Regresiótr lineal Simple /,iliarra Ore/fana ,1008 / llt¡;rerión Lineal Simple LiUana Ore//anu ,2008 2

ANALISIS DE REGRESIÓN MODELOS

Llamaremos MODELO MA1EMÁTICO a la función matemática que
El análi!1is de regresión involucra el estudio la relación entre dos variables proponernos como fonna de relación entre la variable de pendiente (Y) y la o las
CUANTITATIVAS. En general interesa: variables independientes.
" Investigar si existe -una asociación ent¡:e las do_s variables testeando la La fi.mción más simple para la relación entre dos variables es la FUNCIÓN
hipótesis de independencia estadística. LINEAL
.., Es�diar la fuerza de la asociación, a través de Úna medida de asociación Y=a+bX
denominada coeficiente de correlación. • Esta expresión es una aproximación de la verdadera relación entre X e Y.
" Estudiarla forma de la relación. Usando los datos propondremos un modelo • Para un dado valor de X el modelo predice un cierto valor para Y.
para la relación y a partir de ella será posible predecir el valor de una • Mientras mejor sea la predicción , me jor es el modelo para exp licar el
variable a partir de la otra. fenómeno.

Para ello proponemos un MODELO que relaciona una variable dependiente Por ejemplo, Y=2X+3
(Y) con una variable independiente (X).
La decisión sobre qué ailálisis usar en una situación particular, depende de la
naturaleza del OUTCOME y del tipo de función que se propone para relacionar
el outcome y la variable independiente.

Variables en regresión

/ �
Covariables o Outcomeo
Variables independientes o Variable dependiente o
Variables regresoras Variable de respuesta

Se usan como predictores o Atributos sobre los cuales queremos

son variables de confusión que medir cambios o hacer predicciones.
interesa controlar Interp retación de los coeficientes:
" el coeficiente a es la PENDIEN1E de la recta, mide el cambio en Y por
cada unidad de carribio en X, en el e jemplo la pendiente es 2.
" El coeficiente b es la ORDENADA AL ORIGEN, el punto donde la recta
intercepta el eje Y, es decir el valor de Y cuando X= O.
Regreo/t!n L/11,al Simple Li/ic,1>a Or.1/a,,a ,1008 1 Re/!1""/án Lfn•al Sl,.p/e lilfonaOr�/[qno ,10()8 4

Consideremos el modelo Y=aX+b • otros proóedíriúentos estadísticos más complejos pueden ser mejor
• Este modelo es una aproximación de la verdadera relación entre X e Y. comprendidos luego de estudiar regresión lineal.
• Para un dado va1or de X el modelo pre<lice un cierto valor para. Y,
• Mientras mejor sea la predicción, mejor es el modeló. REGRESIÓN LINEAL SIMPLE
Consideremos el siguiente experimento controlado y aleatorizado para estudiar
Un. MODELO DETERMINÍSUGO supone que bajo condiciones ideales, el el efecto de una nueva droga sobre la frecuencia cardiaca de ratas sanas.
comportamiento de la variable dependiente puede ser totalmente descripto por
una función matemática de l!!B variables independientes (o por un conjunto de Cinco ratas fueron asignadas aleatoriamente 'a una de cinco dosis y se registró la
ecuaciones que relacionen las variables). Es decir, en condiciones ideales el máxima disminución observada en la frecuencia cardiaca en una hora. Los datos
modelo permite predecir SIN ERROR el valor de la variable dependieI)te. obtenidos son:
• Ejemplo: Ley de la Gravedad. Dosis (mrú Máxima dismínución de la FC (DFC)

Podemos predecir exactamente la posición de un objeto que cae en caída

0.5 s
1.0 8
libre y en el vacío para cada instante de tiempo. 1.5 12
2.0 13
2.5 16
Un MODELO ESTADÍSTICO permite la incorporación de un CC)MPONENTE
ALEATORIO en la relación. En consecuencia, las predicciones obtenidas a
través de modelos estadísticos tendrán asociado un error de predicción.

• Ejemplo: Relación de la altura con la edad en niños.

Niños de la misma edad seguramente no tendrán la misma altura. Sin
embargo, a través de un modelo estadístico es posíble concluir que la altura
aumenta CQn la edad. Es más, podríamos predecir la altura de un niño de
cierta edad y asociarle un ERROR DE PREDICCIÓN que tiene en cuenta:
ERRORES DE MEDICIÓN y VARIABILIDAD ENTRE INDIVIDUOS.
En problemas biológicos, trabajando en "condiciones ideales" es posible La relación respuesta�dosis es aparentemente lineal Parece razonable proponer
evitar los errores de medición, pero no la variabilidad índividual, por eso es DFC = J3o + J31 + DOSIS + error
indispensable incluir el componente aleatorio en los modelos estadísticos.
Y¡= J3ó+ 131 * X;+E¡
En este curso trataremos sobre Regresión Lineal. Haremos énfasis en este tipo
de modelos porque
• son de amplia aplicación, Podríamos Í)'ltentar ajustar una recta "a ojo". Propuestas:
• son más simples de implementar, y¡ = 5.5 + 3.5 * X¡
y¡= 0.5 +7.0 *xi
Regre,ión Urteal Simpl• Llliana Ore/lana ,1008 J Regresión .li1Jea( Simplt Li/iana. Orel/Ma ,}()08 6

Este método para encontrar la recta que mejor ajuste a los datos se conoce como
MÉTODO DE MÍNIMOS CUADRADOS.
Afortunadamente no es necesario probar con diferentes rectas cuál de ellas es la
que produce la menor suma de cuadrados, ya que es posible encontrar
analíticamente las expresiones para /J. y /)1 • En el caso general en que tenemos
n pares de observaciones (.,Yj, Y;), /J,, y /11 son las soluciones del sistema de
ecuaciones normales:

y se obtiene:
Para decidir cuál de las dos rectas ajusta mejor estos datos consideraremos una
medida de cuán lejos está cada dato de la recta propuesta ⇒ RESIDUO. }:(X¡ -X)(Y¡ -Y)
RESIDUOS RESIDUOS
u u /J1=�¡..�1 ______
'I:CX¡-X) 2
X y.�. YaJus {y...---Y,;us) (y.i,,•Y,jus)' X Ycb, YaJ11$ (y••• - Y,;.,) (Yobr)',;.,)' i=l
0.5 · 5.0 7.3 -2.3 S.! 0.5 $.O 4.0 LO 1.00
<::::: la recta pasa por el punto (X, Y)
1.0 8.0 9.0 -1.0 1.0 1.0 8.0 7.5 0.5 0.25
1.5 12.0 10.8 1.3 1,6 1.5 12.0 11.0 1.0 1.00
2.0 13.0 12.5 0.5 0.3 2.0 13.0 14.5 -l.5 2.25 En el ejemplo de dosis-respuesta los estimadores de mínimos cuadrados para Po
2.5 16.0 14.3 1.8 3.1 2.5 16.0 18.0 -2.0 4.00 y � 1 resultan ser:
8.50 (0.5-1.5)(5.0-10. + ::: ::(2.5-1.5) �16-10.8) =!�:� = 4
*
Total= 0.3 10.9 Tola!= -1
/)¡ = � .. 5.
fl (0.5-LS) + ... +(2.5-1.5) 2.5
I<Yi -s.s-3.sx¡ f ¿(y1 -0.5-1x;)2 /)0 = y- /11 x = 10.8 -5.4 · 1.5 = 2.7
La mejor recta sería aquella que minimice la suma de las distancias al cuadrado
de los puntos a la recta, es decir deberíamos encontrar /Je, y /Ji tales que La RECTA AJUSTADA para nuestros datos es

¿(y1 -/Jo-/J1 x;/:;; ¿(Y;-b0 -b1 x¡}

2
Í¡ =/Jo+ /J1 X¡ = 2.7 +5.4 X¡
para cualquier elección de bo y b I que hagamos.
¿Qué nos indican los valores de los coeficientes?
Regr,.,ió11 Lrn,lII Simpl, Li/1,ro,r On,l/(111Q ,1008 7 Líllana Orellan�,200/f 8

+ /Jó =ORDENADA AL ORIGEN (intercept) =- 2.7 ⇒ es el punto donde la ...PENDIENTE ESTANDARIZADA

recta corta el eje vertical, es decir, la disminución esperada en el número de La pendiente /Ji nos indica si hay relación entre las dos variables, su signo nos
pulsa�iones cuando la dosis es cero.
indica si la relación es positiva o negativa, pero no mide la FUERZA de la
No_interpretable si el O no está c°:nterúdo en el rango de válores de X. asociación.
• /11 =PENDIENTE= 5.4 ::;> nos dice que por cadamg de aumento en la dosis La razón es que su valor numérico depende de las unidades de medida de las
se. e�pera un cambio de 5.4 pulsaciones/minen la FC_, dos variables. Un cambio de unidades en una de ellas puede producir un cambio
. drástico en el valor de la pendiente.
• Si /J1 = O entonces /10 ==Y. La meqia de los · datos · es el estimador de
mínimos cuadrados cuando no hay variables regresaras. Ejemplo
X y recta aíustada K' y recta ajustada
2 10 5.7 + 2.3 X 2 1.0 0.57+ 0.23x
1( Yob, :\'ajos {yobs-YoJu>J (y.t.>-Y-i10) 3 13 3 1.3
0.5 5.0 S.4 -0.4 0.16 4 15 4 1.5
LO 8.0 8.1 -0.J 0.01 5 17 5 1.7
l.S 12,0 10.8 1.2 l;44
2.0 13.0 13.S -0.5 0.25 Por esa razón, puede resultar interesante considerar una versión estandarizada
2.5 16.0 16.2 -0.2 0.04 de la pendiente
Total= o.o l.90 I, * s,,
,.,, ;;;:: /J¡-
s.,,
donde.� y sy son las desviaciones estándares de las X's y de las Y's
Notación respectivamente.
VALORES ESTIMADOS DE LOS PARÁME'IR.OS /)0 , /J1 Esta es la pendiente que se obtendría al hacer la regresi6n de los seores Z de la
VALOR PREDICHO variable dependiente respecto de los seores Z de la variable regresora.
Í¡ = (/]0 + /Ji x1 )
RESIDUO o RESIDUAL ,: outcome observado -valor predicho. INTERESANTE! r 1
""Y¡-(/Jo +/]¡ X¡ ) b
µ¡
"'
=- /JJ _..!.
s "" r
sy

donde ·r es el- coeficiente de correlación de Pearson. Notar que· si sx = Sy

tenemos /}1 "' ::;;: /}¡ ::: r .
Esta relación directa entre el coeficiente- de correlación de Pearson Y·• la
pendiente de la recta de regresión sólo es válida en el cont��to d� �egx-esi�n
simple (una variable regresara) no vale para el caso de regres10n multiple (roas
de una variable regresara).
Rlgresrón Lineal .Sf1r,ple U/lana Ore/lana , ZQOB 9
Regres;ón Unaol Simple li/iana Ore/lana ,2008 JO

Propiedades del·coeficiente de correlación (de la pendiente estandarizada)

EL MODELO DE REGRESIÓN LINEAL (ORDINAlUO)
- r mide la fuerza de la asociación LINEAL entre X e Y.
- -l�r�l
r ;,, O implica que no hay relación lineal
- t = ±. r cuando todos los puntos caen sobre la recta
r tiene el mismo signo que la pendiente
mi��tras mayor el valor absoluto de r mayor la fuerza de la asociación
el valor de r no depende de las unidades de medición
- el coeficiente de correlación trata a X e Y simétricamente. Si ajustamos
Y= a,+ �X o X= a.* +�* Y, en ambos casos obtendremos el mismo
coeficiente de correlación, pero no la misma pendiente!!

OBSERVACIONES (X 1 , Y i ), ... , (XN, YN)

Y;= �o + �1x1+E¡ i=l, 2, ..., l'l

con E; independientes y E¡ - N (O , el)

Y; = disminución en la FC de la rata i
x1 = dosis de droga recibida por la rata i
&¡ = término error para la rata i
R,gruló1r Un,a/ Simple L,/1/iJna Oro/lana ,fooa 11 /lagus/61r Lineal Simple Llliana Ortllana ,2008. 12

Supuest<>s nacer, por éJemplo) suponemos que los valores de la variable rc,gresora no
l. NORMALIDAD. Para cada valor de X, Y es una variable aleatoria con
tienen error. Esto dificilmente sea cierto!!!!
distribución Normal con media·µ,. [La distribución de la DFC para cada
dosis de la droga es Nonnal con media µx]. ESTIMACIÓN DE ¡3. Y 131
2. HOMOSCEDASTICIDAD. Todas las distribucio�es pobiacional.es tienen la Los parámetros del modelo lineal se estiman a través del método de mínimos
misma varianza. [La varianza de DFC es la misma para todas las dosis]. cuadrac:los. Llamamos /J0 y /)1 a los estimadores de mínimos cuadrados de /3 0

3. LINEALIDAD. Las medias µ;. 4e.Í�s di,stintas poblacléwes está11 rel�ion¡das y /31 , para obtenerlos no es necesario hacer los supuestos 1,2 y 4, sólo el de
linealmente con X. [La media poblacion'iil en la DFC carobia linealmente con LlNEALIDAD.
la dosis].
• /J0 es un estimador insesgado de /30
� =E(Y/ X=x)"' /3o + 13 1 X • /3
1 es un estimador insesgado de f]1
Esto significa que:
⇒ 130 = ordenada al origen = MEDIA POBLACIONAL de la variable • /) tiene una distribución de muestreo con media p0 y
resultante (DFC) cuando la variable regresara (dosis) toma valor O. 0

⇒ 131 = pendiente "" cambio en la MEDIA POBLACIONAL de la variable

• /11 tiene una distribución de muestreo con media p 1
resultante (DFC) cuando la variable regresara (dosis) aumenta en 1
unidad.
Recordar. La distribución de muestreo de /J0 y /J1 se obtendrfa empíricamente
repitiendo infinitas veces el experimento (5 ratas con las mismas dosis y en las
4. INDEPENDENCIA. Los valores de Y son estadísticamente Independientes. mismas condiciones), y calculando para cada repetición las estimaciones /J0 y
[Este supuesto no se cumple, por ejemplo, si para algunos de los individuos /i1 de los parámetros. Con las infinitas estimaciones de /)0 construimos un
tenemos observaciones repetidas). histograma, que corresponde a la distribución de muestreo del estimador /J 0•

Del mismo modo para /31 •

Comentarios.
/Jo
y /11 son INSESGADOS aún cuando los supuestos de homoscedasticidad y
- Generalmente no sabemos si los supuestos son verdaderos, ni conocemos los normalidad sean falsos! ! !
valores de los parámetros Po y 131, El proceso de estimar los parámetros de un
modelo lineal y valorar si el modelo es adecuado para nuestros datos se IMPORTANTE!r!
denomina Análisis de Regresión. Hemos escrito TRES ecu�ciones de REGRESIÓN para el mismo proble�a:
w En este modelo suponemos que la variable. X NO TIENE ERROR!!! El !Ecuación '!Notación
término de error (e) mide la variabilidad de la variable aleátoria Y para cada Recta de Regresión Poblacional DESCONQCIDO
µx =/Jo +/11 X
nivel FIJO de la variable X.
Modelo de Regresión Lineal Y= f3o + /31 X + e PESCONOC¡IDO
• En nuestro ejemplo dosis-frecuencia cardíaca los valores de la variable
explicativa fueron FIJADOS por el investigador. En el caso general, en que Recta de Regresión Estimada CONOCIDO.
? =/Jo+ fi1 X
ambas variables se miden simultáneamente (edad materna y peso del niño al
R•gre•ió� LineCII s;,,,p/e Li/iarm Ore/lana ,2008 13 Regns/ón Uneaf Simple Lilia11C1 Or,((a,ra ,1008 14

Nuestra ecuación f = /)0 + /i1 x es una estimación de la verdadera recta Recordemos nuestro modelo
poblacional. Cambio en# pulsaciones. Cambio en # pulsaciones.
Ratas dosis 0.5 m . fulli!s dosis !.O m

RECAPITULEMOS
⇒ H�aquí:
1. Planteamos el Modelo de regresión lineal homoscedástico
· · 2. Presentamos estimadores de mínimos cuadrados para la pendiente y la
ordenada al origen.
¿Cómo se obtienen los estimadores? ➔ Métodos de Mínimos 1.0
Cuadrados ordinarios.
t Valor observado (Y,) " Valor predicho (''9'¡ , que estima aµ¡)
⇒ En lo que sigue: Distancia entre t y .ic = (Y; - '9 ';) = residuo del dato i i "" 1, 2, ... , 5
3. Estimaremos d-, la varianza común a las distintas poblaciones.
4. Obtendremos el error estándar de /11 y el de /J0 para construir: Cada resíduo (Y¡ - '2'¡ ) provee oportunidad de medir la variabilidad en cada
Tests de hipótesis para 130 y 131. población individual. Entonces, un candidato natural para estimar la varianza
pob]acional sería
Intervalos de confianza para 130 y 131- 5
2
S. Constnliremos la Tabla de Análisis de Varianza. ¿(Y¡-f,.)
i=1
s
¿CÓMO ESTIMAMOS LA VARIANZA cr 2
COMÚN A TODAS LAS Sin embargo, no tenemos 5 residuos independientes porque existen dos
POBLACIONES? vínculos entre ellos. En consecuencia, tenemos sólo 3 GRADOS DE
LIBERTAD en la suma de los residuos. Entonces estimamos ri con
5 2
¿(Y;-f;)
i=l
(5-2)
Si el tamaño de muestra fueran usaríamos

(n-2)
Notación
Regresldn LJ,rea/ Simple Lilwna Ore//a11a,20h8 /5
&gruión Lineal Simple Liltana Ore/lana ,2008 /6

Varianza de cada población (Varianza error)

INFERENCIA PARA LA PENDIENTE
Suma de Cuadrados Residual RSS=Í:Oí-�)2 Intentaremos construir un intervalo de confianza y un test para 13 1 •
1 ..1
Bajo los supuestos del modelo lineal (normalidad, homogeneidad de vari-anzas,
Z linealidad e independencia) el estimador /11 de la pendiente tiene distribución
¿(Y¡-fi) .,..'S
Varianza de los Residuos (Estima a cr2) s2e -'-'-'-
;�t ---=---
RLJi
(n-2)
normal con media 131 y varianza Var(/11), y por lo tanto
(n-2)
T= /J, -8.__tn-i
SE(/J1
) ·
Desviación estándar de los Residuos
donde SE(,61), el error estándar del estimador de la pendiente, se define como:
2 2
2
SE (/]¡ )- s, =-s-"•-
f1-1
PROPIBDAD: Bajo los supuestos del modelo la varianza residual s; es un
-I)sx
estimador ínsesgado de <i. (x; -x)i (n

Recordemos que SE(/]1 ) es un estimador de la desviación estándar de la

Ejemplo (continuación)
distribución de muestreo de /Ji,
X¡ Y1 Pr =2.7+S.4x, (y¡ -J,) 2
0.5 5.0 5,4 0.16
Notemos que la varianza de /31 dísminuye (la estimación es más precisa)
1.0 8.0 8.1 0.01 cuando:
1.5 12.0 10.8 1.44 (1) La varianza rl disminuye.
2.0 13.0 13.5 0.25
2.5 16.0 16.2 0.04 (2) La varianza de la variable regresora aumenta ⇒ Mientras más amplio el
Total= 1.90 rango de valores de la covariable, mayor la precisión en la estimación.
(3) El tamaño de muestra aumenta.
n
Suma de Cuadrados Residual RSS = L(lí -f,) 2 = 1.90
/=) Ejemplo (continuación)
s; = RSS .:: 1.9o =0.633 y1 =2.7-t5.4x1
Varianza de los Residuos
(n-2) 3
X¡ y,- (y¡ - .P,)2 (x¡ -x)
2

0.5 5.0 5.4 ·0.16 1.50

LO
S0 = ✓0.633 = 0.796
&.O 8;] 0.01 0.25
Desviación estándar de los Residuos I.5 12.0 10.8 1.44 0.00
2.0 13.0 13.5 0.25 0.25
25 16.0 16.2 0.04 1.00
Total= 1.90 2.50
 Lilla11t1 01-.llarw ,20</8 17 Regre1ilm Lineal Sfmpft Lilia11a Oro/la11a ,20Q8 /8

0·63! = 0.2533 TEST DE HIPÓTESIS PARA LA PENDIENTE

2.50 Queremos un test de nivel a. para las hipótesis
;�1
*
Ho: 131 = 131* versus H1: 131 l31*
SE(/Jt) = ✓0.2533 = 0.503 Pr• es algún valor propuesto por el investigador.
El test para H0 : Pr = O se conoce como test de independencia o de no asociación
Nota..Uf!. valor pequeño de SE( /J.1 ) nos indica ·que la estimación de la pendiente ya que nos dice si las variables están asociadas o no, (El test t que hace STATA
variani poco de muestra en muestra·{para este conjunto dado de valores de X). considera 13 1 ·=O).
El test se basa en el estadístico
INTERVALO DE CONFIANZA PARA 1}1
Un intervalo de confianza de túvel ( 1 - o.) para el parámetro j) 1 (pendiente de la
recta de regresión poblacional) está dado por: y rechaza Ho cuando el valor del estadístico observado en la muestra da grande
/Ji ± t,,-2, a 12 SE(/J1), y positivo o grande y negativo, es decir, el p-valor da menor que el nivel a..

donde t,,_2, a/2 es el percentil de la distribución t de Student con n - 2 grados de

Ejemplo (continuación)
libertad que deja a su derecha un área a/2.
Hacemos un test de nivel a. = O.OS para las hipótesis
Ejemplo (continuación) Ho: j)¡ = O versus Hi : 131 O *
El valor del estadístico obtenido. a partir de nuestros datos es
Intervalo de confianza de nivel 95% para la pendiente
5
/11 ± tn-2. a/2 SE(/J1 ) = 5.4±3.182 · 0.503 = 5.4 ±1.60 = (3.8, 7.00) T = /Ji-O = .4-0=l0.736
t
percentil de la distribución t con 3 grados-de libertad que deja a su derecha 2.5% del área
SE(/11 ) 0.503
Para calcular el p-valor, utilizamos la distribución t3 • El área a la derecha de
10.736 es 0.00085, entonces p o: 0.0017.
¿Cómo interpretamos este intervalo?
El intervalo puede no tener sentido si un incremento en X de 1 unidad es Distribución t3
relativamente grande o relativamente pequeño en términos prácticos. Si en
nuestro ejemplo nos interesara un IC para un cambio en la dosis de 0.2 mg
simplemente lo obtenemos multiplicando los extremos del IC anterior por la
constante. Obtendríamos (3.8 · 0.2, 7.0 · 0.2) = (0.78, 1.4).

10.736
Regresfór, Lineal Slmpf• J,i/iana On:llaM,2008 19
R,groslónLi,r,a/ Simpl• lillorra Or.11,ma ,1008 10

Concluimos que la pendiente es significativamente diferente de O. Es decir, . . . . . . ...

. (ifPorqüe aunque hubieran recibido la misma dosis la respuesta no hubiera
existe una relación positiva entre dosis y respuesta, que. no puede ser atribuida sido e�actamente igual en las 5 ratas debido a diferentes causas. Por
al azar. Nuestros datos no son consisteI1tes con la hipótesis nula de .no relación ejemplo,
entre FDC y dosis.
- las ratas no responden exactamente igual a la misma dosis,
diferente manejo del investigador al manipular las ratas que afecta la FC,
ESTIMACIÓN DE LA ORDENADA AL ORIGEN (f}0)

l
t
- condiciones basales de las ratas ligeramente diferentes,
Tal cotno ·ocurre para /11, bajo..el modelo propuesto J tiene di�liución
errores en los instrumentos de medícióp., etc. etc,
nonnal con media"º y varianza u2 (/J0 ) que se estima como
VARIABlLIDAD RESIDUAL (NO EXPLICADA POR LA DOSIS).

2
SE2 (/Jo)'="s;[-�+ x
n n
¿(xi-X) 2
i:l

Construimos intervalos de confianza y test de hípótesis para /3o de forma

análoga a como lo hicimos para /31•
- La mayoría de los paquetes estadísticos devuelve el test para Ha : !30 = O, pero
este test en general no tiene interés.
El parámetro /30 en general carece de interpretación, salvo que el rango de
variación de los datos contenga a X= O.

FUENTES DE VARIABILIDAD EN NUESTROS DATOS

Habíamos observado cinco valores de disminución ·de la FC en nuestras ratas
5,8,12,13 yl6
Tenemos entonces, . ..
¿Por qué varían estas cinco respuestas? .
l. Una medida de. la VARIABILIDAD TOTAL de la variable Y (cu�do no
(1) Porque las diferentes ratas recibieron diferentes dosis de la droga. tenemos en cuenta la variable regresora) es la suma de las desviaciones a la
VARIABILIDAD EXPLICADA PORLA VARIABLE REGRESORA m.edia al cuadrado.

Total Sum of Squares = TSS "" l)Y; ;... y)1

i=l
R•rresión lirreo/ Simple Li/ia11a Ore/lana ,1008 2 / RtgnJiÓn Lineal Simple Lillana Or,1/ana ,2008 22

2. Una ·m:ed.ida ·de la V:ÁRIABILIDAD NO EXPLICADA por la variable R2 nos dice qué porcentaje de la variabilidad total en la variable Y puede ser
regresora es la suma de los residuos al cuadrado. explicada por la variable regresora, en consecuencia es W1a medida de la
capacidad de PREDICCIÓN del modelo.
Residual Sum of Squares = RSS = L (Y, - ti )2
,�, R2 t.ambién puede verse como es una medida de la fuerza de la ASOCIACIÓN
LINEAL entre X e Y. (Hacemos énfasis en la palabra lineal porque fue
3. Finalmente, una medida de cuánto contribuye la variable . X a explicar la obtenido bajo unmodelo lioeal)
variabilidad de Y (VARIABILIDAD EXPLICADA POR EL MODELO DE
RE�R:ESJÓN) está dada por
Propiedades de R2
Regression Sum of Squares = RegSS = L (}j -f)2 - O :S:R2 :s; l
l=l
- No depende de las unidades de medición.
Resultado interesante ⇒ TSS = RegSS + RSS - Es el cuadrado del coeficiente de correlación de Pearson (deberíamos usar la
notación r2, pero ... )
- Mientras mayor es R2 mayor es la fuerza de la variable regresara para
Trataremos de construir una medida de la fuerza de la relación entre la variable predecir el outcome.
dependiente e independiente, que nos indique cuán buen predictor de Y es X. Se
trata de decidir si el hecho de conocer el valor de X (dosis) - Mien1ras mayor sea R2 menor es la RSS y por lo tanto, más cercanos están
los puntos a la recta.
Si uno puede predecir Y mucho mejor usando la recta de regresión
f"" /)0 + /J1 ·x que sin conocer el valor de X, entonces las variables están - Toma el mismo valor cuando usamos a X para predecir a Y o cuando usamos
a Y para predecir a X.
asociadas.
La medida de asociación que propondremos se construye con 4 elementos:
- Una regla para predecir Y cuando no conocemos X ⇒Y
Ejemplo (contínua.cíón)
• Una regla para. predecir Y cuando conocemos X ⇒ f =/Jo +/J¡ X
9
- Una medida resumen de los errores que se cometen con cada regla En nuestro ejemplo R 2 - ESS - -72· - 0.975.
TSS 74.80
⇒ TSS para la Regla l Entonces, el 97% de la variación observada en los datos de DFC es explicada
⇒ RSS para la Regla 2 por la dosis de droga. La dosis es un excelente predictor de la DFC:
Una medida de cuánto se reduce el error al usar la regla más sofisticada.
TSS-RSS RegSS Pero CUIDADO !!I Cuando tenemos sólo dos observaciones (n = 2): se obtiene
R2 = R2 = 1 independientemente de los datos ... porque dos puntos detenninan una
TSS rss línea recta, as( que mínimos cuadrados daría un ajuste perfecto!!
RSS = O ⇒ RegSS = TSS ⇒ R2 = 1
llamad!l COEFICIENTE DE DETERMINACIÓN
R,gres16n linea/ Slmpl• Lillana O,.,,/lana,2008 2J
Regreslóh L111ea/ Simple líllana Or•llana ,Jodli 24

TABLA-DE ANALISISDELA VARIANZA(ANOVA) . Entonces, cuando Ha es verdadera el MS del modelo y el MS residual deberían
Las sumas de cuadrados correspondientes a las tres fuentes de variación que parecerse mucho, o su cociente deberla parecerse a 1. Por lo tanto, es razonable
hemos 'descripto arriba se presentan habitualmente en una T�bla, denomfuada considerar el estadístico
Tabla de ANOVA RegMS RegMS
F= "'
RMS RSS/(n - 2)
Fuente de. Variación (Source) SS d.f. M.S como candidato para testear la hipótesis H., : ¡3 1 = O. Esperamos que F esté
Mode1·· RygSS .1 RegSS/1 cerca de l sí H0 es verdadera y que F sea grande y positiva cuando H., es falsa.
'
Residual RSS n-2 RSS/(n-2) Bajo los supuestos del modelo lineal y cuando a, es verdadera
Total TSS n-1
,· F ~ Distribución de Fisher con (1, n-2) grados de libertad
La columna d.f. indica los grados de libertad de cada SS. grados de libertad / \ractos de libertad
del numerador del denominador
- El modelo tiene d.f. =#de parámetros en el modelo -1= # de covariables en
el modelo.
- La suma de cuadrados residual tiene n - 2 grados de libertad (est1UI1.os Por lo tanto un test de nivel a para las hipótesis
estimando dos parámetros en el modelo) H.,: �1 = O versus H1 : �1 # O
- La suma de cuadrados total tiene n - 1 grados de libertad (hay un vínculo rechazará H., si el valor del. estadístico para los datos de la muestra produce un
que liga las desviaciones respecto de la media). p-valor (calculado sobre la distribución F de Fisher) menor que el nivel a..

La columna MS (Mean Square) se obtiene como el cociente entre la SS y sus Nota l. El test es de dos colas, porque detecta apartamientos de H., tanto en la
correspondientes grados de libertad. dirección positiva como en la dirección negativa. Sin embargo, la hipótesis nula
NO SE RECHAZA si el cociente F es pequefío! ! !
OTRO TEST PARA LA PENDIENTE ... Nota 2. En el caso de Regresión Lineal Simple, el test que hemos construido
basado en la distribución F de Fishery el test basado en 1a distribución t (a dos
A partir de la Tabla es posible derivar un test para Ha : j31 = O. colas) son equivalentes, ya que ambas distribuciones están relacionadas.
[En el contexto de regresión lineal simple ya hemos obterúdo el test t que Además ambos testean la. misma hipótesis. Esto no es así para el caso de
resuelve este punto, este test será más importante en Regresión MúltipleJ. Regresión Lineal Múltiple.
El razonamiento es el siguiente: Bajo los supuestos del modelo de regresión,
(1) La distribución de muestreo de RMS = RSS/(n- 2) tiene esperanza cr1- STATISTIX
(2) La distribución de muestreo .de EMS=RegSS/1 tiene esperanza Datos: YX
n Statistics / Linear Model / Linear Regression
o-2 + f3;1-''f,(x, -x) 2 Dependent Variable => Y
i=l
lndependent Variable => X
R,gr,s/ón L/r,eof Slmp/• Li/ll111L1 Or,llc;na, 1008 25
R�g,-esilm Liueal Simpfe L/liana Ortllana ,1008 26

UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF Y

PREDIOTOR·
VARIABLES COEFFICIENT STD ERROR ST.UDENT' S •r p

CONSTANT 2.70000 O. 83467 3. 23 0.0480

X 5.40000 0,50332 10.73 0.0017 Notar que el error estándar depende de la distancia de Xo a Je. Cuanto más
R-SQU��D 0.9746 RESID. MEAN SQUARE (MSE) 0.63333 cercano a la media el valor de .x, menor el error de estimación.
ADJUSTED R-SQUA:RED 0.9661 STANDARD DEVIATION º·79582

Bajo los supuestos del modelo, un IN1ERVALO DE CONFIANZA DE NIVEL

SOURCE
------------
DF
----------
SS MS
----------
F p
( 1-a.) para µx (el valor esperado de FDC para la población de ratas sometidas a
REGRÉSSION 1 72.9000 72.9000 115.ll 0.0017
RESIDUAL 3 1.90000 0.63333 dosisx) es
TOTAL 4 74.8000
flx ± fn-2,a/2 SE(Ax )
CASES INCLUDED 5 MISSI'NG CASES o
donde t0•2, an. es el percentil de la distribución t con n - 2 grados de libertad que
de ja a su derecha un área a./2.

ESTIMACIÓN DE LA MEDIA DE Y PARA UN DADO VALOR DE X Ejemplo (continuación)

Supongamos que nos interesa estimar la MEDIA de la disminución de FC en la Para nuestro ejemplo, obtenemos los siguiente intervalos de confianza para la
población de ratas tratadas. con cierta dosis x0 de la droga, por ejemplo 1.5 mg. media de la disminución de pulsaciones de poblaciones de ratas con distintos
[Esta población es hipotética, y se la obtendria usando la misma dosis en ratas valores de dosis.
en las mismas concliciones que las de nuestro experimento]. Dosis (x0) SE(Px0) Intervalo de Confianza 95% LongitUd
Nuestro estimador de µ cuando x = x0 es 0.5 0.6164 (3.44, 7.36) 3.92
/J.,;0 "'t.0 =/Jo +
ft, Xo 1.0
l.S
0.4359
0.3559
( 6.71, 9.49)
( 9.67, 11.93)
2.78
2.26
Por ejemplo, para x = 1.5 mg. estimamos una reducción media de la FC 2.0 0.4359 (12.11, 14.89) 2.78
P;� = 2. 7 + 5 .4 • 1.5 = 10.8 latidos/min. 2.5 0.6164 (14.24 18.16) 3.92

- Notar el cambio de amplitud.

Para decir cuán precisa es nuestra estimación, necesítamos un ESTIMADOR
- ¿Es correcto hacer estimaciones para valores de X distintos de aquellos
del ERROR ESTÁNDAR de Ax es
observados en nuestros datos? Por ejemplo para X= 0.85?
- ¿Es correcto hacer estimaciones para valores de X fuera del rang;o de los
valores de X de nuestros datos? Por ejemplo para X =3.7?
Regrrsión Li1<enl Simple Lllkw1 o,-,l/ana ,_200$ 27
R,g,-.sió11 linea/ Simpli llfiana Onl/ana,1008 28

·PREDICCIÓNDE UN NUEVO VALOR DE Y PARA UN DADO X. STATlSTiX

¿Si repitiéramos el experimento en iguales condiciones, cuál sería la DFC de Datos:YX
una rata tomada al azar que l'ecibiera una dosis x0?
Statistics / Linear Model / Linear Regression
Antes gueríamos estimar la media de la hipotética población de ratas que . Dependent Variable -=> Y
recibieron dosÍB Xo, Ahora queremos predecir el valor en UNA RATA tomada al IndependentVariable => X
azar cie esa población. En la pantalla de resultados de la regresión:
Predicción: Una regla para calcular a partir de los dato� un val;or qul;l nos Results / Predíction
permita "adivinar" el valor que puede tomar una: VARIABLE ALEATORIA. Prediction Value => 2.0 (elegimos 1 de. los valores)
Estimacióm Una regla para calcular a partir de los datos un valor que nos PREDICTED/FITTED VALUES OF Y
permita "adivinar" el valor que- puede tomar un PARÁMETRO
POBLACIONAL. LOWER PREDICTED BOUND 10.612 LOWER FITTED BOUND 12 .113
PREDICTED VALUE 13.500 FITTED VALUE 13,500
Nuestra mejor predicción es nuevamente f1x = i',. = /)0 + /)1 x0, pero ahora d OPPER PREDICTED BOUND 16.388 OPPER FITTED BOUND 14.887
0 0
SE (PREOlCTED VALUE) 0.9074 SE (FITTED VALUE) 0.4359
error asociado será mayor. Estimamos el ERROR ESTÁNDAR de la
PREDICCIÓN con lJNUSOALNESS (LEVERAGE) 0.3000
PERCENT COVERAGE 95.0
CORRESPONDING T 3.18

PREDICTOR VALUES: X � 2.0000

De donde:
- IC 95% para la media de Y cuando X"" 2.0 es (12.J, 14.9) [fitted value]
A partir de este error estándar podemos construir un INTERVALO de - IC 95% para un nuevo valor de Y cuando X= 2.0 es (10.6, 16.4) [predicted
CONFIANZA de nivel (1 - a) para el valor predicho de Y cuando X = x0• value]

Ejemplo (continuación)
El intervalo de confianza del 95% para predecir la DFC de una rata que recibió REGRESIÓN EN ESTUDIOS OBSERVACIONALES
una dosis de 2.0 mg es
A menudo el investigador no selecciona los valores de la variable •
1 (2-1.5) 2 independiente, sino que toma una· muestra de alguna población y obsel'Va
f2.0 ± 3.182,0.79582 1+- + -'------'..... = 13.S ±2.887 = (10.61, 16.39) simultáneamente X e Y para cada miembro de la muestra.
5 2.50

¿Son válidos los resultados que hemos.derivado suponiendo que lo1:1 yalores de
X eran fijos?
• Estímadores de �. y �1
 Rqp-e.sión liu,ol Simple Liliana OreJfo.na ,1()08 29 negrtslón Linea/ Si,nple Ll/lona Ore/lona, 200/J JO

• Estimadores de cr2, cr2 (/J0), 0-1. (/J¡ ) ¡ � 1 no tiene interpretación CAUSAL si los datos provienen de un estudio
, Intervalos de confianza y test para �º y � 1 observacional!
• Estimadores e intervalos de confianza para µ� .Supongamos que en el estudio observacional los países se hubieran
• Predicción para Y cuando X= x y su intervalo de confianza. seleccionado de modo tal que la probabilidad de que un país sea seleccionado
depende de la tasa de actividadfemenina (W}.
SI, SON VÁLIDOS los resultados si se cumple que para cada valor de X: ¿Sería válida nuestra inferencia acerca de Pi en la regresión de la tasa de
❖ Y .tiene distribución normal con media µ. y varianza ci (NORMALIDAD) nacímiento respecto de la tasa de actividad femenina? Si!!!
❖ La media µx es una función lineal de X (LINEALIDAD) Consideremos los gráficos siguientes.
❖ La varianza ci es la misma para todo nivel de X.

ESTUDIOS OBSERVACIONALES vs EXPERIMENTALES -�; .

es
::----...

Consideremos los datos de dosis-respuesta en ratas del estudio experimental de

nuestro ejemplo y los datos de un estudio observacional en el que se registra la
·-se,,;._<<"·� :.·_�':'��-·-------.
�-
tasa de nacimiento y la actividad económica femenina en 26 países, y se '-,..______
pretende predecir la tasa de nacimientos en función de la actividad económica
femenina. ,,,.,.,.---
..,...--------------------- (--·'"--------·-.._________
Experimento Controlado Estudio observacional
El investigador asignó El investigador NO tiene control del nivel
ALEATORIAMENTE las ratas a las de actividad económica de las mujeres en ¿Qué ocurre si la probabilidad de ser seleccionado depende del valor de la
dosis, y se preocupó de manejar de los distintos pa[ses. varíable dependiente? Entonces la inferencia acerca de P1 en el modelo Y = �º
manera similar las distintas ratas. + � 1 X+ a podría NO SER VÁLIDA!!!! En particular, /31 podría ser un
Países con alto índice de actividad
económica femenina pueden diferir de los estimador sesgado de �1 •
otros países en factores medidos y no Para entender ésto consideremos los siguientes ejemplos:
medidos asociados con la tasa de natalidad. Ejemplo 1. Sólo se seleccionan países con tasa de natalidad igual a un valor
CuaJqcier cambio estimado en la FC No es posible hacer una interpretación dado. Entonces /J1 = 0!!!!
puede ser razonablemente atribuído al causal. Ejemplo 2. Se toma una muestra aleatoria de países, pero se descartan aque11os
incremento en la dosis de la droga. en los que la tasa de natalidad sea me11or que un cierto valor.
f h = cambio en la FC debido a un ¡31 = cambio promedio en la tasa de En resumen, para un modelo Y = �º + !l1 X + s
incremento de una unidad en la dosis. natalidad (B) que acompafia un
incremento de una unidad en el índice de Muestra con probabilidad que depende de Inferencia acerca de 1
actividad económica femenina (W) X V IDA
Y NO VÁLIDA
Rugr,sión Lineal Simp/,r L/1/ana Or,1/ana ,]008 31 Ro¡¡N</611 Lin1U1/ Simple Ulim,a Or,/la11a ,2008 32

La recta de regresión ajustada es

f = -44.487 + 6.957X
Nuestra estimación nos dice que si no ocurrieran derrames habría "44 millones
recuperados''. Sabemos, que si no hay derrames (X = O), la cantidad derramada
debe ser cero (Y= O). Parece razonable ajustar el modelo
Y; = �t Xj+c
donde imponemos �º = O.
El procedimiento de mínimos cuadrados para el problema �º = O busca entre
todas las rectas -que pasan por el origen, aquella que minimice la suma de los
residuos al cuadrado. Puede mostrarse que esta recta tiene pendiente
REGRESIÓN A TRAVÉS DEL ORIGEN
Consideremos los siguientes datos sobre el número de derrames accidentales de
petróleo en el mar (X) y la cantidad de petróleo derramado (en millones de
metros cúbicos, Y).
Año # de deITames (X) Cantidad de petróleo derramada (Y)
1973 36 84.S Notar que las observaciones no se ajustan con la media en este caso.
1974 48 67.l Para los datos de petróleo se obtiene la recta
1975 45 188.0 °f¡ =5.861 x,.
1976 29 204.2
1977 49 2IJ.I
1978 35 260.5
1979 65 723,5
1980 32 135.6
1981 33 45.3
1982 9 1.7
1983 17 387.8
1984 15 24.2
1985 8 15.0
Rtgreslón Lin,al Simpl• W/cma Orc/lall(l ,2008 3J
Regr,,si6n Ltn,al Simple líliana On/laoa ,20()8 34

Nota. Para hacer regresión por el origen en Statistix:

Statistícs / Línear Model / Linear Regression
Dependent Variable => Y ... �·
·1n·dependentVariable => X � '· . .
Desmarcar FIT CONSTANT.
//
/
.· •
UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF CANTIDAD
1./
NOTE:.. MODEL FORCED THROUGH ORIGIN

PRED.ICTOR
VARIABLES COEFFICIENT STD ERROR STUDENT'S T p Si nosotros sabemos que cuando X= O entonces Y= O y ajustamos el modelo
NUMERO 5.86088 1. 22960 4. 77 0.0005 completo
R-SQUARED 0.6544 RESID. MEAN SQUME (MSE) 25837.l
ADJUSTED R-SQUARED 0,6256 STANDARD DEVIATION 160.739 Si el test para
SOURCE
----------- DF SS
----------- ----------
MS F p �: flo = O
rechaza la hipótesis nula, tenemos evidencia de que el supuesto de linealidad
REGRESSION 1 587005 587005 22. 72 0.0005
RESIDUAL 12 310045 25837.1 NO ES VÁLIDO!! 1
TOTAL 13 897050
Por lo tanto, cuando se sabe que la curva debe pasar por el origen, el test para
CASES INCLUDED 13 MISSING CASES O !30 O es de interés para chequear apartamientos de la linealidad.
=

¿Qué estimación de 13 1 es preferible? Nota. Otra situación en que !30 podría ser conocido, aunque distinto de cero,
• Si el modelo lineal es verdadero y además l30 = O entonces, la regresión por el seria el caso en que se sabe que el costo fijo diario de un servicio es J30 y que
origen resulta en un ajuste con menos error estándar para 13 1 • por cada paciente que ingresa el costo se incrementa en cierta cantidad j31. En
• Si el modelo lineal no es apropiado, aún cuando sea aproximadamente este caso el estimador de la pendiente es ligeramente diferente.
válido en el rango de valores observados de X, y se ajusta una regresión por
el origen se obtendrá una estimación sesgada de 13 1 -
R,gr,sfón Lirrtal Simple Lill@a Ore/lan� ,1008 JS
/úgr,s/611 Lin,al Sim¡,/s Li/1""" Ore/lona .l(/(18 J6

PROBLEMAS CON REGRESIÓN La relación de talla con edad en niños es aproximadamente lineal cuando se
Los siguientes son algunos problemas comunes que afectan la validez de las consideran tramos cortos de edad.
conclusiones de un Análisis de Regresión. · Si el supuesto de linealidad claramente no se cumple, como por ejemplo en una
- Relación no lineal. El método de mínimos cuadrados que hemos presentado relación en forma de U, como la del gráfico siguiente, los resultados y
busca el mejor ajuste a una linea recta. Si la relación entre las variables no es conclusiones del análisis de regresión pueden ser absolutamente engañosos. Por
lineal, la distribución.propuesta para los. estit:nadores es falsa. ejemplo, el test para la pendiente puede no rechazar la hipótesis de que la
pendiente es cero, es decir concluiríamos que las variables NO están asociadas,
- Vari.a�za no homogénea. Si la vari� de Íos errores cambia con los las variables están fuertemente asociadas ya que la medía de Y sigue una
valores de.X (heteroscedasticidad), entonces los errores estándares, los tests relación casi detenninistica con el valor de X, el problema es que esta relación
y los intervalos de confianza que hemos obtenido son inapropiados. no es lineal.
- Errores correlacfonados, Los errores estándares que hemos calculado, así
como los tests y los intervalos de confianza suponen que los errores son
independientes. Cuando. este supuesto se viola las conclusiones pueden ser
erróneas. r=-0.0117
- Errores no normales. Los tests e intervalos de confianza que hemos
presentado, basados en la distribución t y la F, suponen que para cada valor Recta ajustada
de X 1a distribución de la variable Y es normal. El no cumplimiento de este
supuesto ínvalida estos proce<limientos (especialmente cuando el tamaño de Y= 35.08 - 0.00637 X
muestra es pequeño).
- Casos influyentes. Los estimadores de mínimos cuadrados son muy poco
robustos. Un único datos outlier puede modificar sustancialmente la recta
estimada.
Cuando no se cumple el supuesto de linealidad la hipótesis H.,: 131 = O no es un
- Variables omitidas. Si otras variables afectan a ambas X e Y test de independencia entre las variables.
simultáneamente nuestra estimación de la pendiente puede subestimar o
sobrestimar la verdadera relación entre X e Y (Confounding factors).
Varianza no homogénea y errores no normales.
Comentaremos brevemente algunos de ellos. Buena noticia! 1 !
Relación no lineal. La recta estimada por. niínimcis cuadrados y 1os coeficientes de corre,lación y
determinación son modos válidos para DESCRIBIR la relación entre las
El modelo supone que la media poblacional de Y varía linealmente con X. La variables aún cuando el supuesto de normalidad no sea válido.
forma REAL de la relación es desconocida, y es muy poco probable que sea
EXACTAMENTE lineal. Sin embargo, una función lineal a menudo resulta ser Lo que no vale en e;te vaso es la inferencia.
una buena aproximación para la verdadera relación. En la práctica los sup)lestos de nonmilidad y homoscedasticidad nunca se
cumplen exactamente. Sin embargo, mientras más cerca estén nuestros datos de
Regruióu Litrrial Simple Li/ion« Orel/allrr ,1008 37 Regusíó,, lineal Simple Lillana Orel/anq ,10Q8 38

'los supuestos del modelo lineal, más apropiados serán los tests e intervalos de El dato influyente es USA, el resto son países de Asia y Africa.
confianza que construyamos.
Un dato influyente puede ser fácilmente detectado a través de métodos gráficos,
. Para ;muestras grandes el supuesto de distribución nonual no es crucial. Una aunque tambíén existen medidas indicadoras de cuán influyente es una
versión• extendida del Teorema Central del Límite dice que el estimador de observación. Las estudíaremos cuando veamos regresión múltiple.
mínimos . cuadrados de la pendiente tiene distribución de muestreo
aproxima4amente normal cuando n es grande. Cuando detectamos un outlier tan severo, es importante investigarlo, Puede
estar mal registrado. Si es correcto, quizás sea diferente de las otras del modo
como ocurre en el ejemplo anterior y hay que preguntarse si interesa mantenerlo
Observaciones influyentes en el análisis.
Una desventaja del método de cuadrados mínimos es que observaciones con X Si el dato es correcto y no hay razones para excluirlo del análisis entonces la
muy grande o muy pequefio que caigan lejos de la tendencia del resto de los estimación de los parámetros debería hacerse con un método robusto.
datos pueden modificar sustancialmente la estimación.
Una observación se denomina INFLUYENTE si al excluirla la recta de
regresión estimada cambia notablemente.
Veamos un ejemplo. Las variables de interés son (ambas tomadas en 1995)
DIAGNÓSTICO EN REGRESIÓN
para distintos países: ¿Cómo sabemos si el modelo ajusta razonablemente bien a nuestros datos?
Y"' Tasa de nacimiento (cada 1000 habitantes) en 1995 Comentaremos brevemente la metodología para diagnosticar:
X= Número de televisores (cada 100 habitantes) (1) Si hay apartamientos definidos de los supuestos del modelo
(2) Si hay observaciones influyentes.

Recordemos nuevamente los supuestos de nuestro modelo lineal

Linealidad.
Distribución normal de la. variable Y condicional a X,
_ Sin el dato influyente Homoscedasticidad.
_ Con el dato ínfluyente Independencia de los errores.

En la práctica es imposible verificar que los supuestos se cwnplen. La idea es

averiguar si existen apartamientós groseros de alguno de e�los, si no
Ecuación estimada observamos apartamientos groseros entonces el modelo puede todavía· ser útíl.
Sin dato influyente r = 0.4255 Y= 27.0964 + 0.47732 X
Con dato influ ente r = -0.8352 Y= 37.8245-0.28040 X
Regr,sl6n Lln,a/ Simple Ll/iana Orerlana ,i008 39
.Regru/611 Lin,o/ Simple Lillona o,.//ana ,2008 40

Análisis de los residuos

La mayoría de los supuestos puede chequearse usando los residuos ( .Y¡ - P¡ ).
· Ellos iep!Csentan la distancia de cada observación a la recta ajustada.
Normalidad. Si las observaciones provienen de clistribucíones normales todas
con la misma varianza cr, entonces los residuos deberían mostrar una
distribución aproximadamente normal. Para chequearlo podemos usar métodos
gráficos o el test de Shapiro-Wilk.
Métodos gráficos: Histograma / box'-plot (box) / gráfico de probabfüdad
nonnal (normal probability plot)
Sí se detectan observaciones outliers, 'controlar si son correctas!!! Si lo son,
investigar sí son influyentes.
En general, los datos influyentes no son fácilmente detectables como outliers en
gráficos de residuos vs predichos, porque ejercen "palanca" sobre la recta
Linealidad y bomoscedasticidad forzándola a pasar relativamente cerca de ellos. En consecuencia, pueden
Para chequear que el modelo lineal es una buena aproximación a la verdadera presentar residuos que no llaman la atención por su magnitud.
relación entre las variables y para chequellr el supuesto de homogeneidad de En la práctica los gráficos de residuos no son tan claros como estos... Recordar
varianzas usamos el gráfico de residuos venrus valores predichos. que aún cuando los datos satisficieran todos los supuestos, la variabilidad
muestral podría hacer que el gráfico tuviera pequeños apartamientos de la
Si el gráfico muestra una nube de puntos alrededor de cero sin evidencia de
estructura, tendencia o cambio de la dispersión, entonces no hay sospecha de imagen ideaL
que se violen ninguno de estos dos supuestos.
Independencia
Se satisfacen .los supuestos Heteroscedasticidad El hecho de haber tomado una muestra aleatoria de sujetos desde alguna
población asegura que, en principio, tendremos observaciones independientes.
Algunas situaciones en las que este supuesto puede fallar se desc1iben a
continuación.
Estudios los datos se recolectan secuencialmente. Las observaciones
consecutivas pueden. no ser independie11tes. Determinaciones de.· laboratorio
hechas. secuencialmente en el tiempo pueden mostrar. un d.erto· patrón,
dependiendo de cómo funcionan los equipos, los observadores, etc. Modo de
detección: Graficar residuos versus secuencia temporal.
Si los datos fueron obtenidos por dos observadores A y B, podríamos esperar
que las .observaciones de un observador tiendan a parece1'Se más· entre ellas.
Relación no lineal Observación influyente Modo de detección: Gráfico de Y vs X identificando los puntos de cada grupo.
Regresión Lineal Slmpl• Li//ana Ord/ana .�008 41 Rag.-.,iún li/Ulal Simple Llliana Ore/lana ,2008 O

En ocasiones, fa ·variabilidad debida a la regresión puede ser explicada por la STATISTIX

pertenencia al grupo. Ver gráfico.
Statistics / Summary Statistics / Scatter plot
Se observa una tendencia aparentemente creciente (dificil decir si el modelo
lineal es apropiado). La varianza de Y parece aumentar con X.

---·--·-··--·
ScatteíPlotQ'f y vs X·
�,4 .:
1
1

24
te.i
• 1

.POSIBLES CONSECUENCIAS DE LA VIOLACIÓN DE LOS SUPUESTOS:

j.
(I) Estimación sesgada de los estimadores de los parámetros. o-!
·--·----•-'-'••·�
(2) Estimación sesgada de] error estándar de ]os coeficientes. ., fl .5r;.
X
(3) Tests e Intervalos de Confianza no válidos.
(4) Los estimadores de mínimos cuadrados no son los eficientes (no son los 1.1 Análisis de la distribución de los residuos
estimadores de mínima varianza).
Chequearemos los supuestos estudiando el comportamiento de los residuos.
Recordemos que el residuos se define como la diferencia entre el valor
HERRAMIENTAS PARA DIAGNÓSTICO observado y el valor predicho:
e1 =(Y¡-f¡)
Ejemplo.
Estudiamos la distribución de los residuos a través de gráficos y del test de
Trabajaremos en esta seccíón sobre un conjunto de n = 31 observaciones (X, Y)
Shapiro-Wilk
donde X= edad e Y = años de empleo.
STATISTlX
1.GRÁFJCOS Sta1istics / Linear Model / Linear Regression
En primer lugar hacemos un gráfico de las dos variables para ver si el supuesto Dependent Variable => Y
de Imealidád es adecuado. Independent Variable => X
En la pantalla de resultados de la regresión:
Result� / Plots / Normal Probability Plot
Save Residuals => Residual= Res Fitted = Yhat
R•gre,/611 Un•al Simple /,/1/a"a Ore/lana ,1008 4J ll•gro.lón Lineal Simple L/1/ana Orelúma ,1008 44

¡••--•--•••-•--�-,._...._ -----••_...v,.____ -�•••-•

1 ,.
'

1
Residuos versus valores predichos Valor absoluto de lo,v res vs predichos
�r - ·
11.� J

1 >.r-�: -----���.ron·Rt-Jl�IP!tit-
.. . ---- .-----�----..,l
��,-Plol cirJilS,.Jres: n:·'™AT
¡ .,'
! -- __ j
_,.i....
-. ,
,..,....� i· J.•: i

. .
..." .......�"'- ,.
J .. Ii - ' ' J 1
- -� - - �- ¡f ll¡
.! 1

1 :¡ -.- :·• . -----, -.-' - .

i
¡ 1
..
4 1, . l . ,1
I·-•--•---- .......
.,: •r
•*�i _____._._·.••.•·-_, •-•-·--- '· .=i-,':---..-�-�--.
.. ·.- i----- "��-f ... , -<"
.l
.
....,...._.....,. -•ó.4M..1i'--

' . �- ,¡:• .lt . ¡,· -------.¡·

"""'
,:

Box-plot. La distribución de los residuos es algo asimétrica, y muestra tres

outliers.
- Normal Probability Plot. La distribución no parece muy distinta de la normal ¿Qué observamos?
(salvo por los outliers). Test de Shapíro-Wilks p = 0.45 (no se rechaza la
hipótesis de que los residuos provienen de una distribución nonnat) - Heterogeneidad de varianzas.
- Hay varios datos que podrían ser outliers (8, 24, 28).
1.2 Residuos vers11s valores predichos - La observación 24 es influyente.
Si los supuestos se cumplen el gráfico no debería mostrar ningún patrón, es
decir deberíamos observar una nube de puntos elipsoidal. 1.3 Residuos absolutos versus predichos
- Hay evidencia de heterogeneidad de varianza cuando la varianza aumenta o Cuando se sospecha de la homogeneidad de varianzas una posibilidad es
disminuye al movemos a lo l¡rrgo de los valores predichos. Imagen de graficar los valores absolutos de los residuos (los residuos sin tener en cuenta el
"corneta" o de "rombo". signo) versus los valores predichos. Además podemos graficar una curva suave
- Los outliers aparecen como puntos muy alejados de la recta que indica el que muestra los valores de las medianas de los residuos absolutos para distintos
cero para los residuos. grupos de valores de los predichos. Si la curva muestra tendencia nos indica que
· falla el supuesto de homogeneidad de varianzas.
Para graficar residuos vs predichos con Statistix: El gráfico indica heteroscedasticidad, ya que la magnitud del valor absoluto de
En la pantalla de resultados de la regresión: los residuos aumenta cuando aumenta el valor predicho.
Results / Plots / St. Residuals vs Fitted Values
(Grafica residuos estandarizados versus los valores predichos)
2. DETECCIÓN DE OBSERVACIONES INFLUYENTES
Existe una variedad de estadísticos que permiten resumir la influencia: ·que cada
observación tiene .en la estimación de los parámetros. Estos estadísticos
cuantifican cuánto cambian los coeficientes estimados o los valores predichos
cuando la observación se elimina del conjunto de datos. La influencia de una
observación depende de dos factores:
Regh!Jián lineal Simple U/lana Orulla110 ,2008 4J
&gr1esiót1 Linaaf Simple Liliana Orel/a1w .wa� 4ó

Cuiin lejos cae el valor.de Y de la tendencia general en la muestra y análisis serán válidas pata los datos transformados y no siempre es simple
Cuán lejos se encuentran los valores de las variables regresoras de sus encontrar la transformación que solucione los problemas disgnosticados.
medias.

A continuación se presenta una Tabla que resume los métodos alternativos para
Nota. los distintos problemas diagnosticados.
- Los ·métodos que hemos comentado para detectar outliers y observaciones
influyentes son necesarios en un. análisis de regresión. Sin embargo, no son Problema Remedio
infalibles, no existe un algorfüno automatizado para la evaluación, ni un Errores no normales (n pequeño), - Regresión Robusta
criterio único, por lo que requieren del BUEN JUICIO del analista. 0utliers, Observaciones influyentes
- Otro problema es que si dos casos fuertemente influyentes son casi Heterogeneidad de varianzas - Regresión de mínimos cuadrados
coincidentes, cuando eliminemos uno de ellos, el ajuste prácticamente no se pesados
modificara gracias a la presencia del otro!!! Existen extensiones de estos Relación no lineal - Regresión no lineal
métodos para medir influencia conjunta de los datos tomados de a dos, de a
tres, etc.
- Regresión no paramétrica

¿Qué hacer si encontramos observaciones outliers o influyentes?

¿QUÉ HACER CUANDO NUESTROS DATOS NO SATISFACEN
LOS SUPUESTOS? ❖ Examinar el caso para descartar que pertenezca a una población diferente, o
que sea un error de registro. Si es así eliminar el caso y hacer nuevamente el
Sl el modelo lineal no es adecuado para nuestros datos hay dos caminos análisis.
posibles: ❖ Si el dato es "correcto", el paso siguiente es estudiar si el modelo lineal es
l. Abandonar el modelo de regresión lineal y usar un procedimiento más adecuado. Cuando hay varias variables regresaras, en ocasiones, los outliers
apropiado (ver tabla siguiente). ocurren para algunas combinaciones especiales de las variables regresaras,
para las cuales el modelo puede resultar inadecuado, 1o que podría sugerir la
2. Emplear alguna transfonnación de los datos de modo que el modelo de
regresión lmeal sea adecuado para nuestros datos. necesidad de incluír términos de interacción.
❖ Los datos outliers pueden además estar indicando otros tipos de no
adecuación del modelo, por ejemplo la omisión de variables importantes o
Cada aproximacíón tiene ventajas y desventajas. que la forma funcional propuesta no es correcta. El análisis de los outliers de
- Abandonar el modelo lineal, en general significa una mejor comprensión de un conjunto de datos frecuentemente conduce a profundizar el conocimiento
la naturaleza del problema, .pero también implica usar procedimientos más del modelo.
complejo para estimar los parámetros. ❖ Una alternativa antes de descartar los datos outliers es usar un procedimiento
- Encontrar transformaciones apropiadas para las variables implica que el de estimación diferente al de mínimos cuadrados, en el que se asigna menor
método de estimación de los parámetros será simple y en general el modelo peso a las observaciones outliers. Existen diferentes propuestas de este tipo
contendrá menor número de parámetros, lo que es una ventaja cuando el conocidas bajo el nombre de REGRESIÓN ROBUSTA.
tamaño de muestra no .es rnuy grande, pero las conclusiones de nuestro
Regresión Lineal Simp/1 Lilfana Orellmra ,zfos 47 Regresión Lineal Slmpl, L/ll'1nt1. O�/larui ,2008 48

¿Qué hacer si el modelo linealnoes apropiado? ❖ A veces es necesario sumar una constante a los datos para poder aplicar la
La solución es TRANSFORMAR la variable dependiente o la independiente, de transformación. Por ejemplo, si algunos datos son cercanos a O y se desea
modo , de "linealizar'' la relación, Si la distribución de • los residuos es usar la transformación 1/X, basta con correr el origen usando 1/(X+c), donde
razonablemente normal y la varianza de los errores aproximadamente constante; e es una constante apropiada.
entonces es conveniente intentar transformar la covariable. La razón es que si ❖ Después de sele.ccionar la o las transformaciones a utilizar debe ajustarse
transformamos la Y (por ejemplo usamos .Jy) puede cambiar sustancialmente nuevamente el modelo sobre la o las variables transformadas y estudiar los
la distribución de los errores y afectarse la homogeneidad de vmianz.as. residuales para decidir si el modelo resulta adecuado.
La Figura siguiente mues1ra algunas transformaciones típicas (llamamos X' a la
variable transfonnada) que permiten "Iinealizar la relación �ntre X e Y..
¿Qué hacer si falla el supuesto de distribución normal de los errores y/o de
Imagen Transformaciones posibles para X homogeneidad de varianzas?
Estos dos problemas :frecuentemente aparecen juntos. La solución en general es
una transformación de la variable Y, ya que lo que necesita modificarse es la
forma de la distribución de Y y su varianza. En ocasiones esta transformación
X' =..fx o en general XA con O<A<l puede ayudar además a "linealizar''la relación de Y con las covariables.
X' =log(X) Las transformación más simples son las transformaciones de potencia del tipo:
Y'=Y.,_,
En esta familia de transformaciones están incluidas las siguientes
transformaciones simples:
A,= 3 Y'=Y'
X' = X2 o en general xA con A> 1 11,=2 Y'=Y'
X' =exp(X) t..= l Datos crudos
A=½ Y'=ff
i., = 1/3 Y'=W
A.· o Y' =log(Y) por defmición
1 1
X'"" •- o en general -
·
con A*O 11, =. 0.5 .
Y'=--1.c.-
X XA
,,Jy
X'= exp(-X)
A.= -1 Y'=l_

).= �2 Y·' =.,!_

y2
Regn,JIÓ,r Llnonl S/mpft l/1/nncr Ore/lana ,ian8 �9

Nuevamente aquí puede ser necesario agregar constantes positivas antes de

transformar porque algunas funciones no están definidas en ciertos rangos de
valores. Por ejemplo, la función logaritmo o la raíz cuadrada sólo están
defmidás para valores mayores que cero.
¿Cuándo usarlas?
1c > 1 sirve para distribuciones con asimetría izquierda (cola larga izquierda)·
Á. =1 terigo los datos originales
A..<1 sirve para distribuciones con asimetrla derecha (cola larga derecha).
La situación más fr�cuente son datos con asimetría derecha, y varianza que
aumenta con el valor predicho. En base al box•plot o al histograma de los
residuos del modelo uno decide usar:
Usar Á. < 1 Usar 11, > 1

¿Cómo seleccionar la transformación adecuada. es decir el valor de "A,?

Ensayo y error. Existe un procedimiento automático para seleccionar la
potencia de la transformación, el MÉTODO DE BOX-COX. Este método
estima el parámetro A. de la transformación más apropiada para la regresión de
la variable Y versus X1 , ..., Xk. El procedimiento devuelve un intervalo de
confianza para A, de modo que el investigador elige dentro de ese intervalo un
valor para :\. que conduzca a una transformación de la variable Y, que en lo
posible sea de simple interpretación.
Como en el caso de transfonnacíones de las variables regresaras, una vez que se
ha seleccionado una transformación, debemos ajustar el nuevo modelo y
chequear la validez de los supuestos.