Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen
El modelo de regresión logística múltiple permite estimar la probabilidad de una variable cualitativa binaria
en función de predictores tanto continuos como categóricos, es decir, permite calcular la probabilidad de
que la variable dependiente pertenezca a cada una de las dos categorías en función del valor que adquieren
las variables independientes o predictores (Amat, 2016).Se aplica este modelo en la base de datos de la
Prueba Ser Estudiante 2018-2019 de estudiantes de la Zona 1 de Ecuador empleando
1
especial en el campo de Matemática y en el el modelo en su conjunto, así como los
campo Lengua y Literatura. predictores que lo forman.
2. Materiales y métodos
Base de datos
Se empleó la base de datos de la Prueba Ser 3. Resultados
Estudiante de las instituciones educativas
pertenecientes a la Coordinación Zonal Al usar el modelo de regresión logística
1Educación (Imbabura, Carchi, Esmeraldas y múltiple, la variable dependiente de área (rural
Sucumbíos) correspondiente al año lectivo y urbana), frente a las variables explicativas
2018-2019. La base de datos contiene 4580 cuyos valores son discretos en todos los casos
observaciones (2517 del área urbana y 2063 excepto en el sexo, toma como intercepto a los
del área rural) que corresponden al número de estimadores respecto a los hombres, ya que la
estudiantes evaluados y 6 variables: tipo de variable explicativa está utilizando el sexo
área (tp_area: 1=Rural, 2=Urbano), tipo de femenino.
sexo (tp_sexo: Mujer, Hombre), promedio
obtenido en el campo de Matemática (imat), El modelo completo (Tabla 2) identifica a icn,
promedio obtenido en el campo de Lengua y ies y tp-sexo mujer como no significativas, con
Literatura (ilyl), promedio obtenido en el campo un AIC de 6274.9. La ratio da más ventaja a las
de Ciencias Naturales (icn) y promedio variables explicativas sexo mujer (1.11), icn,
obtenido en el campo de Estudios Sociales ies e imat (1 en cada caso) a favor de la
(ies). variable Y y el resto lo contrario.
Tabla 2. Modelo completo
Tabla 1. Tabla de frecuencias Probabilidad (>|Z|)
2
Matemática 1.36e-08 *** El modelo reducido es significativo y es capaz
(imat) de clasificar correctamente el 55,72% de las
Lengua y 0.00347 ** observaciones.
literatura
El área a la que pertenece el estudiantado de
(ilyl)
la Zona 1 de Ecuador influye en los resultados
Al comparar los modelos realizados, mediante que obtienen los estudiantes en el campo de
el análisis de varianza de los residuos la Matemática y en el campo Lengua y Literatura.
probabilidad ji-cuadrado de 0.1459, demuestra
que los modelo son iguales. De acuerdo con el
principio de parsimonia, elegir el modelo más
sencillo es lo más acorde para realizar
inferencia, en la variable dependiente.
Referencias
Aliu, A., Rexhepi, S., & Iseni, E. (2021).
Además, debido a que el p-value =
1.641048e08, el modelo reducido sí es Analysis and comparison
significativo
of
También, el modelo reducido es capaz de
clasificar correctamente commitment, homework, extra hours,
(2248+303)/(2249+300+1760+269)= 0,5572=
55,72 % de las preliminary grades and testing of
observaciones de entrenamiento como se
muestra en la Tabla 4 y Figura 1 students in Mathematics using linear
Figura 1. Predicciones modelo reducido García, M., Alvarado, J., & Jiménez, A. (2000).
La predicción del
Psicothema, 5.
Recuperado de
http://scielo.sld.cu/pdf/rc/v14n62/rc26
4. Conclusiones
Se generaron dos modelos logísticos, los 6218.pdf
cuales al ser comparados mediante el análisis
de varianza de los residuos la probabilidad Hossain, S. J., Tofail, F., Sujan, H. M.,
jicuadrado fueron iguales, por lo que.
empleando el principio de parsimonia se elige Arifeen, S. E., & Hamadani, J. (2021).
el modelo reducido como el más adecuado.
Factors associated with school
3
achievement of children aged 8–10 de Conocimientos, Saberes y
INEVAL, (2016). Retos educativos, retos hacia demographic factors that influence
RetosExcelencia201611301.pdf https://doi.org/10.3926/jotse.1359
masculino: Un estudio de la
costarricense.
15. https://doi.org/10.15359/ree.25-
3.35
regresión logística y