Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
“Es una técnica estadística usada para investigar y modelar las relaciones entre variables”
(Montgomery, Peck, & Vinning, 2012, p. 1).
𝑌 ′ = 𝑎 + 𝑏𝑋
La predicción de los valores que puede llegar a tomar una variable dependiente (Y), también
se puede hacer a partir del conocimiento de los valores de dos o más variables independientes (X1,
X2, X…), siendo este método denominado regresión lineal múltiple (Kerlinger y Lee, 2002). Modelo
en el cual dos o más regresores X tienen relación con la reacción de Y (Montgomery, Peck, & Vinning,
2012) en el cual la ecuación fundamental es:
𝑌 ′ = 𝑎 + 𝑏1 𝑋1 + . . 𝑏𝑘 𝑋𝑘
Donde k, indica que hay k variables independientes y k coeficientes de regresión (Kerlinger
y Lee, 2002).
En la regresión paso a paso hacia atrás, se empieza con un modelo que incluye todas las k
variables independientes, luego se estima el estadístico t para cada una de ellas y se eliminan
aquellas t menos significativas, es decir, la t más pequeña. Así, el modelo es reajustado y se excluye
otra variable hasta que no haya más variables que puedan ser excluidas (Montgomery, Peck, &
Vinning, 2012).
Por último, en la regresión paso a paso hacia adelante, se intenta encontrar un modelo
optimo trabajando en dirección opuesta, es decir, se comienza con ninguna variable en el modelo y
se le va agregando aquellas variables más significativas (Montgomery, Peck, & Vinning, 2012).
La regresión paso a paso será utilizada con el fin de identificar la mejor combinación de
variables que mejor expliqué a la intención de emigrar de profesores universitarios.
Referencias
Douglas Montgomery, Peck, E., & Vinning, G. (2012). Introduction to Linear Regression Analysis.
Estados Unidos: Wiley
Fritz, M., & Berger, P. D. (2015). Can you relate in multiple ways? Multiple linear regression and
stepwise regression. En Fritz, M., & Berger, P. D, Improving the user experience through
practical data analytics: gain meaningful insight and increase your bottom line (pp. 239–
269). Morgan Kaufmann.