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.
