REGRESIÓN LINEAL MÚLTIPLE FACIL | SPSS | SUPUESTOS, CUÁNDO Y CÓMO USARLA (JERÁRQUICA, POR PASOS)
Summary
TLDREn este episodio de 'Psico Fácil', Javier introduce la regresión lineal múltiple, una técnica estadística utilizada para determinar cómo múltiples variables predictoras influyen en una variable de interés. Se explica que, a diferencia de la regresión lineal simple, esta técnica permite incluir varios factores que pueden afectar el resultado, como la calidad del producto, el precio, la publicidad y el tipo de país. Javier detalla tres métodos de selección de predictores: jerárquico, por entrada forzada y por pasos, y subraya la importancia de elegir variables teóricamente justificadas. Además, menciona los requisitos para realizar una regresión lineal múltiple, como la ausencia de multicolinealidad y la necesidad de que las variables predictoras sean cuantitativas. Se invita a los espectadores a seguir el canal y a ver más contenido educativo en estadísticas.
Takeaways
- 📚 Hoy se explora la regresión lineal múltiple, una técnica estadística avanzada para analizar múltiples variables predictoras y su impacto en una variable de interés.
- 🔍 Se destaca la importancia de comprender que en la vida real, a menudo múltiples factores influyen en los resultados, como en el ejemplo de las ventas de una empresa.
- ✅ Se explica que la regresión lineal simple es una herramienta básica, pero la regresión lineal múltiple es necesaria para modelos más complejos.
- 📈 Se menciona que la ecuación de regresión se complica con el aumento de variables predictoras, lo que requiere un análisis más detallado.
- 🧐 Se enfatiza la necesidad de ser cuidadosos al seleccionar variables para el análisis, ya que esto afecta directamente a los coeficientes de regresión.
- 🔬 Se presenta la idea de que las variables predictoras deben ser teóricamente justificadas y no añadidas al azar al modelo.
- 📊 Se describen tres métodos principales de regresión lineal múltiple: jerárquico, por entrada forzada y por pasos, cada uno con sus propios usos y ventajas.
- 📝 Se resalta la importancia de la selección de predictores, ya que el orden de inclusión puede afectar significativamente a los resultados del modelo.
- 📐 Se mencionan los requisitos para realizar una regresión lineal múltiple, incluyendo la necesidad de que las variables predictoras sean cuantitativas y no estén altamente correlacionadas entre sí (sin multicolinealidad).
- 💻 Se sugiere que para realizar análisis estadísticos avanzados, se debe usar software estadístico específico, como SPSS, y se invita a los espectadores a ver futuras explicaciones en videos subsecuentes.
Q & A
¿Qué es la regresión lineal múltiple y cómo se diferencia de la regresión lineal simple?
-La regresión lineal múltiple es un método estadístico que permite predecir una variable de interés (variable criterio) a partir de dos o más variables predictoras. Se diferencia de la regresión lineal simple en que esta última solo utiliza una variable predictora para predecir la variable de interés.
¿Cuál es el propósito de utilizar múltiples variables predictoras en un modelo de regresión lineal múltiple?
-El propósito es poder explicar mejor el cambio en la variable de interés, ya que en la realidad, a menudo múltiples factores influyen en un resultado específico, permitiendo así una predicción más precisa y un análisis más profundo de los datos.
¿Cómo se determina la ecuación de regresión lineal múltiple en un ejemplo práctico?
-En un ejemplo práctico, como las ventas de una empresa, la ecuación de regresión lineal múltiple se determina agregando múltiples términos que corresponden a los coeficientes multiplicados por las variables predictoras, como calidad del producto, precio, inversión en publicidad y tipo de país.
¿Qué es el coeficiente de determinación (R²) y cómo se interpreta en el contexto de la regresión lineal múltiple?
-El coeficiente de determinación (R²) es una medida que indica qué porcentaje de la variabilidad de la variable de interés puede ser explicada por la variable predictora. Un valor cercano a 1 indica una buena explicación, mientras que uno cercano a 0 indica que la variable predictora no explica mucho de la variabilidad.
¿Cuál es la importancia de seleccionar adecuadamente las variables predictoras en un modelo de regresión múltiple?
-Es crucial seleccionar las variables predictoras adecuadamente porque el coeficiente de regresión depende de ellas. Las variables seleccionadas deben tener un impacto teórico conocido y ser relevantes para la variable de interés, evitando incluir variables aleatorias que podrían distorsionar los resultados.
¿Qué métodos diferentes existen para realizar una regresión lineal múltiple y cuáles son sus diferencias?
-Existen tres métodos principales: regresión jerárquica, entrada forzada y regresión por pasos. La regresión jerárquica se basa en un orden de importancia teórica, la entrada forzada incluye todas las variables al mismo tiempo y no sigue un orden específico, mientras que la regresión por pasos agrega o elimina variables basándose en criterios matemáticos.
¿Qué es la 'entrada forzada' en el contexto de la regresión lineal múltiple?
-La 'entrada forzada' es un método en el cual todas las variables predictoras se ingresan al modelo de regresión simultáneamente, sin seguir un orden específico, y se basa en aspectos teóricos para incluir los predictores.
¿Cómo se define el método directo en la regresión por pasos?
-El método directo en la regresión por pasos implica comenzar con un modelo que solo contiene la constante y luego ir seleccionando variables que mejor predigan la variable de interés, basándose en la mayor correlación simple o parcial con el resultado.
¿Qué es la 'multicolinealidad' y por qué es importante evitarla en la regresión lineal múltiple?
-La multicolinealidad ocurre cuando las variables predictoras están altamente correlacionadas entre sí. Es importante evitarla porque puede distorsionar los coeficientes estimados, dificultando la interpretación y confiabilidad del modelo.
¿Cuáles son los requisitos básicos que debe cumplir una regresión lineal múltiple antes de realizar el análisis?
-Los requisitos básicos incluyen que las variables predictoras sean cuantitativas y cualitativas con al menos dos categorías, la variable de interés debe ser cuantitativa de intervalo, las variables predictoras deben tener varianza diferente de 0, no presentar multicolinealidad y no estar correlacionadas con variables externas no incluidas en el modelo.
Outlines
📊 Introducción a la Regresión Lineal Múltiple
Este primer párrafo introduce el concepto de regresión lineal múltiple, una técnica estadística que permite analizar cómo múltiples variables predictoras influyen en una variable de interés. Se explica que, a diferencia de la regresión lineal simple que solo considera una variable predictora, la regresión múltiple puede incluir múltiples factores que afectan a una variable, como en el ejemplo de las ventas de una empresa que pueden verse influenciadas por la calidad del producto, el precio, la publicidad y las condiciones sociales. Además, se menciona la importancia de seleccionar cuidadosamente las variables para el análisis, ya que el coeficiente de regresión dependerá de ellas y también afectará la forma en que se ingresan en el modelo.
🔍 Métodos de Selección de Variables en Regresión Lineal Múltiple
El segundo párrafo se enfoca en los diferentes métodos para seleccionar variables en un modelo de regresión lineal múltiple. Se describen tres enfoques principales: el modelo jerárquico, el método de entrada forzada y el método de pasos. El modelo jerárquico se basa en la teoría previa y en el orden de importancia de las variables, mientras que el método de entrada forzada introduce todas las variables al mismo tiempo y no sigue un orden específico. El método de pasos es un proceso iterativo que puede incluir o eliminar variables basándose en su contribución al modelo. Además, se mencionan los requisitos que deben cumplirse para realizar una regresión lineal múltiple, como que las variables predictoras sean cuantitativas y que no haya multicolinealidad, y se sugiere que el análisis se realizará en SPSS, un software estadístico comúnmente utilizado.
Mindmap
Keywords
💡Regresión lineal múltiple
💡Variable predictora
💡Coeficiente de determinación (R²)
💡Selección de variables
💡Regresión jerárquica
💡Entrada forzada
💡Regresión por pasos
💡Multicolinealidad
💡Requisitos de la regresión lineal múltiple
💡SPSS
Highlights
Introducción al capítulo de regresión lineal múltiple en el canal Psicó Fácil.
Explicación de la regresión lineal simple y su limitación al solo considerar una variable predictora.
Importancia de considerar múltiples variables predictoras para explicar mejor los cambios en una variable de interés.
Ejemplo práctico de cómo varias variables pueden influir en las ventas de una empresa.
Descripción de cómo se construye la ecuación de regresión lineal múltiple con múltiples variables predictoras.
Importancia del coeficiente de determinación (R²) para medir la variabilidad explicada por el modelo.
Necesidad de ser cuidadosos al seleccionar variables para el análisis para no distorsionar los coeficientes de regresión.
Importancia de la teoría y la investigación previa en la selección de variables predictoras.
Comparación entre la regresión lineal múltiple y la simple en términos de inclusión de predictores.
Métodos para seleccionar variables predictoras: Jerárquico, Forzado y Paso a Paso.
Descripción del método de regresión jerárquica y su enfoque en la teoría y el orden de entrada de variables.
Explicación del método de entrada forzada y su inclusión de todas las variables predictoras al mismo tiempo.
Introducción al método de regresión por pasos, incluyendo directo, hacia atrás y hacia adelante.
Descripción del método directo y su enfoque en la selección de predictores por correlación simple y parcial.
Detalles sobre el método de paso a paso y su proceso de agregar y eliminar predictores según su contribución al modelo.
Requisitos básicos que debe cumplir la regresión lineal múltiple para ser válida, incluyendo la calidad de las variables predictoras.
Necesidad de evitar la multicolinealidad y la correlación con variables externas en el modelo de regresión.
Invitación a los espectadores a realizar análisis en SPSS y a ver el próximo vídeo para aprender más.
Oportunidad para que los espectadores hagan preguntas y contribuyan al canal a través de PayPal.
Invitación a suscribirse al canal y seguir en redes sociales para no perderse de futuras publicaciones.
Transcripts
bienvenidos a un nuevo capítulo de psico
fácil yo soy javier y el día de hoy te
traemos regresión lineal múltiple
bienvenidos
[Música]
anteriormente hablamos sobre la
regresión lineal simple que es uno de
los métodos de determinación de
causa-efecto de una variable sin embargo
recordemos que en la vida no sólo una
variable explica el cambio en la otra
por ejemplo el cambio en las ventas de
una empresa pueden ser explicadas no
solo por la calidad del producto o el
precio sino además puede influir el tipo
de publicidad que hagamos e incluso por
la condición social en donde nos
encontremos así para este ejemplo las
variables predictoras serían tanto la
calidad que la podemos medir en años de
duración del producto el precio la
inversión en publicidad y el tipo de
país cada una de éstas va a determinar
las ganancias de la empresa
así la ecuación obtenida por el modelo
de regresión lineal que era de esta
forma le vamos a agregar n veces más
conforme aumentan las variables la
multiplicación del coeficiente por la
variable predictora para nuestro ejemplo
tendríamos que agregar 3 veces más
esta operación que correspondería a los
coeficientes y variables de precio
publicidad y país ya como vimos en
nuestro vídeo anterior cada una de ellas
va a explicar el cambio de la variable
de interés o de criterio por medio del
coeficiente de determinación o erre
cuadrada
como investigadores debemos ser muy
cuidadosos con las variables que vamos a
ingresar al análisis ya que el
coeficiente de regresión va a depender
de estas además no solo los predictores
van a impactar la ecuación sino también
la forma en la que se ingresa entonces
si nosotros queremos construir un modelo
de regresión múltiple con diferentes
variables predictoras como decidimos qué
variables debemos usar la respuesta es
trabajo para la piel
[Música]
y sí aunque parezca la oración más
utilizada por psicólogos la verdad es
que para este tipo de análisis las
variables deben seleccionarse a partir
de investigaciones anteriores y
conociendo muy bien el constructo
teórico es decir en nuestra inversión de
mercados hagamos de cuenta que la
empresa vende discos musicales pues
tener como variable predictora el tipo
de leche que consumen las personas no va
a ser una variable que teóricamente
explique el cambio en la variable
criterio como si lo puede hacer la
inversión en publicidad o los seguidores
que tengan los artistas de los discos
que se venden así como regla general en
la regresión lineal múltiple no es
ingresar cientos de proyectores
aleatorios agruparlos en un modelo y
esperar lo mejor el problema de
seleccionar proyectores es que existen
varias formas en las que las variables
pueden ingresarse al modelo cuando los
proyectores no están correlacionados por
completo el orden de entrada de la
variable tiene muy poco efecto sobre los
parámetros calculados
sin embargo rara vez tenemos proyectores
no correlacionados por lo que el método
de selección de predictores es crucial
tenemos tres formas diferentes de
realizar una regresión lineal múltiple
que son por medio de un modelo
jerárquico por medio de entrada forzada
y por pasos para resumir cómo y cuándo
usarlos te presentamos esta tabla
en la regresión jerárquica los
proyectores se seleccionan en función de
un trabajo anterior y donde se tiene
claridad del constructo teórico en el
que nos basamos así para usar este
modelo el investigador debe ingresar en
orden de importancia las variables o que
sean conocidas por otra investigación
luego ingresar estos proyectores
conocidos como investigador ya puedes
agregar otros predictores diferentes al
modelo en el método de entrada forzada
todas las variables predictoras se
ingresan al modelo simultáneamente al
igual que en el modelo jerárquico este
método se basa en aspectos teóricos para
incluir los predictores pero no siguen
un orden específico algunos
investigadores creen que este método es
el único apropiado para las pruebas
teóricas ya que los modelos jerárquicos
pueden estar influenciados por la
variación aleatoria de los datos y por
tanto rara vez se pueden replicar
en las regresiones por pasos las
decisiones sobre el orden en que se
introducen los predictores en el modelo
se basan en un criterio puramente
matemático en este método encontramos
tres tipos
el método directo se define como un
modelo inicial que contiene sólo la
constante a luego la computadora busca
la variable que mejor predice a la
variable de interés y lo hace
seleccionando el predictor que tiene la
mayor correlación simple con el
resultado
si este predictor mejora
significativamente la capacidad del
modelo para predecir el resultado
entonces el proyector se retiene en el
modelo y la computadora busca un segundo
predictor el criterio utilizado para
seleccionar este segundo proyector es la
mayor correlación semi parcial con el
resultado coge hoy un espacio cerebrito
permítanme explicar esto en español
simple imagina que el primer predictor
explica el 40 por ciento de la varianza
de jett entonces todavía queda un 60%
sin explicar
la computadora busca el predictor que
pueda explicar la mayor parte del 60%
restante por lo tanto no le interesa el
40 que ya está explicado el nuevo
proyector que representa la variación
más grande se agrega al modelo si hace
una contribución significativa
el segundo de ellos es el método de paso
a paso que prácticamente es el mismo que
el directo excepto que cada vez que se
agrega un predictor a la ecuación se
realiza una prueba de eliminación del
predictor menos sutil como tal la
ecuación de regresión se reevalúa
constantemente para ver si se pueden
eliminar los predictores redundantes
el método hacia atrás es lo opuesto al
método directo ya que la computadora
ingresa todos los predictores en el
modelo y luego calcula la contribución
de cada uno
este valor de significación se compara
con un criterio de eliminación si un
predictor cumple el criterio de
eliminación es decir si no está haciendo
una contribución estadísticamente
significativa a la variable criterio se
elimina el modelo y éste se vuelve a
estimar para los proyectores restantes
es decir va de atrás hacia adelante como
todo análisis estadístico inferencial la
regresión lineal múltiple debe cumplir
los requisitos básicos que ya hemos
explicado
vídeo anterior el cual puedes ver en
nuestro vídeo sugerido además la
regresión tiene otros requisitos los
cuales son
que las variables predictoras sean
cuantitativas y cualitativas con por lo
menos dos categorías y la variable
criterio o de interés debe ser
cuantitativa de intervalo además las
variables predictoras deben tener
varianza diferente de 0 y no presentar
multi colineal y that
es decir que no tengan correlación
perfecta por último que los proyectores
no estén correlacionados con variables
externas es decir si en nuestro modelo
no vamos a incluir alguna variable
externa que se correlaciona con ninguna
de las variables incluidas en el modelo
de regresión ya que obviamente si alguna
variable externa se relaciona con los
predictores las conclusiones que vamos a
obtener del modelo resultan poco
confiables ya que existen otras
variables que también pueden predecir el
resultado y no las estamos teniendo en
cuenta ya cumpliendo todos estos
requisitos vamos a realizar los análisis
en sps s los cuales podrás ver en
nuestro siguiente vídeo tienes dudas
déjalas en la caja de comentarios
hasta la próxima
ah
ahora sí con fácil tiene paypal si este
vídeo te ayudo y quieres contribuir con
el crecimiento del canal puedes dar
click en el enlace de la descripción y
gracias por ver este capítulo de la
serie estadística de psico fácil te
invitamos a que sigas disfrutando de
cada uno de los vídeos que contiene este
curso da clic sobre el capítulo
siguiente en el enlace o bien puedes
continuar con los vídeos sugeridos del
curso a su vez te invitamos a que te
suscribas en nuestro canal de youtube y
nos sigas en las redes sociales
[Música]
2
sí
y
[Música]
y
[Música]
5.0 / 5 (0 votes)