Professional Documents
Culture Documents
2014 1
Ejemplo 4
Un psicólogo explora la posible relación entre la
calidad de los Métodos de Estudio de los universitarios,
la Estabilidad Emocional y el Autocontrol. Para examinar
la relación, aplica a una muestra de 15 estudiantes el
Test de Brown sobre Hábitos de Estudio, donde se mide la
Calidad de los Métodos de Estudio, y el Inventario de
Personalidad de Guilford, donde registra la Estabilidad
Emocional y el Autocontrol del individuo. Los datos son:
Habitos (Y) 73 65 54 33 64 49 51 38 35 44 45 39 33 49 40
Control (X1) 17 20 22 13 20 16 14 11 21 13 21 14 11 12 12
Estab. (X2) 25 25 18 15 15 12 17 13 12 12 12 12 15 17 21
β2=0 vs H1:β
En el caso de la Estabilidad, tenemos H0:β β2>0,
el estadístico t-Student es significativo (Sig.= 0.006/2=
0.003<0.05) y βˆ2 = 1.659 > 0 , por tanto se rechaza H0 y se
β2>0.
acepta H1:β
Puede ser que haya una variable “redundante”, que mide lo mismo
que otra u otras del modelo y que inadvertidamente se
ha incluido en el grupo. En este caso, se puede iden-
tificar y omitir la variable redundante del modelo y se
resuelve el conflicto.
Una situación más complicada ocurre cuando varias v.i. corre-
lacionan mucho entre sí, sin que haya redundancia. Una
alternativa es formar un índice compuesto de todas
ellas, calculado como promedio simple o ponderado. Para
que eso tenga sentido, las variables deben medir rasgos
o características compatibles y sumables, de modo que
tenga sentido un índice compuesto.
Notas:
1. El supuesto de relación lineal se hace con diagramas de disper-
sión, por pares Y vs Xj o mútiples.
Ejemplo 5
En el ejemplo anterior, agregamos opciones a la secuencia
estándar de comandos SPSS:
Analize⇒Regression⇒Linear→Dependent:Y→Ιndependent(s):
X1 X2→
Plots: Normal probability plot→ Continue→
Statistics: Collinearity diagnostics→ Continue→ OK
(o en castellano:
Analizar⇒Regresión⇒Lineales→Dependendiente:Y→Ιndependen
dientes: X1 X2→ Gráficos:Gráfico de prob. Normal
→ Continuar→Estadísticos:Diagnósticos de colinealidad→
Continuar→Aceptar.)
1,0
0,8
Expected Cum Prob
0,6
0,4
0,2
0,0
0,0 0,2 0,4 0,6 0,8 1,0
Observed Cum Prob
a
Coefficients
Unstandardized Standardized Collinearity
Coefficients Coefficients Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
(Constant) 1,039 11,403 ,091 ,929
Control 1,251 ,559 ,411 2,238 ,045 ,986 1,014
Estabilidad 1,659 ,498 ,611 3,329 ,006 ,986 1,014
emocional
a. Dependent Variable: Calidad de Hábitos de estudio
O en castellano
a
Coeficientes
Coeficientes no Coeficientes Estadísticos de
estandarizados tipificados colinealidad
Modelo B Error típ. Beta t Sig. Tolerancia FIV
(Constante) 1,039 11,403 ,091 ,929
Control 1,251 ,559 ,411 2,238 ,045 ,986 1,014
Estabilidad 1,659 ,498 ,611 3,329 ,006 ,986 1,014
emocional
a. Variable dependiente: Calidad de Hábitos de estudio
Ejemplo 6
En el ejemplo 3 relativo a la Depresión en pacientes
seropositivos, en relación a la verificación de supuestos
tenemos:
Un supuesto básico en los modelos lineales es que los cambios en las variables
independientes ocasionan variaciones proporcionales en la variable dependiente, sea
cual fuere el nivel de las primeras. Lo anterior no siempre es razonable, por ejemplo,
en Psicofisiología es usual el caso de una Respuesta Y que se va saturando al
aumentar la Intensidad X del estímulo, de modo que el crecimiento en Y se va
atenuando hasta anularse. Otro caso es el del Rendimiento Y que responde primero de
modo creciente a la cantidad X de Entrenamiento, pero pasado un cierto umbral, la
respuesta decrece luego de alcanzar Y un punto extremo. Gráficamente:
Figura 1
Figura 2
Figura 3
Existen otros modelos, pero todos tienen la característica de ser asimilables al caso
lineal mediante alguna transformación adecuada. Un modelo no lineal se usa cuando
hay razones teóricas que lo justifican y/o la nube de puntos o diagrama de dispersión
hace evidente la no linealidad. Para saber cuál modelo usar, es necesario conocer la
forma de las gráficas de los distintos modelos. En cualquier caso, debe recordarse que
las estimaciones, el R2 y el Análisis de Varianza se aplican al Modelo Linealizado.
El diagrama muestra que la relación propuesta no es lineal sino más bien cuadrática
Y = β 0 + β1 X + β 2 X 2 + ε .
Si definimos X 2 = X 2 tenemos Y = β 0 + β1 X + β 2 X 2 + ε que es un modelo lineal
en X y X 2 . Aplicando regresión lineal simple en X y luego regresión lineal múltiple
en X y X 2 obtenemos
Normal P-P Plot of Regression Standardized Residual Normal P-P Plot of Regression Standardized Residual
Dependent Variable: Ingreso (Cientos de US$) Dependent Variable: Ingreso (Cientos de US$)
1,0 1,0
0,8 0,8
Expected Cum Prob
Expected Cum Prob
0,6 0,6
0,4
0,4
0,2
0,2
0,0
0,0
0,0 0,2 0,4 0,6 0,8 1,0
0,0 0,2 0,4 0,6 0,8 1,0
Observed Cum Prob
Observed Cum Prob
Y = β 0 + β1 X + ε
Normalidad de residuos en Normalidad de residuos en Y = β 0 + β1 X + β 2 X + ε
2
Nota:
Si usáramos un modelo cúbico con X 3 = X tenemos Y = β 0 + β1 X + β 2 X 2 + ε
3
Si la variable independiente es nominal pero con k > 2 categorías, se toma una de és-
tas (digamos la categoría 1) como base de comparación y cada una de las (k-1) cate-
gorías restantes se representa con una correspondiente variable dicotómica Dj que
toma valor 1 si el caso está en la categoría j y 0 si no es así. En este contexto, si el
caso está en la categoría base, todas las Dj toman valor 0, y cuando se pasa a un caso
que está exactamente en la categoría j, sólo Dj es 1 y las demás son 0, por eso el
coeficiente β j correspondiente mide el cambio en Y cuando se pasa de la categoría
base a la representada por Dj .
EST-203 ESTADISTICA II Arturo Calderón G. 2014 16
Se plantea que el ingreso por hora (ingreso horario) de los egresados de una muestra
de egresados de Institutos tecnológicos de las especialidades Informática, Conta-
bilidad y Educación depende de la especialidad, de modo que los egresados de
Educación ganan menos por hora de trabajo. En un modelo de regresión múltiple se
introdujeron variables dictómicas para cada especialidad (1=Es de la especialidad,
0=No es de la especialidad). Los resultados del análisis de regresión son: