Story Transcript
TEMA III
EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
LECTURA OBLIGATORIA Regresión Lineal Múltiple. En Rial, A. y Varela, J. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas 199-223.
Modelos Multivariantes
2
LA CORRELACIÓN LINEAL COEFICIENTE DE CORRELACIÓN de PEARSON Es una medida del grado de asociación entre dos variables de intervalo o razón Una manera útil de examinar la relación entre dos variables de intervalo es mediante un DIAGRAMA DE DISPERSIÓN Tendencia lineal Y
A valores altos de Y le corresponden valores altos de X rxy > 0, directa rxy = 0, ausencia de relación rxy < o, inversa
X Modelos Multivariantes
3
COVARIANZA Y CORRELACIÓN La correlación es una medida estandarizada de la Covarianza -1 < rxy < + 1: es una medida tanto de la dirección como de la fuerza de la relación Permite que se compare la relación entre pares de variables independientemente de las unidades en que se midan
Cov ( X , Y )
(Xi
X )( Yi n
Y)
rxy
Modelos Multivariantes
(Xi
X )(Yi
Y)
(n) S x S y 4
REGRESIÓN LINEAL SIMPLE ¿QUÉ ES? Un tipo de análisis que permite conocer en qué medida una VD o criterio puede ser explicada o predicha a partir de una VI o predictora, siendo ambas de intervalo o razón Y 100
EJEMPLO : V.D. V.I.
Aciertos test
90 80
Aciertos en un Test (Y) Horas de estudio (X)
70 60 50 50
60
70
80
90
100
Horas de estudio
Modelos Multivariantes
5
X
Método de MÍNIMOS CUADRADOS Podríamos intentar ajustar una línea a ojo, por la mitad del diagrama de dispersión, para obtener una relación lineal entre X e Y Pero vamos a hacerlo siguiendo un procedimiento matemático, definiendo una recta en el plano X,Y, con unos parámetros concretos. Tenemos que buscar la ecuación que minimice los errores de predicción.
Para ello tenemos que calcular la Ecuación de la recta (Y=a+bX), donde: a= valor de la intersección con el eje Y b= la pendiente de la recta Debe minimizar el error o la desviación no explicada
Mínimos cuadrados
(Yi
Yˆi ) 2 =ei ;
Modelos Multivariantes
e mínimo i 2
6
Método de MÍNIMOS CUADRADOS Los valores de a y b que minimizan la suma del cuadrado de los (Yi Yˆi ) 2 son: errores a
Y
b
bX
r xy
Sy Sx
En el caso de que…
b=
0.93
Predeciríamos un incremento de 0.93 en los aciertos del test por cada hora de estudio. Un signo negativo de b indicaría que a más horas de estudio menos aciertos. Modelos Multivariantes
7
Interpretación de los coeficientes a indica
el valor pronosticado de Y cuando X es cero (“intercepto”)
b representa
la cantidad de cambio que pronosticaríamos en Y para un cambio de una unidad en X (pendiente de la recta) La ecuación de regresión (Y’=6.16+0.93X) puede utilizarse para generar pronósticos de Y a partir de X Además se cumple que la diferencia entre los valores observados y pronosticados elevados al cuadrado es mínima
SC error
Yi
Yˆi
2
ei
2
mínimo
Ningún otro valor de a y b daría este SCerror tan pequeño Modelos Multivariantes
8
FUENTES DE VARIACIÓN Desviación total= Desviación debido a X + Desviación debido al error
SCtotal = Scexplicada por la regresión + Scno explicada por la regresión (Yi
ˆ (Y i
Y )2
Variación Total
=
Y )2
Variación. explicada por la regresión
Modelos Multivariantes
(Yi +
Yˆi ) 2
Variación.no explicada por la regresión
9
GRÁFICAMENTE (Yi Yˆi )
Y
no explicada
(Yi total
y=a+bX
Y)
(Yˆi Y ) explicada
Y
X
Modelos Multivariantes
La predicción más sencilla sería asignarle la media global. La parte explicada por el modelo es justamente la cantidad en que se reduce la desviación total debido a nuestro conocimiento de otras variables y su relación con la VD (ecuación de regresión)
10
Varianza explicada Se le llama también coeficiente de determinación (R2) Es una proporción entre la variación explicada por la ecuación de regresión, con respecto a la variación total R 2 xy
variac.exp licada variac.total
R 2 xy
SC explicada SC total
variac.error 1 variac.total
SC error SC total
Modelos Multivariantes
(Yˆi
Y i )2
(Y
Yi ) 2
(Y
Yˆi ) 2
(Y
Yi ) 2
11
EJEMPLO El objetivo del responsable de MKT de una estación de esquí es
determinar cuáles son las variables que mejor explican que un sujeto esquíe mucho o poco en su estación
Trató de explicar el nº de días que los esquiadores iban a su estación durante una temporada (V1). Para ello registró Edad de los esquiadores (V2) Años de práctica (V3)
Ingresos económicos (V4) Satisfacción general (V5) Nº de personas con las que esquía (V6) Modelos Multivariantes
12
DISEÑO Prestar especial atención a varios elementos:
Fijar bien los objetivos Todas las variables deben ser métricas (de ESCALA) Especificar correctamente el modelo:
Especificar la VD y las VI No omitir variables relevantes ni incluir irrelevantes Utilizar herramientas adecuadas para recoger (medir) los datos
Garantizar que se cumplen una serie de Supuestos: NORMALIDAD DE LAS Vs LINEALIDAD (relación lineal entre predictores y criterio) Ausencia de MULTICOLINEALIDAD INDEPENDENCIA de los errores (no correlacionados) NORMALIDAD de los errores (residuos aleatorios, media de errores = 0) Modelos Multivariantes
13
Interpretación de Resultados BONDAD DE AJUSTE R esumen del mod elo
,819a
R cuadrado ,670
R cuadrado corregida ,656
Error típ. de la estimación 1,478
2
,879b
,773
,752
1,254
3
c
,841
,818
1,075
M odelo 1
R
,917
a. Variables predictoras: (Constante), IN GRESOS EC ONÓMICOS b. Variables predictoras: (Constante), IN GRESOS EC ONÓMICOS, AÑOS PR ACTIC ANDO ESQUÍ c. Variables predictoras: (Constante), IN GRESOS EC ONÓMICOS, AÑOS PR ACTIC ANDO ESQUÍ, SAT ISFACC IÓN GENERAL
Modelos Multivariantes
14
Interpretación de Resultados SIGNIFICACIÓN DEL MODELO (contraste global: F) Se comprueba hasta qué punto la Variación Explicada por la Regresión es significativa. Se trata de un cociente o proporción con relación a la varianza de error. Cuanto más grande sea con los datos muestrales, menor probabilidad habrá de que en la población ese cociente sea 0. d AN OVA
M odelo 1
1
M edia cuadrática 101,995
50,245
23
2,185
Total
152,240
24
Regresión
117,619
2
58,809 1,574
Regresión Residual
2
Residual
3
Suma de cuadrados 101,995
gl
34,621
22
Total
152,240
24
Regresión
127,987
3
42,662
24,253
21
1,155
152,240
24
Residual Total
F 46,689
Sig. ,000a
37,370
,000b
36,940
,000c
a. Variables predictoras: (Constante), IN GRESOS EC ONÓMICOS b. Variables predictoras: (Constante), IN GRESOS EC ONÓMICOS, AÑOS PR ACTICAND O ESQU Í c. Variables predictoras: (Constante), IN GRESOS EC ONÓMICOS, AÑOS PR ACTICAND O ESQU Í, SATISFACC IÓN GEN ERAL d. Variable dependiente: Nº D ÍAS QUE ESQU ÍA POR TEMPORADA
15
Interpretación de Resultados SIGNIFICACIÓN DE LOS PARÁMETROS (contraste particular: t) Para comprobar si cada V.I. por influye significativamente sobre la V.D., comprobando si se trata de un predictor estadísticamente significativo (“significativamente distinto de 0”) H0: BP = 0 H1: BP 0 C oefici entes a
Coeficientes no estandarizados M odelo 1
2
B ,343
Error típ. ,813
IN GRESOS EC ONÓM IC OS
2,922E-03
,000
(Constante)
9,728E-02
,695
IN GRESOS EC ONÓM IC OS
2,153E-03
,000
,603 ,386
(Constante)
AÑOS PR ACTIC ANDO ESQUÍ 3
Coeficientes estandarizados
,227
,072
-2,244
,982
2,075E-03
,000
AÑOS PR ACTIC ANDO ESQUÍ
,201
SATISFACCIÓN GEN ERAL
,388
(Constante) IN GRESOS EC ONÓM IC OS
Beta
t ,819
Sig. ,422
,677
6,833
,000
,140
,890
4,924
,000
3,151
,005
-2,285
,033
,581
5,526
,000
,062
,341
3,215
,004
,129
,268
2,996
,007
Bp
t
Se B p
a. Variable dependiente: Nº D ÍAS QUE ESQUÍA POR TEMPOR ADA
Modelos Multivariantes
16
Interpretación de Resultados INDICADORES DE BONDAD DE AJUSTE: SC Re gr 2 0.84 a) El cuadrado del Coeficiente de Correlación Múltiple (R2 ) R SCY b) El % de varianza explicada (R2x100). 84% c) R2 ajustado, porque R2 aumenta en función del número de V.I. y con un “n” pequeño P (1 R 2 ) 2 2 R
aj .
R
n P 1
0.81
LOS PARÁMETROS • “a” es la constante, el intercepto, valor de Y cuando X=0 • P, indica la dirección de la relación y la intensidad de la relación Si P > 0: un incremento en una unidad, de la variable asociada XP implica un incremento en Y en unidades (Si se incrementa en un punto la satisfacción se incrementará la estancia en 0.338 días) Si P < 0: incremento en una unidad, de la variable asociada XP implica 17 una disminución en Y en unidades
Interpretación de Resultados b vs. Como las XP fueron medidas en escalas diferentes (años, euros, número personas, etc.) los coeficientes “b” NO SON COMPARABLES ENTRE SÍ Para saber qué predictor es más importante hay que normalizar los coeficientes b. SXp bp p SY
Modelos Multivariantes
18
Razones por las que Bp puede no ser significativo Tamaño de la muestra inadecuado. Solución: ampliar el “n” (arma de doble filo)
Especificación incorrecta del modelo (la relación entre x e Y no es lineal). Solución: transformar las variables.
Poco recorrido de los valores de X e Y. Solución: Recurrir al
Análisis Discriminante o a la Regresión Logística (“Grupos Polares”)
Existencia de multicolinealidad. VI en principio importantes no entran en la ecuación porque ya lo hicieron antes otras con las que guarda mucha relación. Puede derivar también en resultados contradictorios (B negativos cuando las correlaciones son positivas). Soluciones: prescindir de alguna variable, análisis de correlaciones previo, … Modelos Multivariantes
19
La selección de variables VARIOS MÉTODOS A la hora de realizar el análisis de regresión mediante SPSS existen diferentes métodos para seleccionar los predictores a incluir en el modelo de regresión. Las opciones son fundamentalmente dos: MÉTODO INTRODUCIR (ENTER). Construye la ecuación utilizando todos los predictores. Se utiliza por defecto. No aconsejable: R2 está inflado. MÉTODOS POR PASOS (STEPWISE). Se van incorporando o eliminando variables paso a paso,si cumplen unos criterios de selección. El objetivo es siempre maximizar el ajuste del modelo utilizando el menor nº de predictores posible. Hacia delante vs. hacia atrás. ¡No olvidar la Parsimonia! Modelos Multivariantes
20
La selección de variables CRITERIOS ESTADÍSTICOS:
Significación Mayor correlación con el criterio Mayor correlación parcial (eliminando influencia del resto) Cambio en R2 (selecciona la variable que maximice el cambio) Tolerancia alta (una VI no puede ser explicada por las otras VI) Modelos Multivariantes
21
EL ERROR EN LA REGRESIÓN ¿QUÉ ES?
Y - Y’ = e
¿A qué puede deberse? Variables relevantes omitidas en el modelo Mala especificación del modelo (relaciones no lineales) Errores en la medición (recogida de datos) Comportamiento cambiante de los sujetos Falta de recorrido en la VD o en las VI
Modelos Multivariantes
22
¿Cómo mejorar el ajuste del modelo? Y
Tratamiento de los Outliers Sujetos que estropean el ajuste del modelo
100 90 80 70
Se detectan en base a los residuos
60 50
Brutos (no tipificados) 50 60 Tipificados (divididos por Se - nunca superior a 3, incluso 2)
70
80
90
100
X
Otros indicadores Distancia de Cook (valores >1 gran importancia de un sujeto en los parámetros del modelo) Distancia de Mahalanobis (valores altos, sujetos distintos al resto)
Modelos Multivariantes
23
Comprobación de supuestos Normalidad de cada VI (Lilliefors) Linealidad Diagramas de dispersión particulares (de cada VI con la VD) Ausencia de Multicolinealidad TOLERANCIA. Una tolerancia alta indica que la VI es independiente del resto de variables del modelo. Independencia de los errores (residuos) Estadístico Durbin-Watson Normalidad de los residuos Histograma, Gráfico de probabilidad normal, K-S Modelos Multivariantes
24