Mauro Rafaele de la Cruz

UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ

FACULTAD DE INDUSTRIAS ALIMENTARIAS
Huancayo – Perú, 2009
1
Análisis de Regresión

2
 Análisis de asociación

El análisis de asociación entre variables pretende descubrir

y medir la asociación o covariación entre variables, a través
del análisis de regresión y correlación.

Análisis de regresión. Determina la relación funcional

(ecuación) entre dos o más variables.

Análisis de correlación. Determina el grado de la relación

entre las variables.

3
 Ejemplos

 El gasto familiar (Y) depende del ingreso (X1), del tamaño

de la familia (X2), de la conducta alimenticia (X3).

 El salario (Y) depende de la jornada laboral (X1), del

costo de la jornada laboral (X2), del número de años de
experiencia (X3), del grado de instrucción (X4).

 El rendimiento académico (Y) depende del coeficiente

intelectual (X1), del tiempo de estudio (X2), de la vocación
profesional (X3), de la metodología de enseñanza (X4),
del número de libros leídos (X5).
4
 Ejemplos

 La fibra de la cáscara de mango (Y) depende de la

humedad (X1), de la grasa (X2).

 La materia de la cáscara de mango de mango (Y)

depende de la humedad (X).

 Los carbohidratos de la cáscara de mango (Y) dependen

de los taninos (X1), de las proteínas (X2).

 La humedad de la harina de trigo (Y) depende de la

humedad relativa (X1), de la temperatura (X2)

5
 Objetivos

 Establecer la relación funcional entre una variable

dependiente Y (respuesta, predicha, explicada,
endógena) y un conjunto de variables independientes X1,
X2, …, Xk (predictoras, explicativas, exógenas).

 Realizar pronósticos o predicciones de la variable

dependiente Y una vez conocidos los valores de las
variables independientes X1, X2, …, Xk.

6
 Tipos de relaciones

1. Una variable influye sobre otra.

La edad influye en el desarrollo mental del niño
La cantidad de proteína de la harina influye en el volumen del
pan
2. Variables influenciadas entre si.
Precio y nivel de producción de un artículo
Peso y altura de las personas
3. Variables no relacionadas influenciadas por otra variable
Los precios del pan y de la leche están relacionados por la
influencia del costo de vida a través de los años

7
 Tipos de modelos de regresión

1. Por el número de variables independientes (v.i.) que

influyen en la variable respuesta (v.r.).

MR simple: Una variable independiente.

La cantidad de gluten de la harina de trigo y el volumen
de pan

MR múltiple: Dos o más variables independientes.

La edad y la altura de las personas influyen sobre su
peso

8
 Tipos de modelos de regresión

2. Por el modelo funcional o la forma de la influencia.

MR lineal: Las variaciones de la v.i. pueden provocar

variaciones proporcionales en la v.r.
El peso de un niño al nacer y su peso a los tres meses
de edad

MR no lineal. Las variaciones de la v.i. pueden provocar

variaciones no proporcionales en la v.r.
La precipitación pluvial de una zona y el rendimiento de
los cultivos de dicha zona
9
 Patrones de relaciones entre dos
variables
a) Lineal Positiva b) Lineal Negativa c) No Lineal

Y Y Y

X X X

f) No lineal
d) No Lineal e) No lineal

Y Y Y

X X X

10
11
 Análisis de Regresión Lineal Simple

El análisis de regresión lineal simple (ARLS) ajusta una

variable dependiente (Y) y una variable independiente (X) y
la relación entre ellas es aproximadamente una línea recta.

Pasos del ARLS:

1. Diagrama de dispersión
2. Coeficiente de correlación lineal simple
3. Estimación del modelo de regresión y la bondad de ajuste
4. Pronósticos (prediciones) de la variable respuesta

12
 Análisis de Regresión Lineal Simple

Ingresos Gastos
2800 2300
2500 2000 Línea de
3500 3200 tendencia
4000 3600
5000 4200
4500 4000
3500 2900
3700 3400
Ascendente
5500 4900 Relación directa
6000 5100
2500 2100
2000 1800
2800 2300
3200 2900
4700 4200 Diagrama de dispersión
13
 Análisis de Regresión Lineal Simple

Temp Cons
Línea de
28,0 12,4 tendencia
28,0 11,7
32,5 12,4
39,0 10,8
45,9 9,4
57,8 9,5
58,1 8,0 Descendente
62,5 7,5 observamos:
Relación inversa
- tendencia negativa
- puntos dispersados alrededor de la línea

Gráfico de dispersión
14
 Análisis de Regresión Lineal Simple

Esta dísticos descriptivos

Coeficiente de Des viación
correlación de Variables Media típica n
Pearson Ingresos (S/.) 3746,67 1184,342 15
Gas tos (S/.) 3260,00 1058,840 15

Correlaciones

Variables Ingresos (S/.) Gas tos (S/.)

Ingresos (S/.) Corre lación de Pearson 1 ,992**
Sig. (bilateral) ,000
n 15 15
Gas tos (S/.) Corre lación de Pearson ,992** 1
Sig. (bilateral) ,000
n 15 15
**. La correlación e s s ignificativa al nivel 0,01 (bilateral).

15
 Análisis de Regresión Lineal Simple

Esta dísticos descriptivos

Coeficiente de Des viación
correlación de Variables Media típica n
Tem peratura 43,975 14,1641 8
Pearson Consumo 10,213 1,9105 8

Correlaciones

Tem peratura Consum o de

Variables m edia com bustible
Tem peratura Corre lación de Pearson 1 -,948**
m edia por hora Sig. (bilateral) ,000
n 8 8
Consum o de Corre lación de Pearson -,948** 1
com bustible Sig. (bilateral) ,000
n 8 8
**. La correlación es significativa al nivel 0,01 (bilate ral).

16
 Análisis de Regresión Lineal Simple
Coeficiente de correlación lineal de Pearson
(R. Hernández S. y otros: Metodología de la Investigación, 4ta ed., Pág. 453)

R de Pearson
Correlación
Valores (–) Valores (+)
0 Nula
–0,24 a –0,01 0,01 a 0,24 Muy débil
–0,49 a –0,25 0,25 a 0,49 Débil
–0,74 a –0,50 0,50 a 0,74 Media
–0,89 a –0,75 0,75 a 0,89 Fuerte
–0,99 a –0,90 0,90 a 0,99 Muy fuerte
–1 1 Perfecta

17
 Análisis de Regresión Lineal Simple
Coeficiente de correlación lineal de Pearson
(F. Calvo: Estadística Aplicada, Pág. 110)

r de Pearson
Correlación Relación
Valores (–) Valores (+)
0 Nula
–0,19 a –0,01 0,01 a 0,19 Pequeña Muy poca intensa
–0,39 a –0,20 0,20 a 0,39 Baja Poca intensa
–0,59 a –0,40 0,40 a 0,59 Regular Considerable
–0,79 a –0,60 0,60 a 0,79 Alta Intensa
–0,99 a –0,80 0,80 a 0,99 Muy alta Muy intensa
–1 1 Perfecta

18
 Análisis de Regresión Lineal Simple
Modelo de regresión lineal simple (MRLS):
y = β0 + β1x + 
donde:
β0 = Ordenada al origen (valor medio de y cuando x = 0),
β1 = Pendiente ( medio de y cuando x varía una unidad),
 = Término de error (describe los efectos de los factores
no incluidos en el modelo).

β0 y β1 se llaman constantes o parámetros de regresión.

Al no conocer los valores reales de β0 y β1, debe ser
estimados con los datos de la muestra.
(Nota: La interpretación de β0 a veces no es aplicable).
19
 Análisis de Regresión Lineal Simple

Resum en de l mode lob

Modelo de regresión R cuadrado Error típ. de la
lineal simple Modelo R
a
R cuadrado corregida estim ación
1 ,992 ,984 ,983 137,705
(Gastos / Ingresos): a. Variables predictoras: (Constante), Ingres os (S/.)
y = β 0 + β 1x +  b. Variable dependiente: Gastos (S/.)

ANOVAb

Sum a de Media Modelo

Modelo cuadrados gl cuadrática F Sig. significativo
1 Regresión 15449486,9 1 15449486,9 814,737 ,000a
Res idual 246513,104 13 18962,546 (β0 y β1 en
Total 15696000,0 14 forma conjunta
a. Variables predictoras: (Constante ), Ingre sos (S/.) significativos)
b. Variable dependie nte: Gastos (S/.)

20
 Análisis de Regresión Lineal Simple
Modelo de regresión lineal simple
(Gastos / Ingresos):
y = β 0 + β 1x + 
Coeficiente sa
Coeficientes no Coeficientes
estandarizados estandarizados
Modelo B Error típ. Beta t Sig.
(Constante) -63,233 121,735 -,519 ,612
1
Ingresos (S/.) ,887 ,031 ,992 28,544 ,000
a. Variable dependiente: Gastos (S/.)

y = –63,233 + 0,887x Sólo β1

Gastos = –63,233 + 0,887 Ingresos significativo
(0,612) (0,000) (β1  0)

21
 Análisis de Regresión Lineal Simple
Resum en de l mode loc,d
R cuadrado Error típ. de la
Modelo de regresión Modelo R R cuadrado corregida estim ación
,999b
lineal simple 1 ,999 ,998
b. Variables predictoras: Ingresos (S/.)
134,065

(Gastos / Ingresos): c. Variable dependiente: Gastos (S/.)

y = β 1x +  d. Regresión lineal a través del origen

ANOVAc,d

Sum a de M edia
M odelo cuadrados gl cuadrática F Sig.
1 Regresión 174858371 1 174858371 9728,659 ,000a
Res idual 251629,453 14 17973,532
Total 175110000b 15
a. Variables predictoras: Ingresos (S/.) β1
b. Esta sum a de cuadrados total no se ha corregido para la constante porque la significativo
constante es cero para la regres ión a travé s del origen.
c. Variable dependie nte: Gastos (S/.)
d. Regresión lineal a travé s del origen

22
 Análisis de Regresión Lineal Simple
Modelo de regresión lineal simple
(Gastos / Ingresos):
y = β 1x + 

Coeficiente sa,b
Coeficientes no Coeficientes
estandarizados estandarizados
Modelo B Error típ. Beta t Sig.
1 Ingresos (S/.) ,872 ,009 ,999 98,634 ,000
a. Variable dependiente: Gastos (S/.)
b. Regresión lineal a través del origen

y = 0,872x
Gastos = 0,872 Ingresos
(0,000)

23