Departamento de Ciencias Políticas y Sociales

Grado en Ciencias Políticas y de la Administración

Universitat Pompeu Fabra

Metodología cuantitativa IV

Clase 4: Variables independientes

dicotomícas y interacciones

Bruno Arpino
(Despacho: 20.182; email: bruno.arpino@upf.edu)
 Clase 4: Variables ind. dicotomicas y interacciones

¿Que vamos a hacer hoy?

Como se introducen variables cualitativas dicotomicas
en un modelo de regresión lineal

Interacciones entre variables independientes

2
 Clase 4: Variables ind. dicotomicas y interacciones

Ejemplo de X dicotómica: género

Imaginemos que un investigador quiera estudiar como la
instrucción y el género influyen en el posicionamiento ideológico.
El investigador estima dos modelos de regresión simple del
posicionamiento político como función de la instrucción,
separadamente para hombres y mujeres.
Coeficientesa

Coeficientes no Coeficientes
estandarizados tipificados

Gender Modelo B Error típ. Beta t Sig.

Male 1 (Constante) 4,116 ,174 23,722 ,000

Years of full-time ,010 ,015 ,028 ,704 ,482

education completed

Female 1 (Constante) 4,971 ,162 30,751 ,000

Years of full-time -,037 ,014 -,105 -2,705 ,007

education completed

a. Variable dependiente: Placement on left right scale

3
 Clase 4: Variables ind. dicotomicas y interacciones

Ejemplo de X dicotómica: género

Los dos modelos se diferencian tanto en la constante como en la

pendiente:
la constante para las mujeres es un poco más alta (el valor del posicionamiento
político para mujeres que no han estudiado es un poco más alto que para los
hombres que no han estudiado)
La pendiente para los hombres no es significativa (no hay evidencia de relación
lineal entre posicionamiento ideológico y instrucción para los hombres). La
pendiente para las mujeres es negativa y significativa.
Coeficientesa
lrscale

Coeficientes no Coeficientes
estandarizados tipificados
Gender Modelo B Error típ. Beta t Sig.
1 (Constante) 4,116 ,174 23,722 ,000
Male Years of full-time ,010 ,015 ,028 ,704 ,482
education completed
1 (Constante) 4,971 ,162 30,751 ,000
Female Years of full-time -,037 ,014 -,105 -2,705 ,007
education completed

educación
 Clase 4: Variables ind. dicotomicas y interacciones

Ejemplo de X dicotómica: género

Si se hacen dos modelos separados no se sabe si hay una diferencia
significativa entre las constantes y las pendientes para hombres y
mujeres.
¿Como se puede estimar un único modelo que permita a las
constantes y a las pendientes de ser diferente para hombres y
mujeres?
Empezamos con añadir la variable género (= 1 para las mujeres; = 0
para los hombres) como otra variable independiente:
Coeficientesa

Coeficientes
Coeficientes no estandarizados tipificados
Modelo B Error típ. Beta t Sig.
1 (Constante) 4,369 ,132 33,122 ,000
Years of full-time education completed -,014 ,010 -,038 -1,358 ,175
género ,357 ,110 ,090 3,239 ,001
a. Variable dependiente: Placement on left right scale

¿Como se interpreta este modelo?

Nota: Para facilitar la interpretación del modelo estimado, se aconseja que las variables
 Clase 4: Variables ind. dicotomicas y interacciones

Ejemplo de X dicotómica: género

Interpretación de un modelo que incluye una variable dicotómica:
Constante: 4,369 es el valor predicho del posicionamiento político para un hombre
que nunca ha estudiado (todas las X igual a 0).
Pendiente de instrucción: a paridad del género, por cada año mas de instrucción el
valor del posicionamiento político se reduce de 0,014 puntos (notad: no es
significativo!).
Pendiente de la variable género: si intentamos utilizar la interpretación normal
diríamos que a paridad de instrucción, por cada unidad más del género, el
posicionamiento político aumenta de 0,357. Pero la variable género es dicotómica y
el único cambio posible es de 0 a 1! Entonces la interpretación que tiene sentido es:
a paridad de instrucción, el valor medio del posicionamiento político para las
mujeres es más alto de 0,357 puntos que para los hombres (en media, las mujeres
lrscale

son más de derecha). Esta pendiente es significativa y indica que hay una diferencia
media entre mujeres y hombres que no varia con la instrucción (tenemos dos rectas
paralelas). Coeficientes a

Coeficientes no Coeficientes
estandarizados tipificados
Modelo B Error típ. Beta t Sig.
1 (Constante) 4,369 ,132 33,122 ,000
Years of full-time education completed -,014 ,010 -,038 -1,358 ,175
género ,357 ,110 ,090 3,239 ,001
instrucción
 Clase 4: Variables ind. dicotomicas y interacciones

Interpretación general de un modelo de

regresión con variable dicotomica
Imaginemos que X2 sea una variable dicotómica (p.ej. género).
ŷ b0 b1x1 b 2 x 2
Podemos escribir el modelo estimado para las personas con X2=1:
ŷ b0 b1x1 b2 (b0 b2 ) b1x1
y para las personas con X2=0:
ŷ b0 b1x1
La pendiente (b1) es la misma en los dos grupos. Solo las
constantes son diferentes: b0 + b2 para el grupo con X2=1 (p.ej.,
mujeres) y b0 para el grupo con X2=0 (p.ej., hombres).
El modelo supone que el efecto de la X1 sobre la Y sea igual para
los dos grupos (mujeres y hombres). ¿Como se pueden diferenciar
también las pendientes?
 Clase 4: Variables ind. dicotomicas y interacciones

Interacción entre una variable dicotomica y

otra variable independiente
Tenemos que añadir la variable producto entre X1 y X2 al modelo:
ŷ b0 b1x1 b2 x 2 b3 (x1 * x 2 )
Podemos escribir el modelo estimado para las personas con X2=1:
ŷ b0 b1x1 b2 b3 x1 (b0 b2 ) (b1 b3 )x1
y para las personas con X2=0:
ŷ b0 b1x1

Las pendientes ahora son diferentes para los dos grupos:

(b1 + b3) para X2=1 (mujeres) y b1 para X2=0 (hombres).

Las constantes son diferentes como antes: b0 + b2 para el grupo con

X2=1 (p.ej., mujeres) y b0 para el grupo con X2=0 (p.ej., hombres).
 Clase 4: Variables ind. dicotomicas y interacciones

Interacción entre una variable dicotomica y

otra variable independiente: ejemplo
Utilicemos el modelo de antes y añadamos la variable
interacción = género * instrucción:
Coeficientesa
Coeficientes no Coeficientes
estandarizados tipificados
Modelo B Error típ. Beta t Sig.
1 (Constante) 4,116 ,169 24,319 ,000
Years of full-time education completed ,010 ,014 ,028 ,722 ,471
género ,855 ,237 ,214 3,608 ,000
interaccion -,047 ,020 -,155 -2,371 ,018

Interpretación:
b0: es la constante para los hombres.

lrscale
El valor predicho del posicionamiento político
para un hombre que no ha estudiado es 4,116. b +b
0 2
b2: es la diferencia entre la constante de
las mujeres y la de los hombres. A paridad de b0
instrucción, las mujeres que no han estudiado,
en media, tienen un posicionamiento político
más alto de 0,855 puntos que los hombres (más a
instrucción
 Clase 4: Variables ind. dicotomicas y interacciones

Interacción entre una variable dicotomica y

otra variable independiente: ejemplo
Utilicemos el modelo de antes y añadamos la variable
interacción = género * instrucción:
Coeficientesa
Coeficientes no Coeficientes
estandarizados tipificados
Modelo B Error típ. Beta t Sig.
1 (Constante) 4,116 ,169 24,319 ,000
Years of full-time education completed ,010 ,014 ,028 ,722 ,471
género ,855 ,237 ,214 3,608 ,000
interaccion -,047 ,020 -,155 -2,371 ,018

Interpretación:
b1: es la pendiente para los hombres.

lrscale
Para los hombres, por cada año mas de instrucción,
el posicionamiento político aumenta de 0,010 b1+b3
puntos (pero la relación no es sign. para los hombres!).
b3: es la diferencia entre la pendiente de
b1
las mujeres y la de los hombres. Hay una diferencia
significativa en la relación entre posicionamiento político
y instrucción por género. Para las mujeres, el efecto
marginal de la instrucción es negativo (-0,037). instrucción
 Clase 4: Variables ind. dicotomicas y interacciones

El modelo con la interacción frente a los dos

modelos separados
La ventaja de estimar con un único modelo las dos rectas es que tenemos
los p-valores de los contrastes de hipótesis sobre las diferencias entre las
Coeficientes a

Coeficientes no Coeficientes
constantes y las pendientes
estandarizados tipificados de los dos grupos.
Modelo B Error típ. Beta t Sig.
1 (Constante) 4,116 ,169 24,319 ,000
Years of full-time education completed ,010 ,014 ,028 ,722 ,471
género ,855 ,237 ,214 3,608 ,000
interaccion -,047 ,020 -,155 -2,371 ,018

Coeficientesa

lrscale
Coeficientes no Coeficientes
estandarizados tipificados
Gender Modelo B Error típ. Beta t Sig.
b1:1 es (Constante)
la pendiente por4,116
los hombres.
,174 23,722 ,000
Male Years of full-time ,010 ,015 ,028 ,704 ,482
education completed
1 (Constante) 4,971 ,162 30,751 ,000
Female Years of full-time -,037 ,014 -,105 -2,705 ,007
education completed

instrucción
 Clase 4: Variables ind. dicotomicas y interacciones

Referencias
Capítulos 2, 3, y 4 de: LAGO, Ignacio. La lógica de la
explicación en ciencias sociales: una introducción
metodológica. Madrid: Alianza Editorial, 2008

Paragrafos 13.1, 13.2, 13.4 y 14.4 (solo las partes relevantes)

de: NEWBOLD, Paul; CARLSON, William L.; THORNE, Betty
M. Estadística para Administración y Economía. Sexta Edición.
Madrid: Prentice Hall, 2008 (¡en la Aula Global!)

12
Si algo no queda claro…

podéis pedirme tutorías

o escribirme un email

13