ACIEONLINEActualización y Capacitación en Investigación y Estadística en Línea

Jesús Eduardo Pulidoeduardopulido44@gmail.com

Aprender Haciendo y Rectificando

MÉTODOS AVANZADOS INVESTIGACIÓN CUANTITATIVA

REGRESIÓN LINEAL MÚLTIPLE

Pulido, J. E./012016

Pulido, J. E./022016

Conducta de Entrada Métodos Multivariantes (RLM)

El ARLM se utiliza cuando se necesita construir un modelo para predecir 1. La VD a partir de una VI ( )2. La VD a partir de varias V Independientes ( )

Los Residuales en el ARLM se obtienen1. ( ) Valores observados menos el promedio de los

residuos.2. ( ) Valores observados menos valores predichos.3. ( ) Valores observados menos el error estándar de los

residuos.

Pulido, J. E./022016

Conducta de Entrada Métodos Multivariantes (RLM)

El Durbin - Watson permite averiguar1. ( ) Independencia entre los residuales.2. ( ) La presencia de colinealidad entre V independientes.3. ( ) Presencia de multicolinealidad entre V Independientes.

El valor empírico de Durbin – Watson que indica que los residuales están incorrelacionados está comprendido

Entre 0 y 4 ( ) Entre 1,5 y 2,5 ( ) Entre 2,5 y 4 ( )

Pulido, J. E./022016

Es una técnica que permite identificar relaciones entre una variable dependiente (cuantitativa) y dos o más variables independientes (cuantitativas y/o cualitativas) y formular modelos matemáticos con el fin de predecir resultados.

Regresión Lineal Múltiple

Pulido, J. E./022016

Categoría Laboral

Variables DummyEmpleador Cuenta

propiaAsalariado

Empleador 1 0 0Cuenta propia 0 1 0

Asalariado 0 0 1Trabajador sin remuneración 0 0 0

Codificación de la variable Categoría Laboral (variables Dummy)

Número Vdumy = K – 1Vdummy = 4 – 1 = 3

*

*

Pulido, J. E./022016

Clic

Regresión Lineal Múltiples – Ruta en SPSS

Pulido, J. E./022016

Regresión Lineal Múltiples – Ruta en SPSS

Pulido, J. E./022016

Regresión Lineal Múltiples – Ruta en SPSS

Pulido, J. E./022016

Regresión Lineal Múltiples – Ruta en SPSS

Fin de la Ruta

Pulido, J. E./022016

Salidas de SPSS

Se interpreta como el Coeficiente de

Determinación (R2*100)

Pulido, J. E./022016

Salidas de SPSS

Pulido, J. E./022016

Salidas de SPSS

ACIEONLINEActualización y Capacitación en Investigación y Estadística en Línea

Jesús Eduardo Pulidoeduardopulido44@gmail.com

Aprender Haciendo y Rectificando

MÉTODOS AVANZADOS INVESTIGACIÓN CUANTITATIVA

REGRESIÓN LOGÍSTICA BINARIA

Pulido, J. E./012016

Pulido, J. E./022016

En general se da con k variables independientes y una variable dependiente dicotómica.

Regresión Logística Binaria

Se expresar mediante la siguiente ecuación:

)( 4321

1)Pr( géneroboríasingestacalbrolnivcolestebguíneapresiónsanbaedoExtroverti

Pr es la probabilidad que permite predecir que una persona puede tener un ataque al corazón teniendo en cuenta las variables independientes Xi (presión sanguínea, nivel de colesterol, ingesta de calorías y el género).

Nota.El valor de e = 2,7182

Pulido, J. E./022016

ODDS. Es el cociente entre la probabilidad de que ocurra un suceso frente a la probabilidad de que no ocurra, teniendo en cuenta otro evento. Por ejemplo, la probabilidad de que no pague un crédito es de 0.70, si no tiene empleo y de 0.15 si lo tiene.

ppodds

1

33,270,0170,0

odds

Es 2,33 veces más probable que no pague un crédito el que no tiene empleo con respecto a quien si lo tiene. Por lo tanto, es un factor de riesgo el no tener empleo.

Regresión Logística - Conceptos Básicos

Pulido, J. E./022016

ppodds

1

176,015,0115,0

odds

ODDS RATIO (OR): Es el cociente entre dos Odds; cuantifica cuánto más probable es que no se pague un crédito cuando no se tiene empleo (primer odds) respecto a cuando se tiene (segundo odds).

Regresión Logística - Conceptos Básicos

Pulido, J. E./022016

Regresión Logística - Conceptos Básicos

21)(1

oddsoddsBExpeOR b

23,13176,033,2)( BExpOR

Es aproximadamente 13 veces es más probable que una persona sin empleo deje de pagar con respecto a los que si lo tienen.

Pulido, J. E./022016

ODDS RATIO (OR): Cuando el coeficiente b de la variable es positivo obtendremos un odds ratio mayor que 1 y

corresponde por tanto a un factor de riesgo. Por el

contrario, si b es negativo el odds ratio será menor que 1 y se trata de un factor de protección.

Regresión Logística - Conceptos Básicos

Importante.

Pulido, J. E./022016

Regresión Logística - Conceptos Básicos

La interacción y la confusión son dos conceptos importantes cuando se usan los modelos de regresión con el segundo objetivo, porque tienen que ver con la interferencia que una o varias variables pueden realizar cuando se asocian con otras.

1. Estimar la relación de una o más variables independientes con la variable dependiente.

2.  Estudiar las causas de las cosas (estudios etiológicos)

Objetivos de los modelos de Regresión Lineal

Pulido, J. E./012016

Existe confusión cuando la asociación entre dos variables difiere significativamente según se considere o no otra variable, a la cual se le denomina variable de

confusión para la asociación. Existe interacción cuando la asociación entre dos variables varía según los diferentes niveles de otra u otras variables.

Regresión Logística - Conceptos Básicos

Pulido, J. E./022016

Prueba de Hosmer – Lemeshow. Indica el ajuste del modelo de regresión; es decir, expresa en probabilidad la significación del modelo; dicho en otros términos, indica la similitud que existe entre los valores teóricos y los verdaderos.

Importante.• Cuando hay un buen ajuste en el modelo la Sig>0,05 • H0: Valores verdaderos y teóricos (pronosticados) son parecidos.• Cuando los valores esperados son < 5 la prueba de Hosmer - Lemeshow no aplica.

Regresión Logística - Conceptos Básicos

Pulido, J. E./022016

Regresión logística – Ruta en SPSS

Pulido, J. E./022016

Regresión logística – Ruta en SPSS

4

3

2

15

Pulido, J. E./012016

Regresión logística – Ruta en SPSS

Fin de la Ruta

Pulido, J. E./022016

Salidas del SPSS

Pulido, J. E./022016

Salidas del SPSS

Pulido, J. E./022016