InTERPETACICN RE _TnTermeacion RF O14- 0'3 2 POBRE O'4-916 3 BLENO o'> > ALTO Ac OY - of D ERCELENTE Ss kay pocea predictors 2-3) Ee \ love Undoto ie PESO = 519 PREDIC TONES = Bete PSICOLOGIA: ANALISIS MULTIVARIANTE (Tema 3) Regresion Lineal Puedes contactar con nosotros en: C/ Republica del Salvador 29 2D 659 149 284 / 881 939 440 | aelectra8@yahoo.es www.academiaelectra.com/ Replied Salvador 2920 Saag de Compostela, & Ben ‘s91as2nd sg1939440 TEMA X REGRESION LINEAL, vAeiiss cUANAIATAS I Maitiple depende det nimero de un Shdlisis de Regresién Lineal Regresién Simple, ya que pvewioura dey 9 pth Reeryye | dex 1. LA CORRELACION LINEAL z ; * Lacorrelacion lineal es el origen de la regresin- epeeuts, & dt ‘Una manera objetiva de cuantificar la intensidad in entre dos variables cs mediante el predictores. Asi, cuando tenemos mas de un predi Miltiple. Por tanto, la Regresién Lineal Mltiple hay més de una variable independiente. it, Variables con un nivel de medida de yi coavidera_ 15 Z =O uo hay “rel, Prec seh LOH Yee Qamvene “a ale apt lero ‘una distribucién normal). Cuando las exc) 135) nos sirve el coeficiente de correlacién de imeralo ode raza). Aapash ce & 0 < xy En ocasiones necesitamos calcular la correlacién yf tienen propiedades de una escala de intervalo y variables a relacionar son ordinales y numéric Pearson, tenemos que utilizar Kendal o Spearman: + SPEARMAN: se aproxima a Pearson, se utiliza + SKENDAL® es preferida cuando ‘eategorias: een A ‘muchas categorias. — ‘en un nimero selativamente=bajonde ~ %9 om mena i de. examin es de intervalo es. mediante_un DIAGRAMA DE DISPERSION, q + Dela direccién dela relacién + De la magnitud de la relacion (la ‘mayor cuanto més concentrada esté la nube de puntos en torno a la recta). Posee una tendencia lineal. A valores affos GY le — oo altos de X. f= 0. AUSENCIADE RELACION Lj VEAL f= 0. INVERSA 2 coven ‘COVARIANZA Y CORRELAC 5 la relacién s, en la cual el cambio en una Sees ‘un cambio correspondiente en roceso intermedio para llegar a la ccorrelacién, ya que la correlacion cla gufiaaza La soo cconsigue cs on ella ex corer los efectos del amigo de muestra dividend el "xy (maton del prod de puntuaciones) ents tamaio de la mG, creando aed dl Covaranra fp EEE), ea Se Sate Bee: de ted. @ Cou XY SxSy so 2 40 bey vel Racal! ty (> Dsyecte Coury << tos bey vA S > iaveneCov (x,y) = 0, INDEPENDIENTES Cov (xy) #0, RELACIONADAS Correlaciin (Ruy): El coeficiente de correlacis ‘unidades de medicin dividiendo entre las desviaci La correlacién de Pearson oscila siempre entre +1 co fen el denominador el producto de las dos destigaighes ‘tipi I e810 lo que se 3 7 : Variables. que = dit ‘estudiando, algo que no podiamos conseguir solo c zas We estamos ‘© Lacorrelacin es una medida estandarizada dela co ‘entre pares de variables independientemente de los valores ya se hallan situados entre -1 y +1 #1 : ‘Santiago de Compostela <6sp1ornd / 981930440 En el easo de que 60,93, predeciriamos un incre 0,93 enByacjertos del test por cada hora de estudio. Un signo negativo de b indicaria que a cctuleaenes aciertos (correlacién inversa). Grificamente,b es la pendiente de la linea de ERPRETACION DE LOS COEFICIENTES, a: indica el valor pronosticado de Y cuando X es c io”) bs: representa la cantidad de cambio, que. pronost Y para un cambio de una unidad en X (pendiente de la recta), * La ceuacién de regresién (¥'=6.16 + 0.93X) arse para generar prondsticos de Y. * Secumple que la diferencia entre los valores o sticados elevados al cuadrado es ‘minima , SSoroe = BON — Ki? & FUENTES DE VARIACION Desviacion total = Desviacion debida a viagion d oo sh tarmgonién + Sno exeoasa peri rereion BOWA DE BATRA CHASM A i Dn al) = > Or Fyre (Sr minimo Keiws) Varianza no Varianza explicada por ia Total 4 + | Fegresién @ebida error) En est firmula solo hay 3 elementos" 1 plicada pot la regresié més la varianza de error. Se ia y otros por debaj 2 a cla de regresién. 3, Error: ocurre cuando nos equivo ‘or ejemplo, el sujeto tiene una nota ¥ yo predije otra (tenia un 8 y un 7) iste una diferencia entre el valor real de la VD y Ia estimaci regtesin: el residuo (ERROR DE ESTIMAGION: We). Vamos ee 30 sujet. Recent en des <ECR-HQE (ynienen 0& %) =n ola icada es justamente la cantidad en luce la desviacién toll debido a nuegey Contetmiento dea lnca de regresin (ecuac partir del conocimiento de Xe La prediecién mis sencilla seria asignarle la media gf parte explicada por et mod justamente la cantidad en que se reduce la desviagigy total debido a nuestro conocimiento de variables y su relacin con la VD (ecuacién de regr@sign). Hay que buscar la ecuacién que mejor predicci ita hacer. ; El primer parimetro es a, o el intereepto, de donde recta. Lo que cambia es la pendiene dey ‘recta (por tanto, fo que eambia sb) Resumen + Po Y’es laestimacién, lo que pr lo (seria la: 2 Yoo Yesel valor que dae sujet. 2 Viv" esel enor VY = SCs pacizn replicas VARIANZA EXPLICADA La varianza es una medida de variabilidgd. Con ella se trata de ver la variabilidad de un conjunto de puntuaciones (ds grupos pueden ene media ha vaiabilidad de puntuaciones) gto) 5, = [2S \ i La raz cuatirada se hace para volver allYalor 3 VARIANZA EXPLICADA: también entre la variacién explicada por la ¥y poder asf interpretarlo. smminacin (R"), es una proporei6n toa la variacién total Ry = eaeeplicada _ SCexplicade _ 2h“ TY" vatiactowal ~—‘SCioral SQV)? Re, =1-Satlacerror | SCerror why oe “ variaciotal— SCtoral RY: es la parte explicada de la vi ye la varianza explicada sobre It total) Es el coeficiente de determi wn iacién y varia entre 0 y 1SC esuo (replica del Salvador 2020 (ernie Sanlago de Conpotla ERES lad 1650149284 / 881939440 la suma de cuadrados. EJEMPLO El objetivo del responsable de una estacién de esq explican si un sujeto esquie mucho o poco en sues Entrevisté un grupo de clientes y, con los dato Regresién Miltiple. ‘Traté se explicar el o? de dias que los esquiadores Para ello regist ‘+ Edad de los esquiadores (V2) + Atos de prictica (V3) page las variables que mejor plafte6 resolver un Modelo de te una temporada (V1). VD © yf + Ingress cooniicos (V4) | 2 Seitestin amen ‘+ N'de personas con las que esquta (V6) DDebemos prestar especial atencion a varios elementos ‘Todas las variables deben ser métricas (de ESC AIBA) ‘+ Especificar correctamente el modelo: © Determinar ta VD y las VI © Noomitir variables relevantes ni incluir ir (© Utilizar herramientas adecuadas para reco, ‘© Garantizar que se cumplen una se © NORMALIDAD DE LAS Vis. LINEALIDAD (relacién lineal dictores y crtesi). ‘Ausencia de MULTICOLINEALI INDEPENDENCIA de los NORMALIDAD de los errors. Analisis en el SPSS: ‘A la hora de realizar el andlisis de sstesoar ls prediiores incie ‘METODO INTRODUCIR Este método es el que se utiliz cesta iflado. © METODO POR PASOS ( ‘cumplen unos criterios de _utilizando el menor r° de pedi ble. 2000 ‘opciones se suelen limitar a dos: én utilizando todos los predictores. cl adecuado ya que el R? tiende a rando variables paso a paso, si pre maximizar el ajuste del modelo Interpretacion de resultados: ‘+ Significacion del modelo (co Se comprueba hasta que punto lava idm es significativa, Se rata de un coeficiente 0 porporcion con relacién a HE nto més grande sea con los datos ruesrales, menor probabilidad habe fe queen fp cociente sea cero.= a =f Se =o co = SS vai Oats. 152,240 24 dot pe a a ees S| Ss ef =e ee SS ee ae eae ere 4. Variables predictors: (Constant), INGRESOS ECONO? : 4 nt ee Cn SS CEN sox macro ec AROS PRACTICANDO ESQUI sArisraccioy GENERAL {4 Variable dependent: N° DIAS QUE ESQUIA POR TEI ‘+ Indicadores de bondad det ajus lo mismo, la VD). Se tata de la Rfa correlacion simple, ya que solo hay una vrable,R? drado hay que corregirlo (R? corregido), porque ) trabajamos el muchos predictores o 2) wabajamos correlacién miltiple, i bien el primer ¢s el cocficiente de determinacién. ‘cuando sucede cualquiera de estas dos co€ run onde ent FERRARO wcgpegE pH cs gue cl FRESE a surenns R? core Gide. x x . PSR’) ) Rae Be @) U Pesel nimero de variables inde nie (ry ne we de ete wd RR de are og ° UU one cae o YU fevue oF ene ally (ane eephce bmete): “AUD‘C1 Repibica dl Salvador 2920 Santiago de Compostela (659149284 881939440 Sy + Los parimetros: “a” es la constante, el intercepto, valor estimado de X=0, Bp. indica la direccién de la relacin y ta intensida Sip, > 0: un ineremento en una unidad, de la vari ida un incremento en Y de Bp (ise incrementa en un punto la satisfaccin se in Iaestancia@n 0,338 dias). Si Bp < 0: incremento en una unidad, de la variable loom ddisminucion de Y en Bp uunidades. + _Significacion de los parimetros (contraste particular Para comprobar si cada VI (Xp) por si sola infl yente sobre la VD (Y). Comprobar si se trata de un predictor estadisticamente signific tivamente distinto de0") = Ho: B,=0 Maeda sits g te Jo Hi: Bp#0 er Mean ee balay + a A pe : Seneenene | ne Ma Qt dig Zot ba bay tly A pret o Conficientes no. Confcientes | sib, Sait, 52 Qe] estncanentos—estinaarensos| or | se —— Pro kor EMPRE NOS moana oY eae = Re $e eee il QUEDA MOS con wafe ehaaates ail": Se 4] Sas] efi Kone Lites | wonesoe . Peper, en scl eoonemcos | 2-00 [ae ao] cm the, caso, AD 2 | eonmane a a me Ata rae ve [iwonesos ‘sai aa Jorcoraat luy + geome ane 02 andre ore lg yan MO oraRe Sebtle YUMMY peacrcanoo an| an ne] asst] 00s saul a oo oor es as] a on = Coromcoe |, ameee | me|,,YS Gsm] ae ntos rracricanoo am] oe au] nats esau! t= 5, sanaraccion an! asa aa] ame] oer] Sey Variable dependent W° DIAS QUE — ‘Sirve para comprobar si cada predictor. il no estadisticamente significativo. ‘Aqui trabajamos con una muestra, “ey - representa ala poblacin, por eso hacemos el contraste t de student. Cada valor obtenido se compara ated un Wato?0, para valores significaivo 0 no. ;Puedo lo que. predecir que en la poblacin esa yaiable es : , que no tiene ningsin peso? Si el valores significativo es poco pro «que puedo fiarme de ory OS Ak ant cere e+ bys. ‘Como las Xp fueron medidas en escalas difere 0s, nighero de coeficientes “b” NO SON COMPARABLES ENT! bo, PetBonas, ete) lg Para evaluar la importancia de cada variable explic ‘ay a OOPalizar 18 cette Cimo se esndariza? Maltipicamos b por el gajete de las dos desvicones upc (4 variable predictora y criterio) Entonces tenemos lables vana estar yaenueg La variable mas importante es la que tiene el ma y + Razones por las que Bp puede no ser signifi 1. Tamatio de la muestra inadecuado, Solucién: ampliar el de doble filo). Con muestras pequefias ¢s dificil que obtengafi unos valores estadisticamente si Esto condiciona cualquier tipo de andlisis ppequetio, noes significativo. 2. Especificacién ineorrecta del modelo (la relac las variables. Este hecho hace que en la regresi tun buen predictor del rendimi de U invertida) ¥ Poco recorride de los valores de ibn: rectiRir a la Regresién logistica (rupos polares). Par gue un pedo se mua pore variabilidad tanto en X como en Y (por ejemplo, a la hora de predeci partir de la valoracin de diferentes elementos, todos lo eos val gall element®Beesr, entonos eos alguna, por lo que no puede sal Tiene suficiente reeorido, tanto en el predictor como en el criterio. ¥ Existencia de multicolinealidad rincipio importantes no enran en la ‘ecuacién porque ya lo hicieron ‘mucha relacin. Puede dervar también en resultados contradictd las correlaciones son posiivs) Soluciones: prescindir de alguna v iones previo (diseRo del anlisis). Si tenemos tres predicires q a nie ellos, entrar el mas importante de los tes (aunque los otros lo son), porque es el que més eortelaciona con el criterio. Por tanto, puede darse que: ble impor ‘entreen el andlisis 4. EL ERROR EN LA REGRESIO! © {Quées? Elerror en la regresién es la diferencia, | sujeto y su puntuacién estimad: V-Y=e ‘* (A QUE PUEDE DEBERSE? (© Variables relevantes omii (© Mala especificacién del clevandola al cuadrado, a irrelevantes. P odemos transformar esa variable(Replica de Salvador 2920 fermi Saigo de Compostela & es ? 659145244, 951939440 © Errores en la medicién (recogida de datos). Para que una variable que predigo que puede ser importante lo sea, hay que medirla bien (por gjemplo, la intligencia). © Comportamiento cambiante de los sujetos. comportamiento de los sujetos puede cam! Para convert en puntuaciones tipicas * Otros indicadores Distancia de Cook (valores > |, modelo). Permite detectar casos and} 40% Distancia de Mahalanobis:(valores ;- COMPROBACION DE SUPUESTOS. ‘© Normalidad de cada VI: Lillie (© Linealidad: Diagramas de disp sujetos distintos al resto). (cada VI con la VD). ‘© Ausencia de multicolinealidad }ANCA. Cony fleas ai ina qu la VI es independiente del resto de enel ‘© Independencia de los ero (© Normalidad de los resides. Histogram, dad normal, K-S.(C1 Repiiblica del Say C,, Se coms BEE 659149284 81599449 <9 ‘a regresi6n lineal maltiple es una extensi6n. En la ecuacién predictiva de la regresién independientes MTs coetcin neal es uma msi el do El coeficiente de corretacién varia entre 0 y 1 Si la medida del coeficiente de correlacion fuese 0.25, invetsa entre las variables. liriamos que existe una relacign sumatorio de productos cnizados la corre lca la direccién de la relacién, (El sumatorio de productos cruzados se expre aticamente segin: [F( ¥i-¥) V5 (y,- Y)} covarianza elimina el efecto del tamaio de "9971 cocficente de correlacin de Pearson es ida de la relacién dls variables ‘cuando estas se miden en escola cualitativa. AGEL coeficiente de determinacién es la raiz cuadt El coeficiente de comtlacién de Pearson co ‘muestra, el efecto de las unidedes de medida. (SZ5i la covarianza tiene un valor igual a 0, mientras que si el valores distinto de cero, son i Gos lh oom darn os 1 coetisiente de correlacién de Pearson. ‘dems de! las influencias'del tamaio de decir que las variables som dependients, tuaciones directas seri IN OX EMT El coeficiente de correlacién de ra as Jains tipieas de los valores de las es para sus cdleulos. Bl coeficiente de correlacién igformna 50 relacién pero no sobre la direccién ‘puesto que solo aleanza valores entre 0 e I coeficiente de determinacién in acto de variacién de dos variables. Si queremos estudiar la asociacin vari 16s de controlar Ios efectos de una 0 ables adicionales usamos la co era Ino de los fines de la reeresiGn single es jn que relaciona la VI con la VD. pie regresién simple no hace pred cto val VD, para ello tenemos que reeurtir la regresin miitiple. s de las variables a una ecuacién Beis apes cone en dispersion. -matica lineal, lo que solo puede Segin el método de minimos neces la ecuacién Y=a4bX a los datos ‘ata, posteriormente minimizar el diferencias deros valores de las variables elevadas al cestimacion de pardmetros en | lineal se mediante el metodo de minimos ‘euadrados.. _B#Ee Ia estimacién de parémetros la BOsyjgdién total de Y Esjigual a la suma de las desviaciones predichas por el modelo. I metodo de minimos cuadrados valores de a y b que minimizan la “esyiacin debida a la regresin Se cumple que ¥ (Vi- ¥i)’ es mini 6 es un parimetro que nos informa, tidad de sticado en Y para el cambio de lores entre Oy | idad en X y ademés es siempre positivo, parimeiro a tambicn se lo & representa el valor que aleanza Y a X=0, La varianza explicada es la flo a " propersicc cy} femos explicar de la variacin total"aw Cr Replica del Salvador 2920 lemma Santiago de Compostela He Soteeseconmce NS de Y, y alcanza valores entre 0 |. a varianza explicada también es I+variaciGn debi varianza explicada explica la fuerza dela El modelo general del andisis de regresion | jonde a es un estimadar de Bo. ‘Para utilizar el método de minimos cuadrado: ‘aplicar el méiodo de minimos cuadrados. cuando es mayor de 0 indica que un increm oa estimacién de pardmetros es el fin de la regresion. ? ajustado se utiliza cuando utlizamos muc ZR es el cuadrado del coeficiente de corelaci 100 es una medida de bondad de ajuste ‘que esti explicada por Y. ara poder compara coeficentes b debe Bris prucba Anova. Bla para comprobar sign de los resultados en la regresién Tineal para cada variable por si soa. AG La prueba t es capaz de comprobar si un VD es, n la regresion simple CF. ‘Para que una variable result signiticatva co 2,96 con un nivel de significacin del 0,05. fa seleceibn de variables existen dos endado. JA método por pasos puede ser tintos: hacia delante, hacia atris 0 en pasos ‘sucesivos. jn de la misma. Xp BaXehct BaXate, 1s descompporter la variacion total de ¥ y CO cokeee tuna muestra muy reducida. valores entre Ly 1. folo enbve Oy 4 error tipico de estimacién es la yequivale ala raiz cuadrada de Ta media cuadritica residual. método hacia delante de la sel in variables e introduce primero la ‘variable con mayor valor de By, ara mejorar el ajuste de los datos : mos usar solo la distancia de Cook ‘0 la de Mahalanobis. tando al modelo. to de tolerancia 0 no colinealidad. stadistico de Durbin-Watson en la ‘egresion linealan 1 Republica det sa (cinta, Stiago de Compares? 2 ekET h Td 659148284) sat5p908 PREG! TAS 1. {Qué es el error en Ia regresién? ° 2. GAque se debe el error en la regresi6 ] 3) {Qué es R’ y R? ajustado? Ps 4, {Qué es aen Y=atbX? (regresién line VY) 5. {Qué son a, by y be en la ecuacién Y: 2 %6. {Cuiles la férmula de la varianza total? 7. Tres caracteristicas de la regresién mi 8. Diferencia entre b y . 9. _{Cémo se denomina la grifica de la 10. Si ¥ es la calificacién en un examen ramero de horas estudiadas, {Cémo se interpreta Y=36+75X? 11. @Cuéles son tos principales supuestos ¢ }6n lineal miiltiple? 12. {Cual es el principal objetivo de los mini 13. {Qué indica Bp<0? +14, {Cudles son las fuentes de variacién grafico de regresién lineal. 15) qPor qué necesito corregir R’? 16. Indica las diferencias y sempjanzs et puede pasar de una a otra, - {Qué son los minimos ci . {Para que necesito estandari . {Cual es la formula para pasar Qué significa multicoli + gCémo se interpreta b? {Cuil es la formula del coe! En la regresién lineal mul ajustado y como se obtiene. AG. Vays (2S: Sy Vay 2 CeoXy Se Sy, ‘etibuctén? Eee a distribucién? Ejemplificalas en un correlacién y covarianza asi como se iente detegresién? le pearson? disponer de un R cuadrado =“ow : (id Replies a aera Sanligs de Compacts (659149284 7881939440 PRA investigador quiere estudiar las relaciones. bee realiza, la inversion publicitaria y el n° de ti ‘presa en relacin a4 variables ‘VI Descuento (porcentaje de descuento ‘V2 Inversién en publicidad (en miles de et V3NP de tendas, da clectiodomésticos, el descuento lle Se Watlrecogido datos de 20 ‘V4 N° de ventas (en el diltimo aio). Datos ve wit vi V2 3° (Wa PRE. 10 48000 150 600 288,38368 15 50000 125 200 238,92773 29 43000 210 200. 407,0794 15 75000 90 100 169,68941. 20 «© 30000 180 300 347,73081 20 © 25000 250 413 48620745 25 © 30000 220 500 426,86032 5 3000. 125 238.2773 3 12000 100 (110) want Gs 20 35000 150 288 38368 15 28000 160 300 308,1 8.1 15 45000 120 200 229.0: -29,03655 5 50000130 200 248,81 18,8) 892 To. 10000 120 200 229,036588 o,fss 2535000 200 300 387.2953 Pama) 87.99557 10 33000 150 300 -288,38368 11,61 10 48000 85200159, 740,20) $0 $0000 110 200 209,255 -9,25417 15 60000 170 715 327, 13 387,051) 15 25000 140 300 268,¢ 139871 NUMERO | DE | VENTA TIENDAS |__S DESCUENTO Pearson Correlation 239) ~~OT PROMOCIONAL Sig. (2tailed) 270 1653 N master INVERSION Pearson Correlation 178 PUBLICITARIA Sig. (2-ailed) 452 N 20 NUMERO DE Pearson Correlation 1 TIENDAS Sig. Q-tailed) g N VENTAS _Pearson Correlation 5460) | Sig, (2ailed) cap * Correlation is significant attRepti dt Se Sh 9 suena ea 2) Entre que valores oscila el coeficiente de 3) {Entre que variables existe relaciin estad Ray= sig 4) Interpreta la realacién anterior. riabl jendas y n° ventas), ) Wart del descuento, ta Stepwise. Los resultados: Variables Entered/Removed(a) be ae Model [Variables Entered_ Variables Removed | Method T Stepwise ~ (Criteria: ouERO DE Probability-of F- ATED AS to-enter <= 050, Probability-of F- ~ to-remave >= 2100). Dependent Variable: VENTAS = Model Summary J Adjusted] Std. Err oF Modei| _R_([ R Sqn). Square“[the Estimate 1 546() F298 259[ 139,341 a Predictors: (Consta, NUMERODE TIEN ANOVA®) ‘Sum of ] ] Model Squmes | at — [Mean Saume|-/F) |. =Sig d Recgeess | 1481769 1] 148176932! 7632, 013¢a) on 32 3494848, cae Pad 18} 19415,826 4976618 is Total 0 a Predictors: (Constant), NOMERORE TIpNDAS: spendent Variable: VENTAS Excluded Variables(b)_ ya) Mod ] | Paral] Collineariy el Betain | t Sig. Correlation | Statistics | { Tolerance 1 DESCUENTO PROMOCIONAL ~037(@)| 174) 864 -042 933 INVERSION | PUBLICITARIA 281@)) L441 168 330 968 a Predictors in the Model: (Costant), NEMERI S.b Dependent Variable: VENTASC/Repiblica del Salvador 2920, Santiago de Compostela 659149284 881539440 ' a ] Sid, Minimum Maximum Mean _| Deviation | 159,80, 486,21) 28690 $8317 7 207078, 387052, 000] 135,624 : 1439) -2,257/ 000 1,000 20 a Residual -1486__2,78| 000 on ot tS ependent Variable: VENTAS cmo fanciona el método Stepwise? 43 = 100). 2 ‘Stepwise (Criteria: Probability-of-F-to- ingresos enter <= ,050, Probability-of-F-to-remove: L 100). ‘a Dependent Variable: rendimi re ‘Model Summary(c) 6 | Adjusted R” Std. Eror ofthe Model R R Square ‘Square Estimate 1 sT2T@) 58 SOD 1,961 Z 819(6) oT 632 1,685 Predictors: (Constant), motivacion, BoPRdictors:( , motivacion, ingresos. © VD: rendimientoReplica det Salvador: Salvador 29 20 Santiago de Compostela 659149284, 381939440, Sum of squares af Mean Square |__F Sig, 77.356 T) 77,356] 2023 69,194 18, 3844 any) 146,550, 9) 98.303 | 2} a9,isi| 17.318] ooo 482247) ” 2838 " bea 146,350 19 ivi: Cosa waa. Pei trotivaciba ngresos. © VD teaimieno ' ioe Tnstandardized Standardized] es Caeficins —_|_Coefes Sig 2 B Exor Beta Constant) <7] 1,208 a] 1 potivacion 1,093] (244 (9 4486 Geno} Constant) e 2 2 ste} 1.269 | 2408] 050 rmotvacién a sis] Goad ing (4) 2,717 a5] "Dependent Variable: rend Residuals Statstis() l 3d Minimum | Maximum} Mean_| Deviation | _N. Frticed Vahoe st] 920/435 2275 ey Residual 36n| 2399] ,000 1504 20 Si Proicted Value | -1,688| 2.132] 000 1,000 20 Sd Residual igo} 124] ‘000 ‘946 20 2 Dependent Variable: rendimiento 2 ,Cuantos pass presenta el'tpétod? Pypeeifi ficacin, 5 scale boned delete dead? 4) :Qué capacidad explcativa ga §):Cusles son os mejores predicthggs yYue faa uno? 6 Reespeciica el modelo susttu pardmetrt¥edlculadas en el andlsis. 1) Cua ese error de estimacisn de taggujeto £0 tuacién en motivacion de 6 y unos ingresos de 1120, 8) Es significativo el pari 6