REGRESIÓN Y CORRELACIÓN

Los métodos estadísticos por medio del cual se estudia el comportamiento de las variables
bidimensionales, son presentadas por dos mediciones independientes. La Regresión y la
correlación.

REGRESIÓN.
El estudio de regresión es una herramienta habitual en estadística. Ya que permite
investigar el lazo entre diferentes variables cuantitativas. Esto, mediante la formulación de
ecuaciones matemáticas. Visto de otro modo, la regresión es el método que analiza la
relación que existe entre las variables X e Y (variable dependiente y una o varias variables
independientes). Ésta indica como el vínculo entre las dos variables establece un modelo
matemático llamado regresión, que se utiliza para dos fines:
Estimación de Y para diferentes valores de X.
Predecir el comportamiento futuro de la variable Y.
De igual modo es posible entender la manera en que la variable dependiente es afectada
por cambios en los demás factores.

Una de las principales aplicaciones del análisis de regresión es la proyección con diferentes
escenarios. Esto, teniendo en cuenta el grado de influencia (en estadística se conoce a esto
como correlación) sobre la variable dependiente.
Es decir, el objetivo del análisis es construir una función que permita estimar el valor futuro
de la variable de estudio. Desde otro punto de vista, la regresión permite calcular un
promedio condicional. Para ese fin, se toman como dados los valores de las variables
independientes.

En una investigación científica si se establece un modelo matemático para explicar la

relación que existe entre más de dos variables, el modelo de regresión es múltiple, ya que
por lo general se requiere más de una variable independiente para predecir un
comportamiento futuro. El objetivo del análisis de regresión múltiple consiste en determinar
tantos coeficientes de regresión, como cantidad de variables se introduzcan en la
investigación, correspondientes a parámetros desconocidos; cuando estos coeficientes son
lineales recibe el nombre de regresión lineal múltiple.

Los modelos de regresión lineal son relativamente sencillos y proporcionan una fórmula
matemática fácil de interpretar que puede generar predicciones. La regresión lineal puede
aplicarse a varias áreas de la empresa y de los estudios académicos.
Descubrirá que la regresión lineal se utiliza en todo, desde las ciencias biológicas,
conductuales, ambientales y sociales hasta en los negocios. Los modelos de regresión
lineal se han convertido en una forma comprobada de predecir el futuro de forma científica y
confiable. Como la regresión lineal es un procedimiento estadístico establecido hace mucho
tiempo, las propiedades de sus modelos de regresión lineal se conocen bien y pueden
enseñarse muy rápido.
CORRELACIÓN.
Se denomina correlación al vínculo recíproco o correspondiente que existe entre dos o más
elementos. La correlación es un tipo de asociación entre variables numéricas, donde
específicamente evalúa la tendencia (creciente o decreciente) en los datos. Se puede decir
que la correlación es la forma que cuantifica la relación entre las variables X e Y, y a su vez
trata la variación conjunta de las dos características medibles. De igual manera dos
variables están asociadas cuando una variable nos da información acerca de la otra. Por el
contrario, cuando no existe asociación, el aumento o disminución de una variable no nos
dice nada sobre el comportamiento de la otra variable.

La regresión señala la tendencia de la relación y la correlación la cuantifica.

Supongamos que tenemos una variable R y una variable S. Al aumentar los valores de R,
aumentan los valores de S. De igual modo, al aumentar los valores de S, se incrementan los
valores de R. Por lo tanto hay una correlación entre las variables R y S.
MODELOS ESTADISTICOS LINEALES
En estadística, el modelo lineal generalizado (GLM) es una generalización flexible de la
regresión lineal ordinaria que permite variables de respuesta que tienen modelos de
distribución de errores distintos de una distribución normal. Son una de las herramientas
más importantes del análisis cuantitativo. Y se utilizan cuando queremos predecir –o
explicar– una variable dependiente a partir de una o más variables independientes. Se trata
de un modelo para el análisis de regresión, que tiene como objetivo determinar una función
matemática que describa el comportamiento de una variable dados los valores de otra u
otras variables.
RELACIÓN ENTRE VARIABLES
Una variable estadística es una característica que puede fluctuar y cuya variación es
susceptible a adoptar diferentes valores, los cuales pueden medirse u observarse. Las
variables adquieren valor cuando se relacionan con otras variables, es decir, si forman parte
de una hipótesis o de una teoría. En este caso se las denomina constructos o
construcciones hipotéticas. A partir de este concepto se puede mencionar que una variable
es la que permite relacionarla con algún problema o fenómeno, el cual se clasifica de la
siguiente manera: categóricas y numéricas.
Las variables categóricas se dividen de la siguiente forma: Dicotómicas, Nominales y
Ordinales
Las variables numéricas se dividen de la siguiente manera: Continua y Discreta.
Los diferentes tipos de variables antes mencionados tienen relación con los diferentes áreas
de la Estadística pero de igual forma con el área de Investigación Formativa, el conocer y
saber que variable utilizar depende de la relación que exista entre las variables.
AJUSTE DE CURVA
El ajuste de curvas es un proceso mediante el cual, dado un conjunto de N pares de
puntos {xi, yi} (siendo X la variable independiente e Y la dependiente), se determina una
función matemática f(x) de tal manera que la suma de los cuadrados de la diferencia
entre la imagen real y la correspondiente obtenida mediante la función ajustada en cada
punto sea mínima.
MINIMOS CUADRADOS
Es un procedimiento de análisis numérico en la que, dados un conjunto de datos (pares
ordenados y familia de funciones), se intenta determinar la función continua que mejor se
aproxime a los datos (línea de regresión o la línea de mejor ajuste), proporcionando una
demostración visual de la relación entre los puntos de los mismos. En su forma más simple,
busca minimizar la suma de cuadrados de las diferencias ordenadas (llamadas residuos)
entre los puntos generados por la función y los correspondientes datos.
Este método se utiliza comúnmente para analizar una serie de datos que se obtengan de
algún estudio, con el fin de expresar su comportamiento de manera lineal y así minimizar los
errores de la data tomada
John Nelder y Robert Wedderburn formularon modelos lineales generalizados como una
forma de unificar otros modelos estadísticos, como la regresión lineal, la regresión logística
y la regresión de Poisson. Propusieron un método de mínimos cuadrados iterativamente
ponderados para la estimación de máxima verosimilitud de los parámetros del modelo. La
estimación de máxima verosimilitud sigue siendo popular y es el método predeterminado en
muchos paquetes de computación estadística. Se han desarrollado otros enfoques,
incluidos los enfoques bayesianos y los ajustes de mínimos cuadrados a las respuestas
estabilizadas de la varianza.