UBA Prof.

René Castro Psicología

Regresión Simple - Estrés1 vs. Afront1

Ejemplo: A continuación se presentan los datos de un estudio cuyo objetivo fue investigar el efecto de las estrategias de afrontamiento (X) de los
sujetos sobre su nivel de estrés (Y), además de tratar de establecer si existe relación estadísticamente significativa entre estas dos variables.
En los siguientes apartados veremos cómo obtener el valor de los dos coeficientes del modelo predictivo de regresión lineal (lo que se conoce
como el ajuste o identificación del modelo), cómo utilizarlo para realizar predicciones en “Estrés” a partir del valor de “Afrontamiento” de los
sujetos, y cómo valorar la calidad de dichas predicciones (lo que se conoce como el análisis de la bondad de ajuste o capacidad predictiva del
modelo).

Pasos:
1- Identifica y clasifica las variables involucradas (tipo y escala).
2 – Si la función es una curva, que transformación se requiere y porqué?. Explicar.
3 - Obtener la tabla X, Y, XY, X2, Y2 y sus correspondientes sumatorias.
4 - Presentar la hipótesis del investigador (Hi).
5 – Presentar la ecuación de Pearson y explicar sus variables.
6 - Obtener rxy. Clasificar la magnitud de este valor según la tabla o escala vista en clase.
7 - Obtener R2. Explicar y aplicar este concepto al problema planteado.
8 – Establecer la significación del rxy. Plantear Ho y H1. para esta prueba. Obtener t tabla crítico para α=0,05..
9 - Diga si acepta o rechaza Ho. Explicar e interpretar estos resultados.
10 – Como alternativa, establecer los valores críticos par el coeficiente de correlación. Determinar si el rxy es significativo o nó.

En la tabla inferior se muestran las puntuaciones recogidas a partir de una muestra de 10 sujetos en una escala observacional de estrés y en un test
orientado a evaluar la utilización de mecanismos de afrontamiento. El rango de puntuaciones en ambas variables puede oscilar entre 0 a 60,
significando puntuaciones más altas mayor estrés y mayor capacidad de utilización de mecanismos de afrontamiento, respectivamente.

Variable dependiente o variable de respuesta, criterio o Y): Estrés1 variable cuantitativa discreta intervalo.
Variable independiente o variable explicativa, predictora o X): Afront1 variable cuantitativa discreta intervalo.

Tabla de datos:
Afrontamiento (X) Estrés (Y)
# Sujeto
Técnicas Nivel
1 8 55,0
2 11 47,0
3 17 43,0
4 25 41,0
5 30 40,0
6 35 39,0
7 40 39,0
8 45 39,0
9 50 38,0
10 55 38,0

A continuación se presenta la gráfica de los datos crudos o sin transformar:

Psicoestadística Página 1
 UBA Prof. René Castro Psicología

Afrontamiento vs Estres (sin log)

60,0

Series1
55,0
Estres (Y)
50,0
y = -0,2752x + 50,598
R² = 0,6989
45,0

40,0

35,0
0 10 20 30 40 50 60

Afrontamiento (X)
Debido a que la gráfica de la función es una curva, se emplea la transformación log/log para transformar la curva en una recta, a fin de emplear la
correlación de Pearson (la cual solo se puede emplear en funciones lineales o rectas) para estimar la relación entre las técnicas de afrontamiento
empleadas por los sujetos y el nivel de estrés obtenido. Modelo predictivo de regresión seleccionado: Multiplicativo: Y = a*X^b.

# Afrontamiento (X) Estrés (Y)

log X Log Y Log X * log Y (logX)² (logY)²
Sujeto
Técnicas Nivel
1 8 55,0 0,9031 1,7404 1,5717 0,8156 3,0289
2 11 47,0 1,0414 1,6721 1,7413 1,0845 2,7959
3 17 43,0 1,2304 1,6335 2,0099 1,5140 2,6682
4 25 41,0 1,3979 1,6128 2,2546 1,9542 2,6011
5 30 40,0 1,4771 1,6021 2,3664 2,1819 2,5666
6 35 39,0 1,5441 1,5911 2,4567 2,3841 2,5315
7 40 39,0 1,6021 1,5911 2,5490 2,5666 2,5315
8 45 39,0 1,6532 1,5911 2,6304 2,7331 2,5315
9 50 38,0 1,6990 1,5798 2,6840 2,8865 2,4957
10 55 38,0 1,7404 1,5798 2,7494 3,0289 2,4957
∑ 14,2887 16,1935 23,0134 21,1494 26,2466

n= 10 10

= 1,4289 1,6194

S²= 0,0733 0,0023

S²(excel)= 0,0733 0,0023

En la siguiente gráfica podemos ver los datos crudos representando una gráfica tipo función. En la siguiente se aprecia el efecto de la transformación
logarítmica en la línea de la función recta.

Psicoestadística Página 2
 UBA Prof. René Castro Psicología

LogX (Afront.) vs. Log Y (Estrés)

1,76
1,74 Log Y (Estrés)
1,72 y = -0,1706x + 1,8631
1,70 R² = 0,9075
1,68
Lo Y (Estrés)

1,66
1,64
1,62
1,60
1,58
1,56
1,54
0,8800 1,0800 1,2800 1,4800 1,6800 1,8800
Log X (Afront.)
Este tipo de modelo correlacional se conoce como:
a) calculadora CASIO: regresión de potencia Y=A*X^B. Este modelo usa el log neperiano o natural (ln) para el cálculo.
b) Statgraphics modelo multiplicativo Y = A*X ^B. Este modelo usa el log neperiano (ln) para el cálculo.
Esta gráfica indica que la relación es inversamente proporcional, ya que al incrementar los valores de afrontamiento (X), disminuyen los valores
de estrés (Y), por eso el valor de rxy tiene un signo negativo.
Ya que se desea establecer si existe asociación o relación (correlación) estadísticamente significativa entre las variables estudiadas: la variable
dependiente, respuesta, criterio o Y: Estrés1 y la variable independiente, explicativa, predictora o X: Afrontamiento 1, las cuales son independientes
entre si y solo se tomaron/muestrearon/captaron una sola vez por grupo, las dos variables son cuantitativas discretas nivel de medida intervalo, ambas
variables tienen una relación de tipo lineal y no curva gracias a la transformación logarítmica efectuada, puede emplearse el coeficiente producto
momento de Pearson para establecer el tipo de relación.
La hipótesis del investigador sería:

Si los mecanismos de afrontamiento empleados por los sujetos tienen efecto sobre los niveles observacionales de estrés, entonces en una muestra
probabilística de 10 sujetos se encontrará relación estadísticamente significativa (P>0,05) entre los mecanismos de afrontamiento empleados por los
sujetos y los niveles observacionales de estrés.

Cálculo del coeficiente de Pearson:

(∑ ) (∑ )
∑
(∑ ) (∑ )
√[∑ ] [∑ ]

Σx = sumatoria log X o Afrontamiento (VI)

Σy = sumatoria log Y o Estrés (VD)
Σxy = sumatoria del producto de log X por log Y
o (log Afrontamiento (VI) x log Estrés (VD))
Σx2 = sumatoria log X2 o log Afrontamiento cuadrático (VI)
Σy2 = sumatoria log Y2 o Estrés cuadrático (VD)

Cálculos de rxy:

Psicoestadística Página 3
 UBA Prof. René Castro Psicología

( )( )
∑
( ) ( )
√[ ][ ]

√[ ][ ]

√[ ][ ]

= -0,9526

(Para mayor exactitud, los cálculos de esta guía se realizan mediante el programa Excel, trabajando con 12 decimales, si usted trabaja
con solo 4 decimales, puede presentarse alguna variación en los últimos decimales).

También podemos usar la ecuación equivalente:

∑ ̅

∑ ∑
√ ̅ √ ̅

∑ ̅

√∑ ̅ √∑ ̅

Σ ̅ = media de los log X o Afrontamiento (VI)

Σ ̅ = media de los log Y o Estrés (VD)
Σxiyi = sumatoria del producto de log X por log Y
o (log Afrontamiento (VI) x log Estrés (VD))
Σx2 = sumatoria log X2 o log Afrontamiento cuadrático (VI)
Σy2 = sumatoria log Y2 o Estrés cuadrático (VD)
N= número de pares de datos

Sustituyendo valores tenemos:

( )

√ ( ) √ ( )

Psicoestadística Página 4
 UBA Prof. René Castro Psicología

√ √

Diversos autores expresan escalas de interpretación de este coeficiente de correlación, las cuales se ofrecen a continuación:

Escala 1: El coeficiente de correlación oscila entre –1 y +1, el valor 0 que indica que no existe asociación lineal entre las dos variables
en estudio.

Escala 2: Escala 3:
Correlación negativa perfecta………………………….. -1 1) Perfecta R = 1
Correlación negativa fuerte moderada débil…………… -0,5 2) Excelente R = 0.9 < = R < 1
Ninguna correlación……………………………………. 0 3) Buena R = 0.8 < = R < 0.9
Correlación positiva moderada Fuerte…………………. +0,5 4) Regular R = 0.5 < = R < 0.8
Correlación positiva perfecta…………………………... + 1 5) Mala R < 0.5 (6)

Escala 4: Rango Relación Escala 5: Rango Relación

0 – 0,25: Escasa o nula 0 – 0,20: Baja o nula
0,26-0,50: Débil 0,21-0,40: media baja
0,51- 0,75: Entre moderada y fuerte 0,41-0,60 Media
0,76- 1,00: Entre fuerte y perfecta 0,61- 0,80: Media alta
0,81- 1,00: Buena a Excelente

Estas escalas indican que el nivel de esta relación es excelente o muy buena.

Coeficiente de determinación (R2)

El coeficiente de determinación (R2), también llamado reducción proporcional del error (y también proporción de varianza
explicada), representa la proporción de varianza de Y explicada por las variables implicadas en el modelo de regresión ajustado a los
datos (X en el modelo de regresión lineal simple). En cuanto que una razón, este coeficiente oscilará siempre entre 0 y 1, de modo que
cuanto más próximo sea R2 a 1, indicará mejor bondad de ajuste del modelo de regresión a la distribución conjunta de las variables. Si
R2 es igual a 1, el ajuste será perfecto.
Destacar que, en el caso del modelo de regresión lineal simple, el coeficiente de determinación puede ser también calculado
elevando al cuadrado el coeficiente de correlación de Pearson entre la variable predictora y la variable de respuesta →R2=rxy2, lo cual
puede facilitar enormemente el cálculo de R2 si se conoce rxy.
R2= (rxy)2= ( ) = 0,9075
Esta es la proporción (90,75%) de la variación en la variable dependiente Y estrés que puede ser explicada por el efecto de la
variable independiente X afrontamiento según el modelo empleado, en este caso, el modelo multiplicativo. El 9,24% restante no puede
explicarse por el modelo multiplicativo, y se afirma que es debido al efecto de otras variables, las cuales pueden ser intervinientes o
interfirientes, como variables sociodemográficas (edad, sexo, raza, nivel socio económico, nivel educativo, etc.), así como tipo de
personalidad (A/B), asertividad, extroversión, introversión, etc.. Mientras este valor sea mayor, el modelo empleado (lineal), se ajusta
más a la nube de puntos obtenidos empíricamente, por esto, puede predecir mejor cualquier valor o relación existente entre las variable
X/Y.
Dicho de otra forma, el coeficiente de determinación (R2) mide la proporción o porción de variación que es explicada por la
variable independiente del modelo de regresión empleado, en este caso, es el modelo denominado multiplicativo, en el se transforman
los valores de X/Y a logaritmo decimal. Para el problema del nivel de Estrés, R2 es igual a 0,9075.
Por tanto, 90,75% de la variación del nivel de estrés (Y, VD) puede explicarse mediante la variabilidad en los valores de
Afrontamiento entre los sujetos estudiados (X, VI). Este es un ejemplo de que existe una fuerte relación lineal entre las dos variables

Psicoestadística Página 5
 UBA Prof. René Castro Psicología
(bajo el modelo seleccionado), puesto que el uso de un modelo de regresión a reducido la variabilidad en la predicción del nivel de
estrés (Y VD) en 90,75%. Solamente 9,24% de la variabilidad de la muestra de los sujetos que presentan el nivel de estrés detectado
(Y, VD) puede explicarse mediante factores diferentes a los del modelo de regresión lineal seleccionado.
En la página 11 de esta guía se muestra una tabla denominada Comparación de modelos alternos, con algunos de los distintos
modelos de regresión que pueden aplicarse a este problema. Esto representa otro uso importante de R 2, y es que permite comparar
cuantitativamente, cuál de estos modelos se ajusta mejor a los datos con los que se está trabajando, ya que a un mayor R 2, se observará
un mejor ajuste del modelo de regresión a los datos del problema estudiado. En este caso, el modelo de regresión que mejor se ajusta a
los datos de este problema es el denominado doble inverso, ya que presenta una correlación de -0,9964 y una R2 de 0,9928 o 99,28%.

Significación del coeficiente de correlación

Una vez calculado el valor del coeficiente de correlación interesa determinar si tal valor obtenido muestra que las variables X e Y
están relacionadas en realidad o tan solo presentan dicha relación como consecuencia del azar. En otras palabras, nos preguntamos por
la significación de dicho coeficiente de correlación.
Un coeficiente de correlación se dice que es significativo si se puede afirmar, con una cierta probabilidad, que es diferente de cero.
Más estrictamente, en términos estadísticos, preguntarse por la significación de un cierto coeficiente de correlación no es otra cosa que
preguntarse por la probabilidad de que tal coeficiente proceda de una población cuyo valor sea de cero. A este respecto, como siempre,
tendremos dos hipótesis posibles:

Ho: rxy = 0 El coeficiente de correlación obtenido procede de una población cuya correlación es cero (ρ = 0 ) o no existe
relación entre las variables estudiadas.
H1 : rxy ≠ 0 El coeficiente de correlación obtenido procede de una población cuyo coeficiente de correlación es distinto de cero
(ρ≠ 0 ) o existe relación entre las variables estudiadas.

Desde el supuesto de la Hipótesis nula se demuestra que la distribución muestral de correlaciones procedentes de una población
caracterizada por una correlación igual a cero (ρ = 0) sigue una ley de Student con N-2 grados de libertad, de media el valor
poblacional y desviación tipo:

En consecuencia, dado un cierto coeficiente de correlación rxy obtenido en una determinada muestra se trata de comprobar si dicho
coeficiente es posible que se encuentre dentro de la distribución muestral especificada por la Hipótesis nula. A efectos prácticos, se
calcula el número de desviaciones tipo que se encuentra el coeficiente obtenido del centro de la distribución, según la fórmula
conocida:

y se compara el valor obtenido con el existente en las tablas para un cierto nivel de significación α y N-2 grados de libertad t(α, N−2), que
como se sabe, marca el límite (baja probabilidad de ocurrencia, según la Hipótesis nula) de pertenencia de un cierto coeficiente rxy a
la distribución muestra de correlaciones procedentes de una población con ρ = 0 . De esta forma si:

t >t(α, N−2), Se rechaza la Hipótesis nula. La correlación obtenida no procede de una población cuyo valor ρxy = 0. Por tanto las
variables están relacionadas.

t <= t (α, N−2), Se acepta la Hipótesis nula. La correlación obtenida procede de una población cuyo valor ρ xy = 0 . Por tanto ambas
variables no están relacionadas.

Determinar la significación del coeficiente de correlación del ejemplo visto. Apliquemos la ecuación vista anteriormente:

√ ( )

Psicoestadística Página 6
 UBA Prof. René Castro Psicología
Buscamos en la tabla de t de Student para α = 0.05 y 10-2 = 8 grados de libertad, tal como se observa a continuación: t tabla (0,05, 8) =
±2,306 (para dos colas).
Comparamos el valor t obtenido con el de las tablas:
(t calculado) 8,8564 > (t tabla) 2,306
Rechazamos la Hipótesis nula con un riesgo (máximo) de equivocarnos de 0.05. La correlación obtenida no procede de una población
caracterizada. por una correlación de cero. Concluimos, pues, que ambas variables están relacionadas.

Valores críticos para coeficientes de correlación.

Estas tablas reportan valores críticos para coeficientes de correlación producto momento r y para múltiples coeficientes de
correlación rxy. Estos están dados para cualquier grado de libertad entre v = 1 y v = 30 y algunos valores de libertad entre v = 30 y v =
1000. Esta tabla se emplea para probar las hipótesis nulas de los coeficientes de correlación de una población de la cual la muestra es
tomada como cero. Bajo estas condiciones la siguiente prueba de significación de la t de Student para los coeficientes de correlación
producto momento rxy tiene la siguiente fórmula:

T = r / [ (1 - r2 ) / (n - 2) ] 1/2 = r [ (n - 2) / (1 - r) ] 1/2

donde v = n - 2

√
√

Siendo n el tamaño de la muestra o el número de pares de datos. El valor crítico en la tabla se calculó colocando el valor
correcto de t α[v] y n en la ecuación anterior y resolviendo para r. El valor crítico para el coeficiente de correlación múltiple se basó en
una fórmula diferente que empleó la distribución F.

Para aplicar el test de significación del coeficiente de correlación, el tamaño de la muestra n debe ser conocido. Úselo para
conocer el número de grados de libertad empleando la fórmula v = (n – 2). Después, en la tabla, consulte la primera columna titulada
“variable independiente”. Por ejemplo, para una muestra de tamaño n = 28 y v = 28 – 2 = 26, el valor crítico de r es 0,374 a 5% (0,05)
y 0,478 para un nivel de 1% (0,01). Entonces, si el coeficiente de correlación obtenido en la muestra de 28 observaciones pareadas es
de 0,31; se puede concluir que la correlación existente entre las variables no es significativamente distinta o diferente de cero. Las
correlaciones negativas se consideran positivas para los propósitos de este test. Las hipótesis a comprobar son:

Ho: p = 0 (No hay relación.)

H1: p ≠ 0 (Hay relación.)
Las condiciones serían:

rxy cal >rxy tabla(α, N−2), Se rechaza la Hipótesis nula. La correlación obtenida no procede de una población cuyo valor
ρxy = 0. Por tanto las variables están relacionadas.
rxycal <= rxy tabla(α, N−2), Se acepta la Hipótesis nula. La correlación obtenida procede de una población cuyo valor ρxy
= 0 . Por tanto ambas variables no están relacionadas.

Las otras tres columnas dan valores críticos de coeficientes de correlación cuando se estudian 2, 3, y 4 variables independientes.
Los grados de libertad para tales problemas se calculan usando v = n – m, donde n es el tamaño de la muestra y m es el número de
variables, m incluye ambas variables, tanto dependiente como independiente. Entonces, con una muestra con 50 mediciones, un valor
R = 0,42 y cuatro variables estudiadas, (una dependiente y tres independientes), uno puede concluir que es significante a P = 0,05 pero
no a P = 0,01. Con exactitud, los grados de libertad son 50 – 4 = 46, y el cálculo requiere interpolación, pero como estas conclusiones
son verdaderas tanto a v = 45 como a v = 50, sin importar el correcto valor de los grados de libertad (v), en realidad uno no necesita
interpolar.

Psicoestadística Página 7
 UBA Prof. René Castro Psicología

Valores críticos del coeficiente de correlación

Número de
Variables independientes

v α 1 2 3 4

1 .05 .997 .999 .999 .999

.01 1.000 1.000 1.000 1.000
2 .05 .950 .975 .983 .987
.01 .990 .995 .997 .998
3 .05 .878 .930 .950 .961
.01 .959 .976 .983 .987
4 .05 .811 .881 .912 .930
.01 .917 .949 .962 .970
5 .05 .754 .836 .874 .898
.01 .874 .917 .937 .949
6 .05 .707 .795 .839 .867
.01 .834 .886 .911 .927
7 .05 .666 .758 .807 .838
.01 .798 .855 .885 .904
8 .05 .632 .726 .777 .811
.01 .765 .827 .860 .882
9 .05 .602 .697 .750 .786
.01 .735 .800 .836 .861

Ya que rxy cal =0,9526 > rxy tabla = 0,632 Se rechaza la Hipótesis nula. La correlación obtenida no procede de una población cuyo
valor ρxy = 0. Por tanto las variables están relacionadas y se afirma que existe correlación estadísticamente significativa.

A continuación se presentan los resultados obtenidos del paquete estadístico Statgraphys Centurion XV para los datos estudiados
en este problema.

STATGRAPHICS CENTURION XV:

Coeficientes
Mínimos Cuadrados Estándar Estadístico
Parámetro Estimado Error T Valor-P
Intercepto 23,1263 2,23977 10,3253 0,0000
Pendiente -5,31987 0,600415 -8,86033 0,0000

NOTA: intercepto = ln(a)

Análisis de Varianza
Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Modelo 3,526 1 3,526 78,51 0,0000
Residuo 0,359313 8 0,0449141
Total (Corr.) 3,88531 9

Psicoestadística Página 8
 UBA Prof. René Castro Psicología
Coeficiente de Correlación = -0,952639
R-cuadrada = 90,752 porciento
R-cuadrado (ajustado para g.l.) = 89,596 porciento
Error estándar del est. = 0,21193
Error absoluto medio = 0,172748
Estadístico Durbin-Watson = 0,923549 (P=0,0093)
Autocorrelación de residuos en retraso 1 = 0,360291

El StatAdvisor
La salida muestra los resultados de ajustar un modelo predictivo multiplicativo para describir la relación entre Estrés1 y Afront1. La ecuación del
modelo predictivo ajustado es

Estrés1 = exp(23,1263 - 5,31987*ln(Afront1))

ln(Estrés1) = 23,1263 - 5,31987*ln(Afront1)

Puesto que el valor-P en la tabla ANOVA es menor que 0,05, existe una relación estadísticamente significativa entre Estrés1 y Afront1 con un
nivel de confianza del 95,0%.

El estadístico R-Cuadrada indica que el modelo predictivo ajustado explica 90,752% de la variabilidad en Estrés1. El coeficiente de correlación
es igual a -0,952639, indicando una relación relativamente fuerte entre las variables. El error estándar del estimado indica que la desviación estándar
de los residuos es 0,21193. Este valor puede usarse para construir límites de predicción para nuevas observaciones, seleccionando la opción de
Pronósticos del menú de texto.

El error absoluto medio (MAE) de 0,172748 es el valor promedio de los residuos. El estadístico de Durbin-Watson (DW) examina los residuos
para determinar si hay alguna correlación significativa basada en el orden en el que se presentan en el archivo de datos. Puesto que el valor-P es
menor que 0,05, hay indicación de una posible correlación serial con un nivel de confianza del 95,0%. Grafique los residuos versus el número de fila
para ver si hay algún patrón que pueda detectarse.

Gráfico del Modelo Ajustado

Estrés1 = exp(23,1263 - 5,31987*ln(Afront1))
60

50

40
Estrés1

30

20

10

0
38 41 44 47 50 53 56
Afront1

Análisis de Varianza con Carencia de Ajuste

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Modelo 3,526 1 3,526 78,51 0,0000
Residuo 0,359313 8 0,0449141
Carencia de Ajuste 0,32315 5 0,0646301 5,36 0,0988
Error Puro 0,0361628 3 0,0120543
Total (Corr.) 3,88531 9

El StatAdvisor

Psicoestadística Página 9
 UBA Prof. René Castro Psicología
La prueba de Falta de Ajuste está diseñada para determinar si el modelo predictivo seleccionado es adecuado para describir los datos observados,
ó si se debería utilizar un modelo predictivo más complicado. La prueba se realiza comparando la variabilidad de los residuos del modelo predictivo
actual con la variabilidad entre observaciones hechas en valores repetidos de la variable independiente X. Puesto que el valor-P para la carencia de
ajuste en la tabla ANOVA es menor que 0,05, el modelo predictivo parece ser adecuado para los datos observados con un nivel de confianza del
95,0%.

Gráfico de Estrés1

60

50

40
observado

30

20

10

0
0 10 20 30 40 50 60
predicho

Valores Predichos
95,00% 95,00%
Predicciones Límite Predicción Límite Confianza
X Y Inferior Superior Inferior Superior
38,0 43,5886 25,7114 73,8958 35,7054 53,2123
55,0 6,09695 3,20998 11,5804 4,02369 9,2385

El StatAdvisor
Esta tabla muestra los valores predichos para Estrés1 usando el modelo predictivo ajustado. Además de las mejores predicciones, la tabla muestra:

(1) intervalos de previsión del 95,0% para las nuevas observaciones

(2) intervalos de confianza del 95,0% para la media de varias observaciones

Los intervalos de predicción y de confianza corresponden a las cotas internas y externas en la gráfica del modelo predictivo ajustado.

Psicoestadística Página 10
 UBA Prof. René Castro Psicología

Gráfico de Residuos
Estrés1 = exp(23,1263 - 5,31987*ln(Afront1))
5,5

Rediduo Estudentizado
3,5

1,5

-0,5

-2,5

-4,5
38 41 44 47 50 53 56
Afront1

Comparación de Modelos Alternos

Modelo Correlación R-Cuadrada
Doble Inverso -0,9964 99,28%
Inversa-Y Log-X 0,9942 98,85%
Inversa-Y Raíz Cuadrada-X 0,9921 98,42%
Inversa de Y 0,9892 97,85%
Inversa-Y Cuadrado-X 0,9815 96,33%
Curva S 0,9662 93,35%
Multiplicativa -0,9526 90,75%
Logarítmico-Y Raíz Cuadrada-X -0,9449 89,29%
Exponencial -0,9366 87,73%
Raíz Cuadrada-Y Inversa de X 0,9295 86,39%
Log-Y Cuadrado-X -0,9185 84,36%
Raíz Cuadrada-Y Log-X -0,9110 82,99%
Raíz Cuadrada Doble -0,9009 81,16%
Raíz Cuadrada de Y -0,8903 79,27%
Inversa de X 0,8826 77,89%
Raíz Cuadrada-X Cuadrado-X -0,8679 75,33%
Logaritmo de X -0,8602 73,99%
Raíz Cuadrada deX -0,8483 71,96%
Lineal -0,8360 69,89%
Cuadrado de X -0,8105 65,69%
Cuadrado-Y Inversa de X 0,7809 60,97%
Cuadrado-Y Log-X -0,7541 56,86%
Cuadrado-Y Raíz Cuadrada-X -0,7402 54,79%
Cuadrado de Y -0,7261 52,72%
Cuadrado Doble -0,6975 48,65%
Logístico <sin ajuste>
Log probit <sin ajuste>

El StatAdvisor
Esta tabla muestra los resultados de ajustar varios modelos curvilíneos a los datos. De los modelos ajustados, el modelo predictivo doble inverso es
el que arroja el valor más alto de R-Cuadrada con 99,2844%. Este es 8,53238% mayor que el modelo predictivo multiplicativo seleccionado. Para
cambiar los modelos, seleccione el cuadro de diálogo de las Opciones de Análisis.

Psicoestadística Página 11
 UBA Prof. René Castro Psicología

Gráfico de Residuos
Estrés1 = exp(23,1263 - 5,31987*ln(Afront1))
5,5

Rediduo Estudentizado
3,5

1,5

-0,5

-2,5

-4,5
0 10 20 30 40 50
predicho Estrés1

Residuos Atípicos
Predicciones Residuos
Fila X Y Y Residuos Studentizados
1 55,0 8,0 6,09695 1,90305 4,48

El StatAdvisor
La tabla de residuos atípicos enlista todas las observaciones que tienen residuos Estudentizados mayores a 2, en valor absoluto. Los residuos
Estudentizados miden cuántas desviaciones estándar se desvía cada valor observado de Estrés1 del modelo predictivo ajustado, utilizando todos los
datos excepto esa observación. En este caso, hay un residual Estudentizado mayor que 3. Es conveniente examinar detenidamente las observaciones
con residuos mayores a 3 para determinar si son valores aberrantes que debieran ser eliminados del modelo predictivo y tratados por separado.

Gráfico de Residuos
Estrés1 = exp(23,1263 - 5,31987*ln(Afront1))
5,5
Rediduo Estudentizado

3,5

1,5

-0,5

-2,5

-4,5
0 2 4 6 8 10
número de fila

Puntos Influyentes
Predicciones Residuos
Fila X Y Y Studentizados Influencia
1 55,0 8,0 6,09695 4,48 0,723144
Influencia Media de un punto = 0,2

El StatAdvisor

Psicoestadística Página 12
 UBA Prof. René Castro Psicología
La tabla de puntos influyentes enlista todas las observaciones que tienen valores de influencia mayores que 3 veces la de un punto promedio de los
datos. Valor de Influencia es un estadístico que mide que tan influyente es cada observación en la determinación de los coeficientes del modelo
predictivo estimado. En este caso, un punto promedio de los datos tendría un valor de influencia igual a 0,2. Hay un punto con más de 3 veces el
valor de influencia promedio, pero ninguno con más de 5 veces.

Psicoestadística Página 13