REGRESIÓN LINEAL MÚLTIPLE

La regresión lineal es una técnica estadística destinada a analizar las causas de por qué pasan
las cosas. A partir de los análisis de regresión lineal múltiple 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 características predecir de
forma aproximada un comportamiento o estado

¿Qué es la regresión lineal 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:

 La variable dependiente (resultado) debe ser ordinal o escalar, es decir, que las categorías
de la variable tengan orden interno o jerarquía, p.ej. nivel de ingresos, peso, número de
hijos, justificación del aborto en una escala de 1-nunca a 10-siempre.
 Las variables independientes (causas) deben ser ordinales o escalares o dummy
 Hay otras condiciones como: las variables independientes no puede estar altamente
correlacionadas entre sí, las relaciones entre las causas y el resultado deben ser lineales,
todas variables deben seguir la distribución normal y deben tener varianzas iguales. Estas
condiciones no son tan estrictas y hay maneras de tratar los datos si se incumple. Sobre
ello volveremos en futuras entradas

Cómo analizar la regresión lineal múltiple.

Los dos primeros pasos hacen referencia a la bondad del modelo, es decir, si el conjunto de
variables independientes (causas) explican la variable dependiente (resultado)
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.
Los dos siguientes pasos hacen referencia a la influencia de cada una de las variables
independientes:
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 de regresión lineal múltiple:

Cuáles son las causas que explican la justificación del aborto en España usando los datos de
la Encuesta Mundial de Valores de 2005.

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.

ANOVA
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
Regresión 2705,530 6 450,922 73,137 ,000a
Residual 6276,386 1018 6,165
1 Total 8981,916 1024

Resumen del modelo

R cuadrado Error típ. de
Modelo R R cuadrado corregida la estimación
1 ,549a ,301 ,297 2,483
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.

Coeficientes
Coeficientes Coeficientes
no estandarizados tipificados
Error
Modelo B típ. Beta t Sig.
(Constante) 10,332 ,471 21,958 ,000
Importancia de -
Dios -,399 ,028 -,408 14,339 ,000
Nivel educativo ,104 ,043 ,078 2,441 ,015
Nivel de ingresos -,052 ,052 -,029 -1,001 ,317
Edad -,028 ,006 -,170 -5,057 ,000
Número de hijos -,001 ,067 ,000 -,012 ,990
Confianza en el
1 gobierno -,629 ,099 -,168 -6,353 ,000

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 (OJO en el orden de las
categorías de las variables para leer el signo y dirección de las relación). 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 España 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.