2 RESULTADOS CORREGIDOS (49-63) Cap III

III.
RESULTADOS
3.1. ANALISIS DE REGRESIÓN CON EL ENFOQUE CLÁSICO
PARA LA INFORMACION A PRIORI
3.1.1. Variables Independientes.
Cuadro 01. Estadísticas Descriptivas.
Variables Media Desviación típica.

Rendimiento Académico 8,9025 3,1729
Autoestima 71,70 11,4157
Satisfacción 121,35 12,7612
Edad 21,65 3,1013
Fuente: Cuestionario sobre Rendimiento Académico
Elaboración: Propia.
En el Cuadro 01, se puede apreciar las tres variables
independientes analizadas para estimar la función de regresión lineal.
3.1.2. Verificación de los Supuestos del análisis de Regresión (A
priori).
Uno de los supuestos del análisis de regresión es la linealidad.
La linealidad es un supuesto implícito de todas las técnicas
multivariantes basadas en medidas de correlación. Es, además, una
forma indirecta de contrastar la normalidad conjunta de dos variables
dado que si dicha hipótesis es cierta la relación existente entre ellas
deberá ser lineal. Lo cual el Gráfico Nº01 indica que podemos aceptar
la hipótesis de igualdad de Varianzas (homocedasticidad) y el Cuadro
Nº 02 indica que podemos aceptar la hipótesis de linealidad del modelo.
Se utilizó la prueba estadística de la tolerancia y el factor de inflación
de la varianza.
49
Cuadro Nª02: Prueba de colinealidad (A priori)
FIV
Autoestima 5,412
Satisfacción 14,307
Edad 9,502
Fuente: Cuestionario sobre Rendimiento Académico.
Gráfico Nº01: Homocedasticidad (A priori)
Variable dependiente: Rendimiento Académico (Apriori).

3
Regresión Residuo
2
tipificado
-1
-2
-3
-3 -2 -1 0 1 2
Regresión Valor pronosticado tipificado

Para comprobar el supuesto de normalidad multivariada, se
evaluó mediante la prueba de normalidad multivariada de Mardia, ya
que éste estadístico es adecuado para muestras grandes y en forma
multivariada.
En el cuadro 03, se puede observar que para un nivel de
significación del 1%, se cumple el supuesto de normalidad
multivariada, es decir, como el valor “Z = 1,140” esta dentro de los
límites (lim-inf., lim-sup), no se rechaza la hipótesis de normalidad
multivariada.
50
Cuadro 03: Prueba de Normalidad Multivariada(A priori)
Prueba de Mardia
B 26,498
Z 1,140
P(z) 0,873
Lim-inf -1,960
Lim-sup 1,960
Cuadro 04: Prueba de Durbin Watson(A priori)
Prueba de Durbin-Watson
DW 1,989
El cuadro Nº 04 indica que podemos aceptar la hipótesis de no
autocorrelación del modelo.
3.1.3. Estimación de la Regresión Lineal Múltiple (A priori).
Para estimar la regresión lineal múltiple se utilizó el método de
inclusión por pasos, para determinar que variable independiente es la
que realmente influye en el rendimiento académico de los estudiantes
de la Facultad de Ciencias, encontrándose los siguientes resultados:
Cuadro 05: Análisis de Varianza(A priori)
Fuentes de Suma de Media

G.L. F Sig.
Variación cuadrados cuadrática
Regresión 383,513 3 127,838 504,817 0,000
Residual 9,116 36 0,253
Total 392,630 39
51
El cuadro 05, muestra que la regresión estimada es adecuada a
un nivel de significación del 1%.
Cuadro 06: Coeficientes No Estandarizados (A priori)
Coeficientes no
Variable t Sig.
estandarizados
B Error típico.
(Constante) -16,454 1,022 -16,103 ,000
Autoestima ,168 ,016 10,249 ,000
Satisfacción ,140 ,024 5,877 ,000
Edad -,173 ,080 -2,160 ,038

Como se puede apreciar en el cuadro 06, los coeficientes son
significativos, es decir, diferentes de cero a un nivel de significación del
5%. Además, se puede observar los coeficientes de la regresión
estimada para las tres variables independientes analizadas.
Re n dim ientoAcadémico  16, 454  0,168 * Autoestima  0.140 * Satisfacción  0,171* Edad
Cuadro 07: Coeficiente de Determinación (A priori).
Modelo R R cuadrado
3 0,988 0,977
Como se puede observar en el cuadro 07, el coeficiente de
determinación es 97,7%, lo cual nos indica que la regresión estimada
presenta un buen ajuste. Lo cual confirma que el modelo estimado es
adecuado para el conjunto de datos.
52
3.2. ANALISIS DE REGRESIÓN CON EL ENFOQUE CLÁSICO
PARA LA INFORMACION MUESTRAL
Cuadro 08. Estadísticas Descriptivas (Muestral).

Edad 20,677 3,139
3.2.2. Verificación de los Supuestos del analisis de Regresión
(Muestral).
Uno de los supuestos del análisis de regresión es la linealidad.
La linealidad es un supuesto implícito de todas las técnicas
multivariantes basadas en medidas de correlación. Es, además, una
forma indirecta de contrastar la normalidad conjunta de dos variables
dado que si dicha hipótesis es cierta la relación existente entre ellas
deberá ser lineal. Lo cual el Gráfico Nº02 indica que podemos aceptar
la hipótesis de igualdad de Varianzas (homocedasticidad) y el Cuadro
Nº 09 indica que podemos aceptar la hipótesis de linealidad del modelo.
Se utilizó la prueba estadística de la tolerancia y el factor de inflación
de la varianza.
53
Cuadro 09: Prueba de colinealidad (Muestral)
FIV
Autoestima 1,539
Satisfacción 1,606
Edad 1,077
Gráfico Nº02: Homoscedasticidad Muestral
Variable dependiente: Rendimiento Académico (Muestral).

3
Regresión Residuo
2
tipificado
-1
-2
-3
-3 -2 -1 0 1 2
Regresión Valor pronosticado tipificado

Para comprobar el supuesto de normalidad multivariada, se
evaluó mediante la prueba de normalidad multivariada de Mardia, ya
que éste estadístico es adecuado para muestras grandes y en forma
multivariada.
En el cuadro 10, se puede observar que para un nivel de
significación del 1%, se cumple el supuesto de normalidad
multivariada, es decir, como el valor “Z = -0,87” esta dentro de los
54
límites (lim-inf, lim-sup), no se rechaza la hipótesis de normalidad
multivariada.
Cuadro 10: Prueba de Normalidad Multivariada Muestral
Prueba de Mardia
B 22.79
Z -0.87
P(z) 0.19
Lim-inf -1,96
Lim-sup 1,96
El cuadro Nº 11 indica que podemos aceptar la hipótesis de no
autocorrelación del modelo.
Cuadro 11: Prueba de Durbin Watson Muestral
Prueba de Durbin-Watson
DW 1,251
3.2.3. Estimación de la Regresión Lineal Múltiple Muestral.
de la facultad de ciencias, encontrándose los siguientes resultados:
55
Cuadro 12: Análisis de Varianza (Muestral).
Grados
de F Sig.
Libertad
Regresión 1089,790 3 363,263 112,696 ,000
Residual 306,223 95 3,223
Total 1396,013 98
Cuadro 13: Coeficientes No Estandarizados (Muestral).
Coeficientes no
Variable estandarizados t Sig.
B Error típica.
(Constante) -16,114 1,855 -8,686 ,000
Autoestima ,135 ,015 8,838 ,000
Satisfacción ,136 ,017 7,955 ,000
Edad -,116 ,060 -1,932 ,056
Re n dim ientoAcadémico  16,114  0,135* Autoestima  0.136 * Satisfacción  0,116 * Edad
56
Cuadro 14: Coeficiente de Determinación (Muestral).
Modelo R R cuadrado
3 ,884 ,781
determinación es 78,1%, lo cual nos indica que la regresión estimada
3.3. ANALISIS DE REGRESIÓN CON EL ENFOQUE BAYESIANO
PARA LA INFORMACION APOSTERIORI
Cuadro 15. Estadísticas Descriptivas.

Edad 20,957 3,148
3.3.2. Estimación de la Regresión Lineal Múltiple (Aposteriori).
57
de la facultad de ciencias, encontrándose los siguientes resultados:
Cuadro 16: Análisis de variancia Bayesiano para el modelo de
regresión (Aposteriori).

gl. F Sig.
Regresión 1455,518 3 485,173 178,502 ,000
Residual 366,934 135 2,718
Total 1822,452 138
Cuadro 17: Coeficientes No Estandarizados (Aposteriori).
Coeficientes no
estandarizados t Sig.
Variable B Error típica.
(Constante) -16,226 1,387 -11,695 ,000
Autoestima ,143 ,013 10,611 ,000
Satisfacción ,127 ,015 8,603 ,000
Edad -,066 ,050 -1,320 ,189
Re n dim ientoAcadémico  16, 226  0,143* Autoestima  0.127 * Satisfacción  0, 066 * Edad
58
Cuadro 18: Coeficiente de Determinación (Aposteriori).
Modelo R R cuadrado
1 0,894 0,800
determinación es 80%, lo cual nos indica que la regresión estimada
3.4. COMPARACIÓN DE LOS RESULTADOS MUESTRALES Y
APOSTERIORI.
De los cuadros de anteriores (coeficientes no estandarizados),
obtenemos las siguientes gráficas normales para comparar la eficiencia
del enfoque bayesiano.
Gráfica 03: Constante de la Regresión Lineal Múltiple
Estimada.
Constante
0.5
0.4
0.3
0.2
0.1
0
-25 -20 -15 -10 -5 0
A PRIORI MUESTRAL A POSTERIORI

Elaboración: Propia
59
Gráfica 04: Variable Autoestima de la Regresión Lineal Múltiple
Estimada.
Autoestima
40
30
20
10
0
0 0.05 0.1 0.15 0.2 0.25
MUESTRAL A POSTERIORI A PRIORI

Gráfica 05: Variable Satisfacción de la Regresión Lineal Múltiple

Estimada.
Satisfacción
30
25
20
15
10
5
0
0 0.05 0.1 0.15 0.2
MUESTRAL A POSTERIORI A PRIORI

60
Gráfica 06: Variable Edad de la Regresión Lineal Múltiple Estimada.
Edad
10
8
6
4
2
0
-0.4 -0.3 -0.2 -0.1 0 0.1 0.2
MUESTRAL A PRIORI A POSTERIORI

Como se aprecia en las Gráficas 03, 04, 05 y 06, los coeficientes
de la regresión bayesiana se sitúan aproximadamente entre los
coeficientes de las regresiones con la información a priori e información
muestral.
Cuadro Nº 19. Estimación clásica para los parámetros del modelo de

regresión
Parámetro Valor estimado Desv. Estándar
β1 -16,114 1,855
β2 ,135 ,015
β3 ,136 ,017
β4 -,116 ,060
σ2 3,223
Cuadro Nº 20. Estimación Bayesiana para los parámetros del modelo de

regresión
Parámetro Valor estimado Desv. Estándar
β1 -16,226 1,387
β2 ,143 ,013
β3 ,127 ,015
β4 -,066 ,050
61
σ2 2,718
3.5 PRUEBA DE LA HIPÓTISIS DE INVESTIGACION
Hipótesis de Investigación: “El Enfoque Bayesiano del análisis de
regresión lineal múltiple, clasifica con mayor precisión a los estudiantes
en el rendimiento Académico de la UNASAM- 2008; que el Enfoque
Clásico de Regresión lineal múltiple”
Hipótesis Estadística:
Ho : La Capacidad predictiva del Análisis de Regresión lineal
múltiple a posteriori es similar a la capacidad predictiva del análisis de
Regresión lineal múltiple muestral (  1 =  2 ).
H1 : La Capacidad predictiva del Análisis de Regresión lineal
múltiple a posteriori es mayor a la capacidad predictiva del análisis de
Regresión lineal múltiple muestral (  1 >  2 ).
Estadístico de Prueba:
F  S12 / S 22  F (n1  4, n 2  4)
El punto crítico para esta prueba está dado por el valor de la
distribución F para un nivel de significación del 5%: Ft = 1.36 (Región
de rechazo = 9.55,+   .
Resultados:
El Valor F calculado resulta: Fc = 0.843.
Conclusión:
62
Debido a que el valor Fc = 1.052 es menor al valor Ft = 9.55, no
existe suficientes evidencias para rechazar la hipótesis nula a un nivel
de confianza del 95%.
Por lo tanto, la capacidad predictiva del análisis de regresión
lineal múltiple mediante los enfoques Clásicos y Bayesianos no
presentan diferencias significativas, es decir, la clasificación por ambos
enfoques son análogos.
63

2 RESULTADOS CORREGIDOS (49-63) Cap III

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

2 RESULTADOS CORREGIDOS (49-63) Cap III

Caricato da

Copyright:

Formati disponibili

III.

3.1. ANALISIS DE REGRESIÓN CON EL ENFOQUE CLÁSICO

PARA LA INFORMACION A PRIORI

3.1.1. Variables Independientes.

Cuadro 01. Estadísticas Descriptivas.

Variables Media Desviación típica.

En el Cuadro 01, se puede apreciar las tres variables

independientes analizadas para estimar la función de regresión lineal.

3.1.2. Verificación de los Supuestos del análisis de Regresión (A

Uno de los supuestos del análisis de regresión es la linealidad.

La linealidad es un supuesto implícito de todas las técnicas

multivariantes basadas en medidas de correlación. Es, además, una

forma indirecta de contrastar la normalidad conjunta de dos variables

dado que si dicha hipótesis es cierta la relación existente entre ellas

la hipótesis de igualdad de Varianzas (homocedasticidad) y el Cuadro

Nº 02 indica que podemos aceptar la hipótesis de linealidad del modelo.

Se utilizó la prueba estadística de la tolerancia y el factor de inflación

Gráfico Nº01: Homocedasticidad (A priori)

Variable dependiente: Rendimiento Académico (Apriori).

Fuente: Cuestionario sobre Rendimiento Académico.

Para comprobar el supuesto de normalidad multivariada, se

evaluó mediante la prueba de normalidad multivariada de Mardia, ya

que éste estadístico es adecuado para muestras grandes y en forma

En el cuadro 03, se puede observar que para un nivel de

significación del 1%, se cumple el supuesto de normalidad

multivariada, es decir, como el valor “Z = 1,140” esta dentro de los

límites (lim-inf., lim-sup), no se rechaza la hipótesis de normalidad

Cuadro 04: Prueba de Durbin Watson(A priori)

El cuadro Nº 04 indica que podemos aceptar la hipótesis de no

autocorrelación del modelo.

3.1.3. Estimación de la Regresión Lineal Múltiple (A priori).

Para estimar la regresión lineal múltiple se utilizó el método de

inclusión por pasos, para determinar que variable independiente es la

que realmente influye en el rendimiento académico de los estudiantes

de la Facultad de Ciencias, encontrándose los siguientes resultados:

Cuadro 05: Análisis de Varianza(A priori)

Fuentes de Suma de Media

un nivel de significación del 1%.

Cuadro 06: Coeficientes No Estandarizados (A priori)

Autoestima ,168 ,016 10,249 ,000

Satisfacción ,140 ,024 5,877 ,000

Edad -,173 ,080 -2,160 ,038

Como se puede apreciar en el cuadro 06, los coeficientes son

significativos, es decir, diferentes de cero a un nivel de significación del

5%. Además, se puede observar los coeficientes de la regresión

estimada para las tres variables independientes analizadas.

Cuadro 07: Coeficiente de Determinación (A priori).

Como se puede observar en el cuadro 07, el coeficiente de

determinación es 97,7%, lo cual nos indica que la regresión estimada

presenta un buen ajuste. Lo cual confirma que el modelo estimado es

adecuado para el conjunto de datos.

PARA LA INFORMACION MUESTRAL

3.2.1. Variables Independientes.

Cuadro 08. Estadísticas Descriptivas (Muestral).

Variables Media Desviación típica.

En el Cuadro 08, se puede apreciar las tres variables

independientes analizadas para estimar la función de regresión lineal.

3.2.2. Verificación de los Supuestos del analisis de Regresión

Uno de los supuestos del análisis de regresión es la linealidad.

La linealidad es un supuesto implícito de todas las técnicas

multivariantes basadas en medidas de correlación. Es, además, una

forma indirecta de contrastar la normalidad conjunta de dos variables

dado que si dicha hipótesis es cierta la relación existente entre ellas