Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Figura 2 Depresin
Ejemplo 2 vs Apego Cuidado Relaciones vs Apego
Unos investigadores consideran que el Apego materno en un
adolescente (nivel de seguridad percibida por el adoles-
cente en la relacin con su madre) es factor protector contra ten-
dencias depresivas y tambin es factor promotor de mayor cuidado de relaciones
romnticas por parte del adolescente. En ambos casos se asume rela-
cin de proporcionalidad como una primera aproximacin.
Para evaluar sus hiptesis tomaron una muestra de adoles-
centes y aplicaron el Inventario de apego con padres y pares (IPPA,
Armsden & Greenberg, 1987), el Inventario de Depresin de Beck y
la Escala de Cuidado de las relaciones romnticas de Davis (1996), sta
ltima mide factores como la asistencia o apoyo, dar lo El
mximo posible en la relacin, llevar la delantera, etc. ne
Pareciera que con la Depresin la tendencia es ms clara
queLas
conecuaciones
el Cuidadoseran:
de relaciones, pero como las variables
1.
Depresin
Depresin b 0 + b1 Apego
y =Cuidado +e D con
no tienen las bmismas unidades de me-
1 < 0 , e D =efecto del azar en
dida, se necesita anlisis ms finos para obtener
la depresin
conclusiones confiables Da
Cuidado = a 0 + a1 Apego + e C con a 1 > 0 , e C =efecto del azar
al
Ejemplo 3
Un psiclogo social estudia la relacin entre Ingreso y cu
PUEDEN HABER RELACIONES NO
LINEALES?
EST-203 ESTADISTICA II Ar tur o Calder n G. 2010 4
1 ), ( X 2 , Y2 ), L
Yactersticas o ,sea
( X nson , en general
, Yn )parmetros y e es se
aleatoria de n parejas ( X 1 , Y1 ), ( X 2 , Y2 ),L, ( X n , Yn ) ,
= b 0 personas
+ bde1 Xotras
j + evariables
e j represent
e
aleatoria
ngreso y debida a que
cumple
Representa Ylas
el efectoj mezclado nono tie-
j donde
eados de controladas para el cul
mezclado deseotras
asume que se comportano
variables el controladas
iempre
diferen- el
nde j mismo comportamiento.
representa el efecto
azar, como variable aleatoria,
se asume que se habiendo independencia
comporta como el azar, c
Ingreso en entre observaciones: e ~ N (0, s ) 2
s no controladas,
s que el leatoria:
ciones para el cual
habiendo independencia
1988)
omo estudiaron
el azar, la relacin
como entre
variableestrs y a-
lgico enEntonces.
b1 > 0 una muestra Qu es elde error?
universitarios.
Formalmente:
con
E (e ) = 0 "j
do independencia entre
X con una (a)construida
escala observa-
a partir
j
de
2
estimando b 0 , b 1 y reemplazando luego en el modelo. El
(Y X Y X Y
clina
j - Y )( X j - X ) j j - nXY j j - nXY
j =1 0 inteligencia? Es posible
j =1tener 0 autoestima? jEs rXY Smindset?
=1 posible tener 0 growth
b1 = tener
Reflexin: Es posible = = = Y
medio
n n
( n - 1) S X
2
(X - X ) X
SX
- nX
2 2 2
j
j =1 j =1
b0 = Y - b1 X
La prediccin de Y es Y = b0 + b1 X o Yj = b0 + b1 X j
Aproximamos e con e = Y - Y , o sea e j = Y j - Y j
s2 se estima con
n n
e
j =1
2
j (Y
j =1
j - Y j ) 2
( n - 1) S Y2 (1 - rXY
2
)
s =
Bo: No es nada ms
S 2
e = 2
= =
y nada menos que EL VALOR ESPERADO O PROMEDIO
, que viene a ser DE Y
n-2 n-2 n-2
CUANDO Xla
ES distancia
0 promedio al cuadrado entre un valor real
de Y y su valor esperado o prediccin a partir de X
El Error Estndar o Error tpico de estimacin es
G. 2010 5
PARMETROS DEL MODELO
EST-203 ESTADISTICA II Ar tur o Calder n G. 2010 6
(Y X Y X Y
inclina
j - Y )( X j - X ) j j - nXY j j - nXY
. j =1 j =1 j =1 rXY SY
b1 = = = =
promedio
n n
( n - 1) S X2
(X - X ) X
SX
- nX
2 2 2
j
j =1 j =1
Qu pasara si bB0 Y - b1 X
0 =>0?
Qu pasara si B0 < 0?
La prediccin de Y es Yj = b0 + b1 X j
Y = b0 + b1 X o
n n
El Error Estndar e
2
(Y - Y ) 2
de estimacin
j j o jError tpico es
( n - 1) S 2 el Margen
(1 - r 2 de error asociado al pronstico
= = XY )
s = S e =
2 2 j 1
=
j 1
= Y
, que viene a ser
n-2 n-2 n-2
la distancia promedio al cuadrado entre un valor real
Uno puede puede predecir el comportamiento o performance de una persona a partir de su
de Y y su valor esperado o prediccin a partir de X
puntaje en una prueba que mide Growth Mindset
El Error Estndar o Error tpico de estimacin es
s = s 2 . Es el margen de error asociado pronstico:
Y = Y s = b0 + b1 X s
s 2 s 2
- de b1 es EEb1 = S b1 = n
=
(n - 1) S X2 .
X - nX
2 2
o j
j =1
La prediccin de Y es Y =
1.3 Los estimadores n n
PARMETROS e
DEL
(Y - Y )
MODELO
2 2
(Y - Y )( X - Xn )- 2 X Y -nn-X2e -2 e
( n - 1) S (1 - r )
j j j
= -
Dada la muestra los jestimadores son: 2 2
=1 j =1
s = S = = =
2 2 Y XY
Aproximamos Y Y
, que viene
Y Xcon
n
e n n
j j Y - n nX Y j j j j
b = la distancia
j =1
= promedio= al cuadrado = entre un valor
r Sj =1 j =1 XY Y
( n - 1) S X2
1
n n
estima con
El Error Estndar o Error tpico de estimacin es
X
0
s =1Es lasvariacin
2
. Espromedio
el margen dede laerror
de arriba o debajo recta asociado pronsti
n = b0 + b1 X o Yj n= b0 + b1 X j
e
Y
Y = Y s = b0 + b1 X 2 s
La prediccin de Y es
j =1 de estimacin", j =1
s =S S= e =
2 bin
= =
un "error
2 n n cuyo cuadrado es
2 e (Ys-2Y ) (n - 1) S (1 - r )
2 2
n-2 n-2
j j j 2 2
j =1 j =1
s = S e =
2 2
=n = , as
Y XY
n - 2 que el Error Estndar de esti
b1 , que viene a ser
n-2 n 2- 2
- nX
2
Xj
la distancia promedio al cuadrado entre un valor real
la distancia promedio
de Y y su valor X al
j =1 esperado o prediccin a partir de
El ajuste del modelo se refiere a medir que tan bien son representados los datos por el modelo
j
j =1
j j
2
(Y ) ( )
n n n
(Y j - Y ) = - + -
2 2 2
j Y Y j Y j
que j =1 j =1 j =1
1 4243 1 4243 1 4243
Variabilidad total en Y Variabilidad debida a X Variabilidad residual
Donde
(Y - YYj) es=SCT=Suma
j =1
j el puntaje real por
2
de ejemplo en performance;
cuadrados totalY (con sombrero) es el modelo
1 que
42predijo
43
Variabilidad total en Y
el modelo de regresin e Y (con rayita) es el puntaje obtenido por la muestra
(Y -Y)
n
2
j =SCR=Suma de cuadrados de la regresin
que
(Y - Y )
j =1
j = (Y
j =1
- Y ) + (Y j - Yj )
j
j =1
ENTONCES
14243
Variabilidad total en Y
1 4243 1 4243
Variabilidad debida a X Variabilidad residu
j =1
(Y j - Y ) 2
=SCT=Suma detotales
SCT: Suma de cuadrados cuadrados total
1 4243
Variabilidad total en Y
(Y j - Y ) =SCR=Suma
n
2
de
SCR: Suma de cuadrados de la cuadrados
Regresin de la regre
j =1
1 4243
Variabilidad debida a X
(Y )
n
-
Y SCT: Suma de cuadrados
2
=SCE=Suma de Residual o del error
cuadrados residual o d
j j
j =1
1 4243
Variabilidad residual
El Coeficiente de Determinacin R 2
Se escribe entonces SCT = SCR + SCEComo (Y j - Y )( X j - X ) = rXY
y se define:
(Y j - a -EL
b XCOEFICIENTE
j ) 2
DE DETERMINACIN
j =1
El Coeficiente de Determinacin R 2 n
r
SCR = b 1 (Y j - Y )( X j - X ) =
(Y -Y)
n
2 j =1
SCR j =1
j
Variabilid ad en Y generada
2 porSCR
X
2
rXY ( n - 1) S Y2
R = = = R = = = rXY
2
2
( n - 1) S Y
n
son j
SCT Variabilid ad total en Y SCT 2
tan bien (Y - Y ) 2
j =1
uiendo R 2un en- terpretacin del coefi
mide la proporcin de la variabilidad total en Y que es " explicada" o
con laatribuible
pro- a las diferencias en la variable cin
independiente de
X avarianza
travs de la de
regre- Y compar
Entonces, en el ejemplo de Growth mindset y rendimiento acadmico en estadstica
atribuir
sin. a laX:
Es
El R cuadradoproporcin de diferencias
medira la proporcin en Y que
de la variabilidad de dependencia, rXY Xes. proporci
totalse
dedeben a las
rendimiento diferencias
acadmico en
2
en
estadstica
que es explicada por la variable independiente2 Growth Mindset medida con la prueba de Dweck.
Equivalentemente,
El R cuadrado sera la proporcin de 100
la cantidad R %enesY (Growth
diferencias el porcentaje
LaMindsetdeque
relacinvariabilidad a las(por permite ap
anterior
se deben
diferencias en los promedios acadmicos de los alumnos en estadstica.
Y explicada
extensin, tambin se dice " % de la varianza" ) degrande, por el modelo.
mediano o pequeo: Se
ede demostrar
2 Adems como SCE = SCT - S
0
izquierdo Ejemplo
la 4 (Regresinen
desarrollaremos linea
est
BilateralCONTRASTES DE B1 En tarea
la el caso
ycedimiento
dedel estudioen
buscarla
Glass). Regression de S
de l
tabla t(k=n-2)
EST-203 ESTADISTICA II
defecto Aro default,10 segn l
tur o Calder n G. 2010
eba t-Student, no
Hiptesis Hiptesis Contraste
Rechazar
Tipo dede coeficiente
contraste
Nula
argamos al lector
Alterna HAnalize
0 si Regression Linear
Contrastar b H 0 : 1 = 0 equiv
Unilateral
(libro de Stanley H1 : b1 > 0 > t1- a
t Independent(s):Estres
derecho
(X)
H 0 : b1 = 0 X t < - t1-. El estadstico
Unilateral de con
H1 : b1 < 0 a
izquierdo
H1 : b1 0 | t |> t1- a / 2 Bilateral*
el
Cuadro procedimiento
1 Model Summary
t1- a y t1-a / 2 percentiles 1 - a y 1 - a / 2 de la tabla t(k=n-2)
para rec
* SPSS realiza este contraste
en la tabla anterior haci
Y no depende de R Adjusted
rXY SY
emente t = b
Adems
/
dad",
1 S bel
se deduce
y
que,
1 coeficiente
si bien "correlacin
Model
Nota:
de Pearson s puede ComoRno
usarse
b
es 1 =
causali-
Squar
para ex- y esSquare
1 .506(a)
plorar la posibilidad de pasar a un anlisis de regresin
S
e.256 X
mismo descrito
pues basta fijarse en el cuadrado aa Predictors:
del rXY(Constant),
otro, yentonces
ver si Escala
es de estrs (X)
su- el contr
ficientemente grande. En Psicologa no es frecuente en-
l En el caso del estudio de Howell et al, aplicando el pro-
-2) cedimiento Regression de SPSS, con las opciones por
ent, no
EJEMPLO DE SIMULACIN
defecto o default, segn la secuencia:
lector
Stanley DESEMPEO ACADMICO Y GROWTH
Regression
Analize Linear
Independent(s):Estres (X)
Dependent:Sntomas (Y)
OK. Obtenemos tres cuadros:
Std. Error
nde de R Adjusted R of the
Model R Squar Square Estimate
1 / S b 1 y
1 .506(a) e.256 .249 17.562
EST-203 ESTADISTICA II Ar tur o Calder n G. 2010 11
rito a Predictors: (Constant), Escala de estrs (X)
Cuadro 3 Coefficients a
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 73.890 3.271 22.587 .000
Growth M.
ESTRES .783 .130 .506 6.012 .000
a. Dependent Variable: SINTOMAS