Estadística .

FBA I 2011_2012
Práctica 4. Extensiones del modelo de regresión

PRÁCTICA 4. REGRESIÓN CURVILÍNEA. INTRODUCCIÓN DE VARIABLES

ARTIFICIALES EN REGRESIÓN LINEAL

4.1. Regresión exponencial

4.2. Regresión cúbica

4.3. Regresión con variables artificiales

M. Carmen Carollo, Beatriz Pateiro Página 1

 Estadística .FBA I 2011_2012
Práctica 4. Extensiones del modelo de regresión

4.1 Regresión exponencial

Ejemplo :

Estamos interesados en establecer la relación que existe entre la reacción a un

estímulo (variable dependiente) y el tiempo de exposición a ese estímulo (variable
independiente). Para ello disponemos de 14 observaciones que aparecen en el
archivo tiempo_estimulo.sav.

Si construímos el diagrama de dispersión, vemos que puede ajustarse por una función
exponencial.

El ajuste puede puede hacerse con el SPSS de la siguiente forma:

Analizar / Regresión / Estimación Curvilínea...

Dependiente : estim

Independientes : tiempo

Modelo : Exponencial

M. Carmen Carollo, Beatriz Pateiro Página 2

 Estadística .FBA I 2011_2012
Práctica 4. Extensiones del modelo de regresión

El procedimiento nos devuelve la siguiente tabla:

Resumen del modelo y estimaciones de los parámetros

Variable dependiente:respuesta al estímulo

Ecuación Resumen del modelo Estimaciones de los parámetros

R cuadrado F gl1 gl2 Sig. Constante b1

Exponencial ,930 158,997 1 12 ,000 5,384 -,333

La variable independiente estiempo.

estímulo = 5,38e −0,33tiempo

Si además activamos: ver Tabla ANOVA

M. Carmen Carollo, Beatriz Pateiro Página 3

 Estadística .FBA I 2011_2012
Práctica 4. Extensiones del modelo de regresión

Analizar / Regresión / Estimación Curvilínea...

Dependiente : estim

Independientes : tiempo

Modelo : Exponencial

- ver tabla ANOVA

Nos devuelve las siguientes tablas:

ANOVA

Suma de Media
cuadrados gl cuadrática F Sig.

Regresión 20,190 1 20,190 158,997 ,000

Residual 1,524 12 ,127

Total 21,714 13

La variable independiente es tiempo.

Coeficientes

Coeficientes
Coeficientes no estandarizados estandarizados

B Error típico Beta t Sig.

tiempo -,333 ,026 -,964 -12,609 ,000

(Constante) 5,384 ,978 5,507 ,000

La variable dependiente es ln(respuesta al estímulo).

Las dos tablas anteriores ponen de manifiesto que la reacción al estímulo depende
exponencialmente del tiempo de exposición a ese estímulo.

M. Carmen Carollo, Beatriz Pateiro Página 4

 Estadística .FBA I 2011_2012
Práctica 4. Extensiones del modelo de regresión

4.2 Regresión cúbica

Ejemplo:

Para los datos del archivo datos_NL.sav establecer la relación que existe entre la
variable Ycub y la variable Xcub .

Dibujamos primero el diagrama de dispersión y vamos haciendo ajustes.

Decidimos entonces realizar un ajuste cúbico, es decir, ajustamos un modelo de la forma:

M. Carmen Carollo, Beatriz Pateiro Página 5

 Estadística .FBA I 2011_2012
Práctica 4. Extensiones del modelo de regresión

Y =β 0 + β1 X + β 2 X 2 + β3 X 3

Las estimaciones de los parámetros del modelo se pueden obtener con el SPSS:

Analizar / Regresión / Estimación curvilínea / Cúbica

Dependiente: Ycub

Independiente: Xcub

Modelo: cúbico

Podemos activar: Ver ANOVA

Obtenemos las siguientes tablas:

Resumen del modelo

R cuadrado Error típico de
R R cuadrado corregida la estimación

,832 ,693 ,688 ,819

La variable independiente esXcub.

M. Carmen Carollo, Beatriz Pateiro Página 6

 Estadística .FBA I 2011_2012
Práctica 4. Extensiones del modelo de regresión

ANOVA

Suma de Media
cuadrados gl cuadrática F Sig.

Regresión 296,837 3 98,946 147,373 ,000

Residual 131,594 196 ,671
Total 428,431 199

La variable independiente esXcub.

El modelo ajustado es :

Yˆ =
−0, 05 − 2 X + 3 X 2 + 2 X 3

M. Carmen Carollo, Beatriz Pateiro Página 7

 Estadística .FBA I 2011_2012
Práctica 4. Extensiones del modelo de regresión

4.3 Regresión con variables artificiales

Ejemplo:

Se quiere obtener un modelo de regresión que explique el colesterol a partir de las

grasas y el ejercicio físico ( 0=”no hace”, 1=”ejercicio moderado” y 2=”ejercicio
intenso”). Los datos aparecen en el archivo colesterol.sav

Dado que el ejercicio físico es un factor (variable cualitativa) con tres

modalidades, debemos crear dos variables artificiales (con la opción
Transformar/Recodificar en distintas variables):

EM = 1 si hace ejercicio mod erado


 0 en otro caso

EI = 1 si hace ejercicio int enso


 0 en otro caso

Realizamos la regresión con el SPSS de la siguiente forma:

Analizar / Regresión / Regresión lineal

Dependiente : colesterol

Independientes : grasas, EM, EI

M. Carmen Carollo, Beatriz Pateiro Página 8

 Estadística .FBA I 2011_2012
Práctica 4. Extensiones del modelo de regresión

Obtenemos:

Resumen del modelo

Modelo R cuadrado Error típ. de la

R R cuadrado corregida estimación
a
di
1 ,636 ,404 ,330 57,809
me

nsi

on

a. Variables predictoras: (Constante), Grasas, ejintenso, ejmodera

b
ANOVA

Modelo Suma de Media

cuadrados gl cuadrática F Sig.
a
1 Regresión 54412,310 3 18137,437 5,427 ,005

Residual 80205,547 24 3341,898

Total 134617,857 27

a. Variables predictoras: (Constante), Grasas, ejintenso, ejmodera

b. Variable dependiente: colesterol

M. Carmen Carollo, Beatriz Pateiro Página 9

 Estadística .FBA I 2011_2012
Práctica 4. Extensiones del modelo de regresión

a
Coeficientes

Modelo Coeficientes no Coeficiente

estandarizados s tipificados

B Error típ. Beta t Sig.

1 (Constante) 236,730 27,483 8,614 ,000

ejmodera -36,815 29,613 -,218 -1,243 ,226

ejintenso -82,196 24,716 -,579 -3,326 ,003

Grasas 1,365 ,551 ,394 2,477 ,021

a. Variable dependiente: colesterol

El modelo ajustado es:

Colesterol = 236,73 - 36,81ejmoderado - 82,196ejintenso + 1,365 grasas

que puede interpretarse de la siguiente forma:

 Para un mismo tipo de ejercicio, el colesterol medio aumenta en 1,365

cuando el contenido en grasas aumenta una unidad.

 Para un mismo contenido en grasas, el colesterol medio disminuye en

36,81 cuando pasamos de no hacer ejercicio (categoría de referencia) a
hacer ejercicio moderado.

 Para un mismo contenido en grasas, el colesterol medio disminuye en

82,196 cuando pasamos de no hacer ejercicio a hacer ejercicio intenso.

Observemos que aunque el coeficiente asociado a ejmoderado no es

significativo (p-valor = 0,226), debemos mantener esta variable en el modelo
para que pueda entenderse la estructura del mismo.

El modelo es adecuado pues el p-valor asociado al contraste de regresión es

muy pequeño.

M. Carmen Carollo, Beatriz Pateiro Página 10