You are on page 1of 23

PRUEBA DE REGRESIÓN SIMPLE

Maestrando: Rodrigo Salazar Lazo

1

Modelo de regresión lineal simple Aspectos generales de cuándo utilizar un modelo
 La regresión lineal simple es útil para encontrar la fuerza o

magnitud de cómo se relacionan dos variables: una independiente, que se representa con una X, y otra dependiente, que se identifica con una Y; sin embargo, la regresión lineal simple se distingue de otras pruebas, pues con ella puede estimarse o predecirse el valor de la variable de respuesta a partir de un valor dado a la variable explicativa.

2

Para asociar estas dos variables se propone una línea recta que describe la tendencia de los datos, de ahí el nombre de regresión lineal. Dicha recta se expone en un plano y su grado de inclinación representa la pendiente, y una inclinación muy destacada indica grandes cambios en la variable dependiente.

3

Aspectos técnicos del modelo de regresión lineal simple
 Antes de realizar dicho modelo, un primer paso útil para

conocer la relación entre dos variables es explorar los datos mediante un diagrama de dispersión, en el que  los valores de la variable independiente X son asignados al eje horizontal y los valores de la variable dependiente Y son asignados al eje vertical.

4

 El patrón que se obtiene a partir de este diagrama sugiere,

en general, la distribución básica y la fuerza de la asociación entre las dos variables.  Si en términos gráficos se observa una relación aproximadamente lineal, entonces es adecuado proponer un modelo de regresión lineal simple.  Una asociación aproximadamente lineal significa que por cada unidad que aumenta la variable explicativa se espera que suceda un efecto igual en la variable de respuesta.

5

Veamos los siguientes gráficos
B A

C

6

Interpretación gráfica
 Regresión y correlación lineal simple. En A se observa

que la distribución de la regresión es positiva o directa porque el coeficiente de correlación es cercano a 1. En B se observa que la distribución de la regresión es negativa o inversa porque el coeficiente de correlación es cercano a -1. Mientras que en C se muestra que no hay correlación entre las variables porque el coeficiente de correlación es cercano a 0 y porque Y permanece constante y muy dispersa a medida que aumenta X.

7

Ecuación general de una recta
 la ecuación general de una recta está dada en la siguiente

expresión: Y = β0 + β1X, donde Y son los valores correspondientes al eje vertical, β0 es la ordenada al origen, β1 es la pendiente, y X son los valores correspondientes al eje horizontal.

8

Veamos el ejemplo

9

Representación de la recta, de los parámetros y del error de un modelo de regresión lineal simple. PAS: presión arterial sistólica.

Aplicación informática
ANCHO BICANINO 33,0 24,0 33,0 24,0 30,0 23,0 30,0 23,0 33,0 25,0 29,0 22,0 31,0 21,0 31,0
10

ANCHO BIMOLAR 43 37 43 36 40 34 42 36 41 36 40 34 40 35 41 36 40 35 41 35 42 37 41 35 38 33 40 35 43 38

24,0 29,0 25,0 31,0 22,0 32,0 25,0 30,0 23,0 30,0 25,0 30,0 23,0 32,0 26,0

Explorar dato diagrama de dispersión
PRIMER PASO: EXPLORAR LOS DATOS A FIN DE OBSERVAR SI EXISTE UNA CORRELACION ENTRE LAS VARIABLES Seguir la secuencia gráficos/cuadros de diálogos antiguos/dispersión puntos, pulsar

11

Segundo paso: En el cuadro dispersión puntos resaltar dispersión puntos / luego pulsar definir.

12

Tercer paso: En el cuadro diagrama de dispersión simple trasladar/a eje y la variable ancho bimolar/eje x ancho bicanino/ pulsar aceptar

13

Salida del diagrama de dispersión de puntos

ANCHO BICANINO

Se observa que los puntos se alinean en sentido ascendente y no muy dispersos con lo cual podemos aseverar que existe una correlación positiva entre ambas variables
14

Ecuación de regresión lineal
 Podrían

trazarse diferentes rectas para realizar pronósticos de una variable a partir de la otra (por ejemplo de Y a partir de X en una regresión de Y sobre X). Las rectas de regresión tienen una fórmula muy simple:

15

 El objetivo es encontrar aquella recta que minimice la

distancia entre lo encontrado (Y) y lo pronosticado (Y’). Es decir, que minimice la expresión:  Para ello calculamos los coeficientes del modelo mediante:

Veamos cómo se procede en el SPSS para calcular dichos coeficientes, obtener la recta de regresión y valorar la bondad del modelo.
16

Cuarto paso: Introducir datos en dos columnas Quinto paso: Seguir la secuencia, analizar/regresión/lineal, pulsar

17

Tercer paso: Trasladar del cuadro regresión lineal a la ventana dependiente ancho bicanico / a la ventana independiente ancho bimolar Cuarto paso: Activar en el subcuadro regresión lineal Estadísticos/estimaciones/I.C/ajuste de modelo/cambio en R cuadrado y descriptivos y pulsar continuar y aceptar

18

Salida informática
Estadísticos descriptivos
ANCHO BICANICO ANCHO BIMOLAR Media 27,300 38,23 Desviación típica 3,9405 3,115 N 30 30

Resumen del modelo
Estadísticos de cambio R Error típ. de Cambio R cuadrado la en R Cambio R cuadrado corregida estimación cuadrado en F .932 .869 .865 1.4490 .869 186.462 Sig. Cambio gl2 en F 28 .000

Modelo 1

gl1 1

19

Coeficientes Coeficientes no estandarizados Modelo 1 (Constante) ANCHO BIMOLAR B Error típ. -17.800 3.313 1.180 .086 Coeficientes tipificados Beta t -5.372 Intervalo de confianza de 95,0% para B Límite Límite Sig. inferior superior .000 -24.587 -11.013 .000 1.003 1.357

.932 13.655

Por el momento solamente nos fijaremos en dos: La primera se refiere a los coeficientes del modelo y la segunda a su bondad. En cuanto a la primera, se toman los coeficientes no estandarizados. En este caso el mejor modelo para pronosticarYi a partir de Xi es:Y’i = -17.8 + 1.18 Xi
20

 El modelo resultante es: bicanino i = -17.8 + 1.18 bimolari.

Como se observa, el coeficiente de determinación (R al cuadrado) es 0,869 por lo que el modelo es fuerte para explicar la relación entre la variable ‘ancho bicanino’ y la variable ‘ancho bimolar’. Es decir, la variable ‘ancho bimolar’ tiene una capacidad predictiva fuerte para explicar la variable del criterio.

21

Y’i = -17.8 + 1.18 Xi (R cuadrado) = 0,869

ANCHO BICANINO

22

GRACIAS

23