Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cada variable predictor es ponderada, indicando la ponderacin su contribucin relativa a la prediccin conjunta El conjunto de variables independientes ponderadas se denomina valor terico de la regresin o ecuacin de regresin Y= b0 + b1X1 + b2X2 +.....+ bn Xn
Tcnica de dependencia en la que los datos deben ser mtricos o apropiadamente transformados
Primer paso
Segundo paso
Tercer paso
Supuestos en la regresin mltiple Cumplen las variables individuales los supuestos de: normalidad linealidad homoscedasticidad?
Si
Cuarto paso
Especificacin del investigador
Procedimiento de seleccin
Mtodo de estimacin secuencial Estimacin progresiva/regresiva Estimacin por etapas Mtodo de combinacin Examinar todas las combinaciones posibles para identificar la que mejor se ajusta Cumple el valor terico de regresin los supuestos del anlisis de regresin? Si Examinar significacin estadstica del modelo Coeficiente de determinacin (R2) Coeficiente de determinacin ajustado Significacin de los coeficientes de regresin No A segundo paso: Creacin de variables adicionales
Quinto paso
Interpretacin del valor terico de la regresin Evaluar importancia relativa de las variables independientes con los coeficientes beta Valoracin de la multicolinealidad
Sexto paso
Validacin de los resultados Contraste del modelo de regresin en una nueva muestra de la poblacin Dividir la muestra en dos partes y utilizar una submuestra para crear el modelo y otra para contrastarlo
Prediccin de la variable criterio con un conjunto de variables independientes, de forma que se maximice el valor terico de la regresin. La prediccin del modelo elegido debe demostrar tanto significacin prctica como estadstica
Explicacin objetiva del grado y carcter de la relacin entre las variables independientes y la variable dependiente. Concretamente:
independiente sobre la variable dependiente (magnitud y direccin de la relacin) independientes y la dependiente (lineal y/o curvilineal)
Evaluacin de la naturaleza de las relaciones entre las variables Evaluacin de las interrelaciones entre las variables independientes
Se pueden sustituir por variables ficticias. Cualquier variable no mtrica con k categoras puede representarse con k-1 variables ficticias
EVALUACIN DE LA MULTICOLINEALIDAD
Situacin ideal: Tener una cantidad de variables independientes altamente correlacionadas con la variable dependiente, pero con poca correlacin entre s Multicolinealidad: correlacin entre tres o ms variables independientes Efecto La multicolinealidad reduce el poder predictivo de cualquier variable independiente individual, en la medida en que est asociado con las otras variables independientes A mayor colinealidad, la varianza nica explicada por cada variable independiente se reduce y el porcentaje de prediccin compartida aumenta Cmo detectar la existencia de multicolinealidad? 1. Examen de la matriz de correlacin de las variables independientes (altas correlaciones indican elevada colinealidad) 2. Estadsticos de colinealidad: valor de tolerancia (TOL) y factor de inflacin de la varianza (FIV) (valores de TOL prximos a 0 y elevados valores de FIV, superiores a 4, denotan multicolinealidad)
Anlisis bivariante
TABULACIN CRUZADA Mtodo de anlisis comnmente usado para clasificar variables categricas. A travs de una tabla de contingencia, se cruzan dos variables y se interpretan los porcentajes. Proporciona un valor chi-cuadrado, que permite contrastar si existe relacin entre las variables que se cruzan. Valores significativos del estadstico indican que existe relacin.
EL ANLISIS DE LA VARIANZA (ANOVA) Procedimiento para valorar las diferencias de grupo. Se utiliza para constrastar la hiptesis de que varias medias muestrales son iguales. Las variables dependientes son mtricas, mientras que el factor (variable independiente) es una variable categrica. Proporciona un estadstico F. Valores significativos de F indican que existen diferencias significativas entres las muestras.
REGRESIN SIMPLE Mtodo univariante que analiza la relacin entre una variable dependiente (criterio) y una nica variable independiente (predictor). El objetivo es predecir cambios en la variable dependiente en respuesta a cambios en la variable independiente.