16. Modelo de Regresión lineal | Curso de SPSS 29

Summary

El video explica el modelo de regresión lineal, que permite predecir una variable endógena a partir de variables exógenas. Se diferencia entre regresión lineal simple, que utiliza una sola variable predictora, y regresión lineal múltiple, que emplea múltiples predictores. Se ilustra el uso de variables numéricas, ordinales y nominales en la creación de modelos, así como la importancia de los coeficientes y el valor de R cuadrado para evaluar el ajuste del modelo. También se aborda la creación de variables ficticias para variables nominales politómicas, facilitando su inclusión en el análisis.

Takeaways

• 📊 El modelo de regresión lineal predice una variable endógena a partir de variables exógenas, pudiendo ser simple o múltiple.
• 🧪 En este caso, se utiliza el nivel de glucosa en ayunas como variable a predecir y los triglicéridos como predictor en una regresión lineal simple.
• 📈 El valor de R y R cuadrado indica la capacidad predictiva del modelo y el ajuste de los datos a un modelo lineal.
• 🔍 Si el p-valor es menor a 0.05, existe una relación lineal significativa entre las variables.
• 📉 En la regresión lineal múltiple, se pueden incluir múltiples predictores, como variables ordinales y nominales dicotómicas.
• 🏷️ Las variables ordinales deben respetar el orden de sus categorías, mientras que las nominales no tienen un orden específico.
• 🔢 Las variables dicotómicas se codifican con 1 y 0, donde 1 indica presencia y 0 ausencia de un factor.
• 💡 Las variables nominales politómicas requieren la creación de variables ficticias para ser incluidas en el análisis de regresión.
• 🛠️ Se crean variables temporales (variables dummy) para cada categoría de las variables nominales politómicas en el software estadístico.
• 🧮 La ecuación del modelo de regresión lineal se construye a partir de los coeficientes calculados, que incluyen la constante y los coeficientes para cada variable predictora.

Q & A

¿Qué es un modelo de regresión lineal?

Un modelo de regresión lineal es una técnica estadística utilizada para predecir una variable dependiente (endógena) a partir de una o más variables independientes (exógenas).

¿Cuál es la diferencia entre regresión lineal simple y múltiple?

La regresión lineal simple utiliza una única variable predictora, mientras que la regresión lineal múltiple utiliza varias variables predictoras para realizar la predicción.

¿Qué variable se está prediciendo en el ejemplo del script?

En el ejemplo del script, la variable que se está prediciendo es el nivel de glucosa en ayunas.

¿Qué rol juegan los triglicéridos en el análisis de regresión?

Los triglicéridos se utilizan como la única variable predictora en el modelo de regresión lineal simple para predecir los niveles de glucosa.

¿Cómo se determina la relación lineal entre variables?

Se determina mediante el valor de p; si el p-valor es menor a 0,05, se concluye que existe una relación lineal significativa entre las variables.

¿Qué son los coeficientes en un modelo de regresión?

Los coeficientes son valores que representan la relación entre las variables predictoras y la variable dependiente, y se utilizan para construir la ecuación de regresión.

¿Qué son las variables dummy y por qué son necesarias?

Las variables dummy son variables ficticias que se crean para representar categorías de variables nominales en un análisis de regresión, permitiendo incluir estas categorías en el modelo.

¿Cómo se crean variables dummy a partir de una variable nominal politómica?

Se crean asignando un valor binario (0 o 1) para cada categoría de la variable nominal, permitiendo así que cada categoría se incluya como una variable independiente en el análisis.

¿Por qué se excluye la variable original de procedencia al utilizar variables dummy?

Se excluye la variable original porque las variables dummy representan cada categoría, y su inclusión redundaría en información, afectando el modelo de regresión.

¿Qué información proporciona el valor de R y R cuadrado en un modelo de regresión?

El valor de R indica la fuerza de la relación lineal entre las variables, mientras que R cuadrado muestra la proporción de la variación en la variable dependiente que se puede explicar por las variables independientes en el modelo.