Modelos de regresin y correlacin

Jos Sandoval Sebastin Ligeo

Conceptos Claves
Correlacion Modelos de Regresion Variable Respuesta Variable Predictoras Regresion lineal Coeficiente de determinacion

9/22/2013

Introduccin: Regresion y Correlacio (Conceptos vinculados pero no equivalentes)

Funcin matemtica que intenta MODELAR probabilsticamente una variable respuesta en estudio, en relacin a uno o ms predictores de inters. / Diferencia de roles entre variables predictoras y variables respuestas Mide el grado de asociacin lineal entre la respuesta y la(s) variable(s) predictora(s) sin diferenciacin de roles. Se expresa en un coeficiente de correlacin (R), el cual puede tomar valores entre 0 (ninguna asociacion) y 1 (Asociacion perfecta): Si es positiva, asociacion directa, si es negativa asociacion inversa.

Modelos de regresin

Correlacin

Modelos de regresion
Situacion Variable Respuesta Cuantitativa Variable Respuesta Cualitativa

Un Predictor Continuo

Regresion Lineal Simple

Regresion Logistica

Multiples Predictores

Regresion Lineal Multiple

Regresion Logistica Multiple

9/22/2013

Regresin lineal simple

Relacin entre la variable predictora y una variable respuesta, ambas de carcter cuantitativo continuo. Y = 0 + 1X + (1) Y= Variable respuesta 0= intercepto (Parametro del modelo) 1= pendiente (Parametro del modelo) X= variable predictora = error

Si en n unidades de observacion, independientes entre si, hemos podido registrar los valores (x, y) los coeficientes de la expresion (1).

Ejemplo: Supongamos que en 16 varones sanos se ha registrado la edad y la presion Arterial Sistolica
Paciente 1 Edad 23 Presion Arterial Sistolica 120

2
3 4 5 6 7 8 9

23
27 28 29 30 31 31 32

130
123 125 125 126 136 133 134

10
11 12 13 14 15 9/22/2013 16

33
33 35 37 37 40 41

127
123 127 130 135 130 138

Grafico: Dispersion Presion Arterial Vs Edad (n=16)

9/22/2013

Grafico 2

9/22/2013

Correlacion y Regresion lineal

9/22/2013

Aplicacion de la formula de regresion

Que PAS se esperaria en un sujeto de 35 aos?

= 0+1 * X ////

= 111,217 + (0,554) * (35) = 130.607

Conclucion: El PAS probable de un sujeto de 35 aos seria de 130.607.

9/22/2013

Resumen
En nuestro ejemplo R2 (Coeficiente de determinacion) vale 0,31. Esto quiere decir que la prediccion lineal de PAS usando la variable EDAD, logra explicar (segun nuestros datos) el 31% de la varianza total de la respuesta de PAS. Una forma de describir la asociacion lineal entre las variables X e Y es utilizar el coeficiente de correlacion (R) que corresponde a la raiz cuadrada del R2. En el caso del ejemplo es 0,56.

9/22/2013

Supuestos del Modelo de Regresion Lineal

Cumplir supuestos previon para no conducir error de interpretacion 1) Los residuos deben tener distribucion de probabilidad normal. 2) Los residuos deben tener varianza constante para todo los valores de X 3) Los residuos correspondientes a distintas observaciones deben no ser correlacionados (Ausencia de autocorrelacion)

9/22/2013

Supuestos del Modelo de Regresion Lineal

4) Variable respuesta debe ser una variable cuantitativa continua (Se aplica variables cuatitativas discretas, en casos de escala de gran amplitud). 5) Graficar previamente los datos (Graficos de dispersion) / Relaciones no lineales.

9/22/2013

Nota biogrfica
Charles Spearman (1863-1945)
Psiclogo, Alemania estudi con Wundt en

Creador de la correlacin por rangos (1904) Realiza investigaciones en Estadstica con el propsito de dar cuenta de leyes generales de la Psicologa, para las cuales propuso que tambin la Psiquiatra debera dedicarse a ellas.

Propuso la nocin de un factor G de inteligencia, que influy en las teoras de la Inteligencia como producto de un factor general

Coeficiente de correlacin de spearman (rs)

Es el mismo coeficiente de Pearson, pero aplicado despus de transformar las puntuaciones originales en rangos Es una alternativa cuando las variables son ordinales o no cumplen con el supuesto de la normalidad Tampoco supone linealidad de las variables Tiende a tener resultados ligeramente inferiores a la r de Pearson Menos influido por la presencia de datos sesgados o variables

 En sntesis, el coeficiente de Spearman (rs) no es otra cosa que el coeficiente de Pearson (rxy) aplicado a n pares de puntuaciones de las que nicamente se consideran sus propiedades ordinales (es decir, a las puntuaciones transformadas en rangos) Dado que Spearman y Pearson son muy similares, debe ser interpretado de la misma forma que Pearson. Es decir, el coeficiente puede tomar valores que transitan del -1 al 1, indicando el valor 0 ausencia de relacin

Su frmula es:

En donde: d2 es la diferencia de los ordinales entre x e y n es el nmero de pares de datos

Procedimiento para calcular spearman

Ordenar los valores de las variables de menor a mayor Asignar los valores correspondientes, que reflejen el orden (nmeros enteros, del 1 en adelante)

Luego, calcular las diferencias entre las variables

Calcule el cuadrado de las diferencias (lo que convierte los valores de la diferencia anterior en nmeros positivos)

Por ltimo, sumar las diferencias cuadrticas y usar la frmula