Análisis de Correlación y de Regresión Simple

Fecha: 1999
From: Investigación de mercados(4th ed.)
Publisher: Cengage Learning Mexico
Tipo de documento: Topic overview
Páginas: 12
Content Level: (Level 5)

Texto completo:

Análisis de Correlación y de Regresión Simple

Los análisis de correlación y de regresión son de uso frecuente entre los investigadores de mercados para estudiar la relación entre
dos o más variables. Aunque es común el uso indistinto de estos términos, existe una diferencia en su propósito. El análisis de
correlación mide la cercanía de la relación entre dos o más variables (véase el ejemplo del anuncio de leche), considerando la
variación conjunta de las dos mediciones, ninguna de las cuales está sujeta a restricción por el experimentador. Por su parte, el
análisis de regresión se usa para derivar una ecuación que relaciona la variable de criterio con una o más variables de predicción. En
ello se considera la distribución de frecuencias de la variable de criterio cuando se mantienen fijas en diversos valores una o más de
las variables de predicción.2

Análisis de correlación

Técnica estadística usada para medir la cercanía de la relación lineal entre dos o más variables en una escala de intervalo.
Análisis de regresión

Técnica estadística usada para derivar una ecuación que relacciona una variable de criterio con una o más variables de predicción;
cuando se usa sólo una variable de predicción, es el análisis de regresión simple, y si se utilizan dos o más, es el análisis de regresión
múltiple.

Es totalmente válido medir la cercanía de la relación entre variables sin derivar una ecuación estimada. De igual manera, puede
entenderse el análisis de regresión sin investigar la cercanía de la relación de las variables. Empero, es común derivar la ecuación y
estudiar tal cercanía, por lo que el conjunto de estas técnicas, no una u otra, suele denominarse análisis de regresión o correlación.
En cuanto a éste, debe comentarse también la distinción entre correlación y causalidad. El uso de los términos variable dependiente
(de criterio) y variable independiente (de predicción) para referirse a las mediciones en el análisis de correlación se deriva de la relación
matemática funcional entre las variables y no tiene nada que ver con la dependencia de una variable con respecto de otra en sentido
causal. Por ejemplo, las técnicas podrían mostrar cierta correlación del ingreso alto con la tendencia a tomar vacaciones invernales en
islas caribeñas, si bien sería un error suponer que el ingreso alto es causa de que una persona viaje al sur cuando se desploman las
temperaturas ambientales.

No existe nada en el análisis de correlación ni en ningún otro procedimiento matemático que pueda usarse para establecer la
causalidad. Lo único para lo que sirven estos procedimientos es para

El National Fluid Milk Processors Promotion Board tiene a su cargo los anuncios de bigotes de leche de celebridades. Una de sus
promociones actuales es un “Milk Mustache Celebrity Calendar Event” anual, en que se envían calendarios a diversos hogares. El
consejo mencionado está interesado en averiguar la correlación de su presentación de calendaríos de celebridades con las ventas de
leche en galones. Según información de Nielsen Homescan Data, las ventas de leche en galones aumentaron 3.6%, en relación con
las de un año atrás, en los hogares que recibieron el Calendario de 1997, además de incrementos de 9.7% de las mismas ventas en
hogares con niños de 6-12 años de edad.Kroger no es ajeno a los beneficios del Milk Mustache Celebrity Calendar Event. Para quienes
gustan de los números, Nielsen Homescan Data reportó un aumento de 3.6% en las ventas de leche en galón, contra las de un año
atrás, en los hogares que recibieron el calendario 1999. Además, otro de 9.7% en las ventas de un año antes en los hogares con niños
de 6 a 12 años. Los desplegados publicitarios acerca del producto, como éste, son una manera certera de impulsar la compra de
galones de leche y mover el lechímetro. ¿Desea el Celebrity Calendar 2000? Escríbame.

Página 676

medir la naturaleza y grado de relación o covarianza de las variables. Las afirmaciones de causalidad deben provenir de los
conocimientos y teorías del fenómeno que se investiga. De ninguna manera se originan en las matemáticas.3 En la Ventana de
investigación 21.1, el exdirector de investigación de mercados de General Mills insta a que los investigadores vean más allá de los
datos a cuya recopilación dedican sus energías y consideren la teoría que rige los estudios de mercados. Las matemáticas son inútiles
sin una teoría que las sustente.

A manera de ejemplo, en el análisis de los resultados de una encuesta que patrocinó Bank Network News, sacó conclusiones de la
forma en que sus editores entendían el comportamiento y tendencias de los consumidores en el giro bancario. El estudio reveló que el
uso mensual de cajeros

Página 677

automáticos disminuyó durante el periodo estudiado. Al mismo tiempo, las transacciones en puntos de venta con tarjetas de débito (es
decir, pagar con tarjetas de débito en las cajas registradoras) aumentaron en un sorprendente 35%. Los editores atribuyeron esta
correlación inversa al desagrado de los consumidores con los cargos por servicios en los cajeros automáticos. Señalaron que muchos
establecimientos minoristas no sólo permiten que sus clientes paguen las compras con tarjetas de débito, sino que también les
permiten hacer retiros de efectivo. Además, los minoristas, a diferencia de una porción creciente de cadenas de cajeros automáticos,
no cobran ese servicio.4

El tema de los análisis de regresión y correlación se analiza a la luz de un ejemplo. Así, considere que un fabricante nacional de
bolígrafos está interesado en investigar la eficacia de sus actividades de mercadotecnia. La compañía usa mayoristas para distribuir los
bolígrafos y complementa sus esfuerzos con representantes de ventas y anuncios televisivos. La empresa planea usar las ventas
anuales por territorio como medición de eficacia. Esos datos y la información del número de representantes de ventas que atienden un
territorio están disponibles ya en los registros de la compañía. Son más difíciles de determinar las otras características, con las cuales
el fabricante busca relacionar las ventas: anuncios televisivos y eficiencia de los mayoristas. A efecto de obtener información sobre los
anuncios televisivos en un territorio, los investigadores deben analizar las cédulas de publicidad y la cobertura de área de estudio por
canal, a fin de determinar a cuáles áreas llegan los canales televisivos. Evaluar la eficiencia de los mayoristas requiere calificarlos en
diversos criterios y sumar las calificaciones en una medición global, en que 4 es sobresaliente, 3 es bueno, 2 es promedio y 1 es
deficiente. El tiempo y gastos necesarios para generar datos de estas características de publicidad y distribución ha hecho que la
compañía decida analizar sólo una muestra de los territorios de ventas. Los datos de una muestra aleatoria simple de 40 territorios se
presentan en el anexo 21.1.

El efecto de cada una de las variables de la mezcla de mercadotecnia en las ventas puede estudiarse de diversas maneras. Una más
bien evidente sería granear las ventas como función de cada una de las variables. En la figura 21.1 se muestran las gráficas, llamadas
diagramas de dispersión. La parte A hace suponer que las ventas se incrementan cuando aumenta el número de anuncios televisivos
mensuales, y la parte B, que aumentan con el número de representantes de ventas que atiende el territorio. Por último, la parte C
indica que existe poca relación entre las ventas de un territorio y la eficiencia del mayorista que los atiende.

Un vistazo más cercano a las partes A y B también refleja que sería posible resumir la relación entre las ventas y cada una de las
variables de predicción si simplemente se traza una recta por los puntos de datos. Una forma de generar la relación de las ventas con
los anuncios televisivos por número de representantes sería “imaginarla”, es decir, trazar visualmente una recta que pase por los
puntos de las gráficas. Esa recta correspondería a la línea de la relación “promedio” e indicaría el valor promedio de la variable de
criterio, las ventas, con los valores dados de cualquiera de las variables de predicción, anuncios televisivos o número de
representantes. Luego, podría añadirse a las gráficas, por ejemplo, el número de anuncios televisivos en el territorio y leer el valor
promedio de ventas esperadas en el territorio mismo. La dificultad del enfoque gráfico es que dos analistas podrían generar rectas
distintas para describir la relación. Ello hace surgir la pregunta de cuál sería la recta más correcta o cuál de ellas encajaría mejor en los
datos.

Un enfoque alterno es generar matemáticamente una recta que una los datos. La ecuación general de una recta es y = α + βX, donde α
es la intersección Y, y β el coeficiente de la pendiente. En este caso de Y ventas y X1 anuncios televisivos, la ecuación podría escribirse
como Y= α1 + β1X1, mientras que la relación entre las Y ventas y los X2 representantes de ventas se representaría como Y = α2 +
β2X2, donde el subíndice corresponde a la variable de predicción que se considera. Tal como está escrito, cada uno de estos es un
modelo determinista. Cuando se sustituye el valor de la variable de predicción en la ecuación con los valores especificados de α y β, se
determina un valor único de Y, sin considerar un margen de error.

En la investigación de fenómenos sociales pocas veces, si acaso, el error es cero. Así, podría sustituirse el modelo determinista por un
modelo probabilístico, que debería incluir algunos supuestos acerca del error. Por ejemplo, para trabajar con la relación de las ventas y
el número de anuncios televisivos, considere el modelo:

Yi = α1 + β1Xi1 + εi
Página 678

ANEXO 21.1 Datos de territorios de ventas de los bolígrafos

Territorio Ventas (en Publicidad (anuncios televisivos por Número de representantes de Índice de eficiencia de
miles), Y mes) X1 ventas X2 mayoristas X3
005 260.3 5 3 4
019 286.1 7 5 2
033 279.4 6 3 3
039 410.8 9 4 4
061 438.2 12 6 1
082 315.3 8 3 4
091 565.1 11 7 3
101 570.0 16 8 2
115 426.1 12 4 3
118 315.3 7 3 4
133 403.6 10 6 1
149 220.5 4 4 1
162 343.6 9 4 3
164 644.6 7 8 4
178 520.4 19 7 2
187 220.5 9 3 2
189 426.0 11 6 4
205 343.2 8 3 3
222 520.4 13 5 4
237 421.8 14 5 2
242 245.6 7 4 4
205 503.3 18 6 3
260 375.7 9 5 3
266 265.5 5 3 3
279 245.6 18 6 4
298 503.3 18 5 3
306 270.1 5 3 2
332 368.0 7 6 2
347 556.1 12 7 1
358 450.5 13 6 4
 ANEXO 21.1 Datos de territorios de ventas de los bolígrafos
Territorio Ventas (en Publicidad (anuncios televisivos por Número de representantes de Índice de eficiencia de
miles), Y mes) X1 ventas X2 mayoristas X3
306 318.5 8 4 3
370 260.2 6 3 2
391 667.0 16 8 2
408 618.3 19 8 2
412 525.3 17 7 8
370 332.2 10 4 3
442 393.2 12 5 3
467 283.5 8 3 3
412 376.2 10 5 4
488 481.8 12 5 2
ANEXO 21.1 Datos de territorios de ventas de los bolígrafos

donde Yi es el valor de ventas en el territorio i-ésimo, Xi1 es la intensidad de la publicidad en ese mismo territorio y ɛi es el error
relacionado con la observación i-ésima. Ésta es la forma del modelo que se usa en el análisis de regresión. El término de error es parte
del modelo. Representa el hecho de no incluir todos los factores en el modelo, que hay un elemento impredecible en el comportamiento
humano y que ocurren errores de medición.5 El modelo probabilístico considera el hecho de que el valor

Página 679
FIGURA 21.1 Diagramas de dispersión de ventas contra las variables de la mezcla de mercadotecnia
FIGURA 21.2 Relación entre Yy X1 en el modelo probabilistic

Y no está determinado de manera unívoca por un valor dado de Xi En vez de ello, lo único determinado por este último valor es el
“valor promedio” de Y. Cabe esperar que sus valores fluctúen en torno a ese promedio.

La solución matemática para encontrar la línea de ajuste óptimo del modelo probabilistic requiere de ciertos supuestos acerca de la
distribución del término de error. La recta de ajuste óptima podría definirse de maneras diversas. Es habitual considerar que es la línea
que minimiza la suma de desviaciones al cuadrado alrededor de la línea (la solución de cuadrados mínimos). Considere la figura 21.2 y
suponga que la línea trazada en la figura es una ecuación estimada. Use el acento circunflejo (^) para indicar un valor estimado y el
error en la observación z-ésima es la diferencia entre el valor real de

Página 680

Y, Yi, con el valor estimado de Y, Ŷi, es decir, ei = Y – Ŷi. La solución de cuadrados mínimos se basa en el principio de que la suma de
estos errores al cuadrado debe ser tan pequeña como resulte posible, es decir, que se debe minimizar
Las estimaciones de muestras â1 y β̂1 de los parámetros poblacionales verdaderos â1 y β1 se determinan para satisfacer esta
condición.

Son tres los supuestos simplificadores del término de error en la solución de cuadrados mínimos:

1. La media o valor promedio del término de error es cero.

2. La varianza del término de error es constante e independiente de los valores de la variable de predicción.
3. Los valores del término de error son independientes entre sí.

Dados estos supuestos, es posible despejar fórmulas para obtener estimaciones seguras de los parámetros poblacionales â1 la
intersección, y β la pendiente, pero es más usual calcularlos mediante computadora.6

Si se usan los datos del anexo 21.1 respecto de ventas (Y) y anuncios televisivos mensuales (X1), las estimaciones de â1 y β serían
135.4 y 25.3, respectivamente.7 La ecuación se representa gráficamente en la figura 21.3. La pendiente de la recta está dada por β1. El
valor de ésta, 25.3, hace suponer que las ventas aumentan en 25 300 dólares por cada unidad de aumento en los anuncios televisivos.
Como se mencionó, se trata del estimado de una condición poblacional verdadera basada en una muestra específica de 40
observaciones. Sin duda alguna, otra muestra distinta generaría un estimado diferente. Por añadidura, todavía no se ha planteado si se
trata de un resultado estadísticamente significativo o que podría haber ocurrido al azar. No obstante, es un elemento de información de
suma importancia, que ayuda a determinar si el gasto en publicidad vale su rendimiento esperado. El estimado del parámetro de
intersección es â1 = 135.4, lo cual indica dónde cruza la recta al eje Y, puesto que se trata del valor estimado de Y cuando la variable
de predicción es igual a cero.
FIGURA 21.3 Gráfica de la ecuación que relaciona las ventas con los anuncios televisivos

Página 681

Error estándar de la estimación

El examen de la figura 21.3 muestra que, a pesar de que la línea parece encajar razonablemente bien en los puntos, todavía existe
desviación de éstos en torno a ella. La magnitud de su desviación mide el ajuste. Es posible calcular una medición numérica de la
variación de los puntos alrededor de la línea, de manera similar al cálculo de la desviación estándar de una distribución de frecuencias.
Ŷ
Al igual que la media de la muestra es una estimación de la media verdadera de la población original, la recta dada por Ŷi = â1 + β1Xi1
+ ei es una estimación de la recta de regresión verdadera, Yi = â1 + β1Xi1 + ∊i. Considere la varianza del error aleatorio ∊ en torno a la
recta de regresión verdadera σ2∊ es decir, σY/X2. Cuando se desconoce la varianza poblacional σ2, una estimación sin sesgo está dada
por la raíz cuadrada de la desviación estándar de la muestra, ŝ, a saber:

En forma similar, suponga que sY/X2 es una estimación sin sesgo de la varianza poblacional alrededor de la recta de regresión, σY/X2.
Ahora bien, puede demostrarse que la estimación de la muestra de la varianza alrededor de la recta de regresión se relaciona con la
suma de los errores al cuadrado; de manera específica, es igual a:

donde n es nuevamente el tamaño de la muestra, y sY/X2, el estimador sin sesgo de σY/X2, con Yi y Ŷi como valores observado Y
estimado de Y para la observación i-ésima. La raíz cuadrada de esa cantidad, sY/X, se llama frecuentemente error estándar de la
estimación, si bien es más descriptivo el término desviación estándar de la regresión.

Error estándar de la estimación

Término usado en el análisis de regresión para referirse al valor absoluto de la variación en la variable de criterio, que se deja sin
explicación, o que no cuenta, en la ecuación de regresión ajustada.

La interpretación del error estándar de la estimación guarda paralelismo con el de la desviación estándar. Considere un valor Xiy. El
error estándar de la estimación significa que Yi (ventas) tiende a distribuirse en torno al valor Ŷi correspondiente –el punto en la recta–
con desviación estándar igual al error estándar de la estimación, con cualquier valor dado Xi1 de anuncios televisivos. Además, la
variación en torno a la línea es la misma en toda la longitud de la recta. La media aritmética, que es el punto en la recta, cambia al
hacerlo Xi1; pero la distribución de los valores Yi alrededor de la línea no se modifica con el número de anuncios televisivos. En la
figura 21.4 se muestra la situación en el supuesto de que el término de error tiene distribución rectangular, por dar un ejemplo.8 Note
que

FIGURA 21.4 Distribución rectangular del término de error

Página 682

el supuesto de sY/X constante sin importar el valor de Xi1 produce bandas paralelas en torno a la recta de bandas paralelas en torno a
la recta de regresión.
Cuanto menor sea el error estándar de la estimación, mayor será la coincidencia de la recta con los datos. En el caso de la recta
relacionada con las ventas y los anuncios televisivos se trata de sY/X = 59.6.

Inferencias acerca del coeficiente de pendiente

Se calculó anteriormente que el valor del coeficiente de pendiente β̂1 era 25.3. En dicho momento, no se planteó la pregunta de si el
resultado era estadísticamente significativo o aleatorio. Responder a dicha pregunta requiere un supuesto adicional, a saber, que los
errores se distribuyen de manera normal, no rectangular, como se había pensado. Empero, antes de continuar debe resaltarse que los
estimadores de cuadrados mínimos de los parámetros de la población original son los mejores estimadores lineales sin sesgo de los
parámetros poblacionales verdaderos, sin importar la forma de la distribución del término de error. Basta que se satisfagan los
supuestos previos. Éste es un resultado notable del teorema de Gauss-Markov. Se requieren supuestos de errores con distribución
normal sólo si se pretende elaborar inferencias estadísticas acerca de los coeficientes de regresión.

Puede demostrarse que si ∊1 son variables aleatorias de distribución normal, entonces β̂1 también tiene distribución normal. En otras
palabras, si se seleccionan muestras repetidas de la población de territorios de ventas y se calcula un valor de β̂1 para cada muestra, la
distribución de estas estimaciones seria normal y centrada en el parámetro poblacional verdadero β1. Por añadidura, es posible
demostrar que la varianza de la distribución de los valores β̂1 o σβ̂12, es igual a:

Puesto que es desconocida la población (σY/X2, tampoco se conoce σβ̂2 y se precisa estimarla. Esta estimación, que se denota como
sβ̂2, se genera al sustituir σY/X con el error estándar de la estimación sY/X:
Hasta este punto, la situación es la siguiente: dado el supuesto de errores de distribución normal, β̂1 también tiene distribución normal,
con media β1, y varianza a σβ̂2 desconocida. Puesto que se carece de la varianza de la distribución de la muestra, es necesario usar
un procedimiento similar al utilizado cuando se derivó una inferencia de la media con desconocimiento de la varianza poblacional. Ese
conjunto de condiciones requiere una prueba t para examinar la significancia estadística. La prueba de significancia de β1 tiene un
requisito similar. La hipótesis nula consiste en la ausencia de relación lineal entre las variables y la hipótesis alternativa, si existe tal
relación, es decir:

H0: β1 =0

Hα β1 ≠ 0

El estadístico de prueba es t = (β̂1 – β̂1)/sβ̂1, es decir, la pendiente estimada a partir de la muestra menos la pendiente hipotética,
resultado que se divide entre el error estándar de la estimación que tiene distribución t con n – 2 grados de libertad. En el ejemplo:

Página 683

Con un nivel de significancia de 0.05, el valor de t en tablas con v = n - 2 = 38 grados de libertad es 2.02. Puesto que el valor calculado
de t excede su valor crítico, se rechaza la hipótesis nula; β̂1 difiere de cero en grado suficiente para justificar el supuesto de la relación
lineal entre las ventas y anuncios televisivos. Ahora bien, ello no significa que esa relación en verdad sea necesariamente lineal, sino
sólo que la evidencia indica que Y (ventas) cambia al hacerlo X1 (anuncios televisivos) y que si se usan X1y la ecuación lineal podría
tenerse una predicción de Y mejor que en caso de simplemente omitir X1.

¿Qué pasa si no se rechaza la hipótesis nula? Como se señaló, β̂1 es la pendiente de la recta supuesta sobre la región de observación
e indica el cambio lineal en Y con el cambio de una unidad en X1. Que no se rechace la hipótesis nula, de que β̂1 = 0, no significa que
sea inexistente la relación de Y y X1. Son dos las posibilidades. En primer término, simplemente podría ser que se cometa un error de
tipo II al no rechazar una hipótesis nula falsa. En segundo lugar, sería factible que Y y X1 tengan una relación curvilínea perfecta y que
se haya escogido el modelo incorrecto para describir la situación verdadera.

Coeficiente de correlación
Hasta este punto, se ha analizado la relación funcional de Y con X. Suponga que también interesa la intensidad de la relación lineal
entre esas dos variables, lo cual lleva al concepto de coeficiente de correlación. Se partió de dos supuestos adicionales al analizar el
modelo de correlación. El primero, que Xi es una variable aleatoria. Una observación de muestra permite obtener valores de Xi y Yi. El
segundo, que las observaciones provienen de una distribución normal de dos variables, es decir, una en que la variable X tiene
distribución normal, al igual que la variable Y.

Coeficiente de correlación

Término usado en el análisis de regresión para designar la fuerza de la relación lineal entre las variables de criterio y predictivas.

Ahora bien, considere la representación gráfica de una muestra de n observaciones, de una distribución normal de dos variables. Sea p
la fuerza de la relación lineal entre dos variables en la población original, y r la estimación de la muestra de p. Suponga también que la
muestra de n observaciones genera
FIGURA 2 1.5 Dispersión de puntos de una muestra de n observaciones

Página 684

la dispersión de puntos que se presenta en la figura 21.5 y divida la figura en cuatro cuadrantes, que se forman al trazar líneas
perpendiculares a los ejes x̄ y ȳ.

Considere las desviaciones de estos bisectores. Tome cualquier punto P con coordenadas (Xi, Yi) y defina las desviaciones:

xi = Xi – x̄

yi = Yi – ȳ

donde las minúsculas indican desviaciones en torno a una media. Está claro, con la observación de la figura 21.5, que el producto Xiyi
es:

Positivo en cualquier punto del cuadrante I

Negativo en cualquier punto del cuadrante II
 Positivo en cualquier punto del cuadrante III
Negativo en cualquier punto del cuadrante IV

Por ende, parecería que es factible usar la cantidad

como medición de la relación lineal entre X y Y, y:

Si la relación es positiva, de modo que gran parte de los puntos se sitúa en los cuadrantes I y III,

tiende a ser positiva.

Si la relación es negativa, con muchos de los puntos en los cuadrantes II y III,

tiende a ser negativa.

Si no existe relación entre Xy Y, los puntos se dispersan en los cuatro cuadrantes y

tiende a ser muy pequeña.

No obstante lo anterior, la cantidad

tiene dos defectos como medida de la relación lineal entre Xy Y. El primero, que se puede incrementar arbitrariamente con la inclusión
de más observaciones, es decir, al incrementar el tamaño de la muestra. El segundo, que también puede recibir influencia arbitraria del
cambio en la unidad de medición de X, Y o ambas, por ejemplo, al cambiar de metros a centímetros. Estos defectos pueden eliminarse
al hacer que la medición de la fuerza de la relación lineal sea una cantidad sin dimensiones y dividir entre n. El resultado es el
coeficiente de correlación pear-soniano o de producto-momento, a saber:
donde sX es la desviación estándar de la variable X, y sy, la desviación estándar de la variable Y.

El coeficiente de correlación calculado a partir de los datos de la muestra es un estimado del parámetro de la población original p, y
una parte del trabajo del investigador es usar r para poner a prueba hipótesis acerca de p. Ello resulta innecesario en el ejemplo, ya
que la prueba de la hipótesis nula Ho: β1 = 0 es equivalente a la prueba de la hipótesis nula Ho: β = 0. En virtud de que ya se realizó
esta última prueba, la evidencia de la muestra lleva al rechazo de la hipótesis de que no existe relación lineal entre las ventas y los
anuncios televisivos, es decir, al rechazo de Ho: p = 0.

El coeficiente de correlación de producto-momento puede variar de – 1 a +1. La correlación positiva perfecta, en que un aumento dado
de X determina con exactitud otro de Y, tiene coeficiente +1. La correlación negativa perfecta, en que un incremento de X determina
exactamente una disminución de Y, produce un coeficiente –1. En la figura 21.6 se ilustran estas situaciones y otros diagramas de
dispersión y sus coeficientes de correlación respectivos. El examen de estos diagramas brinda cierta apreciación de la magnitud del
coeficiente de correlación relacionado con un grado de dispersión específico.

Página 685
FIGURA 21.6 Ejemplos de diagramas de dispersión y sus coeficientes de correlaciónFuente: Ronald. E. Frank, Alfred A. Kuehn y
William F. Massy, Quantitative Techniques in Marketing Analysis, Homewood, IL., Richard D. Irwin, 1962, p. 71. Reproducido con
autorización.

El cuadrado del coeficiente de correlación es el coeficiente de determinación. Ciertas manipulaciones algebraicas permiten demostrar
que es igual a:

Coeficiente de determinación
Término usado en el análisis de regresión para denotar la proporción relativa de la variación total en la variable de criterio que puede
explicarse mediante la ecuación de regresión ajustada.

es decir, r2 = 1 menos el error estándar del estimado al cuadrado, dividido entre la varianza de la muestra de la variable de criterio. A
falta de variable de predicción, el mejor estimado de la variable de criterio sería la media de la muestra. Si hubiera poca variabilidad en
las muestras de un territorio a otro, la media de la muestra sería un buen estimado de las ventas esperadas en cualquier territorio.
Empero, la variabilidad considerable haría que fuese una estimación deficiente. Así, la varianza de las muestras, sY 2, es una medición
del grado de “deficiencia” de ese procedimiento de estimación. La introducción de la covariable X podría mejorar los estimados de las
ventas por territorio. Ello depende

Página 686

de cuan bien se adecué la ecuación a los datos. Puesto que sY/X 2 mide la dispersión de los puntos en tomo a la recta de regresión,
puede considerarse que es una medición de cuan “deficiente” es un procedimiento de estimación que toma en cuenta la covariable.
Ahora bien, si sY/X2 es de poca cuantía en relación con sY/X 2, sería factible afirmar que añadir la covariable mediante la ecuación de
regresión mejora sustantivamente las predicciones de la variable de criterio, las ventas. A la inversa, cuando sY/x2 es
aproximadamente igual a sY/X 2, se consideraría que agregar la covariable X no sirve para mejorar las predicciones de Y. Por tanto, la
proporción sY/X 2/sY 2 se conceptuaría como la proporción de la variación que no se explica con la recta de regresión dividida entre la
variación total, es decir:

El miembro derecho de esta ecuación puede combinarse en una sola fracción, de modo que se tenga:
Al restar la variación inexplicada de la variación total, queda la “variación explicada”, o sea, la variación de Y que se explica con la
inclusión de X. De tal suerte, puede considerarse que el coeficiente de determinación es igual a:

donde se entiende que la variación total se mide con la varianza de Y. En el ejemplo de las ventas y anuncios televisivos, r2 = 0.77. Ello
significa que 77% de la variación en las ventas de un territorio a otro se explica con la variación de la publicidad televisiva entre
territorios. Por consiguiente, la estimación de las ventas en un territorio es mejor si se toman en cuenta los anuncios televisivos que al
hacer caso omiso de esa actividad publicitaria.

Texto completo: COPYRIGHT 2003 International Cengage Editores, S.A. de C.V.

Cita de fuente (MLA 8.a edición)
Churchill, Gilbert6 A., Jr. "Análisis de Correlación y de Regresión Simple." Investigación de mercados, 4th ed., Cengage Learning, 1999,
pp. 675-686. Gale Ebooks, https://link.gale.com/apps/doc/CX4058900232/GVRL?u=unad&sid=GVRL&xid=a2479593. Accessed 6
Nov. 2019.

Número de documento de Gale: GALE|CX4058900232