Bioestadstica Tema 3: Estadstica descriptiva bivariante y regresin lineal. Tema 3: Estadstica bivariante 2 Bioestadstica. U. Mlaga. Relaciones entre variables y regresin El trmino regresin fue introducido por Galton en su libro Natural inheritance (1889) refirindose a la ley de la regresin universal:
Cada peculiaridad en un hombre es compartida por sus descendientes, pero en media, en un grado menor. Regresin a la media Su trabajo se centraba en la descripcin de los rasgos fsicos de los descendientes (una variable) a partir de los de sus padres (otra variable). Pearson (un amigo suyo) realiz un estudio con ms de 1000 registros de grupos familiares observando una relacin del tipo:
Altura del hijo = 85cm + 0,5 altura del padre (aprox.)
Conclusin: los padres muy altos tienen tendencia a tener hijos que heredan parte de esta altura, aunque tienen tendencia a acercarse (regresar) a la media. Lo mismo puede decirse de los padres muy bajos.
Hoy en da el sentido de regresin es el de prediccin de una medida basndonos en el conocimiento de otra. Francis Galton Primo de Darwin Estadstico y aventurero Fundador (con otros) de la estadstica moderna para explicar las teoras de Darwin.
Tema 3: Estadstica bivariante 3 Bioestadstica. U. Mlaga. Qu vamos a estudiar En este captulo vamos a tratar diferentes formas de describir la relacin entre dos variables cuando estas son numricas. Estudiar si hay relacin entre la altura y el peso. Haremos mencin de pasada a otros casos: Alguna de las variables es ordinal. Estudiar la relacin entre el sobrepeso y el dolor de espalda (ordinal) Hay ms de dos variables relacionadas. Conocer el peso de una persona conociendo su altura y contorno de cintura? El estudio conjunto de dos variables cualitativas lo aplazamos hasta que veamos contrastes de hiptesis (X 2 ). Hay relacin entre fumar y padecer enfermedad de pulmn? Tema 3: Estadstica bivariante 4 Bioestadstica. U. Mlaga. Estudio conjunto de dos variables A la derecha tenemos una posible manera de recoger los datos obtenido observando dos variables en varios individuos de una muestra.
En cada fila tenemos los datos de un individuo
Cada columna representa los valores que toma una variable sobre los mismos.
Las individuos no se muestran en ningn orden particular.
Dichas observaciones pueden ser representadas en un diagrama de dispersin (scatterplot). En ellos, cada individuos es un punto cuyas coordenadas son los valores de las variables.
Nuestro objetivo ser intentar reconocer a partir del mismo si hay relacin entre las variables, de qu tipo, y si es posible predecir el valor de una de ellas en funcin de la otra. Altura en cm. Peso en Kg. 162 61 154 60 180 78 158 62 171 66 169 60 166 54 176 84 163 68 ... ... Tema 3: Estadstica bivariante 5 Bioestadstica. U. Mlaga. 30 40 50 60 70 80 90 100 140 150 160 170 180 190 200 Diagramas de dispersin o nube de puntos M i d e
1 8 7
c m .
Mide 161 cm. Pesa 76 kg. Pesa 50 kg. Tenemos las alturas y los pesos de 30 individuos representados en un diagrama de dispersin. Tema 3: Estadstica bivariante 6 Bioestadstica. U. Mlaga. 30 40 50 60 70 80 90 100 140 150 160 170 180 190 200 Relacin entre variables. Tenemos las alturas y los pesos de 30 individuos representados en un diagrama de dispersin. Tema 3: Estadstica bivariante 7 Bioestadstica. U. Mlaga. 30 40 50 60 70 80 90 100 140 150 160 170 180 190 200 Prediccin de una variable en funcin de la otra Aparentemente el peso aumenta 10Kg por cada 10 cm de altura... o sea, el peso aumenta en una unidad por cada unidad de altura. 10 cm. 10 kg. Tema 3: Estadstica bivariante 8 Bioestadstica. U. Mlaga. Incorrelacin 30 80 130 180 230 280 330 140 150 160 170 180 190 200 Relacin directa e inversa Fuerte relacin directa. 30 40 50 60 70 80 90 100 140 150 160 170 180 190 200 Cierta relacin inversa 0 10 20 30 40 50 60 70 80 140 150 160 170 180 190 200 Para valores de X por encima de la media tenemos valores de Y por encima y por debajo en proporciones similares. Incorrelacin. Para los valores de X mayores que la media le corresponden valores de Y menores. Esto es relacin inversa o decreciente. Para los valores de X mayores que la media le corresponden valores de Y mayores tambin.
Para los valores de X menores que la media le corresponden valores de Y menores tambin.
Esto se llama relacin directa. Tema 3: Estadstica bivariante 9 Bioestadstica. U. Mlaga. Cundo es bueno un modelo de regresin? Lo adecuado del modelo depende de la relacin entre: la dispersin marginal de Y La dispersin de Y condicionada a X
Es decir, fijando valores de X, vemos cmo se distribuye Y
La distribucin de Y, para valores fijados de X, se denomina distribucin condicionada.
La distribucin de Y, independientemente del valor de X, se denomina distribucin marginal.
Si la dispersin se reduce notablemente, el modelo de regresin ser adecuado. 150 160 170 180 190 3 2 0 3 4 0 3 6 0 3 8 0 4 0 0 4 2 0 y 3 2 0 3 4 0 3 6 0 3 8 0 4 0 0 4 2 0 3 2 0 3 4 0 3 6 0 3 8 0 4 0 0 4 2 0 3 2 0 3 4 0 3 6 0 3 8 0 4 0 0 4 2 0 3 2 0 3 4 0 3 6 0 3 8 0 4 0 0 4 2 0 r= 0.415 r^2 = 0.172 150 160 170 180 190 3 5 0 3 6 0 3 7 0 3 8 0 3 9 0 y 3 5 0 3 6 0 3 7 0 3 8 0 3 9 0 3 5 0 3 6 0 3 7 0 3 8 0 3 9 0 3 5 0 3 6 0 3 7 0 3 8 0 3 9 0 3 5 0 3 6 0 3 7 0 3 8 0 3 9 0r= 0.984 r^2 = 0.969 Tema 3: Estadstica bivariante 10 Bioestadstica. U. Mlaga. La covarianza entre dos variables, S xy , nos indica si la posible relacin entre dos variables es directa o inversa. Directa: S xy >0 Inversa: S xy <0 Incorreladas: S xy =0
El signo de la covarianza nos dice si el aspecto de la nube de puntos es creciente o no, pero no nos dice nada sobre el grado de relacin entre las variables.
Covarianza de dos variables X e Y ) )( ( 1 y y x x n S i i i xy
Tema 3: Estadstica bivariante 11 Bioestadstica. U. Mlaga. Coef. de correlacin lineal de Pearson La coeficiente de correlacin lineal de Pearson de dos variables, r, nos indica si los puntos tienen una tendencia a disponerse alineadamente (excluyendo rectas horizontales y verticales).
tiene el mismo signo que S xy por tanto de su signo obtenemos el que la posible relacin sea directa o inversa.
r es til para determinar si hay relacin lineal entre dos variables, pero no servir para otro tipo de relaciones (cuadrtica, logartmica,...)
y x xy S S S r Tema 3: Estadstica bivariante 12 Bioestadstica. U. Mlaga. Es adimensional Slo toma valores en [-1,1] Las variables son incorreladas r=0 Relacin lineal perfecta entre dos variables r=+1 o r=-1 Excluimos los casos de puntos alineados horiz. o verticalmente. Cuanto ms cerca est r de +1 o -1 mejor ser el grado de relacin lineal. Siempre que no existan observaciones anmalas.
Propiedades de r -1 +1 0 Relacin inversa perfecta Relacin directa casi perfecta Variables incorreladas Tema 3: Estadstica bivariante 13 Bioestadstica. U. Mlaga. Entrenando el ojo: correlaciones positivas r=0,1 30 80 130 180 230 280 330 140 150 160 170 180 190 200 r=0,4 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 r=0,8 30 40 50 60 70 80 90 100 140 150 160 170 180 190 200 r=0,99 30 40 50 60 70 80 90 100 140 150 160 170 180 190 200 Tema 3: Estadstica bivariante 14 Bioestadstica. U. Mlaga. Entrenando el ojo: correlaciones negativas r=-0,5 0 10 20 30 40 50 60 70 80 90 140 150 160 170 180 190 200 r=-0,7 0 10 20 30 40 50 60 70 80 140 150 160 170 180 190 200 r=-0,95 0 10 20 30 40 50 60 70 80 140 150 160 170 180 190 200 r=-0,999 0 10 20 30 40 50 60 70 80 140 150 160 170 180 190 200 Tema 3: Estadstica bivariante 15 Bioestadstica. U. Mlaga. Animacin: Evolucin de r y diagrama de dispersin Tema 3: Estadstica bivariante 16 Bioestadstica. U. Mlaga. Preguntas frecuentes Si r=0 eso quiere decir que no las variables son independientes? En la prctica, casi siempre s, pero no tiene por qu ser cierto en todos los casos. Lo contrario si es cierto: Independencia implica incorrelacin.
Me ha salido r=12 la relacin es superlineal[sic]? Superqu? Eso es un error de clculo. Siempre debe tomar un valor entre -1 y +1.
A partir de qu valores se considera que hay buena relacin lineal? Imposible dar un valor concreto (mirad los grficos anteriores). Para este curso digamos que si |r|>0,7 hay buena relacin lineal y que si |r|>0,4 hay cierta relacin (por decir algo... la cosa es un poco ms complicada observaciones atpicas, homogeneidad de varianzas...)
Tema 3: Estadstica bivariante 17 Bioestadstica. U. Mlaga. Otros coeficientes de correlacin Cuando las variables en vez de ser numricas son ordinales, es posible preguntarse sobre si hay algn tipo de correlacin entre ellas.
Disponemos para estos casos de dos estadsticos, aunque no los usaremos en clase: (ro) de Spearman (tau) de Kendall
No tenis que estudiar nada sobre ellos en este curso. Recordad slo que son estadsticos anlogos a r y que los encontrareis en publicaciones donde las variables no puedan considerarse numricas. Maurice George Kendall Charles Edward Spearman Tema 3: Estadstica bivariante 18 Bioestadstica. U. Mlaga. Regresin El anlisis de regresin sirve para predecir una medida en funcin de otra medida (o varias). Y = Variable dependiente predicha explicada X = Variable independiente predictora explicativa Es posible descubrir una relacin? Y = f(X) + error f es una funcin de un tipo determinado el error es aleatorio, pequeo, y no depende de X
Tema 3: Estadstica bivariante 19 Bioestadstica. U. Mlaga. Regresin
El ejemplo del estudio de la altura en grupos familiares de Pearson es del tipo que desarrollaremos en el resto del tema.
Altura del hijo = 85cm + 0,5 altura del padre (Y = 85 + 0,5 X)
Si el padre mide 200cm cunto mide el hijo? Se espera (predice) 85 + 0,5x200=185 cm. Alto, pero no tanto como el padre. Regresa a la media.
Si el padre mide 120cm cunto mide el hijo? Se espera (predice) 85 + 0,5x120=145 cm. Bajo, pero no tanto como el padre. Regresa a la media.
Es decir, nos interesaremos por modelos de regresin lineal simple. Tema 3: Estadstica bivariante 20 Bioestadstica. U. Mlaga. Modelo de regresin lineal simple En el modelo de regresin lineal simple, dado dos variables Y (dependiente) X (independiente, explicativa, predictora)
buscamos encontrar una funcin de X muy simple (lineal) que nos permita aproximar Y mediante = b 0 + b 1 X b 0 (ordenada en el origen, constante) b 1 (pendiente de la recta)
Y e rara vez coincidirn por muy bueno que sea el modelo de regresin. A la cantidad e=Y- se le denomina residuo o error residual. Tema 3: Estadstica bivariante 21 Bioestadstica. U. Mlaga. 0 30 60 90 120 150 180 0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0 1 1 0 1 2 0 1 3 0 1 4 0 1 5 0 1 6 0 1 7 0 1 8 0 1 9 0 2 0 0 2 1 0 2 2 0 En el ejemplo de Pearson y las alturas, l encontr: = b 0 + b 1 X b 0 =85 cm (No interpretar como altura de un hijo cuyo padre mide 0 cm Extrapolacin salvaje! b 1 =0,5 (En media el hijo gana 0,5 cm por cada cm del padre.)
b 0 =85 cm b 1 =0,5 Tema 3: Estadstica bivariante 22 Bioestadstica. U. Mlaga. 0 30 60 90 120 150 180 0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0 1 1 0 1 2 0 1 3 0 1 4 0 1 5 0 1 6 0 1 7 0 1 8 0 1 9 0 2 0 0 2 1 0 2 2 0 La relacin entre las variables no es exacta. Es natural preguntarse entonces: Cul es la mejor recta que sirve para predecir los valores de Y en funcin de los de X Qu error cometemos con dicha aproximacin (residual). b 0 =85 cm b 1 =0,5 Tema 3: Estadstica bivariante 23 Bioestadstica. U. Mlaga. El modelo lineal de regresin se construye utilizando la tcnica de estimacin mnimo cuadrtica: Buscar b 0 , b 1 de tal manera que se minimice la cantidad
i e i 2
Se comprueba que para lograr dicho resultado basta con elegir:
Se obtiene adems unas ventajas de regalo El error residual medio es nulo La varianza del error residual es mnima para dicha estimacin.
Traducido: En trmino medio no nos equivocamos. Cualquier otra estimacin que no cometa error en trmino medio, si es de tipo lineal, ser peor por presentar mayor variabilidad con respecto al error medio (que es cero). x b y b S S r b X Y 1 0 1
Tema 3: Estadstica bivariante 24 Bioestadstica. U. Mlaga. Animacin: Residuos del modelo de regresin Tema 3: Estadstica bivariante 25 Bioestadstica. U. Mlaga. Que el error medio de las predicciones sea nulo no quiere decir que las predicciones sean buenas.
Hay que encontrar un medio de expresar la bondad del ajuste (bondad de la prediccin) Cometi un error de -30 en su ltima prediccin No importa. Con los dos ltimos clientes me equivoqu en +10 y +20. En trmino medio el error es cero. Tema 3: Estadstica bivariante 26 Bioestadstica. U. Mlaga. Ejemplo con SPSS A continuacin vamos a analizar un ejemplo realizado con datos simulados, de lo que podra parecer el estudio sobre alturas de hijos y padres, realizado con SPSS.
Suponemos que hemos recogido la altura de 60 varones, junto a las de su padre.
El estudio descriptivo univariante de ambas variables por separado no revela nada sobre una posible relacin.
Altura del hijo 182,5 180,0 177,5 175,0 172,5 170,0 167,5 165,0 162,5 160,0 12 10 8 6 4 2 0 Desv. tp. = 5,30 Media = 170,8 N = 59,00 Altura del Padre 195,0 190,0 185,0 180,0 175,0 170,0 165,0 160,0 155,0 16 14 12 10 8 6 4 2 0 Desv. tp. = 8,64 Media = 173,3 N = 59,00 Tema 3: Estadstica bivariante 27 Bioestadstica. U. Mlaga. Altura del Padre 200 190 180 170 160 150 A l t u r a
d e l
h i j o 190 180 170 160 150 Resumen del modelo ,759 a ,577 ,569 3,480 Modelo 1 R R cuadrado R cuadrado corregi da Error tp. de l a estimaci n Vari abl es predi ctoras: (Constante), Altura del Padre a. Coeficientes a 89,985 9,180 ,466 ,053 (Constante) Al tura del Padre Modelo 1 B Error tp. Coefi ci entes no estandari zados Variabl e dependi ente: Al tura del hi j o a. Correlaciones 1,000 ,759 ,759 1,000 Al tura del hi j o Al tura del Padre Correl aci n de Pearson Al tura del hi j o Al tura del Padre En el diagrama de dispersin se aprecie una clara relacin lineal directa. Aprecias regresin a la media en el sentido de Galton en la grfica? La tabla de correlaciones nos muestra que r=0,759 Por qu se ven algunos r=1? El modelo de regresin lineal simple es Altura hijo = b 0 + b 1 Altura del padre b 0 =89,985 b 1 =0,466 Aprecias regresin a la media? La bondad del ajuste es de R 2 =0,577= 57,7% Eso significa que el 57% de las predicciones del modelo son correctas? Cmo lo interpretas?