Desarrollar el cuestionario:

1. ¿Cuál es el propósito del análisis de regresión y correlación?

El Análisis de Regresión estudia la relación funcional que existe entre dos o
más variables. Identifica el modelo o función que liga a las variables, estima
sus parámetros y, eventualmente, prueba hipótesis acerca de ellos. Una
vez estimado el modelo es posible predecir el valor de la variable
denominada variable dependiente en función de la o las otras variables/s
independiente/s y dar una medida de la precisión con que esa estimación
se ha hecho. Dependiendo del objetivo del estudio, los valores o niveles de
la/s variable/s independiente/s pueden ser arbitrariamente modificados por
el experimentador, es decir el investigador puede fijar los niveles de la
variable independiente para los cuales desea estudiar la respuesta de la
variable dependiente.

El modelo hallado puede ser usado para predecir el comportamiento de la

variable dependiente para otros niveles de la variable independiente, que
pertenezcan al dominio del estudio.

El Análisis de Correlación lineal estudia el grado y sentido de la asociación

lineal que hay entre un conjunto de variables y, a diferencia del análisis de
regresión, no se identifica ni se estima explícitamente un modelo funcional
para las variables, este siempre se supone lineal. El interés principal es
medir la asociación entre dos variables aleatorias cualesquiera, sin
necesidad de distinguir variables dependientes e independientes. Por
ejemplo, puede quererse evaluar la intensidad de la asociación entre la
cantidad de espiguillas por espiga de trigo y la longitud de las espigas. Se
ha establecido que cuanto mayor es la longitud de las espigas mayor es el
número de espiguillas por espiga. Obsérvese que, en el ejemplo, no se
habla de relación funcional, ni tampoco se insinúa que la longitud de la
espiga aumenta porque aumenta el número de espiguillas o viceversa, sólo
se enfatiza la forma en que se comporta una variable en relación a la otra y
el interés está centrado en medir la intensidad de esta asociación.

En el análisis de correlación, ninguna de las variables puede ser fijada por

el experimentador, ya que éste podría seleccionar niveles de las variables
que no son frecuentes y esto podría conducir a una estimación errada del
grado de correlación.

2. ¿Por qué se requiere la regresión lineal múltiple? ¿En qué casos se

presenta?
 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 de unas características
predecir de forma aproximada un comportamiento o estado.
La regresión lineal múltiple es la gran técnica estadística para comprobar
hipótesis y relaciones causales. Se presenta cuando:

La variable dependiente (resultado) debe ser ordinal o escalar, es decir, que

las categorías de la variable tengan orden interno o jerarquía, p.ej. nivel de
ingresos, peso, número de hijos, justificación del aborto en una escala de 1-
nunca a 10-siempre.

Las variables independientes (causas) deben ser ordinales o escalares o

dummy

Hay otras condiciones como: las variables independientes no puede estar

altamente correlacionadas entre sí, las relaciones entre las causas y el
resultado deben ser lineales, todas variables deben seguir la distribución
normal y deben tener varianzas iguales. Estas condiciones no son tan
estrictas y hay maneras de tratar los datos si se incumple. Sobre ello
volveremos en futuras entradas

3. Que tipos de correlación existe, cite un ejemplo para cada uno de los casos.

Correlación directa

La correlación directa se da cuando al aumentar una de las

variables la otra aumenta.

La recta correspondiente a la nube de puntos de la distribución

es una recta creciente.
Correlación inversa

La correlación inversa se da cuando al aumentar una de las

variables la otra disminuye.

La recta correspondiente a la nube de puntos de la distribución

es una recta decreciente.

 Correlación nula

La correlación nula se da cuando no hay dependencia de ningún

tipo entre las variables.

En este caso se dice que las variables son incorreladas y la

nube de puntos tiene una forma redondeada.
Grado de correlación

El grado de correlación  indica la proximidad que hay entre los

puntos de la nube de puntos. Se pueden dar

 Correlación fuerte

La correlación será fuerte cuanto más cerca estén los puntos de

la recta.

 Correlación débil

La correlación será débil cuanto más separados estén los

puntos de la recta.
CLASIFICACIÓN DE LA CORRELACIÓN

Según la relación entre variables

- Correlación lineal: Se representa mediante una línea recta.

- Correlación no lineal: Se representa con una línea curva.

Según el número de variables

- Correlación simple: La variable dependiente actúa sobre la

variable independiente.

- Correlación múltiple: Cuando la variable dependiente actúa sobre

varias variables independientes.

- Correlación parcial: Cuando la relación que existe entre una

variable dependiente y una independiente es de tal forma que los
demás factores permanezcan constantes.

Según el valor cuantitativo

- Correlación perfecta: El valor del coeficiente de correlación es 1

- Correlación imperfecta: El coeficiente de correlación es menor a 1
sea en sentido positivo o negativo.

- Correlación nula: El coeficiente de correlación es 0. No existe

correlación entre las variables. Ejemplo: Número de calzado de una
persona y su cociente intelectual.

Según el signo

- Correlación positiva.- Dos variables tiene correlación positiva

cuando al aumentar o disminuir el valor de una de ellas entonces el
valor correspondiente a la otra aumentará o disminuirá
respectivamente, es decir, cuando las dos variables aumentan en el
mismo sentido. Ejemplo: Peso de una persona y su talla.

- Correlación negativa.- Dos variables tiene correlación negativa

cuando al aumentar o disminuir el valor de una de ellas entonces el
valor de la otra disminuirá o aumentará respectivamente, es decir,
una variable aumenta y otra disminuye o viceversa. Ejemplo:
Número de partidos ganados por un equipo en una temporada y su
posición final en la tabla.

4. ¿Qué es coeficiente de correlación y cuál es su interpretación?

El Coeficiente de Correlación es un valor cuantitativo de la relación entre

dos o
más variables.
La coeficiente de correlación puede variar desde -1.00 hasta 1.00.
La correlación de proporcionalidad directa o positiva se establece con los
valores +1.00 y de proporcionalidad inversa o negativa, con -1.00. No existe
relación entre las variables cuando el coeficiente es de 0.00.

El coeficiente de correlación lineal  es el cociente entre

la covarianza y el producto de las  desviaciones típicas  de
ambas variables.
El coeficiente de correlación lineal  se expresa mediante la
letra r.

Propiedades

 El coeficiente de correlación  no varía al hacerlo la escala de

medición.

Es decir, si expresamos la altura en metros o en centímetros el

coeficiente de correlación no varía.

 El signo del coeficiente de correlación  es el mismo que el de

la covarianza.

Si la covarianza es positiva, la correlación es directa.

Si la covarianza es negativa, la correlación es inversa.

Si la covarianza es nula, no existe correlación.

 El coeficiente de correlación lineal  es un número real

comprendido entre −1 y 1.

−1 ≤ r ≤ 1

 Si el coeficiente de correlación lineal  toma valores cercanos

a −1 la correlación es  fuerte e inversa, y será tanto más fuerte
cuanto más se aproxime r a −1.
  Si el coeficiente de correlación lineal  toma valores cercanos
a 1 la correlación es  fuerte y directa, y será tanto más fuerte
cuanto más se aproxime r a 1.

 Si el coeficiente de correlación lineal  toma valores cercanos

a 0, la correlación es  débil.

Si r = 1 ó −1, los puntos de la nube están sobre la recta

creciente o decreciente. Entre ambas variables
hay dependencia funcional .

Para interpretar el coeficiente de correlación utilizamos la siguiente escala:

Valor Significado
-1 Correlación negativa grande y perfecta
-0,9 a -0,99 Correlación negativa muy alta
-0,7 a -0,89 Correlación negativa alta
-0,4 a -0,69 Correlación negativa moderada
-0,2 a -0,39 Correlación negativa baja
-0,01 a -0,19 Correlación negativa muy baja
0 Correlación nula
0,01 a 0,19 Correlación positiva muy baja
0,2 a 0,39 Correlación positiva baja
0,4 a 0,69 Correlación positiva moderada
0,7 a 0,89 Correlación positiva alta
0,9 a 0,99 Correlación positiva muy alta
1 Correlación positiva grande y perfecta

5. ¿Qué es coeficiente de determinación y cuál es su interpretación?

el coeficiente de determinación, denominado R² y pronunciado R cuadrado,
es un estadístico usado en el contexto de un modelo estadístico cuyo
principal propósito es predecir futuros resultados o probar una hipótesis. El
coeficiente determina la calidad del modelo para replicar los resultados, y la
proporción de variación de los resultados que puede explicarse por el
modelo.

Hay varias definiciones diferentes para R² que son algunas veces

equivalentes. Las más comunes se refieren a la regresión lineal. En este
caso, el R² es simplemente el cuadrado del coeficiente de correlación de
Pearson, lo cual es sólo cierto para la regresión lineal simple. Si existen
varios resultados para una única variable, es decir, para una X existe una Y,
Z... el coeficiente de determinación resulta del cuadrado del coeficiente de
determinación múltiple. En ambos casos el R² adquiere valores entre 0 y 1.
Existen casos dentro de la definición computacional de R² donde este valor
puede tomar valores negativos.
 BIBLIOGRAFIA

 Estadística para las Ciencias Agropecuarias Sexta Edición, Di Rienzo,

Julio Alejandro Casanoves, Fernando Gonzalez, Laura Alicia Tablada,
Elena Margot Díaz, María del Pilar Robledo, Carlos Walter Balzarini,
Mónica Graciela, Argentina 2005.

 Qué es la Regresión Lineal Múltiple y cómo analizarla en 4 pasos,

Publicado el 5 febrero, 2014 por Julian Cardenas.

 MODELO DE REGRESIÓN LINEAL MÚLTIPLE, Autores: Renatas Kizys

(rkizys@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu), en:
http://www.uoc.edu/in3/emath/docs/T01_Reg_Lineal_Multiple.pdf

 Correlación entre variables Apuntes de clase del curso Seminario

Investigativo VI Por: Gustavo Ramón S. Doctor en Nuevas Perspectivas
en la Investigación en Ciencias de la Actividad Física y el Deporte
(Universidad de Granada). Docente – Investigador del Instituto
Universitario de Educación Física, Universidad de Antioquia (Colombia).
Correo: gusramon2000@yahoo.es

 http://www.monografias.com/trabajos93/analisis-
correlacion-empleando-excel-y-graph/analisis-correlacion-
empleando-excel-y-graph.shtml#ixzz4Q8kLFnWZ
 http://www.vitutor.com/estadistica/bi/coeficiente_correlacion.html

  Steel, R.G.D, and Torrie, J. H., Principles and Procedures of Statistics

with Special Reference to the Biological Sciences., McGraw Hill, 1960,
pp. 187, 287.)
 Volver arriba↑ Colin Cameron, A.; Windmeijer, Frank A.G.; Gramajo, H;
Cane, DE; Khosla, C (1997). «An R-squared measure of goodness of fit
for some common nonlinear regression models». Journal of
Econometrics 77 (2): 1790-2. doi:10.1016/S0304-4076(96)01818-
0. PMID 11230695.