ASIGNATURA : MÉTODOS ESTADISTICOS

CICLO : III
SEMESTRE ACADEMICO : 2021-1
 UNIVERSIDAD PRIVADA SAN JUAN BAUTISTA
FACULTAD DE CIENCIAS DE LA SALUD
ESCUELA PROFESIONAL DE MEDICINA HUMANA
“Dr. Wilfredo Erwin Gardini Tuesta”

ACREDITADA POR SINEACE

RE ACREDITADA INTERNACIONALMENTE POR RIEV

SESIÓN 12
ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE

DOCENTES RESPONSABLES DE LA ASIGNATURA

SEDE CHORRILLOS : ELSI BAZAN RODRIGUEZ
SEDE SAN BORJA : SARA AQUINO DOLORIER
SEDE SAN BORJA : GRISELDA VERA NUÑEZ
FILIAL ICA : JOSE LUIS CORDOVA TELLO
FILIAL CHINCHA : ALLISON PACHAS RAMOS

CONCEPTUAL
Modelo de regresión lineal,
estimación de los coeficientes,
prueba de hipótesis global e
individual de los parámetros
del modelo. Análisis de
residuos, Interpretación y
verificación de los supuestos.
COMPETENCIAS
PROCEDIMENTAL ACTITUDINAL
Capacidad para realizar análisis de Elaboración del
regresión múltiple. Identifica la variable informe de las
dependiente y las variables aplicaciones con
independientes. Realiza análisis de
datos de interés
regresión lineal, interpreta los
utilizando SPSS.
coeficientes del modelo, realiza prueba
de hipótesis sobre los coeficientes e
interpreta los resultados.
 TÉCNICAS ESTADÍSTICAS MULTIVARIADAS

• Las técnicas estadísticas multivariadas permiten establecer,

a partir de numerosos datos y variables, ciertas relaciones,
investigar estructuras latentes y ensayar diversas maneras
de organizar dichos datos.
• Transformándolos y presentándolos bajo una forma nueva
más asequible, bien reduciéndolos, sin perder demasiada
información inicial.
• Hasta componer un resumen lo más completo posible del
conjunto de datos original, habitualmente bastante complejo.
 TÉCNICAS ESTADÍSTICAS MULTIVARIADAS

Dependiendo de las características de la investigación, entre las

técnicas estadísticas multivariadas que podemos elegir tenemos
el Análisis Multivariable de Varianza (MANOVA), Regresión
Múltiple, Análisis Factorial, Análisis Discriminante, Análisis de
Grupos (Cluster Analysis), Escalamiento Multidimensional,
Modelos Causales (Path Analysis), etc.
 CARACTERÍSTICAS

Trabajan con varias variables a la vez, generalmente >2

(2 es caso particular).
• Implica observación/medición y análisis de más de
una variable estadística a la vez.
• Su aplicación se denomina “Análisis Multivariado”.
Basados en la correlación.
• Variables correlacionadas, observaciones
independientes.
Cumplen dos funciones: descriptiva e inferencial.
 CARACTERÍSTICAS ESPECÍFICAS
COMUNES

a) Resultan de la generalización de alguna técnica de

análisis univariante o bivariante,
• Donde V.D. o V.I. o ambas son sustituidas por
variables no observadas que se expresan como
combinación lineal de las observadas (Riba, 1990).
b) Utilidad:
• Caso una o más variables V.I. o Predictores y una o más V.D.
o Criterios:
➢Comprobar la relación entre ambos tipos o grupos de
variables. Predecir el valor/es en la/s variables, criterio a partir
de los valores obtenidos en las variables predictivas.
Ejemplo: Regresión Múltiple, Análisis Discriminante.
• Caso de un solo grupo de variables (esperadamente V.I. o
Predictores)
Descubrir posibles agrupaciones en las variables en factores
(dimensiones).
Confirmar una determinada estructura factorial
Ejemplo: Análisis Factorial
 ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE

• La regresión lineal tiene una versión “simple” que empareja dos

variables, pero esta suele ser insuficiente para entender
fenómenos mínimamente complejos en la que influyen más de
dos variables, esta versión es la “múltiple”.
• En el modelo de regresión lineal múltiple suponemos que más de
una variable tiene influencia o está correlacionada con el valor de
una tercera variable.
• Por ejemplo en el peso de una persona pueden influir edad,
género y estatura. En el modelo de regresión lineal múltiple
esperamos que los sucesos tengan una forma funcional como

Montero Granados. R (2016): Modelos de regresión lineal múltiple.

 ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE

Universitat de Barcelona. Institut de Desenvolupament Professional. ICE

 EJEMPLO
• Si consideramos el peso como variable dependiente y
como posibles variables explicativas: estatura, pie,
l_brazo, a_espalda, d_cráneo.

• Al igual que en regresión lineal simple, los coeficientes

b van a indicar el incremento en el peso por el
incremento unitario de la correspondiente variable
explicativa.
• Por lo tanto, estos coeficientes van a tener las
correspondientes unidades de medida.

Universitat de Barcelona. Institut de Desenvolupament Professional. ICE

 Hipótesis

J. M. Rojo Madrid, II-2007: Regresión lineal múlttiple

 Hipótesis

Si admitimos que los datos presentan estas hipótesis

entonces el teorema de Gauss-Markov establece que
el método de estimación de mínimos cuadrados va a
producir estimadores óptimos, en el sentido que los
parámetros estimados van a estar centrados y van a
ser de mínima varianza.

J. M. Rojo Madrid, II-2007: Regresión lineal múlttiple

 COEFICIENTE DE CORRELACIÓN MÚLTIPLE

▪ El Coeficiente R (R múltiple) indica la fuerza de la relación entre una

variable dependiente y otras independientes (2 o más) tomadas
conjuntamente.
▪ El R se relaciona con la intercorrelación de las variables independientes
(XZ) entre sí, así como también, con su correlación con la variable
dependiente (Y).
▪ El R da la medida de la relación existente, de forma conjunta, entre la
variable dependiente y el conjunto de las variables independientes. Mide
la correlación existente entre la variable Y, y las predicciones (Yi’) que
hacemos de la misma mediante la ecuación de regresión.
 COEFICIENTE DE DETERMINACIÓN
MÚLTIPLE
▪ El Coeficiente R2 (Coeficiente de Determinación Múltiple)
permite calcular el porcentaje de la variabilidad de la variable
dependiente que, de forma conjunta, explican las variables
independiente del modelo. R2 indica qué porcentaje de la
Variancia.
▪ Explicada sobre la Variancia Total de la variable Y está
explicada por la variación de las variables independientes en
conjunto.
 ESTADÍSTICO DE DURBIN-WATSON
Muestra la prueba de D-W para los residuos
correlacionados serialmente. Éste estadístico oscila
entre 0 y 4 y toma el valor 2 cuando los residuos son
completamente independientes. Los valores mayores
de 2 indican autocorrelación positiva y los menores de
2 autocorrelación negativa. Suele asumirse que los
residuos son independientes si el estadístico de D-W
está entre 1,5 y 2,5. También muestra estadísticos de
resumen para los residuos y los valores pronosticados.
Un ejemplo práctico de aplicación de la prueba
DESARROLLAR
LA PRACTICA 12