PRUEBA DE REGRESIN SIMPLE

Maestrando: Rodrigo Salazar Lazo

Modelo de regresin lineal simple Aspectos generales de cundo utilizar un modelo

La regresin lineal simple es til para encontrar la fuerza o

magnitud de cmo se relacionan dos variables: una independiente, que se representa con una X, y otra dependiente, que se identifica con una Y; sin embargo, la regresin 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.

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

Aspectos tcnicos del modelo de regresin lineal simple

Antes de realizar dicho modelo, un primer paso til para

conocer la relacin entre dos variables es explorar los datos mediante un diagrama de dispersin, 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.

 El patrn que se obtiene a partir de este diagrama sugiere,

en general, la distribucin bsica y la fuerza de la asociacin entre las dos variables. Si en trminos grficos se observa una relacin aproximadamente lineal, entonces es adecuado proponer un modelo de regresin lineal simple. Una asociacin aproximadamente lineal significa que por cada unidad que aumenta la variable explicativa se espera que suceda un efecto igual en la variable de respuesta.

Veamos los siguientes grficos

B A

Interpretacin grfica
Regresin y correlacin lineal simple. En A se observa

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

Ecuacin general de una recta

la ecuacin general de una recta est dada en la siguiente

expresin: Y = 0 + 1X, donde Y son los valores correspondientes al eje vertical, 0 es la ordenada al origen, 1 es la pendiente, y X son los valores correspondientes al eje horizontal.

Veamos el ejemplo

Representacin de la recta, de los parmetros y del error de un modelo de regresin lineal simple. PAS: presin arterial sistlica.

Aplicacin informtica
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 dispersin

PRIMER PASO: EXPLORAR LOS DATOS A FIN DE OBSERVAR SI EXISTE UNA CORRELACION ENTRE LAS VARIABLES Seguir la secuencia grficos/cuadros de dilogos antiguos/dispersin puntos, pulsar

11

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

12

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

13

Salida del diagrama de dispersin 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 correlacin positiva entre ambas variables
14

Ecuacin de regresin lineal

Podran

trazarse diferentes rectas para realizar pronsticos de una variable a partir de la otra (por ejemplo de Y a partir de X en una regresin de Y sobre X). Las rectas de regresin tienen una frmula 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 expresin: Para ello calculamos los coeficientes del modelo mediante:

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

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

17

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

18

Salida informtica
Estadsticos descriptivos
ANCHO BICANICO ANCHO BIMOLAR Media 27,300 38,23 Desviacin tpica 3,9405 3,115 N 30 30

Resumen del modelo

Estadsticos de cambio R Error tp. de Cambio R cuadrado la en R Cambio R cuadrado corregida estimacin 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 tp. -17.800 3.313 1.180 .086 Coeficientes tipificados Beta t -5.372 Intervalo de confianza de 95,0% para B Lmite Lmite 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:Yi = -17.8 + 1.18 Xi
20

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

Como se observa, el coeficiente de determinacin (R al cuadrado) es 0,869 por lo que el modelo es fuerte para explicar la relacin 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

Yi = -17.8 + 1.18 Xi (R cuadrado) = 0,869

ANCHO BICANINO

22

GRACIAS

23