la variable dependiente
1 2 3
3.1 INTRODUCCIN

LINEAL MLTIPLE

1
Mtodo hacia delante
Mtodo hacia atrs
Pasos sucesivos
A continuacin se selecciona la variable independiente


Estadistica Avanzada

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Estadistica Avanzada

Încărcat de

Drepturi de autor:

Formate disponibile

1 2 3

2.3 ERRORES COMUNES

Para comprobar si una variable con ms de dos categoras (factores)

A esta segunda variable que supone la respuesta al factor se le

El factor es, por lo tanto, la variable independiente

2.3 ERRORES COMUNES

El ANOVA se queda corto

LA REGRESIN Cunto aumenta la

Indica si hay o no una asociacin

Hay factores que tienen tantas categoras que realmente se

2.3 ERRORES COMUNES

Como hemos visto, la correlacin sirve para medir la fuerza con

Esa fuerza se expresa con un nmero

La regresin sirve para detallar ms

Est dirigida a describir de una manera ms completa cmo es la

2.3 ERRORES COMUNES

Esta prediccin puede ser

La regresin nos ofrece

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

2.3 ERRORES COMUNES

variable indepediente o predictora

La regresin supone que hay una variable fija, controlada

variable de respuesta o depediente

La correlacin supone que ninguna variabe es fija, las dos

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

2.3 ERRORES COMUNES

La regresin en su forma ms sencilla se llama regresin

Tcnica estadstica que analiza la relacin

Sin embargo, a diferencia de lo que ocurra con la correlacin,

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

2.3 ERRORES COMUNES

En la regresin, cada una de las dos variables desempea

2.3 ERRORES COMUNES

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

2.3 ERRORES COMUNES

Medir el grado o fuerza de la asociacin

No estima la bondad del ajuste de unos datos a

Buscar la lnea que mejor se ajusta a los

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

Dispersin de los datos: los datos estn muy separados

Aplicamos transformaciones logartmicas

Es una opcin siempre que tengamos datos dispersos

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

** La correlacin es significativa al nivel 0,01 (bilateral).

Puedo calcular una recta de regresin lineal?

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

a. V ariables predictoras : (Cons tante), log_Conc t

a. V ariables predictoras : (Cons tante), log_Conct

a. Variable dependiente: CTs-BCRABL

La recta de regresin sera:

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

2.3 ERRORES COMUNES

pendiente: incremento de y por

2.3 ERRORES COMUNES

Aunque la edad tiene un efecto importante sobre la estatura, este

Guadalupe Ruiz Merino - Curso de Estadstica Avanzada

2.3 ERRORES COMUNES

error residual: expresa el