Estadística aplicada a la psicología

1. Regresión lineal simple

2. Definición
● Es una técnica estadística que establece una ecuación para estimar un valor
desconocido de una variable, a partir del valor conocido de otra variable.
● Las relaciones entre variables pueden ser directas o inversas:
○ Directa: La pendiente de ésta línea es positiva, porque la variable Y crece a
medida que la variable X también lo hace. (fig.1)
○ Inversa: La pendiente es negativa debido a que a medida que aumenta el valor de
Y, el valor de X disminuye. (fig.2)
fig.1 fig.2

3. Variables
● Independiente (X): Es la variable cuyo valor se suponga conocido y se utilice para
explicar o predecir el valor de otra variable de interés.
● Dependiente (Y): Es la variable cuyo valor se suponga desconocido y que se explique
o prediga con ayuda de otra.

4. Diagrama de dispersión
● Es una ilustración gráfica utilizada en el análisis de regresión.
● Consta de una dispersión de puntos en la que cada punto representa un valor de la
variable independiente (medido a lo largo del eje horizontal), y un valor asociado de la
variable dependiente (medido a lo largo del eje vertical).
● Visualmente se pueden determinar los patrones que indican de qué manera se
encuentran relacionadas las variables y la relación existente entre ellas, visualizando la
clase de línea.

5. Ejemplos de diagramas de dispersión

6. Procedimiento en SPSS
● En primer lugar es necesario determinar el coeficiente de correlación para ver si existe
relación entre las variables.
● Para este ejemplo nuestras variables son ESTRÉS y RENDIMIENTO ACADÉMICO.
● Para medir el nivel de estrés se utilizó la Escala de Percepción Global de Estrés.

7. Cálculo del coeficiente de correlación
● Nos dirigimos a Analizar y posteriormente a Correlaciones y seleccionamos
Bivariadas.

8. ● Se abrirá una pestaña en la que seleccionamos nuestras variables de interés (en este
caso están señaladas como RESULTADO y RENDIMIENTO

9. ● Damos click en Aceptar y aparecerá el siguiente cuadro.
● Se observa que hay una correlación de .906, siendo una alta correlación alta.
● Se indica que es una correlación significativa a nivel de significancia bilateral de 0.01.
● Este resultado permite ejecutar la Regresión lineal.

10. ● Seleccionamos Analizar, Regresión y Lineales.

11. ● En el cuadro de diálogo seleccionamos a nuestras variables.
● Para este ejercicio seleccionaremos a la variable RENDIMIENTO como variable
dependiente y a la variable RESULTADO como variable independiente.

12. ● Damos click en Aceptar y se muestran los siguientes resultados.
● En la primera tabla, a manera de información, encontramos las variables con las que trabajamos.

13. ● En la siguiente tabla con el nombre de Resumen de modelo volvemos a encontrar
una R de .906 indicando una alta relación en las variables.
● Encontramos un R cuadrado de .821, lo que quiere decir que un 82.1% de la variable
dependiente es explicado por la variable independiente.

14. ● En la tabla de ANOVA se observa que hay una significancia de .000, indicando que el
coeficiente es válido.

15. ● En la tabla de Coeficientes se observa un coeficiente de -.750

16. Visualización gráfica
● En la ventana de resultados nos dirigimos a Gráficos y seleccionamos la opción de
Generar gráficos.

17. ● Aparecerá la siguiente ventana en la que daremos click en Aceptar.

18. ● En la siguiente ventana seleccionamos un gráfico de Dispersión/puntos.

19. ● Insertamos nuestra variable dependiente (RENDIMIENTO) en el eje Y y nuestra
variable independiente (RESULTADO) en el eje X.

20. ● Damos click en Aceptar y se mostrará el siguiente gráfico.
● De acuerdo a lo revisado con anterioridad, podemos concluir que existe una relación
directa.