Beruflich Dokumente
Kultur Dokumente
FBA I 2011-2012
Extensiones del modelo de regresión
1. Regresión exponencial
2. Regresión polinómica
1. Regresión exponencial
Al tratar de explicar (o predecir) la variable Y a través de una covariable X puede ocurrir que la relación no
sea lineal. La regresión exponencial se utiliza cuando podemos asumir que la relación entre ambas
variables es del tipo:
=Y β 0 e β1 X + ε
En este caso el ajuste se puede reducir a una simple regresión lineal ya que si la relación (X,Y) es
exponencial , entonces (X , Ln(Y)) es lineal:
ln(Y ) =β 0 + β1 X + ε
Podemos entonces ajustar un modelo lineal tomando X como covariable y ln(Y) como variable respuesta.
Ejemplo: Estamos interesados en establecer la relación que existe entre la reacción a un estímulo (variable
dependiente) y el tiempo de exposición a ese estímulo (variable independiente o covariable). Para ello
disponemos de 14 observaciones.
Si construimos el diagrama de dispersión, vemos que puede ajustarse por una curva (función exponencial)
ˆ = 3, 70 − 0, 75tiempo
estím
( ln(Y) , X)
=
ln(estimulo ) 1, 68 − 0,33tiempo
Estimaciones de los
Resumen del modelo parámetros
Ecuación R cuadrado F gl1 gl2 Sig. Constante b1
Lineal ,781 42,859 1 12 ,000 3,696 -,375
Exponencial ,930 158,997 1 12 ,000 5,384 -,333
La variable independiente es el tiempo.
2. Regresión polinómica
En muchas situaciones, la relación entre dos variables continuas X e Y no se puede expresar a través de una recta sino que
es necesario utilizar otro tipo de funciones, como por ejemplo polinomios de mayor orden (archivo datos_NL.sav)
Y = β 0 + β1 X + β 2 X 2 + ... + β p X p + ε
Casos particulares:
El ajuste se hace de la misma forma que en el caso de una recta, es decir, utilizando el método de mínimos cuadrados. En
este caso, se minimiza la distancia a la gráfica que rige el modelo.
Ejemplo: Estamos interesados en establecer la relación que existe entre la variable Ycub y la variable Xcub del archivo de
datos datos_NL.sav.
Dibujamos primero el diagrama de dispersión y vamos haciendo ajustes. Vemos que el ajuste cúbico mejora mucho a los
ajustes lineal ó cuadrático.
Y =β 0 + β1 X + β 2 X 2 + β3 X 3
Las estimaciones de los parámetros del modelo se pueden obtener, de la misma forma que
se hace para una recta, en:
Variable dependiente:Ycub
Puede ocurrir que en la variable respuesta (Y) , además de las covariables (variables contínuas), influyan variables de tipo
cualitativo como por ejemplo el sexo, realizar o no ejercicio físico, etc. Estas variables (atributos o factores) deberían
tenerse en cuenta a la hora de encontrar el modelo de regresión.
Ejemplo: Supongamos que queremos predecir la tensión arterial teniendo en cuenta la edad y el sexo. Tenemos dos
variables explicativas, X= edad (covariable) y el sexo (factor) que en este caso tiene dos modalidades hombre y mujer.
En este caso, para ajustar un modelo de regresión, debemos introducir una nueva variable (variable artificial):
Modelo : Y =β 0 + β1 X + β 2 Z + ε
El coeficiente β mide el efecto incremental en la tensión cuando la edad aumenta en 1 año y el sexo es el mismo.
1
El coeficiente β 2 mide el efecto incremental que produce ser mujer con respecto a ser hombre cuando la edad es la
misma.
Variables introducidas/eliminadas
Variables Variables
Modelo introducidas eliminadas Método
a
1 sexo, edad . Introducir
a
Coeficientes
Coeficientes
Coeficientes no estandarizados tipificados
Tensión =
102,96 + 0,982edad + 0,98sexo
El coeficiente asociado a la edad nos indica que la tensión (en media) aumenta 0,982 cuando la edad aumenta en un año
siendo el sexo el mismo. Si el coeficiente del sexo fuese significativo nos indicaría que la tensión (en media) aumenta 0,98
para las mujeres con respecto a los hombres ( para una misma edad).