A REGRESION SIMPLE Y MULTIPLE-labporatorio Spss

Curso: Regresin Notas de clase utilizando el SPSS
---------------------------------------------------------------------------------------------------------------------------------------------------------------
ANALISIS DE REGRESION SIMPLE Y MULTIPLE CON AUXILIO DE SPSS

Ejemplo: Se sospecha que en pacientes con ulcera pptica que han seguido un tratamiento, el
tiempo que tarda en reaparecer la sintomatologa ulcerosa esta relacionado con el tiempo que tarda
el paciente en responder al tratamiento. Se somete a tratamiento a un conjunto de pacientes con
ulcera pptica siendo todos ellos fumadores, y peridicamente (cada semana) se comprueba si la
sintomatologa ulcerosa persiste o ha desaparecido. Una vez desaparecida la sintomatologa el
paciente sigue sometido a evaluaciones mensuales para comprobar el tiempo que tardan en
reaparecer los sntomas. Antes de comenzar el tratamiento algunos pacientes han dejado de fumar,
por lo que se sospecha que en la reaparicin de los sntomas, adems del tiempo de respuesta al
tratamiento, puede influir el abandono del tabaco, as como otros aspectos relacionados con los
hbitos del individuo, tales como el consumo de alcohol, de caf o de anticidos. Se quiere predecir
el tiempo de reaparicin de los sntomas en funcin de las otras variables.
Reaparic respuest tabaco
12
7
6
13
10
10
14
6
7
6
10
4
4
7
5
6
4
10
10
11
2
5
5
2
3
2
1
7
4
4
2
5
5
2
5
3
5
3
3
1
1
2
1
1
1
1
1
2
2
2
1
1
1
2
1
2
1
1
1
1
alcohol
caf
antiacid
1
2
3
0
0
2
1
1
2
3
3
1
3
3
4
4
4
2
1
4
4
3
3
4
2
2
5
4
4
4
3
3
2
2
0
2
3
4
4
3
44
37
69
16
44
61
31
25
49
58
62
93
76
77
71
62
90
41
38
66
a) Anlisis de correlacin bivariada (SPSS)

1) Introducir los datos en SPSS.
2) Buscar correlacin bivariada:

---------------------------------------------------------------------------------------------------------------------------------------------------------------
Seleccionar las variables cuantitativas y el coeficiente de Pearson, luego seleccione ACEPTAR
Los resultados son:

Correlaciones
Reaparic
respuest
-.809**
.000
alcohol
-.663**
.001
cafe
-.507*
.022
antiac
.474*
.035
20
-.809**
.000
20
1
20
.192
.417
20
.102
.668
20
-.181
.445
N
Correlacin de Pearson
Sig. (bilateral)
20
-.663**
.001
20
.192
.417
20
1
20
.658**
.002
20
-.558*
.010
cafe
N
Sig. (bilateral)
20
-.507*
.022
20
.102
.668
20
.658**
.002
20
1
20
-.493*
.027
antiac
N
Sig. (bilateral)
20
.474*
.035
20
-.181
.445
20
-.558*
.010
20
-.493*
.027
20
1
20
20
20
20
Reaparic
Sig. (bilateral)
respuest
N
Sig. (bilateral)
alcohol
N
20
**. La correlacin es significativa al nivel 0,01 (bilateral).
*. La correlacin es significante al nivel 0,05 (bilateral).
Si centramos la atencin en la relacin entre la variable respuesta REAPARIC y cada una de las
independientes, podemos observar que la mxima asociacin lineal corresponde a la variable
tiempo de respuesta RESPUEST (r = - 0.809). Para determinar si es significativa, podemos
contrastar la hiptesis nula de que las variables REAPARIC y RESPUEST estn incorrelacionadas.
Ho: Reap,Resp = 0 (incorrelacionadas)
Ha: Reap,Resp 0 (correlacionadas)
Podemos observar que en la fila sig. p = 0.000 < = 0.01. Por lo tanto se rechaza Ho. Por lo tanto
estn correlacionadas. A mayor tiempo de respuesta, menor el tiempo de reaparicin
OJO: Contine analizando las dems correlaciones
2

---------------------------------------------------------------------------------------------------------------------------------------------------------------
b) Regresin Simple:
Dado que el mayor grado de asociacin lineal esta dado por REAPARIC (Y) y RESPUEST
(X), Realicemos una regresin lineal entre estas dos variables.
Seleccione Analizar Regresion Lineales.
Variable dependiente: reaparicin

Variable independiente: respuesta
Seleccione las variables como en el cuadro siguiente,
Ahora seleccione estadsticos (luego continuar). Seleccione Grficos (luego Continuar).
Finalmente, seleccione ACEPTAR,

RESULTADO
Regression
3

--------------------------------------------------------------------------------------------------------------------------------------------------------------Estadsticos descriptivos
Desviacin
Media
tpica
Reaparic
8.10
3.093
20
respuest
3.45
1.638
20
Correlaciones
Sig. (unilateral)
N
Reaparic
respuest
Reaparic
respuest
Reaparic
respuest
Reaparic
1.000
-.809
.
.000
20
20
respuest
-.809
1.000
.000
.
20
20
Variables introducidas/eliminadasb
Modelo
Variables
Variables
introducidas
eliminadas
Mtodo
1
respuesta
. Introducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: Reaparic
dimension0
Resumen del modelob

Modelo
Estadsticos de cambio
R
R cuadrado Error tp. de la Cambio en R
R
cuadrado
corregida
estimacin
cuadrado
1
.809a
.655
.636
1.866
.655
a. Variables predictoras: (Constante), respuest
dimension0
Sig.
Cambio
Cambio en
en F
gl1 gl2
F
34.196
1 18
.000
DurbinWatson
1.008
ANOVAb
Modelo
1
Regresin
Residual
Total
Suma de
cuadrados
119.105
62.695
gl
1
18
181.800
Media
cuadrtica
119.105
3.483
F
34.196
Sig.
.000a
19
a. Variables predictoras: (Constante), respuest

Coeficientesa
Modelo
Intervalo de
Coeficientes no Coeficientes
confianza de
Estadsticos de
estandarizados tipificados
95.0% para B
Correlaciones
colinealidad
Error
Lmite Lmite Orden
Semi Toleran
B
tp.
Beta
t
Sig. inferior superior cero Parcial parcial
cia
FIV
1 (Constante) 13.375 .994
13.457 .000 11.287 15.463
respuest
-1.529 .261
a. Variable dependiente: Reaparic
-.809
-5.848 .000
-2.078
-.980
-.809
-.809
-.809
1.000
1.000

---------------------------------------------------------------------------------------------------------------------------------------------------------------
Correlaciones de los coeficientesa

Modelo
1
respuest
Correlaciones
respuest
1.000
Covarianzas
respuest
.068
Diagnsticos de colinealidada
Modelo
Dimensin
Autovalores
dime
nsion
dimension1
ndice de
Proporciones de la varianza
condicin
(Constante)
respuest
1.908
1.000
.05
.05
.092
4.543
.95
.95
Estadsticos sobre los residuosa

Desviacin
Mnimo
Valor pronosticado
Mximo
Media
tpica
2.67
11.85
8.10
2.504
20
Residual
-3.317
3.328
.000
1.817
20
Valor pronosticado tip.
-2.168
1.496
.000
1.000
20
Residuo tp.
-1.777
1.783
.000
.973
20

---------------------------------------------------------------------------------------------------------------------------------------------------------------

---------------------------------------------------------------------------------------------------------------------------------------------------------------
El cuadro de estadsticas descriptivas muestra solamente los promedios, las desviaciones estndar y
el total de datos de las variables en estudio las cuales pueden ser interpretadas.
b
Variables Entered/Removed
Model
1
Variables
Entered
Tiempo dea
respuesta
Variables
Removed
.
Method
Enter
a. All requested variables entered.

b. Dependent Variable: Tiempo de
reaparicin
Muestra la variable dependiente, la variables removidas del modelo y el mtodo de seleccin de

variables utilizada (en este caso ninguno ENTER).
Model Summaryb
Model
1
R
.809a
R
Square
.655
Adjust
ed R
Square
.636
Std. Error
of the
Estimate
1.87
Change Statistics
R Square
Change
.655
F Change
34.196
df1
1
df2
18
Sig. F
Change
.000
Durbin-W
atson
1.008
a. Predictors: (Constant), Tiempo de respuesta

b. Dependent Variable: Tiempo de reaparicin
R = coeficiente de correlacin =0.809 (Aceptable)

7

---------------------------------------------------------------------------------------------------------------------------------------------------------------
R2 = coeficiente de determinacin = 65.5% (relativamente bajo)

R2 corregido= coeficiente de determinacin ajustado= 63.6% (relativamente bajo)
Error de estimacin = 1.87
F = 34.196 (con 1, 18 g.l.)
Valor de p (significancia) = 0.000 < comparado con = 0.01 (alcanza alta significancia, se rechaza
Ho, es decir el modelo en su conjunto es aceptable)
ANOVAb
Model
1
Regression
Residual
Total
Sum of
Squares
119.105
62.695
181.800
df
1
18
19
Mean
Square
119.105
3.483
F
34.196
Sig.
.000a

Estos valores estn resumidos en el cuadro anterior.

Coefficientsa
Standardi
zed
Coefficien
ts
Unstandardized
Coefficients
Model
1
(Constant)
Tiempo de
respuesta
B
13.375
Std. Error
.994
-1.529
.261
Beta
t
13.457
Sig.
.000
-5.848
.000
-.809
95% Confidence
Interval for B
Lower
Upper
Bound
Bound
11.287
15.463
-2.078
-.980
a. Dependent Variable: Tiempo de reaparicin
El modelo es: Y = 13.375 -1.529X.

Para o, t = 13.457 con p = 0.000 < = 0.01 se rechaza Ho (debe estar en el modelo)
Para 1, t = 3.483 con p = 0.000 < = 0.01 se rechaza Ho (debe estar en el modelo, o si tiene a
una regresin lineal). La ltima columna muestra los intervalos de confianza para los betas.
Residuals Statisticsa
Predicted
Value
Residual
Std.
Predicted
Value
Std.
Residual
Mean
Std.
Deviation
Minimum
Maximum
2.67
11.85
8.10
2.50
20
-3.32
3.33
1.78E-16
1.82
20
-2.168
1.496
.000
1.000
20
-1.777
1.783
.000
.973
20
Charts

---------------------------------------------------------------------------------------------------------------------------------------------------------------
Histogram
Dependent Variable: Tiempo de reaparicin
5
Frequency
Std. Dev = .97

Mean = 0.00
N = 20.00
0
-2.00 -1.50 -1.00 -.50
0.00
.50
1.00
1.50
2.00
Regression Standardized Residual
El cuadro muestra resmenes descriptivos y el grfico un histograma y la estandarizacin.

ANLISIS DE RESIDUOS: sabemos que los ei son independientes con distribucin N(0,2).
El hecho de que la media de los residuos sea igual a cero es consecuencia del mtodo de estimacin
de los parmetros de la funcin de regresin. El grfico se probabilidad normal siguiente permite
comparar, la funcin de distribucin observada en la muestra con la funcin de distribucin de una
normal de (0,1). Si la distribucin de residuos fuera Normal, los valores deberan ser
aproximadamente iguales y por consecuencia los puntos del grfico estaran situados sobre la recta.
Entonces, los residuos proceden de una distribucin normal. (ver figura siguiente)
Normal P-P Plot of Regression Standardized Residual
1.00
Expected Cum Prob
.75
.50
.25
0.00
0.00
.25
.50
.75
1.00
Observed Cum Prob
El estadstico de Darwin Watson mide el grado de autocorrelacin. Si su valor es prximo a dos, los
residuos esta incorrelacionados, si se aproxima a -2, estarn negativamente autocorrelacionados , y
si se aproxima a 0, estarn positivamente autocorrelacionados (tambin esto puede verse mas
exactamente usado la tabla de Darwin watson). En el ejemplo existe incorrelacin.
Las varianzas de las distribuciones de la variable dependiente ligada a los distintos valores de las
variables independientes deben ser iguales: los residuos no deben presentar ningn patrn
sistemtico respecto a las predicciones o respecto a cada uno de las variables independientes. Para
analizar la homogeneidad de varianzas utilizaremos el grfico siguiente.

---------------------------------------------------------------------------------------------------------------------------------------------------------------
R e g re ssio n Sta n d a rdized R e sid u a l
Scatterplot
2
-1
-2
-3
-2
-1
Regression Standardized Predicted Value
Este grafico muestra los residuos tipificados frente a las estimaciones tipificadas. Si la varianza de
los residuos fuera constante, la nube de puntos estara concentrada en una banda, centrada en el cero
y paralela al eje de abscisas. En nuestro caso, existe una dispersin en aumento, es decir, a mayor
valor en la estimacin del tiempo de reaparicin se sntomas, mayor es la dispersin de los residuos.
PRUEBA DE LEVENE Y TRANSFORMACIONES PARA ESTABILIZAR LA VARIANAZA
Confirmemos mediante la prueba de LEVENE.(permite contrastar la hiptesis de que la varianza de
una variable Y en K subpoblaciones o grupos es la misma).
H o 12 22 32 42 .... k2
Si p < se rechaza Ho de homogeneidad de varianzas. En este caso se realiza transformaciones que

proporcionan homogeneidad de varianzas. T(Y) = {Yp, P 0 y LnY, P = 0}
Ejemplo: para poder observar la prueba de levene duplique los datos (n = 40).
En SPSS:
Statistics - Summarice Explore.
En el cuadro de dialogo seleccione la Variable Dependiente Reaparic y la Independiente respuest,
oprima plots y aparece otro cuadro de dialogo, seleccione tal se muestra.
10

---------------------------------------------------------------------------------------------------------------------------------------------------------------
Continue Ok.
Entre otros resultados aparece:
Test of Homogeneity of Variancea
Levene
Statistic
Tiempo de
reaparicin
df1
1.895
df2
4
Sig.
33
.135
a. Tiempo de reaparicin is constant when Tiempo de

respuesta = 7. It has been omitted.
p = 0.135 > = 0.05. No se rechaza Ho. Existe homogeneidad.

Tiempo de reaparicin
Grafico de dispersin por nivel. Representa el logaritmo neperiano del rango intercuartlico de la
variable REAPARIC (como medida de dispersin) frente al logaritmo neperiano de la mediana
(como medida de tendencia central) en cada uno de los grupos.
S pread vs . Level Plot of REAPARIC By RES PUES T
1.2
1.0
.8
.6
.4
S
p
r
e
a
d
.2
0.0
-.2
1.4
1.6
1.8
2.0
2.2
2.4
2.6
Level
* Plot of LN of S pread vs LN of Level
S lope = .737 Power for trans formation = .263
La potencia para transformacin, estimada a partir de la pendiente de la recta sobre la nube de

puntos (Inclinacin = Slope = 0.737), es igual a 0.263. Por tanto, al redondear la potencia al
mltiplo de un medio mas prximo, las transformaciones sugeridas son la raiz cuadrada (p=0.5) y el
logaritmo neperiano (p = 0).
Suponiendo que no existe homogeneidad, solicitemos la prueba.
En SPSS:
Statistics - Summarice Explore.
En el cuadro de dialogo seleccione la Variable Dependiente Reaparic y la Independiente respuest,
oprima plots y aparece otro cuadro de dialogo, seleccione tal se muestra.
11

---------------------------------------------------------------------------------------------------------------------------------------------------------------
Al seleccionar Raiz cuadrada, Continue OK. los resultados son:

Levene
Statistic
Tiempo de
reaparicin
df1
1.000
df2
4
Sig.
33
.422

Observe que p = 0.422 (aumenta ), es decir que existe mayor posibilidad de no rechazar Ho.
Al seleccionar Raiz cuadrada, Continue OK. los resultados son:
Levene
Statistic
Tiempo de
reaparicin
1.189
df1
df2
4
Sig.
33
.334

Observe que p = 0.334 (aumenta ), es decir que existe mayor posibilidad de no rechazar Ho. La
transformacin con raz cuadrada traera mayor estabilidad en varianzas.
Al ocurrir, la transformacin logaritmica, tiene necesariamente que transformarse los datos y
determinar un nuevo modelo de regresin que vendr expresado como: REAPARIC e B0 B1RESPUEST
12

---------------------------------------------------------------------------------------------------------------------------------------------------------------
REGRESIN MULTIPLE
DUPLICANDO LOS DATOS DEL EJERCICIO
En SPSS:
Statistics Regresin- linear.
Seleccione la variable respuesta: REAPARIC y las dems independientes y el mtodo ENTER
Regression
Model Summary
Model
1
R
.989a
R Square
.978
Adjusted
R Square
.975
Std. Error
of the
Estimate
.48
a. Predictors: (Constant), Paciente ha dejado de fumar,

Consumo de anticidos, Tiempo de respuesta,
Consumo de caf, Consumo de Alcohol
El coeficiente de correlacin es: 98.9% y el de determinacin 97.8%, es decir el modelo ajustado

sera bueno.
ANOVAb
Model
1
Regression
Residual
Total
Sum of
Squares
355.656
7.944
363.600
df
5
34
39
Mean
Square
71.131
.234
F
304.430
Sig.
.000a
a. Predictors: (Constant), Paciente ha dejado de fumar, Consumo de anticidos,

Tiempo de respuesta, Consumo de caf, Consumo de Alcohol
Segn el ANVA el modelo es significativo
13

---------------------------------------------------------------------------------------------------------------------------------------------------------------
Coefficientsa
Model
1
(Constant)
Consumo
de Alcohol
Consumo
de
anticidos
Consumo
de caf
Tiempo
de
respuesta
Paciente
ha dejado
de fumar
Unstandardized
Coefficients
B
Std. Error
17.884
.521
Standardi
zed
Coefficien
ts
Beta
t
34.327
Sig.
.000
-7.46E-02
.006
-.507
-13.167
.000
.199
.085
.074
2.343
.025
-8.96E-02
.086
-.038
-1.037
.307
-1.185
.053
-.627
-22.469
.000
-1.512
.191
-.230
-7.898
.000
Viendo las t, concluimos que el consumo de caf no es significativo. Veamos que pasa con los
mtodos de seleccin de la mejor ecuacin.
SPSS tiene varios mtodos de seleccin, veamos alguno de ellos
STEPWISE
En SPSS:
Statistics Regresin- linear.
Seleccione la variable respuesta: REAPARIC y las dems independientes y el mtodo STEPWISE
Regression
Model Summary
Model
1
2
3
4
R
.809a
.961b
.986c
.989d
R Square
.655
.923
.973
.977
Adjusted
R Square
.646
.919
.971
.975
Std. Error
of the
Estimate
1.82
.87
.52
.48

b. Predictors: (Constant), Tiempo de respuesta,
Consumo de Alcohol
c. Predictors: (Constant), Tiempo de respuesta,
Consumo de Alcohol, Paciente ha dejado de fumar
d. Predictors: (Constant), Tiempo de respuesta,
Consumo de Alcohol, Paciente ha dejado de fumar,
Consumo de anticidos
El mas alto valor de R2 se presenta con el modelo 4 (0.977) que incluye a la constante.
14

--------------------------------------------------------------------------------------------------------------------------------------------------------------ANOVAe
Model
1
Regression
Residual
Total
Regression
Residual
Total
Regression
Residual
Total
Regression
Residual
Total
Sum of
Squares
238.210
125.390
363.600
335.557
28.043
363.600
353.763
9.837
363.600
355.405
8.195
363.600
Mean
Square
238.210
3.300
df
1
38
39
2
37
39
3
36
39
4
35
39
F
72.191
Sig.
.000a
167.779
.758
221.371
.000b
117.921
.273
431.533
.000c
88.851
.234
379.456
.000d

b. Predictors: (Constant), Tiempo de respuesta, Consumo de Alcohol
c. Predictors: (Constant), Tiempo de respuesta, Consumo de Alcohol, Paciente ha
dejado de fumar
d. Predictors: (Constant), Tiempo de respuesta, Consumo de Alcohol, Paciente ha
dejado de fumar, Consumo de anticidos
e. Dependent Variable: Tiempo de reaparicin
El ANVA muestra las significancias, todas son significativas.

Coefficientsa
Model
1
(Constant)
Tiempo
de
respuesta
(Constant)
Tiempo
de
respuesta
Consumo
de Alcohol
(Constant)
Tiempo
de
respuesta
Consumo
de Alcohol
Paciente
ha dejado
de fumar
(Constant)
Tiempo
de
respuesta
Consumo
de Alcohol
Paciente
ha dejado
de fumar
Consumo
de
anticidos
Unstandardized
Coefficients
B
Std. Error
13.375
.684
Standardi
zed
Coefficien
ts
Beta
-.809
t
19.553
Sig.
.000
-8.497
.000
37.051
.000
-1.529
.180
17.023
.459
-1.338
.088
-.708
-15.223
.000
-7.76E-02
.007
-.527
-11.333
.000
18.935
.362
52.318
.000
-1.188
.056
-.629
-21.265
.000
-8.45E-02
.004
-.574
-20.135
.000
-1.573
.193
-.239
-8.162
.000
17.877
.521
34.280
.000
-1.175
.052
-.622
-22.624
.000
-7.81E-02
.005
-.530
-17.012
.000
-1.584
.178
-.241
-8.878
.000
.220
.083
.081
2.648
.012
Este cuadro muestra los coeficientes incluidos en cada uno de los modelos
15

--------------------------------------------------------------------------------------------------------------------------------------------------------------e
Excluded Variables
Model
1
Beta In
Consumo
de Alcohol
Consumo
de
anticidos
Consumo
de caf
Paciente
ha dejado
de fumar
Consumo
de
anticidos
Consumo
de caf
Paciente
ha dejado
de fumar
Consumo
de
anticidos
Consumo
de caf
Consumo
de caf
t
a
-.527
.338
-.429
-.120
.075
-.155
-.239
.081
-.058
-.038
Sig.
Partial
Correlation
Collinearit
y Statistics
Tolerance
-11.333
.000
-.881
.963
4.182
.000
.567
.967
-6.434
.000
-.727
.990
-1.210
.234
-.195
.914
1.371
.179
.223
.682
-2.789
.008
-.422
.567
-8.162
.000
-.806
.876
2.648
.012
.409
.682
-1.521
.137
-.249
.497
-1.037
.307
-.175
.471
a. Predictors in the Model: (Constant), Tiempo de respuesta

b. Predictors in the Model: (Constant), Tiempo de respuesta, Consumo de Alcohol
c. Predictors in the Model: (Constant), Tiempo de respuesta, Consumo de Alcohol,
Paciente ha dejado de fumar
d. Predictors in the Model: (Constant), Tiempo de respuesta, Consumo de Alcohol,
Paciente ha dejado de fumar, Consumo de anticidos
e. Dependent Variable: Tiempo de reaparicin
Este cuadro muestra las variables excluidas en cada uno de los modelos
METODO BACKWARE.
16

--------------------------------------------------------------------------------------------------------------------------------------------------------------b
Variables Entered/Removed
Model
1
Variables
Entered
Paciente
ha
dejado
de fumar,
Consumo
de
anticido
s,
Tiempo de
respuest
a,
Consumo
de caf,
Consumo a
de Alcohol
Variables
Removed
Method
Enter
Backward
(criterion:
Probability
of
F-to-remo
ve >=
.100).
Consumo
de caf
a. All requested variables entered.

b. Dependent Variable: Tiempo de
reaparicin
Model Summary
Model
1
2
R
.989a
.989b
R Square
.978
.977
Adjusted
R Square
.975
.975
Std. Error
of the
Estimate
.48
.48
a. Predictors: (Constant), Paciente ha dejado de fumar,

Consumo de caf, Consumo de Alcohol
b. Predictors: (Constant), Paciente ha dejado de fumar,
Consumo de Alcohol
ANOVAc
Model
1
Regression
Residual
Total
Regression
Residual
Total
Sum of
Squares
355.656
7.944
363.600
355.405
8.195
363.600
df
5
34
39
4
35
39
Mean
Square
71.131
.234
88.851
.234
F
304.430
Sig.
.000a
379.456
.000b
a. Predictors: (Constant), Paciente ha dejado de fumar, Consumo de anticidos,

Tiempo de respuesta, Consumo de caf, Consumo de Alcohol
b. Predictors: (Constant), Paciente ha dejado de fumar, Consumo de anticidos,
Tiempo de respuesta, Consumo de Alcohol
c. Dependent Variable: Tiempo de reaparicin
17

--------------------------------------------------------------------------------------------------------------------------------------------------------------Coefficientsa
Model
1
(Constant)
Consumo
de Alcohol
Consumo
de
anticidos
Consumo
de caf
Tiempo
de
respuesta
Paciente
ha dejado
de fumar
(Constant)
Consumo
de Alcohol
Consumo
de
anticidos
Tiempo
de
respuesta
Paciente
ha dejado
de fumar
Unstandardized
Coefficients
B
Std. Error
17.884
.521
Standardi
zed
Coefficien
ts
Beta
t
34.327
Sig.
.000
-7.46E-02
.006
-.507
-13.167
.000
.199
.085
.074
2.343
.025
-8.96E-02
.086
-.038
-1.037
.307
-1.185
.053
-.627
-22.469
.000
-1.512
.191
-.230
-7.898
.000
17.877
.521
34.280
.000
-7.81E-02
.005
-.530
-17.012
.000
.220
.083
.081
2.648
.012
-1.175
.052
-.622
-22.624
.000
-1.584
.178
-.241
-8.878
.000
Excluded Variablesb
Model
2
Beta In
Consumo
de caf
t
a
-.038
Sig.
-1.037
.307
Partial
Correlation
Collinearit
y Statistics
Tolerance
-.175
.471
a. Predictors in the Model: (Constant), Paciente ha dejado de fumar, Consumo de

anticidos, Tiempo de respuesta, Consumo de Alcohol
Ejercicio.
La tesis presentada por Wilfredo Ramos presenta datos acerca de la produccin de quinua y
medidas biometricas, trabajo de investigacin realizado en la ciudad de ILAVE. Los datos se
muestran en la tabla:
a) obtenga la mejor ecuacin utilizando y analizando cada una de las tcnicas de seleccin de la
mejor ecuacin.
produccin
Cantidad de
hojas
Altura de la
planta
Dimetro de la Longitud de la
planta
panoja
Dimetro de la
panoja
9.4
127
74.2
5.1
23.3
18

---------------------------------------------------------------------------------------------------------------------------------------------------------------
83
96.4
30.4
4.6
5.7
139
86.4
18.4
3.6
4.2
101
85.6
19.1
3.3
10.1
82
84.9
24.3
4.9
5.1
123
73.4
19.6
3.9
6.5
91
81.8
22.4
4.6
6.9
137
91.4
18.6
3.6
5.9
43
85.2
19.6
3.5
3.3
49
62.4
11.8
3.1
7.8
138
101.1
19.4
4.7
2.4
81
71.9
14.1
2.8
5.4
142
78.4
26.4
3.9
3.3
83
65.9
17.1
3.1
3.9
110
71.7
15.2
3.2
2.6
51
63.7
9.4
2.8
6.3
103
85.4
18.6
3.8
3.8
54
67.6
18.9
3.4
3.6
64
66.4
13.8
2.8
9.4
127
74.2
23.3
5.1
83
96.4
30.4
4.6
5.7
139
86.4
18.4
3.6
4.2
101
85.6
19.1
3.3
10.1
82
84.9
24.3
4.9
5.1
123
73.4
19.6
3.9
6.5
91
81.8
22.4
4.6
19

A REGRESION SIMPLE Y MULTIPLE-labporatorio Spss

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

A REGRESION SIMPLE Y MULTIPLE-labporatorio Spss

Uploaded by

Copyright:

Available Formats

Curso: Regresin Notas de clase utilizando el SPSS

ANALISIS DE REGRESION SIMPLE Y MULTIPLE CON AUXILIO DE SPSS

a) Anlisis de correlacin bivariada (SPSS)

Curso: Regresin Notas de clase utilizando el SPSS

Seleccionar las variables cuantitativas y el coeficiente de Pearson, luego seleccione ACEPTAR

Los resultados son:

Curso: Regresin Notas de clase utilizando el SPSS

Variable dependiente: reaparicin

Ahora seleccione estadsticos (luego continuar). Seleccione Grficos (luego Continuar).

Finalmente, seleccione ACEPTAR,

Curso: Regresin Notas de clase utilizando el SPSS

Resumen del modelob

a. Variables predictoras: (Constante), respuest

Curso: Regresin Notas de clase utilizando el SPSS

Correlaciones de los coeficientesa

a. Variable dependiente: Reaparic

a. Variable dependiente: Reaparic

Estadsticos sobre los residuosa

Valor pronosticado tip.

a. Variable dependiente: Reaparic

Curso: Regresin Notas de clase utilizando el SPSS

Curso: Regresin Notas de clase utilizando el SPSS

a. All requested variables entered.

Muestra la variable dependiente, la variables removidas del modelo y el mtodo de seleccin de

a. Predictors: (Constant), Tiempo de respuesta

R = coeficiente de correlacin =0.809 (Aceptable)

Curso: Regresin Notas de clase utilizando el SPSS

R2 = coeficiente de determinacin = 65.5% (relativamente bajo)

a. Predictors: (Constant), Tiempo de respuesta

Estos valores estn resumidos en el cuadro anterior.

a. Dependent Variable: Tiempo de reaparicin

El modelo es: Y = 13.375 -1.529X.

a. Dependent Variable: Tiempo de reaparicin

Curso: Regresin Notas de clase utilizando el SPSS

Std. Dev = .97

Regression Standardized Residual

El cuadro muestra resmenes descriptivos y el grfico un histograma y la estandarizacin.

Expected Cum Prob

Observed Cum Prob

Curso: Regresin Notas de clase utilizando el SPSS

R e g re ssio n Sta n d a rdized R e sid u a l

Regression Standardized Predicted Value

Si p < se rechaza Ho de homogeneidad de varianzas. En este caso se realiza transformaciones que

Curso: Regresin Notas de clase utilizando el SPSS

a. Tiempo de reaparicin is constant when Tiempo de

p = 0.135 > = 0.05. No se rechaza Ho. Existe homogeneidad.

La potencia para transformacin, estimada a partir de la pendiente de la recta sobre la nube de

Curso: Regresin Notas de clase utilizando el SPSS

Al seleccionar Raiz cuadrada, Continue OK. los resultados son:

a. Tiempo de reaparicin is constant when Tiempo de

a. Tiempo de reaparicin is constant when Tiempo de

Curso: Regresin Notas de clase utilizando el SPSS

a. Predictors: (Constant), Paciente ha dejado de fumar,

El coeficiente de correlacin es: 98.9% y el de determinacin 97.8%, es decir el modelo ajustado

a. Predictors: (Constant), Paciente ha dejado de fumar, Consumo de anticidos,

Segn el ANVA el modelo es significativo

Curso: Regresin Notas de clase utilizando el SPSS

a. Dependent Variable: Tiempo de reaparicin

a. Predictors: (Constant), Tiempo de respuesta

Curso: Regresin Notas de clase utilizando el SPSS

a. Predictors: (Constant), Tiempo de respuesta

El ANVA muestra las significancias, todas son significativas.

a. Dependent Variable: Tiempo de reaparicin