análisis de regresión lineal simple en arqueología

Author(s): pedro lópez garcía

Source: Boletín de Antropología Americana, No. 29 (julio 1994), pp. 131-151
Published by: Pan American Institute of Geography and History
Stable URL: http://www.jstor.org/stable/40978070 .
Accessed: 22/06/2014 15:17

Your use of the JSTOR archive indicates your acceptance of the Terms & Conditions of Use, available at .
http://www.jstor.org/page/info/about/policies/terms.jsp

.
JSTOR is a not-for-profit service that helps scholars, researchers, and students discover, use, and build upon a wide range of
content in a trusted digital archive. We use information technology and tools to increase productivity and facilitate new forms
of scholarship. For more information about JSTOR, please contact support@jstor.org.

Pan American Institute of Geography and History is collaborating with JSTOR to digitize, preserve and extend
access to Boletín de Antropología Americana.

http://www.jstor.org

This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM

All use subject to JSTOR Terms and Conditions
 pedrolópez garcía*

análisisde regresión
lineal
simpleen arqueología

Durante los años setenta los arqueólogos
influenciadospor el análisis locacional y la
geografía, intentarontrascender los límitesde
los análisistradicionales de estructuras estáti-
cas,llevandoa cabo estudiosde patrón de asen-
tamiento, desarrollodejerarquíassocialesyde
sociedadescomplejaselaborandoy adaptando
modelosde la estadísticaclásica,involucran-
do variablesaleatorias;peroestollevolas cosas
al caso extremo enque la arqueologíaprocesual
tratóde demostrar que un númerolimitadode
variablesecológicasy demográficas, jugaron
un papel predominanteen dar formaa los
sistemassocioculturales.Con todo esto, se
incrementó el uso de modelos cuantitativos
de otrascienciassociales y cien-
procedentes
ciasbiológicaspararesolverproblemas asocia-
dos con la clasificaciónarqueológica.Aunque
si bienes ciertoque la arqueologíaprocesual
comenzó a enfrentar los problemasdel co-
mercio,desarrollopolíticoy cambiode orga-
nizaciónsocialentiempos también
prehistóricos
tuvounfuerte
impactoen muchosarqueólogos,
resultando en ungrannúmerode publicaciones
* Profesor de la Escuela Nacionalde Antro-
investigador
pologíae Historia,México.
en dondeel uso y abuso de métodoscuantita-
tivosfueevidente. Es porestarazónque en este
artículose exploraun caso de esteperíodoen
particular.
La intenciónprincipalde este estudio1es
presentar una seriede implicacionesque con-
lleva la aplicaciónde un métodoestadístico
conocidocomoanálisisde regresiónsimple,y
endondese puedenhacerobservaciones simul-
táneasde unavariablealeatoriaY y otravaria-
ble X (que es fija). En este caso Y es una
funciónlinealde X y se le conocecomovaria-
ble respuesta,mientrasque a X se le conoce
como variableexplicativa.Para llevara cabo
un análisis de esta naturaleza es necesario
realizarvariasetapas,en las cuales se sigueun
razonamientopara deduciruna ecuación de
predicción, que se basa en ajustarunmodeloa
unconjuntode datosy así poderusarestemo-
delo paraobtenerunaestimacióny unapredic-
ción.
Para ejemplificareste procedimientodel
cálculode las estimacioneshemoselegidoun
1
Quieroagradecera las siguientespersonasque colabo-
raronconmigopararealizaresteartículo.Al doctorJai-
me LitwakKing,a GerardoJiménez,a BeatrizOspina,
a la doctoraPatriciaFourniery Carlos Diaz.

This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM

All use subject to JSTOR Terms and Conditions
132 BOLETÍN DE ANTROPOLOGIA AMERICANA • 29
caso particular, que corresponde a un estudio
realizadoporElizabethBrumfielen el año de
1976(Brumfiel1976), en el cual llevó a cabo
cuatroanálisisde regresiónsimple,conel úni-
co inconveniente de que las conclusionesa las
que arribóla autorasólo son respaldadaspor
los valorescalculados para el coeficientede
determinación, lo cual consideramos que noes
suficiente para establecer uncriterio de sopor-
te en la comprobación de una hipótesisde tra-
bajo y muchomenospara afirmarla. Por esta
razón,esteejemploes bastanteútilparaconsi-
derarsi un modelomatemático puedeserade-
cuadoparaunconjuntode datos,porlo que en
la comprobacióndel modelo hay que tener
en cuentaque si los supuestosteóricosque sus-
tentana éstese cumplenparael ajusteque se
estáhaciendoa partir de los datos,y si hayalgu-
na desviación delmismo,debemosencontrar las
causas. Además,debemosteneren cuentaque
al ajustarel modelopuedenexistirobservacio-
nes discrepantes, conocidas como puntos
aberrantes o puntosinfluyentes, porlo que es
necesariohacerel diagnóstico parala detección
de estospuntosy muchasveces hacerlas co-
rreccionespertinentes.
En el trabajode Brumfiel(1976), que lleva
como títuloRegional Growthin theEastern
ValleyofMexico:A Testofthe"Population Pres-
sure" Hypothesis,la autoraremarcala idea
principal de presentarunmétodoque puedeser
utilizadopara probarhipótesissobrepresión
poblacionalen el caso existentede la forma-
cióndelestadoprimario. Con estohacemosuna
pequeña aclaración es
y que a partirde que
Brumfield aplicaestemétodo,hanhabidocam-
bios sustancialesen
1) El análisisestadísticoy el uso de gráficos.
2) El desarrollode programas parael análisis
de datoshastala fecha.
3) El análisisde regresiónha tenidouna re-
visióny una seriede modificaciones que
hacen posible ajustarvariosmodelosen
lugarde unosolamente, lo cualpermite que
está técnicasea una de las más exactasy
actualizadasen cuantoa los métodosesta-
dísticosse refiere.
This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM
All use subject to JSTOR Terms and Conditions
JULIO 1994
La regiónque Brumfiel seleccionóparapro-
barsu hipótesissobrepresiónpoblacionalfue
la Cuenca de México porlas razonesque jus-
tificaen su investigación y que sonlas siguien-
tes:
1) Existióun patrónde complejidadsocial
en aumentodentrode la Cuenca,asi comouna
extensióndensamente ocupada,y la presencia
de comunidadesarquitectónicamente comple-
jas fechadasparael periodoFormati vo(Parsons
1971a).Porotrolado,los cacicazgosfunciona-
rondentrodel Valle para el año 550 a.c. y la
formación del estadoes generalmente conside-
radaa coincidircon el dramáticodesarrolloo
crecimiento de Teotihuacanalrededorde 100
d.c. Las investigaciones intensivasde la mitad
de la Cuencaen la parteorientehanproporcio-
nadodatosa partirde los cuales se puedenes-
timarpoblacionesrelativas.Finalmente, estos
datossugierenque el incremento poblacional
puedehabersidounproblemaparalos habitan-
tesde la subregión y estose basa en estimacio-
neshechasparael Formativomediode 10,000
habitantes(850-550 a.c), lo cualindicaque esta
población se incrementóen la Cuenca en la
zona orientalpara el Formativotardío(550 -
250 a.c.) hasta 70,000 habitantes,y para el
Formativoterminal (250- 100 d.c) llegó hasta
untotalde 110,000habitantes (ibid.).Existie-
rona su vez cambiosen el patrónde asenta-
miento,lo que reflejavínculosde competencia
en las relacionesentreunidadespolíticasde
tamañoy complejidadcreciente durante el For-
mativo(Brumfiel1976).
PEDRO LOPEZ GARCIA ANALISIS DE REGRESIÓN LINEAL SIMPLE... 133

Variables ño de los asentamientos en hectáreasy el po-

En la investigaciónde Brumfiel(1976),la super-
ficieocupadaporcada asentamiento se utilizò
comounindicador del tamañode la población;
el potencialproductivo de cada sitiose registró
sobrela base de dos factores :1acantidadde te-
rrenoagrícoladisponibleparalos ocupantesde
cada asentamiento y la fertilidadrelativade la
tierra(la estimaciónde tierraagrícoladisponi-
ble fuehechaejecutandounanálisisde áreade
captaciónparacada asentamiento del Formati-
vo considerado, midiendoel númerode hectá-
reasde tierraapropiadosparacultivodentrode
un radio de 5 kilómetrospara cada sitio.La
relativade los terrenos
fertilidad agrícolasse
obtuvode censosagrícolasrecientes, de 1960).
De esta forma,se multiplicóla cantidaddel
áreade captacióny la fertilidad en cada asen-
tamiento,para obteneruna variablellamada
potencialproductivo de cada sitio.
De lo dicho anteriormente, podemosver
que Brumfield estudiala relaciónentreel tama-
tencialproductivo. En la Tabla 1. 1 se muestran
los datosoriginalesparael periodoFormativo
en la Cuencade Mexico.
Brumfielafirmaque se puede predecirel
tamañode los asentamientos con bastantepre-
cisión sobrela base de su potencialproducti-
vo, y concluyeque el tamañode los sitiosy el
potencialproductivo estáncorrelacionados. La
precisiónde la predicciónes expresadaen tér-
minosde la "varianzaexplicada",esdecir,la
proporción de la variaciónen (y) que es expli-
cada porla variable(x), a travésdel modelo.
Paralos asentamientos del Formativo terminal
mayores de 80 Ha. se hizo una prueba,y otra
paralos sitiosmenoresde 80 Ha. que son los
que aquí utilizamos.Para el análisisBrumfiel
transformó el tamañode los sitiosen logaritmo
base 10, esto resultaconvenienteen algunos
casos en que la linealidadentrelas variablesno
es muyclara y, además,es un recursoal cual
se recurre con el finde estabilizarla varianza.

Tabla 1.1
Ejemplo de Brumfiel.Datos utilizadosen el análisis de regresión

(1) (2) (3) (4) (5)

Sitio Tamaño Log IO de Tierra Fertilidad Potencial
en he. tamaño arable relativa productivo

Sitios del FormativoTerminal

tx-1 74 1.87 89.9 .90 80.9

tx-17 118 2.07 54.2 .84 45.5
tx-30 50 1.70 50.8 .84 42.6
tx-50 52 1.72 51.0 1.10 56.1
ix-4 37 1.57 21.4 .85 18.2
ix-5 32 1.50 19.6 .73 14.1
ix-10 32 1.50 34.0 .73 24.8*
ch-5 54 1.73 54.7 .96 52.3
ch-14 75 1.88 29.4 1.92 56.4
ch-18 38 1.58 24.8 .96 23.7
ch-25 35 1.54 6.0 1.92 11.5
ch-26 90 1.95 12.7 1.92 24.4
ch-27 129 2.11 26.4 1.92 50.7
ch-29 43 1.63 51.4 .82 42.1
* El valormarcadocon el asteriscoen el texto
originalde Brumfiel(1976), esta dado como 28.4 lo, que
seguramentecorresponde a un errorde transcripciónde los datos.

This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM

All use subject to JSTOR Terms and Conditions
134 BOLETÍN DE ANTROPOLOGIAAMERICANA• 29
Modelo de regresiónsimple
En el modelode regresiónlineal simple,una
variabley dependiente,
o "explicada"se rela-
cionacon unavariableX independienteo "ex-
la
plicativa"por siguienteecuación.
Y=ßO+ßlx (1.1)
En dondeßo es la ordenadaal origeny ßl
es la pendiente (cambioen el valormediode y
porcambiounitarioen el valorde x). ßOy ßl
sonparámetros de regresión desconocidos,lla-
mados,coeficientes de regresiónde la pobla-
ción,y debenserestimadosa partir de los datos
de la muestra. Se diceque el modelolineal(1.1)
es unmodelomatemático determinista, ya que
al sustituirun valor de X en la ecuación,el
valorde y queda determinado y no se conside-
ramargenalgunoporel error;sinembargolos
modelosdeterministas resultanapropiadospara
la estimaciónsolamentecuandolos erroresde
predicción sonpequeños.Cuandosongrandes,
que es el caso general,hayque tomaren cuen-
ta el errorde prediccióny, en particular, dar
algunaidea de su magnitud. Ello ocurreal ela-
borarunmodelomatemático probabilistico, un
modeloque contieneuno o más componentes
aleatoriosque se añadena la partedeterminista
del modelo para tomaren cuenta el error
aleatorio e inexplicado de la predicción
(Mendenhall1990:443-444). Así, el modelo
probabilistico que relacionatamañodel sitioy
con el potencialproductivo X estádado porla
siguienteexpresión.
dondepl es el estimador de ßl y se le conoce
como coeficientede regresiónmuestraly a y
que es el valorestimadode Y cuandoX es igual
a Xi, y e se supone que es una variable
aleatoria.Debido a que los datosnuncacaen
exactamenteen una línea recta,la diferencia
observadaylos
entrelos valoresde la respuesta
valoresdadosporel modelo,se llamanresiduos
ei. Se suponeque el promedioo valorespera-
do de y está relacionadolinealmente con X, y
This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM
All use subject to JSTOR Terms and Conditions
JULIO 1994
que los valoresobservadosde y se desviarán
porencimao pordebajode la líneaenunacan-
tidadaleatoriae. Esto implicaque el valorde
Y nuncapuede ser predichoexactamente. La
incertidumbre relativaa Y es la presenciade ei,
es decir,es una variablealeatoriaque imparte
aleatoriedada Y.
Supuestosdel modelode regresiónsimple
Los supuestosque debemoshaceren un estu-
dio de regresiónsimpleson los siguientes:
1) La relaciónentreY y X es lineal,o al me-
nos puede ser aproximada,por una línea
recta.
2) El término ei tienemediaceroy varianza
constante.
E(ei)=0; var(ei)=G2'.y ei N(0,c2)i=l,2,...n.
Los erroresestánnormalmente distribuidos
3) Los erroressonindependientes es decir,no
estáncorrelacionados.covíe^ej^O.V i ¿j
Que es lo mismoque decirque los ei es-
tánnormalmente e identicamente distribui-
dos con mediaceroy varianzaa2 .
El métodoparaobtenerlos parámetros en
esteejemploes el métodode mínimoscuadra-
dos que produceestimadores paramétricos de
ßO y ßl, en tal formaque se escogenvalores
que minimizanla suma de cuadradosde las
diferencias entrelos valoresobservadosYi y
los valoresestimadosyi. Para comprobarlos
supuestosteóricosdel modelo,se haceundiag-
nósticoparadetectar si existeno no insuficien-
cias en el modeloo en los datos.
Así esta discusiónteóricase tomacomo
base para el análisis del ejemplo tomadode
Brumfiel (1976), y ademásdel uso de gráficos
y la respectivaevaluacióndel modelode regre-
sión. De esta forma,se puedediagnosticar si
hayalgo extrañoen una o másde las observa-
ciones.Aquí aclaramosque la identificación de
observacionesextrañasno es un finen si mis-
mo.Las observaciones puedenserinformativas
paramejorar el modeloo paradeterminar si hay
observaciones que puedan ser excluidas
(Atkinson1985).
PEDRO LOPEZ GARCIA
En los métodos aquí utilizados se hace
énfasisen la identificación de observaciones
que soninfluyentes,en el el sentidode que son
crucialesa las inferenciasextraidasde los da-
tos.Para llegara detectarsi los supuestosdel
modelode regresiónsimplese cumplen,hay
una granvariedadde estadísticasde diagnós-
ticosparaayudaren la identificación de obser-
vaciones discrepantes. Las estadísticas
diagnósticascaen en tresgrupos.
1) Estadísticasresiduales,las cualesidentifi-
can puntosaberrantespotencialesen el
espaciode la respuesta(espacio de y).
2) Estadísticasde palancas,que identifican
puntosaberrantes potencialesde la varia-
ble explicativa(espacio de x).
3) Estadísticasde influencia,las cuales com-
binanlos efectosde los residualesy las
palancas para identificarpuntos influ-
yentes.
Las observaciones que tenganpalancasex-
tremas o residualesgrandessonpotencialmente
influyentes. de influencia
Las estadísticas con-
firmansi los casos son potencialmente influ-
yenteso no ejercenuna fuerzaexcesivaen la
regresión.La mayoríade las estadísticasde
influenciamidenel cambiode la estimación en
de regresión
los coeficientes al excluiruncaso.
This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM
All use subject to JSTOR Terms and Conditions
ANALISIS DE REGRESIÓN LINEAL SIMPLE... 135
Para versi la relaciónentrela respuestay la
variableexplicativapuedeserexplicadaporun
modelolineal(supuesto1), graficamos prime-
ro los valoresde las n parejasde datos(x,y).
Paranuestro ejemplotenemosque las variables
son y: log10(tamañodel sitio en hectáreas),
además de x: potencialproductivo,segúnse
muestraen la Figura1.1 dondese presentael
diagramade dispersiónde y contrax:
generales que
En la Figura1.1 la impresión
los puntosmuestran unbuenpatrónde compor-
tamiento en línearecta.Brumfielconcluyeque
paraestecaso la variabilidadde X con respec-
to a y se explicaen más de un 82% y es signi-
ficativaal .01, porlo que hayuna correlación
positivaentretamañodel sitioy potencialpro-
ductivoparalos asentamientos del Formativo
terminal.
En efecto,si se obtienenlas estadísticas
globalesde esteanálisisse compruebalo dicho
por Brumfiel(véase la Tabla 1.2), pero aquí
hayque tenercuidadoen el sentidode que con
el coeficientede determinación no se puede
concluirque el modelosea exactamenteade-
cuado para los datos,ya que cuando se está
haciendoun análisisde regresiónen estaparte
sólo hemosllegado a lo que se conoce como
análisisde agregado,en dondese consideraa
todoslos casos en conjuntoparaobtenerla es-
timaciónde los parámetros. La segundaetapa
136 BOLETÍN DE ANTROPOLOGIA AMERICANA • 29 JULIO 1994

2i
-
1,9 I I

O 1,8 -
ö)

- ■I
«j 1,7 I
§ I
S 1,6 - ,
3 ■
O 1.5 - ■ .
(0

I2 1,4 I I I I I I I I
10 20 30 40 50 60 70 80 90
I potencial productivo
Figura 1.1 Diagramade dispersiónde Y vs. X.

Tabla 1.2
Ajuste del modelo del ejemplo de B rumfiel (1976)

Variable indep. Coeficiente Error est. Valor-t Niv.sig.

Constante 1.4372 0.035499 40.4857 0.0000

pot.prod. 0.0057 0.000811 7.0217 0.0001

r-sq(ajust.)=0.8285

Análisisde varianzaparael modelode regresión

Fuente Sum.decuad. g.l. Cuad.med. F p-value

Modelo 0.155136 1 0.155136 49.3039 .0001
Error 0.028318 9 0.00314652

Total 0.183455 10
r-cuad.= 0.845636
Errorestándarde la estim.0.0560939
r-ajust.= 0.82848

This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM

All use subject to JSTOR Terms and Conditions
PEDRO LOPEZ GARCIA
consisteen el análisis de casos en donde se
estudiaporseparadoa cada parejade datosy
ver sus efectosen la estimación;esto lleva
muchasvecesa modificar el modelopropuesto
o permite la exclusiónde casos que tenganun
fuerte impactoen la estimación de la regresión.
Aunquelos resultadosdel ajustedel mode-
lo indicanque los resultados sonsignificativos
tantopara pO como para pi para el modelo
completo,usualmenteno podemosdetectar
desviaciones de los supuestossubyacentes exa-
minando el resumen de las estadísticas
estándares, talcomo las estadísticasde la t,la
F o la R2,pueséstassonpropiedades "globales"
del modeloy porlo tanto,no aseguranlo ade-
cuado de éste. Asi, de acuerdocon lo dicho
anteriormente analizaremos másendetalleeste
ejemplo comenzando por las estadísticasde
diagnósticos.Diagnósticosde regresiónes el
nombrecon el que se le conoce a las técnicas
paradetectarproblemasen regresión, proble-
mas con el modeloo con los datos.
Análisisde residuales
Si la estimación
de los parámetros dadosporla
ecuaciónde regresión de ( 1.1) es y = 1.437234
+ 0. 005693XÍy definimos a las desviaciones
This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM
All use subject to JSTOR Terms and Conditions
ANALISIS DE REGRESIÓN LINEAL SIMPLE... 137
ei comouna medidadel gradode acuerdocon
el modeloy los datos,y si el valorobservado
de Yi en los datoses comparadocon sus valo-
res correspondientes de yi calculado por la
ecuación de regresión, se obtienen los
residualesei que midenestadiscrepancia entre
los datosy el modeloajustado.Se tieneenton-
ces que:
ei = ys- y§ (1-3)
Si volvemosa la Figura1.1 y se trazala lí-
nea de regresiónque mejorajustaa los datos,
se puedeobservarque el patrónde las desvia-
cionesde la línea de regresiónsugiereque el
modelopuedenorepresentar adecuadamente la
relación,lo que podemos observarcon los
segmentosverticalesque partende la rectade
predicción a cada punto y que son los
corrimientos de los puntosrespectodel valor
pronosticado de y. Esto puedeversede mane-
ra más convincente en la Figura1.2. Debido a
lo anterior es conveniente calcular los
residualesde los puntos.
En la Tabla 1.3 se muestranlos cálculos
realizados para los valores observados y
los valoresajustados(predichos), juntocon el
cálculode los residualescomunesei.
138 BOLETÍN DE ANTROPOLOGIA AMERICANA • 29 JULIO 1994

2 I

I
o 1,8 -

*/<; y'

CO

NX
/^

(0

& 1,4I I I _J I I I I
10 20 30 40 50 60 70 80 90
I potencial productivo
Figura1.2 Ajustede la líneade Regresión
parael modelodelejemplode Brumfíel.

Tabla 1.3
Valoresobsevados,valoresestimados lineal
y residualespara la regresión
de loglOdel tamañode sitioscontrapotencialproductivo

Númerode Valores Valores Residuales

observación observados ajustados
1 1.8700 1.8979 -0.0279
2 1.7000 1.6802 0.0198
3 1.7200 1.7566 0.0366
4 1.5700 1.5408 0.0292
5 1.5000 1.5186 -0.0186
6 1.5000 1.5785 -0.0785
7 1.7300 1.7362 -0.0062
8 1.8800 1.7585 0.1215
9 1.5800 1.5727 0.0073
10 1.5400 1.5028 0.0372
11 1.6300 1.6771 -0.0471

This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM

All use subject to JSTOR Terms and Conditions
PEDRO LOPEZ GARCIA
Al granearlos residualescontralos valores
predichosyi, se observauna seriede residua-
les en su mayoríacercanosal cero,así como
dos observaciones, es deciruna positivamente
altay otranegativa,que corresponden a las ob-
servacionesnúmero8 y 6 (véase Figura1.3)
y se marcanconunasterisco enla Tabla 1.3.Esta
evidenciajunto con la que se presentaen el
diagramade dispersión de la Figura1.1 soporta
la indicaciónde que hay algo extrañoacerca
de la observación8 y,porotrolado, la obser-
vaciónnúmero6 aunqueen menorgrado.
Los erroresen el modelode regresiónson
variablesaleatoriasnormalese independiente-
mentedistribuidas con mediaceroy varianza
común(supuestos 2 y 3). Los residuales
observa-
dos no sonindependientes y no tienenvarianza
común. Si las varianzas son heterogé-
neas en los residualesson fácilmente corregi-
0,15 I
0,1 -
0,05 - |
CO
|
i
<
' !I
UJ
oc
-0,05 -
I
-0,1I I I
1,4 1,5
Figura 1.3 Residualesvs. PredichosY.
This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM
All use subject to JSTOR Terms and Conditions
ANALISIS DE REGRESIÓN LINEAL SIMPLE... 139
das estandarizando a cada residual.Paralograr
estandarizara cada residuales necesariointro-
ducirunconceptoque es el de palancas,el cual
esta íntimamente ligado con las medidasde
influenciaen la respuesta.La varianzade los
residualeses estimadaporlos elementosde la
diagonalprincipalde la matrizH(matrizsom-
brero);dividiendoa cada residualpor su des-
viación estándar, tenemos el residual
estandarizado, denotadoporri' En la matrizH
el i-ésimoelementode la diagonales hiicono-
cida comopalancay sus valoresestánacotados
de acuerdocon la desigualdad
0 < hii < 1
En consecuencia,se puedetenerun cono-
cimientode qué tangrandese puedehacerun
residual,antesde que su desviaciónde cerose
I
■
i
I
"
I I I
1,6 1,7 1,8 1,9 2
I PREDICHOS
140 BOLETÍN DE ANTROPOLOGIA AMERICANA • 29
pueda atribuira algo que no sea el azar. Los
valores de hii están dados por:
hii = 1/n+ (xi-x"i)/2E(xi-xT)2
En donde x = Xxi/nes la media aritmética
de xi,yla discusión de las palancas se centraen
la idea de que una observación es medida por
el valor de hii. Es claro a partirde la expresión
(1 .3), que el valor mínimoque puede tomarhii
es 1/n.Este valor mínimoes válido para todos
los valores que incluyen a la constante y el
máximo valor de hii es 1, que ocurre cuando
el modelo ajustado es extraño a la predicción
en xi y el residual es idéntico a 0(Rawlings
1988). El otro límite es sobre el valor total de
hii, de hecho la traza es:
Zhii = tr(H) = P'
En donde p' es el númerode parámetrosen
la ecuación y el valor promedio de hii es p7n.
Los valores de hii > 2p7n son tomados para
indicarobservaciones con palancas suficiente-
mente altas en el sentido usual de distancia
euclidiana. Los casos con hii grandes son po-
tencialmentelos más influyentesen el ajuste
del modelo. Una potencialinfluenciano depen-
derá de y, pero si de las X's. Otro aspecto im-
portante es el efecto de las palancas en la
varianza de los residuales. No todos los
residuales definidos en (1.3) tienen la misma
varianza. Para hallar la varianza se tiene
varri = c2O-hii)
Por lo tanto,si un residual tiene una palan-
ca alta éste tendráuna varianza pequeña a di-
ferenciade los puntos con palancas pequeñas.
Para hallar residuales con varianza constante
(1 .6) es dividida por una estimaciónde su error
estándar o S2, de esta forma se obtienen los
residuales estandarizados para cada caso.
El residual estandarizado r'i es:
. a.
n yi-yi
" tamos los cálculos realizados para esta etapa del
s^(l-hii) s^(l-hii)
This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM
All use subject to JSTOR Terms and Conditions
JULIO 1994
La ventaja de los residuales estandariza-
dos r'i es que si el modelo (1.1) es correcto
éstos tienen la misma varianza. Lo anteriores
(1 .4) adecuado para los gráficosde probabilidadnor-
mal, que se analizaran más adelante y, por otro
lado, para graficaro ver la homogeneidad de
varianzas(Atkinson 1985). Otra cantidad es
considerar si la exclusión de la i-ésima obser-
vación tiene un marcado efecto en la predic-
ción. Esto se puede hacer mediante el cálculo
de otroresidual,conocido como residual exter-
namente estudentizado, el cual utiliza a a2 la
estimación de exclusión S(i), que también es
independientede yi, y está dado por la expre-
sión:
ri Sr'i
"
s(i) (1.8)
s(i)^(l-hii)
(1.5)
En donde S(i) es estimada si la i-ésima
observación es excluida del análisis, una for-
ma alternativapara el cálculo del residual ex-
ternamenteestudentizado es si se sustituyea
S(i), por lo que se tendría:
r'i
i2
|n-p-r j
L n-p-1
J (1.9)
Cada residual estudentizado se distribuye
como una t-studentcon (n- p' -1) grados de
libertad, cuando la normalidad de los ei es
mantenida. Como ei y ri', los ri* no son
independientesel uno del otro, y se puede ver
(1.6) que el residual estudentizadopuede ser obteni-
do de los residuales comunes sin corrernueva-
mentela regresióncon la observación omitida.
De hecho el residual de (1.8) es simplemente
un escalamiento de los residuales comunes.
Con las ecuaciones (1.3) para el cálculo de las
palancas (1 .5, 1.6), para los residuales estanda-
rizados y la ecuación (1.9), para los residuales
externamenteestudentizados, podemos detec-
tar más fácilmentesi hay alguna observación
que sea discrepante,ya sea en el espacio de X's
o en el de la respuesta. En la Tabla 1.4 presen-
(1.7) análisis.
PEDRO LOPEZ GARCIA ANALISIS DE REGRESIÓN LINEAL SIMPLE... 141

Tabla 1.4

Residual Residual
Numerode Palancas estandarizado estudentiz
observación hü r'i r i*

1 0.4674 -0.6853 -0.6636

2 0.0945 0.3727 0.3541
3 0.1561 -0.7167 -0.6959
4 0.1763 0.5645 0.5419
5 0.2144 -0.3607 -0.3426
6 0.1297 -1.5064 -1.6423
7 0.1311 -0.1015 -0.0957
8 0.1583 2.3583 3.5985
9 0.1362 0.1427 0.1347
10 0.2422 0.7550 0.7355
11 0.0937 -0.8852 -0.8734

Se mencionóque el límitede hiiparaiden- de unpoco másde unadesviaciónestándar, lo

tificarpuntospotencialmente influyentes era
hii > 2p7n. De nuestroejemplotenemosque
4/11 = 0.36364. Cualquiervalorque excede
estelímitese puedeesperarque estéinfluyen-
do en la regresión;en la Tabla 1.4 se puede
observarque sólo la observación1 es la que
excedeestevalor,es decirque tieneunapalan-
ca más altaque cualquierade las otrasobser-
vaciones.Estotambién puedeobservarse en un
gráfico de hii vs. el índice, el cual muestra la
altapalancaasociadaconla observación 1. Este
gráficoreflejala posiciónde las 11 observacio-
nesenel espaciode X (Figura1.4). Lo másim-
portante de estaobservaciónes que el residual
asociado con este puntoes relativamente pe-
queño.La contribución que estáhaciendoesta
observaciónno es detectadaporel gráficode
los residualesen la formaen que las observa-
ciones8 y 6 fuerondetectadas.Una vez que la
observación1 ha sidoidentificada comoinflu-
yenteen X, la siguienteetapaes determinar si
hay errores en los valores de y en las demás
observaciones. Con la mismatablayobservan-
do los valoresde los residualesestandarizados,
se mencionóque estostienenvarianzacomún.
Un residual que tiene varias desviaciones
estándarde ceroidentifica un posibleresidual
que está influyendo en la respuesta;aquí ve-
mos que la observación8 excede más de dos
desviacionesestándary la observación6 exce-
cual confirma lo dichoanteriormente paralos
residualescomunes.Admitiendoel hechode
que esteresiduales el másextremo en la mues-
trade 11, los residualesrestantestiendena
mostrar unatendenciasugiriendo que estaob-
servaciónestá jalando la línea de regresión
hacia arriba.
Influenciade casos
Otroaspectodel análisisde casos es el intento
de entender la influenciao importancia de cada
observaciónen ajustarel modelo.La idea ge-
nerales estudiarlos cambiosen una partees-
pecíficadel análisiscuandolos datospresentan
anomalíasen el ajuste.En la secciónanterior
se derivóunaseriede cálculosparadetectar las
diferencias significativasentrelos valoresob-
servadosy los predichos de la respuestaencada
observación.Para examinarla influenciade
cada observaciónes necesarioderivarotras
lascualespermiten
estadísticas, observarloscam-
bios en la estimaciónde los p' parámetros.
Las estadísticas influyentespueden ser
calculadasdirectamente de los resulta-
a partir
dosde la regresión utilizandotodoslos datos.El
procedimiento generalparaevaluarunpuntoen
el análisisde regresiónes determinar el cam-
bio que ocurrecuandola i-ésimaobservación
es omitidadel análisis.Como primeraaproxi-

This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM

All use subject to JSTOR Terms and Conditions
142 BOLETÍN DE ANTROPOLOGIA AMERICANA • 29 JULIO 1994

0,5 I

0,4 -

0,3 -

co ■ I
8 0,2 - !
g f
0,1 -

0I I I I I I I I I I I I
0 2 4 6 8 10 12
I indice
Figura 1.4 Palancasvs. el índice.

macióntenemosel estadístico de Cook o Di, el
cual mideel efectosobrep, cuandouna obser-
vaciónparticulares omitida,los valoresgran-
des de Di, indican observaciones que son
influyentesen los parámetrosdel modelo.La
ecuaciónparacalcularel estadísticode Cook
estádada por:
que sea igual a ri. Esta modificacióntiene
como principalventaja señalar puntoscon
palancasaltasen donde"y" y "x" no concuer-
dan,lo cual es consecuencia de que exista
algún erroren la variable explicativa. La
ecuación para el estadísticomodificadode
Cook es entonces:

ri2hii r'2hii i (n-p')hii f2

Ci = |r*il* - -
p's2(l-hii)2"(p'(l-hii) (1.10) Lp'(l-hii) J (1.11)

Una versiónmodificadadel estadísticode Esteestadísticoda unamedidade la influen-

Cook es sugeridapor Atkinson(1985), to-
mandola raízcuadradade ( 1. 10), y escalan-
do a ésta por el factorde (n-p)/ppara que
todas las hii tenganel mismopeso y tomen
el valor de p/n.Se utiliza además a S(i) co-
mo estimadorde s, y el efectodel escalar es
tomarel estadísticomodificadode Cook para
de re-
cia del i-ésimocaso en los coeficientes
gresióny en la varianzade los coeficientes.
Estasdos medidasDi y Ci dan un granpeso a
observacionesinfluyentes, en esteestadístico
un puntode corteparadetectarobservaciones
influyentes estádado por2^(n-p)/n.Atkinson
(1985) recomienda que los valoresseñalados

This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM

All use subject to JSTOR Terms and Conditions
PEDRO LOPEZ GARCIA ANALISIS DE REGRESIÓN LINEAL SIMPLE... 143

En dondey(i) es la mediaestimadaparala
i-ésimaobservación,peroen dondela i-ésima
observaciónno se utilizaen la estimación
de p.
Nóteseque g ha sido estimadacon S(i), el es-
timadorde o se calcula sinla i-ésimaobserva-
ción, mientrasque S(i) se obtienesin volver
estimarla regresiónutilizando:

ri2
V y
(n-p'-l)S2(i) = (n-p')S-2
y
(1-hii) (1.13)

La únicadiferenciaentrelos DFFITS y la
Ci es que los DFFITS sonescaladosde diferen-
te maneraa Ci, esto es, que el signodel resi-
dual es preservado.Se sugiereque DFFITS
mayoresen valor absolutoa 2p/nse utilicen
como un criteriopara señalarobservaciones
influyentes.
Por último,tenemosotraestadísticaque
mide el efecto que hay en la matriz de
varianzas-covarianzas de los parámetros esti-
mados; ésta se conoce con el nombrede
COVRATIOi. Aquí el impactoque tienela i-
ésima observaciónen la matrizde varianzas-
covarianzasde los coeficientesde regresión
estimados,es medidopor el cocientede los
determinantes de las dos matricesde varianzas-
covarianzas.Belsey,KuhyWelsch(1980) for-
mulanestocomo:

COVRATIO=det(S2(Ì)[X>(Ì)X(Ì))rl
det(s2(i)[x'x]-l)

'
i ri V
= ' n-p'-l
, + - Y 0-hii)
[V n-p n-p / J
de Ci sean graneados en la misma forma
que los de residuales,comose ilustraen la Fi-
gura1.5. 1
~
Otramedidaque estácercanamente relacio- r n-p'-l r*i2 1P
nada es proporcionadapor lo que se llama - + (1-hii)
L n-p n-p J (1.14)
DFFITS, definidacomo:
Así los determinantesde la matrizde
A. A r .. _ 1/2 varianzas-covarianzassonunamedidagenera-
yi-y(i)i I nn 1
y n
DFFITS = , lizada de la varianza. De esta forma,el
S(i)Vhii Ll-hii J s(i)(l-hii)1/2 COVRATIO reflejael impactode la i-ésima
(1.12) observaciónen la precisiónde la estimación
de

This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM

All use subject to JSTOR Terms and Conditions
144 BOLETÍN DE ANTROPOLOGIA AMERICANA • 29
3,5I
3 -
2,5 -
2 -
'"I
1,5-
0,5 -
II 11 11 L I i I I
0 2
Figura1.5 Gráfico
de Ci vs.el índice.
los coeficientes
de regresión. Valorescercanos
a 1 son indicadoresde que la i-ésimaobserva-
cióntienepoco efectoen la precisiónde las es-
timaciones. Por otro lado, un valor de
COVRATIO mayorque 1 indicaque la presen-
cia de la i-ésimaobservaciónincrementala
precisiónde la estimación;un cocientemenor
a 1 indicaque la presenciade la observación
daña o dificultala precisiónde la estimación.
Belsey,Kuhy WelschC^SO) sugierenque va-
loresde COVRATIO fuerade los límitesde 1
± 3 (p7 n ) son consideradosextremospara
propósitosde identificar puntosinfluyentes.
Una vez que se hanmencionadolas estadísti-
cas influyentes,
procederemos conel cálculode
éstasparacada observación, en el ejemploque
aquí interesa.Estoscálculosse presentan en la
Tabla 1.5
Con el análisisanteriorpudimosobservar
que habíaalgo extrañocon la observaciónnú-
mero8 y en menorgradocon la 6. En la Tabla
This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM
All use subject to JSTOR Terms and Conditions
JULIO 1994
¡
I
4 6 8 10 12
I INDICE
1.5 los valoresde las cantidadesdiagnósticas
nuevamente resultanseraltos para estas mis-
mas observaciones.Si vemos los puntosde
cortede las estadísticasinfluyentes podemos
determinar si estospuntosestáninfluyendo en
la regresión.Así,parala Di es 4/11 = 0. 36364,
porlo que se concluyeque paraéstela obser-
vación 8 sobrepasa el puntode corte. Para
Ci = 2[(1 l-2)/l1]1/2
= 1.80907,es evidenteque
nuevamentela observación8 es influyente,
mientras que los DFFITS es 2^2/11 = 0. 85280
y,porúltimo,paralos valoresde COVRATIOi
el limitees 1 ± 3(2/11) o lo que es igual a
<0.45455 ; 1.54545>; en la Tabla 1.5 se pue-
de observarque la observaciónque cae porde-
bajo del límiteinferior es de nuevola 8. Esto
significaque presenciade esta observación
la
produceunincremento en la precisiónde la es-
timacióny,porlo tanto,el residualgrandede
éstacausa que S2 sea muchomayorque S2(8).
Por otrolado, la observación5 y la 1 también
PEDRO LOPEZ GARCIA ANALISISDE REGRESIÓNLINEAL SIMPLE... 145

Tabla 1.5
Cálculo de las estadísticasde influencia

Númerode Est. de Cook Mod. de Cook

observación Di Ci DFFITS COVRATIO

1 0.2061 1.3189 -0.6217 2.13835

2 0.0073 0.2428 0.1144 1.35490
3 0.0475 0.6349 -0.2993 1.25699
4 0.0341 0.5319 0.2507 1.42959
5 0.0178 0.3797 -0.1790 1.56475
6 0.1690 1.3447 -0.6339 0.81334
7 0.0008 0.0789 -0.0372 1.45321
8 0.5232 3.3108 1.5607 0.21927
9 0.0016 0.1135 0.0535 1.45851
10 0.0911 0.8822 0.4159 1.46542
11 0.0405 0.5958 -0.2809 0.85918

excedenel límitesuperiorde esteestadístico. en los rangos de las observaciones. Si

Claramentela observación8 tieneuna gran
influenciaenla estimación de mínimoscuadra-
dos dep. Estoresultaevidentesi grafícamos los
valoresde los DFFITS y los residualesexter-
namenteetudentizados vs. el índice,lo cual se
muestraen la Figura1.6.
Porúltimo,se debeverificar el supuestode
normalidadde los errores(supuesto2). Hay
variastécnicaspararevisarla normalidad de los
errores,unade las aproximaciones gráficasmás
conocidases un gráficode probabilidadnor-
mal.Si r(l) < r(2) < . . . < r(n),hayn residuales
comunesordenados(porejemplolos residuales
ordenadosdel negativomayoral positivoma-
yor).En un gráficode probabilidad normalse
graficar(i) vs. 100 * (i - l/2)/nutilizandoun
papelespecial,llamadopapel de probabilidad
normal.Si los erroresestánnormalmente dis-
tribuidos,estospuntosdebencaeraproximada-
menteen unalínearecta;porotrolado,si se da
el caso de no-normalidad de los errores,los
datosno seguiránunatendencialinealgeneral.
Puedenocurriralgunasfluctuaciones de tipo
aleatorioen estetipode gráficosdebidoa que
los residualesson variablesaleatorias.El pa-
queteordenalos valoresde los datosantesde
ser graficados:el eje verticalcorrespondea
los valoresesperadospara la normalbasados
z(l),z(2),. . ., los valoresde los datosdespués
de ser ordenados de menora mayory por
mediode la funcióninversade la distribución
normalacumulativa, se tieneque z(i) =<P1 (p),
dondep es escogidacomounafuncióndel ran-
go de los residuales.Muchas eleccionesde p
hansido planteadas;una de ellas es utilizando
el valoresperadode la iésimaestadísticade or-
dendada porla siguienteexpresión(Atkinson
1985:36).
/ ri -3/8 ' (1.15)
E(yi) = 0>1
' n + 1/4/
Donde ri es el rangode ri y n es el tama-
ño de la muestra;esta funciónproporciona
una buena aproximaciónsi n>5. A continua-
ción se presentael gráficode probabilidad
normal para los datos de Brumfiel (Fi-
gura 1.7).
En estegráficoes evidenteque hayunaten-
dencialineal,sinembargoen el extremosupe-
riorderechose detectauna observaciónque
estáen una posiciónmuyremotaen compara-
ciónconel resto.Estaobservación nuevamente
correspondea la número8, lo cual indica
que estaobservación estárompiendo el supues-
to de normalidad.

This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM

All use subject to JSTOR Terms and Conditions
146 BOLETÍN DE ANTROPOLOGIA AMERICANA • 29 JULIO 1994

2 i

1,5 -

1 -

(0

-0,5
-
IM1 ¡
_!I | | | I I
0 2 4 6 8 10 12
I ÍNDICE
Figura 1.6 Graficode los Dffitsvs. el índice.

co 4 i 1

- 3 -
■o

I 2-
c
E 1 ~
I

| 0__J ■
' ■
§ -1 -

ä _2i lili i
0 2 4 6 8 10 12
I índice
Figura 1.6 Residualesexternamente
estudentizadosvs. el índice.

This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM

All use subject to JSTOR Terms and Conditions
PEDRO LOPEZ GARCIA ANALISIS DE REGRESIÓN LINEAL SIMPLE... 147

100 i 1 1
I
90 -
I
80 -
I
70-
,
60 - ■

50 - ■

40 -
I
30 -

20 - ■

10 - ■
- J
0Li_J
-0,1 -0,05 0
,
0,05 0,1
, 1
0,15
I Residuales
Figura1.7 Gráfico normal.
de probabilidad

Interpretacióny análisis de resultados ocupó una superficie de 75 hectáreas;perosi

En esteejemplohemoshechoun seguimiento
de lo que se conoce como diagnóstico del
modelode regresión, ycualquieraproximación
que utiliceuna técnicacomoéstaen un análi-
sis debe por lo menosrevisarlos supuestos
implícitosdel modelode regresión ya que, en
caso contrario,no se puede confiaren las
inferenciasnien las prediccionesobtenidasde
un análisisde esta naturaleza.Ahorabien,se
detectóque la observación8 es la que mayor
peso tieneen el cálculode mínimoscuadrados
parala regresión. Si revisamosla información
que existeparaestepunto,es un asentamiento
del Formativo terminalque clasificanParsons
y Brumfiel (1976:244) como el sitionúmero
Ch-TF-14;se tratade un centrolocal con una
poblaciónentre2,000y4,000 habitantes y que
observamosla Tabla 1.7 (Brumfiel1976:244)
donde se muestrala clasificación de estos
asentamientos hechapor los mismosautores,
podemosobservarque existen6 centrosloca-
les en esta región. Estos asentamientosse
muestran en el Mapa 1. 1 (ibid.243). De acuer-
do con esto se tendría una jerarquía de
asentamientos a variosniveles,lo cual lleva a
carecerde unacorrelaciónperfecta entreel ta-
mañode los asentamientos el
y potencialpro-
ductivo, cosa que afirmaBrumfiely que
sostieneconel coeficiente de determinación.Al
inicio de este ejemplo mencionamos que
Brumfiel excluyelos asentamientos conmásde
80 hectareas(Tx-TF- 17,Ch-TF-26y Ch-TF-27)
paraesteanálisis,los cuales son tambiéncen-
tros locales; si consideramos estos tres
asentamientostenemosentoncesun análisis

This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM

All use subject to JSTOR Terms and Conditions
148 BOLETÍN DE ANTROPOLOGIAAMERICANA• 29 JULIO 1994

Tabla 1.7
Clasificaciónde los asentamientosutilizadosen el análisis de regresión

Sitio número Clasificación Area en he. Población

tx-tf-1 centrolocal 74.0 2500

tx-tf-30 centrolocal 50.0 2000
tx-tf-50 centrolocal 52.0 1500
ix-tf-4 centrolocal 37.0 1850
ix-tf-5 centrolocal 32.0 1600
ix-tf-10 aldea grandedispersa 32.0 1600
ch-tf-5 caserío 54.0 50-100
ch-tf-14 centrolocal 74.0 2000-4000
ch-tf-18 pequeñocaserío 38.0 5-10
ch-tf-25 pequeñaaldea dispersa 35.0 150
ch-tf-29 pequeñocaserío 43.0 10

que sólo está considerando una granmayoría transformar e inclusivetransformando también

de centros regionales y excluyendo a los
asentamientos que estánpordebajo de estaje-
rarquía.
Porotrolado,si se excluyea la observación
(8) del análisisy se correunnuevoanálisis,las
estadísticasvaríansin cambios aparentesen
los coeficientes perovuelvena surgirobserva-
ciones influyentes y puntosdiscrepantes;en
este caso la observaciónnúmero6 es la que
afectael análisis.De hechose corrieron varias
pruebasparaaproximarse al mejormodelo,ex-
cluyendola observación8, otrapruebaelimi-
nando sólo a la observación6, otra sin las
observaciones 8 y6, unamássinla observación
1 que es la que tieneun mayorimpactoen el
espaciode x, se corrióotrapruebasinla obser-
vación1 y 6, y porúltimootrasinlas observa-
ciones 1, 8 y 6 que resultaronser las mas
impactantes en todoslos análisis.
Pero esto no fuesuficientepara elegirun
buenmodeloyaque excluyendoalgunaobser-
vación vuelven a surgir observaciones
aberrantes en el nuevomodelo,haciendoque
los supuestosdel modelono se cumplany lle-
ven a deficienciasen cada modeloque se co-
rrió. Lo mismo ocurrió para los datos sin
a la variablerespuestaa la mismaescala que la
variableexplicativa,sin lograrningunamejo-
ríaen cuantoal ajustese refiere.
Creemosque el erroren el ajustese debe a
que la variablepredictora X debe serfijay sin
errory, en este caso, está funcionandocomo
variablealeatoriatantoporla incertidumbre en
el cálculode tierraarable,así comoel índicede
fertilidadrelativael cual fuetomadode censos
agrícolas modernos; resultadifícilquererextra-
polar estos resultadosa una tecnologíamuy
alejada en el tiempoy, por otrolado, en el
cálculo de áreas de captaciónpodríaser otra
fuentede errorya que, siendola Cuenca una
zona lacustre,quizás la estimaciónno sea ade-
cuada pormediodel radiode 5 kilómetros uti-
lizadoen las áreasde captación, sinoque sería
preferible otrotipode estimaciónde formadi-
ferente,porejemploel ajustede una elípticaa
cada sitioesto porqueel acceso a recursosno
es siempreigualen todasdirecciones.
En la selecciónde los asentamientos para
el análisissólo se consideran11 de éstosy,de
acuerdo con la informaciónpara la región
de Chalco, hayun totalde 63 asentamientos
parael Formativo terminal;porotraparte,para

This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM

All use subject to JSTOR Terms and Conditions
PEDRO LOPEZ GARCIA ANALISIS DE REGRESIÓN LINEAL SIMPLE... 149

- Lagode r~' v, ^
J ^Z >TS

r ikm '- -^^^ 'ffr<t^Ä

- ' tBT Ch-26 - ch-27 roS

Mapa 1.1 de los asentamientos

Distribución del Formativoterminal(Brumfiele. 1976:243).

This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM

All use subject to JSTOR Terms and Conditions
150 BOLETÍN DE ANTROPOLOGIA AMERICANA • 29
Ixtapalapahayun totalde 13 asentamientos y caso linealsimplecomo parael múltiplema-
por ultimo,paraTexcoco hay un totalde 52
asentamientos registrados. Así se tendríaque
evaluarla selecciónde los asentamientos en la
muestraporunmétodode selecciónaleatoria,
dando una probabilidadigual a cada asenta-
mientosi se hicierael análisiscon una mues-
trapequeñacomoen estecaso o, porotrolado,
correrun análisis incluyendoal totalde los
asentamientos registrados.
Otro aspecto que cabe mencionares que
paraexplicarunahipótesiscomola que propo-
ne Brumfiel seríamas conveniente considerar
el métodode regresiónmultiple,en dondese
involucranun mayornúmerode variables
predictoras y, porlo tanto,un mayornúmero
de parámetros a estimar paraconestobuscarun
mejor modelo, ya sea que ésteresulteserlineal
o no lineal.
Para no quedarnoscon la duda,con la in-
formacióndisponiblede Brumfielcorrimos
tambiénel modelode regresión múltipleresul-
tandounajustemuymalo,aún incluyendova-
riablesdummy, o indicadorasque son aquellas
asignadasa una categoríao condicióny pue-
den tomarel valor de uno si la observación
pertenecea una categoríao satisfacealguna
condición,por otrolado la variabletomael
valorde cero.De igualmanerase corrieron una
seriede simulacionesobteniendotantoparael
This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM
All use subject to JSTOR Terms and Conditions
JULIO 1994
los ajustes.
Así nuevamenteinsistimosen que las va-
riables no estánbien declaradas y, por otro
lado, la explicaciónmás logica del impacto
de las observacionesinfluyentesen los datos
hacen pensarque el modelo lineal no repre-
senta adecuadamentela relación para estos
valoresextremos,y difícilmente lo presenta-
ría algún otro modelo que ajuste con esta
informaciónya que se esta hablando de un
modelo causal.
Bibliografía
AtkinsonA. C.
1985 Plots,Transformations,andRegression.
ClarendonPressOxford.
Belsley,D.A.Kuh,E. and Welsch,R.E.
1980 Regression Diagnostics: Identifyin
InfluenciaiData and Sources of Col-
linearity.JohnWiley and Sons. New
York.
Brumfiel,Elizabeth
1976 RegionalGrowthin theEasternValley
of Mexico:A test of the "Population
Pressure" Hipothesis, en The Early
Mesoamerican Village. Ed. Flannery
Kent V. Academic Press. New York,
San Francisco, London.
PEDRO LOPEZ GARCIA ANALISISDE REGRESIÓNLINEAL SIMPLE... 151

DraperN. R. theTexcoco region,México". Mem-

1981 AppliedRegressionAnalysis.NewYork oirs of the Museum of Anthropol-
Wiley. ogy, Universityof Michigan,3,Ann
Gunt,RichardF. Arbor.
1980 RegressvwAnalysisand its Applica- 1976 "Prehispanic Patterns
Settlement inthe
tions.MarcelDekkerInc.NewYorkand southern Valleyof México:theChalco
Basel. and Xochimilcoregions".Manuscript,
MendenhallW. MuseumofAntropology, Universityof
1990 Estadística para administradores. Michigan.
IberoaméricaS.A. de C.V., México. Rawlings,JohnO.
R.
Parsons,Jeffrey 1988 Applied Regression Analysis.
1971 "Prehispanic settlementpatternsin WadsworthInc. Belmont,California.

This content downloaded from 62.122.79.21 on Sun, 22 Jun 2014 15:17:07 PM

All use subject to JSTOR Terms and Conditions