ESCUELA SUPERIOR POLITÉCNICA AGROPECUARIA DE MANABÍ

MANUEL FÉLIX LÓPEZ

CARRERA MEDICINA VETERINARIA SEGUNDO NIVEL “A”

MODALIDAD HÍBRIDA “DISTANCIA-VIRTUAL”

BIOESTADÍSTICA

TEMA
EXPOSICION E INFOME DE LOS TEMAS ASIGNADOS

PERÍODO ACADÉMICO ABRIL/21- AGOSTO 2021

AUTORES
ANTHONY FERNANDO ARIAS MALDONADO

FACILITADOR
DR. JOFRE ANDRES VERA CEDEÑO

CALCETA, JUNIO 2021

Índice

Introducción.................................................................................................................................3

Regresión logística.......................................................................................................................4

Análisis de Correlación................................................................................................................7

Figura 5......................................................................................................................................10

Análisis de Regresión................................................................................................................10

Análisis de regresión lineal múltiple.....................................................................................12

Diferencia de Análisis de Regresión y Correlación...............................................................13

Análisis de Varianzas................................................................................................................13

Comparación de medias.............................................................................................................15

Comparación de medias: pruebas para datos independientes................................................15

Pruebas paramétricas en la comparación de medias para datos independientes....................16

Comparación de dos medias independientes.........................................................................17

Modelo Mixto de Análisis.........................................................................................................17

Modelos Lineales Generalizados y Mixtos................................................................................19

Clasificación..........................................................................................................................20

Los Modelos Lineales Mixtos...............................................................................................20

Aplicaciones De Los Modelos Lineales Mixtos....................................................................21

Conclusion.................................................................................................................................23
 Bibliografía................................................................................................................................24

Introducción

Existen diferentes clasificaciones de los métodos de Análisis Multivariante. Una de las más

usuales distingue dos grandes grupos, según el objetivo del análisis: métodos de dependencia y

métodos de interdependencia. Además, dentro de cada uno de estos grupos, la naturaleza de las

variables juega un papel importante en la definición de los diversos métodos. Asimismo, cada

método exige unas determinadas condiciones de aplicación para asegurar la fiabilidad de los

resultados obtenidos. Los métodos de dependencia suponen que las variables analizadas están

divididas en dos grupos: las variables dependientes y las variables independientes. El objetivo de

los métodos de dependencia consiste en determinar si el conjunto de variables independientes

afecta al conjunto de variables dependientes y de qué forma. En cuanto a los métodos de

interdependencia, éstos no distinguen entre variables dependientes e independientes, sino que

tienen como objetivo identificar qué variables pueden estar relacionadas entre sí, cómo lo están y

por qué. A continuación se señala una relación de métodos, clasificados según el criterio

mencionado.
 Regresión logística

La regresión logística es una técnica analítica que nos permite relacionar funcionalmente una

variable dicotómica con un conjunto de variables independientes. El análisis de regresión

logística es muy frecuente en muchos campos de investigación, siendo especialmente empleado

en investigación socio-sanitaria. Por su capacidad para analizar las relaciones de variables

categóricas entre sí tiene una gran importancia en la investigación sociológica. En el análisis de

datos sociales, antes que su capacidad para establecer relaciones funcionales y predecir sucesos,

su utilidad deriva de la lectura de los coeficientes. (Rioja, 2014)

Para interpretar los efectos que tienen las categorías sobre la variable dependiente. Uno de los

problemas fundamentales cuando intervienen diversas variables en un fenómeno es determinar

cuál es la contribución de cada una de ellas, suponiendo que el resto de las variables no cambian.

Por analogía, la regresión logística puede considerarse una extensión de los modelos de regresión

lineal, con la particularidad de que el dominio de salida de la función está acotado al intervalo

[0,1] y que el procedimiento de estimación, en lugar de mínimos cuadrados, utiliza el

procedimiento de estimación máximo-verosímil. Para el ajuste de modelos de regresión logística

resulta esencial el empleo de programas informáticos.

Este capítulo tiene como objeto presentar el análisis de regresión logística desde el uso y

aplicaciones de la investigación sociológica. Para ello se centra en un ejemplo sencillo con datos

reales: el análisis de la participación en huelgas. En primer lugar, se presentan los fundamentos,

especialmente la noción de Odd o razón y el Logit. En un segundo momento se comienza

poniendo en práctica el modelo con variables sencillas, para ir complejizando el tipo y número de

variables mientras se muestran los principales estadísticos que ofrecen los programas de

ordenador.

1. Razón, Odd y Odd Logit

 Observemos la siguiente tabla de contingencia que señala la participación en una

huelga1 según sexo. (Estudio CIS 2941-Abril 2012).

Figura 1

La tabla muestra que hay una mayoría que no ha participado en una huelga. En concreto, hay

468 entrevistados que han participado de un total de 2484. En porcentajes, tenemos que el 18,8%

participa frente a un 81,2% que no participa. Aunque estamos acostumbrados a expresar los datos

en proporción o porcentajes, podríamos hacerlo también mediante una razón. Por ejemplo,

podemos señalar que (468/2017=0,23) hay 0,23 participantes por cada uno que no participa, o lo

que es equivalente: 23 participantes por cada 100 que no participan. También podemos expresar

la lectura inversa (2017/468=4,31): hay 4,3 que no participan por cada uno que participa, o bien

431 que no participan por cada 100 que participan. (Rioja, 2014)

Una razón o ratio es el cociente entre dos cantidades y señala cuantas veces una cantidad es

mayor o menor respecto a la otra. La lectura “clásica” que hacemos de la tabla anterior (tabla 1)
se realiza mediante el uso de porcentajes. La variable dependiente es la participación y la variable

independiente el sexo. Los porcentajes en dirección de la variable independiente (en este caso en

columnas):

Figura 2

Los datos nos indican que los hombres participan más en huelgas que las mujeres. ¿Cuánto

más? Podemos calcular la diferencia de porcentajes: 21,4%-16,3%=5,1%. Los hombres

participan un 5,1% más en huelgas que las mujeres. Pero también podemos observar la tabla

anterior en términos de razón. Por ejemplo, el 21,4% de los hombres declaran haber hecho huelga

mientras que el 78,6% restante declara no haber participado. La relación entre hombres

huelguistas y no huelguistas es: 21,4/78,6=0,272. La ratio la leemos de la siguiente forma: hay

0,272 hombres que hacen huelga por cada uno que no la hace, de manera aproximada podemos

decir que la relación2 en los hombres entre hacer y no hacer huelga es de 3 a 11. De forma

habitual esta razón o ratio suele denominarse con el término Odd.

El término Odd en inglés se refiere a la razón que se establece entre la ocurrencia -o su

probabilidad- de un suceso respecto a su no ocurrencia. Se interpreta como ventaja comparativa.

Es muy usual, por ejemplo, en el mundo de las apuestas. Procediendo de la misma forma

podemos concluir que hay 0,195 mujeres que hacen huelga por cada una que no la hace (de forma

aproximada 1 a 5). Podemos interpretar el Odd en términos de probabilidad. En los casos

anteriores podemos señalar que la probabilidad de encontrar aleatoriamente una mujer que hace

huelga es la quinta parte respecto a la de encontrar una mujer que no hace huelga. (Rioja, 2014)

Análisis de Correlación

El concepto de relación o correlación se refiere al grado de variación conjunta existente entre dos

o más variables. En este apartado nos vamos a centrar en el estudio de un tipo particular de

relación llamada lineal y nos vamos a limitar a considerar únicamente dos variables. En el

próximo capítulo sobre Regresión Lineal estudiaremos el caso de más de dos variables. Una

relación lineal positiva ente dos variables X, e Y indican que los valores de las dos variables de

forma parecida: los sujetos que puntúan alto en X, tienden a puntuar alto en Y, y los que puntúan

bajo en X, tienden a puntuar bajo en Y. Una relación lineal negativa significa que los valores de

las dos variables varían justamente al revés: los sujetos que puntúan alto en X tienden a puntuar

bajo en Y, y los que puntúan bajo en X, tienden a puntuar alto en Y. (Garcia, 2005)

La forma más directa e intuitiva de formarnos una primera impresión sobre el tipo de relación

existente entre dos variables es a través de un diagrama de dispersión, Un diagrama de dispersión

es un gráfico en el que una de las variables (X) se coloca en el eje de abscisas, la otra (Y) En las

ordenadas y los pares (X, Y) se representan como una nube de puntos. La forma de la nube de

puntos nos informa sobre el tipo de relación existente entre las variables.

Ejemplo:

La figura 1. Recoge cuatro diagramas de Dispersión que reflejan cuatro tipos de relación

diferentes.
 Figura 3

La figura muestra una situación en la que cuanto mayores son las puntuaciones e n una de las

variables, mayores son también las puntuaciones en la otra: cuando ocurre esto, los puntos se

sitúan en una línea recta ascendente y hablamos de relación lineal positiva. La figura representa

una situación en la que cuanto mayores son las puntuaciones en una de las variables, menores son

las puntuaciones en la otra; en este caso, los puntos se sitúan en una línea recta descendente y

hablamos de relación lineal negativa. En la situación representada en la figura también existe una

pauta de variación clara, pero no es lineal: los puntos no dibujan una línea recta Y en la figura no

parece existir ninguna pauta de variación clara, lo cual queda reflejado en una nube de puntos

dispersa, muy lejos de lo que podría ser una línea recta. (Ferrero, 2012)
 Vemos, que un diagrama de dispersión nos permite formarnos una idea bastante aproximada

sobre el tipo de relación existente entre dos variables. Pero además observando los diagramas de

la figura podemos ver un diagrama de dispersión también puede utilizarse como una forma de

cuantificar el grado de relación lineal existente entre dos variables: basta con observar el grado en

el que la nube de puntos se ajusta en una línea recta.

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 correlación es un tipo de asociación entre dos variables, específicamente evalúa una

tendencia (creciente o decreciente) en los datos.

 Dos variables se correlacionan cuando muestran una tendencia creciente o decreciente.

Figura 4

La correlación nos indica el signo y magnitud de la tendencia entre dos variables.

El signo nos indica la dirección de la relación, como hemos visto en el diagrama de dispersión:

 Un valor positivo indica una relación directa o positiva.

 Un valor negativo indica relación inversa o negativa.

 Un valor nulo indica que no existe una tendencia entre ambas variables (puede ocurrir que

no exista relación o que la relación sea más compleja que una tendencia, por ejemplo, una

relación en forma de U.
 Figura 5

Análisis de Regresión

Es una técnica que permite cuantificar la relación que puede ser observada cuando se grafica

un diagrama de puntos dispersos correspondientes a dos variables, cuya tendencia general es

rectilínea (Figura la); relación que cabe compendiar mediante una ecuación “del mejor ajuste” de

la forma: y = a + bx En esta ecuación, “y” representa los valores de la coordenada a lo largo del

eje vertical en el gráfico (ordenada); en tanto que “x” indica la magnitud de la coordenada sobre

el eje horizontal (absisa). El valor de “a” (que puede ser negativo, positivo o igual a cero) es

llamado el intercepto; en tanto que el valor de “b” (el cual puede ser negativo o positivo) se

denomina la pendiente o coeficiente de regresión. (Garcia, 2005)

El análisis de regresión involucra el estudio la relación entre dos variables Cuantitativas. En

general interesa:

 Investigar si existe una asociación entre las dos variables testeando la hipótesis de

independencia estadística.

 Estudiar la fuerza de la asociación, a través de una medida de asociación denominada

coeficiente de correlación.

 Estudiar la forma de la relación. Usando los datos propondremos un modelo para la

relación y a partir de ella será posible predecir el valor de una variable a partir de la

otra.

Para ello proponemos un Modelo Que relaciona una variable dependiente (Y) con una variable

independiente (X).
 La decisión sobre qué análisis usar en una situación particular, depende de la naturaleza del

Outcome y del tipo de función que se propone para relacionar el outcome y la variable

independiente.

Variables en regresión

Covariables o Variables independientes o Variables regresoras Se usan como predictores o

son variables de confusión que interesa controlar.

Outcome o Variable dependiente o Variable de respuesta  Atributos sobre los cuales

queremos medir cambios o hacer predicciones.

El tema básico en la regresión simple es ajustar los puntos del diagrama de dispersión de X e

Y. Para conseguir la mejor línea que una esos puntos necesitamos un criterio (mínimos

cuadrados). En general surge de consideramos todas las distancias (Y-Y´), se elevan al cuadrado

y suman los cuadrados resultantes; a partir de estos datos, obtenemos la recta de regresión que

hace mínimo ese error (método de ajuste por mínimos cuadrados) (Esthefany, 2015)

La regresión puede utilizadas de diversas formas, Se emplean en situaciones en la que las dos

variables miden aproximadamente lo mismo, pero en las que una variable es relativamente

costosa, o, por el contrario, es poco interesante trabajar con ella, mientras que con la otra variable

no ocurre lo mismo. La finalidad de una ecuación de regresión seria estimar los valores de una

variable con base en los valores conocidos de la otra de esa forma de emplear la ecuación de

regresión explicaría los valores de una variable en término de otra. Es decir se puede intuir una

relación de causa y efecto entre dos variables.

 El análisis de regresión únicamente indica qué relación matemática podría haber, de existir

una. Ni con regresión ni con la correlación se pude establecer si una variable tiene “causa “ciertos

valores de otra variable.

Figura 6

Análisis de regresión lineal múltiple

La regresión múltiple comprende tres o más variables. Existe solo una variable dependiente,

pero hay dos o más tipo independiente. Esta operación al desarrollo de una ecuación que se puede

utilizar para predecir valore de y, respecto a valores dados de la diferencia variables

independientes adicionales es incrementar la capacidad predicativa sobre la de la regresión lineal

simple. Las técnicas de los mínimos cuadrados se utilizan para obtener ecuaciones de regresión

Diferencia de Análisis de Regresión y Correlación

El análisis de regresión consiste en emplear métodos que permitan determinar la mejor

relación funcional entre dos o más variables concomitantes (o relacionadas). El análisis de

correlación estudia el grado de asociación de dos o más variables es por tal motivo es que están
estrechamente relacionadas. Prueba Global. - esta prueba investiga básicamente si es posible que

todas las variables independientes tengan coeficientes de regresión neta iguales a 0.

Análisis de Varianzas

En estadística, el análisis de la varianza (ANOVA, Analysis Of Variance, según terminología

inglesa) es una colección de modelos estadísticos y sus procedimientos asociados, en el cual la

varianza está particionada en ciertos componentes debidos a diferentes factores (variables). El

análisis de varianza lo vamos a utilizar para verificar si hay diferencias estadísticamente

significativas entre medias cuando tenemos más de dos muestras o grupos en el mismo

planteamiento. El análisis de varianza sirve para comparar si los valores de un conjunto son

significativamente distintos a los valores de otro o más conjuntos de datos. El procedimiento para

comparar estos valores está basado en la varianza global observada en los grupos de datos

numéricos a comparar. Típicamente, el análisis de varianza se utiliza para asociar una

probabilidad a la conclusión de que la media de un grupo de puntuaciones es distinta de la media

de otro grupo de puntuaciones. (Rubin, 2004)

El análisis de varianza es una técnica que permite probar la significancia de las diferencias

entre más de dos medias muéstrales. Usando el análisis de varianza, se pueden hacer inferencias

acerca de si nuestras muestras se tomaron de poblaciones que tienen la misma media. El análisis

de varianza está basado en una comparación de dos estimaciones diferentes de la varianza, σ 2 ,

de nuestra población total. En dado caso, se puede calcular una de esas estimaciones examinando

la varianza entre medias muéstrales. La otra estimación de la varianza de la población está

determinada por la variación dentro de las muestras mismas. Entonces comparamos estas dos

estimaciones de la varianza de la población. Como ambas son estimaciones de σ 2 , deben tener

un valor aproximadamente igual, esta última afirmación se establece como una hipótesis nula,
siendo la hipótesis alternativa el resultado opuesto a esta afirmación. Entonces, los tres pasos del

análisis de varianza son:

 Determinar una estimación de la varianza de la población a partir de la varianza entre

las medias de las muestras.

 Determinar una segunda estimación de la varianza de la población a partir de la

varianza dentro de las muestras.

 Comparar estas dos estimaciones. Si su valor es aproximadamente igual, se acepta la

hipótesis nula.

El análisis de la varianza (o Anova: Analysis of variance) es un método para comparar dos o más

medias. Es necesario porque cuando se quiere comparar más de dos medias es incorrecto utilizar

repetidamente el contraste basado en la t de Student. En resumen, el análisis de varianza sirve

para comparar si los valores de un conjunto de datos numéricos son significativamente distintos a

los valores de otro o más conjuntos de datos. El método para comparar estos valores está basado

en la varianza global observada en los grupos de datos numéricos a comparar. Típicamente, el

análisis de varianza se utiliza para asociar una probabilidad a la conclusión de que la media de un

grupo de puntuaciones es distinta de la media de otro grupo de puntuaciones. (Rubin, 2004)

El ANOVA parte de algunos supuestos que han de cumplirse:

 La variable dependiente debe medirse al menos a nivel de intervalo.

 Independencia de las observaciones.

 La distribución de la variable dependiente debe ser normal.

 Homocedasticidad: homogeneidad de las varianzas.

 Comparación de medias

Cuando se desea comprobar si los valores de una característica que es posible cuantificar

(como podría ser la edad o la cifra de tensión arterial, entre otras) difieren al agruparlas en dos o

más grupos (por ejemplo, según género, o por diagnóstico de hipertensión arterial) hablaremos de

comparación de medias. La comparación de medias en un sentido más general, abarca la

comparación de los valores de una variable continua según los valores de una variable (o factor)

que se puede resumir en dos o más categorías (como el ejemplo expuesto previamente) y que

englobaríamos dentro de las pruebas para datos independientes, así como la comparación de los

valores de una variable continua evaluada en dos o más momentos en el tiempo (por ejemplo

comparar si hay diferencias entre la medición de la presión arterial realizada por la mañana o por

la noche) y que englobaríamos dentro de las pruebas para datos apareados.

Comparación de medias: pruebas para datos independientes

Existen varias pruebas estadísticas que permiten comparar las medias de una variable continua

entre dos o más grupos. Cada una de estas pruebas ha sido diseñada para poder ser aplicada

cuando se cumplen una serie de supuestos necesarios, bajo diferentes condiciones de aplicación.

Prácticamente todas las hipótesis que podamos plantear (como comparar las medias de una

característica entre dos grupos) se pueden analizar bajo una base paramétrica o una base no

paramétrica. La decisión de cuándo aplicar una prueba correspondiente a cada uno de estos

grupos, depende básicamente de las características inherentes a la variable que deseamos

analizar. En general, como se ha indicado en capítulos anteriores, las pruebas paramétricas son

más potentes que las pruebas no paramétricas, pero exigen que se cumplan una serie de supuestos

como la normalidad en la distribución de la variable, la homocedasticidad (igualdad de varianzas)

y la independencia de las observaciones, requiriendo algunas pruebas que se cumplan todo el

conjunto de supuestos o alguno de ellos, dependiendo de la prueba a utilizar, sin los cuales, estas
pruebas pierden todo su potencial y resulta imprescindible recurrir a sus homólogas no

paramétricas. Exceptuando algunas pruebas que exigen más sofisticación y complejidad de las

que las pruebas no paramétricas pueden ofrecer, casi todas las pruebas disponibles bajo una base

paramétrica, disponen de una homóloga o equivalente bajo una base no paramétrica. (Pelaez,

2012)

Pruebas paramétricas en la comparación de medias para datos independientes

Si los datos que deseamos analizar cumplen los supuestos necesarios establecidos para poder

aplicar pruebas paramétricas, la prueba t de Student para datos independientes o el análisis de la

varianza (ANOVA) son las más indicadas para comparar las medias de una característica entre

dos o más grupos. La prueba t de Student para datos independientes se utiliza cuando deseamos

comparar única y exclusivamente las medias entre dos grupos (por ejemplo deseamos saber si la

altura varía según el género), mientras que el ANOVA resulta conveniente cuando deseamos

comparar las medias entre más de dos grupos (por ejemplo deseamos saber si las cifras de tensión

arterial sistólica difieren según la edad, considerando a los sujetos en 3 grupos de edad: menores

de 35 años, entre 35 y 55 años y mayores de 55 años).

Comparación de dos medias independientes.

Se desea comprobar si la función renal en pacientes hipertensos realmente está más afectada

en hombres que en mujeres. Por ello, se ha realizado un estudio en el que se han seleccionado

para participar un total de 50 pacientes hipertensos, 24 hombres y 26 mujeres, y se les ha

analizado los valores de creatinina sérica. Se han comparado los valores de creatinina sérica entre

hombres y mujeres mediante la prueba t de Student, dado que se cumplen los requisitos mínimos

básicos para su aplicación. (Pelaez, 2012)

Modelo Mixto de Análisis

Cuando en la estructura de tratamientos de un experimento se tienen tanto factores fijos como

aleatorios, el modelo que describe tales experimentos se llama modelo mixto. Si un efecto

principal es un efecto aleatorio, entonces cualquier interacción que involucre tal efecto principal

es también un efecto aleatorio. Es decir, las únicas interacciones que son efectos fijos son

aquellas cuyos efectos principales son todos fijos. Por ejemplo, un modelo de tres criterios de

clasificación donde A y B son efectos fijos y C es aleatorio.

Los modelos de regresión logística son los que tradicionalmente se utilizan para el estudio de

respuestas binarias. El término binario se refiere a los dos posibles resultados de la variable

respuesta, ya sea por su naturaleza categórica o bien por haber sido dicotomizada una variable

continua de interés. La regresión logísica permite expresar linealmente la relación entre las

variables explicativas y el logaritmo del odds de respuesta positiva. En la explicación de ciertos

fenómenos es pertinente considerar factores relacionados a diferentes niveles de una estructura

jerárquica. Para el caso más simple de dos niveles, implicaría manejar dos tipos de covariables:

las “entre grupo”, cuyo valor puede variar de grupo a grupo pero es el mismo para todas las

unidades de un mismo grupo, y las “intragrupo”, cuyos valores pueden variar entre las unidades

del mismo grupo. El enfoque de análisis más simple e “ingenuo” de este tipo de información es

ignorar dicha estructura jerárquica, es decir ignorar la correlación existente entre las respuestas de

individuos pertenecientes a un mismo grupo, y aplicar un modelo de regresión logística

convencional. El costo de esta simplicidad es que una correlación positiva entre las observaciones

provoca una sobredispersión que exagera la significación de los tests estadísticos.

 A diferencia de este primer enfoque, los modelos estadísticos de niveles múltiples consideran

la influencia de los diferentes niveles de la jerarquía sobre la respuesta a través de la

incorporación en el modelo de efectos aleatorios asociados a características medidas en esos

distintos niveles. De esta manera se obtiene una estructura de asociación entre las respuestas de

los individuos que refleja la tendencia a respuestas más similares entre los pertenecientes a un

mismo agrupamiento. Se trata de un modelo que tiene en cuenta los datos correlacionados a

través de la consideración de los niveles de un factor como seleccionados de una población de

niveles con el fin de realizar inferencias sobre esa población. Los modelos con efectos aleatorios

han sido bien estudiados para el caso de respuestas normales. En contraste, sólo recientemente,

han sido aplicados para respuestas categóricas. En particular para datos binarios el modelo

básico, denominado “modelo logísticonormal”, tiene un enlace logit con un predictor lineal que

contiene efectos aleatorios distribuidos normalmente con variancias desconocidas. El mismo

constituye un ejemplo de la extensión de los modelos lineales generalizados denominada

“modelos lineales generalizados mixtos”. En términos formales los modelos de regresión

logística mixtos o también denominados de tipo grupo- específico (GE) se explicitan en su forma

general.

El modelo es por lo tanto, un modelo logístico mixto con efectos fijos para las covariables,

tanto las de nivel grupal como individual, más un efecto aleatorio asociado a grupo. La inclusión

del término i en la ecuación (2) provoca el aumento de la correlación entre respuestas dentro de

un grupo en relación a la correlación entre grupos. La idea básica es que las probabilidades

logísticas para observaciones de la respuesta en un grupo tengan un valor común i . Por lo tanto,

si los i son muy diferentes, las respuestas de un mismo grupo están más altamente
correlacionadas que el conjunto total de respuestas. Es decir, cuanto mayor es la diferencia entre

los i , mayor es la correlación intra que entre grupos. La heterogeneidad en los i es simplemente

una función de su variancia, por lo que la correlación intra-grupo aumenta cuando aumenta 2 .

Para la interpretación de los coeficientes de las covariables es necesario tener en cuenta que el

modelo es condicional sobre el efecto aleatorio para grupo, y dentro de ese grupo, el coeficiente

de una covariable representa la magnitud del cambio en el logaritmo del odds de respuesta

positiva que uno debería esperar ante un valor particular de la covariable versus otro valor de la

misma. Debido a que el modelo especifica que ese coeficiente es el mismo para todos los grupos,

se estima combinando la información de diferentes grupos, es decir promediando sobre todos los

grupos de acuerdo a la distribución de ese efecto aleatorio para grupo.

Modelos Lineales Generalizados y Mixtos

Los Modelos lineales tradicionales surgen en el siglo XX y se basan en estimaciones por el

método de los Cuadrados Mínimos como el Análisis de Varianza (ANOVA), el Análisis de

Covarianza (ANACOVA), el Análisis de Varianza Multivariado (MANOVA) y la correlación

parcial. En general, emplean variables respuestas continuas y una o varias variables

independientes, las que pueden ser variables de clasificación que dividen las observaciones en

diferentes grupos o variables continuas. El objetivo de estos modelos puede ser la comparación

de grupos o tratamientos (prueba de hipótesis) o la predicción de una respuesta (variable

dependiente) a partir de las variables dependientes (1). Las premisas del ANOVA basado en un

modelo lineal tradicional son asumidas, en ocasiones sin tener un estricto cumplimiento, con el

fundamento de que, si el número de observaciones es elevado, los datos pueden llegar a ajustarse

a la normalidad.

La metodología de modelos mixtos permite analizar correcta y eficientemente los datos de

experimentos con medidas repetidas mediante el modelaje de la estructura de covarianzas, que

considera las correlaciones entre medidas repetidas y la presencia de varianzas heterogéneas. No

considerar la correlación entre sujetos con la utilización de efectos fijos o modelos mixtos con

estructuras de covarianzas muy simples, podría originar que aumente la tasa de error tipo I para la

prueba de efectos fijos del modelo. Sin embargo, un modelo muy complicado afectaría la

potencia y la eficiencia de la prueba para los efectos fijos.

Clasificación

Los tipos de modelos disponibles en la actualidad pueden ser agrupados por el tipo de la

variable respuesta o variable dependiente, la cual puede distribuirse según una distribución

normal (Modelo Lineal General) o de otro tipo (Modelos Lineales Generalizados

Los Modelos Lineales Mixtos

Los análisis de modelos mixtos se aplican particularmente a investigaciones que implican

factores con pocos niveles, que pueden ser controlados por los investigadores (fijos); así como, a

factores con niveles que están fuera del control del investigador (aleatorios).

Los modelos lineales mixtos son una generalización de modelos lineales generales y se

emplean cuando:

Los efectos son aleatorios: donde el conjunto de valores de una variable de predictor

categórico se ven no como el conjunto completo, sino como una muestra aleatoria de todos los

valores

Efectos jerárquicos: donde se miden variables predictoras en más de un nivel

Medidas repetidas: donde las observaciones se correlacionan de forma independiente.

 Aplicaciones De Los Modelos Lineales Mixtos

La aplicación de los modelos mixtos en los programas de mejoramiento en plantas ha estado

enfocada en tres direcciones:

 La predicción del comportamiento familiar

 La estimación de los componentes de varianza

 Ensayos multiambientes

Ofrecen nuevas posibilidades en estos casos, pues hacen posible extender los modelos lineales

clásicos de efectos fijos, al incluir efectos aleatorios y predictores BLUPs, para el análisis de

datos con distribuciones de la familia exponencial. Además, permiten procesar datos

correlacionados al usar efectos aleatorios y estimar sus componentes de varianza asociados al

modelo, adicionales a los del error residual. Los procedimientos de estimación usados posibilitan

reducir los sesgos cuando los datos están incompletos, desbalanceados o ajustar datos dispersos y

permiten además modelar la estructura de los errores en datos provenientes de mediciones

longitudinales.

Los modelos mixtos han sido ampliamente utilizados en los estudios de genética en plantas, y

los modelos mixtos generalizados han permitido ampliar el espectro de trabajo con aquellas

variables que por su naturaleza, no se ajustan a una distribución normal y sus datos se encuentran

correlacionados. En la actualidad, su utilización requiere de programas computacionales de gran

complejidad, pero presentan grandes ventajas con respecto a los métodos clásicos, ya que sus
procedimientos de estimación reducen los sesgos cuando los datos están incompletos,

desbalanceados o ajustan datos dispersos. (Fernandez, 2010)

Figura. 7
 Conclusion

Los diferentes tipos de análisis de Datos siempre tendrán un sesgo pero con la utilización de

programas informáticos ayudan evitar mayores errores a la hora de realizar comparaciones con

diferentes grupos, los tipos de modelos mixtos nos ayudaran a implementar los resultados o

estadísticas que no se ajustan a su distribución normal y sus datos se encuentran correlacionados.

 Bibliografía

Esthefany, M. S. (2015). Universidad Autonoma San Francisco. Obtenido de

https://es.scribd.com/document/315524921/Analisis-de-Regresion-y-Correlacion

Ferrero, R. (28 de 04 de 2012). Data Science. Obtenido de

https://www.maximaformacion.es/blog-dat/analisis-de-correlacion-en-r/

Garcia, S. Y. (12 de noviembre de 2005). Universidad Inca Garcilaso de la Vega . Obtenido de

http://cmap.upb.edu.co/rid=1236271044945_1568712640_516/leccion2.8regresion-

correlacion.pdf

Pelaez, I. M. (2012). Comparacion de Medias. Cali: UNEB.

Rioja, L. C. (22 de 08 de 2014). UNED. Obtenido de

https://www2.uned.es/socioestadistica/Multivariante/Odd_Ratio_LogitV2.pdf

Rubin, L. D. (2004). Estadistica para Administracion y Economia Septima Edicion . Mexico:

Pearson Educacion .

 Gómez S, Torres V, García Y, Fraga LM, Sarduy L, Savón LL. Comparación de modelos de

efectos fijos y mixto en el análisis de un experimento con cepas mutantes de hongos

celulolíticos Trichoderma viride. Revista Cubana de Ciencia Agrícola. 2012;46(2):127-31.