2. Regresión Lineal
La RL permite predecir o disminuir
incertidumbres
Es el estudio de la dependencia
De como una respuesta o variable
depende de uno o más
predictores o variables
independientes
2 aspectos básicos de la
RL
Que la variable tenga
distribución normal
Debe existir una relación
en la que el incremento
o disminución de una
variable sea
proporcional
Palacios-Cruz et al., Rev Med Inst Mex Seguro Soc. 2013;51(6):656-61
3. Regresión Lineal - condiciones
Variable dependiente
debe ser continua
Las variables
independientes pueden
ser continuas o
categóricas
El intercepto
El coeficiente de
regresión
El coeficiente de
determinación (R2)
El Intervalo de confianza
El valor de “F” del análisis
de la varianza de
regresión
Palacios-Cruz et al., Rev Med Inst Mex Seguro Soc. 2013;51(6):656-61
4. Regresión Lineal
Utiliza una variable dependiente
(desenlace o “y”) para predecir
Utiliza una variable independiente
(maniobra o “x”)
Utiliza un termino aleatorio
El primer paso es determinar la
pendiente o inclinación de la línea
de regresión
Coeficiente de regresión
(B1)
Positividad – relación
directa
Si B1 es (+) “y” aumenta
conforme “x” aumenta
Negatividad – relación
inversa
Si B1 es (-) “y” disminuye
conforme “x” aumenta
Si B1 = 0, no hay
cambios en “y” a partir
de “x”
Palacios-Cruz et al., Rev Med Inst Mex Seguro Soc. 2013;51(6):656-61
6. Ejemplos de regresión en gráficos de dispersión
Schneider et al., Dtsch Arztebl Int 2010; 107(44): 776–82.
7. Regresión Lineal - Tipos
RL Simple (RLS):
Se relacionan solo 2 variables
La variable dependiente
(resultado)es cuantitativa
La variable independiente
(predictora) puede ser
cuantitativa o cualitativa
RL Múltiple (RLM):
Se utilizan 2 o más
variables (independientes)
para predecir una variable
dependiente cuantitativa
Las variables
independientes pueden
ser variables cuantitativas y
cualitativas
Palacios-Cruz et al., Rev Med Inst Mex Seguro Soc. 2013;51(6):656-61
8. Regresión Lineal Simple (RLS)
Coeficiente de correlación de Pearson = r
0 = independencia completa
0.5 = moderada
±1 = correlación perfecta
Ej., r = 0.886 = el ajuste de los datos al
modelo lineal es del 88.6%
Coeficiente de determinación = R
Expresa el % de casos que sirven para
predecir el resultado final
Ej., R = 0.785 = el 78.5% de los casos, el
resultado 1 sirve para predecir el resultado 2
Schneider et al., Dtsch Arztebl Int 2010; 107(44): 776–82.
9. Regresión Lineal Simple (RLS)
SPSS nos muestra un valor de
ANOVA
Si la sig. <0.5 = modelo lineal
adecuado
SPSS también nos muestra el
valor de t de student y su p-
valor para la relación entre las
variables
P = <0.05 = hay correlación
P = >0.05 = no hay correlación
Coeficiente de Regresión
Peso – talla = 1.16
Significa que por cada
centímetro de altura se
agregan en promedio 1.16
kg a cada individuo
Peso – Genero = 14.93
Significa que los hombres son
14.93 kg más pesados que
las mujeres
Schneider et al., Dtsch Arztebl Int 2010; 107(44): 776–82.
10. Regresión Lineal Múltiple (RLM)
Este modelo permite medir el
efecto de variables múltiples sobre
la variable dependiente
Permite un pronóstico individual en
base a las características
Se pueden incluir variables
irrelevantes que distorsionan el
resultado
Schneider et al., Dtsch Arztebl Int 2010; 107(44): 776–82.
11. Conclusiones
La predicción de la variable
dependiente a partir de una o más
variables independientes no significa
causalidad
La causalidad solo debe
considerarse si se cumplen las
condiciones enunciadas por Austin
Bradford Hill
Cuando uses RLM, de
manera general, el
numero de
observaciones deberá
ser mayor de 20-30 por
cada variable en estudio
Palacios-Cruz et al., Rev Med Inst Mex Seguro Soc. 2013;51(6):656-61