MODELO DE REGRESIÓN LINEAL MÚLTIPLE La regresión lineal es una técnica estadística destinada a analizar las causas de por qué pasan las cosas. A partir de los análisis de regresión lineal múltiple podemos:
identificar que variables independientes (causas) explican una variable dependiente (resultado)
comparar y comprobar modelos causales predecir valores de una variable, es decir, a partir part ir de unas características ca racterísticas predecir de forma aproximada un comportamiento o estado
SUPUESTOS La regresión múltiple tiene 4 supuestos importantes que hay que seguir para hacer un análisis preciso y no sesgado: 1) Normalidad
2) Relación lineal
3) Aditividad y Multicolinealidad
4) Homocedasticidad
Normalidad: Esto se refiere a que todos nuestros datos, tanto nuestras variables independientes así como nuestra variable dependiente, tienen que tener puntajes que están distribuidos normalmente. Más específicamente los residuos (error) de estos puntajes deben tener una distribución normal. La regresión es un análisis lineal y por ello, trabaja con relaciones lineales. Cuando los errores de las variables tienen distribución no normal, pueden afectar las relaciones y la significancia, y se enfocan en los errores porque en una regresión lineal también es posible poner variables dicotómicas (sexo) y estas no tienen una distribución normal.
The world's largest digital library
Try Scribd FREE for 30 days to access over 125 million titles without ads or interruptions! Start Free Trial Cancel Anytime.
The world's largest digital library
Try Scribd FREE for 30 days to access over 125 million titles without ads or interruptions! Start Free Trial Cancel Anytime.
Relación lineal: Este
segundo
supuesto está
dirigido
a
la
relación
entre las
variable
independientes y dependiente. La relación entre cada variable independiente con la variable dependiente debe ser lineal. En otras palabras, debe haber una correlación entre las variables independientes y la dependiente. Los análisis de correlación se deben hacer antes de la regresión para poder saber qué variables tienen relación con la que deseamos medir, porque este análisis previo nos permitirá saber qué variables incluimos en nuestro modelo de regresión.
Additividad y multicolinealidad: La aditividad se refiere a que el modelo de regresión lineal li neal es aditivo, es decir que cada variable independiente por sí sola, suma a la explicación de la variable dependiente. En otras palabras, no hay relación entre las variables independientes. Si hubiera relación entre las variables independientes de nuestro modelo, tendríamos un problema llamado multicolinealidad; y se da cuando dos variables independientes están es tán relacionadas. Esto viene a ser un un problema porque porque si hay relación entre dos variables entonces son muy parecidas y por ello tener las dos no aporta nada a explicar mejor nuestra variable dependiente. Para saber si existe la multicolinealidad existen dos maneras: a) Previo a hacer nuestro modelo de regresión múltiple analizar con una correlación de Pearson para ver si hay relación fuerte entre nuestras variables independientes. b) Durante el análisis estadístico de regresión múltiple se le puede pedir al programa, diagnósticos de multicolinealidad.
The world's largest digital library
Try Scribd FREE for 30 days to access over 125 million titles without ads or interruptions! Start Free Trial Cancel Anytime.
Homocedasticidad: La homocedasticidad es cuando la varianza de los errores er rores de medición de nuestro análisis es igual para todas las variables independientes. A su vez, cuándo esta varianza es diferente entre las diferentes variables independientes tenemos t enemos un problema de Heterocedasticidad, ya que puede arruinar los resultados y hacer hacer caer en un error, es decir podríamos asumir que algo está relacionado cuando en realidad no lo está. Así como la Multicolinealidad, hay una manera de revisar si existe Homocedasticidad en nuestros datos. Para esto se revisa un gráfico, y si la varianza del error de nuestras variables independientes está relacionada con la varianza que predice nuestra variable dependiente existe una complicación. Porque hay Heterocedasticidad, el error no debe estar relacionado con nuestra capacidad para predecir nuestra variable dependiente.
BIBLIOGRAFÍA:
Horra
J.
(2014).
Modelo
de
regresión
múltiple.
Obtenido
de
https://www.uam.es/personal_pdi/ciencias/horra/AnalisisDatos-Apuntes/RegresionMultiple.pdf
Williams,
M.,
Gómez,
C.
A.
y
Kurkiewicz,
D.
(2013).
Supuestos de regresión múltiple: corregir dos conceptos erróneos . Practical Assessment Research & evaluation, 18, 11, 1-14.