Qu es el anlisis

de correlacin
lineal ?
Es una herramienta estadstica que podemos
usar para describir el grado de relacin
lineal entre las variables.
Tipos de Variables
Variable
Independiente
(X)
(determinstica, es
decir no aleatoria.)
Variable
Dependiente
(Y)
aleatoria
Ejemplos

X: Nmero de llamadas telefnicas realizadas por un vendedor
promocionando un producto.
Y: Unidades vendidas por el vendedor.

X: Tiempo que dedica un estudiante a una materia.
Y : Evaluacin que obtiene el estudiante en la materia.
Ejercicio Modelo
En una ciudad de Canad, las personas al comprar casas se interesan por
el precio del costo de la calefaccin. Se ha determinado que un grupo de
factores pueden estar relacionados con el costo ( en dlares):

Temperatura exterior. (Grados Fahrenheit)
Aislante trmico en el desvn. (en pulgadas)
Antigedad del calefactor.
rea de la sala principal del apartamento. (en metros cuadrados).

Un cliente le ha preguntado a un vendedor:
Si usted me brinda la informacin de las variables anteriores de un
apartamento, cmo puedo saber yo aproximadamente cuanto pagar en
calefaccin?. Cuan confiable ser la informacin que usted me brinde?
Pasos en el Anlisis de Correlacin

1. Determinar cul es la variable dependiente. Y: Costo.
2. Seleccionar una muestra de tamao n de ambas variables X e Y, con lo
que se obtienen n pares de observaciones
(x1 , y1) , (x2 , y2) (xn , yn).
En nuestro ejemplo se tomo una muestra de 20 apartamentos. Se
midieron todas las variables independientes para cada uno de ellos.

3. Mostrar la relacin en un diagrama de dispersin: Grfico de X vs. Y.
Se aprecia de manera descriptiva el sentido y la intensidad de relacin
entre las variables.
Se realizaran los 4 grficos que corresponden a cada una de las variables
independientes consideradas.
Temperatura Exterior vs. Costo
0
50
100
150
200
250
300
350
400
450
0 10 20 30 40 50 60 70
Temp
C
o
s
t
o
r = -0.812
Relacin Inversa
fuerte
Aislante trmico vs. Costo.
0
50
100
150
200
250
300
350
400
450
0 2 4 6 8 10 12 14
Aislante
C
o
s
t
o
r = -0.257
Relacin Inversa
dbil
Antiguedad del calefactor vs. Costo
0
50
100
150
200
250
300
350
400
450
0 5 10 15 20
Antiguedad
C
o
s
t
o
r =0,512
Relacin Directa
moderada
Tamao sala vs. Costo
0
50
100
150
200
250
300
350
400
450
0 5 10 15 20 25
Tamao
C
o
s
t
o
r = 0.991
Relacin directa
fuerte
aunque se
aprecia una
tendencia no
lineal

4. Calcular un coeficiente de correlacin lineal r a partir de la muestra,
como aproximacin de la verdadera relacin lineal (rho) entre las
variables.

( ) ( )( )
( ) ( ) | | ( ) ( ) | |




=
2
2
2
2
y y n x x n
y x xy n
r
1 1 s s r
Interpretacin:
1. El valor absoluto de r indica la fuerza de la relacin entre Y y X.
2. El signo la direccin de la relacin (directa o inversamente proporcional)
(tener cuidado con relaciones espreas)
r = 1 correlacin positiva perfecta.
r = -1 correlacin negativa perfecta.
r = 0 no hay relacin lineal entre Y y X.
Si hay presencia de varias variables independientes, entonces podemos
agrupar todas las correlaciones en la Matriz de Correlaciones.
Costo Temp Aislante Antigedad
Costo
1.00
Temp
-.812 1.00
Aislante
-.257 -.103
1.00
Antigedad
.537 -.486
.064
1.00
Tamao .991 -.831 -.253 .482 1.000
Interpretacin de las Correlaciones lineales e Identificacin de las
Variables independientes con mayor correlacin lineal.
Temperatura.
Una correlacin de -0,812 indica alta correlacin, inversamente proporcional:
A mayor Temperatura exterior, menor el costo en calefaccin y viceversa.
Aislante.
La correlacin de 0,257 es baja, as que no existe relacin lineal entre las
variables.
Antigedad.
Una correlacin de 0,512; es moderada, directamente proporcional, a mayor
antigedad del calefactor, mayor costo y viceversa.
Tamao de la sala principal.
Una correlacin de 0,991; es alta y directamente proporcional: A mayor tamao
de la sala, mayor costo de la calefaccin

5. Prueba de Hiptesis para analizar si las correlaciones son
significativamente diferentes de cero.

=
=
0 : H
0 : H
1
0

Las correlaciones que son significativas aparecen reflejados en el

clculo de la matriz de correlaciones
Costo
Costo 1.000
Temp -.812
Aislante -.257
Antigedad .537
Tamao .991
.444 critical value .05 (two-tail)
.561 critical value .01 (two-tail)
Esto quiere decir que la correlacin de -,812 entre
Temperatura y Costo y la de ,991 entre Tamao y
Costo es significativa si consideramos un nivel de
confianza del 99% ( = 0,01) si bajamos el nivel de
confianza a un 95% ( = 0,05), tambin es
significativa la relacin de ,537 entre Antigedad y
Costo.
Conclusin Parcial: Seleccionamos a
las variables Temperatura y Tamao
para continuar el anlisis acerca del
Costo.
Qu es el anlisis
de regresin lineal
?
Es modelar la dependencia de la variable Y
de la variable X a travs de una recta
a. Clculo de la recta de regresin que expresa la relacin entre:
Temperatura y Costo.
X Y
1 0
+ + =
0 y 1 parmetros ; error aleatorio.
0 y 1 son estimados a partir de la muestra
obteniendo la recta
Y = a0 + a1X + e
Constante de
regresin
Coeficiente de
regresin
Interpretacin de la pendiente:
Cunto cambia la variable dependiente Y, por cada unidad que vare la
variable independiente X.
Estimacin de los parmetros: Mtodo de los mnimos cuadrados.
La recta de regresin hace mnimos los cuadrados de las distancias verticales
desde cada punto de una observacin a la recta.
Yi es un valor observado real de la variable Y
es un valor de la recta predicho por la ecuacin
i
Y

min ) Y (Y
2
i i
=

min es el nmero ms pequeo que se puede
obtener si se suman estas desviaciones
verticales elevadas al cuadrado entre los
puntos y la recta.
i i
Y Y

Los coeficientes a1 y a0 se obtienen mediante las expresiones

( ) ( )( )
( )
2
2
1
x x n
y x xy n
a

=
x a y a
1 0
=
Aplicamos MegaStat para realizar el Anlisis de Regresin
MegaStat
Correlation/Regresin
Regresin Anlisis
Y marcamos en la nueva ventana las
opciones que aparecen en la pantalla
siguiente que nos mostrarn todas las
salidas que son de nuestro inters para el
anlisis de regresin
r 0.659
Adjusted r 0.640
r -0.812
Std. Error 63.553
20 observations
1 predictor variable
Costo is the dependent variable
Salida
Salida
ANOVA table
Source SS df MS F p-value
Regression 140,214.9411 1 140,214.9411 34.72 1.41E-05
Residual 72,700.8089 18 4,038.9338
Total 212,915.7500 19
Regression output
confidence interval
variables coefficients std. error t (df=18) p-value 95% lower 95% upper
intercept 388.8020 34.2408 11.355 1.22E-09 316.8646 460.7393
Temp -4.9342 0.8374 -5.892 1.41E-05 -6.6936 -3.1748

Recta de regresin estimada
Esta es la ecuacin de la recta de regresin pintada en el diagrama
de dispersin, que fue mostrada anteriormente
Note que la pendiente -4.9342 tiene signo negativo, lo cual refleja que la
relacin es inversa, anlogo al signo del coeficiente de correlacin
(-.812).
El valor de la pendiente significa que por cada grado que descienda la
temperatura exterior habr un aumento promedio de 5 dlares en el
costo de la calefaccin.
4,9342X - 388,8020 Y

=
b. Clculo del error estndar de la estimacin
Mide la variabilidad o dispersin de los valores observados alrededor
de la lnea de regresin.
( )
1 - k - n
Y

Y
Se
2
x sobre y

=
Si se trabaja con una recta, se puede calcular el error mediante
2 n
xy a y a y
Se
1 0
2
x sobre y

=

Mientras ms grande sea el error estndar de la estimacin, mayor ser la
dispersin de los puntos alrededor de la lnea de regresin
En nuestro ejemplo el error estndar de estimacin que se comete al usar la
recta para estimar el costo es de 63,553 $
c. Clculo del Coeficiente de Determinacin
Mide el poder explicativo del modelo de regresin, es decir, la
parte de la variacin de Y explicada por la variacin de X
El valor de r
2
ha de estar entre 0 y 1, si r
2
= 0,70 significa que el 70%
de la variacin de Y est explicada por las variaciones de X. Es
evidente que cuanto mayor sea r
2
, mayor poder explicativo tendr
nuestro modelo.
En nuestro ejemplo
Si analizamos el valor del coeficiente de determinacin r = 0.659,
apreciamos que aproximadamente el 66% de la variabilidad del
costo esta determinado por la variabilidad en la Temperatura
exterior.
d. Prueba de Hiptesis para analizar si la pendiente es significativa

=
=
0 : H
0 : H
1 1
1 0
o
o
Para tomar una decisin podemos comparar el valor de un estadstico con
un percentil, o utilizar un criterio equivalente, usado en los paquetes de
Estadstica: Comparar el p-valor con el nivel de significacin
Regla de Decisin: Rechazar Ho si p <
En el ejemplo p = 1.41E-05 < 0.05, as que rechazamos H
0
por lo que el
valor de la pendiente es significativamente diferente de cero.
Conclusin: La relacin entre la Temperatura Exterior y el Costo es
significativa.
e. Predicciones
e.1) Clculo de una prediccin puntual.
Suponga que se desea un estimador puntual del costo de un
apartamento, si la temperatura exterior es de 35 grados
Sol: Sustitucin del valor de x = 35, en la ecuacin de la recta para
obtener un valor y

05 , 216 y
35 * 4,9342 - 8,8020 y
4,9342x - 8,8020 y
=
=
=
e.2) Clculo de un intervalo de Prediccin
Se desea calcular una estimacin por intervalo con un nivel del confianza
del 95% para el apartamento especfico en un da considerado con
temperatura de 35 grados. Aqu calculamos un intervalo de prediccin.
p
S n t Y * ) 2 (

2 / 1

o
( )
2
2
2
0
e p
x n x
x x
n
1
1 S S

+ + =

e.3) Clculo del Intervalo de Confianza para el Costo Promedio de todos

los apartamentos, para una temperatura dada.
Se desea calcular una estimacin por Intervalo, del costo promedio de la
calefaccin de todos los apartamentos considerados en los que la
temperatura es de 35 grados. Aqu calculamos un intervalo de confianza.
Con el Uso del Programa MegaStat
Marcar en la ventana correspondiente a Anlisis de Regresin el valor de
prediccin de inters, en nuestro caso 35.
La salida obtenida con el programa es
Predicted values for: Costo


95% Confidence Interval 95% Prediction Interval

Temp Predicted lower upper lower upper Leverage
35 216.105 186.000 246.211 79.234 352.976 0.051

Conclusiones
e.1 El costo por la calefaccin de un apartamento con Temperatura de 35
grados es de 216,105 dlares.
e.2 Con un nivel de confianza del 95% el costo por la calefaccin de un
apartamento con Temperatura de 35 grados oscila entre 79,234 y 352,976$
e.3 El costo promedio de la calefaccin de los apartamentos para una
temperatura de 35 grados se encuentra entre 186,000 246,211 $; con una
confianza del 95%.
Nota: Observe que el tamao del intervalo de confianza (para todos los
apartamentos con temperatura exterior de 35 grados), es menor que el
intervalo de prediccin (para un solo apartamento con temperatura
exterior de 35 grados). Es de una amplitud mucho menor, ya que habr
mayor variacin en el estimado del costo para una observacin que para
un grupo.
Anlisis de las suposiciones realizadas para la recta de regresin
Debemos comprobar que se cumplen dos condiciones fundamentales:

a. Los residuos siguen una distribucin aproximadamente Normal.

Para ello realizamos el grfico de Probabilidad Normal, obteniendo
Normal Probability Plot of Residuals
-150,0
-100,0
-50,0
0,0
50,0
100,0
150,0
-3,0 -2,0 -1,0 0,0 1,0 2,0 3,0
Normal Score
R
e
s
i
d
u
a
l
Se aprecia que se ajustan
aproximadamente a la recta
x = y, por lo que puede
concluirse que los residuos
tienen una distribucin
aproximadamente normal.
b. La variabilidad de los residuos y - no vara en dependencia del
valor estimado
Esto lo apreciamos en el grfico de los residuos. En este caso nuestro valor
estimado , es el costo estimado
Residuals by Predicted Costo
-127,1
-63,6
0,0
63,6
127,1
190,7
0 100 200 300 400
Predicted Costo
R
e
s
i
d
u
a
l

(
g
r
i
d
l
i
n
e
s

=

s
t
d
.

e
r
r
o
r
)
Efectivamente se observa un
comportamiento aleatorio de los
residuales
Con esto se concluye que todo el
anlisis de regresin efectuado
hasta el momento es valido.
Un anlisis anlogo podemos realizar para analizar la relacin entre el Tamao
de la sala principal y el costo del calefactor, dado que la correlacin obtenida
es alta: 0,991. Sin embargo el anlisis seria muy similar, excepto algo muy
importante que es el anlisis de los residuales.
Veamos los grficos
a. Grafico de Probabilidades Normales

Normal Probability Plot of Residuals
-20,0
-10,0
0,0
10,0
20,0
30,0
40,0
-3,0 -2,0 -1,0 0,0 1,0 2,0 3,0
Normal Score
R
e
s
i
d
u
a
l
Se observa un comportamiento
anlogo al anterior, es decir los
residuales siguen una distribucin
normal.

b. Grfico de los valores estimados vs. Residuos.

Residuals by Predicted Costo
-29,6
-14,8
0,0
14,8
29,6
44,4
0 100 200 300 400
Predicted Costo
R
e
s
i
d
u
a
l

(
g
r
i
d
l
i
n
e
s

=

s
t
d
.

e
r
r
o
r
)
En este caso los residuos s
muestran variacin en
dependencia de los valores
estimados del costo, vemos
que valores muy pequeos
o muy altos tienen
variabilidad mayor que los
que estn alrededor de un
costo de 200, es decir no
hay un comportamiento
aleatorio.
Esto significa que no es
valido el modelo de
regresin realizado
previamente. Las
consecuencias de no
realizar este anlisis es
que las estimaciones de
los coeficientes de la
regresin pueden no ser
adecuados y las
predicciones pueden ser
incorrectas.