CORRELACION Y REGRESION

Jorge Galbiati Riesco

Se dispone de una muestra de observaciones formadas por pares de variables: (x1, y1), (x2, y2), .. , (xn, yn)

A travs de esta muestra, se desea estudiar la relacin existente entre las dos variables X e Y. Es posible representar estas observaciones mediante un grfico de dispersin, como el siguiente Tambin se puede expresar el grado de asociacin mediante algunos indicadores, que se vern a continuacin. MEDIDAS DE ASOCIACION DE VARIABLES Covarianza entre las variables X e Y. Es una medida de la variacin conjunta. Se define como

cov( X , Y ) =

1 1 ( xi x)( yi y ) = S xy n n

Puede tomar valores positivos o negativos. Positivo, significa que ambas variables tienden a variar de la misma forma, hay una asociacin positiva. Negativo, significa que si una aumenta, la otra tiende a disminuir, y vice versa. Covarianza cercana a cero indica que no hay asociacin entre las variables.

Ejemplo 1 EL CLUB DE SALUD Datos correspondientes a 20 empleados del club de salud de la empresa ABC. X Y pulsasiones or minuto en reposo tiempo en correr 1 milla ( seg)

Fuente: S. Chatterjee - A. Hadi: " Sentivity Analysis in Linear Regression" Empleado 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 sumas promedios x 67 52 56 66 65 80 77 65 68 66 70 59 58 52 64 72 57 59 70 63 1286 64.30 y 481 292 357 396 345 469 425 393 346 401 267 368 295 391 487 481 374 367 469 252 7656 382.80

Los promedios de PULSACIONES y de TIEMPO son 64.30 (puls/min) y 382.80 (seg), respectivamente. Calcularemos de la covarianza entre estas dos variables:

Empleado 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 sumas promedios

x-64.30 2.7 -12.3 -8.3 1.7 0.7 15.7 12.7 0.7 3.7 1.7 5.7 -5.3 -6.3 -12.3 -0.3 7.7 -7.3 -5.3 5.7 -1.3 0.0000 0.0000

y-382.80 98.2 -90.8 -25.8 13.2 -37.8 86.2 42.2 10.2 -36.8 18.2 -115.8 -14.8 -87.8 8.2 104.2 98.2 -8.8 -15.8 86.2 -130.8 0.0000 0.0000

Producto 265.14 1116.84 214.14 22.44 -26.46 1353.34 535.94 7.14 -136.16 30.94 -660.06 78.44 553.14 -100.86 -31.26 756.14 64.24 83.74 491.34 170.04 4788.20 239.410

La covarianza entre las variables PULSACIONES y TIEMPO es cov(X,Y)=239.41 Coeficiente de correlacin lineal. La covariaza tiene el inconveniente de que su valor no es acotado, por lo que, a partir de l es dificil juzgar si es grande o pequea. Se define el coeficiente de correlacin, o simplemente correlacin, que es una medida de asociacin lineal independiente de las unidades de medida. Es igual a la covarianza dividida por las desviaciones estndar:

corr ( X , Y ) =

cov( X , Y ) = dsX * dsY

( x x)( y y) ( x x) ( y y )
i i 2 i i

S xy S xx S yy

El valor de la correlacin entre cualquier par de variables es un nmero entre -1 y 1. n valor alto de correlacin no indica que existe alguna relacin de causa-efecto entre las variables.

Ejemplo 1 (continuacin) Se deben calcular las desviaciones estndar. Para ello se deben elevar al cuadrado las observaciones centradas y promediar, obtenindose las varianzas. Las desviaciones standard son las races cuadradas de stas.

Empleado 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 sumas promedios (varianzas) Desv. estndar

(x-64.30)2 7.29 151.29 68.89 2.89 0.49 246.49 161.29 0.49 13.69 2.89 32.49 28.09 39.69 151.29 0.09 59.29 53.29 28.09 32.49 1.69 1082.20 54.110 7.356

(y-382.80)2 9643.24 8244.64 665.64 174.24 1428.84 7430.44 1780.84 104.04 1354.24 331.24 13409.64 219.04 7708.84 67.24 10857.64 9643.24 77.44 249.64 7430.44 17108.64 97929.20 4896.460 69.975

Para obtener el coeficiente de correlacin se debe vividir la covarianza por el producto de ambas desviaciones estndar: corr(X,Y)=239.410/(7.356*69.975)=0.465

El siguiente es un grfico de dispersin que muestra estos datos.

Club de Salud
Tiempo en recorrer 1 milla 600 500 400 300 200 100 0 0 20 40 60 80 100 Pulsaciones por minuto

La interpretacin del coeficiente de correlacin puede ilustrarse mediante los siguientes grficos.

REGRESION LINEAL SIMPLE Ahora asumiremos que si hay una relacin de causalidad de la variable X (causa) hacia la variable Y (efecto). Adems, se sabe que esa relacin es de tipo lineal, dentro del rango de los datos. Estableceremos un modelo para explicar la caiusa (Y) en trminos del efecto (X), del tipo siguiente:

Yi = a + bX i + ei

para i = 1,2,..., n

en que a y b son dos cantidades fijas (parmetros del modelo) y los ei son cantidades aleatorias que representan las diferencias entre lo que postula el modelo a + bx y lo que realmente se observa, y. Por esa razn a los e los llamaremos "errores" o "errores aleatorios". Se asume que tienen valor esperado 0 y desviacin standard comn Ejemplo 2 Venta de automviles. Se piensa que si aumenta el porcentaje de comisin pagada al vendedor de automviles, aumenta la venta. Estudio sobre 15 concesionarios similares: X Y Comisin pagada por ventas (%) Ganancias netas por ventas, en un mes determinado (Millones de $) Concesionario 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 sumas promedios X 3.6 5.2 5.3 7.3 5.0 5.2 3.0 3.1 3.2 7.5 8.3 6.1 4.9 5.8 7.1 80.600 5.373 Y 11.28 14.74 18.46 20.01 12.43 15.37 9.59 11.26 8.05 27.91 24.62 18.80 13.87 12.11 23.68 242.180 16.145

Representacin de los datos en un grfico de dispersin:

Ganancias netas versus com isiones 30.00 Ganancias (MM$) 25.00 20.00 15.00 10.00 5.00 0.00 0.0 2.0 4.0 6.0 8.0 10.0

com isin (%)

Se puede apreciar la relacin lineal existente entre ambas variables observadas.

Nuestro problema es estimar los parmetros a, b y modelo.

para poder identificar el

Para estimar a y b se utiliza el mtodo de Mnimos cuadrados, que consiste en encontrar aquellos valores de a y de b que hagan mnima la suma de los cuadrados de las desviaciones de las observaciones respecto de la recta que representa el modelo, en el sentido vertical.

En la figura, son los cuadrados de los segmentos verticales cuya suma de cuadrados se debe minimizar, para determinar a y b. Estos segmentos representan los errores e del modelo. b se llama pendiente de la recta que representa los datos y a se llama

intercepto sobre el eje vertical. La solucin est dada por las siguientes frmulas:

b=

( x x)( y y) = S S ( x x)
i i 2 i

xy xx

a = y bx
Ejemplo 2 (continuacin) Calculamos los promedios de ambas variables y se las restamos a los valores. Promedio de las X: Promedio de las Y: 5.373 16.145

Clculo de de las desviaciones respecto de las medias, sus cuadrados y productos:

Concesionario 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 sumas promedios

X 3.6 5.2 5.3 7.3 5.0 5.2 3.0 3.1 3.2 7.5 8.3 6.1 4.9 5.8 7.1 80.600 5.373

Y 11.3 14.7 18.5 20.0 12.4 15.4 9.6 11.3 8.1 27.9 24.6 18.8 13.9 12.1 23.7 242.180 16.145

(x-xmed)2 3.145 0.030 0.005 3.712 0.139 0.030 5.633 5.168 4.723 4.523 8.565 0.528 0.224 0.182 2.981 39.589 1.979

(y-ymed)2 23.671 1.975 5.358 14.936 13.804 0.601 42.972 23.866 65.534 138.407 71.820 7.047 5.177 16.284 56.771 488.225 24.411

Prod 8.628 0.244 -0.170 7.446 1.387 0.134 15.558 11.106 17.594 25.020 24.803 1.929 1.077 -1.722 13.010 126.043 6.302

Entonces, utilizando las frmulas dadas ms arriba, obtenemos los valores de los parmetros del modelo de regresin: b=126.043/39.589=3.184 a=16.145-3.184*5.373=-0.962

El modelo, para estos datos, entonces, es

Yi = 0.96 + 3,18 X i + ei

para i=1,2,.. 15

Representa una recta, cuyo intercepto con el eje vertical es -0.96, y su pendiente es 3.18, o sea, si el porcentaje de comisin X aumenta en 1%, la ganancia neta Y aumenta en 3.18 Millones de pesos.

Ganancias netas versus com isiones 30.00 25.00 Ganancias (MM$) 20.00 15.00 10.00 5.00 0.00 -5.00 0.0 2.0 4.0 6.0 8.0 10.0

com isin (%)

VALORES AJUSTADOS AL MODELO. El modelo de regresin lineal se puede utilizar para obtener valores de Y ajustados al modelo, Los valores puntuales se obtienen mediante la frmula

Yi = a + bX i
en que a y b son los valores estimados por el procedimiento indicado anteriormente, y Xi toma los valores de la muestra. Los puntos que representan estos valores en el grfico de dispersin, yacen sobre la recta.

Ejemplo 2 (continuacin) La tabla siguiente contiene los valores de Y ajustados , para cada valor de X, adems de los valores de Y observados, a modo de comparacin. Los ajustados se obtienen por la frmula

Yi = 0.96 + 3.18 X i

Concesionario 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 sumas promedios

X 3.6 5.2 5.3 7.3 5 5.2 3 3.1 3.2 7.5 8.3 6.1 4.9 5.8 7.1 80.600 5.373

Y 11.28 14.74 18.46 20.01 12.43 15.37 9.59 11.26 8.05 27.91 24.62 18.8 13.87 12.11 23.68 242.180 16.145

Yajust 10.499 15.593 15.912 22.279 14.957 15.593 8.589 8.908 9.226 22.916 25.463 18.459 14.638 17.504 21.643 242.180 16.145

diferencia 0.781 -0.853 2.548 -2.269 -2.527 -0.223 1.001 2.352 -1.176 4.994 -0.843 0.341 -0.768 -5.394 2.037 0.000 0.000

Se puede observar que el promedio de los valores ajustados es igual al promedio de los valores observados, y que el promedio de las diferencias es cero. La raz cuadrada del promedio de los cuadrados de las diferencias entre los valores observados y ajustados, es una estimacin de la varianza del error,

2 . En el ejemplo,

la suma de las diferencias al cuadrado es 86.933, luego la estimacin de la desviacin estndar del error es igual a

= 86.93315 = 5.796 = 2.41

Millones de pesos

Coeficiente de determinacin. Es una medida de bondad de ajuste del modelos de regresin lineal a los datos. Es deseable que los valores de Y ajustados al modelo, sean lo ms parecidos posible a los valores observados. Una medida de lo parecido que son, es el coeficiente de correlacin. Se define el coeficiente de determinacin, R2, como el cuadrado del coeficiente de correlacin entre los valores de Y observados y los valores de Y ajustados. Sin embargo se puede demostrar que es igual a la siguiente expresin:

10

R2 =

2 S xy

S xx S yy

[ ( x x)( y y)] [ ( x x) ][ ( y y) ]
2

El rango de R2 es entre 0, cero ajuste, hasta 1, ajuste perfecto (cuando los puntos aparecen en un lnea recta). Ejemplo 2 (continuacin) Ms arriba se calcularos las sumas de cuadrados y de productos, y dieron los siguientes valores: Sxx = 39.6 , Syy = 488.3 , Sxy = 126.1 Entonces el coeficiente de determinacin es

R2 =

(126.043) 2 = 0.822 39.589 * 488.225

que seala que el ajuste del modelo a los datos es bueno. Ejemplo 3 Los datos siguientes corresponde al Indice de Produccin Fsica de la Industria Manufacturera, por agrupacin, de los meses de mayo de 2002 y mayo de 2003, entregado por el Instituto Nacional de Estadsticas. Es un ndice cuya base 100 es el promedio de produccin de cada agrupacin, en el ao 1989.

11

Agrupaciones Fabricac. de productos alimenticios Industrias de bebidas Industria del tabaco Fabricac. de textiles Fabricac. prendas de vestir, excepto calzado Industria del cuero; produc. de cuero y sucedneos Fabricac. de calzado, exc. de caucho o plstico Industria de madera y sus productos exc. muebles Fabricac. de muebles y accesorios, exc. metlicos Fabricac. de papel y productos de papel Imprentas, editoriales e industrias conexas Fabricac. de sustancias qumicas industriales Fabricac. de otros productos qumicos Refineras de petrleo Fabricac. prod. derivados de petrleo y carbn Fabricac. de productos de caucho Fabricac. de productos plsticos Fabricac. de objetos de loza y porcelana Fabricac. de vidrio y productos de vidrio Fabricac. otros productos minerales no metlicos Industrias bsicas de hierro y acero Industrias bsicas de metales no ferrosos Fabricac. prod. metlicos exc. maquinaria y equipo Construccin de maquinaria, exc. la elctrica Construccin mq., aparatos y acces. elctricos Construccin de material de transporte Fabricac. equipo profesional y artculos oftlmicos Otras industrias manufactureras

Mayo 02 140.2 134.6 151.1 70.9 34.7 59.3 52.6 132.3 114.0 189.5 107.5 229.4 212.4 136.0 143.2 141.4 305.8 68.2 268.6 185.6 123.1 119.8 153.6 282.5 87.0 103.4 67.7 66.0

Mayo 03 133.5 133.7 140.5 70.3 30.5 56.7 45.3 141.6 132.4 205.3 108.0 231.4 209.6 165.2 156.2 177.4 399.7 61.1 266.4 186.5 167.1 108.7 153.5 289.7 83.0 73.4 64.1 67.5

El grfico de dispersin es el siguiente:

Prod. Fsica Industria Manufacturera 600 Indice mayo 2003 400 200 0 0 100 200 Indice m ayo 2002 300 400

Clculos parciales, en que X es el ndice mayo 2002, Y el ndice mayo 2003:

12

n = 28

x = 136.6

y = 144.9

S xx = ( xi x) 2 = 134,913.6
S yy = ( y i y ) 2 = 187,813.7
S xy = ( xi x )( yi y ) = 154,350.8
Estimacin de los parmetros del modelo:

b=

S xy S xx

154,350.8 = 1.14 134,913.6

a = y b x = 13.61
Bondad de ajuste:

R =
2

2 S xy

S xx S yy

(154,350.8) 2 = = 0.940 (134,913.6) * (187,350.8)

que indica un muy buen ajuste. El siguiente grfico muestra de recta de regresin estimada:

Prod. Fsica Industria Manufacturera 600

Indice mayo 2003

400

200

0 0 -200
Indice m ayo 2002

100

200

300

400

Prediccin por bandas de confianza. Se pueden hacer predicciones de valores Y para valores X que no estn en el conjunto de observaciones, dentro o fuera de su rango, utilizando la frmula de la regresin

13

lineal, con los parmetros a y b estimados. Tambin se pueden hacer predicciones por intervalos de confianza verticales, que tienen la ventaja de proporcionar una cuantificacin del error de prediccin. Los intervalos tienen la propiedad de ser de diferente ancho, segn el valor de X, siendo ms angostos cuando X es igual al promedio, ensanchndose a medida que nos alejamos del promedio. Cuando se sale del rango de los datos, se ensanchan ms fuertemente. Esto significa que mientras ms nos alejamos del centro de los valores de la variable X, ms imprecisas sern nuestras estimaciones del valor de la variable Y, lo que parece razonable. Si unimos los extremos superiores (o los inferiores) de todos los intervalos de confianza, se obtienen dos curvas con forma de hiprbola, como se muestra en la figura:

14

El grfico siguiente muestra las bandas de confianza de coeficiente 95%, para el ejemplo de la produccin fsica manufacturera. Mientras mayor es el coeficiente de determinacin R2, ms angostas son las bandas de confianza; lo mismo mientras mayor es la desviacin estndar de las X, y lo mismo si el tamao muestral aumenta. Y a medida que nos alejamos del promedio de las X, se ensanchan las bandas. PREGUNTAS 1. Se tienen dos variables, relacionadas con las publicaciones en revistas de X = Nmero de publicaciones. Y = Nmero de veces que ha sido citado. Utilizando regresin lineal, se estim, en base a una muestra, que estas variables estn relacionadas mediante el siguiente modelo lineal: Y = 0.3+ 2.6 X Cmo se interpretan los dos parmetros de este modelo ?

profesores universitarios:

15

2.

Se tiene un conjunto de pares de datos (x,y), a los que se les estima una recta

de regresin. La variable independiente es x, su rango es entre 150 y 230. Se hacen dos estimaciones de y por intervalos de confianza de coeficiente 95%, una para x=190 y otra para x=250. Cul es ms precisa? 3. La relacin entre el tiempo, en das, dedicado a elaborar un proyecto y el costo

del proyecto se model mediante una regresin lineal, estimndose la siguiente expresin: costo = 23 + 0.52 * tiempo Cmo interpreta el nmero 23 ? Cmo interpreta el nmero 0.52 ? 4. 5. Qu mide el coeficiente de determinacin, en un modelo de regresin lineal? Qu ventaja tiene el coeficiente de correlacin, sobre la covarianza, como

medidas de asociacin entre variables? 6. Se aplic regresin lineal para predecir la demanda de un producto, para el

prximo ao, utilizando los datos de seis aos pasados. Interprete la siguente afirmacin: "La demanda proyectada para el prximo ao ser entre 855 y 955 en base a un intervalo de confianza de coeficiente 95%." 7. 8. Qu mide el coeficiente de correlacin lineal de dos variables. Se tienen dos variables, observadas en trabajadores de la salud: X = aos de servicio. Y = asignaciones salariales actuales (miles de pesos). Utilizando regresin lineal, se estim, en base a una muestra, que estas variables estn relacionadas mediante el siguiente modelo lineal: Y = 200+ 15 X Cmo se interpretan los dos parmetros de este modelo ? 9. Qu mide el coeficiente de determinacin, en una regresin lineal?

16

10.

Se tienen dos variables, observadas en una muestra de estudiantes egresados X = promedio de notas de los cuatro aos de enseanza media. Y = puntos PSU historia.

de la enseanza media:

Utilizando regresin lineal, se estim, en base a una muestra, que estas variables estn relacionadas mediante el siguiente modelo lineal: Y = 60 + 100 X Cmo se interpretan los dos parmetros de este modelo ? 11. Una institucin ha encargado una serie de proyectos. Con los datos histricos,

se quiso relacionar los montos de los proyectos con los tiempos de ejecucin, obtenindose los siguientes resultados: Monto (M$) = 12620+ 476 x Tiempo (das) con un coeficiente de determinacin R2 = 0.86 12. Se tienen dos variables, observadas en una muestra de postulantes a un cargo X = promedio de notas de sus aos de estudio. Y = puntaje obtenido en una prueba que se les aplic. Utilizando regresin lineal, se estim, en base a una muestra, que estas variables estn relacionadas mediante el siguiente modelo lineal: Y = 3 + 1.5 X Cmo se interpretan los dos parmetros de este modelo ? 13. Se tiene un conjunto de pares de datos (x,y), a los que se les estima una recta

profesional:

de regresin. La variable independiente es x, su rango es entre 35 y 45. Se hacen dos estimaciones de y por intervalos de confianza de coeficiente 95%, una para x=40 y otra para x=50. Cul es ms precisa? 14. El costo por das por trabajados en un proyecto est dado por la siguiente

expresin: El costo Monto (M$) = 2246+ 35 x Tiempo (das), Que se obtuvo ajustando una regresin lineal a un conjunto de datos de proyectos ya realizados. Se obtuvo un coeficiente de determinacin R2 = 0.91. Interprete los valores 2246, 35 y 0.91.

17