COEFICIENTES DE REGRESIÓN ESTANDARIZADOS

COEFICIENTE BETA

Cuando el modelo de regresión múltiple tiene unidades de medición que son distintas a
las variables Y, X1, X2,…, XK, no se puede comparar directamente de los coeficientes de
regresión la importancia o la contribución a la predicción de la variable independiente.

En este caso, los coeficientes beta nos proporcionan el método para comparar la
importancia relativa de cada variable independiente en la predicción de la variable
dependiente.

Los coeficientes beta se define como los coeficientes de la estimación estandarizada del
modelo de regresión múltiple estimada, cuyas variables están estandarizadas dadas por:

𝑌− Ῡ 𝑋𝑖−𝑋
𝑖
𝑍𝑌 ,𝑍𝑋𝑖 , i =1,2,…, k.
𝑆𝑟 𝑆𝑥𝑖

Si el modelo estimado es por ejemplo,

Ῡ=b0 + b1x1+b2x2,

Estandarizando todas sus variables se obtiene el modelo de regresión estimado

estandarizado:

𝑍Ῡ = (𝑏1
𝑆𝑋1
𝑆𝑌
) 𝑋
1
𝑧 + (𝑏2 𝑆𝑆 ) 𝑧𝑋1 𝑋2
𝑌

Donde, los coeficientes estandarizados beta están dados por:

𝑆𝑋𝑖
Beta1= (𝑏𝑖 )
𝑆𝑌

Los coeficientes beta se interpreta como sigue: “por cada unidad estandarizada que
aumenta la variable independiente Xi (cuando las demás X pertenecen constantes),
aumenta betai unidades la variable dependiente Y.
Ejemplo: continuando con el ejemplo 01, se tienen:

Hallamos la desviación estándar de las variables independiente y de la variable

dependiente:

 Hallamos la varianza

∑𝑛𝑖=1(𝑋𝑖 − 𝑋)2
𝑆𝑋21 =
𝑛−1

(12 − 6.3)2 + (10 − 6.3)2 + (9 − 6.3)2 + ⋯ + (2 − 6.3)2

𝑆𝑋21 =
10 − 1

𝑆𝑋21 = 10.678

 Hallamos la desviación estándar

𝑆𝑋1 = √𝑆 2

𝑆𝑋1 = √10.678

𝑆𝑋1 = 3.268

 Hallamos la varianza

∑𝑛𝑖=1(𝑋𝑖 − 𝑋)2
𝑆𝑋22 =
𝑛−1

(7 − 4.9)2 + (7 − 4.9)2 + (6 − 4.9)2 + ⋯ + (2 − 4.9)2

𝑆𝑋22 =
10 − 1

𝑆𝑋21 = 2.767

 Hallamos la desviación estándar

𝑆𝑋2 = √𝑆 2

𝑆𝑋2 = √2.767

𝑆𝑋2 = 1.663
  Hallamos la varianza

∑𝑛𝑖=1(𝑋𝑖 − 𝑋)2
𝑆𝑌2 =
𝑛−1

(30 − 19.6)2 + (28 − 19.6)2 + (25 − 19.6)2 + ⋯ + (10 − 19.6)2

𝑆𝑌2 =
10 − 1

𝑆𝑌2 = 46.044

 Hallamos la desviación estándar

𝑆𝑌 = √𝑆 2

𝑆𝑌 = √46.044

𝑆𝑌 = 6.786

𝑆𝑋𝑖
Encontramos Betai = (𝑏𝑖 )
𝑆𝑌

3.268
Beta1 = 0.999 x = 0.481
6.786

1.663
Beta2 = 2.142 x = 0.525
6.786

Se observa que, la contribución relativa de X2 no es muy elevada al X1 en la predicción

de los valores de Y. Además, el coeficiente, por ejemplo beta2 0.525, indica que, cuando
ay un aumento en la unidad estándar en X2 habrá un aumento de 0.525x1 unidades
estándares en la variable Y.

BONDAD DE AJUSTE DE MODELO A LOS DATOS DE LA MUESTRA

Básicamente existen métodos descriptivos para medir el nivel de ajustes a los datos de la
muestra.

1. El coeficiente de determinación múltiple (R2)

El modelo general de regresión lineal múltiple, el coeficiente de determinación, se

obtiene, de la partición de la variabilidad total de la variable dependiente Y,

SCT = (n-1)𝑆𝑦2 = ∑𝑛𝑖=1(𝑌1 − Ῡ)2, en SCR, variabilidad de la regresión (o explicada por la

regresión y, SCE, variabilidad del error (o no explicada) de manera que:
 SCT = SCR + SCE

Donde,

𝑆𝐶𝑅 = ∑𝐾
𝑖=1 𝑏1 𝑆𝑋1 𝑌 Y 𝑆𝑋1 𝑌 = ∑𝑖=1 𝑋𝑖 𝑌 − 𝑛𝑋𝑖 Ῡ
𝑛

El coeficiente de determinación múltiple, se define por:

𝑆𝐶𝑅
𝑅2 =
𝑆𝐶𝑇

Al igual que el coeficiente de determinación múltiple R2 mide el porcentaje de la

varianza de Y que queda explicada al conocer dos o más variables independientes.
Cuando mayor es el valor de R2, menor es la dispersión y mayor el ajuste del plano de
regresión a los datos.

Continuando con el ejemplo 01, el coeficiente de determinación múltiple es:

𝑆𝐶𝑅
𝑅2 =
𝑆𝐶𝑇

Donde, 𝑆𝐶𝑇 = ∑𝑛𝑖=1 𝑌12 − 𝑛(Ῡ)2

SCT = 4256 – 10 (19.6)2

SCT = 414.4

Hallamos 𝑆𝐶𝑅 = ∑𝐾
𝑖=1 𝑏𝑖 𝑆𝑋𝑖 𝑌

SCR = 0.999(195.2) + 2.142(99.6)

SCR = 408.348

408.348
Remplazando el R2 =
414.4

R2 = 0.985

2. El coeficiente de determinación múltiple ajustado (𝑹𝟐𝑨 )

El coeficiente de determinación R2 tiene el defecto de crecer con el número de variables

independientes del modelo de regresión. Para corregir este sesgo se aplica el coeficiente
o índice de determinación múltiple ajustado (corregido) se denota por:
 𝑀𝐶𝐸 𝑆𝐶𝐸/(𝑛−𝑘−1)
𝑅𝐴2 = 1- = 1-
𝑀𝐶𝑇 𝑆𝐶𝑇/(𝑛−1)

Si se va a comparar descriptivamente dos o más modelos de regresión con diferentes

números de variables independientes se debería utilizar el coeficiente de determinación
múltiple ajustado.

El coeficiente de determinación múltiple ajustado o corregido de la estimación del

modelo de regresión del ejemplo 01 es:

𝑆𝐶𝐸/(𝑛−𝑘−1)
𝑅𝐴2 = 1-
𝑆𝐶𝑇/(𝑛−1)

Donde, SCE = SCT – SCR

SCE = 414.4 – 408.348

SCE = 6.052

2 6.052/(10−2−1)
Reemplazando en 𝑅𝐴 = 1-
414.4/(10−1)

𝑅𝐴2 = 0.981