Está en la página 1de 3

MODELO DE REGRESIN LINEAL MLTIPLE

La regresin lineal es una tcnica estadstica destinada a analizar las causas de por qu
pasan las cosas. A partir de los anlisis de regresin lineal mltiple podemos:
identificar que variables independientes (causas) explican una variable dependiente
(resultado)
comparar y comprobar modelos causales
predecir valores de una variable, es decir, a partir de unas caractersticas predecir de
forma aproximada un comportamiento o estado

SUPUESTOS
La regresin mltiple tiene 4 supuestos importantes que hay que seguir para hacer un
anlisis preciso y no sesgado:
1) Normalidad

2) Relacin lineal

3) Aditividad y Multicolinealidad

4) Homocedasticidad

Normalidad:
Esto se refiere a que todos nuestros datos, tanto nuestras variables
independientes as como nuestra variable dependiente, tienen que tener puntajes que
estn distribuidos normalmente. Ms especficamente los residuos (error) de estos
puntajes deben tener una distribucin normal.
La regresin es un anlisis lineal y por ello, trabaja con relaciones lineales.
Cuando los errores de las variables tienen distribucin no normal, pueden afectar las
relaciones y la significancia, y se enfocan en los errores porque en una regresin lineal
tambin es posible poner variables dicotmicas (sexo) y estas no tienen una distribucin
normal.
Relacin lineal:

Este segundo supuesto est dirigido a la relacin entre las variable


independientes y dependiente. La relacin entre cada variable independiente con la
variable dependiente debe ser lineal. En otras palabras, debe haber una correlacin entre
las variables independientes y la dependiente. Los anlisis de correlacin se deben
hacer antes de la regresin para poder saber qu variables tienen relacin con la que
deseamos medir, porque este anlisis previo nos permitir saber qu variables incluimos
en nuestro modelo de regresin.

Additividad y multicolinealidad:

La aditividad se refiere a que el modelo de regresin lineal es aditivo, es


decir que cada variable independiente por s sola, suma a la explicacin de la variable
dependiente. En otras palabras, no hay relacin entre las variables independientes. Si
hubiera relacin entre las variables independientes de nuestro modelo, tendramos un
problema llamado multicolinealidad; y se da cuando dos variables independientes estn
relacionadas. Esto viene a ser un problema porque si hay relacin entre dos variables
entonces son muy parecidas y por ello tener las dos no aporta nada a explicar mejor
nuestra variable dependiente.
Para saber si existe la multicolinealidad existen dos maneras: a) Previo a hacer
nuestro modelo de regresin mltiple analizar con una correlacin de Pearson para ver
si hay relacin fuerte entre nuestras variables independientes. b) Durante el anlisis
estadstico de regresin mltiple se le puede pedir al programa, diagnsticos de
multicolinealidad.
Homocedasticidad:
La homocedasticidad es cuando la varianza de los errores de medicin de nuestro
anlisis es igual para todas las variables independientes. A su vez, cundo esta varianza
es diferente entre las diferentes variables independientes tenemos un problema
de Heterocedasticidad, ya que puede arruinar los resultados y hacer caer en un error, es
decir podramos asumir que algo est relacionado cuando en realidad no lo est.
As como la Multicolinealidad, hay una manera de revisar si existe Homocedasticidad
en nuestros datos. Para esto se revisa un grfico, y si la varianza del error de nuestras
variables independientes est relacionada con la varianza que predice nuestra variable
dependiente existe una complicacin. Porque hay Heterocedasticidad, el error no debe
estar relacionado con nuestra capacidad para predecir nuestra variable dependiente.

BIBLIOGRAFA:

Horra J. (2014). Modelo de regresin mltiple. Obtenido de


https://www.uam.es/personal_pdi/ciencias/horra/AnalisisDatos-Apuntes/Regresion-
Multiple.pdf
Williams, M., Gmez, C. A. y Kurkiewicz, D. (2013).
Supuestos de regresin mltiple: corregir dos conceptos errneos. Practical
Assessment Research & evaluation, 18, 11, 1-14.