2 La ecuación de la recta

Este punto introduce la ecuación de Regresión Simple como

procedimiento analítico para la obtención de predicciones
(también denominadas estimaciones o valores esperados). Las
transformaciones lineales generan variables que incorporan la
información proveniente de otras variables, y por ello son la
base para definir procedimientos de predicción o estimación de
variables habida cuenta de la covariación de las variables entre
sí. El Análisis de Regresión se basa en definir la variable
estimada (predicha) como transformación lineal de la variable
predictora:

donde:

Y' (A veces se simboliza como en la fórmula y otras veces se utiliza el

apóstrofo): Variable predicha o estimada.

a: Constante (también denominada interceptal). También simbolizada

como "c" o "m".

b: Coeficiente de la variable predictora (también denominado pendiente)

X: Variable predictora

Ejemplo

En el siguiente ejemplo la correlación entre las variables es

grande, pero no perfecta: Estamos interesados en obtener
predicciones de la sensación de malestar (variable Y) a partir del
número de sesiones de una terapia (variable X), dado que
hemos observado que las dos variables covarían (rxy = -0.97,
datos ficticios). Si asignamos valores arbitrarios a los
coeficientes, como b= -0.08 y c= 3.7, la ecuación con la que
obtenemos los valores esperados (o predichos) es:
Los valores de la variable predictora X son:

Sustituimos la X de la ecuación por los valores de los que

queremos obtener los valores esperados y resulta:

En consecuencia diremos que la sensación esperada de malestar

de un paciente que no ha hecho ninguna sesión (X=0) es igual a
3.7; el valor esperado para un paciente que ha hecho una sola
sesión es igual a 3.6; etc.

Las estimaciones (o predicciones) del ejemplo del apartado 2.1

han sido obtenidas con una ecuación concreta. Sin embargo se
podría haber utilizado otra ecuación asignando otros valores a
los coeficientes. Por ejemplo, podemos hacer a= 4.8 y b= -0.2,
y los valores esperados con esta ecuación son diferentes a las
del ejemplo anterior, y por ello hay que definir un criterio para
obtener las mejores predicciones que sea posible.