Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Análisis de regresión lineal simple: La regresión lineal simple es la técnica más utilizada, es una forma que permite modelar una relación entre dos conjuntos de variables. El resultado es una ecuación que se puede utilizar para hacer proyecciones o estimaciones sobre los datos. En la investigación social, el análisis de regresión se utiliza para predecir un amplio rango de fenómenos, desde medidas económicas hasta diferentes aspectos del comportamiento humano. Coeficiente de correlación: El coeficiente de correlación es la medida específica que cuantifica la intensidad de la relación lineal entre dos variables en un análisis de correlación. En los informes de correlación, este coeficiente se simboliza con la r. Diagrama de dispersión: Este método es una representación gráfica de la variación conjunta de dos variables cuantitativas. Además, intenta establecer una causalidad entre ambas, aunque no puede probarla. Los datos se muestran como un conjunto de puntos, cada uno con el valor de una variable que determina la posición en el eje horizontal y el valor de la otra variable determinado por la posición en el eje vertical. Además, un diagrama de dispersión se puede llamar también gráfico de dispersión. ❖ Correlación positiva: Se da cuando hay una relación proporcional entre ambas variables; es decir, las dos disminuyen o aumentan a la vez. ❖ Correlación negativa: Se produce cuando el comportamiento de una variable es diferente a la otra. Por ejemplo, mientras una aumenta, la otra disminuye. ❖ Correlación nula: No existe algún tipo de comportamiento entre ambas variables. INVESTIGACIÓN, ANÁLISIS DE REGRESIÓN LINEAL SIMPLE UNIDAD II UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO FLORENCIO BUSTILLO MARIO IVAN ACTIVIDAD 5 1/10/2021 Método de los mínimos Cuadrados: El método de los mínimos cuadrados se utiliza para calcular la recta de regresión lineal que minimiza los residuos, esto es, las diferencias entre los valores reales y los estimados por la recta. Se revisa su fundamento y la forma de calcular los coeficientes de regresión con este método. Su expresión general se basa en la ecuación de una recta y = mx + b. Donde m es la pendiente y b el punto de corte, y vienen expresadas de la siguiente manera: Σ es el símbolo sumatoria de todos los términos, mientas (x, y) son los datos en estudio y n la cantidad de datos que existen. El método de mínimos cuadrados calcula a partir de los N pares de datos experimentales (x, y), los valores m y b que mejor ajustan los datos a una recta. Se entiende por el mejor ajuste aquella recta que hace mínimas las distancias d de los puntos medidos a la recta. Teniendo una serie de datos (x, y), mostrados en un gráfico o gráfica, si al conectar punto a punto no se describe una recta, debemos aplicar el método de mínimos cuadrados, basándonos en su expresión general: Cuando se haga uso del método de mínimos cuadrados se debe buscar una línea de mejor ajuste que explique la posible relación entre una variable independiente y una variable dependiente. En el análisis de regresión, las variables dependientes se designan en el eje y vertical y las variables independientes se designan en el eje x horizontal. Estas designaciones formarán la ecuación para la línea de mejor ajuste, que se determina a partir del método de mínimos cuadrados. EJEMPLO DEL MÉTODO DE MÍNIMOS CUADRADOS Para entender con claridad la aplicación del método veamos un ejemplo: Encontrar la recta que mejor se ajusta a los siguientes datos: Veamos el gráfico: Necesitamos encontrar una recta y = mx + b. Debemos aplicar el método de mínimos cuadrados. Como ya sabemos entonces, primero centraremos el valor (x ∙ y): Segundo por las expresiones de m y b debemos encontrar el valor x²: Ahora podemos obtener los valores de las sumatorias de cada columna: Sustituimos en cada una de las expresiones: La recta obtenida con el método de los mínimos cuadrados es la siguiente: Observemos el gráfico: Vemos que la recta corta al eje y en 11,48 y en el eje x en 13,57. Por lo tanto, si queremos saber dónde corta en el eje x igualamos la ecuación y = 0: Fuentes: El Catálogo de visualización de datos. (s. f.). Diagrama de Dispersión. Recuperado 30 de septiembre de 2021, de https://datavizcatalogue.com/ES/metodos/diagrama_de_dispersion.html JMP. (s. f.). Coeficiente de correlación. Introducción a la estadística | JMP. Recuperado 30 de septiembre de 2021, de https://www.jmp.com/es_mx/statistics-knowledge-portal/what-is-correlation/correlation- coefficient.html https://datavizcatalogue.com/ES/metodos/diagrama_de_dispersion.html https://www.jmp.com/es_mx/statistics-knowledge-portal/what-is-correlation/correlation-coefficient.html https://www.jmp.com/es_mx/statistics-knowledge-portal/what-is-correlation/correlation-coefficient.html
Compartir