Este documento presenta los pasos realizados para analizar la correlación entre dos variables: "valoración social de la enfermería" y "identificación del cuestionario". Se llevó a cabo la prueba de normalidad de Kolmogorov-Smirnov para determinar qué estadístico de correlación usar. Los resultados mostraron que no existe correlación entre las variables, lo que apoya la hipótesis nula planteada.
1. Tipos de regresiones: Simple o lineal y múltiple
Regresión Lineal simple
La regresión lineal simple examina la relación lineal entre dos variables continuas: una respuesta (Y) y un predictor (X). Cuando las dos variables están relacionadas, es posible predecir un valor de respuesta a partir de un valor predictor con una exactitud mayor que la asociada únicamente a las probabilidades. (Limeres, 2012)
La regresión proporciona la línea que "mejor" se ajusta a los datos. Esta línea se puede utilizar después para:
Examinar cómo cambia la variable de respuesta a medida que cambia la variable predictora.
Predecir el valor de una variable de respuesta (Y) para cualquier variable predictora (X).
El modelo de regresión lineal simple supone que,
Donde:
• yi representa el valor de la variable respuesta para la observación i-´esima.
• xi representa el valor de la variable explicativa para la observación i-´esima.
• ui representa el error para la observación i-´esima que se asume normal,
Donde
β0 y β1 son los coeficientes de regresión:
• β0: intercepto
• β1: pendiente
Los parámetros que hay que estimar son: β0, β1 y σ.
REGRESION LINEAL MULTIPLE
La regresión lineal múltiple permite generar un modelo lineal en el que el valor de la variable dependiente o respuesta (Y) se determina a partir de un conjunto de variables independientes llamadas predictores (X1, X2, X3…). Es una extensión de la regresión lineal simple, por lo que es fundamental comprender esta última. Los modelos de regresión múltiple pueden emplearse para predecir el valor de la variable dependiente o para evaluar la influencia que tienen los predictores sobre ella (esto último se debe que analizar con cautela para no malinterpretar causa-efecto).
Los modelos lineales múltiples siguen la siguiente ecuación:
β0: es la ordenada en el origen, el valor de la variable dependiente Y cuando todos los predictores son cero.
βi: es el efecto promedio que tiene el incremento en una unidad de la variable predictora Xi sobre la variable dependiente Y, manteniéndose constantes el resto de variables. Se conocen como coeficientes parciales de regresión.
ei: es el residuo o error, la diferencia entre el valor observado y el estimado por el modelo.
Es importante tener en cuenta que la magnitud de cada coeficiente parcial de regresión depende de las unidades en las que se mida la variable predictora a la que corresponde, por lo que su magnitud no está asociada con la importancia de cada predictor. Para poder determinar qué impacto tienen en el modelo cada una de las variables, se emplean los coeficientes parciales estandarizados, que se obtienen al estandarizar (sustraer la media y dividir entre la desviación estándar) las variables predictoras previo ajuste del modelo. (Rodrigo, 2016)
1. Tipos de regresiones: Simple o lineal y múltiple
Regresión Lineal simple
La regresión lineal simple examina la relación lineal entre dos variables continuas: una respuesta (Y) y un predictor (X). Cuando las dos variables están relacionadas, es posible predecir un valor de respuesta a partir de un valor predictor con una exactitud mayor que la asociada únicamente a las probabilidades. (Limeres, 2012)
La regresión proporciona la línea que "mejor" se ajusta a los datos. Esta línea se puede utilizar después para:
Examinar cómo cambia la variable de respuesta a medida que cambia la variable predictora.
Predecir el valor de una variable de respuesta (Y) para cualquier variable predictora (X).
El modelo de regresión lineal simple supone que,
Donde:
• yi representa el valor de la variable respuesta para la observación i-´esima.
• xi representa el valor de la variable explicativa para la observación i-´esima.
• ui representa el error para la observación i-´esima que se asume normal,
Donde
β0 y β1 son los coeficientes de regresión:
• β0: intercepto
• β1: pendiente
Los parámetros que hay que estimar son: β0, β1 y σ.
REGRESION LINEAL MULTIPLE
La regresión lineal múltiple permite generar un modelo lineal en el que el valor de la variable dependiente o respuesta (Y) se determina a partir de un conjunto de variables independientes llamadas predictores (X1, X2, X3…). Es una extensión de la regresión lineal simple, por lo que es fundamental comprender esta última. Los modelos de regresión múltiple pueden emplearse para predecir el valor de la variable dependiente o para evaluar la influencia que tienen los predictores sobre ella (esto último se debe que analizar con cautela para no malinterpretar causa-efecto).
Los modelos lineales múltiples siguen la siguiente ecuación:
β0: es la ordenada en el origen, el valor de la variable dependiente Y cuando todos los predictores son cero.
βi: es el efecto promedio que tiene el incremento en una unidad de la variable predictora Xi sobre la variable dependiente Y, manteniéndose constantes el resto de variables. Se conocen como coeficientes parciales de regresión.
ei: es el residuo o error, la diferencia entre el valor observado y el estimado por el modelo.
Es importante tener en cuenta que la magnitud de cada coeficiente parcial de regresión depende de las unidades en las que se mida la variable predictora a la que corresponde, por lo que su magnitud no está asociada con la importancia de cada predictor. Para poder determinar qué impacto tienen en el modelo cada una de las variables, se emplean los coeficientes parciales estandarizados, que se obtienen al estandarizar (sustraer la media y dividir entre la desviación estándar) las variables predictoras previo ajuste del modelo. (Rodrigo, 2016)
Se presenta definiciones de agentes biológicos, características, clasificación, vías de ingreso, mecanismos de transmisión, técnicas de identificación, evaluación y medidas de contol de Riesgo biológico. Enfermedades infecciosas.
2. Elige dos variables de la matriz del seminario
número cinco la que queráis pero deberá
justificarlo.
Recuerda que tienes que realizar la prueba
de normalidad para decidir el estadistico de
correlación que tienes que utilizar.
Comenta los resultados.
Represéntalos graficamente.
EJERCICIO DE CORRELACIÓN:
3. Las dos variables elegidas son:
“valoración social de la enfermería”
“identificación del cuestionario”
Dichas variables no deben tener relación,
motivo por el cual han sido elegidas.
Elige dos variables de la matriz del seminario
número cinco la que queráis pero deberá justificarlo.
4. H1: No existe correlación entre la “valoración
de la enfermería” y la “identificación del
cuestionario”
H0: Si existe correlación entre la “valoración
de la enfermería” y la “identificación del
cuestionario”
Contraste de hipótesis:
5. Para variables cualitativas debemos utilizar el
modelo R de Pearson y el Rho de Sperman.
Utilizamos R de Pearson para una distribución
normal
Utilizamos Rho de Sperman si no hay una
distribución normal
Correlaciones:
6. Para poder llevar a cabo las correlaciones
debemos saber si las variables tienen una
distribución normal o no, para ello contamos
con dos test, los cuáles son los siguientes:
T. Kolmogorov-Smirnov: n mayor a 50.
T. Shapiro-Wills: n menor a 50.
Si p es menor que 0.05 se acepta H0 y no es
estadísticamente significativo.
Pruebas de normalidad:
17. Como la muestra es de 50 podemos utilizar
uno de los dos test anteriormente
comentados. Para la realización de este
ejercicio utilizaremos el T. Kolmogorov-
Smirnov.
En valoración de enfermería: p menor que
0.05, por lo tanto, se trata de una
distribución normal y es estadísticamente
significativa. Para hacer la correlación
utilizaremos Rho de Sperman.
ÁNALISIS- PRUEBA DE
NORMALIDAD
18. En identificación del cuestionario: p mayor a
0.05, por lo tanto, sigue una distribución
normal y no es estadísticamente significativa.
Para hacer la correlación utilizaremos R de
Pearson.
Como el coeficiente de correlación de ambas
variables es menor a 0.05, no existe
correlación entre la identificación del
cuestionario y la valoración social de la
enfermería.
Se puede observa en las gráficas.