474 Capítulo 12 Regresión lineal múltiple y ciertos modelos de regresión no lineal

Luego, tenemos

1, para el polímero 1, 1, para el polímero 2,

z1 = y z2 =
0, en cualquier caso, 0, en cualquier caso.

A partir del análisis de la figura 12.3 se sacan las siguientes conclusiones. El coefi-
ciente b1 para el pH es el estimado de la pendiente común que se asume en el análisis de
regresión. Todos los términos del modelo son estadísticamente significativos. Así, el pH
y la naturaleza del polímero tienen un efecto sobre la cantidad de limpieza. Los signos
y las magnitudes de los coeficientes de z1 y z2 indican que el polímero más eficaz para la
limpieza es el polímero 1 (produce más sólidos en suspensión), seguido por el polímero
2, y que el menos eficaz es el polímero 3.

Tabla 12.7: Datos para el ejemplo 12.9

x (pH) y (cantidad de sólidos en suspensión) Polímero
6.5 292 1
6.9 329 1
7.8 352 1
8.4 378 1
8.8 392 1
9.2 410 1
6.7 198 2
6.9 227 2
7.5 277 2
7.9 297 2
8.7 364 2
9.2 375 2
6.5 167 3
7.0 225 3
7.2 247 3
7.6 268 3
8.7 288 3
9.2 342 3

La pendiente puede variar con las categorías indicadoras

En el análisis efectuado hasta el momento se ha supuesto que los términos de las varia-
bles indicadoras entran al modelo en forma aditiva, lo cual sugiere que las pendientes,
como las que se aprecian en la figura 12.2, son constantes en todas las categorías. Es
evidente que éste no siempre será el caso. Existe la posibilidad de que las pendientes
varíen y realmente se ponga a prueba esta condición de paralelismo al incluir términos
de producto o interacción entre los términos indicadores y las variables continuas. Por
ejemplo, suponga que se eligen un modelo con un regresor continuo y una variable indi-
cadora con dos niveles. El modelo entonces quedaría como sigue

y = β0 + β1 x + β2 z + β3 xz +