Clase 6 Regresion Lineal Psicologia

ESTADÍSTICA
DESCRIPTIVA
Mg. JHON FREDY SABI ROJAS
COEFICIENTE DE
CORRELACIÓN Y
DETERMINACIÓN
ANÁLISIS DE REGRESIÓN
LINEAL SIMPLE
DIAGRAMA DE DISPERSIÓN
El diagrama de dispersión o nube de puntos permite obtener información sobre
el tipo de relación existente entre X e Y, además de ayudarnos a detectar posibles
valores atípicos o extremos.
CORRELACIÓN
La finalidad de la correlación es examinar la dirección y la fuerza de la asociación
entre dos variables cuantitativas. Así conoceremos la intensidad de la relación entre
ellas y si, al aumentar el valor de una variable, aumenta o disminuye el valor de la
otra variable.
Para valorar la
asociación entre dos
variables, la primera
aproximación suele
hacerse mediante un
diagrama de dispersión.
COEFICIENTE DE CORRELACIÓN
Determina el grado de asociación lineal entre X e Y, sin establecer a priori ninguna
direccionalidad en la relación entre ambas variables.
Hay dos coeficientes de correlación que se usan frecuentemente: el de Pearson

(paramétrico) y el de Spearman (no paramétrico, se utiliza en aquellos casos
donde las variables examinadas no cumplen criterios de normalidad o cuando
las variables son ordinales).
El coeficiente de correlación de Pearson evalúa específicamente la adecuación

a la recta lineal que defina la relación entre dos variables cuantitativas. El
coeficiente no paramétrico de Spearman mide cualquier tipo de asociación, no
necesariamente lineal.
COEFICIENTE DE CORRELACIÓN LINEAL DE PEARSON (r)
El estimador muestral más utilizado para evaluar la asociación lineal entre dos
variables X e Y es el coeficiente de correlación de Pearson (r). Se trata de un
índice que mide si los puntos tienen tendencia a disponerse en una línea recta.
Puede tomar valores entre -1 y +1.
Es un método estadístico paramétrico, ya que utiliza la media, la varianza,…y por

tanto, requiere criterios de normalidad para las variables analizadas.
Se define como la covarianza muestral entre X e Y dividida por el producto de las

desviaciones típicas de cada variable:
El signo del coeficiente de Pearson nos dice si el aspecto de la nube de puntos
es creciente o no, pero no nos dice nada sobre el grado de relación entre las
variables.
REGRESIÓN LINEAL SIMPLE
Permite cuantificar el cambio en el nivel medio de la variable Y

conforme cambia la variable X, asumiendo implícitamente que X es la
variable explicativa o independiente e Y es la variable respuesta o
dependiente.
La regresión está dirigida a describir como es la relación entre dos

variables X e Y, de tal manera que incluso se pueden hacer
predicciones sobre los valores de la variable Y, a partir de los de X.
Cuando la asociación entre ambas variables es fuerte, la regresión nos
ofrece un modelo estadístico que puede alcanzar finalidades
predictivas.
Una vez que hemos hecho el diagrama de dispersión y después de observar una
posible relación lineal entre las dos variables, nos proponemos encontrar la
ecuación de la recta que mejor se ajuste a la nube de puntos. Esta recta se
denomina recta de regresión.
FORMULA DE LA RECTA O ECUACIÓN DE REGRESIÓN
EL COEFICIENTE DE DETERMINACIÓN, 𝑹𝟐
Este coeficiente nos indica el grado de ajuste de la recta de regresión a los valores
de la muestra, y se define como el porcentaje de la variabilidad total de la
variable dependiente Y que es explicada por la recta de regresión.
Puesto que R2 nos explica la proporción de variabilidad de los datos que queda
explicada por el modelo de regresión, cuanto más cercano a la unidad esté,
mejor es el ajuste.
RELACIÓN ENTRE 𝑹𝟐 Y R
Es muy importante tener clara la diferencia entre el coeficiente de correlación y el

coeficiente de determinación:
𝑹𝟐 : mide la proporción de variación de la variable dependiente explicada por la

variable independiente.
r: mide el grado de asociación entre las dos variables.
Por tanto, es importante tener presente que r nos da más información que 𝑹𝟐 . El signo de
r nos informa de si la relación es positiva o negativa. Así pues, con el valor de r siempre
podremos calcular el valor de 𝑹𝟐 , pero al revés siempre nos quedará indeterminado el
valor del signo a menos que conozcamos la pendiente de la recta.
Por ejemplo, dado un 𝑹𝟐 = 0,81, si sabemos que la pendiente de la recta de regresión es

negativa, entonces podremos afirmar que el coeficiente de correlación será r = -0,9. Una
correlación puede parecer impresionante, por ejemplo r = 0,7, y sin embargo el modelo
lineal explicaría menos del 50% de lo observado (𝑹𝟐 =0,49).

Clase 6 Regresion Lineal Psicologia

Cargado por

Copyright:

Formatos disponibles

Clase 6 Regresion Lineal Psicologia

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase 6 Regresion Lineal Psicologia

Cargado por

Copyright:

Formatos disponibles

ESTADÍSTICA

Hay dos coeficientes de correlación que se usan frecuentemente: el de Pearson

El coeficiente de correlación de Pearson evalúa específicamente la adecuación

Es un método estadístico paramétrico, ya que utiliza la media, la varianza,…y por

Se define como la covarianza muestral entre X e Y dividida por el producto de las

Permite cuantificar el cambio en el nivel medio de la variable Y

La regresión está dirigida a describir como es la relación entre dos

Es muy importante tener clara la diferencia entre el coeficiente de correlación y el

𝑹𝟐 : mide la proporción de variación de la variable dependiente explicada por la

Por ejemplo, dado un 𝑹𝟐 = 0,81, si sabemos que la pendiente de la recta de regresión es

También podría gustarte