Regresion múltiple

La regresión lineal múltiple es la gran técnica estadística para comprobar hipótesis y

relaciones causales. Ante de empezar, una serie de condiciones que se deben cumplir para
poder aplicar la regresión lineal múltiple:
Como hallar la regresion lineal múltiple en 4 pasos:
1. Significación de F-test: si es menor de 0,05 es que el modelo es estadísticamente
significativo y por tanto las variables independientes explican “algo” la variable
dependiente, cuánto “algo” es la R-cuadrado
2. R cuadrado: es cuánto las variables independientes explican la variable
dependiente, indica el porcentaje de la varianza de la variable dependiente
explicado por el conjunto de variables independientes. Cuanto mayor sea la R-
cuadrado más explicativo y mejor es el modelo causal.
3. Significación de t-test: si es menor de 0,05 es que esa variable independiente se
relaciona de forma significativa con la variable dependiente, por tanto, influye
sobre ella, es explicativa
4. Coeficiente beta (β): indica la intensidad y la dirección de la relación entre esa
variable independiente (VI) y la variable dependiente (VD):
 cuanto más se aleja de 0 más fuerte es la relación
 el signo indica la dirección (signo + indica que al aumentar los valores de la VI
aumentan los valores de la VD; signo – indica que al aumentar los valores de la VI,
los valores de la VD descienden)
Ejemplo:
Quiero saber cuáles son las causas que explican la justificación del aborto en Perú usando
los datos de la Encuesta Mundial de Valores de 2005. A partir de mi observación de la
realidad y la lectura de investigaciones sobre el tema propongo un modelo causal que
incluye las siguientes variables:
Variable dependiente:
 justificación del aborto: Se preguntó a los encuestados en qué grado en una escala de
1 a 10 justificarían el aborto, donde 1 es nunca lo justificaría y 10 siempre lo
justificarían.
Variables independientes:
 Importancia de Dios en la vida: se preguntó en una escala de 1 a 10, donde 1 es nada
importante y 10 es muy importante
 Nivel educativo: se preguntó cuál es el último nivel educativo alcanzado donde 1 es
sin estudios primarios completos, 2 es primarios completos, 3 es secundarios
completos y 4 es universitarios completos.
 Nivel de ingresos: se preguntó sobre cuánto gana al mes en una escala del 1 al 10 con
diversos rangos salariales
 Edad
 Número de hijos
 Confianza en el gobierno: se preguntó sobre el
nivel de confianza en el gobierno en una escala de 1 a 4 donde: 1 es confío
mucho, 2 es confío bastante, 3 es confío poco y 4 es que no confío nada

Sobre la bondad del modelo

1. La significación de F es menor de 0,05 por tanto el modelo es un bueno para explicar
la variable dependiente, es estadísticamente significativo
2. La R-cuadrado es 0,301 lo cual indica que el modelo explica el 30,1% de la varianza
de la variable dependiente. Casi un tercio de la justificación del aborto es explicado
por este conjunto de variables independientes (causas) seleccionadas.
Sobre la influencia de las variables independientes:
3- Significación de t-test: Las variables importancia de Dios, nivel educativo, edad y
confianza en el gobierno sí explican la justificación del aborto ya que la significación es
menor de 0,05. Las variables nivel de ingresos y número de hijos no se relacionan con la
justificación del aborto .

4- Coeficientes beta (β): La variable independiente que más influye o explica la opinión
de las personas respecto al aborto es la importancia de Dios ya que la beta (-0,408) se
aleja más de cero. El signo negativo indica que a menos importancia se le da a Dios, más
justificación-tolerancia del aborto. Las siguientes causas que más influyen son la edad
(beta = -0,170), a más edad menos tolerancia al aborto, y la confianza en el gobierno (beta
= -0,168), a más confianza en el gobierno más tendencia a justificar-tolerar el aborto
Además, a más nivel educativo más tendencia a justificar el aborto.
Este ejemplo es útil para entender la alta oposición a las políticas del gobierno en Perú de
restricción del aborto y puede apuntar a las consecuencias negativas para los gobiernos,
ya que sabiendo las causas de un fenómenos se puede predecir qué sucederá.