Anlisis de Regresin Mltiple

Cristbal Moya
Universidad de Chile
Diplomado en anlisis multivariable aplicada a la investigacin social
Regresin lineal mltiple Interpretacin, interacciones y
supuestos

Contenidos

a. Repaso
b. Variables independientes dicotmicas
c. Probar supuestos del modelo
d. Interaccin entre variables

Modelos de regresin lineal mltiple

3

Modelo de regresin lineal mltiple

Extensin del modelo de regresin lineal simple agregando ms variables

independientes:

= + 11 + 22

Educacin
(aos)

Ingreso

Edad

= + 1 + 2

Modelos de regresin lineal mltiple

4

Interpretacin de los coeficientes de regresin

Constante o intercepto ()

Valor esperado de Y cuando todas las variables independientes adoptan el valor 0

Coeficientes de regresin ()

Cambio en Y por cada aumento en una unidad de X, controlando por las dems
variables en el modelo

Indica una relacin parcial entre X e Y

Coeficiente de determinacin R2

Igual interpretacin que en el modelo de regresin simple

Describe la proporcin en la varianza de Y que es explicada por el modelo de

regresin (en este caso, por todas las variables incluidas)

Modelos de regresin lineal mltiple

5

Inferencia de los coeficientes de regresin

Igual que en el caso de la regresin lineal simple, pero evaluando si una variable tiene
un efecto significativo una vez que controlamos por las dems variables en el modelo:

H0: = 0, controlando por las dems variables

H1: 0, controlando por las dems variables

Distribucin muestral t con n-(k+1) grados de libertad

Donde

n= tamao de la muestra

k= nmero de variables independientes en el modelo

Modelos de regresin lineal mltiple

6

Inferencia de los coeficientes de regresin

Interpretacin de valor p:

p<0,05: Con un 95% de confianza concluimos que la variable independiente X tiene

un efecto significativo en la variable dependiente X, una vez que controlamos por
las dems variables en el modelo

p>0,05: Con un 95% de confianza concluimos que la variable independiente X no

tiene un efecto significativo en la variable dependiente X, una vez que controlamos
por las dems variables en el modelo

Supuestos del anlisis de regresin mltiple

7

Supuestos

Contamos con una variables dependiente de nivel de medicin intervalo/razn

Contamos con una o ms variables independientes de cualquier nivel de medicin

(pero es necesario hacer ajustes para variables categricas)

Si queremos realizar inferencias a la poblacin, la muestra debe haber sido

seleccionada de manera aleatoria

Modelo expresa relaciones entre variables en base a una funcin lineal

Ausencia de multicolinealidad: las variables independientes no se relacionan de

manera exactamente lineal

Los errores de prediccin no son una funcin de las variables independientes

Los errores de prediccin se distribuyen de manera uniforme sobre los valores

predichos (homocedasticidad) y no estn correlacionados entre s (no
autocorrelacin)

Los errores de prediccin se distribuyen normalmente

Actividad 1

Datos de la Encuesta CASEN 2009 para jefes de hogar (n=71.460)

Base de datos: Casen2009 jefes de hogar.sav
Variables:
Ingreso autnomo en pesos (ingreso_autonomo)
Escolaridad en aos (esc)
Edad en aos (edad)
1. Predicen los aos de escolaridad de las personas su ingreso autnomo, una vez
que controlamos por la edad?
Obtn los resultados del modelo de regresin en SPSS e interpreta los
coeficientes b, su significacin, as como el R cuadrado del modelo
Escribe la ecuacin del modelo de regresin

Actividad 1: Resultados
9

Ecuacin de regresin:

= 126.304,0 + (46.416,1 ) + (1973,9 )

Constante
Aos de escolaridad

Edad

Coeficiente

Error
estndar

Sig.

Intervalo de confianza
(95%)

-126304,0

12396,6

-10,189

<0,01

-150601,3

-102006,7

46416,1

596,1

77,870

<0,01

45247,8

47584,4

1973,9

171,7

11,498

<0,01

1637,4

2310,3

Actividad 1: Resultados
10

Educacin

Por cada ao adicional en educacin, el valor esperado de ingreso autnomo aumenta

en 46.416 pesos, controlando por edad

Con un 95% de confianza, por cada ao adicional en educacin, el valor esperado de

ingreso autnomo aumenta entre 45.248 y 47.584 pesos, controlando por edad

Este efecto es significativo al 99% de confianza, por lo que podemos inferir que la
escolaridad se asocia a los ingresos autnomos en la poblacin de jefes/as de hogar
chilenos/as.

Formato APA abreviado: El efecto de los aos de escolaridad sobre el ingreso

autnomo de los jefes de hogar es significativo al 99% de confianza, controlando por la
edad ( = 46.416,1; < 0,01).

Constante
Aos de escolaridad

Edad

Coeficiente

Error
estndar

Sig.

Intervalo de confianza
(95%)

-126304,0

12396,6

-10,189

<0,01

-150601,3

-102006,7

46416,1

596,1

77,870

<0,01

45247,8

47584,4

1973,9

171,7

11,498

<0,01

1637,4

2310,3

Actividad 1: Resultados
11

Edad

Por cada diez aos adicionales en edad, el valor esperado de ingreso autnomo aumenta
en (10*1973,9)=19.739 pesos, controlando por nivel educacional

Con un 95% de confianza, por cada diez aos adicionales en edad, el valor esperado de
ingreso autnomo aumenta entre 16.374 y 23.103 pesos, controlando por nivel educacional

Este efecto es significativo al 99% de confianza, por lo que podemos inferir que la edad se
asocia a los ingresos autnomos en la poblacin de jefes/as de hogar chilenos/as.

Formato APA abreviado: La edad de las personas tiene un efecto positivo y significativo en
el ingreso de los jefes de hogar, controlando por los aos de escolaridad ( = 1.973,9; <
0,01).

Constante
Aos de escolaridad

Edad

Coeficiente

Error
estndar

Sig.

Intervalo de confianza
(95%)

-126304,0

12396,6

-10,189

<0,01

-150601,3

-102006,7

46416,1

596,1

77,870

<0,01

45247,8

47584,4

1973,9

171,7

11,498

<0,01

1637,4

2310,3

Actividad 1: Resultados
12

R cuadrado

R2: 0,098

Es decir, educacin y edad explican el 9,8% de la variabilidad en el ingreso autnomo

de las personas

Otra forma de expresarlo: al introducir educacin y edad en el modelo logramos reducir

los errores en la prediccin del nivel de ingreso autnomo de las personas en un 9,8%

Constante
Aos de escolaridad

Edad

Coeficiente

Error
estndar

Sig.

Intervalo de confianza
(95%)

-126304,0

12396,6

-10,189

<0,01

-150601,3

-102006,7

46416,1

596,1

77,870

<0,01

45247,8

47584,4

1973,9

171,7

11,498

<0,01

1637,4

2310,3

Contenidos

a. Repaso
b. Variables independientes dicotmicas
c. Probar supuestos del modelo
d. Interaccin entre variables

Variables independientes dicotmicas

14

Frecuentemente queremos utilizar variables categricas (nominales u ordinales) como

variables independientes

Comenzamos con el caso de variables con dos categoras de respuesta (dicotmicas)

Podemos utilizar variables dummy (binarias o dicotmicas) con valores 0 y 1

Opcin de codificacin de categoras puede ser arbitraria:

En otros casos podemos utilizar 0 para la ausencia de algn atributo y 1 para la presencia
de algn atributo

Por ejemplo, para sexo: 0=hombre, 1=mujer

Por ejemplo, fumar: 0=no fuma, 1=si fuma

El sbado veremos cmo trabajar con variables independientes de ms de dos

categoras de respuesta.

Variables independientes dicotmicas

15

Introducimos la variable dummy (ej. 2 ) al modelo al igual que las dems variables:

= + 11 + 22

El coeficiente de regresin (ej. 2 ) ser interpretado como la diferencia entre las

categoras (1) y (0) en la variable dependiente

Es importante estar atentos a la manera en que se codificaron las variables

Variables independientes dicotmicas

16

Ejemplo:

Incluimos sexo (0=hombre y 1=mujer) en el modelo de regresin

Las mujeres jefe de hogar tienen un ingreso inferior en 160.546 pesos al de los
hombres jefe de hogar, controlando por nivel educacional y edad

La diferencia es significativa al 99% de confianza (p<0,01), por lo que podemos

inferir que en la poblacin de jefes de hogar de Chile las mujeres ganan menos que
los hombres.

Formato APA abreviado: Se observa una asociacin entre el sexo de los/las

jefes/as de hogar y su ingreso autnomo, controlando por escolaridad y edad (b=
-160.546,0; p<0,01)
Coeficiente

Error
estndar

Sig.

-113569,3

12315,7

-9,221

<0,01

-137708,1

-89430,4

Aos de escolaridad

46531,4

591,8

78,622

<0,01

45371,4

47691,4

Edad

2528,6

171,5

14,748

<0,01

2192,6

2864,7

-160546,0

5363,3

-29,934

<0,01

-171058,0

-150034,0

Constante

Sexo (1: mujer)

Intervalo de confianza
(95%)

Actividad 2
17

Datos de la Encuesta Suplementaria de Ingresos 2015 para jefes de hogar

(n=33.425)

Base de datos: ESI_2015_Personas reducida (jefes de hogar).sav

Variables:
Total Ingreso Autnomo (ING_AUT_SB)
Escolaridad en aos (ESCO)
Sexo (SEXO)

1. Recodifica la variable sexo como dummy para evaluar el efecto de ser mujer
2. Cul es el efecto de ser mujer sobre el ingreso autnomo, una vez que
controlamos por aos de escolaridad?
Obtn los resultados del modelo de regresin en SPSS e interpreta los
coeficientes b, su significacin, as como el R cuadrado del modelo
Escribe la ecuacin del modelo de regresin
Obtn un grfico de valores estimados para hombres y mujeres para perfiles de
8, 12, 16 y 20 aos de educacin

Actividad 2: Resultados
18

Ecuacin de regresin:

= 81.034 + (223.463 ) + (63.975 )

Coeficiente

Error estndar

(Constante)

-81034

10754

-7,535

< 0,01

Mujer

-223463

8391

-26,633

< 0,01

63975

894

71,537

< 0,01

Aos de
escolaridad

Actividad 2: Resultados
19

Sexo

Las mujeres tienen un ingreso autnomo inferior en 223.463 pesos que los hombres,
controlando por escolaridad

Este efecto es significativo al 99% de confianza, por lo que podemos inferir que el sexo
se asocia a los ingresos en la poblacin de jefes de hogar

Formato APA abreviado: El efecto de sexo en el ingreso autnomo de los jefes de

hogar en Chile es significativo al 99% de confianza, controlando por la escolaridad ( =
223.463; < 0,01).

Coeficiente

Error estndar

(Constante)

-81034

10754

-7,535

< 0,01

Mujer

-223463

8391

-26,633

< 0,01

63975

894

71,537

< 0,01

Aos de
escolaridad

Actividad 2: Resultados
20

Escolaridad

Por cada ao adicional en escolaridad, el valor esperado de ingreso autnomo

aumenta en 63.975 pesos, controlando por sexo

Este efecto es significativo al 99% de confianza, por lo que podemos inferir que la
escolaridad se asocia a los ingresos en la poblacin de jefes de hogar

Formato APA abreviado: El efecto de los aos de escolaridad en el ingreso autnomo

de los jefes de hogar en Chile es significativo al 99% de confianza, controlando por
sexo ( = 63.975; < 0,01).

Coeficiente

Error estndar

(Constante)

-81034

10754

-7,535

< 0,01

Mujer

-223463

8391

-26,633

< 0,01

63975

894

71,537

< 0,01

Aos de
escolaridad

Actividad 2: Resultados
21

R cuadrado

R2: 0,154

Es decir, sexo y escolaridad explican el 15,4% de la variabilidad en el ingreso

autnomo de los jefes de hogar

Otra forma de expresarlo: al introducir sexo y escolaridad en el modelo logramos

reducir los errores en la prediccin de ingresos autnomos de los jefes de hogar en un
15,4%

Coeficiente

Error estndar

(Constante)

-81034

10754

-7,535

< 0,01

Mujer

-223463

8391

-26,633

< 0,01

63975

894

71,537

< 0,01

Aos de
escolaridad

Actividad 2: Resultados
22

Grfico de valores estimados

Actividad 2: Resultados
23

Grfico de valores estimados

Contenidos

a. Repaso
b. Variables independientes dicotmicas
c. Probar supuestos del modelo
d. Interaccin entre variables

Supuestos del anlisis de regresin mltiple

25

Existen supuestos que debieran verificarse antes de llevar a cabo el anlisis

Estos supuestos en la prctica no se cumplen del todo, pero mientras ms cercano

estamos a ellos, ms confianza podemos tener en los estadsticos calculados

1. Relacin lineal: Y y X se relacionan por medio de una ecuacin lineal (grficamente, la

relacin forma una recta).

Si la relacin es aproximadamente lineal, tiene sentido usar modelos de regresin

lineal.

Se puede evaluar en base a diagramas de dispersin (si el n es chico)

Una correlacin alta entre las variables es indicacin de que la relacin es lineal.

Si la relacin no es lineal, considerar utilizar otro tipo de regresin o transformar

variables (por ejemplo, ver efectos de variables al cuadrado).

Supuestos del anlisis de regresin mltiple

26

2. Casos atpicos: Corresponden a

observaciones individuales que no siguen
el patrn de relacin de los dems casos.
Es decir, son casos que el modelo predice
menos bien que a los dems casos.

Errores de prediccin (Residuos):

diferencia entre el valor estimado por el
modelo y el valor observado que tiene un
caso en la muestra

Estos casos pueden influenciar resultados,

en particular si la muestra es chica.

Se recomienda correr el modelo

excluyendo casos atpicos para ver si
cambian los estadsticos (pendiente y
constante).

En SPSS: Bajo Regresin lineal/Guardar

seleccionar Residuos/Estandarizados

Supuestos del anlisis de regresin mltiple

27

2. Casos atpicos:

En SPSS: Observamos estadsticos de Residuo estndar en la tabla de Estadsticas

de residuos.

Un error de prediccin grande es un residuo estandarizado con un valor absoluto > a 2

En este caso, vemos que el error de prediccin mnimo (-1,377) no es menor a -2. Sin
embargo, el error de prediccin mximo (42,024) es mayor a 2

Para evaluar cules son los casos con altos errores de prediccin, vamos a la base

Se cre una variable nueva con los errores de prediccin para cada caso. En base a
esto podramos correr el modelo nuevamente excluyendo casos con residuos mayores
a 2.

Supuestos del anlisis de regresin mltiple

28

3. Multicolinealidad: Cuando dos o ms variables independientes estn altamente

correlacionadas.

En estas situaciones resulta difcil estimar cul de las dos variables es la que explica
la variable dependiente, generando errores estndar altos y baja precisin de los
coeficientes calculados.

Para identificar esta situacin, hay que revisar la matriz de correlacin entre las
variables y detectar correlaciones de 0,8 o ms. Si este es el caso, es
recomendable eliminar una de las dos variables del modelo.

Tambin existen estadsticos que miden la presencia de multicolinealidad al correr el

anlisis de regresin. En particular:

Factor de inflacin de la varianza, VIF: indicador de cunto se infla el error

estndar debido a problemas de multicolinealidad.

Sacamos la raz cuadrada e interpretamos el valor resultante como en cuantas

veces mayor es el error estndar debido a problemas de multicolinealidad

Por ejemplo, un VIF de 4 significa que el error estndar es 2 veces mayor de lo

que sera si las variables no estuvieran correlacionadas.

Un VIF mayor a 3 es considerado como indicando problemas de

multicolinealidad

Supuestos del anlisis de regresin mltiple

29

3. Multicolinealidad

En SPSS: Al correr el modelo de

regresin, podemos solicitar
Estadsticos/Diagnsticos de colinealidad

En la tabla de coeficientes se presentan

estadsticas de colinealidad.

En este caso, los valores del VIF

muestran que no existe evidencia de
multicolinealidad. (VIF<3)

Actividad 3
30

Datos de la Encuesta CASEN 2009 para jefes de hogar (n=71.460)

Base de datos: Casen2009 jefes de hogar.sav

Variables:

Nmero de personas en el hogar (numper)

Ingreso autnomo en pesos (ingreso_autonomo)

Ingreso total (ingreso_total)

Predicen el ingreso autnomo y el ingreso total de los jefes de hogar en Chile el

nmero de personas que vive en el hogar?

Lleva a cabo un anlisis de correlacin para dar cuenta de la relacin bivariada

entre Nmero de personas en el hogar, Ingreso autnomo e Ingreso total

Lleva a cabo un modelo de regresin lineal mltiple utilizando Nmero de

personas en el hogar como variable dependiente, as como ambos ingresos
como variables independientes.

Solicita estadsticos de colinealidad (bajo Estadsticos) y residuos estandarizados

(Bajo Guardar)

Se cumplen los supuestos? Qu cambios podramos hacer?

Actividad 3: Resultados
31

1. Linealidad

La correlacin entre el nmero de personas en el hogar e ingreso es significativa

pero baja (r<0,05).

Resultados sugieren que la relacin no es lineal. Sin embargo, seguiremos con el

ejercicio a modo de ejemplo.

Actividad 3: Resultados
32

2. Casos atpicos

Los residuos estndar se encuentran entre -2,547 y 7,555.

Por lo tanto existen errores de prediccin fuera del rango 2

Podramos correr el anlisis eliminando estos casos y ver qu ocurre

Actividad 3: Resultados
33

2. Casos atpicos

Los residuos estndar se encuentran entre -2,547 y 7,555.

Por lo tanto existen errores de prediccin fuera del rango 2

Podramos correr el anlisis eliminando estos casos y ver qu ocurre. (No lo vamos
a hacer por ahora)

Actividad 3: Resultados
34

3. Multicolinealidad

Observamos problemas de multicolinealidad (VIF>3)

Esto se debe a que ambas variables independientes se encuentran altamente

correlacionadas (r>0,99, p<0,01)

Evidentemente hay que correr el modelo eliminando una de las dos variables

De hecho, al incluir ambas, ninguna tiene un efecto significativo.

Si eliminamos una, la variable que queda tendr un efecto significativo en el nmero

de personas en el hogar.

Supuestos del anlisis de regresin mltiple

35

4. Homocedasticidad: Los errores de prediccin tienen una varianza constante a lo

largo de los distintos valores de Y

Error de prediccin: diferencia entre el valor estimado por el modelo y el valor

observado que tiene un caso en la muestra

Esto quiere decir que el modelo es igualmente apropiado para predecir valores
bajos (por ejemplo, bajos ingresos) y altos de la variable dependiente (por
ejemplo, altos ingresos).

El contrario es heterocedasticidad

5. Normalidad en la distribucin de los errores de prediccin: Los errores de

prediccin en torno a los valores estimados de Y se distribuyen normalmente.

Si los errores de prediccin se distribuyen normalmente, quiere decir que la

mayor parte de ellos se encuentran en torno a 0 (es decir, son valores que se
alejan poco del valor observado).

A su vez, son cada vez menos los errores de prediccin a medida que estos
valores son mayores en trminos absolutos.

Supuestos del anlisis de regresin mltiple

36

4. Homocedasticidad:

En SPSS: Bajo Regresion Lineal/Grficos solicitar un grfico que incluya los

residuos estandarizados (ZRESID) en Y y los valores pronosticados
estandarizados (ZPRED) en X.

5. Normalidad de los errores de prediccin:

En SPSS: Bajo Regresin Lineal/Grficos,

Solicitar Histograma

Supuestos del anlisis de regresin mltiple

37

4. Homocedasticidad:

En SPSS: Para que haya

homocedasticidad los errores de
prediccin deben ser constantes a lo
largo de los valores pronosticados y no
deben tener forma de embudo.

En este caso, vemos que los errores

de prediccin son mayores para
valores predichos altos.

Es decir, el modelo es mejor

pronosticando ingresos bajos que
ingresos altos.

Esto probablemente tenga que ver con

el sesgo de la variable ingreso (pocos
casos con ingresos muy altos).

Debiera mejorar si se eliminan casos

atpicos

Otra opcin es transformar la variable

(ej. Usar el log de Y en vez de Y)

Supuestos del anlisis de regresin mltiple

38

5. Normalidad de los
errores de prediccin:

En SPSS: ver histograma

de los residuos

Si errores de prediccin
se distribuyen
aproximadamente de
manera normal, este
supuesto se cumple.

En este caso, la mayor

proporcin de errores de
prediccin se encuentra
en torno al 0. Sin
embargo, se observan
mayores errores de
prediccin hacia la
derecha

Actividad 4
39

Datos de la Encuesta CASEN 2009 para jefes de hogar (n=71.460)

Base de datos: Casen2009 jefes de hogar.sav

Variables:

Nmero de personas en el hogar (numper)

Ingreso autnomo en pesos (ingreso_autonomo)

Ingreso total (ingreso_total)

Predicen el ingreso autnomo y el ingreso total de los/las jefes/as de hogar en

Chile el nmero de personas que vive en el hogar?

Lleva a cabo un modelo de regresin lineal mltiple ubicando Nmero de

personas en el hogar como variable dependiente, as como ambos ingresos
como variables independientes.

Solicita un grfico de los residuos y los valores predichos, as como un

histograma de los residuos (Bajo Grficos).

Se cumplen los supuestos? Qu cambios podramos hacer para que se

cumplan?

Actividad 4: Resultados
40

4. Homocedasticidad

Vemos que los errores de prediccin

son mayores para valores predichos
bajos.

Es decir, el modelo es mejor

pronosticando el nmero de personas
que viven en hogares con muchas
personas que en hogares con pocas
personas

Debiera mejorar si se eliminan casos

atpicos

Otra opcin es transformar la variable

(ej. Usar el log de Y en vez de Y)

Tambin podemos recodificar la

variable nmero de personas en dos
categoras

Actividad 4: Resultados
41

5. Normalidad en la distribucin de los

errores de prediccin

Si bien hay muchos errores de

prediccin concentrados en torno al 0,
se observan tambin importantes
errores de prediccin a medida que
uno se aleja del 0.

Hay ms errores de prediccin altos

hacia la derecha que hacia la
izquierda

Contenidos

a. Repaso
b. Variables independientes dicotmicas
c. Probar supuestos del modelo
d. Interaccin entre variables

Modelos de regresin lineal Interacciones

43

Interacciones entre variables

Cuando el efecto de una variable depende del valor de otra variable

Es decir, el efecto de X en Y est moderado por una tercera variable Z

Por ejemplo:

Tienen los aos de escolaridad el mismo efecto en el ingreso para jefes de hogar
hombres y jefas de hogar mujeres?

Para evaluar efectos de interaccin, agregamos el producto de dos variables en el

modelo (adems de los efectos principales)

Por ejemplo, la interaccin entre sexo y educacin:

= + 1 + 2 + 3

2
Cuando sexo=1 (mujeres), el efecto de escolaridad es 2 + 3
Cuando sexo=0 (hombres), el efecto de escolaridad es

Modelos de regresin lineal Interacciones

44

Interacciones entre variables

Para hombres, por cada ao adicional de educacin, el ingreso esperado aumenta en

49.408,77 pesos.

Para mujeres, por cada ao adicional de educacin, el ingreso esperado aumenta en

49.408,77+(-22,855,89)=26.552,88

Coeficiente

Error estndar

Sig.

Constante

-7038,14

5987,21

-1,18

,240

Aos de escolaridad

49408,77

629,00

78,55

<0,01

Sexo (1: mujer)

33410,72

10738,38

3,11

<0,01

Sexo * escolaridad

-22855,89

1149,59

-19,88

<0,01

Modelos de regresin lineal Interacciones

Tanto para hombres como
para mujeres, mayores niveles
de
escolaridad
estn
asociados con mayor ingreso
autnomo
Sin embargo, el efecto de
escolaridad es mayor para
hombres.
Es decir, el aumento en el
ingreso por cada ao adicional
de educacin es mayor para
hombres (49 mil pesos) que
para mujeres (27 mil pesos)

Actividad 5
Datos de la Encuesta Suplementaria de Ingresos 2015 para jefes de hogar
(n=33.425)
Base de datos: ESI_2015_Personas reducida (jefes de hogar).sav
Variables:
Total Ingreso Autnomo (ING_AUT_SB)
Escolaridad en aos (ESCO)
Mujer (sexo_dummy)
Tiene la escolaridad un efecto distinto en el ingreso autnomo de las personas
segn si estas son hombres o mujeres?
Calcula un efecto de interaccin entre escolaridad y sexo generando una nueva variable que
sea el producto entre ambas variables
Lleva a cabo un modelo de regresin en SPSS utilizando ingreso autnomo como variable
dependiente y escolaridad, sexo y la interaccin entre escolaridad y sexo como variables
independientes.
Pega los resultados en una planilla Excel y genera valores estimados de ingreso para perfiles
con 8, 12, 16 y 20 aos de escolaridad por separado para hombres y mujeres
Genera un grfico de valores estimados con una recta para hombres y una recta para
mujeres. Qu observas?

Actividad 5: Resultados
47

Ecuacin de regresin:

= 236.032 + (37.353 ) + (159.141 ) + (78.621 )

(Constante)
Mujer * Aos
escolaridad
Mujer
Aos de
escolaridad

Coeficiente

Error estndar

-236032

13088

-18,035

< 0,01

-37353

1820

-20,519

< 0,01

159141

20426

7,791

< 0,01

78621

1140

68,974

< 0,01

Actividad 5: Resultados
48

Grficos de valores estimados

Actividad 5: Resultados
49

Grficos de valores estimados