Análisis de regresión

“Es una técnica estadística usada para investigar y modelar las relaciones entre variables”
(Montgomery, Peck, & Vinning, 2012, p. 1).

Regresión lineal simple

Generalmente, cuando se tiene conocimiento de los valores de una variable independiente

y se trata de predecir el comportamiento de otra se habla de un análisis de regresión,
específicamente de una regresión simple. Modelo en el que un solo regresor X tienen relación con
la reacción de Y (Montgomery, Peck, & Vinning, 2012). De esta manera, la ecuación fundamental de
la regresión lineal simple es:

𝑌 ′ = 𝑎 + 𝑏𝑋

Donde Y’= puntuaciones predichas de Y o la variable dependiente, a= constante de

intercepción, b= coeficiente de regresión y, X= puntuaciones de la variable independiente (Kerlinger
y Lee, 2002).

Regresión lineal múltiple

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).

Regresión paso a paso

 Es una variación de la regresión múltiple habitual, que fue inventada para abordar
específicamente el problema de aquellas variables que coinciden en la información que proveen
acerca de la variable dependiente (Fritz y Berger, 2015). En la regresión múltiple habitual todas las
variables son evaluadas al mismo tiempo. La regresión paso a paso por otro lado es diferente, es un
método en el que se trabaja en cualquier dirección, las variables son incluidas o excluidas al modelo
una a la vez en varios pasos, donde se realizan dos pasos hacia delante y uno hacia atrás, luego se
realiza otro paso hacia delante y otra hacia atrás y continua hasta que no se pueda tomar acción en
ninguna dirección (Douglas Montgomery, Peck, & Vinning, 2012).

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).

Justificación de uso de regresión paso a paso

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.

Kerlinger, F. N., y Lee, H. B. (2002). Investigación del comportamiento.