Programa de Formacin en Investigacin, Ciencia y Tecnologa (ProFInCyT)

Anlisis de Datos II: Anlisis bivariados y multivariados

Unidad 6:

Anlisis de regresin lineal simple y mltiple

1 Introduccin
El anlisis de regresin lineal es una tcnica estadstica utilizada para estudiar la relacin entre variables. En la investigacin social, el anlisis de regresin se utiliza para predecir un amplio rango de fenmenos, desde medidas econmicas hasta diferentes aspectos del comportamiento humano.

 El anlisis de regresin lineal puede utilizarse para explorar y cuantificar la relacin entre una variable llamada dependiente o criterio (Y) y una o ms variables llamadas independientes o predictoras (X1, X2,...). El anlisis de regresin lleva asociados una serie de procedimientos de diagnstico que informan sobre la estabilidad e idoneidad del anlisis y proporcionan pistas sobre cmo perfeccionarlo.

Regresin Lineal Simple

La regresin lineal simple tiene como objeto estudiar el modo en que los cambios en una variable no aleatoria, afectan a una variable aleatoria. Esto puede darse solo en el caso de existir una relacin funcional entre ambas variables, la cual puede ser establecida por una expresin lineal, es decir, su representacin grfica es una lnea recta.

 Dado el caso que quisiremos reflejar una relacin perfecta entre dos variables (r = 1), el diagrama de dispersin constituira una recta. Trazando una perpendicular desde el eje de las abscisas (X, variable independiente o predictora) hasta la recta, y trazando desde la recta otra perpendicular hasta el eje de las coordenadas (Y, variable dependiente o predicha o explicada por X), tendramos la puntuacin en Y que corresponde a una determinada puntuacin en X.

 La variable criterio o dependiente (Y) es la que buscamos explicar o estimar (o predecir) por su relacin con la variable X, que es la variable independiente, explicativa o predictora. En ocasiones, nuestra intencin ser predecir o hacer una estimacin de la puntuacin en Y de un sujeto una vez conocida su puntuacin en X.

Otras veces ms que predecir en sentido propio nos interesa ver simplemente en qu medida las diferencias en X explican las diferencias en Y.

 Si la correlacin entre ambas variables no es perfecta (como suele suceder en ciencias sociales), el diagrama de dispersin ya no coincidir con una recta. No obstante, se puede trazar la recta que mejor expresa esa relacin imperfecta (recta de regresin).

Regresin Lineal Mltiple

En la regresin mltiple tenemos una nica variable criterio (Y) y mltiples variables predictoras o independientes (X1, X2, etc.). A diferencia de lo que sucede con la regresin lineal simple, no es fcil visualizarla grficamente porque requiere un espacio multidimensional.

Coeficientes Beta ()
Reflejan el impacto de cada variable (independiente, variables X) en el criterio (o variable dependiente, variable Y).
Cunto aumenta la variable dependiente al aumentar cada variable independiente en una unidad manteniendo constantes las otras variables. Se interpretan en relacin a los otros coeficientes beta presentes en la misma ecuacin y nos dicen cules son los mejores predictores (o los que explican ms varianza en la variable dependiente), independientes.

Finalidad de laRegresin Lineal Mltiple

Localizacin de las variables predictoras ms eficaces, desde un punto de vista prctico, ms que terico. No siempre se busca seleccionar los mejores predictores, sino examinar un conjunto de variables que tiene sentido que vayan juntas, escogidas con fundamento terico y que de alguna manera pueden configuran un constructo ms genrico relacionado con la variable criterio (Y).

 Cuando el nfasis est en la explicacin y en la teora, en la compresin de los constructos latentes, ms que en la prediccin, adems de interpretar los coeficientes beta, hay que interpretar tambin las correlaciones de cada variable X con el criterio (Y). El hecho de que habitualmente se preste ms (o toda la) atencin a los coeficientes beta y se descuide la interpretacin de los coeficientes de correlacin se debe a la confusin de dos finalidades distintas de estos anlisis: explicacin y prediccin.