Apunte Regresion Lineal Szretter

Apunte de Regresión Lineal
María Eugenia Szretter Noste
Carrera de Especialización en Estadística
para Ciencias de la Salud
Facultad de Ciencias Exactas y Naturales,
Universidad de Buenos Aires
Agosto - Octubre de 2017
Índice
1 Correlación 1
1.1 Grácos de dispersión (o scatter plots) . . . . . . . . . . . . . . . . 1
1.1.1 Desventajas de los scatter plots . . . . . . . . . . . . . . . . 5
1.2 Coeciente de correlación de Pearson . . . . . . . . . . . . . . . . . 6
1.2.1 Denición del coeciente de correlación . . . . . . . . . . . . 6
1.2.2 Propiedades del coeciente de correlación muestral (y tam-
bién de ρ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.3 Inferencia de ρ . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Coeciente de correlación de Spearman . . . . . . . . . . . . . . . . 21
1.4 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2 Regresión lineal simple 29

2.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Modelo lineal simple . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3 Ecuación de la recta . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4 Supuestos del modelo lineal . . . . . . . . . . . . . . . . . . . . . . 35
2.5 Estimación de los parámetros β0 y β1 . . . . . . . . . . . . . . . . 38
2.6 Recta ajustada, valores predichos y residuos . . . . . . . . . . . . . 40
2.6.1 Aplicación al ejemplo . . . . . . . . . . . . . . . . . . . . . . 41
2.7 Ejercicios (primera parte) . . . . . . . . . . . . . . . . . . . . . . . 44
2
2.8 Estimación de σ . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.9 Inferencia sobre β1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
1
2 María Eugenia Szretter

2.10 Inferencia sobre β0 . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.11 Intervalo de conanza para la respuesta media de Y cuando X = xh 56
2.12 Intervalo de Predicción de una nueva observación Y medida cuando
X = xh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.13 Banda de conanza para la recta estimada . . . . . . . . . . . . . . 63
2.14 Descomposición de la suma de cuadrados (ANOVA para regresión) . 65
2
2.15 El coeciente de determinación R . . . . . . . . . . . . . . . . . . 71
2
2.15.1 Propiedades de R . . . . . . . . . . . . . . . . . . . . . . . 72
2.16 Test F (otro test para H0 : β1 = 0) . . . . . . . . . . . . . . . . . . 73
2.17 Ejercicios (segunda parte) . . . . . . . . . . . . . . . . . . . . . . . 75
3 Diagnóstico en Regresión 82
3.1 Medidas de diagnóstico . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.1.1 Leverage de una observación . . . . . . . . . . . . . . . . . . 82
3.1.2 Residuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.1.3 Residuos estandarizados . . . . . . . . . . . . . . . . . . . . 84
3.1.4 Los residuos cuando el modelo es correcto . . . . . . . . . . 84
3.1.5 Los residuos cuando el modelo es incorrecto . . . . . . . . . 85
3.1.6 Los residuos en el ejemplo . . . . . . . . . . . . . . . . . . . 87
3.1.7 ¾Cómo detectar (y resolver) la curvatura? . . . . . . . . . . 87
3.1.8 ¾Qué hacer si la varianza no es constante? . . . . . . . . . . 88
3.1.9 ¾Cómo validamos la independencia? . . . . . . . . . . . . . . 90
3.1.10 ¾Cómo validamos la normalidad? . . . . . . . . . . . . . . . 90
3.2 Outliers y observaciones inuyentes . . . . . . . . . . . . . . . . . . 91
3.2.1 Outliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.2.2 Un test para encontrar outliers . . . . . . . . . . . . . . . . 91
3.2.3 Observaciones inuyentes . . . . . . . . . . . . . . . . . . . . 95
3.2.4 Alternativa: comparación con un ajuste robusto . . . . . . . 100
3.2.5 ¾Cómo medir la inuencia de una observación? . . . . . . . . 105
3.2.6 Instrucciones de R para diagnóstico . . . . . . . . . . . . . . 108
3.3 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4 Regresión Lineal Múltiple 113

4.1 El modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.2 Signicado de los coecientes de regresión . . . . . . . . . . . . . . 115
4.3 Modelo de Regresión Lineal Múltiple . . . . . . . . . . . . . . . . . 116
4.4 Modelo de Regresión Lineal en notación matricial . . . . . . . . . . 118
4.5 Estimación de los Parámetros (Ajuste del modelo) . . . . . . . . . . 119
4.6 Valores Ajustados y Residuos . . . . . . . . . . . . . . . . . . . . . 120
ÍNDICE 3
4.7 Dos predictoras continuas . . . . . . . . . . . . . . . . . . . . . . . 122

4.8 Resultados de Análisis de la Varianza (y estimación de σ 2 ) . . . . . 124
4.8.1 Sumas de cuadrados y cuadrados medios (SS y MS) . . . . . 124
2 2
4.8.2 Coeciente de Determinación Múltiple (R y R ajustado) . 129
4.8.3 Test F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
2
4.8.4 Estimación de σ . . . . . . . . . . . . . . . . . . . . . . . . 134
4.9 Inferencias sobre los parámetros de la regresión . . . . . . . . . . . 135
4.9.1 Intervalos de conanza para βk . . . . . . . . . . . . . . . . 135
4.9.2 Tests para βk . . . . . . . . . . . . . . . . . . . . . . . . . . 135
4.9.3 Inferencias conjuntas . . . . . . . . . . . . . . . . . . . . . . 136
4.10 Estimación de la Respuesta Media . . . . . . . . . . . . . . . . . . . 142
4.10.1 Intervalo de conanza para E (Yh ) . . . . . . . . . . . . . . . 142
4.10.2 Región de Conanza para la Supercie de Regresión . . . . 143
4.10.3 Intervalos de Conanza Simultáneos para Varias Respuestas
Medias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
4.11 Intervalos de Predicción para una Nueva Observación Yh(nueva) . . . 144
4.11.1 Intervalo de predicción para Yh(nueva) cuando los parámetros
son conocidos . . . . . . . . . . . . . . . . . . . . . . . . . . 145
4.11.2 Intervalo de predicción para Yh(nueva) cuando los parámetros
son desconocidos . . . . . . . . . . . . . . . . . . . . . . . . 146
4.11.3 Ejemplo de cálculo de Intervalo de Conanza para E (Yh ) y
de un Intervalo de Predicción para Yh(nueva) . . . . . . . . . . 149
4.11.4 Precaución Respecto de Extrapolaciones Ocultas . . . . . . . 151
4.12 Ejercicios (primera parte) . . . . . . . . . . . . . . . . . . . . . . . 151
4.13 Predictores Categóricos . . . . . . . . . . . . . . . . . . . . . . . . . 153
4.13.1 Predictores Binarios . . . . . . . . . . . . . . . . . . . . . . 153
4.13.2 Un predictor binario y otro cuantitativo . . . . . . . . . . . 160
4.14 Predictores Cualitativos con más de dos clases . . . . . . . . . . . . 164
4.14.1 Una sola predictora cualitativa con más de dos clases . . . . 164
4.14.2 Variables indicadoras versus variables numéricas . . . . . . . 168
4.14.3 Variables numéricas como categóricas . . . . . . . . . . . . . 170
4.14.4 El test F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
4.14.5 Comparaciones Múltiples . . . . . . . . . . . . . . . . . . . . 171
4.15 Una predictora cualitativa y una numérica . . . . . . . . . . . . . . 173
4.15.1 Test F para testear si varios parámetros son cero, y tabla de
ANOVA para comparar modelos . . . . . . . . . . . . . . . . 177
4.15.2 Comparaciones múltiples . . . . . . . . . . . . . . . . . . . . 180
4.16 Modelos con interacción entre variables cuantitativas y cualitativas 182
4.17 Interacción entre dos variables cuantitativas . . . . . . . . . . . . . 193
ÍNDICE i
4.18 Interacción entre dos variables cualitativas . . . . . . . . . . . . . . 201

4.19 Generalización a más de dos variables. . . . . . . . . . . . . . . . . 206
5 Diagnóstico del modelo 208

5.1 Diagnóstico del modelo: deniciones y grácos . . . . . . . . . . . . 208
5.1.1 Matriz de scatter plots o grácos de dispersión . . . . . . . . 209
5.1.2 Grácos de dispersión en tres dimensiones . . . . . . . . . . 211
5.1.3 Grácos de residuos . . . . . . . . . . . . . . . . . . . . . . . 211
5.2 Identicación de outliers y puntos de alto leverage . . . . . . . . . . 213
5.2.1 Ajuste robusto: permite ignorar a los outliers automáticamente214
5.2.2 Leverage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
5.2.3 Uso de la matriz de proyección para identicar extrapolaciones218
5.2.4 Residuos estudentizados y distancias de Cook . . . . . . . . 218
5.3 Colinealidad de los predictores . . . . . . . . . . . . . . . . . . . . . 220
5.3.1 Diagnóstico de multicolinealidad . . . . . . . . . . . . . . . . 220
5.3.2 Diagnóstico informal . . . . . . . . . . . . . . . . . . . . . . 220
5.3.3 Diagnóstico formal . . . . . . . . . . . . . . . . . . . . . . . 221
5.3.4 ¾Cómo tratar el problema de multicolinealidad? . . . . . . . 221
5.4 Selección de modelos . . . . . . . . . . . . . . . . . . . . . . . . . . 223
5.4.1 Criterios para comparar modelos . . . . . . . . . . . . . . . 223
5.4.2 ¾Cuál de estos criterios utilizar? . . . . . . . . . . . . . . . . 225
5.4.3 Selección automática de modelos . . . . . . . . . . . . . . . 226
5.4.4 Todos los subconjuntos posibles (Best subset ) . . . . . . . . 226
5.4.5 Eliminación backward (hacia atrás). . . . . . . . . . . . . . . 227
5.4.6 Selección forward (incorporando variables) . . . . . . . . . . 227
5.4.7 Selección stepwise . . . . . . . . . . . . . . . . . . . . . . . . 228
5.4.8 Limitaciones y abusos de los procedimientos automáticos de
selección de variables . . . . . . . . . . . . . . . . . . . . . . 229
5.4.9 Validación de modelos . . . . . . . . . . . . . . . . . . . . . 230
A Talleres 233
A.1 Taller 1: Coeciente de Correlación y Regresión Lineal Simple . . . 233
A.2 Ejercicio domiciliario . . . . . . . . . . . . . . . . . . . . . . . . . . 235
A.3 Taller 2: Regresión Lineal: medidas de diagnóstico y transformaciones236
A.4 Taller 3: Regresión Lineal Múltiple . . . . . . . . . . . . . . . . . . 238
ii María Eugenia Szretter
Prefacio
Las notas de regresión lineal que componen estas páginas fueron escritas como
material teórico y práctico para el curso Regresión Lineal de la Carrera de Espe-
cialización en Estadística para Ciencias de la Salud, que se dicta en la Facultad
de Ciencias Exactas y Naturales, de la Universidad de Buenos Aires que tuve la
alegría de dar durante algo más de dos meses, en 2011 y luego cada dos años hasta
2017. Presuponen un conocimiento estadístico obtenido en un curso básico y hacen
énfasis en un enfoque aplicado de la regresión lineal, para un público que viene,
en general, de las ciencias médicas o biológicas. La información sigue un programa
estándar en el tema: correlación, regresión lineal simple y regresión lineal múltiple
y representa una primera introducción al tema. La idea es hacer un énfasis en los
modelos y la interpretaciones, sin perder (del todo) el entusiasmo en el camino. En
esa dirección, estas notas buscan presentar al modelo lineal como el primer mode-
lo estadístico a estudiar en detalle, e intenta mostrar cuáles de las herramientas
presentadas se generalizan a otros modelos estadísticos. En cada capítulo, además,
se incluyen una serie de ejercicios que (espero) complementen el aprendizaje.
Los grácos y las salidas que acompañan las notas fueron realizados usando el
paquete R, R Core Team [2015]. El resto de las guras fueron extraidas de varios
buenos textos disponibles sobre el tema (y debidamente citados). Quizá la mejor
hoja de estas notas sea la bibliografía. Esta versión 2017 de las notas incorpora
además de varias correcciones, la introducción de los comandos de R en el texto,
así como varios nuevos ejercicios y los scripts en R para resolverlos.
Finalmente quiero agradecer a varios colegas las conversaciones y opiniones
sobre los temas que aparecen a continuación, que ayudaron a dar (esta) forma a
estas notas, en especial a Liliana Orellana y a Andrés Farall.
Este material puede descargarse de la web de la siguiente dirección
http://mate.dm.uba.ar/~meszre/apunte_regresion_lineal_szretter.pdf
En la misma dirección, hay una carpeta con todos los archivos de datos mencio-
nados en el texto, o necesarios para los ejercicios. Dicha carpeta contiene también
R que resuelven los ejercicios. La dirección de
scripts en la carpeta es
http://mate.dm.uba.ar/~meszre/datos_regresion
1. Correlación 1
1. Correlación
La regresión lineal, de la que tratan estas notas, se ocupa de investigar la rela-

ción entre dos o más variables continuas. En esta sección, comenzaremos tratando
de describir el vínculo observado y luego nos sosticaremos resumiendo en un valor
numérico nuestra conclusión.
¾Con qué datos contamos para llevar a cabo un análisis? Disponemos de n
observaciones de dos variables aleatorias medidas en los mismos individuos, como
describimos en la Tabla 1.
Tabla 1: Observaciones a nuestra disposición. Aquí X1 quiere decir, la variable X

medida en el individuo 1, etc.
Individuo Variable X Variable Y

1 X1 Y1
2 X2 Y2
. . .
. . .
. . .
n Xn Yn
En estas notas, estamos pensando en que medimos ambas variables en la misma

unidad: puede tratarse de un individuo, un país, un animal, una escuela, etc.
Comencemos con un ejemplo.
1.1. Grácos de dispersión (o scatter plots)

Ejemplo 1.1 Queremos investigar la relación entre el pocentaje de niños que ha
sido vacunado contra tres enfermedades infecciosas: difteria, pertusis (tos convul-
sa) y tétanos (DPT, que se suele denominar, triple bacteriana) en un cierto país
y la correspondiente tasa de mortalidad infantil para niños menores a cinco años.
El Fondo de las Naciones Unidas para la Infancia considera a la tasa de morta-
lidad infantil para niños menores a cinco años como uno de los indicadores más
importantes del nivel de bienestar de una población infantil. Datos publicados en
United Nations Children's Fund, The State of the World's Children 1994,
New York: Oxford University Press. Y tratados en el libro Pagano, Gauvreau, y
Pagano [2000], Capítulo 17.
Los datos para 20 países, del año 1992, se muestran en la Tabla 2. Si X re-
presenta el porcentaje de niños vacunados a la edad de un año, e Y representa la
tasa de mortalidad infantil de niños menores de 5 años, tenemos una pareja de
resultados (Xi , Yi ) para cada país en la muestra.
¾Cómo se lee la información desplegada en la Tabla 2? Por ejemplo, para Bo-
livia X1 = 77,0, es decir, en el año 1992, un 77 % de los niños menores de un año
Tabla 2: Datos para 20 países en los que se midieron dos variables, X: porcentaje
de niños vacunados a la edad de un año en cada país, Y : es la tasa de mortalidad
infantil de niños menores de 5 años en cada país. Archivo: paises.txt.
País Porcentaje Tasa de mortalidad

vacunado menor a 5 años
Bolivia 77,0 118,0
Brasil 69,0 65,0
Camboya 32,0 184,0
Canadá 85,0 8,0
China 94,0 43,0
República Checa 99,0 12,0
Egipto 89,0 55,0
Etiopía 13,0 208,0
Finlandia 95,0 7,0
Francia 95,0 9,0
Grecia 54,0 9,0
India 89,0 124,0
Italia 95,0 10,0
Japón 87,0 6,0
México 91,0 33,0
Polonia 98,0 16,0
Federación Rusa 73,0 32,0
Senegal 47,0 145,0
Turquía 76,0 87,0
Reino Unido 90,0 9,0
estaban vacunados contra la DPT y (en el año 1992) 118 niños menores de 5 años
murieron por cada 1000 niños nacidos vivos.
¾Cómo puede visualizarse esta información? La forma más sencilla es mediante

un gráco de dispersión (o scatter plot). En un scatter plot se ubican los resultados
de una variable (X) en el eje horizontal y los de la otra variable (Y ) en el eje
vertical. Cada punto en el gráco representa una observación (Xi , Yi ) .
En este tipo de gráco se pierde la información del individuo (paciente o país),
y aunque si hubiera pocos puntos se los podrían rotular, esencialmente esta in-
formación no suele estar disponible en un scatter plot. El gráco de dispersión de
los datos de la Tabla 2 puede verse en la Figura 1. Ahí vemos que, por ejemplo,
Bolivia está representada por el punto (77, 118) .
Usualmente con este gráco podemos determinar si existe algún tipo de relación
1.1 Grácos de dispersión (o scatter plots) 3
Figura 1: Scatter plot: tasa de mortalidad infantil (menor a 5 años) versus el

porcentaje de chicos menores de un año vacunados contra la DPT.
entre X e Y. Para este caso vemos que a medida que aumenta el porcentaje de niños
inmunizados, decrece la tasa de mortalidad. ¾Qué otras cosas podríamos observar?
En la Figura 2 ilustramos algunas posibilidades, que describimos a continuación.
Ausencia de datos. Puede ser que no hayamos medido ninguna observación

cuya variable X se encuentre entre cierto rango de valores (en la Figura 2 (a)
por ejemplo, no hay observaciones con coordenada X entre los valores 13 y
21). O que esta combinación entre X eY no exista, o no se dé biológicamente.
Esto indica que la relación que observamos entre las variables gracadas es
solamente válida para algunos valores de las variables.
No asociación. ¾Cómo luce un gráco de dispersión de dos variables que no

están asociadas? En la Figura 2 (b) hay un ejemplo. Luce como una nube de
Figura 2: Grácos de dispersión de cuatro conjuntos de datos diferentes: (a) au-

sencia de datos; (b) no asociación; (c) vínculo curvilíneo; (d) agrupamientos.
puntos: los valores bajos de X pueden aparecer asociados tanto con valores
altos de Y como con valores bajos de Y. Lo mismo para los valores altos de
X. Lo mismo para los valores intermedios de X.
Vínculo curvilíneo. Esto aparece cuando los valores de Y se vinculan a

los de X por medio de una función. Por ejemplo, si en el eje X gracáramos
los valores del tiempo medidos con un cronómetro a intervalos regulares y
en el eje Y la posición de un objeto en cada instante de tiempo medido, y
si este objeto se moviera siguiendo un movimiento rectilíneo uniformemente
variado, observaríamos en el gráco una función cuadrática, como aparece
en la Figura 2 (c). A veces la curva no describe la ubicación de los puntos
en la gráca de manera exacta, sino en forma aproximada (hay errores de
medición, por ejemplo, o una relación sólo aproximadamente cuadrática entre
las variables).
1.1 Grácos de dispersión (o scatter plots) 5
Agrupamientos. Cuando en el gráco de dispersión se ven las observa-

ciones separadas en grupos esto puede indicar que hay variables que están
faltando incluir en el análisis. Por ejemplo, la Figura 2 (d) puede tratarse de
mediciones del largo de pétalo y del sépalo de una or, de un grupo de ores
para las cuales no se ha registrado la variedad. Si habláramos con el biólogo
que llevó a cabo las mediciones podríamos encontrar que se trató de tres
variedades distintas de ores, que dieron origen a los tres grupos indicados
con elipses de colores en el gráco.
Esencialmente, en el scatter plot nos interesa evaluar
la forma de la relación entre las dos variables
• lineal
• no lineal: cuadrática, exponencial, etc.
• ausencia de relación
el sentido de la asociación, que puede ser
• asociación creciente: ambas variables aumentan simultáneamente
• asociación decreciente: cuando una variable aumente, la otra disminuye
• no asociación
la fuerza de la asociación, esto tiene que ver con la dispersión de los datos.
Si el vínculo puede resumirse con una recta o una curva, cuán alejados de
dicha recta (o curva) están los datos. Esto suele resumirse cualitativamente:
diremos que la asociación es fuerte, moderada o débil, de acuerdo a si los
puntos gracados presentan poca, moderada o mucha dispersión de la recta
(o curva) que los describe.
la identicación de unas pocas observaciones que no siguen el patrón general,

o de otras características de los mismos como ausencia de datos en algunas
regiones, agrupamientos, variabilidad de los datos que depende de una de las
variables, etc.
1.1.1. Desventajas de los scatter plots

Los scatter plots son herramientas básicas del estudio de varias variables si-
multáneas. Sin embargo adolescen de dos problemas, esencialmente.
1. Si hay muchas observaciones todas iguales, en general no se las puede gra-

car a todas. En el gráco de dispersión uno no puede notar si hay puntos
repetidos en la muestra observada.
2. Sólo se pueden visualizar los vínculos entre dos variables. En grácos tri-
dimensionales se podrían gracar hasta tres variables, y luego habría que
elegir con mucho cuidado el punto de vista del observador para exhibir las
características más sobresalientes del gráco. Cuando el interés está puesto
en estudiar varias variables simultáneamente, pueden hacerse varios grácos
de dispersión simultáneos. Es decir, cuando tenemos las variables (X, Y, Z)
haremos tres grácos: Y versus X, Z versus X, y Z versus Y. Los haremos
en la Sección 5.1.1.
1.2. Coeciente de correlación de Pearson

Descriptivamente hablando, en estas notas estaremos interesados en las situa-
ciones donde aparece una relación entre X e Y del estilo de las gracadas en la
Figura 3, que pueden globalmente describirse bien a través de una relación lineal
(puntos situados más o menos cerca del gráco de una recta). Cuando los grácos
de dispersión son del estilo de los que aparecen en la Figura 2 (a), (c) ó (d) las
técnicas estadísticas que mejor describen este tipo de vínculo entre las variables no
se encuadran dentro de la regresión lineal. En la Figura 3 (a) se ve una asociación
positiva entre las variables, esto quiere decir que a medida que crece X, esencial-
mente Y crece. En cambio, en la Figura 3 (b) las variables están negativamente
asociadas : cuando X crece, Y decrece, en general.
1.2.1. Denición del coeciente de correlación

Para cuanticar el grado de asociación entre X e Y se pueden describir coe-
cientes. Antes de hacerlo, repasemos los coecientes poblacionales que asumimos
conocidos, ya que se ven en cualquier curso introductorio de probabilidades y es-
tadística
Para una sola variable numérica X podemos denir la esperanza de X
µX = E (X)
como el valor poblacional que describe el centro de la variable. A su vez, tenemos

también la varianza poblacional de X que es
2
= E [X − E (X)]2 = V ar (X)

σX
1.2 Coeciente de correlación de Pearson 7
Figura 3: Dos conjuntos de datos con asociación lineal entre X e Y : el gráco (a)
muestra asociación lineal positiva, el (b) muestra asociación lineal negativa entre
ambas.
que es una medida de la variación de la variable X respecto de su centro dado por

E (X) . A partir de ella se dene el desvío estándar poblacional de X por
q p
2
σX = σX = V ar (X),
que es una medida de dispersión de la variable X.

¾Cómo estimamos estos valores poblacionales, en general desconocidos, a través
de una muestra X1 , X2 , . . . , Xn de variables independientes con la misma distribu-
ción que la variableX ? A la media poblacional, µX la estimamos por el promedio de
las n observaciones disponibles. Llamaremos µ bX al estimador, es decir, a la función
o cuenta que hacemos con las variables X1 , X2 , . . . , Xn observadas para estimar al
número jo µX (en este sentido, µ bX en realidad es un µ bX (X1 , X2 , . . . , Xn )), y
escribimos
n
1X
bX = X n =
µ Xi ,
n i=1
Xn o bien X es el promedio o media muestral. A la varianza poblacional la esti-

mamos por
n
2 2 1 X 2
σ
bX = SX = Xi − X ,
n − 1 i=1
que es la varianza muestral. Entonces, el desvío estándar poblacional queda esti-

mado por el desvío estándar muestral, es decir,
v
u n
u 1 X 2
σ
bX = SX = t Xi − X .
n − 1 i=1
Ahora estamos en condiciones de pensar en cómo denir un coeciente que

resuma el vínculo entre dos variables aleatorias X e Y medidas en el mismo indivi-
duo. El más utilizado de todos es el que se conoce como coeciente de correlación,
que se simboliza con una letra griega rho : ρ ó ρXY y se dene por

X − µX Y − µY
ρXY = E
σX σY
cov (X, Y )
= ,
σX σY
o sea, el número promedio a nivel población del producto de X menos su media

por Y menos su media divididos por el producto de los desvíos estándares. ¾Cómo
estimamos a ρ? A través de r el coeciente de correlación de Pearson, o coeciente
de correlación muestral, dado por
1
Pn
n−1 i=1 Xi − X Yi − Y
r= .
SX · SY
Al numerador, se lo denomina covarianza muestral entre X e Y,

n
1 X
covarianza muestral = Xi − X Yi − Y
n − 1 i=1
y el denominador es el producto de los desvíos muestrales de cada muestra por

separado
v
u n
u 1 X 2
SX = t Xi − X
n − 1 i=1
v
u n
u 1 X 2
SY = t Yi − Y .
n − 1 i=1
Otra forma de escribir a r es la siguiente
Pn
i=1 X i − X Yi − Y
r = rh .
P n 2 i hPn 2 i
i=1 Xi − X i=1 Yi − Y
Pn
Observemos que el numerador i=1 Xi − X Yi − Y puede ser positivo o nega-
rh
Pn 2 i hPn 2 i
tivo, pero el denominador i=1 Xi − X i=1 Y i − Y siempre es posi-
tivo. Luego el signo de r está determinado por el del numerador. Veamos de qué
depende.

 + si Xi es más grande que X
signo de Xi − X =
− Xi X

si es más chico que
y también

 + si Yi es más grande que Y
signo de Yi − Y =
− Yi Y

si es más chico que
Luego, el

 + si ++ ó − −
signo de Xi − X Yi − Y =
− si +− ó −+

Hacemos un scatter plot de las observaciones. Luego ubicamos en el plano el punto

X, Y . Trazamos una línea vertical que pase por X y otra línea horizontal que
pase a la altura de Y. Esto divide al gráco en cuatro cuadrantes, como puede

verse en la Figura 4. Luego, el signo del sumando iésimo de r será positivo, si para
el individuo iésimo tanto Xi como Yi son mayores que su respectivo promedio (es
decir, la observación cae en el cuadrante noreste, al que hemos denotado por ++)
o bien ambos valores son simultáneamente menores que su promedio, es decir,

la observación cae en el cuadrante suroeste, que hemos denotado por − −. En
cambio, el sumando iésimo de r será negativo en el caso en el que la observación
iésima tenga un valor Xi por encima de su promedio pero la Yi sea menor que su
promedio, o bien la Xi sea menor a su promedio y la Yi sea mayor a su promedio.
Figura 4: Scatter plot de la tasa de mortalidad versus el porcentaje de niños meno-

res a un año inmunizados, con la recta vertical y horizontal que pasan por X, Y ,
y los signos de cada sumando que interviene en el cálculo de r.
Esto en cuanto a cada sumando en particular. ¾Qué signicará el signo de r?

Si r da positivo, será indicio de que la mayoría de las observaciones caen en
los cuadrantes noreste (NE) y suroeste (SO), marcados con color en la Figura 5.
Es decir, que cuando los valores de las X suelen estar por encima del promedio
ocurre, simultáneamente, que los valores de Y también están sobre su promedio.
Análogamente, cuando en un individuo el valor de X está por debajo del promedio,
lo mismo ocurre con su valor de Y. En general, un valor positivo de r indica que
hay una asociación positiva entre las variables (cuando una crece, la otra también
lo hace).
Si r da negativo, en cambio, tenemos una indicación de mayor número de
observaciones en los otros cuadrantes marcados con fondo blanco en la Figura 5,
y se invierten las situaciones descriptas anteriormente. Es decir, que cuando los
valores de las X suelen estar por encima del promedio ocurre, simultáneamente,
que los valores de Y están por debajo de su promedio. Análogamente, cuando en
un individuo el valor de X está por debajo del promedio, ocurre lo inverso con
su valor de Y, que superará a su promedio. En general, un valor negativo de r
es indicador de asociación negativa entre las variables (cuando una crece, la otra
decrece).
Figura 5: Scatter plot de la tasa de mortalidad versus el porcentaje de niños me-

nores a un año inmunizados, con los cuatro cuadrantes delimitados por X, Y .
Las observaciones que caen en la región coloreada darán sumandos positivos del r.
Ejemplo 1.2 Veamos qué ocurre en nuestro ejemplo. Calculamos los promedios
de ambas variables, obtenemos
X = 77,4
Y = 59
y le superponemos al scatter plot dos líneas rectas, una vertical que corta al eje x
en 77,4 y otra horizontal que corta al eje y en Y = 59. Las Figuras 4 y 5 muestran
el gráco de esta situación. Observamos que en los dos cuadrantes coloreados hay
muy pocas observaciones (exactamente 3 de un total de 20).
El coeciente de correlación muestral en este caso da −0,791, un valor negativo,
lo cual hubiéramos podido anticipar ya que la mayoría de los términos involucrados
en el cálculo de r (17 de los 20 sumandos) serán menores o iguales a cero.
1.2.2. Propiedades del coeciente de correlación muestral (y también

de ρ)
A continuación damos las propiedades del coeciente de correlación muestral
r, pero estas también son válidas para el coeciente de correlación poblacional ρ.
1. −1 ≤ r ≤ 1. El valor del coeciente r está entre 1 y menos 1 porque puede

probarse que el denominador es más grande (a lo sumo igual) que el nume-
rador.
2. El valor absoluto de r, |r| mide la fuerza de la asociación lineal entre X e Y,

a mayor valor absoluto, hay una asociación lineal más fuerte entre X e Y.
3. El caso particular r=0 indica que no hay asociación lineal entre X e Y.
4. El caso r=1 indica asociación lineal perfecta. O sea que los puntos están
ubicados sobre una recta de pendiente (o inclinación) positiva.
5. En el caso r = −1 tenemos a los puntos ubicados sobre una recta de pendiente

negativa (o sea, decreciente).
6. El signo de r indica que hay asociación positiva entre las variables (si r > 0);
o asociación negativa entre ellas (si r < 0).
7. r = 0,90 indica que los puntos están ubicados muy cerca de una recta cre-
ciente.
8. r = 0,80 indica que los puntos están cerca, pero no tanto, de una recta
creciente. En la Figura 6 se pueden ver distintos grados de correlación, que
están comentados más abajo.
9. r no depende de las unidades en que son medidas las variables (milímetros,

centímetros, metros o kilómetros, por ejemplo) .
10. Los roles de X e Y son simétricos para el cálculo de r.
11. Cuidado: el coeciente de correlación de Pearson es muy sensible a obser-

vaciones atípicas. Hay que hacer siempre un scatter plot de los datos antes
de resumirlos con r. La sola presencia de una observación atípica (o de unas
pocas observaciones que siguen un patrón raro) puede hacer que el valor de
r resulte, por ejemplo positivo, cuando en verdad las variables X e Y es-
tán negativamente asociadas. Si vemos el scatterplot de los datos, esta (o
estas) observación atípica debiera destacarse en su patrón alejado del resto
y seremos capaces de detectarla. Si en cambio sólo nos limitamos a calcular
el r esta situación podría escapársenos y podríamos terminar inriendo un
vínculo entre X e Y que es espúreo.
Un ejemplo de fuerte correlación positiva se da entre el volumen espiratorio

esforzado (VEF), una medida de la función pulmonar, y la altura. En la Figura
6 (a) se muestra un gráco de dispersión de observaciones de estas variables, que
tienen correlación ρ = 0,90. En la Figura 6 (b) se puede observar una correlación
positiva más débil entre niveles séricos de colesterol y la ingesta diaria de colesterol,
aquí ρ = 0,3. Una fuerte correlación negativa (ρ = −0,8) se da entre la frecuencia
del pulso en reposo (o la frecuencia cardíaca) y la edad, medidas en niños menores
a diez años. Ahí vemos que a medida que un chico crece, la frecuencia de su pulso
desciende. Una correlación negativa más débil ρ = −0,2 existe entre VEF y el
número de cigarrillos fumados por día, como se ve en la Figura 6 (d).
Cabe hacer un comentario respecto de la interpretación del coeciente de corre-
lación. Altos grados de asociación lineal entre X e Y no son señales de causalidad,
es decir, una relación de causa y efecto entre ambas variables. Una alta correla-
ción observada entre dos variables es compatible con la situación de que existan
modelos que explican a Y por X, o bien a X por Y, o bien que exista una tercer
variable que las determine a ambas simultáneamente.
1.2.3. Inferencia de ρ
La pregunta que nos hacemos en esta sección es la clásica pregunta de inferencia
estadística, ¾qué podemos decir de ρ a partir de r?
Queremos sacar conclusiones acerca del parámetro poblacional ρ a partir de la
muestra de observaciones (X1 , Y1 ) , . . . , (Xn , Yn ) . En el ejemplo, la pregunta que
podríamos hacer es ¾qué podemos decir del vínculo entre inmunización contra la
DPT y la tasa de mortalidad infantil para menores a cinco años? Sólo contamos
Figura 6: Interpretación de distintos grados de correlación. Inspirado en: Rosner

[2006], pág. 137.
(a) (b)
Colesterol sérico (mg/dL)

●
● ● ●
● ● ● ● ●
●● ● ● ●
●
● ● ● ● ● ● ● ●
● ● ● ●● ●
● ● ●● ●● ●
●● ● ●● ●
VEF (l)
● ● ● ● ●
● ●● ● ● ● ●
● ● ● ● ● ●
●● ● ● ● ● ● ● ● ● ●
●● ●● ● ●● ●● ●
● ● ● ● ● ●
● ● ●● ●● ●● ●●●● ●
● ●
● ● ● ● ●
● ●
● ●●
● ● ●
● ● ●● ● ● ● ●●
● ● ● ●● ● ● ●
● ●● ● ● ●● ●
● ● ●
● ● ●● ● ● ●
● ● ● ●
● ● ● ● ●● ●
● ●
● ●
●● ● ● ●● ● ●
● ●
● ● ● ● ●
●
● ● ●
● ● ● ●
●● ● ● ●
● ●
● ●
●
●
●
Correlación positiva fuerte Correlación positiva débil

(ρ = 0.9) (ρ = 0.3)
Altura (cm) Colesterol de la dieta (mg/día)
(c) (d)
Pulso en reposo (lat/min)
● ●
●
●
● ● ● ● ●
● ●
● ●
● ● ● ●
● ● ●● ● ●
● ● ●
● ●
●
● ●● ● ● ●
●● ● ● ● ● ● ● ●
● ●
VEF (l)
●
●● ● ● ● ● ● ●● ● ● ●
● ● ●
● ● ● ●
● ●● ● ● ● ●
● ● ● ●● ● ●
● ● ● ● ●
●
●● ● ● ● ●
● ● ● ●● ● ● ● ● ●
●
● ● ●
● ● ●● ● ● ●●
● ● ●● ● ● ● ●
●
● ● ● ●●
● ●● ●
●●● ● ● ● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ● ● ●●● ●● ● ●
● ● ● ●
● ● ● ● ●●
● ●
●● ● ● ●
● ● ● ● ● ●
● ● ●
●
● ● ●
● ● ● ●
●
●
●
Correlación negativa fuerte Correlación negativa débil

(ρ = − 0.8) (ρ = − 0.2)
Edad (años) Cigarrillos por día
con observaciones de 20 países en 1992. El test que más nos interesará es el que
tiene las siguientes hipótesis
H0 : ρ = 0
H1 : ρ 6= 0,
ya que la armación de la hipótesis nula, ρ = 0, puede escribirse como no hay

asociación lineal entre X e Y a nivel poblacional, mientras que la hipótesis al-
ternativa postula que sí hay tal relación entre las variables. O sea, en el caso del
ejemplo, sabemos que la correlación muestral observada entre ambas variables fue
r = −0,791, y la pregunta ¾será que entre las dos variables consideradas no hay
asociación lineal, y sólo por casualidad en la muestra obtenida vemos un valor de
r = −0,791? ¾O será que ρ 6= 0? Como el coeciente de correlación muestral r

es un estimador del valor poblacional ρ, a través de él podemos proponer un test
para estas hipótesis.
Test para ρ = 0 Los supuestos para llevar a cabo el test son que los pares de
observaciones (X1 , Y1 ) , . . . , (Xn , Yn ) sean independientes entre sí, idénticamente
distribuidos, y tengan distribución (conjunta) normal bivariada (ver la denición
de esto en la Observación 1.1). En particular, esto implica que cada una de las
muestras X1 . . . , Xn e Y1 . . . , Yn tengan distribución normal. Si la hipótesis nula es
verdadera, entonces el estadístico
r
T =q
1−r2
n−2
que no es más que ρb dividido por un estimador de su desvío estándar, tiene distri-
bución t de Student con n − 2 grados de libertad, lo cual notaremos
T ∼ tn−2 bajo H0 .
Si H0 fuera cierto, ρ r = ρb debería tomar valores muy

sería cero y su estimador
cercanos a cero. Lo mismo debería pasar con T que es ρ
b estandarizado. Por lo tanto
rechazaríamos la hipótesis nula cuando T tome valores muy alejados de 0, tanto
positivos como negativos. El test rechaza H0 cuando T toma valores muy grandes
o muy pequeños, es decir, rechazamos la hipótesis nula con nivel 1 − α cuando
T ≥ tn−2,1− α2 ó T ≤ −tn−2,1− α2
donde tn−2,1− α2 es el percentil 1 − α2 de una distribución tn−2 , o sea el valor que

α
deja a su izquierda un área de 1 − . Es un test bilateral. La región de rechazo
2
aparece dibujada en la Figura 7. El p-valor puede calcularse como
p − valor = P (|T | ≥ |Tobs |) ,
donde T ∼ tn−2 y en general lo devuelve el paquete estadístico. Si el tamaño de la

muestra fuera sucientemente grande, aplicando una versión del teorema central
del límite no necesitaríamos que la muestra fuera normal bivariada.
Ejemplo 1.3 En la Tabla 3 aparece la salida del software libre R R Core Team
[2015] para los datos del Ejemplo 1.1. Hemos llamado immunized al porcentaje
de chicos vacunados contra la DPT y under5 a la tasa de mortalidad para chicos
menores a 5 años. Vemos que en este caso el p−valor del test resulta ser menor
a 0,05, por lo que rechazamos la hipótesis nula y concluimos que el coeciente de
Figura 7: Región de rechazo y aceptaci ón para el test de t para una correlación.

Fuente: Rosner [2006], pág. 457.
correlación poblacional ρ es no nulo, mostrando que la tasa de vacunación y la

tasa de mortalidad infantil menor a 5 años están correlacionadas. Conaremos
en esta conclusión si somos capaces de creer que los datos de la muestra conjun-
ta provienen de una distribución normal bivariada. En particular, debe cumplirse
que ambas variables tengan distribución normal. Para validar al menos este último
supuesto deberíamos realizar grácos de probabilidad normal (qq-plots), histogra-
mas o boxplots, y tests de normalidad (por ejemplo, el test de Shapiro-Wilks) y
ver que ambos conjuntos de datos pasan las comprobaciones. Sin embargo, para
estos conjuntos de datos no puede asumirse la distribución normal ya que ambos
tienen distribución asimétrica: el porcentaje de niños vacunados con cola pesada a
la derecha, la tasa de mortalidad con cola pesada a izquierda, como puede obser-
varse en la Figura 8. Por lo tanto, no puede asumirse que conjuntamente tengan
distribución normal bivariada, y no puede aplicarse el test de correlación antes
descripto.
Observación 1.1 ¾Qué quiere decir que las observaciones (X1 , Y1 ) , . . . , (Xn , Yn )
tengan distribución conjunta normal bivariada? Es un término técnico. Decir que
un vector aleatorio (X, Y ) tenga dicha distribución conjunta quiere decir que exis-
ten cinco números reales µ1 , µ2 , σ1 > 0, σ2 > 0 y −1 < ρ < 1 tales que la función
Tabla 3: Cálculo de la correlación entre el porcentaje de chicos vacunados contra

la DPT y la tasa de mortalidad para chicos menores a 5 años, con el cálculo del
p-valor para el test de las hipótesis H0 : ρ = 0, versus H1 : ρ 6= 0, e intervalo de
conanza para ρ. Salida del R.
> cor.test(immunized,under5, method = "pearson")
Pearson's product-moment correlation
data: immunized and under5

t = -5.4864, df = 18, p-value = 3.281e-05
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
-0.9137250 -0.5362744
sample estimates:
cor
-0.7910654
de densidad conjunta para el vector (X, Y ) está dada por

( "
1 1 (x − µ1 )2
fXY (x, y) = exp −
σ12
p
2πσ1 σ2 1 − ρ2 2 (1 − ρ2 )
#)
(y − µ2 )2

x − µ1 y − µ2
+ − 2ρ , (1)
σ22 σ1 σ2
de modo que dada una determinada región A contenida en R2 , la probabilidad de

que el vector (X, Y ) pertenezca a dicha región está dada por
Z Z
P ((X, Y ) ∈ A) = fXY (x, y) dxdy.
A
Es decir, se calcula hallando el área bajo la función fXY denida en (1) y sobre
la región A. En la Figura 9 puede verse el gráco de la densidad conjunta, que es
una supercie en el espacio tridimensional. A los números µ1 , µ2 , σ1 , σ2 y ρ se los
denomina parámetros de la distribución normal bivariada (ya que una vez que se
ja sus valores numéricos, la densidad queda determinada).
Como ya mencionamos, puede probarse que cuando (X, Y ) tiene distribución
normal bivariada, entonces cada una de las variables X e Y tienen distribución
2
normal. Más aún, µ1 es la media de X y σ1 es su varianza, lo cual notamos X ∼
Figura 8: Histograma para los datos de porcentaje de niños vacunados y tasas de

mortalidad infantil, para los datos del Ejemplo 1.1.
Histograma del porcentaje Histograma de la tasa de

de vacunados mortalidad menor a 5
0.030
0.012
0.020
0.008
Density
Density
0.010
0.004
0.000
0.000
0 20 40 60 80 100 0 50 100 150 200 250
immunized under5
N (µ1 , σ12 ) y también Y ∼ N (µ2 , σ22 ) . Además ρ es el coeciente de correlación

entre X e Y . La recíproca no es siempre cierta, sin embargo: si sabemos que tanto
X como Y tienen distribución normal, entonces no siempre la distribución conjunta
del vector (X, Y ) es la normal bivariada dada por (1).
Observación 1.2 ¾Cómo es un scatterplot de observaciones (X1 , Y1 ) , . . . , (Xn , Yn )

independientes que tienen distribución normal bivariada? Por supuesto, el gráco
de dispersión dependerá de los valores de los parámetros. En general, los puntos
yacerán en una zona que puede ser razonablemente bien descripta como una elipse
con centro en (µ1 , µ2 ) . En la Figura 10 se ven los grácos de dispersión corres-
pondientes a distintas combinaciones de parámetros. En ellos vemos que a medida
que ρ se acerca a uno, los puntos se acercan más a una recta, cuya pendiente y
ordenada al origen depende de los valores de los cinco parámetros. La pendiente
será positiva si ρ es positiva, y será negativa en caso contrario.
Figura 9: Densidad conjunta normal bivariada, denida en (1.1) construida con los
valores de parámetros especicados más abajo (µ1 = 0, µ2 = 0, σ1 = 1, σ2 = 1, ρ =
0,5).
µ1 = 0, µ2 = 0, σ1 = 1, σ2 = 1, ρ = 0.5
0.15
0.10
0.05
2
0.00
−2 0y
x0 −2
2
Test para ρ = ρ0 A veces es de interés testear si la verdadera correlación po-

blacional es igual a un cierto valor ρ0 predeterminado. Es decir, se quieren testear
las hipótesis
H0 : ρ = ρ0
H1 : ρ 6= ρ0 .
Por supuesto, esto no ocurre muy frecuentemente, pero puede surgir una pregunta
de este tipo en algunas aplicaciones. La cuestión es que cuando ρ = ρ0 el estadístico
T descripto en la sección anterior no tiene distribución t de Student, sino que tiene
una distribución sesgada.
Para testear las hipótesis recién propuestas, está el test basado en la trans-
formación z de Fisher. Como en el anterior se requiere que las observaciones
(X1 , Y1 ) , . . . , (Xn , Yn ) sean independientes entre sí, idénticamente distribuidos y
Figura 10: Grácos de dispersión de datos bivariados con distribución normal bi-
variada con parámetros: µ1 = 0, µ2 = 0, σ1 = 1, σ2 = 1 y distintos valores de ρ,
que se indican en cada gráco.
4
●
●
● ● ●
2
2
●● ● ●
●●
●
● ● ●●● ● ● ●● ●● ●
●● ● ●
●
●●
● ● ●
● ● ●
● ● ● ● ● ● ●
● ●● ●●●● ● ● ●● ●●●●
●● ●
●●
● ●●●● ● ● ● ● ●
●●
●● ● ●● ● ●● ●●● ●●
0
0
● ●
● ● ● ● ●
●●
● ● ●● ●
● ●●●● ● ●
● ● ● ●
●● ● ●
●
● ● ● ● ●● ●●●●
●● ● ● ●
●● ●
● ● ●
● ● ● ●● ●
● ●● ● ●
● ●●●●● ●●● ● ● ● ● ●
●●● ●
● ● ● ●
● ● ● ●●
● ●●● ●● ●
●● ●
−2
−2
● ● ●
●
●
−4
−4
−4 −2 0 2 4 −4 −2 0 2 4
ρ=0 ρ = 0.5
4
4
● ●
●●
2
● ● ● ●
● ●●
●● ● ● ●
●● ● ● ●
● ● ● ●
● ● ●●
●● ● ● ● ● ● ● ●●● ● ●●
● ● ● ●●
●
●● ● ● ●● ● ● ● ●
● ● ●
● ● ●● ● ●● ●● ●● ●
● ● ●●● ● ● ●●
●
● ●●●●● ● ● ●
0
● ● ●
● ● ● ● ●● ● ● ● ●●● ●
●●● ● ● ● ●● ● ● ● ● ●
●●● ●●● ●●
●● ● ● ● ● ●● ● ● ●●
●
●
● ●● ●● ●● ● ● ●●
●● ●● ● ●
● ● ●●● ●●
● ● ●● ● ● ● ●
●● ● ● ● ● ● ●
● ● ●
−2
−2
● ● ● ●
●● ●
●
−4
−4
−4 −2 0 2 4 −4 −2 0 2 4
ρ = 0.8 ρ = −0.3
tengan distribución conjunta normal bivariada. El test se realiza de la siguiente

forma. Primero se calcula la transformación z de Fisher sobre el coeciente de
correlación, que es

1 1+r
z = ln .
2 1−r
Bajo H0 , puede probarse que la distribución de z es aproximadamente

1 1 + ρ0 1
N ln , .
2 1 − ρ0 n−3
Luego, esta distribución se utiliza para calcular el p-valor del test, o dar la re-
gión de rechazo de nivel α. El p-valor se obtendrá estandarizando el valor de z
observado y calculando la probabilidad de obtener un valor tan alejado del cero o
más alejado aún como el observado, usando la función de distribución acumulada
1.3 Coeciente de correlación de Spearman 21
normal estándar, es decir

1 1+r 1 1+ρ0

2
ln 1−r
− ln 2 1−ρ0
zest = q
1
n−3
p − valor = P (|Z| ≥ |zest |) .
Esto lo realiza el paquete estadístico. En el ejemplo no puede aplicarse este test

puesto que hemos visto ya que ninguna de las dos muestras es normal (por lo tanto
los pares no pueden tener distribución conjunta normal bivariada), y este test es
aún más sensible que el anterior al supuesto de normalidad.
Intervalo de conanza para ρ Puede resultar de interés disponer de un inter-

valo de conanza para el verdadero coeciente de correlación poblacional, ρ, que
nos dé indicios de qué parámetros poblacionales pueden describir apropiadamente
a nuestros datos. Para construirlo se recurre a la transformación z presentada en la
sección anterior. Luego se utiliza la distribución normal para encontrar los percen-
tiles adecuados para describir el comportamiento del z estandarizado, y nalmente
se aplica la inversa de la transformación z para obtener un intervalo de conan-
za para ρ. Los supuestos para llevar a cabo este procedimiento son los mismos
que los presentados para ambos tests de las subsecciones anteriores. Finalmente el
intervalo de conanza de nivel 1−α para ρ está dado por [ρI , ρD ] donde

1 1+r
zobs = ln
2 1−r

1
2 zobs −z1− α · √n−3
e 2 −1
ρI =
1

2 zobs −z1− α · √n−3
e 2

+1
1
2 zobs +z1− α · √n−3
e 2 −1
ρD =
1

2 zobs +z1− α · √n−3
e 2 +1
y z1− α2 es el percentil 1 − α2 de la normal estándar. En el caso del ejemplo no tiene
sentido mirarlo porque no se cumplen los supuestos, pero puede verse la salida del
R en la Tabla 3 donde aparece calculado por la computadora, y da [−0,91, −0,54] .
1.3. Coeciente de correlación de Spearman

Existen otras medidas de asociación entre dos variables que no son tan sen-
sibles a observaciones atípicas como el coeciente de correlación de Pearson, ni
necesitan el supuesto de normalidad para testearse. La más difundida de ellas es
el coeciente de correlación de Spearman, que presentamos en esta sección. El co-

eciente de correlación de Spearman se encuadra entre las técnicas estadísticas no
paramétricas, que resultan robustas bajo la presencia de outliers ya que reempla-
zan los valores observados por los rangos o rankings de las variables. Se calcula del
siguiente modo.
1. Se ordena cada muestra por separado, de menor a mayor. A cada observa-

ción se le calcula el ranking que tiene (o rango, o número de observación
en la muestra ordenada). De este modo, la observación más pequeña de las
X 0 s recibe el número 1 como rango, la segunda recibe el número 2, etcétera,
0
la más grande de todas las X s recibirá el rango n. Si hubiera dos o más
observaciones empatadas en algún puesto (por ejemplo, si las dos observa-
ciones más pequeñas tomaran el mismo valor de X , entonces se promedian
los rangos que les tocarían: cada una tendrá rango 1,5, en este ejemplo, ya
1+2
que
2
= 1,5. En el caso en el que las tres primeras observaciones fueran
empatadas, a las tres les tocaría el promedio entre 1, 2 y 3, que resultará ser
1+2+3
3
= 2). A este proceso se lo denomina ranquear las observaciones X .
Llamemos R (Xi ) al rango obtenido por la i-ésima observación X.
2. Se reemplaza a cada observación Xi por su rango R (Xi ) .
3. Se ranquean las observaciones Y , obteniéndose R (Yi ) de la misma forma en

que se hizo en el ítem 1 para las X 0 s.
4. Se reemplaza a cada observación Yi por su rango R (Yi ) . Observemos que

conocemos la suma de todos los rangos de ambas muestras (es la suma de
1 + 2 + 3 + · · · + n = n(n+1)
2
).
5. Se calcula el coeciente de correlación de Pearson entre los pares (R (Xi ) , R (Yi )) .

El valor obtenido es el coeciente de correlación de Spearman, que denota-
remos rS .
Ilustramos el procedimiento con los datos del Ejemplo 1.1, de la vacunación

de DPT, en la Tabla 4. Allí guran las originales X eY en las columnas 1 y 3,
0
y los rangos de cada muestra: los rangos de las X s en la
columna 2 y los rangos
0
de las Y s en la columna 4. Ahí vemos que Etiopía es el país de la muestra con
menor tasa de vacunación, por eso su valor X recibe el rango 1. Lo sigue Camboya.
Observamos que hay dos países cuyo porcentaje de vacunación es 89 %: Egipto e
India. Ambos empatan en los puestos 11 y 12 de la muestra ordenada, por eso
reciben el rango 11,5. Y también hay 3 países con un 95 % de bebés vacunados
(Finlandia, Francia e Italia) que, a su vez, empatan en los puestos 16, 17 y 18 y
reciben el rango promedio de esos tres valores, o sea, 17. Es interesante observar
que Etiopía recibe el rango 1 (el menor) para el porcentaje de vacunación, y el

rango 20 (el mayor) para la tasa de mortalidad menor a 5 años, Camboya, a su
vez, recibe el rango 2 (el segundo más chico) para el porcentaje de vacunación, y
el rango 19 (el penúltimo) para la tasa de mortalidad. En ambos órdenes, lo sigue
Senegal, esto muestra la asociación negativa entre ambas variables. Para evaluar si
esto ocurre con el resto de los países, hacemos un scatter plot de los rangos de Y
versus los rangos de X en la Figura 11. En ella se ve una asociación negativa entre
los rangos de ambas variables, aunque no se trata de una asociación muy fuerte,
sino más bien moderada. Los tres puntos con menores rangos de X mantienen una
relación lineal perfecta, como habíamos observado. Sin embargo, ese ordenamiento
se desdibuja en las demás observaciones.
Tabla 4: Datos para los 20 países, con las variables, X : porcentaje de niños
vacunados a la edad de un año en cada país, rangos de la X : ranking que ocupa
la observación en la muestra ordenada de las X `s, Y : tasa de mortalidad infantil
de niños menores de 5 años en cada país, rangos de la Y : posición que ocupa la
observación en la muestra ordenada de las Y 's.
País Porcentaje Rangos Tasa de mortalidad Rangos

vacunado (X) de X menor a 5 años (Y ) de Y
Bolivia 77,0 8 118,0 16
Brasil 69,0 5 65,0 14
Camboya 32,0 2 184,0 19
Canadá 85,0 9 8,0 3
China 94,0 15 43,0 12
República Checa 99,0 20 12,0 8
Egipto 89,0 11,5 55,0 13
Etiopía 13,0 1 208,0 20
Finlandia 95,0 17 7,0 2
Francia 95,0 17 9,0 5
Grecia 54,0 4 9,0 5
India 89,0 11,5 124,0 17
Italia 95,0 17 10,0 7
Japón 87,0 10 6,0 1
México 91,0 14 33,0 11
Polonia 98,0 19 16,0 9
Federación Rusa 73,0 6 32,0 10
Senegal 47,0 3 145,0 18
Turquía 76,0 7 87,0 15
Reino Unido 90,0 13 9,0 5
Figura 11: Gráco de dispersión entre los rangos de Y (es decir, los rangos de la
tasa de mortalidad menor a 5 años) y los rangos de X (es decir, del porcentaje de
niños menores a un año vacunados contra la DPT). Se ve una asociación negativa,
aunque no muy estrecha.
¾Cómo resumimos el grado de asociación observado entre los rangos? Con el

cálculo del coeciente de correlación entre ellos. En este caso da rS = −0,543,
como puede verse en la Tabla 5. Este número resulta menor en magnitud que el
coeciente de correlación de Pearson, pero sugiere una moderada relación entre las
variables. Esta asociación es negativa.
Otro test de asociación entre variables. El coeciente de correlación de

Spearman puede usarse para testear las hipótesis
H0 : No hay asociación entre X eY

H1 : Hay asociación entre X e Y : hay una tendencia de que
los valores más grandes de X se apareen con los valores más grandes
de Y , o bien la tendencia es que los valores más pequeños de X se
apareen con los valores más grandes de Y
Como H1 incluye la posibilidad de que la asociación sea positiva o negativa, este es

un test de dos colas. El test rechazará para valores grandes de |rS | (valor absoluto
de rS ). La distribución de rS bajo H0 no es difícil de obtener. Se basa en el hecho de
que, bajo H0 , para cada rango de Xi , R (Xi ) , todos los rangos de Yi son igualmente
probables, siempre que no haya asociación entre ambas variables. El p−valor puede
calcularse de manera exacta si n < 10 y no hay empates en la muestra, y de manera
aproximada para n mayores.
Si n es muy grande, se utiliza la misma distribución t de la Sección ante-
rior, tn−2 . La ventaja de este test por sobre el test de Pearson es que requiere
menos supuestos para llevarlo a cabo. Basta con que los pares de observaciones
(X1 , Y1 ) , . . . , (Xn , Yn ) sean independientes entre sí e idénticamente distribuidos.
No es necesario asumir nada respecto de la distribución de cada muestra, de hecho
basta que la escala de las observaciones sea ordinal para poder aplicarlo. Puede
utilizarse si hay observaciones atípicas. La desventaja radica en la potencia del
test. El test de Spearman tiene una potencia menor en el caso en el que ambas
muestras son normales (en cualquier otro caso, el de Pearson no puede aplicarse).
Pero, por supuesto que si con el test de Spearman se logra rechazar la hipótesis
nula, ya no es necesario preocuparse por la potencia, ni utilizar el coeciente de
Pearson, que resulta más eciente.
Tabla 5: Cálculo de la correlación de Spearman entre el porcentaje de chicos va-

cunados contra la DPT (immunized) y la tasa de mortalidad para chicos menores
a 5 años (under5), con el cálculo del p-valor con el coeciente de Spearman, para
el test de las hipótesis H0 : no hay asociación entre las variables, versus H1 : las
variables están positiva o negativamente asociadas. Salida del R.
> cor.test(immunized,under5, method = "spearman")
Spearman's rank correlation rho
data: immunized and under5

S = 2052.444, p-value = 0.01332
alternative hypothesis: true rho is not equal to 0
sample estimates:
rho
-0.5431913
En el ejemplo vemos que el p−valor del test de Spearman es 0,013 que al ser
menor a 0,05 nos permite rechazar la hipótesis nula y concluir que la verdadera
correlación poblacional entre el porcentaje de niños vacunados y la tasa de morta-
lidad menor a 5 años, es distinta de cero.
Otra medida no paramétrica de asociación entre dos variables está dada por
el τ de Kendall. Resume la asociación a través de los rangos de las observaciones
de ambas muestras, pero de una manera diferente. Puede consultarse Kendall y

Gibbons [1990] para una discusión completa del tema.
Un último comentario respecto de la correlación en el contexto del estudio
de regresión lineal. En este contexto, no estaremos tan interesados en los tests
presentados para probar si existe correlación entre las variables, sino más bien
en el uso de la correlación a nivel descriptivo. Nos servirá en una primera etapa
exploratoria de los datos para ver si las variables bajo nuestra consideración están
asociadas con una variable Y que nos interesa explicar, y qué grado de fuerza tiene
esa asociación lineal. Y también nos servirá para entender ciertos comportamientos
extraños que presenta la regresión lineal múltiple cuando se ajusta para modelos
con muchas covariables muy correlacionadas entre sí.
1.4. Ejercicios
Con R hacer scatterplots es muy sencillo. Además es tan útil lo que puede
aprenderse de los datos que vale la pena entrenarse exponiéndose a muchos ejem-
plos. Con el tiempo se gana familiaridad con los tipos de patrones que se ven. De
a poco uno aprende a reconocer cómo los diagramas de dispersión pueden revelar
la naturaleza de la relación entre dos variables.
En esta ejercitación trabajaremos con algunos conjuntos de datos que están
disponibles a través del paquete openintro de R. Brevemente:
mammals: El conjunto de datos de mamíferos contiene información sobre 62
especies diferentes de mamíferos, incluyendo su peso corporal, el peso del cerebro,
el tiempo de gestación y algunas otras variables.
bdims: El conjunto de datos bdims contiene medidas de circunferencia del
cuerpo y diámetro esquelético para 507 individuos físicamente activos.
smoking: El conjunto de datos smoking contiene información sobre los hábitos
de fumar de 1.691 ciudadanos del Reino Unido.
cars: El conjunto de datos cars está compuesto por la información de 54
autos modelo 1993. Se relevan 6 variables de cada uno (tamaño, precio en dólares,
rendimiento en ciudad (millas por galón), tipo de tracción, cantidad de pasajeros,
peso).
Para ver una documentación más completa, utilice las funciones ? ó help(),
una vez cargado el paquete. Por ejemplo, help(mammals). Esta práctica se resuelve
con el script_correlacion.R
Ejercicio 1.1 Mamíferos, Parte I. Usando el conjunto de datos de mammals, crear

un diagrama de dispersión que muestre cómo el peso del cerebro de un mamífero
(BrainWt) varía en función de su peso corporal (BodyWt).
1.4 Ejercicios 27
Ejercicio 1.2 Medidas del cuerpo, Parte I. Utilizando el conjunto de datos bdims,
realizar un diagrama de dispersión que muestre cómo el peso de una persona (wgt)
varía en función de su altura (hgt). Identique el género de las observaciones en
el scatterplot, para ello pinte de rojo a las mujeres y de azul a los hombres, use
la instrucción col de R. Observar que en esta base de datos, sex = 1 para los
hombres y sex = 0 para las mujeres.
Ejercicio 1.3 Utilizando el conjunto de datos smoking, realizar un diagrama de

dispersión que ilustre cómo varía la cantidad de cigarrillos que fuma por día una
persona durante el n de semana (amtWeekends), en función de su edad (age).
Ejercicio 1.4 Utilizando el conjunto de datos cars, realizar un scatter plot del
rendimiento del auto en la ciudad (mpgCity) en función del peso del auto (weight).
Ejercicio 1.5 Para cada uno de los cuatro scatterplots anteriores describa la for-
ma, la dirección y la fuerza de la relación entre las dos variables involucradas.
Respuestas posibles:
forma: lineal, no lineal (cuadrática, exponencial, etc.)
dirección: positiva, negativa
fuerza de la relación: fuerte, moderada, débil, no asociación. Tiene que ver

con cuán dispersos están las observaciones respecto del patrón descripto en
la forma.
Ejercicio 1.6 ¾Para cuáles de los 4 conjuntos de datos tiene sentido resumir la
relación entre ambas variables con el coeciente de correlación muestral de Pear-
son? Para los casos en los cuales contestó que era apropiado,
(a) calcúlelo usando R.
(b) Testee las siguientes hipótesis
H0 : ρ = 0
H1 : ρ 6= 0
para cada uno de esos conjuntos. Antes de hacerlo dena a ρ en palabras.

Observe que en el ítem 1.6 (a) calculó un estimador de esta cantidad, para
cada conjunto. ¾En qué casos rechaza la hipótesis nula, a nivel 0.05?
Ejercicio 1.7 Mamíferos, Parte II. El conjunto de datos de mammals presenta un

scatterplot que no es razonable resumir con el coeciente de correlación muestral.
El gráco no es lindo por varios motivos, básicamente las observaciones parecen
estar en escalas distintas, hay muchas observaciones superpuestas, necesitaríamos
hacer un zoom del gráco en la zona cercana al origen, a expensas de perder las
dos observaciones con valores mucho más grandes que el resto. Podemos comparar
lo que pasaría si no hubiéramos observado el diagrama de dispersión y quisiéramos
resumir los datos con el coeciente de correlación.
(a) Calcule el coeciente de correlación muestral de Pearson para los 62 mamí-

feros.
(b) Identique las dos observaciones que tienen valores de peso corporal y cerebral
más grandes que el resto. Realice un scatter plot de las restantes 60 variables.
¾Cómo podría describir este gráco? Calcule el coeciente de correlación
muestral de Pearson para estas 60 observaciones.
(c) El gráco hecho en el ítem anterior no corrige el problema original del to-
do. La forma general podría describirse como un abanico: claramente las
variables están asociadas, la asociación es positiva (ambas crecen simultá-
neamente) pero la dispersión de los datos parece aumentar a medida que
ambas variables aumentan. Esta forma es frecuente en los conjuntos de da-
tos, suelen corresponder a observaciones que están medidas en escalas que
no son comparables entre sí y suele corregirse al tomar logaritmo en ambas
variables. Para ver el efecto de transformar las variables, realice un scatter-
plot con todas las observaciones, del logaritmo (en base 10, o en base e) del
peso del cerebro en función del logaritmo del peso corporal. Observe el grá-
co. ¾Cómo lo describiría? Calcule la correlación de Pearson para los datos
transformados.
(d) Para ambos conjuntos de datos (transformados por el logaritmo y sin trans-
formar) calcule la correlación de Spearman.
Ejercicio 1.8 ¾Con qué coeciente de correlación, Pearson o Spearman, resumi-

ría los datos de cars? (weight,mpgCity)
2. Regresión lineal simple 29
2. Regresión lineal simple
2.1. Introducción
Antes de presentar el modelo lineal, comencemos con un ejemplo.
Ejemplo 2.1 Datos publicados en Leviton, Fenton, Kuban, y Pagano [1991], tra-
tados en el libro de Pagano et al. [2000].
Los datos corresponden a mediciones de 100 niños nacidos con bajo peso (es
decir, con menos de 1500g.) en Boston, Massachusetts. Para dichos bebés se miden
varias variables. La variable que nos interesa es el perímetro cefálico al nacer
(medido en cm.). Los datos están en el archivo low birth weight infants.txt,
la variable headcirc es la que contiene los datos del perímetro cefálico. No tiene
sentido tipear los 100 datos, pero al menos podemos listar algunos, digamos los
primeros 14 datos: 27, 29, 30, 28, 29, 23, 22, 26, 27, 25, 23, 26, 27, 27. La
lista completa está en el archivo. Asumamos que entra ahora una madre con su
bebé recién nacido en mi consultorio de niños de bajo peso, y quiero predecir su
perímetro cefálico, con la información que me proporciona la muestra de los 100
bebés. ¾Cuál debiera ser el valor de perímetro cefálico que le predigo? O sea, me
estoy preguntando por el mejor estimador del perímetro cefálico medio de un bebé
de bajo peso, sin otra información a mano más que la muestra de 100 bebés antes
descripta. Si llamamos Y a la variable aleatoria:
Y = perímetro cefálico (medido en cm.) de un bebé recién nacido
con bajo peso,
estamos interesados en estimar a la media poblacional E (Y ) . Sabemos que la

media muestral Y 100 será el mejor estimador que podemos dar para la media po-
blacional E (Y ) . Los estadísticos de resumen para la muestra dada guran en la
Tabla 6.
Tabla 6: Medidas de resumen de los datos de perímetro cefálico.
Variable n Media muestral Desvío estándar muestral

Perímetro cefálico 100 26,45 2,53
Luego, nuestro valor predicho será 26,45 cm. de perímetro cefálico. El desvío
estándar muestral es 2,53. Más aún, podríamos dar un intervalo de conanza para
la media poblacional, basado en la muestra (ver la Tabla 7).
Tabla 7: Intervalo de conanza para el perímetro cefálico medio, basado en los 100
datos disponibles (calculado con R).
> t.test(headcirc)
One Sample t-test
data: headcirc
t = 104.46, df = 99, p-value < 2.2e-16

alternative hypothesis: true mean is not equal to 0
25.94757 26.95243
sample estimates:
mean of x
26.45
Ejemplo 2.2 Por lo tanto, el intervalo de conanza para E (Y ) resulta ser [25,95,
26,95], ver la Tabla 7.
Pero ¾qué pasaría si contáramos con información adicional a la ya descripta en

la muestra de 100 bebés de bajo peso? Además del perímetro cefálico al nacer, se
miden otras variables en los 100 bebés en cuestión. La siguiente tabla las exhibe,
para los primeros 14 bebés. Las iremos describiendo en la medida en la que las
analicemos.
Comenzaremos por estudiar dos de estas variables conjuntamente. Es decir,
miraremos headcirc: perímetro cefálico al nacer (medido en cm.) y gestage:
edad gestacional, es decir, duración del embarazo (medida en semanas). La idea
es ver si podemos predecir de una mejor manera el perímetro cefálico de un bebé
al nacer si conocemos su edad gestacional. Podemos pensar en estas observaciones
como en n = 100 observaciones apareadas (Xi , Yi ) con 1 ≤ i ≤ n, donde Yi es la
variable respuesta medida en el i-ésimo individuo (o i-ésima repetición o i-ésima
unidad experimental, según el caso), y Xi es el valor de la variable predictora en
el i-ésimo individuo. En el ejemplo,
Yi = perímetro cefálico del i-ésimo bebé de bajo peso (headcirc)
Xi = edad gestacional o duración de la gestación del i-ésimo bebé
de bajo peso (gestage)
En la Figura 12 vemos un scatter plot (gráco de dispersión) del perímetro

cefálico versus la edad gestacional, para los 100 niños.
2.1 Introducción 31
Tabla 8: Primeros 14 datos de los bebés de bajo peso
Caso headcirc length gestage birthwt momage toxemia

1 27 41 29 1360 37 0
2 29 40 31 1490 34 0
3 30 38 33 1490 32 0
4 28 38 31 1180 37 0
5 29 38 30 1200 29 1
6 23 32 25 680 19 0
7 22 33 27 620 20 1
8 26 38 29 1060 25 0
9 27 30 28 1320 27 0
10 25 34 29 830 32 1
11 23 32 26 880 26 0
12 26 39 30 1130 29 0
13 27 38 29 1140 24 0
14 27 39 29 1350 26 0
El scatter plot del perímetro cefálico versus la edad gestacional sugiere que el
perímetro cefálico aumenta al aumentar la edad gestacional. Y que dicho aumento
pareciera seguir un patrón lineal.
Observemos que, como ya dijimos, a veces el gráco de dispersión no permite

ver la totalidad de las observaciones: el scatter plot recién presentado contiene
información correspondiente a 100 bebés, pero parece que hubiera menos de 100
puntos gracados. Esto se debe a que los resultados de las dos variables graca-
das están redondeados al entero más cercano, muchos bebés aparecen con valores
idénticos de perímetro cefálico y edad gestacional; en consecuencia algunos pares
de datos son gracados sobre otros.
Si calculamos el coeciente de correlación lineal para estos datos nos da 0,781,

indicando fuerte asociación lineal entre X e Y, ya que el valor obtenido está bas-
tante cerca de 1. Antes de realizar inferencias que involucren al coeciente de co-
rrelación hay que vericar que se cumplen los supuestos de normalidad conjunta.
Estos son difíciles de testear. Sin embargo, el gráco de dispersión puede descri-
birse globalmente mediante una elipse. Además podemos chequear la normalidad
de ambas muestras (haciendo, por ejemplo un test de Shapiro-Wilks y un qqplot
de los datos). Una vez vericado el supuesto de normalidad, podemos analizar el
test. (Si los datos no sustentaran la suposición de normalidad, deberíamos usar el
coeciente de correlación de Spearman para evaluar la correlación existente entre
ellos). Los resultados aparecen en la Figura 9. Recordemos que el p−valor obtenido
en el test (menor a 0,0001 da casi cero trabajando con 4 decimales de precisión)
Figura 12: Gráco de dispersión de perímetro cefálico versus edad gestacional, para
100 bebés de bajo peso.
signica que en el test de H0 : ρ = 0 versus la alternativa H1 : ρ 6= 0 donde ρ es

el coeciente de correlación poblacional, rechazamos la hipótesis nula a favor de
la alternativa y resulta que ρ es signicativamente distinto de cero, indicando que
efectivamente hay una relación lineal entre ambas variables.
Observemos que si bien ahora sabemos que ambas variables están linealmente
asociadas, todavía no podemos usar esta información para mejorar nuestra predic-
ción del perímetro cefálico de un bebé recién nacido, de bajo peso. Para hacerlo,
proponemos el modelo lineal.
2.2. Modelo lineal simple

El modelo de regresión lineal es un modelo para el vínculo de dos variables
aleatorias que denominaremos X = variable predictora o covariable e Y = variable
dependiente o de respuesta. El modelo lineal (simple pues sólo vincula una variable
predictora con Y) propone que
Y = β0 + β1 X + ε, (2)
donde ε es el término del error. Esto es que para cada valor de X, la correspon-
diente observación Y consiste en el valor β0 + β1 X más una cantidad ε, que puede
ser positiva o negativa, y que da cuenta de que la relación entre X e Y no es exac-
tamente lineal, sino que está expuesta a variaciones individuales que hacen que el
2.2 Modelo lineal simple 33
Tabla 9: Correlación entre perímetro cefálico y edad gestacional, en R.
> cor.test(gestage,headcirc)
Pearson's product-moment correlation
data: gestage and headcirc
t = 12.367, df = 98, p-value < 2.2e-16

alternative hypothesis: true correlation is not equal to 0
0.6900943 0.8471989
sample estimates:
cor
0.7806919
par observado (X, Y ) no caiga exactamente sobre la recta, sino cerca de ella, como
puede anticiparse viendo el scatter plot de los datos que usualmente se modelan
con este modelo (ver, por ejemplo, la Figura 12). En el modelo (2) los números
β0 y β1 son constantes desconocidas que se denominan parámetros del modelo, o
coecientes de la ecuación. El modelo se denomina lineal pues propone que la Y
depende linealmente de X. Además, el modelo es lineal en los parámetros: los β 0s
no aparecen como exponentes ni multiplicados o divididos por otros parámetros.
Los parámetros se denominan
β0 = ordenada al origen
β1 = pendiente.
Otra forma de escribir el mismo modelo es pensando en las observaciones (Xi , Yi ) .

En tal caso, el modelo (2) adopta la forma
Yi = β0 + β1 Xi + εi , (3)
donde εi es el término del error para el individuo i-ésimo, que no es observable.

Antes de escribir los supuestos del modelo, hagamos un breve repaso de ecua-
ción de la recta, en un ejemplo sencillo.
2.3. Ecuación de la recta

Estudiemos el gráco y el vínculo entre x e y que impone la ecuación de la
recta. Miremos en particular la recta
y = 2x + 3
En este caso la pendiente es β1 = 2, y la ordenada al origen es β0 = 3. Antes de

gracarla armamos una tabla de valores de la misma.
x y
0 3
1 5
2 7
3 9
Graquemos. Nos basta ubicar dos puntos sobre la misma, por ejemplo el (0, 3) y
el (1, 5) .
Figura 13: Gráco de la recta y = 2x + 3.
Observemos que al pasar de x = 0 a x = 1, el valor de y pasa de 3 a 5, es decir,

se incrementa en 2 unidades. Por otra parte, al pasar de x = 1 a x = 2, el valor
de y pasa de 5 a 7, o sea, nuevamente se incrementa en 2 unidades. En general, al
pasar de cualquier valor x a (x + 1) , el valor de y pasa de 2x + 3 a 2 (x + 1) + 3,
es decir, se incrementa en
[2 (x + 1) + 3] − [2x + 3] = 2x + 2 + 3 − 2x − 3
=2
2.4 Supuestos del modelo lineal 35
que es la pendiente. Por lo tanto, la pendiente representa el cambio en y cuando

x aumenta una unidad.
Luego de este breve repaso, retomemos el modelo lineal, escribiendo los supues-
tos bajo los cuales es válido.
2.4. Supuestos del modelo lineal

Tomando en cuenta el repaso realizado de la ecuación de la recta, podemos decir
que en el scatter plot de la Figura 12, hemos visto que una relación Iineal indica la
tendencia general por la cual el perímetro cefálico varía con la edad gestacional. Se
puede observar que la mayoría de los puntos no caen exactamente sobre una línea.
La dispersion de los puntos alrededor de cualquier línea que se dibuje representa
la variación del perímetro cefálico que no está asociada con la edad gestacional,
y que usualmente se considera que es de naturaleza aleatoria. Muchas veces esta
aleatoriedad se debe a la falta de información adicional (datos genéticos del niño y
sus padres, abultada información acerca del embarazo que incluyan tratamientos
seguidos por la madre, datos de alimentación, raza, edad de la madre, etc.) y de un
modelo complejo que pueda dar un adecuado vínculo funcional entre estos datos
y la variable respuesta (en este caso el perímetro cefálico del recién nacido de
bajo peso). Por otro lado, como se espera que todos estos componentes diversos
se sumen entre sí y tengan un aporte muy menor a la explicación de la variable
respuesta comparada con el de la explicativa considerada, se los puede modelar
adecuadamente asumiendo que todas estas características independientes de la
edad gestacional y asociadas al individuo las incluyamos en el término del error,
que al ser suma de muchas pequeñas variables independientes (y no relevadas)
podemos asumir que tiene distribución normal. Lo cual no se alejará mucho de la
realidad en muchos de los ejemplos prácticos de aplicación del modelo de regresión.
Los supuestos bajo los cuales serán válidas las inferencias que haremos más
adelante sobre el modelo
Yi = β0 + β1 Xi + εi , (4)
son los siguientes:
1. los εi tiene media cero, E (εi ) = 0.

2
2. los εi
tienen todos la misma varianza desconocida que llamaremos σ y que
2
es el otro parámetro del modelo, V ar (εi ) = σ . A este requisito se lo suele
llamar homoscedasticidad.
3. los εi tienen distribución normal
4. los εi son independientes entre sí, y son no correlacionados con las Xi .

El hecho de que los errores no estén correlacionados con las variables expli-
cativas apunta a que el modelo esté identicado. Observemos que estos cuatro
supuestos pueden resumirse en la siguiente expresión
εi ∼ N 0, σ 2 ,

1 ≤ i ≤ n, independientes entre sí. (5)
Remarquemos que en la ecuación (4) lo único que se observa es (Xi , Yi ) : des-

conocemos tanto a β0 como a β1 (que son números jos), a εi no lo observamos.
Notemos que si bien en la ecuación (4) sólo aparecen dos parámetros desconocidos,
β0 y β1 , en realidad hay tres parámetros desconocidos, el tercero es σ 2 .
Otra manera de escribir los supuestos es observar que a partir de la ecuación
(4) o (2) uno puede observar que para cada valor jo de la variable X, el
valor esperado de la respuesta Y depende de X de manera lineal, es decir escribir
el modelo en términos de la esperanza de Y condicional a las X 's que notare-
mos E (Y | X) . Esto constituye un modo muy utilizado de escribir el modelo de
regresión lineal simple. En este caso los supuestos son:
1. La esperanza condicional de Y depende de X de manera lineal, es decir
E (Y | X) = β0 + β1 X (6)
o, escrito de otro modo
E (Y | X = xi ) = β0 + β1 xi (7)
donde β0 , β1 son los parámetros del modelo, o coecientes de la ecuación. A

la ecuación (6) se la suele llamar función de respuesta, es una recta.
2. La varianza de la variable respuesta Y dado que la predictora está jada en
X=x la denotaremos por V ar (Y | X = x) . Asumimos que satisface
V ar (Y | X = xi ) = σ 2 ,
o sea, es constante (una constante desconocida y positiva) y no depende del

valor de X.
3. Las Yi , es decir, el valor de la variable Y cuando X toma el valor i-ésimo

observado, (o sea, el valor de Y | X = xi ) tienen distribución normal, es
decir, Y | X = xi ∼ N (β0 + β1 xi , σ 2 ) .
1
4. Las Yi son independientes entre sí.
2.4 Supuestos del modelo lineal 37
Figura 14: Suponemos que cada observación de la variable respuesta proviene de

una distribución normal centrada verticalmente en el nivel implicado por el modelo
lineal asumido. Asumimos que la varianza de cada distribución normal es la misma,
2
σ . Fuente: Draper y Smith [1998], p. 34.
Ejemplicamos grácamente los supuestos en la Figura 14.

Si para algún conjunto de datos estos supuestos no se verican (por ejemplo, las
observaciones no son independientes porque hay varias mediciones de los mismos
pacientes, o la varianza de Y crece a medida que crece X) no se puede aplicar el
modelo de regresión lineal a dichos datos. Es necesario trabajar con modelos más
renados, que permitan incluir estas estructuras en los datos, por ejemplo, modelos
de ANOVA con alguna predictora categórica que agrupe observaciones realizadas
a los mismos individuos, o modelo lineal estimado con mínimos cuadrados pesados,
que permiten incluir ciertos tipos de heteroscedasticidades.
1 En realidad, se pueden hacer supuestos más débiles aún: asumir que E (εi | Xi ) = 0, y
V ar (εi | Xi ) = σ 2 . Para los test se asume que εi | Xi ∼ N 0, σ 2 , 1 ≤ i ≤ n, ver Wasserman

[2010].
El modelo de regresión lineal tiene tres parámetros a ser estimados, β0 , β1 y σ2.

¾Qué nos interesa resolver?
1. Estimar los parámetros a partir de las observaciones.
2. Hacer inferencias sobre los pámetros (tests e intervalos de conanza para

β0 , β1 y σ 2 ).
3. Dar alguna medida de la adecuación del modelo a los datos.
4. Evaluar si se cumplen los supuestos (resúmenes, grácos, tests).
5. Estimar la esperanza condicional de Y para algún valor de X observado o

para algún valor de X que no haya sido observado en la muestra, y construir
un intervalo de conanza para dicha esperanza, como para tener idea del error
a que se está expuesto.
6. Dar un intervalo de predicción para el valor de Y de una nueva observación

para la cual tenemos el valor de X.
7. Describir los alcances y los problemas del modelo de regresión lineal.
2.5. Estimación de los parámetros β0 y β1

Los coecientes del modelo se estiman a partir de la muestra aleatoria de n
observaciones (Xi , Yi ) con 1 ≤ i ≤ n. Llamaremos yβb0 βb1
a los estimadores de
β0 y β1 . Los valores β0 y β1 corresponderán a la recta de ordenada al origen βb0 y

b b
pendiente βb1 que mejor ajuste a los datos (X1 , Y1 ) , . . . , (Xn , Yn ) observados. Para
encontrarlos, debemos dar una noción de bondad de ajuste de una recta cualquiera
con ordenada al origen a b a nuestros datos. Tomemos las distancias
y pendiente
verticales entre los puntos observados (Xi , Yi ) y los puntos que están sobre la recta
y = a + bx, que están dados por los pares (Xi , a + bXi ) . La distancia entre ambos
es Yi − (a + bXi ) . Tomamos como función que mide el desajuste de la recta a los
datos a
n
X
g (a, b) = (Yi − (a + bXi ))2 , (8)
i=1
es decir, la suma de los cuadrados de las distancias entre cada observación y el valor
que la recta candidata y = a + bx propone para ajustar dicha observación. Esta
expresión puede pensarse como una función g que depende de a y b, y que toma
a los valores (X1 , Y1 ) , . . . , (Xn , Yn ) como números jos. Cuánto más cerca esté la
recta de ordenada al origen a y pendiente b, menor será el valor de g evaluado en
2.5 Estimación de los parámetros β0 y β1 39
el par (a, b) . Los estimadores de mínimos cuadrados de β0 y β1 serán los valores

de a y b que minimicen la función g. Para encontrarlos, derivamos esta función con
respecto a a y b y luego buscamos los valores βb0 y βb1 que anulan sus derivadas.
Sus derivadas son
n
∂g (a, b) X
= 2 (Yi − (a + bXi )) (−1)
∂a i=1
n
∂g (a, b) X
= 2 (Yi − (a + bXi )) (−Xi )
∂b i=1
Las igualamos a cero para encontrar βb0 y βb1 , sus puntos críticos. Obtenemos
n
X
Yi − βb0 + βb1 Xi =0 (9)
i=1
n
X
Yi − βb0 + βb1 Xi Xi = 0. (10)
i=1
Las dos ecuaciones anteriores se denominan las ecuaciones normales para regresión
lineal. Despejamos de ellas las estimaciones de los parámetros que resultan ser
Pn
i=1 Xi − X Yi − Y
βb1 = Pn 2 , (11)
i=1 Xi − X
βb0 = Y − βb1 X. (12)
La pendiente estimada también se puede escribir de la siguiente forma
1
Pn
n−1 i=1 Xi − X Yi − Y cov
c (X, Y )
βb1 = Pn 2 = ,
1
n−1 i=1 Xi − X Vdar (X)
es decir, el cociente entre la covarianza muestral y la varianza muestral de las X 0 s.

Por supuesto, un estudio de las segundas derivadas mostrará (no lo haremos acá)
que este procedimiento hace que el par βb0 y βb1 no sea sólo un punto crítico, sino
también un mínimo. Afortunadamente, en la práctica, los cálculos para hallar a βb0
y βb1 son realizados por un paquete estadístico.
Observación 2.1 La función g propuesta no es la única función de desajuste

posible, aunque sí la más difundida. La elección de otra función g para medir el
desajuste que proporciona la recta y = a + bx a nuestros datos, como
g (a, b) = mediana [Y1 − (a + bX1 )]2 , . . . , [Yn − (a + bXn )]2

da lugar al ajuste, conocido por su nombre en inglés, de least median of squares.

Obtendremos distintos estimadores de β0β1 que los que se obtienen
y por mínimos
cuadrados. También se utiliza como funcion g a la siguiente
n
X
g (a, b) = ρ (Yi − (a + bXi )) ,
i=1
donde ρ es una función muy parecida al cuadrado para valores muy cercanos al
cero, pero que crece más lentamente que la cuadrática para valores muy grandes.
Estos últimos se denominan M-estimadores de regresión, y, en general, están
programados en los paquetes estadísticos usuales.
2.6. Recta ajustada, valores predichos y residuos

Una vez que tenemos estimadores para β0 y β1 podemos armar la recta ajustada
(o modelo ajustado), que es
Ybi = βb0 + βb1 Xi
Denición 2.1 El valor Ybi = βb0 + βb1 Xi calculado para el valor Xi observado se
denomina (valor) predicho o ajustado i-ésimo.
Denición 2.2 Llamamos residuo de la observación i-ésima a la variable

aleatoria
ei = Yi − Ybi
= Yi − βb0 − βb1 Xi
El residuo i-ésimo representa la distancia vertical entre

el punto observado
(Xi , Yi ) y el punto predicho por el modelo ajustado, Xi , Ybi , como puede ob-
servarse en la Figura 15. Los residuos reejan la inherente asimetría en los roles
de las variables predictora y respuesta en los problemas de regresión. Hay herra-
mientas estadísticas distintas para tratar problemas donde no se da esta asimetría,
hemos visto el coeciente de correlación como una de ellas. Las herramientas del
análisis multivariado (no se verán en este curso), en general, se abocan a modelar
problemas en los que no está presente esta asimetría.
2.6 Recta ajustada, valores predichos y residuos 41
Figura 15: Un gráco esquemático de ajuste por mínimos cuadrados a un conjunto

de datos. Cada par observado está indicado por un círculo pequeño, la línea sólida
es la recta ajustada por el método de mínimos cuadrados, la línea punteada es la
recta verdadera (desconocida) que dio lugar a los datos. Las líneas verticales entre
los puntos y la recta ajustada son los residuos. Los puntos que quedan ubicados
bajo la línea ajustada dan residuos negativos, los que quedan por encima dan
residuos positivos. Fuente: Weisberg [2005], p.23.
2.6.1. Aplicación al ejemplo

Ajuste con el R Volvamos al ejemplo correspondiente a las mediciones de 100
niños nacidos con bajo peso. El modelo propone que para cada edad gestacional,
el perímetro cefálico se distribuye normalmente, con una esperanza que cambia
linealmente con la edad gestacional y una varianza ja. Asumimos que las 100
observaciones son independientes. El modelo propuesto es
Yi = β0 + β1 Xi + εi .
Ajustemos el modelo de regresión lineal simple a los datos. Presentamos la
tabla de coecientes estimados en la Tabla 10.
La recta ajustada a esos datos es
Yb = 3,9143 + 0,7801 · X,
a veces se anota de la siguiente forma, para enfatizar el nombre de las variables
\ = 3,9143 + 0,7801 · gestage.

headcirc
Tabla 10: Coecientes estimados para el modelo de regresión lineal aplicado a los
datos de bebés recién nacidos.
> ajuste<-lm(headcirc ~ gestage)

> ajuste
Call:
lm(formula = headcirc ~ gestage)
Coefficients:
(Intercept) gestage
3.9143 0.7801
Es decir, la ordenada al origen estimada resulta ser 3,9143 y la pendiente de la

recta estimada es 0,7801.
Signicado de los coecientes estimados Teóricamente, el valor de la orde-

nada al origen, es decir, 3,91 es el valor de perímetro cefálico esperado para una
edad gestacional de 0 semanas. En este ejemplo, sin embargo, la edad 0 semanas
no tiene sentido. La pendiente de la recta es 0,7801, lo cual implica que para cada
incremento de una semana en la edad gestacional, el perímetro cefálico del bebé
aumenta 0,7801 centímetros en promedio. A veces (no en este caso), tiene más
sentido emplear un aumento de la variable explicativa mayor a una unidad, para
expresar el signicado de la pendiente, esto sucede cuando las unidades de medida
de la covariable son muy pequeñas, por ejemplo.
Ahora podemos calcular los valores predichos basados en el modelo de regresión.
También podríamos calcular los residuos. Por ejemplo, calculemos el valor predicho
de perímetro cefálico medio para un bebé con 25 semanas de gestación (caso i = 6,
ver los valores observados en la Tabla 11), nuestro valor predicho sería de
Yb6 = 3,9143 + 0,7801 · 25 = 23,417
y el residuo sería
e6 = Y6 − Yb6 = 23 − 23,417 = −0,417
Si quisiéramos predecir el valor del perímetro cefálico medio para un bebé con 29
semanas de gestación (i = 1), nuestro valor predicho sería
Yb1 = 3,9143 + 0,7801 · 29 = 26,537
y el residuo sería
e1 = Y1 − Yb1 = 27 − 26,537 = 0,463
2.6 Recta ajustada, valores predichos y residuos 43
Figura 16: Gráco de dispersión del perímetro cefálico versus la edad gestacional,
con la recta ajustada por mínimos cuadrados.
Si quisiéramos predecir el valor del perímetro cefálico medio para un bebé con 33
semanas de gestación (i = 3), nuestro valor predicho sería
Yb3 = 3,9143 + 0,7801 · 33 = 29,658
y el residuo sería
e3 = Y3 − Yb3 = 30 − 29,658 = 0,342

Resumimos esta información en la Tabla 11. Además, en la Figura 16 superpone-
mos al scatter plot la recta estimada por mínimos cuadrados.
Volviendo a la pregunta que motivó la introducción del modelo lineal, si entra
una madre con su bebé recién nacido, de bajo peso, al consultorio y quiero pre-
decir su perímetro cefálico, ahora contamos con una herramienta que (conamos)
mejorará nuestra predicción. Le podemos preguntar a la madre la duración de la
gestación del niño. Si contesta 25 semanas, predeciré, 23,417 cm. de perímetro
cefálico; si contesta 29 semanas, predeciré 26,537, si contesta 33 semanas, prede-
ciré 29,658. Si dice x0 semanas, diremos 3,9143 + 0,7801 · x0 cm. ¾Qué error tiene
Tabla 11: Tres datos de los bebés de bajo peso analizados en el texto, con el valor
predicho y el residuo respectivo
Caso (i) Yi = (headcirc) Xi = (gestage) Ybi (predicho) ei (residuo)

1 27 29 26,537 0,463
3 30 33 29,658 0,342
6 23 25 23,417 −0,417
esta predicción? Para contestar a esta pregunta, tenemos que estimar la varianza
2
condicional de Y , es decir, σ .
2.7. Ejercicios (primera parte)

Estos ejercicios se resuelven con el script_reglinealsimple1.R
Ejercicio 2.1 Medidas del cuerpo, Parte II. Datos publicados en Heinz, Peterson,
Johnson, y Kerk [2003], base de datos bdims del paquete openintro.
(a) Realizar un diagrama de dispersión que muestre la relación entre el peso

medido en kilogramos (wgt) y la circunferencia de la cadera medida en cen-
tímetros (hip.gi), ponga el peso en el eje vertical. Describa la relación entre
la circunferencia de la cadera y el peso.
(b) ¾Cómo cambiaría la relación si el peso se midiera en libras mientras que las
unidades para la circunferencia de la cadera permanecieran en centímetros?
(c) Ajuste un modelo lineal para explicar el peso por la circunferencia de cadera,
con las variables en las unidades originales. Escriba el modelo (con papel y lá-
piz, con betas y epsilones). Luego, escriba el modelo ajustado (sin epsilones).
Interprete la pendiente estimada en términos del problema. Su respuesta de-
bería contener una frase que comience así: "Si una persona aumenta un cm.
de contorno de cadera, en promedio su peso aumentará ... kilogramos".
(d) Superponga la recta ajustada al scatterplot. Observe el gráco. ¾Diría que la

recta describe bien la relación entre ambas variables?
(e) Elegimos una persona adulta físicamente activa entre los estudiantes de pri-
mer año de la facultad. Su contorno de cadera mide 100 cm. Prediga su peso
en kilogramos.
(f ) Esa persona elegida al azar pesa 81kg. Calcule el residuo.

2.7 Ejercicios (primera parte) 45
(g) Estime el peso esperado para la población de adultos cuyo contorno de cadera
mide 100 cm.
Ejercicio 2.2 Medidas del cuerpo, Parte III. Base de datos bdims del paquete
openintro.
(a) Realizar un diagrama de dispersión que muestre la relación entre el peso
medido en kilogramos (wgt) y la altura (hgt).
(b) Ajuste un modelo lineal para explicar el peso por la altura. Escriba el modelo
(con papel y lápiz, con betas y epsilones). Luego, escriba el modelo ajustado
(sin epsilones). Interprete la pendiente estimada en términos del problema.
Interprete la pendiente. ¾Es razonable el signo obtenido para la pendiente
estimada? Superponer al scatterplot anterior la recta estimada.
(c) La persona elegida en el ejercicio anterior, medía 187 cm. de alto, y pesaba
81 kg. Prediga su peso con el modelo que tiene a la altura como covariable.
Calcule el residuo de dicha observación.
Ejercicio 2.3 Mamíferos, Parte III. Base de datos mammals del paquete openintro.
(a) Queremos ajustar un modelo lineal para predecir el peso del cerebro de un
mamífero (BrainWt) a partir del peso corporal (BodyWt) del animal. Había-
mos visto en el Ejercicio 1.7 que si gracamos el peso del cerebro en función
del peso corporal, el gráco era bastante feo. Y que todo mejoraba tomando
logaritmo (en cualquier base, digamos base 10) de ambas variables. Ajuste un
modelo lineal para explicar a log10 (BrainWt) en función del log10 (BodyWt) .
Como antes, escriba el modelo teórico y el ajustado. Una observación: en el
help del openitro se indica que la variable BrainWt está medida en kg., sin
embargo, esta variable está medida en gramos.
(b) Repita el scatterplot de las variables transformadas y superpóngale la recta

ajustada.
(c) La observación 45 corresponde a un chancho. Prediga el peso del cerebro

del chancho con el modelo ajustado, sabiendo que pesa 192 kilos. Recuerde
transformar al peso corporal del chancho antes de hacer cálculos. Marque esa
observación en el gráco, con color violeta.
(d) La observación 34 corresponde a un ser humano. Prediga el peso del cere-

bro de un ser humano con el modelo ajustado, sabiendo que pesa 62 kilos.
Recuerde transformar al peso corporal del chancho antes de hacer cálculos.
Marque esa observación en el gráco, con color rojo.
Ejercicio 2.4 Resuelva (en clase) el Taller 1 que gura en el Apéndice A.

2.8. Estimación de σ2
Escribamos nuevamente el modelo poblacional y el modelo ajustado
Yi = β0 + β1 Xi + εi , Modelo poblacional (13)
Ybi = βb0 + βb1 Xi , Modelo ajustado
Si queremos hacer aparecer el valor observado Yi a la izquierda en ambos, podemos

escribir el modelo ajustado de la siguiente forma
Yi = βb0 + βb1 Xi + ei , Modelo ajustado. (14)
ya que los residuos se denen por ei = Yi − Ybi . El error iésimo (εi ) es la variable
aleatoria que representa la desviación (vertical) que tiene el i-ésimo par observado
(Xi , Yi ) respecto de la recta poblacional o teórica que asumimos es el modelo
correcto para nuestros datos (ecuación (13)). El residuo i-ésimo (ei ) , en cambio, es
la variable aleatoria que representa la desviación (vertical) que tiene el i-ésimo par
observado (Xi , Yi ) respecto de la recta ajustada que calculamos en base a nuestros
datos (ecuación (14)). Recordemos que uno de los supuestos del modelo es que la
2 2
varianza de los errores es σ , V ar (εi ) = σ . Si pudiéramos observar los errores,
entonces podríamos construir un estimador de la varianza a partir de ellos, que
sería
n
1 X
(εi − ε)2 .
n − 1 i=1
Pero los errores (εi ) no son observables, lo que podemos observar son su correla-
to empírico, los residuos (ei ). Desafortunadamente, el residuo i-ésimo no es una
estimación del error i-ésimo: en estadística sabemos estimar números jos que lla-
mamos parámetros. El error, sin embargo, es una variable aleatoria, así que no lo
podemos estimar. Tanto los εi como los ei son variables aleatorias, pero muchas
de las cualidades de los errores no las heredan los residuos. Los errores εi son in-
dependientes, pero los residuos ei no lo son. De hecho, suman 0. Esto puede verse
si uno escribe la primera ecuación normal que vimos en la Sección 2.5, la ecuación
(9) en términos de los ei
n
X n
X
0= Yi − βb0 + βb1 Xi = ei . (15)
i=1 i=1
2.8 Estimación de σ 2 47
Pn
Luego, e=
i=1 ei = 0. Si escribimos la segunda ecuación normal en términos de
los residuos vemos también que
n
X
0 = Yi − βb0 + βb1 Xi Xi
i=1
n
X n
X n
X
= ei Xi = (ei − e) Xi = (ei − e) Xi − X (16)
i=1 i=1 i=1
La segunda igualdad de (16) se debe a que por (15) el promedio de los residuos e, es
igual a cero, y la tercera puede vericarse haciendo la distributiva correspondiente.
Observemos que si calculamos el coeciente de correlación muestral entre las Xi y
los ei , el numerador de dicho coeciente es el que acabamos de probar que vale 0,
es decir,
Pn
i=1 (ei − e) X i − X
r = r ((X1 , ei ) , . . . , (Xn , en )) = qP q 2 = 0.
n 2 Pn
i=1 (ei − e) i=1 Xi − X
Luego, los residuos satisfacen dos ecuaciones lineales (las dadas por (15) y (16))
y por lo tanto, tienen más estructura que los errores. Además, los errores tienen
todos la misma varianza, pero los residuos no. Más adelante las calcularemos.
2
El estimador de σ que usaremos será
n n n
1 X 1 X 2 1 X 2
b2 =
σ (ei − e)2 = ei = Yi − Ybi . (17)
n − 2 i=1 n − 2 i=1 n − 2 i=1
Al numerador de la expresión anterior ya lo encontramos cuando hallamos la solu-

ción al problema de mínimos cuadrados: es la suma de los cuadrados de los residuos
que notamos también por SSRes donde las siglas vienen de la expresión en inglés
(residual sum of squares ). De él deviene otra manera de nombrar al estimador de
σ 2 : MSRes, es decir, mean squared residuals, o cuadrado medio de los residuos:
1
b2 =
σ SSRes = MSRes.
n−2
Hallémoslo en el caso del ejemplo. Para ello, vemos una tabla más completa de
la salida del R en la Tabla 12. Más adelante analizaremos en detalle esta salida,
por ahora sólo nos interesa la estimación de σ
que resulta ser 1,59, indicada por
Residual standard error. Luego la estimación de σ 2 que proporciona el modelo
lineal es su cuadrado. Si comparamos la estimación de σ con la obtenida sin el
modelo de regresión, cuando sólo disponíamos de la variable Y, vemos que el
desvío estándar se redujo considerablemente (el desvío estándar muestral de las
Y´s es 2,53, ver la Tabla 6). Esta información además nos permite proponer tests
e intervalos de conanza para β0 y β1 .
Tabla 12: Salida del ajuste de regresión lineal, con p-valores, para los 100 bebés
de bajo peso.
> ajuste<-lm(headcirc~gestage)
> summary(ajuste)
Call:
lm(formula = headcirc ~ gestage)
Residuals:
Min 1Q Median 3Q Max
-3.5358 -0.8760 -0.1458 0.9041 6.9041
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.91426 1.82915 2.14 0.0348 *
gestage 0.78005 0.06307 12.37 <2e-16 ***
---
Signif. codes: 0 `***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 1.59 on 98 degrees of freedom

Multiple R-squared: 0.6095, Adjusted R-squared: 0.6055
F-statistic: 152.9 on 1 and 98 DF, p-value: < 2.2e-16
2.9. Inferencia sobre β1
Intentaremos construir un intervalo de conanza y tests para β1 , la pendiente

de la recta del modelo lineal poblacional o teórico que describe a la población de
la que fueron muestreados nuestros datos. Recordemos que el modelo lineal es un
modelo para la esperanza condicional de Y conocidos los valores de la variable X.
La estimación y la inferencia se realizan bajo este contexto condicional. Para hacer
inferencias,
tomaremos
las Xi como constantes, para no escribir oraciones del estilo
E βb1 | X1 , . . . , Xn . Para el estimador β
b1 puede probarse que, si los datos siguen
el modelo lineal (2), es decir, si
Yi = β0 + β1 Xi + ε.
2.9 Inferencia sobre β1 49
con los supuestos que hemos descrito (homoscedasticidad, independencia y norma-

lidad de los errores), entonces

E βb1 = β1
σ2
V ar βb1 = Pn 2 .
i=1 Xi − X
2
y también !
σ2
βb1 ∼ N β1 , Pn 2 .
i=1 Xi − X
Un estimador de la varianza es
b2
σ SSRes/ (n − 2)
V ar βb1 = Pn
d 2 = Pn 2 .
i=1 Xi − X i=1 Xi − X
Finalmente, bajo los supuestos del modelo, puede probarse que
βb − β βb − β1
r 1 1 = 1
seβb1
Vdar βb1
tiene distribución t de Student con n −2 grados de libertad si los datos siguen el

modelo lineal, donde
s s
b2
σ SSRes/ (n − 2)
seβb1 = Pn 2 = Pn 2 .
i=1 Xi − X i=1 X i − X
Esto es lo que se conoce como la distribución de muestreo de βb1 . Los grados de

libertad son n − 2 puesto que los residuos satisfacen dos ecuaciones lineales, es
decir, conociendo n − 2 de ellos se pueden reconstruir los dos restantes. A la raíz
cuadrada de una varianza estimada se la llama error estándar (standard error ),
por lo que usamos el símbolo seβb1 para el error estándar de βb1 , o sea seβb1 es un
estimador de la desviación estándar de la distribución de muestreo de βb1 .

Con esta distribución podemos construir un intervalo de conanza de nivel 1−α
para β1 que resultará
s
b2
σ
βb1 ± tn−2;1− α2 · Pn 2 , o bien (18)
i=1 Xi − X
βb1 ± tn−2;1− α2 · seβb1

2 En realidad, E βb1 = β1 y V ar βb1 = σ2
pero omitiremos este nivel de detalle
Pn 2,
i=1 (Xi −X )
en adelante.
α
donde es el percentil 1 −
tn−2 ,1− α2 de la distribución tn−2 (el valor que deja a su
2
α 3
izquierda un área 1 − ) . Esto también permite realizar tests para la pendiente.
2
La forma general de las hipótesis para estos tests es
H0 : β1 = b
H1 : β1 6= b.
donde b es un valor jado de antemano. Sin embargo, el test de mayor interés para
el modelo lineal es el que permite decidir entre estas dos hipótesis
H0 : β1 = 0 (19)
H1 : β1 6= 0,
(es decir, tomar b = 0 como caso particular). Si β1 = 0, las Yi no dependen
de las Xi , es decir, no hay asociación lineal entre X e Y , en cambio, la hipótesis
alternativa indica que sí hay un vínculo lineal entre ambas variables. Para proponer
un test, debemos dar la distribución de un estadístico basado en el estimador bajo
2
la hipótesis nula. En este caso resulta que, bajo H0 , Yi | Xi ∼ N (β0 , σ ) , es decir,
son variables aleatorias independientes e idénticamente distribuidas. Como además
el estimador de β1 (y también el de β0 ) puede escribirse como una combinación
lineal de los Yi :
Pn n
i=1 Yi − Y
Xi − X 1 X
βb1 = Pn 2 = Pn 2 Xi − X Yi
j=1 Xj − X j=1 Xj − X i=1
n n
X Xi − X X
= Pn 2 Yi = ci Y i (20)
i=1 j=1 Xj − X i=1
donde

Xi − X Xi − X
ci = Pn 2 = , (21)
Xj − X SXX
j=1
n
X 2
SXX = Xj − X .
j=1
Entonces, la distribución de βb1 será normal. Si el supuesto de normalidad de los

errores no valiera, pero la muestra fuera sucientemente grande, y se cumpliera
una condición sobre los ci la distribución de βb1 seguiría siendo aproximadamente
normal. Luego, si β1 = 0 el estadístico T descripto a continuación
βb1 − 0 βb1 βb1

T =r = = r (22)
seβb1 SSRes
V ar β1
d b
(n−2) n (Xi −X )
P 2
i=1
3 En R al percentil tn−2 ,1− α2 lo encontramos con el comando qt 1 − α2 , df = n − 2 .

tiene distribución tn−2 . Finalmente, un test de nivel α para las hipótesis (19)
rechazará H0 cuando el valor de T observado en la muestra sea mayor que el
α α
percentil 1 − de la distribución tn−2 , es decir, tn−2 ,1− α , o menor que tn−2 , =
2 2 2
−tn−2 ,1− 2 , según la Figura 17.
α
Figura 17: Región de rechazo y aceptación para el test t para la pendiente del
modelo lineal simple, se graca la densidad de una t de Student con n−2 grados
de libertad. Fuente Rosner [2006], pág. 442.
Es decir, el test rechaza H0 con nivel α si
Tobs ≤ tn−2 , α2 ó tn−2 ,1− α2 ≤ Tobs ,
donde Tobs es el valor del estadístico T denido en (22) calculado en base a las
observaciones (X1 , Y1 ) , . . . , (Xn , Yn ) . O bien, se puede calcular el p − valor del
test de la siguiente forma
p − valor = 2P (T ≥ |Tobs |) ,
ya que se trata de un test a dos colas. Reportar el p-valor cuando uno realiza un
test sobre un conjunto de datos siempre permite al lector elegir su punto de corte
respecto de aceptar o rechazar una hipótesis.
Un comentario nal. Hay una importante distinción entre signicatividad esta-
dística, es decir, la observación de un p-valor sucientemente pequeño, y la signi-
catividad cientíca (médica, biológica, económica, dependiendo del contexto) en el
hecho de considerar signicativo un efecto de una cierta magnitud. La signicati-
vidad cientíca requerirá examinar, en la mayoría de las aplicaciones, el contexto,
la evidencia cientíca existente, las magnitudes de las variables relacionadas, el
estado del arte en el tema en cuestión, más que sólo un p-valor.

Para el ejemplo de los 100 bebés de bajo peso, si volvemos a mirar la tabla de
coecientes estimados (Tabla 12) obtenemos el estimador del error estándar de βb1 ,
o sea
seβb1 = 0,063.
Otra forma de obtener este valor es a partir de la Tabla 12 y la Figura 18. De la

primera obtenemos que
SSRes/ (n − 2) = 247,883/98 = 2,529
Figura 18: Estadísticos descriptivos para la edad gestacional
r
Pn 2
i=1 (Xi −X )
En la segunda vemos que
n−1
= 2,534 que es el desvío estándar
0
muestral de las X s. De aquí obtenemos
n
X 2
SXX = Xi − X = 2,5342 (n − 1) = 2,5342 (99) = 635,69
i=1
Finalmente,
s s
SSRes/ (n − 2) 247,883/98
seβb1 = Pn 2 =
635,69
i=1 Xi − X
r
2,529418
= = 0,06307941
635,69
El percentil resulta ser tn−2;1− α2 = t98,0,975 = 1,984467. Luego, un intervalo de
conanza de nivel 0,95 = 1 − α para β1 será
βb1 ± tn−2;1− α2 · seβb1
0,7801 ± 1,984467 · 0,06307941
[0,654921, 0,905279]
Es decir, como el intervalo está íntegramente contenido en los reales positivos, el
verdadero valor de la pendiente, β1 , será positivo, conrmando que la asociación
positiva que encontramos en la muestra se verica a nivel poblacional. Observemos
también que el intervalo es bastante preciso, esto se debe a que la muestra sobre la
que sacamos las conclusiones es bastante grande. Notemos que la variabilidad de βb1
disminuye (la estimación es más precisa o el intervalo de conanza más pequeño),
ver la expresión (18) cuando:
La varianza de los errores σ2 disminuye.
La varianza muestral de la variable regresora aumenta, o sea, mientras más

amplio el rango de valores de la covariable, mayor la precisión en la estimación
de la pendiente.
El tamaño de muestra aumenta. Para ver el efecto de aumentar el n, podemos

escribir
b2
σ b2
σ 1
se2βb1 = Pn 2 = hPn i· .
/ (n − 1) (n − 1)
2
i=1 Xi − X i=1 Xi − X
σ2
El primer factor convergerá a si las X‘s son una muestra al azar.
V ar(X)
Como el segundo factor tiende a cero, el producto tiende a cero al aumentar
el n.
Si en vez del intervalo de conanza queremos hacer un test de nivel 0,05 para
las hipótesis siguientes
H0 : β1 = 0
H1 : β1 6= 0,
entonces en la Tabla 12 vemos calculado el estadístico del test T = 12,367 que

se obtuvo al dividir el estimador de β1 por el estimador del desvío estándar del
estimador de β1 :
βb1 0,7801
Tobs = = = 12,36695.
seβb1 0,06307941
Para decidir la conclusión del test debemos comparar el valor Tobs con el percentil
t
n−2;1− α
2
= t98,0,975 = 1,984467. Como claramente Tobs = 12,367 > t98,0,975 =
1,984, entonces rechazamos H0 , concluyendo que el parámetro poblacional que
mide la pendiente del modelo lineal es distinto de cero. Como sabemos, una forma
alternativa de llevar a cabo este test es calcular el p − valor, que en este caso será
p − valor = 2P (T > Tobs ) = 2P (T > 12,367) ' 0
como gura en la última columna de la Tabla 12. Como p−valor < 0,05, se rechaza
la hipótesis nula.
Observemos que el intervalo de conanza para β1 construido en base a los

datos es más informativo que el test, ya que nos permite decir que para los tests
de hipótesis
H0 : β1 = b
H1 : β1 6= b.
la hipótesis nula será rechazada para todo b jo que no quede contenido en el
intervalo [0,655, 0,905] en base a la muestra observada (esto es lo que se conoce
como dualidad entre intervalos de conanza y tests).
En la Tabla 13 pueden verse los intervalos de conanza para ambos parámetros

calculados en R.
Tabla 13: Intervalos de conanza de nivel 0,95 para los coecientes lineales del
ajuste en R, para los 100 bebés de bajo peso.
> confint(ajuste, level = 0.95)
2.5 % 97.5 %
(Intercept) 0.2843817 7.5441466
gestage 0.6548841 0.9052223
2.10. Inferencia sobre β0

Esta inferencia despierta menos interés que la de β1 . Aunque los paquetes esta-
dísticos la calculan es infrecuente encontrarla en aplicaciones. Bajo los supuestos
del modelo lineal, puede calcularse la esperanza y varianza del estimador de β0 ,
que resultan ser

E βb0 = β0
2
!
1 X
V ar βb0 = σ 2 + 2 .
n Pn Xj − X
j=1
Nuevamente, las conclusiones son condicionales a los valores de los X‘s observados.
La varianza puede estimarse por
2
!
1 X
d b2
V ar βb0 = σ + 2
n Pn Xj − X
j=1
Nuevamente, el β0 tiene distribución normal, su distribución es

estadístico b

2
N β0 , σ 2 n1 + Pn X
2 , luego
j=1 Xj −X )
(
βb − β
r 0 0 ∼ tn−2
V ar βb0
y el intervalo de conanza para la ordenada al origen resulta ser

v
u 2
u1 X
βb0 ± tn−2; α2 ·σ
b · t + Pn 2 (23)
n Xi − X
i=1
Esto quiere decir que el (1 − α) · 100 por ciento de los intervalos construidos de
esta forma contendrán al verdadero valor β0 con el que fueron generados los datos.
Ejemplo 2.3 Para el ejemplo de los 100 bebés vemos en la Tabla 12 que el esta-
dístico T observado en este caso vale 2,14 y el p-valor para testear
H0 : β0 = 0
H1 : β0 6= 0,
es 0,035, indicando que se rechaza la H0 y la ordenada al origen poblacional es no
nula. También en la Tabla 13 puede observarse el intervalo de conanza de nivel
0,95 para β0 que resulta ser [0,284, 7,544] .
2.11. Intervalo de conanza para la respuesta media de Y

cuando X = xh
Nos interesa construir un intervalo de conanza para E (Yh | X = xh ) que es-
cribiremos E (Yh ) , es decir, un intervalo de conanza para la respuesta media para
algun valor prejado de la covariable en xh . Observemos que xh , el nivel de X para
el que queremos estimar la respuesta media puede o no ser un valor observado en
la muestra (pero siempre tiene que estar dentro del rango de valores observados
para X , es decir, entre el mínimo y máximo valor observado para X ). El parámetro
poblacional a estimar es, entonces
E (Yh | X = xh ) = β0 + β1 xh .
El estimador puntual está dado por
Ybh = βb0 + βb1 xh .
La esperanza y la varianza de dicho estimador son

E Ybh = E (Yh )
" 2 #
1 x h − X
V ar Ybh = σ 2 · + Pn 2 .
n Xi − X i=1
Observemos que la variabilidad de nuestra estimación de Yh se ve afectada esen-

cialmente por dos componentes:
por σ2, la variabilidad de las Y 0s cuando conocemos el valor de X,
y por cuan lejos está ese valor particular de xh (de X) del promedio observado
en la muestra X.
E (Yh | X = xh ) será menor cuanto

Notar que la variabilidad de la estimación de
más cercano a la media muestral X esté el valor de xh que nos interesa. Esto puede
tomarse en cuenta en los (raros) casos en los cuales los valores de X1 , . . . , Xn son
jados por el experimentador. Esto último se debe a que, por construcción, la recta
siempre pasa por el punto X, Y

de mínimos cuadrados , ya que
βb0 + βb1 X = Y − βb1 X + βb1 X = Y

| {z }
βb0
Luego, si tomamos muchas muestras de observaciones (X1 , Y1 ) , . . . , (Xn , Yn ) con

los mismos valores X1 , . . . , X n , resultará que el valor X no variará, y el valor
2.11 Intervalo de conanza para la respuesta media de Y cuando X = xh 57
Figura 19: Dos rectas ajustadas por mínimos cuadrados para dos muestras con los

mismos Xi , ambas pasan por el mismo X, Y , se observa la variabilidad mayor
en el valor predicho (o ajustado) para E (Y | X = x2 ) que para E (Y | X = x1 ) si
la distancia al X es mayor para x2 que para x1 .
Y será parecido en las diversas muestras. Todas las rectas ajustadas por mínimos

cuadrados pasarán por sus respectivos centros X, Y , que al no diferir demasiado
en su valor en Y , darán una estimación más precisa de E (Yh | X = xh ) cuando xh
esté cerca de X que cuando esté lejos, ver la Figura 19.
A partir de la denición de βb0 , y las ecuaciones (20) y (21), podemos escribir

Ybh = βb0 + βb1 xh

= Y − βb1 X + βb1 xh

= Y + βb1 xh − X
n n
X 1 X
= Yi + ci Y i x h − X
i=1
n i=1
n
X 1
= + ci x h − X Y i
i=1
n
(Xi −X )
con ci = SXX
. De la normalidad de los errores se deduce la normalidad de Ybh .
Luego, un intervalo de conanza (que abreviaremos IC) de nivel 1 − α para E (Yh )
resulta ser
v
u 2
u1 xh − X
Ybh ± tn−2;1− α2 ·σ
b· t + . (24)
n Pn Xi − X 2
i=1
2.12. Intervalo de Predicción de una nueva observación Y

medida cuando X = xh
Consideramos ahora el problema de predecir una nueva observación Y corres-
pondiente a un nivel de X dado.
En el ejemplo de los bebés nacidos con bajo peso, queremos predecir el perí-
metro cefálico de un bebé que tiene 29 semanas de gestación (y sabemos que nació
con bajo peso).
Esta nueva observación debe ser obtenida en forma independiente de las obser-
vaciones (Xi , Yi )1≤i≤n en las cuales se basó la estimación de la recta de regresión.
En el caso del ejemplo se trata de predecir el perímetro cefálico de un bebé que
no está entre los 100 bebés sobre los cuales se basó el ajuste de la regresión.
Denotamos por xh X y por Yh(nuevo) al valor de Y . A diferencia del
el valor de
intervalo de conanza (IC) para E (Yh ) que hallamos antes, ahora predecimos un
resultado individual proveniente de la distribución de Y , o sea, tenemos ahora
dos fuentes de variabilidad:
- la incerteza en la estimación de E (Yh ) alrededor de la cual yacerá la nueva

observación
- la variabilidad de Y alrededor de su media (que deviene de su distribución).

2.12 Intervalo de Predicción de una nueva observación Y medida cuando X = xh 59
Lo que queremos es un intervalo de extremos aleatorios [an , bn ] tal que

P an ≤ Yh(nuevo) ≤ bn = 1 − α.
Enfaticemos la diferencia entre ambos procedimientos.
Estimación (es decir, el cálculo del intervalo de conanza para la esperanza

de Y condicional al valor de X, E (Yh | X = xh )): Es una regla para calcular a
partir de los datos un valor que nos permita adivinar el valor que puede tomar
un parámetro poblacional, en este caso, la esperanza de Y cuando la variable
X toma el valor xh . En el ejemplo, el parámetro es el perímetro cefálico medio de
todos los bebés de bajo peso con xh (por ejemplo, 29) semanas de gestación.
Predicción (es decir, el cálculo del intervalo de predicción de una nueva ob-
servación Yh(nueva) medida cuando X = xh ): Es una regla para calcular a partir
de los datos un valor que nos permita adivinar el valor que puede tomar una
variable aleatoria.
Nuestra mejor predicción es nuevamente
Ybh = βb0 + βb1 xh ,

pero ahora el error asociado será mayor. Estimamos el error estándar de la
predicción con v
u 2
u 1 x h − X
b · t1 + + Pn
σ 2
n Xi − X
i=1
A partir de este error estándar podemos construir un intervalo de predicción

(que abreviaremos IP) de nivel (1 − α) para el valor predicho de Y cuando X = xh
por
v
u 2
u 1 x h − X
Ybh ± tn−2;1− α2 ·σ
b · t1 + + Pn 2
n Xi − Xi=1

Calculemos los intervalos de conanza de nivel 0,95 | X = xh ) y de
para E(Yh
predicción para una nueva observación Yh realizada cuando X = xh , para algunos
valores considerados previamente (y otros más) en el ejemplo de los 100 niños de
bajo peso al nacer: (recordemos que X= edad gestacional, Y = perímetro cefálico)
En R: Creamos un vector con todos los valores de xh para los cuales queremos
hallar los intervalos de conanza, lo llamamos xx en la lista de comandos que sigue.
En R, el nivel de los intervalos, por default, es 0.95.
X = xh Ybh Intervalo de conanza Longitud del IC

23 21.86 [21.05 22.66] 1.60
25 23.42 [22.84 24.00] 1.16
28 25.76 [25.42 26.09] 0.67
29 26.54 [26.22 26.85] 0.63
33 29.66 [29.05 30.26] 1.21
35 31.22 [30.39 32.04] 1.65
X = xh Ybh Intervalo de predicción Longitud del IP

23 21.86 [18.60 25.11] 6.51
25 23.42 [20.21 26.62] 6.42
28 25.76 [22.58 28.93] 6.35
29 26.54 [23.36 29.71] 6.34
33 29.66 [26.44 32.87] 6.43
35 31.22 [27.95 34.48] 6.53
> xx<-c(23,25,28,29,33,35)
> IC<-predict(ajuste,newdata=data.frame(gestage=xx),
interval="confidence",level=0.95)
> IP<-predict(ajuste,newdata=data.frame(gestage=xx),
interval="prediction",level=0.95)
> IC
fit lwr upr
1 21.85549 21.05352 22.65745
2 23.41559 22.83534 23.99584
3 25.75575 25.42106 26.09045
4 26.53581 26.21989 26.85172
5 29.65602 29.05247 30.25956
6 31.21612 30.38878 32.04347
> IP
fit lwr upr
1 21.85549 18.59907 25.11190
2 23.41559 20.20657 26.62461
3 25.75575 22.58193 28.92957
4 26.53581 23.36391 29.70770
5 29.65602 26.44271 32.86933
Hagamos las cuentas en detalle para xh = 29. Sabemos que Ybh = 26,537. La
2.12 Intervalo de Predicción de una nueva observación Y medida cuando X = xh 61
teoría nos dice que el IC de nivel 0,95 para E (Yh | X = xh ) se obtiene por
v
u 2
u1 x h − X
Ybh ± tn−2;1− α2 ·σ
b · t + Pn 2
n Xi − X
i=1
Sabemos que (ver los estadísticos descriptivos de la edad gestacional) calculados

en la Sección 2.9
X = 28,89
SXX = 635,69
n = 100
La varianza estimada por la regresión es
SS Res
b2 =
σ = 2,529
n−2
de dónde surge
p
σ
b=s= 2,529 = 1,5903
y
tn−2;1− α2 = t98;0,975 = 1,984467.
Luego, el intervalo de conanza de nivel 0,95 para E (Yh | X = 29) se obtiene por
s
1 (xh − x)2
Ybh ± tn−2; α2 · σ
b· + Pn 2
n i=1 (xi − x)
s
1 (29 − 28,89)2
26,537 ± 1,984467 · 1,5903 · +
100 635,69
26,537 ± 0,3159
[26,22; 26,85]
que coincide con lo hallado por el R: [26,21989; 26,85172] .
En cuanto al intervalo de predicción para una nueva observación de períme-
tro cefálico a realizarse en un bebé de 29 semanas de gestación, el intervalo de
predicción de nivel 1 − α = 0,95 resulta ser
s
1 (xh − x)2
Ybh ± tn−2; α2 · σ
b·
1 + + Pn
n (xi − x)2
si=1
1 (29 − 28,89)2
26,537 ± 1,984467 · 1,5903 · 1 + +
100 635,69
26,537 ± 3,1717
[23,365; 29,709]
que coincide con lo hallado por el R: [23,36391; 29,70770] . Veámoslo grácamen-

te. Si construimos un IC y un IP para cada xh tenemos el gráco de la Figura
20.
Figura 20: Recta ajustada e intervalos de conanza y de predicción para el ejemplo

de los 100 bebés.
●
34
●
32
● ● ●
Perimetro cefalico
30
● ●
● ● ● ●
28
● ● ● ● ● ●
● ● ● ● ●
26
● ● ● ● ●
● ● ● ● ●
24
● ● ● ● ●
● ● ● ● ●
22
● ● ● ●
24 26 28 30 32 34
Edad gestacional
Observemos que el IC para E (Yh | X = x) es el más corto. Y que los IP son

mucho más anchos que los IC. De hecho, si aumentáramos el tamaño de muestra
muchísimo (lo que matemáticamente se dice hiciéramos tender n a innito) y
2
(xh −X )
eligiéramos los Xi de manera tal que Pn 2 tendiera a cero, entonces la
i=1 (Xi −X )
longitud de los IC tendería a cero, pero la longitud de los IP no. Una observación
sobre el gráco anterior es que las conclusiones tienen nivel de conanza 1−α para
cada valor (o nivel de predicción para cada IP) calculado, pero no hay nivel de
conanza simultáneo. (O sea, la probabilidad de que un IC contenga al verdadero
parámetro es 1 − α, sin embargo la probabilidad de que simultáneamente el IC
2.13 Banda de conanza para la recta estimada 63
calculado para xh = 29 y el IC calculado para xh+1 = 30 ambos contengan a los

dos verdaderos parámetros, no puede asegurarse que sea 1 − α).
2.13. Banda de conanza para la recta estimada

A veces uno quiere obtener una banda de conanza para toda la recta de
regresión,E (Y | X = x) = β0 + β1 x. Es decir, una región que, con una conanza
prejada, que denominamos 1 − α, contenga a la recta completa. A su vez, esta
región de conanza también tendrá nivel al menos 1 − α para cada valor de x en
particular.
La banda de conanza de WorkingHotelling de nivel 1−α para el modelo

de regresión lineal tiene los siguientes dos límites, para cada valor xh que pueda
tomar la covariable X (xh puede ser un valor de X observado en la muestra o no
observado, mientras esté entre el mínimo y el máximo valor observado)
v
u 2
u1 x h − X
Ybh ± W · σ
b · t + Pn 2 . (25)
n Xi − X
i=1
donde
p
W = 2F1−α,2,n−2 ,
donde F1−α,2,n−2 1−α de una distribución F de Fisher con 2 grados de
es el cuantil
libertad en el numerador y (n − 2) en el denominador, que en R se calcula usando
el comando qf(1 − α,df1= 2,df2= n − 2). Observemos que la fórmula (25) tiene la
misma forma que (24) para el intervalo de conanza para la esperanza condicional
de Y cuando X = xh , excepto que el cuantil t se modica por el de la distribución
W , que es más grande y cubre el nivel simultáneo. Si los comparamos para el
ejemplo de 100 niños de bajo peso (n = 100), tomando nivel 1 − α = 0,95 tenemos
tn−2; α2 = t98,0,975 = 1,984

p p
W = 2F1−α,2,n−2 = 2F0,9,2,98 = 2,1714.
Para comparar ambas regiones, las presentamos en la Figura 21 para el ejemplo

de los bebés de bajo peso.
Observación 2.2 Los límites de la banda de conanza para la recta de regresión

representan una curva que, matemáticamente, se denomina hipérbola. La región
obtenida es más angosta para los valores de X cercanos a X y más ancha cuando
nos alejamos de él.
Figura 21: Banda de conanza de Working-Hotelling de nivel 0.95 para la recta

esperada, comparada con los intervalos de conanza basados en la distribución t
presentados en (24), para el ejemplo de bebés de bajo peso.
●
Recta ajustada
34
Banda W−H
IC basado en t ●
32
● ● ●
Perimetro cefalico
30
● ●
● ● ● ●
28
● ● ● ● ● ●
● ● ● ● ●
26
● ● ● ● ●
● ● ● ● ●
24
● ● ● ● ●
● ● ● ● ●
22
● ● ● ●
24 26 28 30 32 34
Edad gestacional
Observación 2.3 La banda de conanza es válida para todos los valores de X

para los cuáles vale el modelo lineal (entre el mínimo y máximo observados en la
muestra), simultáneamente. Volveremos sobre los niveles de signicatividad con-
junta en la Sección 4.9.3. Es decir, si queremos hallar intervalos de conanza
de nivel conjunto 0,95 para los niveles de edad gestacional 29, 31 y 33 semanas,
debemos usar la banda de conanza de WorkingHotelling, para obtenerlos.
Observación 2.4 Para calcularlos en R, se puede hacer la cuenta a mano, es

decir, usando los percentiles de la F y los desvíos estándares que calcula el lm,
o bien de manera automática con el paquete investr, y el comando predFit(),
como vemos a continuación:
> library(investr)
2.14 Descomposición de la suma de cuadrados (ANOVA para regresión) 65
> ajuste <- lm(headcirc ~ gestage)

> equis<- c(29,31,33)
> predFit(ajuste, newdata = data.frame(gestage = equis),
+ interval = 'confidence', adjust = 'Scheffe')
fit lwr upr
1 26.53581 26.14011 26.93150
2 28.09591 27.58044 28.61138
3 29.65602 28.90005 30.41199
2.14. Descomposición de la suma de cuadrados (ANOVA

para regresión)
El análisis de la varianza provee un método apropiado para comparar el ajuste
que dos o más modelos proporcionan a los mismos datos. La metodología presen-
tada aquí será muy útil en regresión múltiple, y con modicaciones no demasiado
importantes, en la mayoría de los problemas de regresión más generales. Queremos
comparar el ajuste proporcionado por el modelo de regresión con el modelo más
simple disponible.
¾Cuál es el modelo más simple a nuestra disposición? Es el modelo en el que no

contamos con la variable explicativa X y sólo tenemos las observaciones Y1 , . . . , Y n .
A falta de algo mejor proponemos el modelo
Modelo A: E (Y | X) = µ, o escrito de otro modo
ui ∼ N 0, σY2 ,

Modelo A: Yi = µ + u i con 1 ≤ i ≤ n,
independientes entre sí.
Es lo que se conoce como el modelo de posición para las Y 0 s. Un estimador puntual

de µ es Y y un estimador de la varianza o variabilidad de las Y 's bajo el modelo
A es la varianza muestral
n
1 X 2
Yi − Y .
n − 1 i=1
En este contexto, la varianza muestral es una medida de la variabilidad de Y que

Pn 2
no queda explicada por el Modelo A. A la cantidad i=1 Y i − Y se la denomina
suma de los cuadrados total (SSTo). Estos sumandos tienen n−1 grados de libertad

ya que si uno conoce los valores de Y1 − Y , . . . , Yn−1 − Y puede deducir el valor

de Yn − Y pues todos ellos suman 0.
Si ahora usamos los pares (X1 , Y1 ) , . . . , (Xn , Yn ) para estimar la recta de re-
gresión tenemos el modelo
Modelo B: E (Y | X) = β0 + β1 X, o escrito de otro modo (26)

2

Modelo B: Yi = β0 + β1 Xi + εi , con εi ∼ N 0, σ , 1 ≤ i ≤ n,
independientes entre sí.
Ahora la variabilidad de las Yi que no queda explicada por el modelo de regresión

(modelo B ) puede estimarse por
n n
1 X 2 1 X 2 1
ei = Yi − Yi =
b SSRes
n − 2 i=1 n − 2 i=1 n−2
es decir, la variación de las observaciones alrededor de la recta ajustada. Como ya

Pn 2
comentamos, a la cantidad i=1 Y i − Y
b i se la denomina suma de los cuadrados
de los residuos (SSRes). Estos sumandos (los residuos) tienen

n − 2 grados
de
libertad pues si uno conoce los valores de Y1 − Y1 , . . . , Yn−2 − Yn−2 puede

b b

deducir el valor de en−1 = Yn−1 − Ybn−1 y en = Yn − Ybn ya que los residuos
satisfacen las dos ecuaciones normales (suman 0 y su correlación muestral con las
X 0 s es cero, las ecuaciones (15) y (16)).
0
Si comparamos los dos modelos disponibles para las Y s vemos que el Modelo
A está incluído en el Modelo B, ya que tomando β0 = µ y β1 = 0 en el Modelo B
obtenemos el Modelo A como un caso particular del modelo B. Estadísticamente
se dice que ambos modelos están anidados. Es decir, que ajustar bajo el Modelo A
corresponde a encontrar la mejor recta horizontal que ajuste a los datos, mientras
que ajustar bajo el Modelo B es encontrar la mejor recta (no vertical) que ajuste
a los datos. La Figura 22 muestra los ajustes de ambos modelos para un mismo
conjunto de datos.
Si todas las Yi cayeran sobre la recta, SSResiduos sería igual a cero. Cuánto
mayor sea la variación de las Yi alrededor de la recta ajustada, mayor será la
SSResiduos.
¾Cuál de las dos será mayor: SSTotal o SSRes? Vale que
SSRes ≤ SSTotal
pues βb0 y βb1 son los estimadores de mínimos cuadrados, es decir, son aquellos valo-
res de ordenada al origen a y pendiente b que minimizan la suma de los cuadrados
siguiente
n
X
g (a, b) = (Yi − (a + bXi ))2 .
i=1
Figura 22: Las dos esperanzas o medias condicionales ajustadas bajo ambos mo-
delos, para un conjunto de veinte datos
Por lo tanto,
Xn n
2 X 2
SSRes = g β0 , β1 =
b b Yi − Yi =
b Yi − β0 + β1 Xi
b b
i=1 i=1
n
X
≤ g (a, b) = (Yi − (a + bXi ))2 para todo a y b. (27)
i=1
2
g Y , 0 = ni=1 Yi − Y
P
En particular, tomando a=Y y b=0 tenemos y de
(27) tenemos
n
X 2
SSRes ≤ Yi − Y = SSTo. (28)
i=1
Podemos interpretar a SSTo como una medida de la variabilidad de las Y que
no queda explicada por el modelo A. Es una medida del desajuste del modelo A
a los datos. Lo mismo puede decirse de SSRes: es una medida de la variabilidad
de la Y que no queda explicada por el modelo de regresión lineal (modelo B). La

desigualdad (28) nos dice que la mejor recta ajusta mejor a los datos que la mejor
recta horizontal, como ya discutimos, y gracamos en la Figura 22. Podemos hacer
la siguiente descomposición de cada uno de los sumandos de SSTo
Yi − Y = Y − Yb + Yb − Y (29)
| {z } | i {z }i | i {z }
desviación total
desvío alrededor desvío de los predichos
de la recta de regresión respecto de la media
ajustada
En la Figura 23 vemos estas diferencias gracadas para una observación. La des-

viación total Yi − Y mide la distancia vertical (con signo) de la observación a la
recta horizontal que corta al eje vertical en Y , Yi − Ybi mide la distancia vertical
(con signo, es decir puede ser positivo o negativo, según dónde esté ubicada la
observación) de la observación a la recta ajustada por mínimos cuadrados y Ybi − Y

mide la distancia vertical (con signo) entre los puntos que están ubicados sobre
ambas rectas y tienen la misma coordenada Xi . Cada una de estas cantidades
puede ser positiva, negativa o nula para distintas observaciones.
Figura 23: Los tres términos que aparecen en la igualdad (29) para una observación.
Obviamente es falso que el cuadrado del término de la izquierda en la igualdad

(29) anterior sea igual a la suma de los cuadrados de los términos de la derecha es
decir,
2 2 2
Yi − Y 6 = Yi − Ybi + Ybi − Y para cada i.
Sin embargo, puede probarse que vale la siguiente igualdad, cuando sumamos sobre
todas las observaciones
n n 2 n 2
X 2 X X
Yi − Y = Yi − Ybi + Ybi − Y . (30)
i=1 i=1 i=1
Figura 24: El primer gráco contiene las distancias (con signo) que intervienen
en la SSTo, es decir, las diferencias entre los valores observados de Y y la media
muestral Y, el segundo tiene las diferencias entre las observaciones y los valores
predichos por la recta ajustada, que conforman la SSRes y el tercer gráco muestra
la diferencia entre los valores predichos por el modelo lineal y el promedio Y, que
forman la SSReg o SSM. Fuente: Field [2005], pág. 149.
El tercer término involucrado en esta suma recibe el nombre de suma de cua-

drados de la regresión (SSReg, algunos autores lo llaman suma de cuadrados del
modelo, SSM), y por la igualdad anterior, puede escribirse la siguiente igualdad
n 2 n n 2
X X 2 X
SSReg = Ybi − Y = Yi − Y − Yi − Ybi
i=1 i=1 i=1
= SSTo − SSRes.
En la Figura 24 pueden verse los tres sumandos de esta descomposición en forma
gráca para un conjunto de datos.
Como la SSReg queda completamente determinada al quedar determinada la
inclinación de la recta (recordemos que los valores de Xi están jos), es decir, la
pendiente de la recta, decimos que la SSReg tiene un sólo grado de libertad.
Con estas cantidades se construye la tabla de análisis de la varianza que aparece
en la salida de cualquier paquete estadístico en lo que se conoce como tabla de
ANOVA (Analysis of Variance table ). Resumimos esta información en la Tabla 14
Tabla 14: Tabla de ANOVA para el modelo de Regresión Lineal Simple
Fuente de Suma de Grados de Cuadrado F p-valor

variación cuadrados libertad medio
MSReg
Regresión SSReg 1 MSReg
MSRes P (F1,n−2 ≥ Fobs )
Residuos SSRes n−2 MSRes
Total SSTo n−1
donde
Pn b 2
SSReg
SSReg = i=1 Y i − Y MSReg = 1
Pn 2
SSRes
SSRes = i=1 Yi − Yi MSRes =
b
n−2
Pn 2 MSReg SSReg(n−2)
SSTo = i=1 Y i − Y F = MSRes = SSRes
La primer columna tiene las sumas de cuadrados, la segunda los respectivos

grados de libertad, la tercera tiene el cociente entre la primera y la segunda, es
decir, esta columna tiene lo que denominamos los cuadrados medios (o media
cuadrática, mean square, en inglés). Explicaremos las dos últimas columnas de la
tabla de ANOVA en la Sección 2.16.
Observemos también, que la última la de la tabla es la suma de las primeras
dos, lo cual es consecuencia de la ecuación (30) es decir
SSTo = SSRes + SSRegresión.

El valor de las sumas de cuadrados depende de la escala en la que está medida la
variable Y. Cambia si cambiamos las unidades de medida de las Y: por ejemplo
de cm. a metros, de pesos a pesos (en miles) o de kg. a g.
2.15 El coeciente de determinación R2 71
Ejemplo 2.4 En la Tabla 15 exhibimos la tabla de ANOVA que proporciona la

salida del R para los datos de bebés con bajo peso. Observemos que las dos primeras
columnas están intercambiadas respecto de la descripción hecha antes (primero los
grados de libertad y luego las sumas de cuadrados). En la tercer columna puede
verse el mean square residual, que en este caso vale 2.53. Este es el estimador de
σ 2 dado por el modelo, es decir, MSRes = SSRes/ (n − 2) . En la salida del modelo
lineal en la Tabla 12, veíamos la raíz cuadrada del mismo. Por otro lado, vemos
que los valores numéricos exhibidos en la tabla no nos dan información que nos
permita evaluar la bondad de la regresión.
Tabla 15: Tabla de ANOVA, salida de R con el comando anova, para los 100 bebés
con bajo peso.
> anova(ajuste)
Analysis of Variance Table
Response: headcirc
Df Sum Sq Mean Sq F value Pr(>F)
gestage 1 386.87 386.87 152.95 < 2.2e-16 ***
Residuals 98 247.88 2.53
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1
En la siguiente sección nos ocuparemos de construir una medida para evaluar

la bondad del modelo de regresión, en cuanto al ajuste a nuestros datos, que no
sea dependiente de la escala en la que esté medida la variable Y, a partir de la
tabla de ANOVA.
2.15. El coeciente de determinación R2

Trataremos de construir una medida de la fuerza de la relación entre la variable
dependiente e independiente, que nos indique cuán buen predictor de Y es X. Se
trata de decidir si el hecho de conocer el valor de X mejora nuestro conocimiento
de Y. O sea, si uno puede predecir Y mucho mejor usando la recta de regresión
Ybi = βb0 + βb1 Xi
que sin conocer el valor de X, entonces las variables están asociadas. Para ello
usaremos la descomposición de la suma de cuadrados vista en la sección anterior.
Por lo descripto allí, la mejora en el ajuste a los datos conseguida por la inclusión
del modelo B resulta ser SSTo − SSRes. ¾Cuánto de la variabilidad total de las
Y queda explicada por la regresión? Podemos plantear la siguiente regla de tres
simple:
100 % de variabilidad SSTo
% de variabilidad explicada SSTo − SSRes

Luego el porcentaje de variabilidad explicada es
SSTo − SSRes
× 100 %.
SSTo
A la cantidad
SSTo − SSRes SSReg
=
SSTo SSTo
se la denomina R , o
2
coeciente de determinación
.
2
R nos dice qué proporción de la variabilidad total en la variable Y puede ser
explicada por la variable regresora, en consecuencia es una medida de la capacidad
de predicción del modelo.
R2 también puede verse como una medida de la fuerza de la asociación lineal
entre X e Y. (Hacemos énfasis en la palabra lineal porque fue obtenido bajo un
modelo lineal).
2.15.1. Propiedades de R2
0 ≤ R2 ≤ 1
No depende de las unidades de medición.
Es el cuadrado del coeciente de correlación de Pearson para la muestra

{(Xi , Yi )}1≤i≤n . También es el cuadrado del coeciente de correlación de
n o
Pearson para los pares Yi , Yi
b , es decir, entre los valores de la
1≤i≤n
covariable observados y los predichos por el modelo lineal.
Mientras mayor es R2 mayor es la fuerza de la variable regresora (X) para

predecir a la variable respuesta (Y ).
Mientras mayor sea R2 menor es la SSRes y por lo tanto, más cercanos están
los puntos a la recta.
Toma el mismo valor cuando usamos a X para predecir a Y o cuando usamos

a Y para predecir a X.
2.16 Test F (otro test para H0 : β1 = 0) 73
Ejemplo 2.5 Para los datos de la regresión de perímetro cefálico versus edad ges-
tacional, en la salida del modelo lineal en la Tabla 12, vemos que
R2 = 0,6095
Este valor implica una relación lineal moderadamente fuerte entre la edad gestacio-
nal y el perímetro cefálico. En particular, el 60,95 % de la variabilidad observada
en los valores de perímetro cefálico queda explicada por la relación lineal entre el
perímetro cefálico y la edad gestacional. El restante
100 % − 60,95 % = 39,05 %
de la variabilidad no queda explicada por esta relación.
El R2 no se usa para testear hipótesis del modelo sino como una medida de la
capacidad predictiva de la relación lineal ajustada.
2.16. Test F (otro test para H0 : β1 = 0)

A partir de la Tabla de ANOVA es posible derivar un test para H0 : β1 = 0.
En el contexto de regresión lineal simple ya hemos obtenido el test t que resuelve
este punto. El test F será más importante en Regresión Múltiple.
El razonamiento es el siguiente. Bajo los supuestos del modelo de regresión,
puede probarse que
1. La distribución de muestreo de MSRes = SSRes/(n − 2) tiene esperanza σ2.
2. La distribución de muestreo de MSReg = SSReg/1 tiene esperanza σ2 +

2
β12 ni=1 Xi − X .
P
Entonces, cuando H0 es verdadera ambos cuadrados medios (el residual y el

de regresión) deberían parecerse mucho, o su cociente debería parecerse a uno, y
cuando H0 no es cierta, el numerador tenderá a tomar valores mucho más grandes
que el denominador. Por lo tanto, es razonable considerar el estadístico
SSReg
MSReg 1 SSReg
F = = SSRes =
MSRes
n−2
SSRes/ (n − 2)
como candidato para testear la hipótesis H0 : β1 = 0. Esperamos que F esté cerca

de 1 (o sea menor a 1) si H0 es verdadera y que F sea mucho más grande cuando
H0 es falsa.
Puede probarse que, bajo los supuestos del modelo lineal y cuando H0 es ver-
dadera, F tiene distribución de Fisher con 1 grado de libertad en el numerador y
n−2 grados de libertad en el denominador. Por lo tanto, un test de nivel α para
H0 : β1 = 0
H1 : β1 6= 0
rechazará la hipótesis nula si el valor del estadístico observado Fobs cumple que
Fobs > F1,n−2,1−α . O cuando su p-valor es menor a α, siendo
p-valor = P (F (1, n − 2) > Fobs ) .
Las dos últimas columnas de la tabla de ANOVA descripta en la Tabla 14 presentan

estos valores.
Observación 2.5 El test F que obtendremos aquí es el mismo que el test t presen-
tado en la Sección 2.9 para testear la hipótesis H0 : β1 = 0, ya que F se dene como
el cuadrado del estadístico empleado en el test t. Para comprobarlo, observemos que
a partir de la ecuación que dene a βb0 (12) tenemos
βb0 = Y − βb1 X.
X n n
2 X 2
MSReg = SSReg = Yi − Y =
b β0 + β1 Xi − Y
b b
i=1 i=1
n
X 2 n
X 2
= Y − βb1 X + βb1 Xi − Y = −βb1 X + βb1 Xi
i=1 i=1
n
X 2
= βb12 Xi − X
i=1
SSRes
MSRes =
n−2
Luego, si recordamos el estadístico T denido en las ecuaciones (22) para testear
la hipótesis de pendiente igual a cero, tenemos
βb1 − 0 βb1 βb1

T =r = =
SSRes/(n−2)
r
seβb1
Vd ar βb1 Pn
(Xi −X )
2
i=1
y el estadístico F que resulta ser

2
βb12 ni=1 Xi − X
P
MSReg βb12
F = = SSRes = SSRes/(n−2)
,
MSRes
n−2 Pn 2
i=1 (Xi −X )
2.17 Ejercicios (segunda parte) 75
vemos que
F = T2
y el p-valor del test t se calculaba
p − valor = 2P (T ≥ |Tobs |) = P (T ≥ |Tobs | ó T ≤ |Tobs |)

= P (|T | ≥ |Tobs |) = P |T |2 ≥ |Tobs |2 = P T 2 ≥ Tobs
2

= P (F ≥ Fobs )
dando el mismo p-valor que el test de Fisher.
Ejemplo 2.6 Si miramos la tabla de ANOVA para el ejemplo de los 100 bebés
(Figura 15), vemos que el estadístico del test F toma el valor
F = 152,947.
√
Su raíz cuadrada es 152,947 = 12,367, que es el valor del estadístico T para
testear si la pendiente es o no nula, como puede verse en la Tabla 12.
2.17. Ejercicios (segunda parte)

Estos ejercicios se resuelven con el script_reglinealsimple2.R
Ejercicio 2.5 Medidas del cuerpo, Parte IV. Base de datos bdims del paquete
openintro.
(a) Compare los ajustes realizados en los ejercicios 2.1 y 2.2. En ambos se ajusta
un modelo lineal para explicar el peso medido en kilogramos (wgt): en el ejer-
cicio 2.1 por la circunferencia de la cadera medida en centímetros (hip.gi),
en el ejercicio 2.2 por la altura media en centímetros (hgt). ¾Cuál de los dos
covariables explica mejor al peso? ¾Qué herramienta utiliza para comparar-
los?
(b) Para el ajuste del peso usando la circunferencia de cadera como única co-
variable, halle un intervalo de conanza de nivel 0.95 cuando el contorno
de cadera mide 100 cm. Compárelo con el intervalo de predicción para ese
mismo contorno de cadera.
(c) Para el ajuste del peso usando la altura como única covariable, halle un
intervalo de conanza de nivel 0.95 cuando la altura es de 176 cm. Compárelo
con el intervalo de predicción para esa misma altura. ¾Cuál de los dos modelos
da un intervalo de predicción más útil?
(d) Construya un intervalo de conanza para el peso esperado cuando el contorno

de cintura es de 80cm., 95cm., 125cm. de nivel 0.95. Estos tres intervalos,
¾tienen nivel simultáneo 0.95? Es decir, la siguiente armación ¾es verda-
dera o falsa? Justique. En aproximadamente 95 de cada 100 veces que yo
construya los IC basados en una (misma) muestra, cada uno de los 3 IC
contendrán al verdadero valor esperado del peso.
(e) Construya los intervalos de predicción para el peso esperado cuando de nivel
(individual) 0.95 cuando el contorno de cintura es de 80cm., 95cm. y 125cm.
Compare las longitudes de estos tres intevalos entre sí. Compárelos con los
IC de nivel individual.
(f ) Construya los intervalos de conanza para el peso esperado cuando de nivel

simultáneo 0.95 cuando el contorno de cintura es de 80cm., 95cm. y 125cm.
(g) Estime la varianza del error (σ 2 ) en ambos modelos.
(h) Realice un scatterplot del peso en función del contorno de cintura. Superponga
los IC y los IP al gráco, de nivel 0.95 (no simultáneo).
Ejercicio 2.6 (Del Libro de Weisberg [2005]) Uno de los primeros usos de la
regresión fue estudiar el traspaso de ciertos rasgos de generación en generación.
Durante el período 18931898, E. S. Pearson organizó la recolección de las alturas
de n = 1375 madres en el Reino Unido menores de 65 años y una de sus hijas
adultas mayores de 18 años. Pearson y Lee (1903) publicaron los datos, y usaremos
estos datos para examinar la herencia. Los datos (medidos en pulgadas) pueden
verse en el archivo de datos heights.txt del paquete alr3 de R. Nos interesa
estudiar el traspaso de madre a hija, así que miramos la altura de la madre, llamada
Mheight, como la variable predictora y la altura de la hija, Dheight, como variable
de respuesta. ¾Será que las madres más altas tienden a tener hijas más altas? ¾Las
madres más bajas tienden a tener hijas más bajas?
(a) Realice un scatterplot de los datos, con la altura de las madres en el eje
horizontal.
i. Como lo que queremos es comparar las alturas de las madres con la de

las hijas, necesitamos que en el scatterplot las escalas de ambos ejes
sean las mismas (y que por lo tanto el gráco sea cuadrado).
ii. Si cada madre e hija tuvieran exactamente la misma altura que su hija,
¾cómo luciría este scatterplot? Resuma lo que observa en este gráco.
Superpóngale la gura que describió como respuesta a la pregunta ante-
rior. ¾Describe esta gura un buen resumen de la relación entre ambas
variables?
iii. Los datos originales fueron redondeados a la pulgada más cercana. Si

trabajamos directamente con ellos, veremos menos puntos en el scat-
terplot, ya que varios quedarán superpuestos. Una forma de lidiar con
este problema es usar el jittering, es decir, sumar un pequeño número
uniforme aleatorio se a cada valor. Los datos de la librería alr3 tienen
un número aleatorio uniforme en el rango de -0.5 a +0.5 añadidos.
Observemos que si se redondearan los valores del archivo heights se
recuperarían los datos originalmente publicados. En base al scatterplot,
¾parecería ser cierto que las madres más altas suelen tener hijas más
altas y viceversa con las más bajas?
(b) Ajuste el modelo lineal a los datos. Indique el valor de la recta ajustada.
Superpóngala al scatter plot. ¾Presenta visualmente un mejor ajuste que la
recta identidad postulada en el ítem anterior? Dé los estimadores de los co-
ecientes de la recta, sus errores estándares, el coeciente de determinación,
estime la varianza de los errores. Halle un intervalo de conanza de nivel
0.95 para la pediente. Testee la hipótesis E(Dheight | Mheight) = β0 ver-
sus la alternativa que E (Dheight | Mheight) = β0 + β1 Mheight. Escriba su
conclusión al respecto en un par de renglones.
(c) Prediga y obtenga un intervalo de predicción para la altura de una hija cuya
madre mide 64 pulgadas. Observe que para que esta predicción sea razonable,
hay que pensar que la madre vivía en Inglaterra a nes del siglo XIX.
(d) Una pulgada equivale a 2.54cm. Convierta ambas variables a centímetros

(Dheightcm y Mheightcm) y ajuste un modelo lineal a estas nuevas variables.
¾Deberían cambiar los estimadores de β0 y β1 ? ¾De qué manera? ¾Y los
errores estándares? ¾Y los p-valores? ¾Y el coeciente de determinación? ¾Y
la estimación del desvío estándar de los errores? Compare ambos resultados, y
verique si sus conjeturas resultaron ciertas. En estadística, que un estimador
se adapte al cambio de escala en las variables (covariable y respuesta) se dice:
el estimador es equivariante (afín y por escala).
Ejercicio 2.7 Simulación 1. El objetivo de este ejercicio es generar datos para

los cuales conocemos (y controlamos) el modelo del que provienen y la distribución
que siguen.
(a) Generar n = 22 datos que sigan el modelo lineal simple
Y = 10 + 5X + ε, (31)
donde ε ∼ N (0, σ 2 ) , con σ 2 = 49. Las n observaciones las generamos inde-

pendientes entre sí.
i. Para hacer esto en R, conviene primero denir un vector de longitud 22

de errores, que tenga distribución normal. La instrucción que lo hace es
rnorm. Visualice los errores con un histograma de los mismos.
ii. Inventamos los valores de X . Para eso, generamos 22 valores con distri-
bución uniforme entre 0 y 10, con la instrucción runif. Para no trabajar
con tantos decimales, redondeamos estos valores a dos decimales, con
la instrucción round().
iii. Ahora sí, denimos las Y usando todo lo anterior:
Yi = 10 + 5Xi + εi ,
para cada 1 ≤ i ≤ n = 22. Observar que nos hemos conseguido obser-
vaciones {(Xi , Yi )}1≤i≤n independientes que siguen el modelo
Y = β0 + β1 X + ε.
¾Cuánto valen los verdaderos β0 y β1 ?
(b) Haga un scatterplot de los datos generados.
(c) Ajuste el modelo lineal, guarde el resultado obtenido en el objeto ajuste.

Observe si los parámetros estimados son signicativos. Calcule intervalos de
conanza para la ordenada al origen y la pendiente, de nivel 0.95. Para esto
recuerde los comandos: lm y confint. β0 y β1 pertenecen
¾Los verdaderos
a dichos intervalos? ¾Cuánto dio la pendiente estimada, β b1 ? ¾En qué parte
de la salida del ajuste lineal podemos encontrar el estimador de σ? ¾Cuánto
debería valer?
(d) Pídamosle al R que chequee si el 5 pertenece al IC de nivel 0.95 calculado

en base a la muestra. El R nos devolverá TRUE o FALSE como respuesta a
esta pregunta. La computadora codica los TRUE como 1 y los FALSE como
0 para poder operar numéricamente con respuestas de este tipo. También
guardemos la pendiente estimada en un objeto que se llame beta1est.
(e) Superpóngale al scatterplot de los datos la recta verdadera (en azul) y la
estimada en base a ellos (en rojo).
Ejercicio 2.8 Simulación 2. Ahora hacemos un upgrade del desafío. Vamos a re-
petir lo hecho en el ejercicio 2.7 muchas veces, digamos lo replicaremos B = 1000
veces. Llamaremos replicación a cada repetición del ejercicio anterior. ¾Qué repli-
camos? Repetimos generar n = 22 observaciones del modelo (31) con errores nor-
males (lo que llamamos elegir una muestra), ajustamos el modelo lineal, guardamos
la pendiente estimada y nos jamos si el 5 pertenece al intervalo de conanza para
la pendiente.
(a) ¾Puede usted anticipar, desde la teoría las respuestas de las preguntas que
siguen?
i. Las pendientes estimadas en las B = 1000 replicaciones, ¾serán siempre

iguales o cambiarán de replicación en replicación?
ii. ¾Alrededor de qué número variarán las pendientes estimadas en las 1000
replicaciones?
iii. Si hacemos un histograma de estas B = 1000 replicaciones, ¾a qué

distribución debería parecerse?
iv. Aproximadamente, ¾qué porcentaje de los 1000 intervalos de conanza

para la pendiente estimados a partir de las 1000 muestras cubrirá al
verdadero valor de la pendiente?
v. Observe que si usted tuviera 22.000 observaciones de un modelo, nunca

las dividiría en 1000 tandas de 22 observaciones para analizarlas: las
consideraría todas juntas. Es por eso que este ejercicio es irreal, es
simplemente una herramienta de aprendizaje.
(b) Antes de empezar, denamos vectores donde guardaremos la información.

De longitud B = 1000 cada uno, necesitamos un vector para los βb1 y otro
para guardar las respuestas respecto de si el 5 pertenece o no al intervalo
de conanza. Llamémoslos: beta1est eicbeta. Inicialmente ponemos un
NA en cada coordenada de estos vectores (NA es, usualmente, la notación
reservada para una observación faltante, son las siglas de not available). La
instrucción rep del R (que repite un número o una acción un número jo de
veces resultará muy útil).
(c) Los valores de X1 , . . . , X22 los dejaremos siempre jos, en los valores que
tomamos en el ejercicio 2.7. En cada replicación elegimos nuevos valores pa-
ra los errores, y consecuentemente, nuevos valores para la variable respuesta
Y1 , . . . , Y22 . No nos interesará guardar ni a los errores ni a las Y. Para cada
muestra, corra el ajuste lineal y guarde la pendiente estimada y la respuesta
en forma de true o false respecto de si el intervalo de conanza para la pen-
diente contiene al verdadero valor de la pendiente. Todo esto puede realizarse
con la instrucción for del R, que no es la manera óptima de programar, pero
sí es la más comprensible.
(d) Haga un histograma de las pendientes estimadas. ¾Qué distribución parecen

tener los datos?
(e) ¾Qué proporción de los intervalos de conanza construidos contiene al ver-

dadero valor de la pendiente?
Ejercicio 2.9 Mamíferos, Parte IV. conjunto de datos mammals del paquete openintro.
Vimos, en los ejercicios 1.7 y 2.3, que el scatter plot de los datos originales no tie-
ne la forma elipsoidal (o de pelota de rugby, más o menos achatada) que podemos
describir con un modelo de regresión lineal. Por ello, ajustamos un modelo lineal
para explicar a log10 (BrainWt) en función del log10 (BodyWt) ,
log10 (BrainWt) = β0 + β1 log10 (BodyWt) + ε. (32)
Una observación: en el help del openitro se indica que la variable BrainWt está
medida en kg., sin embargo, esta variable está medida en gramos.
(a) A partir de log10 (10) = 1 y de recordar que
log10 (ab) = log10 (a) + log10 (b) ,
podemos observar que en el modelo lineal (32) aumentar una unidad de

log10 (BodyWt) es lo mismo que multiplicar a BodyWt por 10. Si dos ani-
males dieren en el BodyWt por un factor de diez, dé un intervalo del 95 %
de conanza para la diferencia en el log10 (BrainWt) para estos dos animales.
(b) Para un mamífero que no está en la base de datos, cuyo peso corporal es
de 100 kg., obtenga la predicción y un intervalo de nivel 95 % de predic-
ción del log10 (BrainWt) . Prediga el peso del cerebro de dicho animal. Ahora
queremos convertir el intervalo de predicción del log10 (BrainWt) en un inter-
valo de predicción para el BrainWt. Para eso, observemos que si el intervalo
(a, b) es un intevalo de predicción de nivel 95 % para log10 (BrainWt) , enton-
ces, un intervalo para el BrainWt está dado por 10a , 10b . ¾Por qué? Use
este resultado para obtener un intervalo de predicción del peso del cerebro
del mamífero cuyo peso corporal es 100kg. Mirando los valores numéricos
obtenidos, ¾parece muy útil el resultado obtenido?
(c) Observe que si quisiéramos construir el intervalo de conanza de nivel 95 %

para el peso del cerebro esperado de un mamífero cuyo peso corporal es es
100kg, no es posible hacer la conversión del ítem anterior de manera auto-
mática, ya que para cualquier funcion g en general
E [g (Y )] 6= g (E [Y ]) .
Si se quiere construir dicho intervalo, habrá que apelar a otras herramientas,

por ejemplo el desarrollo de Taylor de la función g.
Ejercicio 2.10 (Del Libro de Weisberg [2005]) La perca americana o lubina (small-
mouth bass) es un pez que vive en lagos y cuya pesca constituye una actividad bas-
tante difundida. En Estados Unidos, para garantizar un equilibrio saludable entre
la conservación del medio ambiente y la explotación humana se implementan dis-

tintas políticas de regulación de su pesca. Entender los patrones de crecimiento de
los peces es de gran ayuda para decidir políticas de conservación de stock de peces y
de permisos de pesca. Para ello, la base de datos wblake del paquete alr3 registra
la longitud en milímetros al momento de la captura (Length) y la edad (Age) para
n = 439 percas medidas en el Lago West Bearskin en Minnesota, EEUU, en 1991.
Ver help(wblake) para más información de los datos. Las escamas de los peces
tienen anillos circulares como los árboles, y contándolos se puede determinar la
edad (en años) de un pez. La base de datos también tiene la variable Scale que
mide el radio de las escamas en mm., que no utilizaremos por ahora.
(a) Hacer un scatter plot de la longitud (Length) en función de la edad (Age).

¾Qué observa? La apariencia de este gráco es diferente de los demás grácos
de dispersión que hemos hecho hasta ahora. La variable predictora Age sólo
puede tomar valores enteros, ya que se calculan contando los anillos de las
esacamas, de modo que realmente estamos gracando ocho poblaciones dis-
tintas de peces. Como es esperable, la longitud crece en general con la edad,
pero la longitud del pez más largo de un año de edad excede la longitud del
pez más corto de cuatro años de edad, por lo que conocer la edad de un pez
no nos permitirá predecir su longitud de forma exacta.
(b) Calcule las medias y los desvíos estándares muestrales para cada uno de
las ocho subpoblaciones de los datos de las percas. Dibuje un boxplot de la
longitud para cada edad de las percas, todos en la misma escala. Describa
lo que ve. La longitud, ¾parece aumentar con la edad? La dispersión de la
longitud, ¾parece mantenerse más o menos constante con la edad? ?¾O crece?
¾O decrece?
(c) Ajuste un modelo lineal para explicar la longitud (Length) en función de la

edad (Age). ¾Resulta signicativa la pendiente? Resuma la bondad del ajuste
2
con el R . Superponga la recta estimada al gráco de dispersión, y también
las medias muestrales por grupos. Halle el estimador de σ que proporciona
el modelo lineal. ¾A qué valor debiera parecerse? ¾Se parece? Observar que
no debiera parecerse a sd(Length). ¾Le parece que el ajuste obtenido por el
modelo lineal es satisfactorio?
(d) Obtenga intervalos de conanza de nivel 95 % para la longitud media a edades

2, 4 y 6 años (no simultáneos). ¾Sería correcto obtener IC para la longitud
media a los 9 años con este conjunto de datos?
3. Diagnóstico en Regresión
Las técnicas del diagnóstico en regresión se abocan a validar que los supuestos
realizados por el modelo sean apropiados para los datos con los que se cuenta.
Son realizadas a posteriori del ajuste (aunque losócamente se deberían realizar
antes) y están basadas en general en los residuos (o versiones apropiadamente es-
caladas) de ellos. Constan principalmente de técnicas grácas, aunque también en
la exhibición de algunas medidas de bondad de ajuste. Si el modelo propuesto, una
vez ajustado a los datos, no proporciona residuos que parezcan razonables, enton-
ces comenzamos a dudar de que algun aspecto del modelo (o todos) sea apropiado
para nuestros datos. Un tema relacionado es asegurarse que la estimación realizada
no sea tremendamente dependiente de un sólo dato (o un pequeño subconjunto de
datos) en el sentido en que si no se contara con dicho dato las conclusiones del estu-
dio serían completamente diferentes. La identicación de estos puntos inuyentes
forma parte relevante del diagnóstico (y de esta sección).
3.1. Medidas de diagnóstico

3.1.1. Leverage de una observación
El valor predicho de un dato puede escribirse como combinación lineal de las
observaciones
n
X
Ybi = βb0 + βb1 Xi = hik Yk (33)
k=1
donde

1 Xi − X Xk − X
hik = +
n SXX
y como caso particular tenemos que
2
1 Xi − X
hii = + . (34)
n SXX
Recordemos que hemos llamado SXX a la cantidad
n
X 2
SXX = Xk − X .
k=1
3.1 Medidas de diagnóstico 83
Vale que
n
X n
X
hik = 1, hik = 1 (35)
k=1 i=1
Xn
hii = 2
i=1
1 1
≤ hii ≤ ≤ 1. (36)
n s
donde s es la cantidad de observaciones con predictor igual a Xi en la muestra.
La cantidad hii se denomina leverage del dato i-ésimo. Es una medida que resume
cuán lejos cae el valor de Xi de la media muestral de las X. Mide, de alguna
manera, cuánto es el aporte de la observación i-ésima a la varianza muestral de las
X (que es Sn−1
XX
). La traducción de leverage al castellano es usualmente palanca, o
inuencia. Observemos que es un concepto que no depende del valor Yi observado.
3.1.2. Residuos
Dijimos en la Sección 2.8 que los residuos son cantidades observables, que
representan de alguna manera el correlato empírico de los errores. Para vericar
los supuestos del modelo lineal, suelen usarse métodos grácos que involucran a
los residuos. El modelo lineal
Y = β0 + β1 X + ε
supone que los errores ε tienen media poblacional cero y varianza constante (que
2
denominamos σ ), y que son indendientes para distintas observaciones. Sin embar-
go, ya hemos visto que no ocurre lo mismo con los residuos. Vimos que los residuos
no son independientes. Además, puede probarse que
E (ei ) = 0
V ar (ei ) = σ 2 (1 − hii ) (37)
2
1 (Xi −X )
donde hii =n
+ SXX , es el leverage de la observación i-ésima. En consecuencia
la varianza del residuo de un dato depende del valor de la covariable, y los residuos
de distintos casos tienen diferentes varianzas. De la ecuación (37) vemos que cuánto
mayor sea hii , menor será la varianza del ei : mientras más cercano a uno sea hii
más cercana a cero será la varianza del residuo de la observación i-ésima. Esto
quiere decir que para observaciones con gran hii , Ybi tenderá a estar cerca del valor
observado Yi , sin importar cuánto sea el valor Yi observado. En el caso extremo
e hipotético en que hii = 1, la recta ajustada sería forzada a pasar por el valor
observado (Xi , Yi ).
3.1.3. Residuos estandarizados

Para hacer más comparables a los residuos entre sí, podemos dividir a cada uno
de ellos por un estimador de su desvío estándar, obteniendo lo que se denominan
residuos estandarizados :
ei
resti = p . (38)
b2 (1 − hii )
σ
Recordemos que el estimador de σ2 bajo el modelo de regresión está dado por
SS Res
b2 =
σ
n−2
Puede probarse que los residuos estandarizados tienen media poblacional cero
(igual que los residuos), y varianza poblacional igual a uno, es decir
E (resti ) = 0
V ar (resti ) = 1, para todo i.
3.1.4. Los residuos cuando el modelo es correcto

Para chequear que los supuestos del modelo lineal son apropiados para un
conjunto de datos, suelen hacerse una serie de grácos. El más importante es el
scatter plot de residuos versus la covariable. Esto se conoce como gráco de residuos
(o residual plot). En el caso de regresión lineal simple, los valores ajustados o
predichos Ybi representan un cambio de escala lineal respecto de los valores Xi ya

que Yi = β0 + β
b b b1 Xi . Luego, es equivalente al gráco recién descripto el scatter plot
de residuos versus los valores ajustados. ¾Cómo debe lucir este gráco si el modelo
es correcto?
1. Puede probarse que E (e | X1 , . . . , Xn ) = 0. Esto quiere decir que el scatter

plot de los residuos versus las X debe estar centrado alrededor del cero (de
la recta horizontal de altura cero).
2. Mencionamos que cuando el modelo es correcto, V ar (ei | X1 , . . . , Xn ) =

σ 2 (1 − hii ) . Luego el gráco de residuos versus la covariable debería mostrar
menor variabilidad para los valores de X más alejados de la media muestral
(serán los que tengan mayor leverage hii ). Por este motivo, suele ser más
frecuente gracar los residuos estandarizados versus la covariable. En ese
caso, deberíamos ver la misma variabilidad para los distintos valores de la
covariable.
3. Los residuos de distintas observaciones están correlacionados entre sí, pero

esta correlación no es muy importante, no será visible en los grácos de
residuos.
En resumen, si el modelo es correcto, el gráco de los residuos versus predichos o

versus la covariable debería lucir como una nube de puntos sin estructura, ubicada
alrededor del eje horizontal.
3.1.5. Los residuos cuando el modelo es incorrecto

En el caso en el que el modelo es incorrecto, el gráco de residuos (o de residuos
estandarizados) versus la variable predictora (o versus los valores predichos) suele
tener algún tipo de estructura. En la Figura 25 se ven varios de estos posibles
scatter plots (algo idealizados, claro).
El primero de ellos es una nube de puntos sin estructura que indica que no hay
problemas con el modelo ajustado. De las Figuras 25(b) a 25(d) inferiríamos que
el supuesto de homogeneidad de varianzas no se satisface: la varianza depende de
la variable gracada en el eje horizontal. Las Figuras 25(e) a 25(h) son indicadoras
de que se viola el supuesto de linealidad de la esperanza condicional, lo cual nos
lleva a pensar que el vínculo entre el valor esperado de la variable respuesta Y y la
covariable se ve mejor modelado por una función más complicada que la lineal (lo
que genéricamente suele denominarse una curva). Las dos últimas guras, las 25(g)
y 25(h) sugieren la presencia simultánea de curvatura y varianza no constante.
En la práctica, los grácos de residuos no son tan claros como estos... Es útil
recordar que aún cuando todos los datos satiscieran todos los supuestos, la va-
riabilidad muestral podría hacer que el gráco tuviera pequeños apartamientos de
la imagen ideal.
Figura 25: Grácos de residuos: (a) nube de datos sin estructura, (b) varianza que
crece con X (forma de megáfono abierto a la derecha), (c) varianza que decrece
con X (forma de megáfono abierto a la izquierda), (d) varianza que depende de la
covariable, (e)-(f ) no linealidad, (g)-(h) combinación de no linealidad y función de
varianza no constante. Fuente: Weisberg [2005], pág. 172.
3.1.6. Los residuos en el ejemplo

La Figura 26 muestra el gráco de residuos en el ejemplo de los 100 bebés de
bajo peso. Por ejemplo, el primer dato observado (i = 1) corresponde a un bebé de
29 semanas de gestación cuyo perímetro cefálico fue de 27 cm. El valor predicho
para este caso es
Yb1 = 3,9143 + 0,7801 · 29 = 26,537
y el residuo asociado a esa observación es
e1 = Y1 − Yb1 = 27 − 26,537 = 0,463,
como ya habíamos calculado. Luego, el punto

(26,537,
0,463) será incluido en el
gráco, que es un scatter plot de los puntos Yi , ei para las 100 observaciones de
b
la muestra.
En él vemos que hay un residuo en particular que es un poco más grande que el
resto: este punto corresponde a la observación 31, que corresponde a un bebé cuya
edad gestacional es de 31 semanas y cuyo perímetro cefálico es de 35 centímetros.
De acuerdo al modelo, el valor predicho para su perímetro cefálico sería
Yb31 = 3,9143 + 0,7801 · 31 = 28,097
un valor mucho menor que el observado, por lo tanto el residuo resulta grande
e31 = Y31 − Yb31 = 35 − 28,097 = 6,903.
Podemos probar sacar este punto de la muestra, volver a realizar el ajuste y luego
comparar los dos modelos para medir el efecto del punto en la estimación de los
coecientes de la recta. No lo haremos aquí puesto que en las secciones subsiguien-
tes propondremos otros modelos que ajustarán mejor a nuestros datos. En cuanto
al gráco de residuos, este no muestra evidencia de que el supuesto de homosce-
dasticidad sea violado, o que haya algun tipo de curvatura en el vínculo entre los
residuos y los predichos, indicando que el modelo ajusta bien a los datos.
3.1.7. ¾Cómo detectar (y resolver) la curvatura?

Para ayudarnos a decidir si un gráco de residuos corresponde (o no) a una
nube de puntos es posible hacer un test de curvatura. El más difundido es el test de
no aditividad de Tuckey, que no describiremos aquí. Sin embargo, sí diremos que
un remedio posible al problema de la curvatura consiste en transformar alguna
de las variables X o Y (o ambas), y luego proponer un modelo lineal para las
variables transformadas. Hay técnicas que ayudan a decidir qué transformaciones
de los datos puede ser interesante investigar. Las transformaciones de Box-Cox son
las más difundidas de estas técnicas, ver Kutner, Nachtsheim, Neter, y Li [2005].
Figura 26: Gráco de residuos versus valores ajustados para el ajuste lineal de
perímetro cefálico en función de la edad gestacional, en el caso de los 100 bebés
de bajo peso.
Otra posibilidad consiste en proponer modelos más complejos que contemplen

un vínculo más general entre X e Y, por ejemplo
E (Y | X) = β0 + β1 X + β2 X 2 .
Es posible estudiar estos modelos como un caso particular de los modelos de regre-
2
sión lineal, pero con dos covariables (X y X ), lo cual nos lleva a tratarlos dentro
de los modelos de regresión múltiple, que presentaremos más adelante.
3.1.8. ¾Qué hacer si la varianza no es constante?

En un gráco de residuos, una función de la varianza no constante puede indicar
que el supuesto de varianza constante es falso. Hay por lo menos cuatro remedios
básicos en este caso, que describiremos siguiendo a Weisberg [2005], Sección 8.3.
El primero es el uso de una transformación estabilizadora de la varianza para
transformar a las Y, ya que el reemplazo de Y por Ytransformada puede inducir
varianza constante en la escala transformada. Una segunda opción es encontrar los

pesos que podrían ser utilizados en los mínimos cuadrados ponderados. El método
de mínimos cuadrados ponderados o pesados es una técnica estadística que ataca
una versión más general del problema de regresión que hemos descrito hasta ahora.
Lo presentamos a continuación, en su caso más simple. Seguimos trabajando bajo
el supuesto de linealidad de la esperanza
E (Y | X = xi ) = β0 + β1 xi ,
pero ahora relajamos el supuesto de que la función de varianza V ar(Y | X) sea la

misma para todos los valores de X. Supongamos que podemos asumir que
σ2
V ar (Y | X = xi ) = V ar (εi ) =
wi
donde w1 , . . . , w n
son números positivos conocidos. La función de varianza todavía
2
queda caracterizada por un único parámetro desconocido σ , pero las varianzas
pueden ser distintas para distintos valores de X. Esto nos lleva al método de
mínimos cuadrados pesados o ponderados (en inglés weighted least squares, o wls)
en vez del método usual de mínimos cuadrados (ordinary least squares, ols) para
obtener estimadores. En este caso, se buscan los valores de los parámetros que
minimizan la función
n
X
gwls (a, b) = wi (Yi − (a + bXi ))2 .
i=1
Existen expresiones explícitas para los parámetros estimados con este método, y
los softwares más difundidos realizan el ajuste. En las aplicaciones, por supuesto, se
agrega la complejidad extra de elegir los pesos wi que en general no vienen con los
datos. Muchas veces se usan pesos empíricos, que se deducen de algunos supuestos
teóricos que se tengan sobre las variables, por ejemplo. Si hubiera replicaciones,
es decir varias mediciones de la variable respuesta realizadas para el mismo valor
de la covariable, podría estimarse la varianza dentro de cada grupo y conseguirse
de este modo pesos aproximados. También es posible usar modelos de mínimos
cuadrados generalizados, en los que se estiman simultáneamente los parámetros
del modelo y los pesos, que exceden por mucho estas notas (consultar por ejemplo
Pinheiro y Bates [2000], Sección 5.1.2).
La tercera posibilidad es no hacer nada. Los estimadores de los parámetros,
ajustados considerando una función de varianza incorrecta o mal especicada, son
de todos modos insesgados, aunque inecientes. Los tests e intervalos de conanza
calculados con la función de varianza errada serán inexactos, pero se puede recurrir
a métodos de bootstrapping para obtener resultados más precisos.
La última opción es usar modelos de regresión que contemplan la posibilidad de

una función de varianza no constante que dependa de la media. Estos modelos se
denominan modelos lineales generalizados, de los cuales por ejemplo, los modelos
de regresión logística forman parte. Puede consultarse el texto clásico McCullagh
y Nelder [1989] y también el libro de Weisberg [2005], Sección 8.3 y Sección 12.
3.1.9. ¾Cómo validamos la independencia?

Si las observaciones con las que contamos fueron producto de haber tomado una
muestra aleatoria de sujetos de alguna población, entonces en principio, tendremos
observaciones independientes. Algunas situaciones en las que este supuesto puede
fallar se describen a continuación.
Los estudios en los cuales los datos se recolectan secuencialmente pueden dar
lugar a observaciones que no resulten independientes. Lo mismo puede suceder en
las determinaciones de laboratorio hechas secuencialmente en el tiempo, ya que
pueden mostrar un cierto patrón, dependiendo de cómo funcionan los equipos, los
observadores, etc. El modo de detección de estas situaciones suele ser gracar los
residuos versus la secuencia temporal en la que fueron relevados.
Si los datos fueron obtenidos por dos observadores distintos A y B, podríamos
esperar que las observaciones de un observador tiendan a parecerse más entre ellas.
La manera de detectar que esto sucede es gracar las Y versus las X identicando
los puntos de cada grupo. En ocasiones, la variabilidad debida a la regresión puede
ser explicada por la pertenencia al grupo. Tampoco serán independientes las obser-
vaciones si varias de ellas fueron realizadas sobre los mismos sujetos (o animales).
Si este fuera el caso, puede considerarse un modelo de regresión múltiple donde
el operador (o el sujeto) entre como covariable. Nos ocuparemos de discutir esto
más adelante, ya que los modelos correctos para este tipo de situaciones son los
modelos de ANOVA con efectos aleatorios, o los modelos de efectos mixtos, que
exceden el contenido de estas notas. Ver para ello, el libro de Pinheiro y Bates
[2000].
3.1.10. ¾Cómo validamos la normalidad?

El supuesto de normalidad de los errores juega un rol menor en el análisis de
regresión. Es necesario para realizar inferencias en el caso de muestras pequeñas,
aunque los métodos de bootstrap (o resampleo) pueden usarse si este supuesto no
está presente. El problema con las muestras pequeñas es que chequear el supuesto
de normalidad a través de los residuos cuando no hay muchas observaciones es
muy difícil. Los grácos cuantil cuantil de los residuos (qq-plots) y los tests de
normalidad realizados sobre ellos pueden ayudar en esta tarea. Hay varios tests
posibles que ayudan a descartar la normalidad, entre ellos el test de Shapiro-
3.2 Outliers y observaciones inuyentes 91
Wilks (que está esencialmente basado en el cuadrado de la correlación entre las

observaciones ordenadas y sus valores esperados bajo normalidad), o el test de
Kolmogorov-Smirnov, que están implementados en los paquetes.
En la práctica los supuestos de normalidad y homoscedasticidad nunca se cum-
plen exactamente. Sin embargo, mientras más cerca estén nuestros datos de los su-
puestos del modelo lineal, más apropiados serán los tests e intervalos de conanza
que construyamos.
Para muestras grandes el supuesto de distribución normal no es crucial. Una
versión extendida del Teorema Central del Límite garantiza que el estimador de mí-
nimos cuadrados de la pendiente tiene distribución de muestreo aproximadamente
normal cuando n es grande.
3.2. Outliers y observaciones inuyentes

3.2.1. Outliers
En algunos problemas, la respuesta observada para algunos pocos casos puede
parecer no seguir el modelo que sí ajusta bien a la gran mayoría de los datos. Un
ejemplo (de datos cticios) puede verse en el scatter plot de la Figura 27. Los
datos de este ejemplo sugieren que el modelo lineal puede ser correcto para la
mayoría de los datos, pero uno de los casos está muy alejado de lo que el modelo
ajustado le prescribe. Diremos que este dato alejado es un outlier. Observemos
que el concepto de outlier (o sea, dato atípico) es un concepto relativo al modelo
especíco en consideración. Si se modica la forma del modelo propuesto a los
datos, la condición de ser outlier de un caso individual puede modicarse. O sea,
un outlier es un caso que no sigue el mismo modelo que el resto de los datos.
La identicación de estos casos puede ser útil. ¾Por qué? Porque el método de
cuadrados mínimos es muy sensible a observaciones alejadas del resto de los datos.
De hecho, las observaciones que caigan lejos de la tendencia del resto de los datos
pueden modicar sustancialmente la estimación.
3.2.2. Un test para encontrar outliers

Si sospechamos que la observación i-ésima es un outlier podemos proceder del
siguiente modo. Este procedimiento es clásico dentro de la regresión y corresponde
a muchos otros procedimientos en estadística que son genéricamente conocidos
como leave one out procedures .
1. Eliminamos esa observación de la muestra, de modo que ahora tenemos una

muestra con n−1 casos.
Figura 27: Datos hipotéticos que muestran el desajuste de una observación al

modelo ajustado.
2. Usando el conjunto de datos reducidos volvemos a estimar los parámetros,

2
obteniendo βb0(i) , βb1(i) y σ
b(i) donde el subíndice (i) está escrito para recordar-
nos que los parámetros fueron estimados sin usar la i-ésima observación.
3. Para el caso omitido, calculamos el valor ajustado Ybi(i) = βb0(i) + βb1(i) Xi .

Como el caso i-ésimo no fue usado en la estimación de los parámetros, Yi y
Ybi(i)
son independientes. La varianza de Yi − Ybi(i) puede calcularse y se estima
2
usando σ
b(i) .
4. Escribamos
Yi − Ybi(i)
ti = r ,
ar Yi − Ybi(i)
Vd
la versión estandarizada del estadístico en consideración. Si la observación

i-ésima sigue el modelo, entonces la esperanza de Yi − Ybi(i) debería ser cero.
Si no lo sigue, será un valor nonulo. Luego,
si llamamos δ a la esperanza
poblacional de esa resta, δ = E Yi − Ybi(i) , y asumimos normalidad de los
errores, puede probarse que la distribución de ti bajo la hipótesis H0 : δ = 0

es una t de Student con n−3 grados de libertad, ti ∼ tn−3 (recordar que
hemos excluido una observación para el cálculo del error estándar que gura
en el denominador, por eso tenemos un grado de libertad menos que con
los anteriores tests), y rechazar cuando este valor sea demasiado grande o
demasiado pequeño.
Hay una fórmula computacionalmente sencilla para expresar a ti sin necesidad

de reajustar el modelo lineal con un dato menos, ya que es fácil escribir al desvío

estándar estimado sin la observación i-ésima σ
b(i) en términos del leverage de la
observación i-ésima (hii ) y el desvío estándar estimado con toda la muestra (b
σ ).
Es la siguiente
r
ei n−3
ti = √ = resti (39)
b(i) 1 − hii
σ n − 2 − resti
donde el residuo estadarizado resti lo denimos en la ecuación (38). Esta cantidad
se denomina el residuo estudentizado i-ésimo. La ecuación (39) nos dice que los
residuos estudentizados y los residuos estandarizados llevan la misma información,
ya que pueden ser calculados uno en función de otro. Vemos entonces que para
calcular los residuos estudentizados no es necesario descartar el caso i-ésimo y
volver a ajustar la regresión (cosa que tampoco nos preocuparía mucho ya que es
la computadora la que realiza este trabajo).
Para completar el test, nos queda únicamente decidir contra qué valor comparar
el ti para decidir si la i-ésima observación es o no un outlier. Si el investigador
sospecha de antemano a realizar el ajuste que la observación i-ésima es un outlier
α
lo justo sería comparar el valor absoluto de ti con el percentil 1 − de la t de
2
student con n − 3 grados de libertad. Pero es rara la ocasión en la que se sospecha
de un dato antes de hacer el análisis. Si en cambio el analista hace el ajuste, luego
computa los residuos estudentizados, y, a raíz de lo obtenido sospecha de aquella
observación con mayor valor absoluto de ti , entonces en el fondo está realizando
n tests de signicatividad, uno para cada observación. Para tener controlada la
probabilidad de cometer un error de tipo I en alguno de los n tests (es decir,
decidir falsamente que una observación que en realidad no es outlier sea declarada
como tal), puede usarse un procedimiento conservativo conocido como método de
Bonferroni para comparaciones múltiples. Este procedimiento propone rechazar
H0 : ninguna de las n observaciones es un outlier, versus H1 : hay al menos un
α
outlier, cuando alguno de los |ti | es mayor que el percentil 1 −
2n
de la tn−3 .
Por ejemplo, si n = 20 (pensamos en una muestra con 20 observaciones) y nivel
simultáneo 0,05, entonces en vez de comparar con el percentil 0,975 de una t17 que
α 0,05
es 2,11, la comparación correcta es con el percentil 1 − = 1 − 2·20 = 0,99875 de
2n
una t17 que es 3,543.
Apliquemos este test al ejemplo de los bebés de bajo peso.
Ejemplo 3.1 En el caso de los 100 bebés, para detectar outliers a nivel 0,05 debe-
mos computar el residuo estudentizado para cada caso, y compararlo con el percentil
α 0,05
1− =1− = 0,99975
2n 2 · 100
de una t97 , que resulta ser 3,602. El único residuo estudentizado cuyo valor abso-
luto sobrepasa este punto de corte es el correspondiente a la observación 31, que
es 4,857. En la Figura 28 pueden verse los boxplots de los residuos, los residuos
estandarizados y los residuos estudentizados para el ajuste de perímetro cefálico en
función de la edad gestacional.
Figura 28: Los boxplots de los residuos, los residuos estandarizados y los residuos
estudentizados para el ajuste de perímetro cefálico en función de la edad gestacio-
nal en el ejemplo.
Este test ubica un outlier, pero no nos dice qué hacer con él. Cuando detectamos
un outlier, sobre todo si es severo, es importante investigarlo. Puede tratarse de
un dato mal registrado, o que fue mal transcripto a la base de datos. En tal caso
podremos eliminar el outlier (o corregirlo) y analizar los casos restantes. Pero si
el dato es correcto, quizás sea diferente de las otras observaciones y encontrar las
causas de este fenómeno puede llegar a ser la parte más interesante del análisis.
Todo esto depende del contexto del problema que uno esté estudiando. Si el dato es
correcto y no hay razones para excluirlo del análisis entonces la estimación de los
parámetros debería hacerse con un método robusto, que a diferencia de mínimos
cuadrados, no es tan sensible a observaciones alejadas de los demás datos.
Antes de terminar, correspondería hacer un alerta. Los residuos estudentizados
son una herramienta más robusta que los residuos estandarizados para evaluar si
una observación tiene un residuo inusualmente grande. Éste método para detectar
outliers parece una estrategia muy apropiada. Y lo es... siempre que en la mues-
tra haya a lo sumo un outlier. Pero, como todos los procedimientos de leave one
out, puede conducirnos a conclusiones erradas si en la muestra hubiera más de un
dato atípico, pues en tal caso, al calcular el residuo estudentizado de la observa-
ción i-ésima, la otra (u otras) observaciones atípicas aún presentes en la muestra
podrían tergiversar el ajuste del modelo Ybi(i) o la estimación del desvío estándar
σ
b(i) , alterando la distribución de los residuos estudentizados resultantes. Por eso,
una estrategia todavía mejor para detectar la presencia de outliers que el estudio
de los residuos estudentizados, es comparar el ajuste obtenido por cuadrados mí-
nimos con el ajuste al modelo lineal que proporciona un método robusto, como
describiremos en la Sección 3.2.4.
3.2.3. Observaciones inuyentes

Estudiar la inuencia de las observaciones es, de alguna manera, estudiar los
cambios en el análisis cuando se omiten uno o más datos (siempre una pequeña
porción de los datos disponibles). La idea es descubrir los efectos o la inuencia que
tiene cada caso en particular comparando el ajuste obtenido con toda la muestra
con el ajuste obtenido sin ese caso particular (o sin esos pocos casos particulares).
Una observación se denomina inuyente si al excluirla de nuestro conjunto de
datos la recta de regresión estimada cambia notablemente. Ejemplicaremos los
conceptos en forma gráca.
En la Figura 29 se observan scatter plots de cuatro conjuntos de 18 datos cada
uno. En el gráco (1), el conjunto de datos no presenta ni puntos inuyentes ni
outliers, ya que todas las observaciones siguen el mismo patrón. En los restantes
tres grácos se conservaron 17 de las observaciones del gráco (1) y se intercambió
una de ellas por los puntos que aparecen indicados como A, B y C en los respectivos
scatter plots, y que son puntos atípicos en algun sentido, es decir, puntos que no
siguen el patrón general de los datos. No todos los casos atípicos tendrán una fuerte
inuencia en el ajuste de la recta de regresión.
En la Figura 29 (2), entre las observaciones gura una que rotulamos con la
letra A. El caso A puede no ser muy inuyente, ya que hay muchos otros datos
en la muestra con valores similares de X que evitarán que la función de regresión
se desplace demasiado lejos siguiendo al caso A. Por otro lado, los casos B y C
ejercerán una inuencia muy grande en el ajuste, ya que como vimos en las Sec-
ciones 3.1.1 y 3.1.2 el leverage de ambas será bastante alto. Mientras mayor sea el
leverage de la observación, menor será la variabilidad del residuo, esto quiere decir
que para observaciones con gran leverage, el valor predicho tendrá que estar cerca
del valor observado. Por eso se dice que tienen un alto grado de apalancamiento, o
que cada uno de ellos es un punto de alta palanca. Luego la recta ajustada se ve-
rá matemáticamente obligada a acercarse a dichas observaciones, alejándose para
ello, de los demás datos.
En la Figura 29 (3) aparece una observación indicada con B. Esta observación
será inuyente en el ajuste, pero como sigue el patrón lineal de los datos (o sea,
sigue la estructura de esperanza condicional de Y cuando X es conocida que tienen
el resto de los datos) no hará que la recta estimada cuando el punto está en la
muestra varíe mucho respecto de la recta estimada en la situación en la que no
está, pero reforzará (quizá articialmente) la fuerza del ajuste observado: reforzará
la signicatividad de los tests que se hagan sobre los parámetros.
La Figura 29 (4) presenta la observación C. Esta observación será muy inu-
yente en el ajuste, arrastrando a la recta estimada a acercarse a ella. Como no sigue
la misma estructura de esperanza condicional que el resto de las observaciones, la
recta ajustada en este caso diferirá mucho de la que se ajusta a los datos de la
Figura 29 (1). Sin embargo, si una vez realizado el ajuste intentamos identicar
este punto mirando las observaciones de mayores residuos (o residuos estandariza-
dos) es posible que no la detectemos (dependerá de cuán extrema sea) ya que al
arrastrar la recta hacia ella, tendrá un residuo mucho menor que el que tendría si
usáramos la recta que ajusta a los datos del gráco (1).
Constatemos que lo armado antes es cierto, buscando la recta que mejor ajusta
a cada conjunto de datos, por mínimos cuadrados. A continuación guran las
salidas del R a los cuatro ajustes, y en la Figura 30 nuevamente los scatter plots
de los cuatro conjuntos de datos, con las rectas ajustadas superpuestas.
Ajuste de mínimos cuadrados a los datos de la Figura 29 (1)
Coefficients:
(Intercept) 6.4063 2.0364 3.146 0.00625
xx 2.3987 0.3038 7.895 6.58e-07

F-statistic: 62.33 on 1 and 16 DF, p-value: 6.579e-07
> confint(lm(yy~xx))
Figura 29: Scatter plot de 4 conjuntos de datos (hay 18 observaciones en cada

uno): El gráco (1) no presenta ni puntos inuyentes ni outliers, (2) entre las
observaciones gura la indicada con A, que es un outlier, no muy inuyente, (3)
en este gráco gura la observación B, inuyente pero no outlier, (4) este gráco
muestra la observación C, simultáneamente inuyente y atípica.
2.5 % 97.5 %
(Intercept) 2.089294 10.723305
xx 1.754633 3.042795
Coefficients:
(Intercept) 7.8387 3.6856 2.127 0.049338
xx 2.3281 0.5469 4.257 0.000602

F-statistic: 18.12 on 1 and 16 DF, p-value: 0.000602
2.5 % 97.5 %
(Intercept) 0.02561661 15.651834
xx 1.16881319 3.487375
Coefficients:
(Intercept) 6.2614 1.7778 3.522 0.00283
xx 2.4242 0.2412 10.049 2.57e-08

F-statistic: 101 on 1 and 16 DF, p-value: 2.566e-08
2.5 % 97.5 %
(Intercept) 2.492573 10.03017
xx 1.912797 2.93559
Coefficients:
(Intercept) 17.8872 3.8042 4.702 0.00024
xx 0.4471 0.4933 0.906 0.37823

Multiple R-squared: 0.04883, Adjusted R-squared: -0.01062
F-statistic: 0.8214 on 1 and 16 DF, p-value: 0.3782
2.5 % 97.5 %
(Intercept) 9.8226420 25.951836
xx -0.5986414 1.492747
Figura 30: Nuevamente los scatter plots de los 4 conjunto de datos, esta vez con
las rectas ajustadas.
Una vez realizado el ajuste vemos que se verica lo anticipado. Las pendientes
de las rectas estimadas en los 3 primeros grácos no dieren demasiado entre sí, en
el gráco (2) la ordenada al origen es mayor ya que la observación A está ubicada
muy por encima de los datos. La recta estimada en (3) pasa casi exactamente
por el dato B y la signicatividad del test para la pendiente aumenta en este caso,
comparada con la del gráco (1). Además también se incrementa el R cuadrado, que
pasa de 0,79 en (1) a 0,86 en (3). En el gráco (4) vemos que la recta ajustada diere
completamente de la recta estimada para el conjunto (1), de hecho la pendiente
que era signicativa para los datos del gráco (1) deja de serlo en este caso. Vemos
que la observación C arrastró la recta hacia ella. La observación C es la que más
tergiversó las conclusiones del ajuste lineal.
Un comentario más que habría que hacer con respecto a la inuencia es que
en este caso hemos presentado un ejemplo muy sencillo donde para cada conjunto
de datos hay un sólo dato sospechoso. En las situaciones prácticas, cuando hay
más de un dato anómalo en un conjunto de datos, esta presencia simultánea puede
enmascararse: la técnica de sacar las observaciones de a una muchas veces no logra
detectar los problemas. En regresión simple nos salva un poco el hecho de que po-
demos gracar muy bien los datos. No será esta la situación en regresión múltiple,
por lo que se vuelve importante tener medidas cuantitativas que permitan medir
el grado de inuencia (al menos potencial) que tiene cada dato en un conjunto de
datos.
3.2.4. Alternativa: comparación con un ajuste robusto

Como hemos dicho antes, el método de cuadrados mínimos como estrategia
para encontrar estimadores de los parámetros del modelo lineal, resulta ser muy
sensible a observaciones alejadas del resto de los datos. También vimos a través
de un ejemplo sencillo, cómo una sola observación apartada del resto puede modi-
car sustancialmente la estimación realizada. Los métodos de estimación que son
más resistentes a la inuencia de observaciones apartadas del resto se denominan
métodos robustos de estimación. De hecho, puede probarse matemáticamente, que
la inuencia que una sola observación atípica puede tener sobre los estimadores de
mínimos cuadrados es (potencialmente) ilimitada. Este décit no está en el modelo
lineal, sino en el método de estimación elegido para ajustarlo: el método de míni-
mos cuadrados que propone como función para medir el desajuste (se denomina
función de pérdida ) a la suma del cuadrado de los residuos. Si en vez de tomar esa
función de pérdida, eligiéramos otra, podríamos subsanar este décit que tienen
los estimadores de mínimos cuadrados, de volverse ilimitadamente sensibles a una
observación atípica. ¾Qué forma debería tener la función de pérdida propuesta
para que el estimador resultara robusto? Hay varias alternativas. Por un lado, la
función debiera ser insensible a observaciones extremadamente grandes (o residuos
enormes), y por lo tanto crecer mucho menos que el cuadrado cuando la miramos
sucientemente lejos del cero. Por otro lado, si los datos de la muestra siguieran
el modelo de regresión con errores normales, querríamos que el estimador que el
método robusto calcula se parezca al de mínimos cuadrados, (esta propiedad en
estadística se denomina alta eciencia ) por lo que la función de pérdida debiera
parecerse al cuadrado para valores muy cercanos a cero. Es por esto que en vez
de usarse el cuadrado se suele utilizar una función de pérdida del estilo (comparar
con la función exhibida en (8))
n
X Yi − (a + bXi )
g (a, b) = ρ (40)
i=1
sn
donde ρ : R →R es una función acotada, creciente y simétrica alrededor del cero,

y sn es un estimador de escala que juega el papel de σ en el modelo clásico de
regresión.
Una posibilidad es ajustar una recta usando un procedimiento de ajuste robus-
to, por ejemplo un MM-estimador de regresión, propuesto por Yohai [1987]. En R,
esto está programado dentro de la rutina lmrob en el paquete robustbase de R.
La estimación se hace en tres etapas, se propone un estimador inicial de los pará-
metros, a partir de él se estima a sn y nalmente se obtienen los estimadores de
los parámetros a partir de ellos, minimizando la función objetivo (40). La Figura
31 muestra una posible selección de la función ρ.
Figura 31: Ejemplo de una función ρ en la familia bicuadrada (en negro) compa-
rada con la cuadrática (en rojo).
3.0
ρ
x2
2.5
2.0
1.5
ρ
1.0
0.5
0.0
−4 −2 0 2 4
Existen muchas otras propuestas de estimadores robustos para regresión, por

ejemplo LMS (least median of squares ), LTS (least trimmed squares ), τ −estimadores
de regresión, y casi todas están implementadas en R. Entre ellas, otra buena op-
ción para tener un ajuste robusto altamente robusto y eciente implementado en
R, que no comentaremos aquí, es la rutina lmRob del paquete robust. Una funte
completa para consultarlas es el libro de Maronna, Martin, y Yohai [2006]. La
dicultad con los métodos robustos de ajuste radica en dos cuestiones. En primer
lugar ya no es tan fácil (y en algunos casos no es posible) exhibir una fórmula ce-
rrada que los compute, ni encontrar los mínimos absolutos de la función objetivo,
es decir los estimadores. Y por otro, no es sencillo dar la distribución de dichos

estimadores, que nos permitirá calcular los p-valores para medir la signicativi-
dad de los tests. Sin embargo, utilizando algoritmos diseñados para hallar óptimos
de funciones (el IRWLS, por ejemplo) y métodos de remuestreo apropiados, que
explotan la capacidad de cómputo de las computadoras actuales, sí pueden obte-
nerse tests e intervalos de conanza, como veremos en las salidas que presentamos
a continuación.
La salida del ajuste con lmrob a los datos de la Figura 29 (4) aparece en la
Tabla 16. En ella vemos que los valores de la pendiente y ordenada al origen esti-
mados resultan ser muy parecidos a los que se obtienen al ajustar por el método
de mínimos cuadrados a los datos (1), que no están contaminados con outliers.
Vemos que en lo que a la estimación de los parámetros del modelo lineal se reere,
el método robusto prácticamente ignora a la observación C que estaba distorsio-
nando el ajuste clásico. Y que esto lo hace automáticamente, sin que tengamos que
informarle que se trata de una observación potencialmente problemática. Vemos
también que el ajuste robusto da p-valores e intervalos de conanza muy parecidos
2
a los que proporciona el ajuste clásico; lo mismo sucede con el cálculo de R .
A posteriori del ajuste robusto, analizando los residuos identicamos rápida-
mente a la observación C como outlier, ya que el ajuste robusto no arrastra a la
recta estimada y la magnitud del residuo reeja la distancia entre el valor observa-
do y el predicho por el modelo, como puede verse en la Figura 32 donde aparecen
los boxplots de los residuos y residuos estudentizados del ajuste por mínimos cua-
drados, y los residuos del ajuste robusto. En los residuos del ajuste por mínimos
cuadrados, no identicamos ninguna observación como outlier. El boxplot de resi-
duos estudentizados muestra la presencia de una observación atípica. Sin embargo,
vemos en el boxplot de los residuos del ajuste robusto que el outlier aparece mucho
más extremo.
Tabla 16: Ajuste robusto dado por la función lmrob del paquete robustbase, a
los datos de la Figura 29 (4)
> library(robustbase)
> summary(lmrob(yy~xx))
\--> method = "MM"
Coefficients:
(Intercept) 6.5147 1.8381 3.544 0.0027 **
xx 2.3721 0.2676 8.866 1.43e-07 ***
---
Robust residual standard error: 3.149


Convergence in 8 IRWLS iterations
Robustness weights:
observation 18 is an outlier with |weight| = 0 ( < 0.0056);
3 weights are ~= 1. The remaining 14 ones are summarized as
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.6463 0.9142 0.9431 0.9167 0.9897 0.9959
> confint(lmrob(yy~xx))
2.5 % 97.5 %
(Intercept) 2.618108 10.411366
xx 1.804946 2.939334
> boxplot(residuals(lm(yy~xx)),studres(lm(yy~xx)),
residuals(lmrob(yy~xx)),names=c("residuos lm","res lm
estudentizados" ,"residuos lmrob"))
Figura 32: Boxplot de los residuos para los datos de la Figura 29 (4), a la izquierda
los residuos del ajuste por regresión lineal (lm), en el centro los residuos estudenti-
zados del ajuste lineal (lm) y a la derecha los residuos del ajuste robusto propuesto
(lmrob). El ajuste de lm arrastra la recta hacia el dato C enmascarando la presen-
cia del outlier. El ajuste del lmrob, al no dejarse inuenciar por una observación
atípica permite identicar un outlier severo al estudiar los residuos.
10
●
●
−10
−20
−30
res lm
residuos lm estudentizados residuos lmrob
Una propiedad interesante que tienen los MM estimadores de regresión, es que

como parte del ajuste, se computan pesos para las observaciones. Si uno corre el
ajuste de mínimos cuadrados ponderados, como describimos en la Sección con
esos pesos en las observaciones, obtenemos los mismos estimadores robustos, como
puede verse comparando las Tablas 16 y Tabla 17. En esta última tabla puede
observarse que el peso que el ajuste robusto otorga a cada observación es prácti-
camente el mismo y casi uno, excepto para la última observación (la C) que recibe
peso cero, es decir no interviene en el ajuste. Esta posibilidad de detectar que la
observación es atípica de manera automática es muy útil, y lo será aún más cuando
en vez de trabajar con una sola variable explicativa, lo hagamos con muchas, y el
scatterplot se vuelva una herramienta incompleta.
Aún cuando uno esté interesado solamente en la recta de mínimos cuadrados, de
todas formas conviene hacer un ajuste robusto a los datos. Si se observara una
fuerte diferencia entre las conclusiones del método clásico (el ajuste de mínimos
cuadrados) y el robusto, ésto sólo es señal de que existen observaciones inuyentes
y outliers entre los datos considerados. El estudio de los residuos del ajuste robusto
permitirá la identicación de observaciones atípicas.
Tabla 17: Ajuste de mínimos cuadrados pesados a los datos de la Figura 29 (4),
con los pesos calculados por el lmrob.
> ajusro<-(lmrob(yy~xx))
> robpesos<-ajusro$rweights
> robpesos
1 2 3 4 5 6
0.9921401 0.9231724 0.9959484 0.9133037 0.9738549 0.9381117
7 8 9 10 11 12
0.9935094 0.9992255 0.9170598 0.6463435 0.9825457 0.7538439
13 14 15 16 17 18
0.9921665 0.9994115 0.9481115 0.9996075 0.8634395 0.0000000
> summary(lm(yy~xx,weights=robpesos))
Weighted Residuals:
Min 1Q Median 3Q Max
-4.6502 -2.1647 0.2717 0.9219 5.2523
Coefficients:
(Intercept) 6.5147 1.9697 3.307 0.00479 **
xx 2.3721 0.2896 8.191 6.44e-07 ***
---
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1

3.2.5. ¾Cómo medir la inuencia de una observación?

Tenemos dos medidas de inuencia: el leverage y las distancias de Cook. El leverage
lo denimos en la Sección 3.1.1. Pero cabe preguntarse cuan grande debe ser el
leverage de una observación para declararla inuyente. Se han sugerido diferentes
criterios:
Pn 2
Teniendo en cuenta que i=1 hii = 2 y por lo tanto el promedio h = n ,
un criterio es considerar potencialmente inuyentes las observaciones con
hii > n4 .
Otro criterio es declarar potencialmente inuyentes a aquellas observaciones

cuyos leverages hii cumplen hii > 0,5 y evaluar o inspeccionar además los
casos en que 0,2 < hii ≤ 0,5.
Otro criterio es mirar la distribución de los hii en la muestra, en especial si

existen saltos en los valores de leverage de las observaciones. El modo más

simple de hacerlo es a través de un box-plot o un histograma.
En la Figura 33 se exhiben el boxplot y el histograma de los leverage calculados

para los datos de la Figura 29 (4). Hay un único dato con un leverage alto. Ob-
servemos que si hiciéramos lo mismo para los datos (3) obtendríamos algo muy
parecido, ya que el leverage sólo depende de los valores de la covariable (y no de
la variable respuesta). En ese sentido es una medida de inuencia potencial de
los datos. Los leverages para los restantes conjuntos de datos pueden verse en la
Figura 34.
Figura 33: Boxplot e histograma para los leverage de los datos (4) gracados en la
Figura 29.
La inuencia de una observación depende de dos factores:
1. Cuán lejos cae el valor de Y de la tendencia general en la muestra para ese

valor de X.
Figura 34: Histogramas de los leverage para los cuatro conjuntos de datos graca-
dos en la Figura 29.
2. Cuán lejos se encuentra el valor de la variable explicativa de su media.
El leverage sólo recaba información de la situación descripta en 2). Una medida

que toma en cuenta ambas facetas de una observación es la Distancia de Cook,
denida por
2
Yb(i)i − Ybi
Di = ,
σ2
2b
donde Yb(i) corresponde al valor predicho para la i-ésima observación si se usaron

las n−1 restantes observaciones para hacer el ajuste, como lo habíamos denido en
la Sección 3.2.2 y Ybi es el valor predicho para la i-ésima observación en el modelo
ajustado con las n observaciones. Como en el caso de los residuos estudentizados,
no es necesario recalcular el ajuste por mínimos cuadrados para calcular los Di ,
ya que otra expresión para ellos es la siguiente
1 hii
Di = (resti )2 .
2 1 − hii
La distancia de Cook se compara con los percentiles de la distribución F de Fisher
con 2 y n−2 grados de libertad en el numerador y denominador, respectivamente
(2 porque estamos estimando dos parámetros beta). El criterio para decidir si una
observación es inuyente es el siguiente:
Si Di < percentil 0,20 de la distribución F2,n−2 entonces la observación no es

inuyente.
Si Di > percentil 0,50 de la distribución F2,n−2 entonces la observación es

muy inuyente y requerirá tomar alguna medida.
Si Di se encuentra entre el percentil 0,20 y el percentil 0,50 de la distribución

F2,n−2 se sugiere mirar además otros estadísticos.
Volviendo a los datos de la Figura 29, el percentil 0,20 de la distribución F2,16

es 0,226 y el percentil 0,50 de la distribución F2,16 es 0,724. Los histogramas de
las distancias de Cook calculadas en este caso están en la Figura 35. Vemos que
sólo en el caso de los datos (4) aparece una observación (la C) cuya distancia de
Cook supera al percentil 0,50 de la distribución de Fisher, indicando que hay una
observación muy inuyente.
Existen otras medidas de inuencia. Los DFts y los DFbetas son medidas bastante
estudiadas. Una referencia para leer sobre ellos es el libro de Kutner et al. [2005].
Los grácos de variables agregadas (en el caso de regresión múltiple) pueden servir
también para identicar observaciones inuyentes, pueden verse en Weisberg [2005]
secciones 3.1 y 9.2.4 o Kutner et al. [2005] sección 10.
3.2.6. Instrucciones de R para diagnóstico

ajuste <-lm(yy ~ xx)
#residuos
rr1<-residuals(ajuste)
#residuos estandarizados
rr2<-rstandard(ajuste)
#residuos estudentizados
rr3<-rstudent(ajuste)
Figura 35: Histogramas de las distancias de Cook para los datos de la Figura 29
# predichos o valores ajustados

ff1<-fitted(ajuste)
# grafico de residuos estudentizados vs predichos

plot(ff1,rr3,xlab="predichos",ylab="residuos")
abline(0,0)
title("Residuos estudentizados vs predichos")
############################################
# test para encontrar outliers
ene<-length(rr3)
corte<-qt(1-0.05/(2*ene),df=ene-3)
(rr3 > corte)
sum(rr3 > corte)
#cuales son?
(1:ene)[rr3 > corte]
#p-valor, sin corregir

2*(1-pt(abs(rr3[3]),df=ene-3))
###########################################
#leverage
hatvalues(ajuste)
hist(hatvalues(ajuste))
#para ver cuales son mayores que 0.2

lev <- hatvalues(ajuste)
#un criterio
(1:ene)[lev > 0.2]
#un criterio mas exigente

(1:ene)[lev > 4/ene]
#distancias de cook
dcook <- cooks.distance(ajuste)
hist(dcook)
#punto de corte
corted <- qf(0.5,2,ene-2)
(1:nn)[dcook > corted]
# qq plot de los residuos estandarizados, con la normal

qqnorm(rr2)
qqline(rr2) #le agrega una recta que pasa por cuartil 1 y 3
plot(ajuste) #hace varios graficos, entre ellos el QQplot de los

#residuos estandarizados
library(car)
outlierTest(ajuste) # da pval de Bonferoni para obs mas extremas
qqPlot(ajuste, main="QQ Plot") #qq plot de los resid studentizados,
#con la t de student apropiada
3.3 Ejercicios 111
##############################################
# ajuste robusto
library(robustbase)
ajusterob <- lmrob(yy ~ xx)
summary(ajusterob)
#residuos
resrob <- residuals(ajusterob)
boxplot(resrob,residuals(ajuste))
#pesos
hist(ajusterob$rweights)
boxplot(ajusterob$rweights)
plot(ajusterob) # hace varios graficos
3.3. Ejercicios
Estos ejercicios se resuelven con el archivo script_diagnostico.R
Ejercicio 3.1 Madres e hijas II. Archivo de datos heights.txt del paquete alr3.
Continuando con el ejercicio 2.6, en el que proponemos ajustar el modelo lineal
simple para explicar la altura de la hija, Dheight, a partir de la altura de la madre,
llamada Mheight, como la variable predictora.
(a) Hacer grácos para evaluar la adecuación del modelo linel para explicar los
datos.
(b) Compare el ajuste clásico con el ajuste robusto propuesto.
(c) Concluya respecto de la adecuación del modelo lineal en este caso.
Ejercicio 3.2 Medidas del cuerpo V. Base de datos bdims del paquete openintro.
(a) Realice grácos de que le permitan evaluar los ajustes realizados en los ejer-
cicios 2.1 y 2.2 con esta base de datos, tanto para explicar el peso por el
contorno de cintura como el ajuste para explicar el peso por la altura. ¾Lo
conforman estos modelos ajustados?
(b) Compare el ajuste clásico del modelo lineal con el ajuste robusto. ¾Cambian
mucho los modelos ajustados? ¾Qué indica esto? No se desanime, este ejer-
cicio sigue en el capítulo próximo.
Ejercicio 3.3 Mamíferos, Parte V. Base de datos mammals del paquete

openintro.
(a) En el ejercicio 1.7 observamos que el scatter plot del peso del cerebro de un
mamífero (BrainWt) en función de su peso corporal (BodyWt) no se podía
describir como una pelota de rugby más o menos achatada. Supongamos que
no hubiéramos hecho el gráco de dispersión, e intentemos ajustar un modelo
lineal a los datos. Ajuste el modelo lineal simple que explica BrainWt en fun-
ción de BodyWt. Luego realice el gráco de residuos versus valores predichos.
El gráco de residuos estandarizados versus valores predichos. El de residuos
estudentizados versus valores predichos. ¾Dieren mucho entre sí?
(b) Use el test de outliers basado en los residuos estudentizados. Indique cuáles
son las observaciones candidatas a outliers.
(c) Calcule los leverages. Identique las observaciones candidatas a más inu-
yentes según este criterio. Calcule las distancias de Cook, vea cuáles son las
observaciones inuyentes.
(d) Compare con el ajuste robusto.
(e) Finalmente, para el modelo de regresión propuesto en el ejercicio 2.9 para

vincular los logaritmos en base 10 de ambas variables, haga un gráco de
residuos versus valores predichos, y algunos otros grácos de diagnóstico.
¾Le parece que este modelo ajusta mejor a los datos?
Ejercicio 3.4 Hacer un ajuste robusto a los datos de perímetro cefálico y edad
gestacional. Comparar con el ajuste clásico. Identicar la presencia de outliers.
¾Son muy inuyentes en el ajuste? Recordar que de todos modos este no es el
último modelo que probaremos sobre estos datos.
Ejercicio 3.5 Resuelva el ejercicio domiciliario que gura en el Apéndice A.
Ejercicio 3.6 Resuelva el Taller 2 que gura en el Apéndice A.

4. Regresión Lineal Múltiple 113
4. Regresión Lineal Múltiple
El modelo de regresión lineal múltiple es uno de los modelos más utilizados entre
todos los modelos estadísticos.
En la mayoría de las situaciones prácticas en las que se quiere explicar una variable
continua Y se dispone de muchas potenciales variables predictoras. Usualmente,
el modelo de regresión lineal simple (es decir, con una sola variable predictora)
provee una descripción inadecuada de la respuesta ya que suele suceder que son
muchas las variables que ayudan a explicar la respuesta y la afectan de formas dis-
tintas e importantes. Más aún, en general estos modelos suelen ser muy imprecisos
como para ser útiles (tienen mucha variabilidad). Entonces es necesario trabajar
con modelos más complejos, que contengan variables predictoras adicionales, para
proporcionar predicciones más precisas y colaborar en la cuanticación del vínculo
entre ellas. En este sentido, el modelo de regresión múltiple es una extensión natu-
ral del modelo de regresión lineal simple, aunque presenta características propias
que es de interés estudiar en detalle.
El modelo de regresión múltiple se puede utilizar tanto para datos observacionales
como para estudios controlados a partir de ensayos aleatorizados o experimentales.
4.1. El modelo
La regresión múltiple es un modelo para la esperanza de una variable conti-
nua Y cuando se conocen variables explicativas o predictoras que denotaremos
X1 , X2 , . . . , Xp−1 . Antes de formularlo en general, describiremos a modo ilustrati-
vo la situación en la que se tienen dos variables predictoras (i.e. p = 3). En este
caso, proponemos el siguiente modelo para la esperanza condicional de Y dado X1
y X2
E (Y | X1 , X2 ) = β0 + β1 X1 + β2 X2 (41)
donde β0 , β1 , β2 son constantes desconocidas que se denominan parámetros del

modelo, o coecientes de la ecuación. Muchas veces, por simplicidad, escribiremos
E (Y ) en vez de E (Y | X1 , X2 ) . El modelo se denomina lineal puesto que la
esperanza de Y condicional a las X 's depende linealmente de las covariables X1
y X2 . Los coecientes del modelo se estiman a partir de una muestra aleatoria
de n observaciones (Xi1 , Xi2 , Yi ) con 1 ≤ i ≤ n, donde Yi es la variable respuesta
medida en el i-ésimo individuo (o i-ésima repetición o i-ésima unidad experimental,
según el caso), Xi1 y Xi2 son los valores de las variables predictoras en el i-ésimo
individuo (o i-ésima repetición o i-ésima unidad experimental, según el caso). Una
manera alternativa de escribir el modelo (41) en términos de las variables (en vez
de sus valores esperados) es la siguiente
Yi = β0 + β1 Xi1 + β2 Xi2 + εi , (42)

donde εi es el término del error para el individuo i-ésimo, que no es observable. A la

ecuación (41) se la suele llamar función de respuesta. En analogía con la regresión
lineal simple donde la función E (Y | X) = β0 + β1 X1 es una recta, la función de
regresión (41) es un plano. En la Figura 36 se representa una porción de la función
de respuesta
E (Y | X1 , X2 ) = 10 + 2X1 + 5X2 . (43)
Por supuesto, la única situación en la que podemos gracar es cuando p≤3 (dos
o menos variables explicativas), es por eso que hemos comenzado con este caso.
Figura 36: En regresión lineal con dos variables explicativas la función de respuesta
es un plano. Fuente Kutner et al. [2005], pág. 215.
Observemos que cualquier punto de la Figura 36 corresponde a una respuesta media

E (Y ) para una combinación dada de X1 y X2 . La Figura 36 también muestra
una observación Yi correspondiente a los niveles (Xi1 , Xi2 ) de las dos variables
predictoras. El segmento vertical entre Yi y el gráco de la función (el plano) de
respuesta representa la diferencia entre Yi y la media E (Yi ) = E (Yi | Xi1 , Xi2 )
de la distribución de probabilidad de Y para la combinación de (Xi1 , Xi2 ). Por lo
tanto, la distancia vertical entre Yi y el plano de respuesta representa el término
4.2 Signicado de los coecientes de regresión 115
de error εi = Yi − E (Yi ). En regresión lineal múltiple, a la función de respuesta

también suele llamársela supercie de regresión o supercie de respuesta.
4.2. Signicado de los coecientes de regresión

Consideremos ahora el signicado de los coecientes en la función de regresión
múltiple (42). El parámetro β0 es el intercept u ordenada al origen del plano.
Si dentro de los valores que estamos ajustando el modelo, se encuentra incluido
el punto X1 = 0, X2 = 0, el origen de coordenadas, entonces β0 representa la
respuesta media E (Y ) en X1 = 0, X2 = 0. De lo contrario, β0 no tiene ningún
signicado en particular como un término separado del modelo de regresión.
El parámetro β1 indica el cambio en la respuesta media E (Y ) cuando aumentamos
a X1 en una unidad, manteniendo a X2 constante (en cualquier valor). Del mismo
modo, β2 indica el cambio en la respuesta media E (Y ) cuando aumentamos a
X2 en una unidad, manteniendo a X1 constante. En el ejemplo (43) gracado,
supongamos que jamos X2 en el nivel X2 = 3. La función de regresión (43) ahora
es la siguiente:
E (Y ) = 10 + 2X1 + 5(3) = 25 + 2X1 , X2 = 3.

Notemos que esta función de respuesta es una línea recta con pendiente β1 = 2. Lo
mismo es cierto para cualquier otro valor de X2 ; sólo el intercept de la función
de respuesta será diferente. Por lo tanto, β1 = 2 indica que la respuesta media
E (Y ) aumenta en 2 unidades, cuando se produce un incremento unitario en X1 ,
cuando X2 se mantiene constante, sin importar el nivel de X2 .
Del mismo modo, β1 = 5 , en la función de regresión (43) indica que la respues-
ta media E (Y ) se incrementa en 5 unidades, cuando se produce un incremento
unitario en X2 , siempre que X1 se mantenga constante.
Cuando el efecto de X1 en la respuesta media no depende del nivel de X2 , y además
el efecto de X2 no depende del nivel de X1 , se dice que las dos variables predictoras
tienen efectos aditivos o no interactuan. Por lo tanto, el modelo de regresión tal
como está propuesto en (41) está diseñado para las variables predictoras cuyos
efectos sobre la respuesta media son aditivos.
Los parámetros β1 y β2 a veces se llaman coecientes de regresión parcial porque
reejan el efecto parcial de una variable de predicción cuando la otra variable
predictora es incluida en el modelo y se mantiene constante.
Observación 4.1 El modelo de regresión para el que la supercie de respuesta es

un plano puede ser utilizado tanto porque se crea que modela la verdadera relación
entre las variables, o como una aproximación a una supercie de respuesta más
compleja. Muchas supercies de respuesta complejas se pueden aproximar razona-
blemente bien por planos para valores limitados (o acotados) de las covariables X1
y X2 .
4.3. Modelo de Regresión Lineal Múltiple

El modelo de regresión lineal múltiple es un modelo para la variable aleatoria Y
cuando se conocen X1 , X2 , . . . , Xp−1 las variables regresoras. El modelo es
Yi = β0 + β1 Xi1 + β2 Xi2 + · · · + βp−1 Xip−1 + εi , (44)
donde β0 , β1 , . . . , βp−1 son parámetros (es decir, números) desconocidos, Xi1 , Xi2 ,
. . . , Xip−1 son los valores de las variables predictoras medidas en el i-ésimo indivi-
duo (o i-ésima repetición del experimento o i-ésima unidad experimental, según el
caso) con 1 ≤ i ≤ n, n es el tamaño de muestra, Yi es la variable respuesta medida
en el i-ésimo individuo (observado) y εi es el error para el individuo i-ésimo, que
no es observable. Haremos supuestos sobre ellos:
εi ∼ N 0, σ 2 , 1 ≤ i ≤ n,

independientes entre sí. (45)
Es decir,
- los εi tienen media cero, E (εi ) = 0.
- los εi tienen todos la misma varianza desconocida que llamaremos σ2 y que

2
es el otro parámetro del modelo, V ar (εi ) = σ .
- los εi tienen distribución normal.
- los εi son independientes entre sí, e independientes de las covariables Xi1 , Xi2 ,
. . . , Xip−1 .
Si denimos Xi0 = 1 para todo i, podemos escribir a (44) de la siguiente forma

equivalente
Yi = β0 Xi0 + β1 Xi1 + β2 Xi2 + · · · + βp−1 Xip−1 + εi

p−1
X
= βj Xij + εi
j=0
Observemos que del hecho de que los εi son independientes y tienen distri-
2
bución N (0, σ ) y de (44) se deduce que, condicional a X1 , . . . , Xp−1 , Yi ∼
4.3 Modelo de Regresión Lineal Múltiple 117
P
p−1
N j=0 βj Xij , σ 2 independientes entre sí. Tomando esperanza (condicional) en
(44) obtenemos
E (Y | X1 , ..., Xp−1 ) = β0 + β1 X1 + β2 X2 + · · · + βp−1 Xp−1 ,

que es una manera alternativa de escribir el modelo (44). Las variables predictoras
pueden ser acomodadas para contemplar una serie de situaciones cuyo tratamiento
iremos desarrollando a lo largo del curso. Esencialmente pueden ser
- variables continuas, y todas distintas. En la Sección 4.7 veremos un ejemplo

de dos continuas.
- variables categóricas o cualitativas, en la Sección 4.13 veremos varios ejem-

plos donde aparecerán categóricas de dos categorías, que se suelen denominar
binarias o dicotómicas o dummies, o de más de dos categorías.
- variables continuas, algunas representando potencias de otras. A esta situa-

ción se le suele llamar regresión polinomial.
- variables continuas, pero aparecen en el modelo transformaciones de las ori-

ginales.
- variables modelando efectos de interacción entre dos o más variables, conti-

nuas o categóricas (ver Secciones 4.16 y 4.18).
- combinaciones de algunos o de todos los casos anteriores.
Observación 4.2 Como ya dijimos en el caso p = 3, el término lineal en modelo

lineal se reere al hecho de que el modelo (44) es lineal tanto en los parámetros
β0 , . . . , βp−1 como en las covariables X1 , . . . , Xp−1 que no tienen porqué ser las
variables originalmente observadas para cada individuo o para cada repetición del
experimento, pudiendo ser una transformación o recodicación o combinación de
ellas. En este sentido, el modelo
Yi = β0 + β1 Xi + β2 Xi2 + εi
se estudia y ajusta como un modelo de regresión lineal en dos variables: Xi y Xi2 ,
(aunque matemáticamente se trate de una función cuadrática en una sola variable).
Un ejemplo de modelo no lineal es el siguiente
Yi = β0 exp (β1 Xi ) + εi
puesto que no puede expresarse de la forma (44). Varios libros tratan el tema de
regresión no lineal, por ejemplo Kutner et al. [2005], parte III.
4.4. Modelo de Regresión Lineal en notación matricial

Ahora presentaremos el modelo (44) en notación matricial. Es una notable pro-
piedad del álgebra de matrices el hecho de que tanto la presentación del modelo
como los resultados del ajuste del modelo de regresión lineal múltiple (44) escrito
en forma matricial tienen el mismo aspecto (la misma forma) que los que ya vimos
para regresión lineal simple. Sólo cambian algunos grados de libertad y algunas
constantes.
Enfatizamos en la notación matricial puesto que éste es el tratamiento estándar
del tema, y además porque reeja los conceptos esenciales en el ajuste del modelo.
Nosotros no calcularemos nada, las cuentas las hace la computadora.
Para expresar el modelo (44) de forma matricial denimos las siguientes matrices
   
Y1 1 X11 X12 · · · X1,p−1
 Y2  1 X21 X22 · · · X2,p−1 
Y =  ..  X =  .. (46)
   
. . .
. . .

n×1 . n×p . . . . 
Yn 1 Xn1 Xn2 · · · Xn,p−1
   
β0 ε1
 β1   ε2 
β =  ..  ε =  .. 
   
p×1  .  n×1 .
βp−1 εn
Observemos que los vectores Y y ε son los mismos que para la regresión lineal
simple. El vector β contiene los parámetros de regresión adicionales. Cada la de
la matriz X corresponde a las observaciones correspondientes a cada individuo
(la la i-ésima contiene las observaciones del individuo i-ésimo) y las columnas
identican a las variables.
El modelo (44) se escribe matricialmente en la siguiente forma
Y=X β + ε
n×1 n×pp×1 n×1
donde
Y es un vector de respuestas
β es un vector de parámetros
X es una matriz de covariables
ε es un vector de variables aleatorias normales independientes con esperanza
E (ε) = 0 y matriz de varianzas y covarianzas
 
σ2 0 · · · 0
 0 σ2 · · · 0 
2
V ar (ε) =  .. .  = σ I.
 
.
. . . 
. .
0 0 · · · σ2
4.5 Estimación de los Parámetros (Ajuste del modelo) 119
Entonces tomando a las variables equis como jas, o, lo que es lo mismo, condicional
a las variables equis, la esperanza de Y resulta ser
E (Y | X) = Xβ
y la matriz de covarianza de las Y resulta ser la misma que la de ε
V ar (Y | X) = σ 2 I.
Al igual que hicimos con el modelo de regresión simple, muchas veces omitiremos
la condicionalidad a las equis en la notación, es decir, como es bastante habitual
en la literatura, escribiremos E (Y) en vez de E (Y | X) .
4.5. Estimación de los Parámetros (Ajuste del modelo)

Usamos el método de mínimos cuadrados para ajustar el modelo. O sea, denimos
la siguiente función
n
X
g (b0 , b1 , . . . , bp−1 ) = (Yi − b0 Xi0 − b1 Xi1 − b2 Xi2 − · · · − bp−1 Xip−1 )2 (47)
i=1
y los estimadores βb0 , βb1 , . . . , βbp−1 serán aquellos valores de b0 , b1 , . . . , bp−1 que mi-
nimicen a g. Los denominamos estimadores de mínimos cuadrados. Denotaremos
al vector de coecientes estimados por β.
b
 
βb0
 βb 
 1 
β = . 
b
p×1  .. 
βbp−1
Las ecuaciones de mínimos cuadrados normales para el modelo de regresión lineal

general son
X t Xβ
b = Xt Y
donde Xt quiere decir la matriz traspuesta. Algunos autores lo notan X0 (recor-

demos que la matriz traspuesta es aquella matriz p×n que tiene por las a las
columnas de X). Los estimadores de mínimos cuadrados son
−1
b = Xt X
β Xt Y
Observación 4.3 Para encontrar los estimadores de β no se necesita que los

errores sean normales.
Observación 4.4 En el caso de la regresión lineal, los estimadores de mínimos

cuadrados de los betas coinciden también con los estimadores de máxima verosi-
militud para el modelo antes descripto, es decir, cuando se asume normalidad de
los errores.
4.6. Valores Ajustados y Residuos

Denotemos al vector de valores ajustados (tted values, en inglés) Ybi por Y
b y al
vector de residuos ei = Yi − Ybi lo denotamos pore

  
Yb1 e1
 Yb   e2 
2
Y
b = e =  .. 
 
 .. 
n×1 . n×1 .
Ybn en
Los valores ajustados se calculan del siguiente modo
−1
Y b = X Xt X
b = Xβ Xt Y
que son los valores que están en la supercie de respuesta ajustada (o sea, en el
plano ajustado en el caso p = 3). Los residuos se escriben matricialmente como
e = Y−Yb = Y − Xβ b
−1 t
= Y − X Xt X XY

t
−1 t
= I−X X X X Y
Llamando
−1
H = X Xt X Xt ∈ Rn×n (48)
a la hat matrix (la matriz que sombrerea) tenemos que
Y
b = HY
y
e = (I − H) Y.
La matriz de varianzas de los residuos es
V ar (e) = σ 2 (I − H) . (49)
4.6 Valores Ajustados y Residuos 121
Observación 4.5 (residuos) El modelo de regresión lineal impone que los erro-
res εi sean independientes, normales y tengan todos la misma varianza. Como ya
hemos dicho, los errores no son observables. Los residuos ei , que son el correlato
empírico de los errores, son observables. Sin embargo, los residuos no son inde-
pendientes entre sí y sus varianzas no son iguales. Veámoslo.
Por (49), la varianza de ei es el elemento que ocupa el lugar ii de la matriz
σ 2 (I − H) . Si la matriz H fuera igual a cero (que no tendría sentido para el mode-
2
lo de regresión lineal), todos los residuos tendrían la misma varianza σ (igual que
la varianza de los errores). Sin embargo esto no sucede. Calculemos el elemento
2
que ocupa el lugar ii de la matriz σ (I − H) .
V ar (ei ) = σ 2 (1 − hii )
donde hii representa el elemento que ocupa el lugar ii de la matriz H. Pero sabemos
que
−1 t −1
hij = X Xt X X = [la i de X] Xt X [la j de X]t
ij
−1
= xti Xt X xj
donde xti representa la i−ésima la de X. Luego,
−1 t
V ar (ei ) = σ 2 (1 − hii ) = σ 2 1 − xi Xt X xi
Como en el caso de regresión lineal simple, al elemento ii de la matriz H, es decir,

a hii , se lo denominará el leverage o palanca de la observación i-ésima. Esta
cantidad servirá para detectar observaciones atípicas o potencialmente inuyentes.
Nos ocuparemos de esto en la Sección 5.2.
En cuanto a la independencia, los residuos no son independientes entre sí ya que
2
la cov(ei , ej ) ocupa el lugar ij−ésimo de la matriz σ (I − H) . Nuevamente, si la
matriz H fuera igual a cero (que no tendría sentido), entonces dichas covarianzas
valdrían cero. Pero
−1
2 2 t
cov (ei , ej ) = σ (−hij ) = σ −xi X X xtj
donde hij representa el elemento que ocupa el lugar ij de la matriz H.
Observación 4.6 (teórica) H, y por lo tanto I − H, son matrices de proyección

2
(es decir que H = H y lo mismo ocurre con I − H). H proyecta al subespacio de
Rn generado por las columnas de X. Algunos textos la notan con la letra P.
4.7. Dos predictoras continuas

Antes de seguir con las sumas de cuadrados, las estimaciones de los intervalos de
conanza para los coecientes y el test F, veamos un ejemplo numérico con p = 3.
Consideremos los datos correspondientes a mediciones de 100 niños nacidos con
bajo peso en Boston, Massachusetts presentados en el artículo de Leviton et al.
[1991], tratados en el libro de Pagano et al. [2000]. Al estudiar el modelo de regre-
sión lineal simple encontramos una relación lineal signicativa entre el perímetro
cefálico y la edad gestacional para la población de niños nacidos con bajo peso. La
recta ajustada a esos datos era
Yb = 3,9143 + 0,7801X1
Nos preguntamos ahora si el perímetro cefálico también dependerá del peso del
niño al nacer. Veamos un scatter plot (gráco de dispersión) del perímetro cefálico
versus el peso al nacer, para los 100 niños. El scatter plot de la Figura 37 sugiere
que el perímetro cefálico aumenta al aumentar el peso. Pero una vez que hayamos
ajustado por la edad gestacional, ¾será que el conocimiento del peso al nacer
mejorará nuestra habilidad para predecir el perímetro cefálico de un bebé?
Para responder a esta pregunta ajustamos un modelo de regresión lineal múltiple
con dos variables predictoras. Sean
Yi = perímetro cefálico del i-ésimo niño, en centímetros (headcirc)
Xi1 = edad gestacional del i-ésimo niño, en semanas (gestage)
Xi2 = peso al nacer del i-ésimo niño, en gramos (birthwt)
Proponemos el modelo (42), o lo que es lo mismo, el modelo (44) con p = 3, o sea

dos covariables. Lo reescribimos
Yi = β0 + β1 Xi1 + β2 Xi2 + εi .
Para darnos una idea de las herramientas con las que trabaja la computadora que
ajustará el modelo, listamos los primeros siete datos en la Tabla 18.
El modelo ajustado y las instrucciones para hacerlo en R, guran en la Tabla 19.

La supercie ajustada resulta ser
Yb = 8,3080 + 0,4487X1 + 0,0047X2 .

La ordenada al origen, que es 8,3080 es, en teoría, el valor medio del perímetro
cefálico para bebés de bajo peso con edad gestacional de 0 semanas y peso al
nacer de 0 gramos, y por lo tanto carece de sentido. El coeciente estimado de
edad gestacional (0,4487) no es el mismo que cuando la edad gestacional era la
4.7 Dos predictoras continuas 123
Figura 37: Perímetro cefálico versus peso al nacer para la muestra de 100 bebés
de bajo peso.
única variable explicativa en el modelo; su valor descendió de 0,7801 a 0,4487.

Esto implica que, si mantenemos el peso al nacer de un niño constante, cada
incremento de una semana en la edad gestacional corresponde a un aumento de
0,4487 centímetros en su perímetro cefálico, en promedio. Una manera equivalente
de decirlo es que dados dos bebés con el mismo peso al nacer pero tales que la edad
gestacional del segundo de ellos es una semana más grande que la del primero, el
perímetro cefálico esperado para el segundo bebé será 0,4487 centímetros mayor
que el primero.
De forma similar, el coeciente del peso al nacer indica que si la edad gestacional
de un bebé no cambia, cada incremento de un gramo en el peso al nacer redunda en
un aumento de 0,0047 centímetros en el perímetro cefálico, en promedio. En este
Tabla 18: Primeros siete datos de bebés de bajo peso

Niño i Yi = headcirc Xi1 = gestage Xi2 = birthwt
1 27 29 1360
2 29 31 1490
3 30 33 1490
4 28 31 1180
5 29 30 1200
6 23 25 680
7 22 27 620
caso en el que el valor del coeciente estimado es tan pequeño, puede tener más
sentido expresar el resultado aumentando las unidades involucradas, por ejemplo
decir: si la edad gestacional no cambia, cada incremento de 10 g. en el peso al
nacer redunda en un aumento de 0,047 cm. en el perímetro cefálico, en promedio.
4.8. Resultados de Análisis de la Varianza (y estimación de

σ2)
4.8.1. Sumas de cuadrados y cuadrados medios (SS y MS)
Las sumas de cuadrados para el análisis de la varianza son,
SSTo = suma de cuadrados total

n
X 2
= Yi − Y
i=1
n
X 2
= Yi2 − nY
i=1
que en términos matriciales puede escribirse como

t 1 t t 1
SSTo = Y Y − Y JY = Y I − J Y,
n n
4.8 Resultados de Análisis de la Varianza (y estimación de σ 2 ) 125
Tabla 19: Ajuste del modelo lineal para los datos de bebés de bajo peso, headcirc
con dos explicativas continuas: gestage y birthwt
> ajuste2<-lm(headcirc~gestage+birthwt)
>
> summary(ajuste2)
Coefficients:
(Intercept) 8.3080154 1.5789429 5.262 8.54e-07
gestage 0.4487328 0.0672460 6.673 1.56e-09
birthwt 0.0047123 0.0006312 7.466 3.60e-11
---

F-statistic: 147.1 on 2 and 97 DF, p-value: < 2.2e-16
donde J es una matriz n×n toda de unos. De igual modo,
SSRes = suma de cuadrados de los residuos (SSE)
Xn 2 Xn
= Yi − Yi =
b e2i
i=1 i=1
t
= e t e = Y − Xβ
b Y − Xβ
b
b t Xt Y = Yt [I − H] Y
= Yt Y−β
que en términos matriciales se escribe
SSRes b t Xt Y = Yt [I − H] Y
= Yt Y−β
y
SSReg = suma de cuadrados de la regresión o del modelo (SSM)
Xn 2
= Yi − Y ,
b
i=1
y vale
t t 1 t t 1
SSReg = β X Y− Y JY = Y
b H − J Y.
n n
Más allá de las expresiones matemáticas que permiten calcularlas, en la regresión

múltiple se cumple la misma propiedad que en la regresión simple en cuanto a las
sumas de cuadrados. Volvamos sobre ellas. Recordemos que como los estimadores
βb0 , βb1 , . . . , βbp−1 se eligen como aquellos valores de b0 , b1 , . . . , bp−1 que minimicen a
g dada en (47), luego los parámetros elegidos hacen que la suma de los cuadrados
de los residuos (SSRes) sea lo más chica posible. Pero, aunque esta supercie sea
la mejor supercie disponible, todavía cabe preguntarse cuan bueno es el ajuste
encontrado, es decir, cuan bien ajusta el modelo a los datos observados. Para ello,
una manera es comparar el ajuste que proporciona el modelo de regresión lineal con
algo, y el algo que siempre podemos elegir es el modelo más básico que podemos
encontrar. Entonces usamos las sumas de cuadrados para calcular el ajuste del
modelo más básico (un solo parámetro que ajuste a todas las observaciones). Es
decir, elegimos el valor de µ tal que minimice
n
X
(Yi − µ)2 ,
i=1
sin tener en cuenta para nada los valores de las covariables (X1 , . . . , Xp−1 ). Es un
resultado de un curso inicial de estadística que el valor de µ que minimiza dicha
suma es el promedio de las Ys es decir, µ = Y. Esencialmente, estamos tomando
como medida de cuan bien ajusta un modelo, a la suma de los cuadrados; en
general
X
∆modelo = (observados − modelo)2 (50)
donde el modelo es la supercie de respuesta (44) en regresión lineal múltiple y un

sólo parámetro en el modelo más básico. Para cada modelo usamos la ecuación (50)
para ajustar ambos modelos, es decir, encontramos los valores de los parámetros
que minimizan (50) entre todos los valores posibles y, luego, básicamente si el
modelo lineal es razonablemente bueno ajustará a los datos signicativamente
mejor que el modelo básico. Es decir, la resta
∆modelo básico − ∆regresión lineal = SSTo − SSRes
será pequeña comparada con lo que era la SSTo. Esto es un poco abstracto así que
mejor lo miramos en un ejemplo.
Imaginemos que nos interesa predecir el perímetro cefálico de un niño al nacer (Y )
a partir de la edad gestacional del bebé (X1 ) y de su peso al nacer (X2 ) . ¾Cuánto
será el perímetro cefálico de un bebé con 33 semanas de edad gestacional y que
pesa 1490 gramos al nacer? Si no tuviéramos un modelo preciso de la relación entre
las tres variables en niños nacidos con bajo peso, ¾cuál podría ser nuestro mejor
pronóstico? Bueno, posiblemente la mejor respuesta sea dar el número promedio de
perímetros cefálicos en nuestra base de datos, que resulta ser 26,45 cm. Observemos
que la respuesta sería la misma si ahora la pregunta fuera: ¾cuánto será el perímetro
cefálico de un niño con 25 semanas de gestación y que pesó 680 g. al nacer?
Nuevamente, en ausencia de un vínculo preciso, nuestro mejor pronóstico sería dar
el promedio observado de perímetros cefálicos, o sea 26,45 cm. Claramente hay
un problema: no importa cual es la edad gestacional o el peso al nacer del niño,
siempre predecimos el mismo valor de perímetro cefálico. Debería ser claro que
la media es poco útil como modelo de la relación entre dos variables, pero es el
modelo más básico del que se dispone.
Repasemos entonces los pasos a seguir. Para ajustar el modelo más básico, pre-
decimos el outcome Y por Y, luego calculamos las diferencias entre los valores
observados y los valores que da el modelo (Y siempre para el modelo básico) y la
ecuación (50) se convierte en la SSTo (es decir, SSTo es la cantidad total de diferen-
cias presentes cuando aplicamos el modelo básico a los datos). La SSTo representa
una medida del desajuste que surge de usar el promedio como único resumen de
los datos observados. En un segundo paso ajustamos el modelo más sosticado a
los datos (el modelo de regresión lineal múltiple con dos predictores). Este modelo
permite pronosticar un valor distinto para cada combinación de covariables. A este
valor lo hemos llamado valor predicho y resulta ser
Ybi = βb0 + βb1 Xi1 + βb2 Xi2 .
En el ejemplo, para la primer pregunta nuestra respuesta sería
βb0 + βb1 33 + βb2 1490 = 8,3080 + 0,4487 · 33 + 0,0047 · 1490 = 30,118
y para la segunda pregunta tendríamos
βb0 + βb1 25 + βb2 680 = 8,3080 + 0,4487 · 25 + 0,0047 · 680 = 22,722.
Hemos visto que el modelo de regresión lineal múltiple encuentra los valores de
βb0 , βb1 y βb2 por el método de mínimos cuadrados, es decir minimizando las dife-
rencias entre el modelo ajustado a los datos y los propios datos. Sin embargo, aun
en este modelo optimizado hay todavía imprecisiones que se representan por las
diferencias entre cada valor observado
(Yi ) y cada valor predicho por la regresión
Ybi . Como antes, calculamos esas diferencias, elevamos al cuadrado cada una de
ellas y las sumamos (si las sumáramos sin elevarlas al cuadrado la suma terminaría
dando cero). El resultado se conoce como la suma de los cuadrados de los residuos
(SSRes). Este valor representa el grado de imprecisión del modelo lineal con estas
dos covariables ajustado a los datos. Podemos usar estos dos valores para calcu-
lar cuanto mejor es usar la supercie de respuesta estimada en vez de la media
como modelo (es decir, ¾cuánto mejor es el mejor modelo posible comparado con
el peor?) La mejora en predicción resultante al usar el mejor modelo en vez de la
media se calcula al hacer la resta entre SSTo y SSRes. Esta diferencia nos mues-
tra la reducción en la imprecisión que se obtiene por usar un modelo de regresión
lineal. Como en el caso de regresión lineal simple, puede verse que esta resta da
SSReg, es decir
SSTo − SSRes = SSReg.
La Figura 38 muestra ambas distancias para una misma observación, en el caso de

regresión lineal simple.
Figura 38: Distancias que intervienen en las sumas de cuadrados para una obser-
vación. Fuente: Rosner [2006], pág. 473.
Si el valor de SSReg es grande, entonces usar el modelo de regresión lineal es muy

distinto a usar la media para predecir el outcome. Esto implica que el modelo de
regresión ha hecho una gran mejora en la calidad de la predicción de la variable
respuesta. Por otro lado, si SSReg es chico, entonces el hecho de usar el modelo
de regresión es sólo un poco mejor que usar la media. (Observemos de paso que
SSTo siempre será mayor que SSRes ya que tomando b1 = b2 = · · · = bp−1 = 0 y
b0 = Y que son valores posibles para los parámetros de la regresión lineal múltiple
recuperamos al modelo básico, es decir, el modelo básico está contenido entre todos
los modelos posibles bajo la regresión lineal múltiple). Pero ahora, por supuesto,
aparece la natural pregunta de cuándo decimos que un valor de SSReg es grande
o pequeño.
4.8.2. Coeciente de Determinación Múltiple (R2 y R2 ajustado)

Una primera manera de zanjar esto es calcular la proporción de mejora debida al
modelo. Esto es fácil de hacer dividiendo la suma de cuadrados de la regresión por
la suma de cuadrados total. Es lo que hacíamos también en regresión lineal simple.
2
El resultado se denomina R , el coeciente de determinación múltiple
. Para
expresar este valor como un porcentaje hay que multiplicarlo por 100. Luego, como
2
en el caso de regresión lineal simple, R representa la proporción de variabilidad
de la variable respuesta que queda explicada por el modelo de regresión relativa
a cuánta variabilidad había para ser explicada antes de aplicar el modelo. Luego,
como porcentaje, representa el porcentaje de variación de la variable respuesta que
puede ser explicada por el modelo
SSReg SSRes
R2 = =1− .
SSTo SSTo
De igual modo que para el modelo de regresión lineal simple, R (la raíz cuadrada
2
de R ) resulta ser la correlación de Pearson entre los valores observados de (Yi )

y los valores predichos Ybi sin tener en cuenta el signo. Por lo tanto los valores
grandes de R múltiple (al que se lo suele llamar coeciente de correlación múlti-

ple ) representan una alta correlación entre los valores observados y predichos del
outcome. Un R múltiple igual a uno representa una situación en la que el modelo
predice perfectamente a los valores observados.
Observación 4.7 El hecho de agregar variables explicativas X al modelo de regre-

2
sión sólo puede aumentar el R y nunca reducirlo, puesto que la suma de cuadrados
de los residuos SSReg nunca puede aumentar con más covariables X y la suma de
cuadrados total SSTo siempre vale lo mismo para un conjunto jo de respuestas
Yi . Por este hecho, de que la inclusión de más covariables siempre aumenta el R2 ,
sean estas importantes o no, se sugiere que cuando se quieran comparar modelos
2
de regresión con distinto número de covariables en vez de usarse el R se utilice
una medida modicada que ajusta por el número de covariables explicativas inclui-
das en el modelo. El coeciente de determinación múltiple ajustado
, que
2 2
se suele denominar Ra , ajusta a R dividiendo cada suma de cuadrados por sus
correspondientes grados de libertad, de la siguiente forma
SSRes
n−p n−1 SSRes
Ra2 = 1 − SSTo = 1 −
n−1
n−p SSTo
Este coeciente de determinación múltiple puede, de hecho, disminuir cuando se

agrega una covariable al modelo, ya que cualquier disminución de la SSRes puede
ser más que compensada por la pérdida de un grado de libertad en el denominador
n − p. Si al comparar un modelo con las covariables X1 , . . . , X k para explicar a

Y con un modelo que tiene las mismas X1 , . . . , Xk y además a Xk+1 como cova-
2
riables vemos un aumento de los Ra , esto es una indicación de que la covariable
Xk+1 es importante para predecir a Y, aún cuando las covariables X1 , . . . , Xk ya
2
están incluidas en el modelo. Si en cambio, el Ra no aumenta o incluso disminuye
al incorporar a Xk+1 al modelo, esto es señal de que una vez que las variables
X1 , . . . , X k se utilizan para predecir a Y, la variable Xk+1 no contribuye a expli-
carla y de debe incluirse en el modelo.
Observación 4.8 Hemos dicho que en el modelo lineal múltiple, el R2 representa

el cuadrado del coeciente de correlación muestral de Pearson entre los valores
Yi observados y los valores Ybi predichos. Esto también sucede en regresión lineal
simple. Es decir,
Pn
i=1 Yi − Y
bi − Yb
Y
r=r 2
Pn 2 Pn
i=1 Y i − Y i=1
bi − Yb
Y
√
es tal que el valor absoluto de r es la raíz de R2 , |r| = R2 . En este caso, el signo
de r es positivo ya que los valores observados y los predichos están positivamente
correlacionados. Entonces, ¾cómo juega la raíz cuadrada? Como R2 es un número
comprendido entre 0 y 1, la raíz cuadrada es en dicho intervalo una función cre-
ciente que es la inversa de la
√ función elevar al cuadrado. Por lo tanto, como puede
verse en la Figura 39, r = R2 será mayor
2
que R .
Para ver cómo funciona este vínculo entre r y R2 inspeccionamos un par de

ejemplos numéricos, que exhibimos en la Tabla 20.
Tabla 20: Algunos valores del coeciente de determinación múltiple R2 con el

respectivo valor del coeciente de correlación muestral de Pearson, r entre valores
predichos y valores observados.
2
R r
0,1 0,316
0,4 0,632
0,6 0,775
0,7 0,837
0,9 0,949
0,99 0,995
Desde esta óptica, otra interpretación del R2 es pensar que un buen modelo debería
producir valores predichos altamente correlacionados con los valores observados.
Figura 39: Función raíz cuadrada comparada con la función elevar al cuadrado y la
identidad en el intervalo (0, 1) . Están gracadas las imágenes del x√= 0,4, con tres
2
puntos cuyas alturas son (en orden ascendente) 0,4 = 0,16; 0,4 y 0,4 = 0,632.
Esta es otra manera de visualizar por qué un R2 alto es, en general, una buena
señal de ajuste.
4.8.3. Test F
Como en el modelo de regresión lineal simple, una segunda forma de usar las su-
mas de cuadrados para evaluar la bondad de ajuste del modelo de regresión lineal
múltiple a los datos es a través de un test F. Este test se basa en el cociente de la
mejora debida al modelo (SSReg) y la diferencia entre el modelo y los datos obser-
vados (SSRes). La Tabla 21 resume la información que involucra a la construcción
del test F. De hecho, en vez de utilizar las sumas de cuadrados por sí mismas,
tomamos lo que se denominan los cuadrados medios (MS mean squares o sumas
medias de cuadrados o cuadrados medios). Para trabajar con ellos, es necesario
primero dividir a las sumas de cuadrados por sus respectivos grados de libertad.
Para la SSReg, los grados de libertad son simplemente el número de covariables
en el modelo, es decir,p− 1. Del
mismo modo que sucedía con la regresión lineal
bi − Y quedan determinadas al jar los p − 1 coecientes
simple, las diferencias Y

que acompañan a las p − 1 covariables, luego las diferencias Ybi − Y tienen p − 1
grados de libertad.
Tabla 21: Tabla de ANOVA para el modelo de Regresión Lineal General (44)
Fuente de variación SS g.l. MS
Pn b 2
SSReg
Regresión SSReg = i=1 Yi − Y p−1 MSReg = p−1
Pn 2
SSRes
Residuos SSRes = i=1 Yi − Yi n−p MSRes =
b
n−p
Pn 2
Total SSTo = i=1 Y i − Y n−1
Para la SSRes los grados de libertad son el número de observaciones menos el

número de parámetros que se estiman (es decir, el número de coecientes beta
incluyendo el β0 ), en este caso n − p. Esto proviene, al igual que en el caso de
regresión lineal simple, del hecho de que los residuos satisfacen p ecuaciones nor-
males. Las p ecuaciones que se obtienen al igualar a cero las p derivadas. Luego,
si conocemos n−p de ellos, podemos hallar los restantes p a partir de despejarlos
de las p ecuaciones lineales.
Los resultados son, respectivamente, el cuadrado medio de regresión (que nota-
remos MSReg o MSM, es decir regression mean square o model mean square ) y
el cuadrado medio de residuos (MSRes o MSE, es decir, residual mean square o
mean square error ). El estadístico F es una medida de cuánto mejora el modelo
la predicción de la variable respuesta comparada con el nivel de imprecisión de los
datos originales. Si el modelo es bueno, esperamos que la mejora en la predicción
debida al modelo sea grande (de manera que MSReg sea grande) y que la diferen-
cia entre el modelo y los datos observados sea pequeña (o sea, MSRes pequeña).
Por eso, un buen modelo debe tener un estadístico F grande (al menos mayor a 1
porque en tal caso el numerador, de decir, la mitad superior de (51) será mayor
que el denominador -la mitad inferior de (51)). El estadístico F es
SSReg
MSReg p−1 SSReg (n − p)
F = = SSRes = . (51)
MSRes SSRes (p − 1)
n−p
Se construye para testear las hipótesis
H0 : β1 = β2 = · · · = βp−1 = 0
H1 : no todos los βk (k = 1, 2, . . . , p − 1) son iguales a 0
Observemos que H0 dice que no hay vínculo entre la variable respuesta y las
regresoras. En cambio, H1 dice que al menos una de las variables regresoras sirve
para predecir aY . La distribución de F cuando H0 es cierta es la distribución F (de
Snedecor o de Fisher) con p − 1 grados de libertad en el numerador y n − p grados
4
de libertad en el denominador . Esto es porque bajo el supuesto de normalidad de
los errores, se tiene que
SSRes ∼ χ2n−p
y si además H0 es verdadera, entonces
SSReg ∼ χ2p−1
y además SSRes y SSReg son independientes. El test rechaza H0 cuando F >
Fp−1,n−p,1−α , el 1−α percentil de la distribución válida cuando H0 es verdadera.
Para valores grandes de F (es decir, p-valores pequeños) el test rechaza H0 y
concluye que no todos los coecientes que acompañan a las covariables del modelo
de regresión lineal son nulos.
Observación 4.9 Cuando p − 1 = 1, este test se reduce al test F visto en el

modelo de regresión lineal simple para testear si β1 es 0 o no.
Observación 4.10 La existencia de una relación de regresión lineal, por supuesto,

no asegura que puedan hacerse predicciones útiles a partir de ella.
Usualmente, como ya hemos visto en el modelo lineal simple, estos valores aparecen
en la salida de cualquier paquete estadístico en lo que se conoce como tabla de
ANOVA (Analysis of Variance table, que presentamos en la Tabla 21.
Usualmente la tabla se completa con dos últimas columnas que se denominan F y
p-valor. La columna F tiene un único casillero completo (el correspondiente a la
primer la) con el valor del estadístico, es decir
MSReg
Fobs = .
MSRes
La columna p-valor tiene también un único casillero con el p-valor del test, que es
la probabilidad, calculada asumiendo que H0 es verdadera, de observar un valor
del estadístico F tan alejado de lo esperado como el observado en la muestra, o
más alejado aún, o sea
p − valor = P (Fp−1,n−p > Fobs ) .

4 Pordenición, si U es una variable aleatoria con distribución χ2k y V es otra variable aleatoria
independiente de U con distribución χ2m , entonces la variable W = VU/k/m se denomina F de Fisher
con k grados de libertad en el numerador y m grados de libertad en el denominador.
4.8.4. Estimación de σ2
El modelo de regresión lineal dado en (44) y (45) impone que los erroresε1 , . . . , ε n
2
sean variables aleatorias independientes con esperanza cero y V ar (εi ) = σ . Si
2
tuviéramos los errores, sabemos que un estimador insesgado de σ es
n
1 X
(εi − ε)2 .
n − 1 i=1
El problema es que en el modelo de regresión lineal múltiple, al igual que en el

caso de regresión lineal simple, los errores no son observables.
Para estimar a σ
2
los podemos reemplazar por sus correlatos empíricos, los residuos e1 , . . . , en . Pero,
como ya vimos en la Observación 4.5 los residuos no son independientes. En el
caso del modelo lineal simple habíamos visto que los residuos están ligados entre
sí ya que satisfacen dos ecuaciones lineales (las dos ecuaciones normales):
- la suma de los residuos e1 , . . . , e n es cero.
- la correlación muestral entre e1 , . . . , en y X1 , . . . , X n es cero, o equi-

valentemente, el coeciente de correlación de Pearson calculado para
(X1 , e1 ) , . . . , (Xn , en ) es cero.
En el caso de regresión lineal múltiple con p−1 variables predictoras, los residuos
están ligados entre sí de una manera más estrecha, ya que satisfacen p ecuaciones
lineales (linealmente independientes): como e = (I − H) Y y H es una matriz de
proyección de rango p resulta que He = 0. Una de ellas es, también, que la suma de
los residuos vale cero. Informalmente se dice que los residuos tienen n−p grados de
libertad. Esto quiere decir que conociendo n − p de ellos, podemos deducir cuánto
valen los p restantes despejándolos de las ecuaciones normales. Luego, el estimador
2
de σ se basará en los residuos de la siguiente forma
n n
1 X 2 1 X
σ 2
b = (ei − e) = (ei )2
n − p i=1 n − p i=1
n
1 X 2 SSRes
= Yi − Yi =
b
n − p i=1 n−p
= MSRes. (52)
Es decir, el cuadrado medio de los residuos es el estimador de σ2 dado por el

modelo de regresión. En la salida de un paquete estadístico se puede encontrar en
el casillero correspondiente en la tabla de ANOVA.
4.9 Inferencias sobre los parámetros de la regresión 135
4.9. Inferencias sobre los parámetros de la regresión

Los estimadores de mínimos cuadrados βbk son insesgados, es decir,

E βbk = βk .

La matriz de covarianza de dichos estimadores V ar βb está dada por una matriz
p×p que en la coordenada jk tiene la covarianza entre β
bj y βbk y que resulta ser

b = σ 2 X t X −1 .

V ar β
Como vimos en la Sección 4.8.4, MSRes es el estimador de σ2, por lo que la

estimación de dicha matriz está dada por
−1 −1
V ar β
d b2 X t X
b =σ = MSRes X t X .
4.9.1. Intervalos de conanza para βk

Para el modelo de errores normales dado por (44) y (45) tenemos que
βb − β
r k k ∼ tn−p para k = 0, 1, . . . , p − 1.
Vdar βbk
Recordemos que n−p es el número de observaciones menosr

el número de covariables

del modelo menos uno. Muchas veces al denominador Vdar βbk se lo llama

s βbk . Luego, el intervalo de conanza de nivel 1−α para cada βk es
r
βbk ± tn−p,1− α2 Vd
ar βbk . (53)
4.9.2. Tests para βk

Los tests para βk se llevan a cabo de la forma usual. Para testear
H0 : βk = 0
H1 : βk 6= 0
usamos el estadístico
βbk
T =r
Vd
ar βbk
y rechazamos H0 cuando |T | ≥ tn−p,1− α2 . El p-valor, a su vez, se calcula como
p − valor = P (|tn−p | ≥ |Tobs |) .
Observemos que cuando realizamos este test asumimos que en el modelo aparecen
todas las restantes covariables. Se puede calcular la potencia de este test.
4.9.3. Inferencias conjuntas

El objetivo de los intervalos de conanza y tests presentados en las secciones 4.9.1
y 4.9.2 es proveer conclusiones con un nivel prejado de conanza sobre cada
uno de los parámetros β0 , β1 , . . . , βp−1 por separado. La dicultad es que éstos no
proporcionan el 95 por ciento de conanza de que las conclusiones de los p intervalos
son correctas. Si las inferencias fueran independientes, la probabilidad de que los
p intervalos construidos cada uno a nivel 0,95, contengan al verdadero parámetro
p
sería (0,95) , o sea, solamente 0,857 si p fuese 3. Sin embargo, las inferencias no
son independientes, ya que son calculadas a partir de un mismo conjunto de datos
de la muestra, lo que hace que la determinación de la probabilidad de que todas
las inferencias sean correctas sea mucho más difícil.
En esta sección propondremos intervalos de conanza de nivel conjunto 0,95.
Esto quiere decir que nos gustaría construir una serie de intervalos (o tests) para los
cuales tengamos una garantía sobre la exactitud de todo el conjunto de intervalos
de conanza (o tests). Al conjunto de intervalos de conanza (o tests) de interés
lo llamaremos familias de intervalos de conanza de nivel conjunto o simultáneo
(o regiones de conanza de nivel simultáneo o tests o inferencias conjuntas). En
nuestro ejemplo, la familia se compone de p estimaciones, para β0 , β1 , . . . , βp−1 .
Podríamos estar interesados en construir regiones de conanza para una cantidad
g entre 1 y p de estos parámetros, con g prejado. Distingamos entre un intervalo
de conanza de nivel 0,95 para un parámetro, y una familia de intervalos de nivel
simultáneo 0,95 para g parámetros. En el primer caso, 0,95 es la proporción de
intervalos construido con el método en cuestión que cubren al verdadero parámetro
de interés cuando se seleccionan repetidamente muestras de la población de interés
y se construyen los intervalos de conanza para cada una de ellas. Por otro lado,
cuando construimos una familia de regiones o intervalos de conanza de nivel
simultáneo 0,95 para g parámetros: θ1 , . . . , θg el valor 0,95 indica la proporción de
familias de g intervalos que están enteramente correctas (cubren a los g parámetros
de interés, simultáneamente) cuando se seleccionan repetidamente muestras de la
población de interés y se construyen los intervalos de conanza especícos para los
g parámetros en cuestión, o sea
P ({θ1 ∈ I1 } ∩ {θ2 ∈ I2 } ∩ · · · ∩ {θg ∈ Ig }) = 0,95,

si I1 , . . . , Ig son los g intervalos construidos usando los mismos datos. Luego, el

nivel simultáneo de una familia de regiones o intervalos de conanza correspon-
de a la probabilidad, calculada previa al muestreo, de que la familia entera de
armaciones sea correcta.
Ilustremos esto en el caso del ejemplo de los 100 bebés de bajo peso. Si nos inte-
resara construir intervalos de conanza de nivel simultáneo 0,95 para β1 y β2 , una
familia de intervalos de conanza simultáneos para estos datos consistiría en dos
intervalos de conanza de modo tal que si tomáramos muestras de 100 bebés de
bajo peso, les midiéramos la edad gestacional, el perímetro cefálico y el peso al na-
cer, y luego construyéramos para cada muestra los dos intervalos de conanza para
β1 y β2 , para el 95 % de las muestras ambos intervalos construidos con este método
cubrirían tanto al verdadero β1 como al verdadero β2 . Para el 5 % restante de las
muestras, resultaría que uno o ambos intervalos de conanza sería incorrecto.
En general es sumamente deseable contar con un procedimiento que provea una
familia de intervalos de conanza de nivel simultáneo cuando se estiman varios pa-
rámetros con una misma muestra de datos, ya que le permite al analista entrelazar
varios resultados juntos en un conjunto integrado de conclusiones con la seguridad
de que todo el conjunto de inferencias es correcto. Para obtenerlos hay básicamente
dos herramientas estadísticas disponibles. Una de ellas es el estudio matemático
en detalle del fenómeno en cuestión, en este caso, estudiar matemáticamente las
propiedades de los estimadores βb0 , . . . , βbp−1 de manera de poder obtener la distri-

bución exacta de alguna medida numérica que los resuma, como el máx0≤k≤p−1 βbk

o las descripciones matemáticas del elipsoide p dimensional más pequeño que los
contenga, con probabilidad 0,95, para contar un par de ejemplos que son utilizados
en distintas áreas de la estadística para construir regiones de conanza de nivel
simultáneo. Veremos otro en la Sección 4.10.2. La otra herramienta consiste en
construir intervalos de conanza con nivel simultáneo a partir de ajustar el nivel
de conanza de cada intervalo individual a un valor más alto, de modo de poder
asegurar el nivel simultáneo de la construcción. Esto es lo que se conoce como el
método de Bonferroni para la construcción de intervalos de nivel simultáneo. Una
descripción detallada de este método puede consultarse en Kutner et al. [2005],
pág. 155 a 157. Este procedimiento es de aplicación bastante general en la esta-
dística. En vez de usar el percentil de la t propuesto en la Sección 4.9.1 para cada
intervalo de conanza para βk se usa el percentil correspondiente a un nivel mayor.
Cuando se quieren construir intervalos de conanza de nivel simultáneo 1 − α para
g coecientes de la regresión, el percentil que se utiliza es el correspondiente a un
α
nivel 1 − 2g en cada intervalo en particular. Resultan ser intervalos más anchos que
los presentados en la Sección 4.9.1. Una observación importante es que el procedi-
miento de Bonferroni es conservativo, es decir, el nivel conjunto de los intervalos
así construidos resulta ser mayor o igual a 1 − α.
Así, se pueden construir los intervalos de conanza simultáneos de Bonferroni para

estimar varios coecientes de regresión de manera simultánea. Si se desean estimar
simultáneamente g parámetros (donde g ≤ p), los intervalos de conanza con nivel
simultáneo 1−α son los siguientes
r
βbk ± tn−p,1− 2gα Vd
ar βbk .
Más adelante discutiremos tests que conciernan varios parámetros de regresión en

forma simultánea.

Antes de seguir presentando teoría, veamos cómo se calculan e interpretan estas
cuestiones en el ejemplo de los 100 bebés de bajo peso. Para dicho ejemplo, cuyo
modelo contenía a la edad gestacional y el peso al nacer como variables explicativas,
p−1 resulta ser igual a 2 (luego p = 3). La distribución t involucrada en la
construcción de intervalos de conanza o tests para los βk tiene en este caso n−p =
100 − 3 = 97 grados de libertad. En la Tabla 19 que gura en la página 125
exhibimos los coecientes estimados. Los recordamos a continuación
Coefficients:
(Intercept) 8.3080154 1.5789429 5.262 8.54e-07
gestage 0.4487328 0.0672460 6.673 1.56e-09
birthwt 0.0047123 0.0006312 7.466 3.60e-11
Luego,
βb0 = 8,3080 βb1 = 0,4487 βb2 = 0,0047
y sus errores estándares respectivos resultan ser
r
Vd
ar βb0 = s βb0 = 1,5789 s βb1 = 0,0672 s βb2 = 0,00063
Luego, los respectivos estadísticos t observados en cada caso son
βb1 − 0 0,4487
T =r = 0,0672 = 6,67
Vd ar βb1
cuando k=1 y
βb2 − 0 0,0047
T =r = 0,00063 = 7,46
Vd ar βb2
cuando k = 2. En ambos casos, los p-valores resultan ser menores que 0,001.
Observemos que en la salida de cualquier paquete estadístico guran tanto las
estimaciones de los betas, como sus desvíos estándares estimados, los valores de
t observados y los p-valores respectivos. En ambos casos rechazamos las hipótesis
nulas a nivel 0,05 y concluimos que β1 es distinta de cero cuando en el modelo
aparece X2 como explicativa (en el primer test) y que β2 es distinta de cero cuando
en el modelo aparece X1 como explicativa (en el segundo test). Como además
ambos estimadores son positivos, concluimos que el perímetro cefálico aumenta
cuando aumenta tanto la edad gestacional como cuando aumenta el peso al nacer.
Debemos tener presente, sin embargo, que varios tests de hipótesis basados en los
mismos datos no son independientes; si cada test se realiza a nivel de signicación
α, la probabilidad global de cometer un error de tipo I o rechazar la hipótesis
nula cuando es verdadera es, de hecho, mayor que α. Para eso se pueden realizar
los tests simultáneos presentados, como los de Bonferroni.
Los intervalos de conanza para ambos parámetros de la regresión resultan ser
r
βb1 ± t97,0,975 V ar βb1
d
= [0,4487 − 1,9847 · 0,06724; 0,4487 + 1,9847 · 0,06724]

= [0,315 25; 0,582 15]
y
r
βb2 ± t97,0,975 ar βb2
Vd
= [0,004712 − 1,9847 · 0,00063; 0,004712 + 1,9847 · 0,00063]

= [0,00346; 0,00596]
o, calculados con el R, como guran en la Tabla 22.

Si usáramos el procedimiento de Bonferroni para construir los intervalos, tendría-
mos que usar el percentil
α 0,05
1− =1− = 0,99167
2g 2·3
de una t97, es decir, t97,0,9917 = 2,43636 en vez de t97,0,975 = 1,9847, que nos da-
rá intervalos más anchos, como puede observarse comparando los intervalos de
conanza de las Tablas 22 y 23, la primera contiene a los intervalos de conanza
de nivel 0,95 cada uno, y la segunda contiene los intervalos de conanza de nivel
simultáneo 0,95.
2
Si calculamos el R para este modelo (que gura en la Tabla 19) vemos que es
R2 = 0,752, luego el modelo que contiene a la edad gestacional y el peso al nacer
Tabla 22: Intervalos de conanza de nivel 0,95 para β0 , β1 y β2 para los datos de
niños de bajo peso al nacer
> confint(ajuste2)
2.5 % 97.5 %
(Intercept) 5.174250734 11.441780042
gestage 0.315268189 0.582197507
birthwt 0.003459568 0.005964999
Tabla 23: Intervalos de conanza de nivel simultáneo 0,95 para β0 , β1 y β2 para los
datos de niños de bajo peso al nacer, construidos con el método de Bonferroni
> confint(ajuste2,level=(1-(0.05/3)))
0.833 % 99.167 %
(Intercept) 4.461384677 12.154646098
gestage 0.284907765 0.612557932
birthwt 0.003174601 0.006249966
> 0.05/(2*3)
[1] 0.008333333
como variables explicativas explica el 75,20 % de la variabilidad en los datos obser-

vados de perímetro cefálico; el modelo que tenía solamente a la edad gestacional
2
explicaba el 60,95 %. Este aumento en el R sugiere que agregar la variable peso
al modelo mejora nuestra habilidad para predecir el perímetro cefálico para la po-
blación de bebés nacidos con bajo peso. Pero, como ya vimos, debemos ser muy
cuidadosos al comparar coecientes de determinación de dos modelos diferentes.
Ya dijimos que la inclusión de una nueva covariable al modelo nunca puede hacer
2
que el R decrezca; el conocimiento de la edad gestacional y el peso al nacer, por
ejemplo, nunca puede explicar menos de la variabilidad observada en los períme-
tros cefálicos que el conocimiento de la edad gestacional sola (aun si la variable
peso no contribuyera en la explicación). Para sortear este problema podemos usar
una segunda medida (cuando el interés sea comparar el ajuste que producen dos
2 2
o más modelos entre sí), el R ajustado (que notaremos Ra ), que compensa por
2
la complejidad extra que se le agrega al modelo. El R ajustado aumenta cuando
la inclusión de una variable mejora nuestra habilidad para predecir la variable y
2
disminuye cuando no lo hace. Consecuentemente, el R ajustado nos permite hacer
una comparación más justa entre modelos que contienen diferente número de co-
2
variables. Como el coeciente de determinación, el R ajustado es una estimación
2
del coeciente de correlación poblacional ρ; a diferencia del R , sin embargo, no
puede ser directamente interpretado como la proporción de la variabilidad de los
2
valores Y que queda explicada por el modelo de regresión. En este ejemplo, el R
ajustado resulta ser 0,7469 (ver nuevamente la Tabla 19) que al ser mayor que el
R2 ajustado del modelo con sólo una variable explicativa, la edad gestacional (era
Ra2 = 0,6055) indica que la inclusión del peso al nacer en el modelo, mejora nuestra
capacidad para predecir el perímetro cefálico del niño.
Finalmente, la tabla ANOVA para estos datos aparece en la Figura 40 con el SPSS
y en la Tabla 24 con el R.
Figura 40: Tabla de ANOVA para los datos de niños de bajo peso al nacer
Tabla 24: Tabla de Anova para los datos de bebés de bajo peso, en R.
> ajuste2<-lm(headcirc~gestage+birthwt)
> ajuste1<-lm(headcirc~1)
> anova(ajuste1,ajuste2)
Model 1: headcirc ~ 1
Model 2: headcirc ~ gestage + birthwt
Res.Df RSS Df Sum of Sq F Pr(>F)
1 99 634.75
2 97 157.42 2 477.33 147.06 < 2.2e-16 ***
---
Observemos que el estimador de σ2 que surge del modelo de regresión es
n
1 X
SSRes
2
MSRes = = Yi − Ybi = 1,62, (54)
n−p n − p i=1
por la Sección 4.8.4. Si comparamos el valor observado del estimador b2 = 1,62

σ
para este modelo con el estimador de la varianza no explicada por el modelo de
regresión lineal simple que sólo tiene a la edad gestacional como explicativa, que era
2,529 (ver Tabla 2.8) observamos que con la inclusión del peso hemos reducido la
variabilidad no explicada por el modelo, mejorando la calidad del ajuste obtenido
(y de las predicciones que pueden hacerse con él).
4.10. Estimación de la Respuesta Media

4.10.1. Intervalo de conanza para E (Yh )
Nos interesa estimar la respuesta media o esperada cuando (X1 , . . . , Xp−1 ) to-
ma el valor dado (Xh1 , . . . , Xh,p−1 ) . Notamos a esta respuesta media por E (Yh )
o bien E (Yh | (Xh1 , . . . , Xh,p−1 )) . Como en regresión lineal simple estos valores
(Xh1 , . . . , Xh,p−1 ) pueden ser valores que hayan ocurrido en la muestra considera-
da o pueden ser algunos otros valores de las variables predictoras dentro del alcance
(scope ) del modelo. Denimos el vector
 
1
 Xh1 
Xh =  .. 
 
 . 
Xh,p−1
de modo que la respuesta a ser estimada es
E (Yh ) = E (Yh | Xh ) = Xth β.
La respuesta media estimada correspondiente a Xh , que denotamos por Ybh es la

variable aleatoria que se calcula del siguiente modo
Ybh = Xth β
b = βb0 + βb1 Xh1 + βb2 Xh2 + · · · + βbp−1 Xh,p−1 .
Para el modelo de errores normales (45) la distribución de Ybh será normal, con
media
E Ybh = Xth β = E (Yh ) (55)
y varianza
2 t t
−1 t
V ar Yh = σ Xh X X
b Xh = Xh V ar β
b Xh .
4.10 Estimación de la Respuesta Media 143
Como
la esperanza del predicho es igual a lo que queremos estimar, es decir,
E Ybh = E (Yh ), el estimador resulta ser insesgado. La varianza estimada resulta
ser
−1
Vdar Ybh = MSRes · Xth Xt X Xh = Xth Vdar βb Xh . (56)
A partir de (55) y (56) puede obtenerse un intervalo de conanza de nivel 1−α

para E (Yh ) , la respuesta media esperada cuando las covariables son Xh , que viene
dado por
r
Ybh ± tn−p,1−α/2 · Vd
ar Ybh . (57)
En general, estos intervalos serán calculados usando un paquete estadístico.
4.10.2. Región de Conanza para la Supercie de Regresión

La región de conanza para toda la supercie de regresión es una extensión de la
banda de conanza de Hotelling o Working-Hotelling para una recta de regresión
(cuando hay una sola variable predictora). Los puntos de la frontera de la región
de conanza en Xh , se obtienen a partir de
r
Ybh ± W · Vd
ar Ybh .
donde
W 2 = pFp,n−p;1−α . (58)
Puede probarse que eligiendo este percentil, la región resultante cubrirá a la su-
percie de regresión para todas las combinaciones posibles de las variables
X (dentro de los límites observados), con nivel 1 − α. Es por eso que esta región
de conanza tiene nivel simultáneo o global 1 − α, como discutimos en la Sección
4.9.3.
4.10.3. Intervalos de Conanza Simultáneos para Varias Respuestas

Medias
Para estimar un número de respuestas medias E (Yh ) correspondientes a distintos
vectores Xh con coeciente de conanza global 1−α podemos emplear dos enfoques
diferentes:
1. Usar las regiones de conanza para la supercie de regresión basadas en la

distribución de Hotelling (58) para varios vectores Xh de interés
r
Ybh ± W · Vd
ar Ybh .

donde Ybh , W y Vd
ar Ybh están denidos respectivamente en (55), (58) y
(56). Como la región de conanza para la supercie de regresión basada en

la distribución de Hotelling cubre la respuesta media para todos los vectores
Xh posibles con nivel conjunto 1 − α, los valores de frontera seleccionados
cubrirán las respuestas medias para los vectores Xh de interés con nivel de
conanza global mayor a 1 − α.
2. Usar intervalos de conanza simultáneos de Bonferroni. Cuando se quieren

hallar g intervalos de conanza simultáneos, los límites serán
r
Ybh ± B · V ar Ybh .
d
donde
B = tn−p,1− 2gα .
Para una aplicación en particular, podemos comparar los valores de W y B para

ver cuál procedimiento conduce a tener los intervalos de conanza más angostos.
Si los niveles Xh no son conocidos antes de aplicar el modelo, sino que surgen del
análisis, es mejor usar los intervalos basados en la distribución de Hotelling, puesto
que la familia de estos intervalos incluye a todos los posibles valores de Xh .
4.11. Intervalos de Predicción para una Nueva Observación

Yh(nueva)
Como en el caso de regresión lineal simple, estamos interesados ahora en predecir
una nueva observación Y correspondiente a un nivel dado de las covariables Xh .
La nueva observación Y a ser predicha se puede ver como el resultado de una
nueva repetición del experimento u observación, independiente de los resultados
anteriores en los que se basa el análisis de regresión. Denotamos el nivel de X para
la nueva observación por Xh y a la nueva observación de Y como Yh(nueva) . Por
supuesto, asumimos que el modelo de regresión subyacente aplicable a los datos
con los que contamos sigue siendo apropiado para la nueva observación.
La diferencia entre la estimación de la respuesta media E (Yh ), tratado en la sección
anterior, y la predicción de una nueva respuesta Yh(nueva) , que discutimos en esta, es
básica. En el primer caso, se estima la media de la distribución de Y . En el segundo
caso, queremos predecir un resultado individual surgido a partir de la distribución
de Y. Por supuesto, la gran mayoría de los resultados individuales se desvían de
la respuesta media, y esto debe ser tenido en cuenta por el procedimiento para la
predicción de la Yh(nueva) .
4.11 Intervalos de Predicción para una Nueva Observación Yh(nueva) 145
4.11.1. Intervalo de predicción para Yh(nueva) cuando los parámetros son

conocidos
Para ilustrar la naturaleza de un intervalo de predicción para una nueva observa-
ción de la Yh(nueva) de la manera más simple posible, en primer lugar supondremos
que todos los parámetros de regresión son conocidos. Más adelante abandona-
remos este supuesto para tener el enfoque realista y haremos las modicaciones
pertinentes.
Consideremos el ejemplo de los niños con bajo peso al nacer. Supongamos que
supiéramos que los parámetros del modelo son
β0 = 8 β1 = 0,5 β2 = 0,004 σ = 1,25

E (Y ) = 8 + 0,5X1 + 0,004X2
El analista considera ahora un bebé de 30 semanas de edad gestacional y que pesó

1360g. al nacer. El perímetro cefálico medio para Xh1 = 30 y Xh2 = 1360 es
E (Y ) = 8 + 0,5 · 30 + 0,004 · 1360 = 28,44
En la Figura 41 se muestra la distribución para Yh para Xth = (1, 30, 1360) . Su

media es E (Yh ) = 28,44 y su desvío estándar es σ = 1,25. La distribución es
normal debido al modelo de regresión (44) y (45).
Supongamos que fuéramos a predecir el perímetro cefálico de un bebé con estos
valores de las covariables, diríamos que está entre
E (Yh ) ± 3σ
28,44 ± 3 · 1,25
de modo que el intervalo de predicción sería
24,69 ≤ Yh(nueva) ≤ 32,19
Como el 99,7 por ciento del área en una distribución de probabilidad normal cae
dentro de los tres desvíos estándares de la media, hay una probabilidad de 0,997
de que este intervalo de predicción dé una predicción correcta para el perímetro
cefálico del bebé en cuestión, con 30 semanas de gestación y que pesó 1360g. al
nacer. Los límites de predicción en este caso son bastante amplios, por lo que la
predicción no es muy precisa, sin embargo, el intervalo de predicción indica que el
bebé tendrá un perímetro cefálico mayor a 24 cm., por ejemplo.
La idea básica de un intervalo de predicción es, pues, elegir un rango en la distri-
bución de Y en donde la mayoría de las observaciones caerá, y luego, declarar que
la observación siguiente caerá en este rango. La utilidad del intervalo de predicción
Figura 41: Distribución de Yh cuando Xth = (1, 30, 1360) . Fuente: Kutner et al.
[2005], pág. 57.
depende, como siempre, del ancho del intervalo y de la necesidad de precisión por
parte del usuario.
En general, cuando los parámetros del modelo de regresión con errores normales
son conocidos, los límites de la predicción de la Yh(nueva) son
E (Yh ) ± z1− α2 · σ (59)
4.11.2. Intervalo de predicción para Yh(nueva) cuando los parámetros son

desconocidos
Cuando los parámetros de regresión son desconocidos, deben ser estimados. La
media de la distribución de Y se estima por Ybh , como de costumbre, y la varianza
de la distribución de Y se estima por la MSRes. No podemos, sin embargo sólo
utilizar los límites de la predicción de (59) con los parámetros reemplazados por los
estimadores puntuales correspondientes. La razón de ello es ilustrada de manera
intuitiva en la Figura 42. En ella se muestran dos distribuciones de probabilidad

de Y , que corresponde a los límites superior e inferior de un intervalo de conanza
para E (Yh ). En otras palabras, la distribución de Y puede ser ubicada tan a la
izquierda como la distribución que se exhibe a la extrema izquierda, o tan a la
derecha como la distribución que se exhibe a la extrema derecha, o en cualquier
lugar en el medio. Dado que no sabemos la media E (Yh ) y sólo la podemos estimar
por un intervalo de conanza, no podemos estar seguros de la localización de la
distribución de Y.
La Figura 42 también muestra los límites de predicción para cada una de las dos
distribuciones de probabilidad de Y allí presentadas. Ya que no podemos estar
seguros de la localización del centro de la distribución de Y, los límites de la
predicción de Yh(nueva) claramente deben tener en cuenta dos elementos, como se
muestra en la Figura 42:
1. La variación en la posible ubicación de la (esperanza o centro de la) distri-

bución de Y.
2. La variación dentro de la distribución de probabilidad de Y.
Figura 42: Predicción de Yh(nueva) cuando los parámetros son desconocidos. Fuente:
Kutner et al. [2005], pág 58.
Los límites de predicción para una nueva observación Yh(nueva) en un determinado

nivel Xh se obtienen por medio del siguiente resultado
Yh(nueva) − Y
ch
∼ tn−p (60)
s (pred)
Observemos que en el estadístico de Student utilizamos el estimador puntual Y

ch
en el numerador y no la verdadera media E (Yh ) porque la media real se desconoce
y no puede ser utilizada al hacer la predicción. El desvío estándar estimado de la
predicción, s (pred), en el denominador se dene por

2
s (pred) = MSRes + V ar Ybh
d

−1
= MSRes · 1 + X0h (X0 X) Xh ,
de manera análoga a lo que habíamos calculado para el modelo de regresión li-

neal simple. A partir de dicho resultado, el intervalo de predicción de la Yh(nueva)
correspondiente a Xh de nivel 1−α es
Ybh ± tn−p,1−α/2 · s (pred)

q
Yh ± tn−p,1−α/2 · MSRes · 1 + X0h (X0 X)−1 Xh

b
Observemos que el numerador del estadístico de Student (60) representa cuán
lejos se desviará la nueva observación Yh(nueva) de la media estimada Ybh basada en

los n casos originales en el estudio. Esta diferencia puede ser vista como el error
de predicción, con Ybh jugando el papel de la mejor estimación puntual del valor
de la nueva observación Yh(nueva) . La varianza de este error de predicción puede
ser fácilmente obtenida mediante la utilización de la independencia de la nueva
observación, Yh(nueva) y los n casos originales de la muestra en la que se basa Ybh .

V ar (pred) = V ar Yh(nueva) − Yh
c

= V ar Yh(nueva) + V ar Ych

2
= σ + V ar Y ch
Luego, la varianza del error de predicción V ar (pred) tiene dos componentes:
1. La varianza de la distribución de Y en X = Xh , es decir, σ2.

2. La varianza de la distribución muestral de Y
ch , es decir, V ar Ych .
Un estimador insesgado de V ar (pred) es

s2 (pred) = MSRes + Vd
ar Ybh .

Por supuesto, como este estimador es siempre mayor que Vdar Ybh , que aparece
en el intervalo de conanza (57), el intervalo de predicción de la Yh(nueva) corres-
pondiente a Xh de nivel 1 − α siempre será más largo que el intervalo de conanza
de nivel 1 − α para E (Yh ) , la respuesta media esperada cuando las covariables son
Xh .
4.11.3. Ejemplo de cálculo de Intervalo de Conanza para E (Yh ) y de

un Intervalo de Predicción para Yh(nueva)
Apliquemos estos dos resultados (cálculo de intervalo de conanza e intervalo de
predicción) a un caso particular, usando los datos de bebés de bajo peso. Buscamos
un intervalo de conanza para la media del perímetro cefálico de un bebé con 30
semanas de gestación y que pesó 1360g. al nacer, de nivel 0,95. El intervalo de
conanza resulta ser
Tabla 25: Intervalos de conanza y predicción de nivel 0,95 para los datos de niños
de bajo peso al nacer, para edad gestacional de 30 semanas y peso al nacer de
1360g.
> new<-data.frame(gestage=30, birthwt= 1360)

> predict.lm(ajuste2,new,interval="confidence")
fit lwr upr
1 28.17871 27.81963 28.53778
> predict.lm(ajuste2,new,interval="prediction")
fit lwr upr
1 28.17871 25.62492 30.73249
O, bien, operando a mano, la matriz de varianzas de los coecientes beta da
> vcov(sal2)
(Intercept) gestage birthwt
(Intercept) 2.4930607944 -9.986181e-02 3.714576e-04
gestage -0.0998618122 4.522022e-03 -2.801056e-05
birthwt 0.0003714576 -2.801056e-05 3.983870e-07

Recordemos que Vd
ar Ybh está denida en (56), luego

Vd
ar Ybh

= Xth Vd
β ar
b Xh
−2
3,714576 × 10−4
  
2,4930607944 −9,986181 × 10−3 1
−2,801056 × 10−5   30 

= 1 30 1360 −0,0998618122 4,522022 × 10
0,0003714576 −2,801056 × 10−5 3,983870 × 10−7 1360
= 0,032731
Como
tn−p,1−α/2 = t97,0,975 = 1,984723

Ybh = 8,3080 + 0,4487 · 30 + 0,0047122 · 1360 = 28,178
resulta que el intervalo de conanza de nivel 1−α = 0,95 para E (Yh ) , la respuesta
media esperada cuando las covariables son Xh , es
r
Yh ± tn−p,1−α/2 · Vd
b ar Ybh
p
28,178 ± 1,984723 · 0,032731
28,178 ± 0,359 07
es decir
[27,819; 28,537]
Por otro lado, el intervalo de predicción de la Yh(nueva) correspondiente a Xh de
nivel 1 − α = 0,95 es
Ybh ± tn−p,1−α/2 · s (pred)

r
Ybh ± tn−p,1−α/2 · MSRes + Vd
ar Ybh
Como
MSRes = 1,62,
el intervalo de predicción de la Yh(nueva) resulta ser
p
28,178 ± 1,984723 · 1,62 + 0,032731
28,178 ± 2,551 5
es decir,
[25,62; 30,730] .
4.12 Ejercicios (primera parte) 151
4.11.4. Precaución Respecto de Extrapolaciones Ocultas

Al estimar una respuesta media o al predecir una nueva observación en la regre-
sión múltiple, hay que tener especial cuidado de que la estimación o predicción
esté comprendida dentro del alcance del modelo. El peligro, por supuesto, es que
el modelo puede no ser apropiado cuando se lo extiende fuera de la región de las
observaciones. En regresión múltiple, es particularmente fácil perder la noción de
esta región ya que los niveles de X1 , ..., Xp−1 denen a la región en forma conjunta.
Por lo tanto, uno no puede simplemente mirar los rangos de cada variable predic-
tora de forma individual. Para visualizar el problema, consideremos la Figura 43,
donde la región sombreada es la región de las observaciones para una regresión
múltiple con dos variables de predicción y el punto con un círculo alrededor re-
presenta los valores (Xh1 , Xh2 ) para los que se desea predecir la Yh(nueva) . Dicho
punto está dentro de los rangos de las variables predictoras X1 y X2 en forma
individual, sin embargo, está bien fuera de la región conjunta de las observaciones.
Cuando sólo hay dos variables de predicción es fácil descubrir que se está frente a
esta extrapolación, a través de un scatterplot (o gráco de dispersión) pero esta
detección se hace mucho más difícil cuando el número de variables predictivas es
muy grande. Se discute en la Sección 5.2 un procedimiento para identicar las
extrapolaciones ocultas cuando hay más de dos variables predictoras.
4.12. Ejercicios (primera parte)

Ejercicio 4.1 Medidas del cuerpo V. Base de datos bdims del paquete openintro.
(a) En el ejercicio 2.1 explicamos el peso de las personas registradas en esta base
de datos, por el contorno de la cadera y en el ejercicio 2.2 la explicamos
con un modelo con la altura como covariable. Proponga un modelo de regre-
sión múltiple que explique el peso medido en kilogramos (wgt) utilizando el
contorno de la cadera medida en centímetros (hip.gi) y la altura media en
centímetros (hgt) como covariables. Escriba el modelo que está ajustando.
Realice el ajuste con el R.
(b) Interprete los coecientes estimados. ¾Resultan signicativos? Cambian sus

valores respecto de los que tenían los coecientes que acompañaban a estas
variables en los modelos de regresión lineal simple?
(c) Evalúe la bondad del ajuste realizado, a través del R2 . Indique cuánto vale y
qué signica. Se quiere comparar este ajuste con el que dan los dos modelos
lineales simples propuestos en los ejercicios 2.1 y 2.2. ¾Es correcto comparar
2
los R de los tres ajustes? ¾Qué valores puedo comparar? ¾Es mejor este
ajuste múltiple?
Figura 43: Región de observaciones en X1 y X2 conjuntamente, comparada con los

rangos de X1 y X2 por separado.
(d) Estime la varianza de los errores. Compare este estimador con los obtenidos
en los dos ajustes simples.
(e) Estime el peso esperado para la población de adultos cuyo contorno de cadera
mide 100 cm y su altura es de 174cm. Dé un intervalo de conanza de nivel
0.95 para este valor esperado.
(f ) Prediga el peso de un adulto cuyo contorno de cadera mide 100 cm y su altura

es de 174cm. Dé un intervalo de predicción de nivel 0.95 para este valor.
Compare las longitudes de los tres intervalos de predicción que se obtienen
usando el modelo que solamente tiene al contorno de cadera como explicativa,
al que solamente usa la altura y al modelo múltiple que contiene a ambas.
4.13 Predictores Categóricos 153
4.13. Predictores Categóricos

Hasta ahora hemos visto el modelo de regresión lineal simple o múltiple con uno
o varios predictores continuos. Sin embargo, tanto en regresión lineal simple co-
mo múltiple los predictores pueden ser variables binarias, categóricas, numéricas
discretas o bien numéricas continuas.
4.13.1. Predictores Binarios

Comencemos con un ejemplo.
Los niveles de glucosa por encima de 125 mg/dL son diagnóstico de diabetes,
mientras que los niveles en el rango de 100 a 125 mg/dL señalan un aumento en el
riesgo de progresar a esta condición grave. Por lo tanto, es de interés determinar si
la actividad física, una característica del estilo de vida que es modicable, podría
ayudar a las personas a reducir sus niveles de glucosa y, por ende, evitar la diabetes.
Responder a esta pregunta de manera concluyente requeriría un ensayo clínico
aleatorizado, lo cual es a la vez difícil y costoso. Por ello, preguntas como estas son
con frecuencia, inicialmente respondidas utilizando datos observacionales. Pero
esto es complicado por el hecho de que las personas que hacen ejercicio físico
dieren en muchos aspectos de las que no lo hacen, y algunas de las otras diferencias
podrían explicar cualquier asociación (no ajustada) entre el ejercicio físico y el nivel
de glucosa.
Usaremos un modelo lineal simple para predecir el nivel de glucosa usando una
medida de la cantidad y frecuencia de ejercicio físico que realizan. La base de datos
está en el archivo azucar.txt, se compone de los datos de n = 220 personas.
Corresponde a datos articialmente creados. La pregunta que queremos responder
es si el hecho de hacer actividad física puede contribuir a bajar el nivel de glucosa y
ayudar a prevenir la progresión a la diabetes entre las personas personas en riesgo.
Hay muchas maneras de codicar numéricamente las clases de una variable cuali-
tativa. Usaremos variables indicadoras que valen 0 ó 1. Estas variables indicadoras
son fáciles de usar y son ampliamente utilizadas, pero de ninguna manera son la
única forma de cuanticar una variable cualitativa. En la Observación 4.12 co-
mentamos una propuesta alternativa de codicación. Para el ejemplo, denimos la
variable indicadora (o binaria, o dummy) por

si el iésimo paciente hace actividad física
 1


(al menos 3 veces por semana)
Xi1 = (61)


0 si no

El modelo de regresión lineal para este caso es
Yi = β0 + β1 Xi1 + εi
La función de respuesta para este modelo de regresión es
E (Y | X1 ) = β0 + β1 X1 . (62)
Para entender el signicado de los coecientes de regresión en este modelo, consi-

deremos primero el caso de una persona que no hace ejercicio. Para tal persona,
X1 = 0, y la función de respuesta (62) se reduce a
E (Y ) = β0 + β1 0 = β0 no ejercita
Para una persona que sí hace ejercicio, X1 = 1, y la función de respuesta (62) se

convierte en
E (Y ) = β0 + β1 1 = β0 + β1 ejercita
Luego, el modelo de regresión lineal en este caso consiste simplemente en expresar

la media del nivel de glucosa en cada población mediante dos coecientes distintos,
donde β0 es la media de la glucosa para las personas que no ejercitan y β0 +β1 es la
media de la glucosa para las personas que ejercitan; por lo tanto, β1 es la diferencia
(positiva o negativa, dependiendo del signo) en niveles medios de glucosa para las
personas que ejercitan respecto de las que no. Observemos que esto es consistente
con nuestra interpretación más general de βj como el cambio en E[Y |Xj ] por un
aumento de una unidad de Xj . En este caso, si el ejercicio estuviera asociado con
menores niveles de glucosa (como se presume) β1 debería ser negativo.
En la Tabla 26 presentamos el resultado de ajustar el modelo propuesto a los datos.
Los datos están en el archivo azucar.txt. Las variables se denominan glucosa
(la respuesta) y ejercicio la explicativa.
El coeciente estimado para la actividad física (ejercicio) muestra que los ni-
veles basales de glucosa fueron alrededor de 7,4 mg/dL más bajos para personas
que hacían ejercicios al menos tres veces por semana que para las personas que
ejercitaban menos. Esta diferencia es estadísticamente signicativa (t = −6,309,
p − valor = 1,5410−9 < 0,05).
Sin embargo, en la base de datos considerada, las personas que hacen ejercicio
resultaron ser en promedio, un poco más jóvenes, un poco más propensas a consu-
mir alcohol, y, en particular, como puede verse en la Figura 44 tienen en promedio
un menor índice de masa corporal (BMI), todos factores asociados con el nivel de
glucosa. Esto implica que el promedio más bajo de la glucosa que observamos entre
las personas que hacen ejercicio puede deberse al menos en parte, a diferencias en
estos otros predictores. En estas condiciones, es importante que nuestra estima-
ción de la diferencia en los niveles promedio de glucosa asociados con el ejercicio
se ajuste a los efectos de estos factores de confusión potenciales de la asociación
sin ajustar. Idealmente, el ajuste de un modelo de regresión múltiple (o sea, de
múltiples predictores) proporciona una estimación del efecto de ejercitar en el nivel
medio de glucosa, manteniendo las demás variables constantes.
Tabla 26: Ajuste de la regresión para la variable glucosa con ejercicio como expli-
cativa.
> ajuste1<-lm(glucosa ~ ejercicio, data = azucar)

> summary(ajuste1)
Coefficients:
(Intercept) 98.9143 0.8512 116.212 < 2e-16 ***
ejercicio -7.4273 1.1773 -6.309 1.54e-09 ***
---

Observación 4.11 ¾Qué pasa si ponemos dos variables binarias para modelar
ejercicio? O sea, si denimos X1 como antes,

 1 si la iésima persona ejercita
Xi1 =
0 si no

y

 1 si la iésima persona no ejercita
Xi2 =
0 si no

Acá decimos que ejercita si hace actividad física más de tres veces por semana.
Entonces el modelo sería
Yi = β0 + β1 Xi1 + β2 Xi2 + εi (63)
Esta manera intuitiva de incorporar una variable indicadora para cada clase de la
predictora cualitativa, desafortunadamente, conduce a problemas tanto estadísti-
cos (de identicación de parámetros) como computacionales. Para verlo, supon-
gamos que tuviéramos n = 4 observaciones, las primeras dos compuestas por
personas que ejercitan (X1 = 1, X2 = 0 ) y las dos segundas que no lo hacen
Figura 44: Boxplot del bmi, separados por niveles de la variable ejercicio, para
los datos del archivo azucar.
50 BMI por nivel de ejercicio
●
●
●
45
40
●
● ●
●
●
●
35
30
25
20
15
ejercicio=0 ejercicio=1
(X1 = 0, X2 = 1 ) . Entonces la matriz X sería
X1 X2
 
1 1 0
 1 1 0 
X=
 1

0 1 
1 0 1
Observemos que la suma de las columnas X1 y X2 da la primer columna, de modo

que las columnas de esta matriz son linealmente dependientes. Esto tiene un efecto
serio en la matriz X t X.
 
 1  1 0  
1 1 1 1 4 2 2
 1 1 0 
X tX =  1 1 0 0  · 
 1
= 2 2 0 
0 1 
0 0 1 1 2 0 2
1 0 1
Vemos que la primer columna de la matriz X tX es igual a la suma de las últimas
dos, de modo que las columnas son linealmente dependientes. Luego, la matriz
X t X no tiene inversa, y por lo tanto, no se pueden hallar únicos estimadores de
los coecientes de regresión. De hecho, no hay unicidad tampoco en los parámetros
del modelo (lo que en estadística se conoce como identicabilidad de los parámetros)
puesto que la función de respuesta para el modelo (63) es

 β0 + β1 si ejercita
E (Y | X1 , X2 ) = β0 + β1 X1 + β2 X2 =
β0 + β2 si no ejercita

En particular, tomando
β0 = a
β1 = b
β2 = c
o bien
β0 = a − b
β1 = 2b
β2 = c
resulta, en ambos casos

 a+b si ejercita
E (Y | X1 , X2 ) =
a+c si no ejercita

para cualesquiera números reales a, b, c. Una salida simple a este problema es des-
prenderse de una de las variables indicadoras. En nuestro ejemplo nos deshacemos
de X2 . Esta forma de resolver el problema de identicabilidad no es la única pe-
ro, como hemos visto, permite una interpretación sencilla de los parámetros. Otra
posibilidad en este caso consiste en eliminar β0 y proponer el modelo

 β1 si ejercita
E (Y | X1 , X2 ) = β1 X1 + β2 X2 =
β2 si no ejercita

Sin embargo, no la exploraremos ya que nuestra propuesta anterior es, no sólo

satisfactoria sino también la más utilizada en el área.
Comparemos este modelo lineal con una sola regresora dicotómica con el test t para
comparar las medias de dos poblaciones, a través de dos muestras independientes.
Sean W1 , . . . , Wn1 variables aleatorias independientes idénticamente distribuidas
con E (Wi ) = µ0 e independientes de Z1 , . . . , Zn2 que a su vez son variables aleato-
rias independientes entre sí e idénticamente distribuidas con E (Zi ) = µ1 . El test
t permite decidir entre las hipótesis
H0 : µ0 = µ1
H1 : µ0 6= µ1
donde µ0 = E (Y | X1 = 0) es decir, la esperanza de la glucosa para las personas

que no ejercitan y µ1 = E (Y | X1 = 1) la esperanza de la glucosa para las personas
que sí lo hacen. Recordemos que este test presupone que las observaciones de cada
población tienen distribución normal con las medias µ0 y µ1 respectivamente, y
la misma varianza (aunque desconocida). Para el conjunto de datos azucar, la
salida de correr el test t gura en la Tabla 27.
Tabla 27: Test t para dos muestras normales independientes, datos azucar.
> t.test(glucosa ~ ejercicio, var.equal = TRUE, data = azucar)
Two Sample t-test
data: glucosa by ejercicio

t = 6.309, df = 218, p-value = 1.545e-09
alternative hypothesis: true difference in means is not equal to 0
5.107071 9.747588
sample estimates:
mean in group 0 mean in group 1
98.91429 91.48696
Recordemos que el estadístico del test es

√ W n1 − Z n2
n1 + n2 ∼ tn1 +n2 −2
Sp Bajo H0
donde n1 y n2 son los tamaños de las muestras respectivas, y
"n n2
#
1
1 X 2 X 2
Sp2 =

Wi − W n1 + Zj − Z n2
n1 + n2 i=1 j=1
es la varianza pooleada o combinada de ambas muestras. Por otra parte, para el

modelo (26), el test de H0 : β1 = 0 es también un test t, observemos que tanto el
estadístico calculado como el p-valor son los mismos.
Finalmente podemos concluir que en el caso en el que el modelo lineal tiene una sola
variable explicativa categórica, realizar el test de si el coeciente que la acompaña
es estadísticamente signicativo es equivalente a utilizar un test t de comparación
de medias entre dos poblaciones normales independientes, con igual varianza.
Dos observaciones con respecto a la codicación de la variable binaria dada en
(61):
- Comparemos el valor de β0 estimado en la Tabla 26 (que es βb0 = 98,9143)

con el promedio de la glucosa de las personas que no ejercitan (el grupo
correspondiente a ejercicio = 0) calculado en la Tabla 27, que es 98,914,
como anticipáramos. De igual modo, recuperamos el promedio de glucosa de
las personas que ejercitan (91,487 en la Tabla 27) a partir de sumar βb0 + βb1
de la Tabla 26
βb0 + βb1 = 98,9143 − 7,4273 = 91,487.
- Codicando de esta forma, el promedio de la variable ejercicio da la pro-

porción de personas que hacen ejercicio en la muestra, que son el 52,27 % de
la muestra, como puede comprobarse en la Tabla 28 que tiene los estadísticos
descriptivos de la variable ejercicio.
Tabla 28: Estadísticos descriptivos de la variable ejercicio.
> summary(ejercicio)
0.0000 0.0000 1.0000 0.5227 1.0000 1.0000
Observación 4.12 Una alternativa comúnmente utilizada para la codicación de

las variables binarias es (1 = sí, 2 = no). Si denimos la variable X3 con este
código, el modelo es
E (Y | X3 ) = β0 + β3 X3 .
Luego la función de respuesta para las personas que ejercitan (X3 = 1) es
E (Y ) = β0 + β3 ,
y para las que no ejercitan (X3 = 2) es
E (Y ) = β0 + 2β3 .
Nuevamente, la diferencia entre ambas medias es el coeciente β correspondiente,
en este caso β3 . Luego el coeciente β3 conserva su interpretación como la dife-
rencia en el nivel medio de glucosa entre grupos, pero ahora entre las personas que
no hacen ejercicio, comparadas con aquellas que sí lo hacen, una manera menos
intuitiva de pensarlo. De hecho, β0 sólo no tiene una interpretación directa, y el
valor promedio de la variable binaria no es igual a la proporción de observaciones
de la muestra que caen en ninguno de los dos grupos. Observar que, sin embargo,
en general el ajuste del modelo, es decir, los valores ajustados, los errores estánda-
res, y los p-valorespara evaluar la diferencia de la glucosa en ambos grupos serán
iguales con cualquier codicación.
4.13.2. Un predictor binario y otro cuantitativo
Incorporemos al modelo una variable cuantitativa. Tomaremos el índice de masa

corporal que se denomina bmi (body mass index, medido en kg/m ) en la base de
2
datos,
Xi2 = BMI de la persona iésima.
El índice de masa corporal (BMI) es una medida de asociación entre el peso y

la talla de un individuo ideada por el estadístico belga L. A. J. Quetelet, por lo
que también se conoce como índice de Quetelet. Se calcula según la expresión
matemática
peso
BM I =
estatura2
donde la masa o peso se expresa en kilogramos y la estatura en metros, luego la
2
unidad de medida del BMI es kg/m . En el caso de los adultos se ha utilizado
como uno de los recursos para evaluar su estado nutricional, de acuerdo con los
valores propuestos por la Organización Mundial de la Salud: a grandes rasgos se
divide en tres categorías: delgadez (si BM I < 18,5), peso normal (cuando 18,5 ≤
BM I < 25) y sobrepeso (si BM I ≥ 25), con subclasicaciones que contemplan
los casos de infrapeso u obesidad.
Luego el modelo de regresión lineal múltiple que proponemos es
Yi = β0 + β1 Xi1 + β2 Xi2 + εi .
O, si escribimos la función de respuesta (o sea, el modelo para la esperanza de Y)

obtenemos
E (Y | X1 , X2 ) = β0 + β1 X1 + β2 X2 . (64)
Interpretemos los parámetros. Para las personas que no hacen ejercicio (X1 = 0)
la función de respuesta es
E (Y ) = β0 + β1 0 + β2 X2 = β0 + β2 X2 no ejercita (65)
O sea, la función de respuesta para la glucosa media de las personas que no ejercitan
es una línea recta con ordenada al origen β0 y pendiente β2 .
Para las que sí hacen ejercicio (X1 = 1) la función de respuesta (64) se convierte
en
E (Y ) = β0 + β1 1 + β2 X2 = (β0 + β1 ) + β2 X2 ejercita (66)
Esta función también es una línea recta, con la misma pendiente β2 pero con
ordenada al origen (β0 + β1 ) . En la Figura 45 se gracan ambas funciones.
Figura 45: Signicado de los coecientes del modelo de regresión (64) con una va-
riable indicadora X1 de ejercicio y una variable continua X2 = bmi (datos azucar).
Enfoquémosnos en el signicado de los coecientes en la expresión (64) en el caso

de las mediciones del nivel de glucosa. Vemos que el nivel medio de glucosa, E (Y ),
es una función lineal del BMI (X2 ) de la persona, con la misma pendiente β2 para
ambos tipos de personas. β1 indica cuánto más baja (o más alta) es la función de
respuesta para las personas que hacen ejercicio respecto de las que no lo hacen,
jado el BMI. Luego β1 mide el efecto diferencial por ejercitar. Como el ejercicio
debiera reducir el nivel de glucosa, esperamos que β1 sea menor que cero y que
la recta de valores de glucosa esperados para personas que ejercitan (66) esté por
debajo de las que no lo hacen (65). En general, β1 muestra cuánto más baja (o más
alta) se ubica la recta de respuesta media para la clase codicada por 1 respecto
de la recta de la clase codicada por 0, para cualquier nivel jo de X2 .
Tabla 29: Ajuste de la regresión para la variable glucosa con ejercicio y bmi
como explicativas
> ajuste2<-lm(glucosa ~ ejercicio + bmi, data = azucar)

> summary(ajuste2)
Coefficients:
(Intercept) 84.4141 3.2336 26.105 < 2e-16 ***
ejercicio -6.4879 1.1437 -5.673 4.46e-08 ***
bmi 0.5227 0.1128 4.633 6.20e-06 ***
---

En la Tabla 29 gura el ajuste del modelo propuesto. La función de respuesta

ajustada es
Yb = 84,414 − 6,488X1 + 0,523X2 .
Nos interesa medir el efecto de ejercitar (X1 ) en el nivel de glucosa en sangre.
Para ello buscamos un intervalo de conanza del 95 % para β1 . Necesitamos el
percentil 0,975 de la t de Student con n − 3 = 217 grados de libertad. Como
t (0,975, 217) = 1,970956 ' 1,959964 = z0,975 , los límites para el intervalo de
conanza resultan ser
−6,488 ± 1,971 · 1,1437
o sea,
−6,488 − 1,971 · 1,1437 ≤ β1 ≤ −6,488 + 1,971 · 1,1437

−8,742 ≤ β1 ≤ −4. 234
Podemos obtener este resultado directamente con R.

> confint(ajuste2)
2.5 % 97.5 %
(Intercept) 78.0408659 90.7873793
ejercicio -8.7421142 -4.2336953
bmi 0.3003302 0.7449921
Luego, con el 95 por ciento de conanza concluimos que las personas que ejercitan
tienen un nivel de glucosa entre 4,23 8,74 mg/dL, más bajo que las
y que no lo
hacen, en promedio, para un cada nivel de bmi jo. Un test formal de
H0 : β1 = 0
H1 : β1 6= 0
con nivel de signicatividad de 0,05 nos conduciría a rechazar H0 y aceptar H1 ,

es decir, que el ejercicio tiene efecto cuando en el modelo incluimos el bmi, pues el
intervalo de conanza del 95 % para β1 no contiene al cero. Eso lo vemos también
en la tabla de salida del paquete estadístico, en el p-valor de dicho coeciente, que
−8
es 4,46 · 10 < 0,05.
Observación 4.13 ¾Por qué no ajustar dos regresiones lineales separadas (una
para las personas que ejercitan y otra para las que no) en vez de hacer un ajuste
con el total de datos? O sea, ajustar
(0) (0)
E (Y | X2 ) = β0 + β2 X2 no ejercitan (67)
para las que no ejercitan y
(1) (1)
E (Y | X2 ) = β0 + β2 X2 ejercitan (68)
para las que ejercitan. Hay dos razones para esto.
- El modelo (64) asume pendientes iguales en (67) y (68) y la misma varianza

del error de para cada tipo de persona. En consecuencia, la pendiente común
β2 se puede estimar mejor usando la información en la muestra conjunta.
Ojo, este modelo no debería usarse si no se cree que este supuesto sea co-
rrecto para los datos a analizar.
- Usando el modelo (64) otras inferencias, como por ejemplo las realizadas so-
bre β0 y β1 resultarán más precisas pues se dispone de más observaciones
para estimarlos y estimar a σ 2 (lo que se traduce en más grados de libertad
en el MSRes). De todos modos, en este ejemplo donde hay doscientas obser-
vaciones, tenemos grados de libertad sucientes para proponer dos modelos
si creyéramos que el modelo (64) no describe bien a los datos.
Observación 4.14 Los modelos de regresión múltiple en los que todas las varia-
bles explicativas son cualitativas se suelen denominar modelos de análisis de
la varianza (ANOVA). Los modelos que contienen algunas variables explicati-
vas cuantitativas y otras variables explicativas cualitativas, para los que la variable
explicativa de interés principal es cualitativa (por ejemplo, tipo de tratamiento que
recibe el paciente) y las variables cuantitativas se introducen primariamente para
reducir la varianza de los términos del error, se suelen denominar modelos de
análisis de la covarianza (ANCOVA).
4.14. Predictores Cualitativos con más de dos clases

4.14.1. Una sola predictora cualitativa con más de dos clases
Otra de las acciones que suelen recomendarse para evitar que las personas con
niveles de glucosa alto entren en el diagnóstico de diabetes es bajar el 7 % de su
peso, o más. Para los datos del archivo azucar se registró la variable peso.evo
que es una variable categórica que mide la evolución del peso del paciente en el
último año. Tiene tres categorías: bajó de peso , si su peso disminuyó un 7 % o más
respecto del control médico anual anterior, su peso se mantuvo igual , cuando la
diferencia entre ambos pesos diere en menos de un 7 % respecto del peso anterior,
o bien aumentó de peso , si su peso actual aumentó un 7 % o más respecto del
registrado en el control médico anual anterior. La evolución del peso fue codicada
en orden de 1 a 3, según las categorías recién denidas. Este es un ejemplo de una
variable ordinal (con valores o categorías cuyo orden relativo es relevante, pero
separados por incrementos que pueden no estar reejados en forma precisa en la
codicación numérica asignada). Las categorías de la variable peso.evo guran en
la Tabla 30.
Tabla 30: Niveles de la variable peso.evo, que codica la evolución del peso en el
último año.
Categorías de peso.evo codicación original

Disminuyó de peso en el último año (7 % o más) 1
Pesa igual que hace un año (menos de 7 % de diferencia) 2
Aumentó de peso en el último año (7 % o más) 3
Las variables categóricas de más de dos niveles también puede ser nominales, en
el sentido que no haya un orden intrínseco en las categorías. Etnia, estado civil,
ocupación y región geográca son ejemplos de variables nominales. Con las varia-
bles nominales es aún más claro que la codicación numérica usada habitualmente
4.14 Predictores Cualitativos con más de dos clases 165
para representar a la variable en la base de datos no puede ser tratada como los
valores de una variable numérica como nivel de glucosa en sangre.
Las categorías se suelen crear para ser mutuamente excluyentes y exhaustivas,
por lo que que cada miembro de la población se encuentra en una y sólo una
categoría. En este sentido, tanto las categorías ordinales como las nominales denen
subgrupos de la población.
Es secillo acomodar ambos tipos de variables tanto en la regresión lineal múltiple
como en otros modelos de regresión, usando variables indicadoras o dummies.
Como en las variables binarias, donde dos categorías se representan en el modelo
con una sola variable indicadora, las variables categóricas con K ≥ 2 niveles se
representan por K−1 indicadoras, una para cada nivel de la variable, excepto
el nivel de referencia o basal. Supongamos que elegimos el nivel 1 como nivel
de referencia. Entonces para k = 2, 3, ..., K, la k -ésima variable indicadora toma
el valor 1 para las observaciones que pertenecen a la categoría k, y 0 para las
observaciones que pertenecen a cualquier otra categoría. Observemos que para
K =2 esto también describe el caso binario, en el cual la respuesta no dene
el nivel basal o de referencia y la variable indicadora toma el valor 1 sólo para el
grupo sí .
Traduzcamos todo al ejemplo. Como la variable ordinal peso.evo tiene 3 catego-
rías, necesitamos denir 2 variables dummies. Las llamamos Ievo2 e Ievo3. En la
Tabla 31, observamos los valores para las dos variables indicadoras correspondien-
tes a la variable categórica peso.evo. Cada nivel de peso.evo queda denidio por
una combinación única de las dos variables indicadoras.
Tabla 31: Codicación de las variables indicadoras para una variable categórica
multinivel
Variables indicadoras
peso.evo Ievo2 Ievo3 Categoría
1 0 0 bajó de peso
2 1 0 mantuvo su peso
3 0 1 aumentó de peso
Por el momento consideremos un modelo simple en el cual los tres niveles de

peso.evo sean los únicos predictores. Entonces
E (Y | X) = β0 + β2 Ievo2 + β3 Ievo3 (69)
donde X representa las dos variables dummies recién denidas, es decir,
X = (Ievo2, Ievo3) .
Para tener mayor claridad, en (69) hemos indexado a los β 0s en concordancia con
los niveles de peso.evo, de modo que β1 no aparece en el modelo. Si dejamos que
las dos indicadoras tomen el valor 0 ó 1 de manera de denir los tres (¾por qué no
cuatro?) niveles de peso.evo, obtenemos

 β0 si peso.evo = 1, o sea Ievo2 = 0 e Ievo3 = 0
E (Y | X) = β0 + β2 si peso.evo = 2, o sea Ievo2 = 1 e Ievo3 = 0 (70)
β0 + β3 si peso.evo = 3, o sea Ievo2 = 0 e Ievo3 = 1

De (70) es claro que β0 , la ordenada al origen, da el valor de E (Y | X) en el grupo

de referencia, el grupo bajó de peso, o peso.evo = 1. Entonces es sólo cuestión
de restarle a la segunda línea la primera línea para ver que β2 da la diferencia en
el promedio de glucosa en el grupo mantuvo su peso (peso.evo = 2) comparado
con el grupo bajó de peso. De acuerdo con esto, el test de H0 : β2 = 0 es un test
para chequear si los niveles medios de glucosa son los mismos en los dos grupos
bajó de peso y mantuvo su peso (peso.evo = 1 y 2). Y de manera similar para
β3 .
Podemos hacer unas cuantas observaciones a partir de (70).
- Sin otros predictores, o covariables, el modelo es equivalente a un ANOVA de

un factor (one-way ANOVA). También se dice que el modelo está saturado
(es decir, no impone estructura alguna a las medias poblacionales) y las
medias de cada grupo de la población se estimarán bajo el modelo (70) por
el promedio de las muestras correspondientes. Con covariables, las medias
estimadas para cada grupo se ajustarán a las diferencias entre grupos en las
covariables incluidas en el modelo.
- Los parámetros del modelo (y por lo tanto las dummies que los acompañan)
pueden ser denidos para que sean iguales a la media poblacional de cada
grupo o, sino, para que sean las diferencias entre las medias poblacionales de
dos grupos distintos, como en (70). Por ejemplo, la diferencia en los niveles
medios de la variable Y entre los grupos aumentó de peso (peso.evo = 3)
y mantuvo su peso (peso.evo = 2) está dada por β3 − β2 (chequearlo).
Todos los paquetes estadísticos permiten calcular de manera directa estima-
dores y tests de hipótesis acerca de estos contrastes lineales. Esto implica
que la elección del grupo de referencia es, en algun sentido, arbitraria. Mien-
tras que alguna elección en particular puede ser la mejor para facilitar la
presentación, posiblemente porque los contrastes con el grupo de referencia
seleccionado sean los de mayor interés, cuando se toman grupos de referencia
alternativos, esencialmente se está deniendo el mismo modelo.
Tabla 32: Ajuste de regresión lineal múltiple para explicar a la variable glucosa
con la evolución del peso como categórica, Ievo (datos de la base azucar). El R
produce las dos binarias de forma automática (Ievo2 e Ievo3).
> Ievo<-factor(peso.evo) #convierte a la variable en factor

> contrasts(Ievo) #da la codificacion
2 3
1 0 0
2 1 0
3 0 1
> ajuste3<-lm(glucosa ~ Ievo)
> summary(ajuste3)
Coefficients:
(Intercept) 88.273 1.564 56.449 < 2e-16 ***
Ievo2 6.283 1.888 3.327 0.00103 **
Ievo3 8.997 1.774 5.072 8.45e-07 ***
---
La Tabla 32 muestra los resultados para el modelo con peso.evo tratada como una
variable categórica, utilizando de nuevo los datos del archivo azucar. La estimación
de β
b0 es 88,273 mg / dL, esta es la estimación del nivel de glucosa medio para el
grupo que bajó de peso (grupo de referencia). Las diferencias entre los niveles de
glucosa del grupo de referencia y los otros dos grupos (de distinta evolución del
peso) resultan ser estadísticamente signicativas; como todas dan positivas indican
que la glucosa estaría relacionada con la evolución del peso. Por ejemplo, el nivel
promedio de glucosa en el grupo subió de peso (Ievo3) es 8,997 mg / dL mayor
que la del grupo bajó de peso (peso.evo = 1) (t = 5,072, p-valor = 8,45 · 10−7 ).
En la Figura 46 vemos un boxplot de los datos de glucosa separados según sus
niveles de peso.evo, donde se aprecia esta diferencia.
Es de interés testear si la variable peso.evo sirve para explicar al nivel de glucosa.
Para evaluarla en su conjunto se utiliza el test F que describiremos en la Sec-
ción 4.14.4. Antes de hacerlo discutamos otra manera de introducir a la variable
peso.evo en el modelo.
Figura 46: Boxplot de los datos de glucosa, según sus niveles de peso.evo.
Boxplot de glucosa por niveles

de evolucion del peso
120
110
100
90
80
1 2 3
4.14.2. Variables indicadoras versus variables numéricas

Una alternativa al uso de variables indicadoras de una variable de predicción cuali-
tativa es pensarla como numérica. En el ejemplo de la glucosa, podríamos utilizar
una única variable predictora Z y asignar valores 1,2 y 3 a las clases, como se
describe en la Tabla 33.
Los valores numéricos son, por supuesto, arbitrarios y podrían ser cualquier otro
conjunto de números. El modelo en este caso sería
Yi = β0 + β1 Zi + εi (71)
La principal dicultad en tomar a las variables categóricas como numéricas es que

la numeración otorgada a las categorías distintas dene una métrica (una distancia)
entre las clases de la variable cualitativa que puede no resultar razonable para
Tabla 33: Variable categórica mirada como numérica
peso.evo Z
Bajó de peso 1
Mantuvo su peso 2
Aumentó de peso 3
modelizar. Veámoslo en el ejemplo. Escribimos la función de respuesta media con

el modelo (71) para las tres clases de la variable cualitativa

 β0 + β1 si peso.evo = 1
E (Y | Z) = β0 + 2β1 si peso.evo = 2
β0 + 3β1 si peso.evo = 3

Notemos la implicación clave de este modelo:
E (Y | peso.evo = 2) − E (Y | peso.evo = 1)
= E (Y | peso.evo = 3) − E (Y | peso.evo = 2)
= β1
Luego, la codicación 1 a 5 implica que pensamos que la respuesta media cambia

en la misma cantidad cuando pasamos de peso.evo=1 a peso.evo=2 o de
peso.evo=2 a peso.evo=3. Esto puede no estar en coincidencia con la realidad
y resulta de la codicación 1 a 3 que asigna igual distancia entre los 3 tipos de
evolución del peso. Por supuesto, con distintas codicaciones podemos imponer
espaciamientos diferentes entre las clases de la variable cualitativa pero esto sería
siempre arbitrario.
En contraposición, el uso de variables indicadoras no hace supuestos sobre el espa-
ciamiento de las clases y descansa en los datos para mostrar los efectos diferentes
que ocurren. En el caso del modelo (70) no se impone ningun patrón o vínculo
entre sí a las cinco medias de los grupos denidos por la variable categórica, tanto
en el modelo sin covariables como si las tuviera. Aquíβ2 da la diferencia en el pro-
medio de glucosa en el grupo peso.evo=2 comparado con el grupo peso.evo=1, y
β3 da la diferencia en el promedio de glucosa en el grupo peso.evo=3 comparado
con el grupo peso.evo=1 y β3 − β2 da la diferencia en el promedio de glucosa en
el grupo peso.evo=3 comparado con el grupo peso.evo=2. Observemos que no
hay restricciones arbitrarias que deban cumplir estos tres efectos. En cambio, si la
variable peso.evo fuera tratada como una variable numérica que toma valores de 1
a 3, las esperanzas poblacionales de cada grupo se verían obligadas a yacer en una
línea recta. En síntesis: para variables categóricas es preferible usar la codicación
que proporcionan las variables dummies.
4.14.3. Variables numéricas como categóricas

Algunas veces, aún cuando las variables son originalmente cuantitativas se las
puede incluir en un modelo como categóricas. Por ejemplo, la variable cuantitativa
edad se puede transformar agrupando las edades en las categorías: menor de 21, 21
a 34, 35 a 49, etc. En este caso, se usan variables indicadoras o dummies para las
clases de este nuevo predictor. A primera vista, este enfoque parece cuestionable,
ya que la información sobre la edad real se pierde. Además, se ponen parámetros
adicionales en el modelo, lo que conduce a una reducción de los grados de libertad
asociados con el MSRes.
Sin embargo, hay ocasiones en las que la sustitución de una variable cuantitativa
por indicadoras puede ser apropiado. Por ejemplo, cuando se piensa que la relación
entre la respuesta y la explicativa puede no ser lineal (en el caso en que la glucosa
aumentara tanto para personas muy jóvenes o muy grandes) o en una encuesta
a gran escala, donde la pérdida de 10 ó 20 grados de libertad es irrelevante. En
una primera etapa exploratoria, donde se está muy en duda acerca de la forma
de la función de regresión, puede ajustarse un modelo como (70) en una primera
etapa exploratoria, y luego, en virtud de lo observado, incluir a la variable (o una
transformación de ella) como numérica.
Esto es de hecho lo que se hizo con la variable evolución del peso: a partir de dos
variables numéricas medidas sobre el mismo paciente (el peso en un año y el peso
en el siguiente) se construyó una variable categórica.
4.14.4. El test F
A pesar de que todos los contrastes entre los niveles de una variable explicativa
categórica están disponibles para ser estimados y comparados luego de ajustar un
modelo de regresión, los test t para estas comparaciones múltiples en general no
proporcionan una evaluación conjunta de la importancia de la variable categórica
para predecir a la variable respuesta, o más precisamente no permiten realizar un
único test de la hipótesis nula de que el nivel medio de la variable respuesta es el
mismo para todos los niveles de este predictor. En el ejemplo, esto es equivalente
a un test de si alguno de los dos coecientes correspondientes a Ievo2 o Ievo2
dieren de cero. El resultado que aparece en la Tabla 32 (Fobs = 13,01, con 2 grados
−6
de libertad en el numerador y 217 en el denominador, p-valor = 4,6 · 10 < 0,05)
muestra que los niveles medios de glucosa son claramente diferentes entre los grupos
denidos por peso.evo. Las hipótesis que chequea este test en este caso son
H0 : β2 = β3 = 0 (72)
H1 : al menos uno de los βi con i entre 2 y 3 es tal que βi 6= 0

En este caso se rechaza la hipótesis nula (p-valor = 4,6 · 10−6 < 0,05) y se concluye
que no todos los βi con i entre 2 y 3 son simultáneamente iguales a cero. Luego
la evolución del peso es útil para predecir el nivel de glucosa. En general este
resultado puede leerse en la tabla de ANOVA del ajuste.
Es por este motivo que conviene ingresar en la base de datos a la variable peso.evo
con sus tres niveles y pedirle al software que compute las dos variables dicotómicas,
en vez de ponerlas a mano en el archivo, pues en tal caso no hay cómo decirle al
paquete que las dos variables están vinculadas de esta forma.
4.14.5. Comparaciones Múltiples

Una vez que, a través del test F, logramos concluir que la variable categórica
es signicativa para explicar a la respuesta, aparece el interés de comparar la
media de la variable respuesta para los grupos denidos por los distintos niveles
de la variable categórica. Es decir, interesa comparar las medias de dos grupos,
digamos µj y µk . Esto suele hacerse estudiando si la diferencia entre ellos µj −µk es
distinta de cero. Tal diferencia entre los niveles medios de una variable categórica (o
factor) se denomina una comparación de a pares. Cuando una variable categórica
toma K niveles, el número de comparaciones de a pares que pueden hacerse es
K
K(K−1)
2
= 2
.
La salida que da el summary del lm en R que analizamos antes, por ejemplo en la
Tabla 32, o la salida estándar que proporciona cualquier paquete estadístico a un
ajuste lineal, tiene, en este sentido dos limitaciones importantes.
1. Los p-valores que aparecen en la columna de la derecha son válidos para cada
comparación individual.
2. Cuando la variable categórica tiene más de dos niveles, dicha tabla no nos
da información de todas las comparaciones de a pares de forma directa. En
el ejemplo de azucar, vemos en la Tabla 32 que nos falta la comparación
entre los niveles 2 y 3 de la variable evolución de peso.
Con la primera limitación veníamos trabajando desde el modelo lineal simple, pero
en el caso de regresión con covariables categóricas se hace particularmente seria
por la gran cantidad de comparaciones que tienen interés para el experimentador.
Cuando se realizan varios tests con los mismos datos, tanto el nivel de signica-
tividad como la potencia de las conclusiones acerca de la familia de tests se ve
afectada. Consideremos por ejemplo, la realización de tres tests de t, cada uno a
nivel α = 0,05, para testear las hipótesis
(1) (1)
H0 : µ2 − µ1 = 0 versus H1 : µ2 − µ1 6= 0
(2) (2)
H0 : µ3 − µ1 = 0 versus H1 : µ3 − µ1 6= 0
(3) (3)
H0 : µ3 − µ2 = 0 versus H1 : µ3 − µ2 6= 0
La probabilidad de que los tres tests concluyan que las tres hipótesis nulas H0 son
verdaderas cuando en realidad las tres H0 son verdaderas, asumiendo independen-
cia de los tests, será
0,953 = 0,857.
Luego, la probabilidad de concluir H1 para al menos una de las tres comparaciones
es 1 − 0,857 = 0,143 en vez de 0,05. Vemos que el nivel de signicatividad de una
familia de tests no es el mismo que para un test individual. Lo mismo pasa para
los intervalo de conanza.
El objetivo de hacer estas comparaciones múltiples de manera justa es mantener
el error de tipo I acotado, sin inarlo por sacar muchas conclusiones con el mismo
conjunto de datos. Es decir, queremos un test de nivel 0,05 para las hipótesis

 µ2 − µ1 = 0
H0 : µ3 − µ1 = 0 versus H1 : alguna de las 3 igualdades no vale.
µ3 − µ2 = 0

Con la notación de regresión lineal múltiple, podemos reescribir a la hipótesis nula

del siguiente modo

 E (Y | peso.evo = 2) − E (Y | peso.evo = 1) = 0
H0 : E (Y | peso.evo = 3) − E (Y | peso.evo = 1) = 0
E (Y | peso.evo = 3) − E (Y | peso.evo = 2) = 0

Para eso, primero hay que mirar el resultado del test conjunto F que evalúa la
signicatividad conjunta de la variable categórica para explicar a la respuesta. Si
este test no resulta signicativo, suele descartarse la variable categórica de entre
las covariables de interés, y se la excluye del modelo. Si este test resulta esta-
dísticamente signicativo, entonces suelen mirarse con más detalle cuáles de las
comparaciones entre grupos son estadísticamente signicativas, para proporcionar
un mejor análisis de los datos en consideración. Hay diversas propuestas para llevar
estas comparaciones a cabo, de acuerdo esencialmente a cuáles son las compara-
ciones que resultan más interesantes al experimentador.
¾Qué pasa si alguna de las comparaciones llevadas a cabo resulta no signicativa?
¾Conviene redenir las categorías? La recomendación general es que si esto pasa-
ra, de todos modos conviene mantener las categorías originales puesto que de esta
2
forma se estimará mejor a la varianza σ de los errores (resultará menor), y por
lo tanto las conclusiones que se obtendrán serán más potentes. Además, cuando el
interés esté puesto en la conclusión respecto de una comparación entre dos catego-
rías en particular, el hecho de mantener las grupos originales permitirá clasicar
bien a cada observación permitiendo mantener clara la diferencia que se está bus-
cando establecer. No conviene recodicar a posteriori del análisis, es mejor dejar
4.15 Una predictora cualitativa y una numérica 173
todos los niveles de la variable categórica en el modelo, aunque algunos resulten

no signicativos.
Hay distintos métodos disponibles para controlar la tasa de error de tipo I. La com-
paración múltiple propuesta por Tukey, la diferencia honestamente signicativa de
Tukey (HSD: honestly signicant dierence ) es un procedimiento que permite ha-
cer todas las comparaciones con nivel conjunto prejado. El método de Scheé
también provee un procedimiento que asegura el nivel de todas las comparaciones
posibles, incluso asegura el nivel de cualquier combinación lineal de los parámetros
(no necesariamente una resta) que pueda interesar. Si sólo interesan comparaciones
de a pares, Tukey proporciona intervalos más angostos, y su método es preferible.
Los intervalos sólo dieren en el percentil utilizado. En las Tablas 34 y 35 aparecen
las salidas de las comparaciones de Tukey para los datos deazucar realizado en R
utilizando dos comandos diferentes para hacerlo: TukeyHSD y glht, este último del
paquete multcomp. En ella vemos que el nivel medio de glucosa del grupo bajó de
peso diere signicativamente tanto del grupo mantuvo su peso igual como del
grupo aumentó de peso, así como también vemos que el nivel medio de glucosa
de estos dos últimos grupos no diere (signicativamente) entre sí.
En la Sección 4.9.3 presentamos el procedimiento de comparaciones múltiples de
Bonferroni. También es aplicable para el contexto de ANOVA, ya sea que interesen
las comparaciones de a pares, o combinaciones lineales de los coecientes mientras
estos se hayan jado con anterioridad a hacer el análisis de datos. Otros métodos
que pueden aplicarse cuando las comparaciones que interesan tienen características
especícas son la mínima diferencia signicativa de Fisher (LSD: least signica-
tive dierence ), el método de Sidak o el procedimiento de Dunnett. Puede verse
Seber y Lee [1977] o Kutner et al. [2005] para más detalle sobre las comparaciones
múltiples.
4.15. Una predictora cualitativa y una numérica

Ajustemos ahora un modelo de regresión lineal múltiple con una covariable numé-
rica y una categórica. Siguiendo con los datos de la glucosa, proponemos ajustar
un modelo donde aparezcan peso.evo y bmi como variables explicativas, donde la
primera es categórica (como ya vimos, la incluimos en el modelo como las 2 dum-
mies denidas por Ievo) y la segunda es continua. Proponemos ajustar el siguiente
modelo
E (Y | X) = β0 + β2 Ievo2 + β3 Ievo3 + βBM I bmi (73)
En este caso, X = (Ievo2, Ievo3, bmi) . Para entender este modelo, nuevamente
dejamos que las indicadoras tomen el valor 0 ó 1 de manera de denir los tres
Tabla 34: Intervalos de conanza de nivel simultáneo para la variable glucosa

para los distintos niveles de evolución del peso, Ievo (datos de la base azucar),
usando el comando TukeyHSD del R.
> tu<-TukeyHSD(aov(glucosa ~ Ievo),"Ievo")

> tu
Tukey multiple comparisons of means
95% family-wise confidence level
$Ievo
diff lwr upr p adj
2-1 6.282828 1.8263489 10.739308 0.0029505
3-1 8.996838 4.8103925 13.183283 0.0000025
3-2 2.714010 -0.4718461 5.899865 0.1121165
niveles de peso.evo, y obtenemos


 β0 + βBM I bmi si peso.evo = 1
E (Y | X) = β0 + β2 + βBM I bmi si peso.evo = 2
β0 + β3 + βBM I bmi si peso.evo = 3

es decir, que este modelo propone ajustar una recta distinta para la glucosa media
de cada grupo, todas con igual pendiente que en este caso hemos denominado
βBM I , y tres ordenadas al origen diferentes, una por cada grupo. Como vemos,
estamos ajustando tres rectas paralelas. Acá β2 indica cuánto aumenta (o dismi-
nuye, dependiendo del signo) el valor medio de glucosa para las personas cuyo nivel
de evolución del peso es 2 (las personas que mantuvieron su peso) respecto de
aquellas cuyo nivel de evolución del peso es 1 (las personas que bajaron de peso).
En la Figura 47 puede verse el gráco que proponemos para el valor esperado de
la glucosa en función de la evolución del peso y del BMI. Como esperamos que a
medida que la evolución del peso aumente (o sea, a medida que el paciente aumente
de peso) el nivel de glucosa aumente, hemos acomodado las rectas de manera que
vayan aumentando al aumentar la variable que codica esta evolución. Así mismo,
es de esperar que a mayor BMI aumente el nivel de glucosa, por eso en el dibujo
proponemos una pendiente (común a todos los grupos) positiva, como ya vimos
que pasaba en el ajuste anterior.
La Tabla 36 exhibe el modelo ajustado.
En este caso vemos que cuando incorporamos la variable BMI al modelo, todos
los coecientes asociados a la variable peso.evo siguen siendo signicativos. El
test de, por ejemplo, H0 : β2 = 0 da signicativo (t = 3,82, p-valor = 0,000177)
Tabla 35: Tests e intervalos de conanza de nivel simultáneo para la variable

glucosa para los distintos niveles de evolución del peso, Ievo (datos de la ba-
se azucar), usando el comando glht de la librería multcomp de R.
> ajuste3<-lm(glucosa ~ Ievo)

> library(multcomp) #para testear combinaciones de los parametros
> tu.otro <- glht(ajuste3, linfct = mcp(Ievo = "Tukey"))
> summary(tu.otro)
Simultaneous Tests for General Linear Hypotheses
Multiple Comparisons of Means: Tukey Contrasts
Fit: lm(formula = glucosa ~ Ievo)
Linear Hypotheses:
2 - 1 == 0 6.283 1.888 3.327 0.00286 **
3 - 1 == 0 8.997 1.774 5.072 < 1e-04 ***
3 - 2 == 0 2.714 1.350 2.010 0.10977
---
> confint(tu.otro)
Simultaneous Confidence Intervals
Quantile = 2.35
Linear Hypotheses:
Estimate lwr upr
2 - 1 == 0 6.2828 1.8450 10.7206
3 - 1 == 0 8.9968 4.8280 13.1657
3 - 2 == 0 2.7140 -0.4585 5.8865
Figura 47: Modelo propuesto para explicar la glucosa con una covariable explica-
tiva categórica (peso.evo) con tres niveles y otra continua (bmi).
Modelo de regresión lineal múltiple para glucosa con una explicativa

continua (bmi) y una categórica (peso.evo) con 3 categorías
110
105
100
glucosa
95
90
85
peso.evo = 1
peso.evo = 2
peso.evo = 3
15 20 25 30 35 40 45 50
BMI
indicando que hay diferencia signicativa en los niveles medios de glucosa para
personas que no bajaron de peso con respecto a las que sí bajaron (grupo basal).
Lo mismo sucede al testear la comparación entre la glucosa esperada del grupo que
aumentó de peso y el que bajó de peso, cuando en el modelo se ajusta por BMI
(t = 5,074, p-valor = 8,38 · 10−7 ) . Es decir que los niveles medios de glucosa en
los distintos grupos denidos por la evolución del peso dieren del basal. Además,
como sus coecientes estimados crecen al aumentar el peso, vemos que los valores
estimados son consistentes con lo que bosquejamos a priori en la Figura 47. Antes
de comparar los niveles medios de los distintos grupos entre sí observemos que si
queremos evaluar a la variable peso.evo en su conjunto, debemos recurrir a un
test F que evalue las hipótesis (72), cuando además en el modelo aparece BMI
Tabla 36: Regresión de glucosa en las regresoras: peso.evo (categórica) y bmi

(numérica).
> ajuste4<-lm(glucosa ~ Ievo + bmi)

> summary(ajuste4)
Coefficients:
(Intercept) 72.0993 3.3764 21.354 < 2e-16 ***
Ievo2 6.8023 1.7823 3.817 0.000177 ***
Ievo3 8.4963 1.6744 5.074 8.38e-07 ***
bmi 0.6068 0.1140 5.324 2.54e-07 ***
---

como explicativa. A presentarlo nos abocamos en la siguiente sección.
4.15.1. Test F para testear si varios parámetros son cero, y tabla de

ANOVA para comparar modelos
En forma análoga a la descripta en la Sección 4.8.1, pueden usarse las sumas de cua-
drados para comparar el ajuste proporcionado por dos modelos lineales distintos.
Esto puede hacerse de manera general, para diversos modelos. Lo describiremos
con cierto detalle para la situación que nos interesa ahora. En el caso de los datos
de azucar queremos testear si la variable categórica que describe la actividad física
es signicativa para explicar el nivel de glucosa cuando en el modelo tenemos
a BMI como explicativa. Es decir, para el modelo (64)
E (Y | X) = β0 + β2 Ievo2 + β3 Ievo3 + βBM I bmi
queremos testear las hipótesis
H0 : β2 = β3 = 0 (74)
H1 : al menos uno de los βi con i entre 2 y 3 es tal que βi 6= 0

Para ello, ajustamos dos modelos lineales a los datos y usaremos la suma de cua-
drados propuesta en (50) como medida de cuan bueno es cada ajuste, es decir,
calcularemos y compararemos las
X
∆modelo = (observados − modelo)2
para cada uno de dos modelos. En este caso el modelo básico será el que vale si
H0 es verdadera, el modelo lineal simple que tiene a BMI como única explicativa
del nivel medio de glucosa:
Yi = β0básico + βBM
básico
I bmii + εi .
Para este modelo se calculan las estimaciones de los parámetros βb0básico y

básico
βbBM I , y
con ellos los predichos
Ybibásico = βb0básico + βbBM

básico
I bmii
y la suma de cuadrados que mide el desajuste
n 2
Yi − Ybibásico .
X
∆modelo básico =
i=1
El modelo más complejo será el que gura en (64), es decir
Yi = β0comp + β2comp Ievo2i + β3comp Ievo3i + βBM

comp
I bmii + εi .
Nuevamente se estiman los parámetros bajo este modelo obteniéndose βb0comp , βb2comp ,
βb3comp y
comp
βbBM I, con ellos se calculan los predichos para este modelo
Ybicomp = βb0comp + βb2comp Ievo2i + βb3comp Ievo3i + βbBM

comp
I bmii
y la suma de cuadrados que mide el desajuste que tienen los datos a este modelo
complejo
n 2
Yi − Ybicomp
X
∆modelo complejo = .
i=1
Por supuesto, como el modelo complejo tiene al modelo básico como caso par-
ticular, resulta que el ajuste del modelo complejo a los datos será siempre tan
satisfactorio como el del modelo básico o más satisfactorio aún, de modo que
∆modelo complejo ≤ ∆modelo básico . Es de interés observar que la estimación del coe-
ciente que acompaña al BMI depende de qué covariables hay en el modelo, excepto
cuando todas las covariables presentes en el modelo sean no correlacionadas con
BMI, lo cual ocurrirá las menos de las veces: en general las variables explicativas
Tabla 37: Tabla de ANOVA para comparar dos modelos de regresión
Modelo SS g.l. Diferencia g.l. F

Básico ∆mod bás n−2
(∆mod bás −∆mod comp )/2
Complejo ∆mod comp n−4 ∆mod bás − ∆mod comp 2
∆mod comp /(n−4)
están vinculadas entre sí de manera más o menos estrecha, eso signica que en
general estarán (linealmente) correlacionadas.
Nuevamente se puede construir una tabla de ANOVA para resumir la información
descripta hasta ahora. En la Tabla 37 describimos la forma en la que se presenta
la información.
La resta ∆modelo básico −∆modelo complejo mide la mejora en el ajuste debida al modelo
más complejo respecto del más sencillo. Los grados de libertad de esta resta será la
resta de los grados de libertad de los dos ajustes, en el ejemplo (n − 4) − (n − 2) =
2. Esta cuenta da siempre la diferencia entre el número de coecientes del modelo
más complejo respecto del más básico. El test F se basa en la comparación de la
mejora en el ajuste debido al modelo más complejo respecto del simple relativa al
ajuste proporcionado por el modelo complejo (el mejor ajuste disponible), ambos
divididos por sus grados de libertad. El test F para las hipótesis (74) rechaza H0
cuando F > F2,n−4,α (el percentil 1−α de la distribución F con 2 grados de libertad
en el numerador yn−4 grados de libertad en el denominador) o, equivalentemente,
cuando el p− valor calculado como P (F2,n−4 > Fobs ) es menor que α. En general,
cuando se comparan
p−1
c
βkc Xik + εi
X
Modelo complejo: Yi = β0 + (75)
k=1
q−1
Yi = β0s + βks Xik + εi
X
Modelo simple:
k=1
Es decir, cuando se testea
H0 : βq = βq+1 = · · · = βp−1 = 0
H1 : al menos uno de los βk con k entre q y p−1 es tal que βk 6= 0
en el modelo (75), los grados de libertad del estadístico F serán p − q en el nume-

rador y n−p en el denominador. Para los datos del archivo azucar, la tabla de
ANOVA para chequear las hipótesis (74) es la que gura en la Tabla 38. Como el
p-valor es menor a 0,05 resulta que cuando controlamos a la glucosa por el BMI,
el nivel de evolución del peso de cada paciente resulta signicativo. Luego la evo-
lución del peso es útil para predecir el nivel de glucosa, aún cuando controlamos
por el BMI.
Tabla 38: Comparación de sumas de cuadrados para evaluar la signicatividad de

physact (categórica) una vez que se tiene a BMI (numérica) como regresora de
glucosa
> uno<-lm(glucosa ~ bmi)

> dos<-lm(glucosa ~ Ievo + bmi)
> anova(uno,dos)
Model 1: glucosa ~ bmi

Model 2: glucosa ~ Ievo + bmi
Res.Df RSS Df Sum of Sq F Pr(>F)
1 218 17328
2 216 15480 2 1848.1 12.894 5.128e-06 ***
---
4.15.2. Comparaciones múltiples

Cuando usamos un modelo de regresión (73), podemos querer estimar los efectos
diferenciales entre los dos niveles de peso.evo que no involucren al basal. Cuando
la variable categórica tenga más de tres categorías, habrá todavía más compara-
ciones que considerar, en este caso sólo resta considerar una. Esto puede hacerse
estimando diferencias entre coecientes de regresión. En el ejemplo, β3 − β2 in-
dica cuánto más alta (o baja) es la función de respuesta para subió de peso
(peso.evo=3) comparada con mantuvo su peso (peso.evo=1) para cualquier
nivel de BMI pues
E (Y | bmi, peso.evo = 3) − E (Y | bmi, peso.evo = 2)

= β0 + β3 + βBM I BM I − β0 − β2 − βBM I BM I
= β3 − β2 .
El estimador puntual de esta cantidad es, por supuesto, βb3 − βb2 , y la varianza
estimada de este estimador es

V ar β3 − β2 = V ar β3 + V ar β2 + 2Cov β3 , β2 .
d b b d b d b d b b
Las varianzas y covarianzas necesarias se pueden obtener a partir de la matriz de

covarianza de los coecientes de regresión.
>mm <- summary(ajuste4)$cov.unscaled * (summary(ajuste4)$sigma)^2

(Intercept) Ievo2 Ievo3 bmi
(Intercept) 11.4002401 -2.46807671 -1.88607917 -0.34625635
Ievo2 -2.4680767 3.17653751 2.16249632 0.01112123
Ievo3 -1.8860792 2.16249632 2.80368157 -0.01071534
bmi -0.3462563 0.01112123 -0.01071534 0.01299155
> sqrt(diag(mm)) #coincide con la columna de Std. Error del lm
(Intercept) Ievo2 Ievo3 bmi
3.3764242 1.7822844 1.6744198 0.1139805
De todos modos, esta cuenta la realiza, en general, el software estadístico. A con-

tinuación vemos las comparaciones de a pares realizadas con el método de la di-
ferencia honestamente signicativa de Tukey (HSD: honestly signicant dieren-
ce ), realizada con nivel conjunto del 95 %. Mostramos los intervalos de conanza
calculados con la instrucción TukeyHSD. Es muy importante en esta instrucción
incorporar primero la variable continua y luego la categórica para obtener los re-
sultados que queremos. También presentamos la salida (intervalos de conanza y
tests) del comando glht, del paquete multcomp. Ahí vemos que exceptuando la
diferencia entre los subgrupos dados por los niveles 2 y 3 de actividad física, las
restantes diferencias son estadísticamente signicativas a nivel conjunto 95 %.
#cambiamos el orden, covariable cont primero

> TukeyHSD(aov(glucosa ~ bmi + Ievo),"Ievo")
Tukey multiple comparisons of means
Fit: aov(formula = glucosa ~ bmi + Ievo)
$Ievo
diff lwr upr p adj
2-1 6.827351 2.627495 11.027207 0.0004795
3-1 8.472188 4.526816 12.417560 0.0000026
3-2 1.644837 -1.357564 4.647237 0.4007100
> ajuste4<-lm(glucosa ~ bmi + Ievo)

> library(multcomp) #para testear combinaciones de los parametros
> posthoc <- glht(ajuste4, linfct = mcp(Ievo = "Tukey"),test = Ftest())
> summary(posthoc)
Simultaneous Tests for General Linear Hypotheses

Fit: lm(formula = glucosa ~ bmi + Ievo)
Linear Hypotheses:
2 - 1 == 0 6.802 1.782 3.817 0.000513 ***
3 - 1 == 0 8.496 1.674 5.074 < 1e-04 ***
3 - 2 == 0 1.694 1.287 1.317 0.383040
---
> confint(posthoc)
Simultaneous Confidence Intervals
Fit: lm(formula = glucosa ~ bmi + Ievo)
Quantile = 2.3509
Linear Hypotheses:
Estimate lwr upr
2 - 1 == 0 6.8023 2.6123 10.9923
3 - 1 == 0 8.4963 4.5599 12.4327
3 - 2 == 0 1.6940 -1.3305 4.7186
En la Figura 48 se ve un gráco de estos intervalos de conanza de nivel simultáneo

95 %. Sólo el intervalo para la diferencia de medias entre los grupos 2 y 3 contiene
al cero. Los restantes quedan ubicados a la izquierda del cero. En el gráco esto
se ve más fácilmente que leyendo la tabla. Para el modelo con las covariables Ievo
pero sin bmi también podríamos haber exhibido un gráco como éste (de hecho,
no lo hicimos puesto que ambos dan muy parecidos).
4.16. Modelos con interacción entre variables cuantitativas

y cualitativas
Como ya dijimos, cuando proponemos un modelo de regresión lineal múltiple del
estilo de
Yi = β0 + β1 Xi1 + β2 Xi2 + εi , (76)
estamos asumiendo que los efectos de las variables X1 y X2 sobre la respuesta Y

no interactúan entre sí: es decir, que el efecto de X1 en Y no depende del valor
que tome X2 (y al revés, cambiando X1 por X2 , el efecto de X2 en Y no depende
del valor que tome X1 ). Cuando esto no sucede, es inadecuado proponer el modelo
(76), y es necesario agregarle a dicho modelo un témino que intente dar cuenta
Figura 48: Intervalos de conanza de nivel simultáneo para las diferencias de los
niveles medios de glucosa de cada grupo, controlados por el BMI.
95% family−wise confidence level

2−1
3−1
3−2
0 2 4 6 8 10 12
Differences in mean levels of Ievo
de la interacción entre X1 y X2 en su relación con Y, es decir, del hecho de que

el efecto de un predictor sobre la respuesta diere de acuerdo al nivel de otro
predictor. La manera estándar de hacerlo es agregarle al modelo (76) un término
de interacción, es decir
Yi = β0 + β1 Xi1 + β2 Xi2 + β3 Xi1 · Xi2 + εi . (77)
El modelo (77) es un caso particular del modelo de regresión lineal múltiple. Sea
Xi3 = Xi1 · Xi2 el producto entre las variables X1 y X2 medidas en el iésimo
individuo, entonces el modelo (77) puede escribirse de la forma
Yi = β0 + β1 Xi1 + β2 Xi2 + β3 Xi3 + εi ,
que es un caso particular del modelo de regresión lineal múltiple presentado en

(44). Algunas veces al coeciente de la interacción se lo nota con los subíndices
1 : 2, es decir β1:2 = β3 para explicitar que es el coeciente asociado a la interacción.
Veamos un ejemplo.
Ejemplo 4.1 Consideremos datos sobre la frecuencia cardíaca o pulso medido a

40 personas antes y después de ejercitar. Estos datos aparecen publicados en el
manual del paquete BMDP, sin citar las fuentes. Figuran en la carpeta de datos
de este apunte en el archivo pulso.txt. Se les pidió que registraran su pulso, luego
que corrieran una milla, y luego volvieran a registrar su pulso. Además se registró
su sexo, edad y si eran o no fumadores. De este modo, para cada individuo, se
midieron las siguientes variables
Y = pulso luego de correr una milla (Pulso2)
X1 = pulso en reposo (Pulso1)


 1 si la persona es mujer
X2 =
0 en caso contrario


 1 si la persona fuma
X3 =
0 en caso contrario

X4 = edad
Interesa explicar el pulso post-ejercicio, en función de algunas de las demás co-

variables. Es de interés saber si la edad, o el hábito de fumar inciden en él. La
frecuencia cardíaca es el número de contracciones del corazón o pulsaciones por
unidad de tiempo. Su medida se realiza en unas condiciones determinadas (reposo
o actividad) y se expresa en latidos por minuto.
Tanto el sexo como la condición de fumador son variables dummies o binarias.
En la base de datos se las denomina X2 = mujer y X3 = fuma. Las restantes son
variables continuas. En la Figura 49 hacemos un scatter plot de Y versus X1 . En
él se puede ver que a medida que X1 crece también lo hace Y, y que una relación
lineal es una buena descripción (inicial) de la relación entre ellas.
Si identicamos en ese gráco a las observaciones según su sexo, obtenemos el

gráco de dispersión que aparece en la Figura 50. En él observamos que el género
de la persona parece inuir en la relación entre ambas variables.
Querríamos cuanticar el efecto del género en el pulso medio post ejercicio. Para
ello vamos a ajustar un modelo de regresión lineal múltiple con el pulso post
ejercicio como variable dependiente. Proponemos un modelo lineal múltiple para
estos datos. El modelo múltiple sería en este caso
Yi = β0 + β1 Xi1 + β2 Xi2 + εi , (78)
Como ya vimos en la Sección 4.13.2, este modelo sin interacción propone que el
pulso medio post-ejercicio es una función lineal del pulso pre-ejercicio, con dos
Figura 49: Gráco de dispersión del pulso post-ejercicio versus el pulso pre-
ejercicio, para 40 adultos. Archivo: pulso.txt
rectas diferentes para las mujeres y los hombres, pero estas rectas tienen la misma
pendiente. O sea, la ecuación (78) propone que para las mujeres, (o sea, cuando
X2 = 1)
E (Y | X1 , X2 = 1) = β0 + β1 X1 + β2
= (β0 + β2 ) + β1 X1
mientras que para los hombres (cuando X2 = 0) se tiene
E (Y | X1 , X2 = 0) = β0 + β1 X1 .
La salida del ajuste del modelo está en la Tabla 39. De acuerdo a ella, la recta
ajustada es
Yb = 93,0970 + 0,5157 · X1 + 12,7494 · X2

Figura 50: Gráco de dispersión del pulso post-ejercicio versus el pulso pre-
ejercicio, identicando el sexo de cada observación.
El coeciente estimado de mujer es positivo, indicando que cuando la variable

X2 aumenta de 0 a 1 (mujer = 0 quiere decir que se trata de un hombre), el
pulso medio post ejercicio crece, es decir, el pulso medio de las mujeres es mayor
que el de los hombres si uno controla por pulso en reposo. ¾Será estadísticamente
signicativa esta observación? Para evaluarlo, hacemos un test de
H0 : β2 = 0 versus H0 : β2 6= 0
asumiendo que el modelo contiene al pulso en reposo. El estadístico observado

resulta ser tobs = 3,927 y p−valor = 0,000361. Entonces, rechazamos la hipótesis
nula y concluimos que β2 6= 0. Si construyéramos un intervalo de conanza para β2 ,
éste resultaría contenido enteramente en (−∞, 0) . Por eso concluimos que el ver-
dadero valor poblacional de β2 es menor a cero. Es decir, para las dos poblaciones
de personas (hombres y mujeres) con el mismo pulso en reposo, en promedio los
pulsos medios luego de ejercitar serán mayores en las mujeres que en los hombres.
Tabla 39: Ajuste del modelo lineal múltiple Yi = β0 + β1 Xi1 + β2 Xi2 + εi , donde
X1 = pulso pre ejercicio (Pulso1), X2 = indicador de mujer (mujer), Y = pulso
post ejercicio (Pulso2).
> ajuste1<-lm(Pulso2~ Pulso1+mujer)

> summary(ajuste1)
Coefficients:
(Intercept) 93.0970 12.5157 7.438 7.44e-09
Pulso1 0.5157 0.1715 3.007 0.004725
mujer 12.7494 3.2468 3.927 0.000361

Para entender mejor este modelo escribimos las dos rectas ajustadas en cada caso.
El modelo ajustado para las mujeres, (X2 = 1) es
Yb = (93,0970 + 12,7494) + 0,5157 · X1

= 105,85 + 0,5157 · X1
mientras que para los hombres (X2 = 0)
Yb = 93,0970 + 0,5157 · X1 .
Las dos rectas están gracadas en la Figura 51, junto con las observaciones iden-
ticadas por sexo. Observemos que ambas rectas son paralelas: en ambos grupos
una unidad (un latido por minuto) de aumento en el pulso en reposo está asociado
con un incremento en 0,5157 latidos por minuto de la frecuencia cardíaca post
ejercicio, en promedio. Esto es consecuencia del modelo propuesto.
Ahora queremos proponer un modelo con interacción para estos datos. Es decir
proponemos el modelo
Yi = β0 + β1 Xi1 + β2 Xi2 + β1:2 Xi1 · Xi2 + εi (79)
Como la variable X2 asume solamente valores 0 y 1, el término de la interacción

Xi1 · Xi2 valdrá 0 siempre que X2 = 0 (o sea para los hombres), y será igual a
Figura 51: Rectas ajustadas para los dos g éneros (modelo sin interacción).
X1 siempre que X2 = 1 (o sea para las mujeres). En la población de personas

ejercitando, esta nueva variable tendrá coeciente β1:2 . Llamemos X = (X1 , X2 ) .
Si escribimos el modelo propuesto para los dos grupos de observaciones, tendremos
que cuando mujer = 1,
E (Y | X) = β0 + β1 X1 + β2 1 + β1:2 X1 · 1
= (β0 + β2 ) + (β1 + β1:2 ) X1 mujeres
Mientras que cuando mujer = 0, proponemos
E (Y | X) = β0 + β1 X1 + β2 0 + β1:2 X1 · 0
= β0 + β1 X1 hombres
Es decir que para cada grupo estamos proponiendo ajustar dos rectas distintas.
Observemos que estas rectas no están atadas (como sí lo estaban en el modelo
aditivo con una explicativa binaria y una continua, en el que ajustábamos dos
rectas paralelas). Por otro lado, la interpretación de los coecientes del modelo
cambia. Analicemos cada uno. El coeciente de X1 (β1 ) es la pendiente del pulso1
en el grupo de hombres. Indica que por cada aumento en una unidad en el pulso
en reposo entre los hombres, el pulso medio post ejercicio aumenta (o disminuye,
según el signo) β1 unidades. El coeciente de la interacción (β1:2 ) representa el
aumento (o la disminución) de la pendiente en el grupo de las mujeres con respecto
al de los hombres. Si β1:2 = 0 esto signicaría que ambas rectas son paralelas. Los
distintos valores que pueden tomar β1 y β1:2 dan lugar a distintos posibles tipos
de interacción entre las variables, según se ve en la Figura 52.
Figura 52: Gráco de posibles combinaciones de valores de β1 y β1:2 para el modelo

(79).
El ajuste
Los del modelo
coecientes en el con interacción
modelo a losser
no resultan datos se signicativos.
todos muestra en laDe
Tabla 40. el test
hecho,
de
H0 : β1:2 = 0 versus H0 : β1:2 6= 0
asumiendo que el modelo contiene al pulso en reposo y a la indicadora de mujer,
tiene por estadístico tobs = 0,211 y p−valor = 0,834. Esto nos dice que esta muestra
Tabla 40: Ajuste del modelo lineal con interacción entre X1 = pulso pre ejercicio
(Pulso1), X2 = indicador de mujer (mujer), Y = pulso post ejercicio (Pulso2).
> ajuste2<-lm(Pulso2~ Pulso1 * mujer)
Coefficients:
(Intercept) 95.42838 16.80929 5.677 1.88e-06
Pulso1 0.48334 0.23157 2.087 0.044
mujer 7.05575 27.14749 0.260 0.796
Pulso1:mujer 0.07402 0.35033 0.211 0.834

no provee evidencia suciente de que el pulso en reposo tenga un efecto diferente

en el pulso post ejercicio dependiendo del sexo de la persona.
Como la interacción no es estadísticamente signicativa, no la retendremos en el
modelo de regresión. Sin embargo, veamos cuanto dan las dos rectas ajustadas en
este caso. Cuando mujer = 1,
Yb = 95,429 + 0,483 · X1 + 7,056 · 1 + 0,074X1 · 1
= 102,485 + 0,557 · X1
Mientras que cuando mujer = 0, resulta
Yb = 95,429 + 0,483 · X1 + 7,056 · 0 + 0,074X1 · 0

= 95,429 + 0,483 · X1
El gráco de ambas rectas puede verse en la Figura 53. Estas dos rectas no tienen
la misma pendiente, ni la misma ordenada al origen. En el rango de interés, sin
embargo, la recta que describe el pulso medio post-ejercicio para las mujeres está
completamente sobre la de los hombres. Esto implica que a lo largo de todos
los valores relevantes del pulso en reposo, predeciremos valores de pulso post-
ejercicio mayores para las mujeres que para los hombres. Si comparamos los ajustes
obtenidos para los modelos que explican a Y con las variables Pulso1 y mujer
sin interacción (78) y con interacción (79), que aparecen en las Tablas 39 y 40,
respectivamente, vemos que son muy diferentes.
Figura 53: Rectas ajustadas por mínimos cuadrados para distintos niveles de sexo,
con el término de interacción incluido.
En la Tabla 41 resumimos lo observado. Cuando el término de la interacción se

incluye en el modelo, el coeciente de mujer se reduce en magnitud, casi a la mi-
tad. Además, su error estándar aumenta multiplicándose por un factor de 8. En
el modelo sin término de interacción, el coeciente de mujer es signicativamente
distinto de cero, a nivel 0,05; esto no ocurre cuando incluimos el término de in-
teracción en el modelo, en ese caso la variable mujer deja de ser signicativa. El
2
coeciente de determinación (R ) no cambia al incluir la interacción, sigue valiendo
0,545. Más aún, el coeciente de determinación ajustado decrece ligeramente con
la incorporación de una covariable más al modelo. Al tomar en cuenta simultánea-
mente todos estos hechos, concluimos que la inclusión del término de interacción
de Pulso1 · mujer en el modelo no explica ninguna variabilidad adicional en los
valores observados del pulso post-ejercicio, más allá de lo que es explicado por las
variables mujer y Pulso1 en forma aditiva. La información proporcionada por este
término es redundante.
¾Por qué sucede esto? Muchas vece sucede que al incorporar una nueva variable
al modelo ajustado, se pierde la signicatividad de alguna o varias variables ya
incluidas previamente. Si además de suceder esto aparece una inestabilidad de los
coecientes estimados, diriendo sustancialmente los valores estimados de algunos
coecientes en los dos modelos, y en particular, se observa un aumento grosero de
los errores estándares: esto suele ser un síntoma de colinealidad o multicolinealidad
entre los predictores. La colinealidad ocurre cuando dos o más variables explica-
tivas están altamente correlacionadas, a tal punto que, esencialmente, guardan la
misma información acerca de la variabilidad observada de Y. En la Sección 5.3.1
presentaremos algunas maneras de detectar y resolver la multicolinealidad.
En este caso, la variable articial Pulso1 · mujer está fuertemente correlacionada
con mujer ya que el coeciente de correlación de Pearson es rmujer,Pulso1·mujer = 0,99,
como aparece en la Tabla 42. Como la correlación entre las variables es tan grande,
la capacidad explicativa de Pulso1 · mujer cuando mujer está en el modelo es
pequeña.
Tabla 41: Tabla comparativa de los ajustes con y sin interacción para las covariables
Pulso1 y mujer.
Sin interacción Con interacción
Coeciente βb2 12,749 7,056

Error estándar de βb2 3,247 27,147
Valor del estadístico t 3,927 0,26
p−valor 0,000361 0,796
2
R 0,5445 0,5451
R2 ajustado 0,5199 0,5072
Tabla 42: Correlaciones de Pearson entre X1 = pulso pre ejercicio (Pulso1), X2 =

indicador de mujer (mujer) e Y = pulso post ejercicio (Pulso2).
Pulso1 mujer Pulso1·mujer

Pulso1 1 0,453 0,53
mujer 0,453 1 0,99
Pulso1·mujer 0,53 0,99 1
Un modo de resolver el problema de la multicolinealidad es trabajar con los datos

centrados para la o las variables predictoras que aparecen en más de un término
del modelo. Esto es, usar no la variable X tal como fue medida, sino la diferencia
entre el valor observado y el valor medio en la muestra.
4.17 Interacción entre dos variables cuantitativas 193
4.17. Interacción entre dos variables cuantitativas

En la sección anterior presentamos la interacción entre dos variables cuando una es
cualitativa y la otra cuantitativa. Ahora nos ocuparemos de estudiar la situación
en la que las dos variables que interesan son cuantitativas. Vimos que el modelo
aditivo propone que cuando la covariable Xj aumenta una unidad, la media de
Y aumenta en βj unidades independientemente de cuáles sean los valores de las
otras variables. Esto implica paralelismo de las rectas que relacionan a Y y Xj ,
cualesquiera sean los valores que toman las demás variables.
En nuestro ejemplo de los bebés de bajo peso, analizado en la Sección 4.7, propu-
simos un modelo de regresión lineal múltiple con dos variables predictoras. Recor-
demos que habíamos denido
Yi = perímetro cefálico del iésimo niño, en centímetros (headcirc)
Xi1 = edad gestacional del iésimo niño, en semanas (gestage)
Xi2 = peso al nacer del iésimo niño, en gramos (birthwt)
Propusimos el siguiente modelo,
Y = β0 + β1 X1 + β2 X2 + ε. (80)
El modelo ajustado gura en la Tabla 19, página 125. La supercie ajustada resultó
ser
Yb = 8,3080 + 0,4487X1 + 0,0047X2 .
Cuando controlamos por X2 (peso al nacer), la ecuación (parcial) ajustada que
relaciona el perímetro cefálico y la edad gestacional es
X2 = 600, Yb = 8,3080 + 0,4487X1 + 0,0047 · 600 = 11,128 + 0,4487X1

X2 = 900, Yb = 8,3080 + 0,4487X1 + 0,0047 · 900 = 12,538 + 0,4487X1
X2 = 1200, Yb = 8,3080 + 0,4487X1 + 0,0047 · 1200 = 13,948 + 0,4487X1
Para cada nivel posible de peso al nacer, por cada unidad de aumento en la edad
gestacional se espera un aumento de 0,448 unidades (cm.) en el perímetro cefálico
al nacer. Grácamente, esto se ve representado en la Figura 54. Lo mismo sucedería
si controláramos por X1 en vez de X2 : tendríamos rectas paralelas, de pendiente
0,0047.
Este modelo asume que no existe interacción entre las variables. El modelo (80)
fuerza a que los efectos de las covariables en la variable dependiente sean aditivos,
es decir, el efecto de la edad gestacional será el mismo para todos los valores del
peso al nacer, y viceversa, porque el modelo no le permitirá ser de ninguna otra
forma. A menudo este modelo es demasiado simple para ser adecuado, aunque en
Figura 54: Perímetro cefálico esperado en función de la edad gestacional, contro-

lando por peso al nacer, para tres posibles valores de peso al nacer (600, 900 y
1200g.) en el modelo sin interacción.
muchos conjuntos de datos proporciona una descripción satisfactoria del vínculo

entre las variables.
Cuando esto no suceda, es decir, cuando pensemos que tal vez la forma en que el
perímetro cefálico varíe con la edad gestacional dependa del peso al nacer del bebé,
será necesario descartar (o validar) esta conjetura. Una manera de investigar esta
posibilidad es incluir un término de interacción en el modelo. Para ello, creamos la
variable articial que resulta de hacer el producto de las otras dos: X3 = X1 · X2 =
gestage · birthwt, y proponemos el modelo
Y = β0 + β1 X1 + β2 X2 + β3 X3 + ε
Y = β0 + β1 X1 + β2 X2 + β1:2 X1 · X2 + ε (81)
Este es un caso especial de un modelo de regresión con tres variables regresoras.

¾Cómo se interpreta este modelo para dos variables cuantitativas? En este caso
decimos que existe interacción estadística cuando la pendiente de la relación

entre la variable respuesta y una variable explicativa cambia para distintos niveles
de las otras variables. Para entenderlo, escribamos el modelo propuesto cuando
controlamos el valor de X2 .
E (Y | X1 , X2 = 600) = β0 + β1 X1 + β2 600 + β1:2 X1 · 600

= β0 + β2 600 + (β1 + β1:2 600)X1
| {z } | {z }
ordenada al origen pendiente
E (Y | X1 , X2 = 900) = β0 + β1 X1 + β2 900 + β1:2 X1 900

= β0 + β2 900 + (β1 + β1:2 900)X1
| {z } | {z }
E (Y | X1 , X2 = 1200) = β0 + β1 X1 + β2 1200 + β1:2 X1 1200

= β0 + β2 1200 + (β1 + β1:2 1200)X1
| {z } | {z }
En general
E (Y | X1 , X2 ) = β0 + β1 X1 + β2 X2 + β1:2 X1 X2
= β0 + β2 X2 + (β1 + β1:2 X2 )X1 (82)
| {z } | {z }
Luego, en el modelo (81), la pendiente de la relación entre X1 e Y depende de X2 ,

decimos entonces que existe interacción entre las variables.
Entonces, cuando X2 aumenta en una unidad, la pendiente de la recta que relaciona
Y con X1 aumenta enβ1:2 . En este modelo, al jar X2 , E (Y | X1 , X2 ) es una
función lineal de X1 , pero la pendiente de la recta depende del valor de X2 . Del
mismo modo, E (Y | X1 , X2 ) es una función lineal de X2 , pero la pendiente de la
relación varía de acuerdo al valor de X1 .
Si β1:2 no fuera estadísticamente signicativa, entonces los datos no avalarían la
hipótesis de que el cambio en la respuesta con un predictor dependa del valor del
otro predictor, y podríamos ajustar directamente un modelo aditivo, que es mucho
más fácil de interpretar.
Ejemplo 4.2 Consideremos un ejemplo de datos generados. Para n = 40 pacien-

tes se miden tres variables:
X1 = cantidad de droga A consumida
X2 = cantidad de droga B consumida
Y = variable respuesta
Proponemos un modelo con interacción para los datos, que guran en el archivo
ejemploint.txt. Antes de ajustar un modelo, veamos los estadísticos descriptivos
de las dos variables, en la Tabla 43. Ajustamos el modelo (81). En la Tabla 44
aparece la salida. Vemos que el coeciente asociado al término de interacción
Tabla 43: Estadísticos descriptivos de las variables X1 = drogaA y X2 = drogaB.
> summary(drogaA)
3.207 4.449 7.744 8.107 11.100 13.590
> summary(drogaB)
10.18 38.44 63.02 59.58 82.61 93.76
es 2,771 y el test t rechaza la hipótesis H0 : β1:2 = 0 (p−valor < 2 · 10−16 ).

Concluímos que la interacción resulta estadísticamente signicativa, así como lo
son los restantes coecientes asociados a las dos drogas. Luego, hay variación en
la pendiente de la relación entre la respuesta y la cantidad de droga A ingerida,
al variar la cantidad de droga B consumida. Esto puede verse más fácilmente en
el gráco de la Figura 55. En este caso vemos que las dos drogas potencian su
efecto en la variable respuesta, ya que a medida que la cantidad de droga A crece
(en el gráco pasa de 4 a 7 y luego a 11) la variable respuesta crece al crecer la
droga B, con pendientes cada vez mayores. Tienen interacción positiva. Las rectas
gracadas en dicha gura son
drogaA = 4 Yb = −53,92 + 16,59 · 4 + 6,22X2 + 2,77 · 4 · X2

Yb = 12,44 + 17,3X2
drogaA = 7 Yb = −53,92 + 16,59 · 7 + 6,22X2 + 2,77 · 7 · X2

Yb = 62,21 + 25,61X2
drogaA = 11 Yb = −53,92 + 16,59 · 11 + 6,22X2 + 2,77 · 11 · X2

Yb = 128,57 + 36,69X2
Debería resultar claro en este caso, que necesitamos conocer el valor de la droga A
para poder decir cuánto aumenta la respuesta media al aumentar en una unidad la
Tabla 44: Ajuste del modelo lineal múltiple (81) E (Y | X1 , X2 ) = β0 + β1 X1 +

β2 X2 + β1:2 X1 X2 , donde X1 = drogaA, X2 = drogaB, Y = respuesta.
> summary( ajuste5)
Call:
lm(formula = YY ~ drogaA * drogaB)
Coefficients:
(Intercept) -53.92176 42.27242 -1.276 0.21027
drogaA 16.59288 4.92500 3.369 0.00181
drogaB 6.22153 0.63436 9.808 1.04e-11
drogaA:drogaB 2.77152 0.07774 35.651 < 2e-16
---

F-statistic: 5650 on 3 and 36 DF, p-value: < 2.2e-16
cantidad de droga B consumida. Para los tres valores gracados, tendríamos tres
respuestas distintas: 17,3, 25,61 y 36,69 (para drogaA = 4, 7 y 11, respectivamen-
te).
Hay que tener mucho cuidado en la interpretación de los coecientes de cada co-
variable cuando el modelo contiene interacciones. Este modelo es mucho más com-
plicado que el aditivo. Por esta razón, cuando se ajusta un modelo con interacción
y no se rechaza la hipótesis de que la interacción sea cero, es mejor eliminar el
término de interacción del modelo antes de interpretar los efectos parciales de ca-
da variable. Sin embargo, cuando existe clara evidencia de interacción (se rechaza
H0 : β1:2 = 0), hay que conservar los términos asociados a las variables originales
en el modelo lineal, aún cuando no resulten ser signicativos, ya que el efecto de
cada variable cambia según el nivel de las otras variables, ver (82). Es decir, si en
el ajuste presentado en la Tabla 44 la interacción hubiera resultado signicativa y
el efecto de la droga A no hubiera resultado signicativo, de todos modos, debería
conservarse la droga A como covariable en el modelo, puesto que se conservará la
interacción.
Veamos un ejemplo donde el efecto de la interacción es más fuerte aún.
Figura 55: Variable respuesta Y ajustada en función de la drogaB, controlando

por drogaA, para tres posibles valores de drogaA (4, 7 y 11) en el modelo con
interacción.
Ejemplo 4.3 El conjunto de datos está en el archivo ejemploint3.txt. Nue-

vamente se trata de datos generados para los que se midieron las tres variables
descriptas en el principio de esta sección, es decir, niveles de droga A (X1 ), droga
B (X2 ) y la respuesta (Y ) . El modelo ajustado gura en la Tabla 45.
Ahí vemos que tanto el coeciente de la interacción, como los otros dos coecientes
que acompañan a las covariables son signicativamente distintos de cero. En la
Figura 56 vemos las rectas ajustadas para tres valores jos de drogaB. En ella
vemos que el efecto de la interacción cambia de sentido al vínculo entre la respuesta
Y y la drogaA al aumentar la cantidad de drogaB, ya que pasa de ser un potenciador
de la variable respuesta, auméntadola considerablemente al aumentar la cantidad
de drogaA, cuando la cantidad de drogaB es 10, a tener un vínculo inverso con
Y cuando la cantidad de drogaB es 90, en el sentido que a mayor cantidad de
drogaA la variable respuesta disminuye en este caso. En el caso de drogaB = 50,
Tabla 45: Modelo ajustado para los datos del archivo ejemploint3.txt, con las
variables explicativas X1 = drogaA y X2 = drogaB y la interacción entre ellas,
para explicar a Y.
> summary(ajuste7)
Call:
lm(formula = Y7 ~ drogaA * drogaB)
Coefficients:
(Intercept) 2488.19403 31.27861 79.55 < 2e-16
drogaA 151.87124 3.64415 41.67 < 2e-16
drogaB 4.92268 0.46938 10.49 1.71e-12
drogaA:drogaB -3.00872 0.05752 -52.30 < 2e-16
---
F-statistic: 3427 on 3 and 36 DF, p-value: < 2.2e-16
vemos que el vínculo entre drogaA y la respuesta desaparece, ya que la recta parece
horizontal (la pendiente estimada es exactamente cero cuando drogaB = 50,47703).
Las tres rectas gracadas son
drogaB = 10 Yb = 2488,194 + 151,871X1 + 4,923 · 10 − 3,0087 · X1 · 10

Yb = 2537,4 + 121,78X1
drogaB = 50 Yb = 2488,194 + 151,871X1 + 4,923 · 50 − 3,0087 · X1 · 50

Yb = 2734,2 + 1,436X1
drogaB = 90 Yb = 2488,194 + 151,871X1 + 4,923 · 90 − 3,0087 · X1 · 90

Yb = 2931,3 − 118,91X1
En este caso observamos que para hablar del efecto que tiene en la media de Y
el aumento de una unidad de la drogaA debemos saber cuál es el valor de
la drogaB (ya que Y podría crecer, quedar constante o incluso disminuir) con
un aumento de una unidad de la drogaA. En el modelo aditivo (sin interacción)
uno podía siempre cuanticar la variación de la respuesta ante un aumento de
una unidad de una covariable sin necesidad de conocer siquiera el valor de la otra
covariable, mientras se mantuviera constante. Decíamos, en el ejemplo de los bebés
de bajo peso, que manteniendo el peso constante, el aumento de una semana en la
edad gestacional de un bebé repercutía en un aumento de 0,45 cm. del perímetro
cefálico esperado del bebé al nacer. Esto vale tanto para bebés que pesan 600 g.,
900 g. o 1200 g. al nacer. Cuando hay interacción, esta interpretación se diculta.
Figura 56: Variable respuesta Y ajustada en función de la drogaA, controlando

por drogaB, drogaB (10,
para tres posibles valores de 50 y 90) en el modelo con
interacción, para los datos de ejemplointer3.txt.
Ejercicio 4.2 Hacer el ejercicio 3 del Taller 3.
Ejercicio 4.3 Hacer el ejercicio 4 del Taller 3.

4.18 Interacción entre dos variables cualitativas 201
4.18. Interacción entre dos variables cualitativas

Finalmente restaría presentar un modelo de regresión lineal con interacción entre
dos variables cualitativas. Retomemos el ejemplo del pulso post ejercicio.
Ejemplo 4.4 A cuarenta personas se les miden el pulso antes y después de ejer-
citar, junto con otras covariables. Estos datos fueron presentados en el Ejemplo
4.1. Para cada individuo, se midieron las siguientes variables
Y = pulso luego de correr una milla (Pulso2)


 1 si la persona es mujer
X2 =
0 en caso contrario


 1 si la persona fuma
X3 =
0 en caso contrario

Antes de presentar el modelo con interacción, proponemos un modelo aditivo para

explicar el pulso post-ejercicio, en función de las covariables X2 y X3 . Tanto el
sexo como la condición de fumador son variables dummies o binarias. En la base
de datos se las denomina X2 = mujer y X3 = fuma.
El modelo (aditivo) es
E (Y | X2 , X3 ) = β0 + βM mujer + βF fuma. (83)
Hemos puesto el subíndice de los beta de acuerdo a la variable explicativa que

acompañan. En la Tabla 46 escribimos el signicado del modelo para las cuatro
combinaciones posibles de los valores de X2 y X3 .
Tabla 46: Modelo de regresión lineal múltiple aditivo para el pulso post-ejercicio
con covariables X2 = mujer y X3 = fuma.
Grupo X2 = mujer X3 = fuma E (Y | X2 , X3 )
1 0 0 β0
2 0 1 β0 + βF
3 1 0 β0 + βM
4 1 1 β0 + βF + βM
En la Tabla 46 vemos que βF representa el aumento (o disminución, según el signo)

en el pulso medio post ejercicio al comparar el grupo de hombres fumadores con
el grupo de hombres no fumadores (grupo 2 menos grupo 1), pues
E (Y | mujer = 0, fuma = 1) − E (Y | mujer = 0, fuma = 0)

= (β0 + βF ) − β0
= βF
y también representa el cambio en el pulso medio post ejercicio al comparar el
grupo de mujeres fumadoras con el de las mujeres no fumadoras (grupo 4 menos
grupo 3), pues

= (β0 + βF + βM ) − (β0 + βM )
= βF .
Como ambas diferencias dan el mismo número, decimos que βF representa el cam-
bio en el valor esperado del pulso post-ejercicio por efecto de fumar, cuando se
controla (o estratica) por la variable sexo, o sea, cuando mantenemos la otra va-
riable ja sin importar su valor. Observemos que esta es la misma interpretación
que hemos hecho de los coecientes en los modelos de regresión lineal aditivos. Del
mismo modo, βM representa la diferencia en el pulso medio post-ejercicio entre
mujeres y varones, al controlar por la variable fuma.
Observemos que este modelo dispone de tres coecientes β0 , βM y βF para reejar
las medias de cuatro grupos distintos.
¾Cómo es el modelo que explica a Y con X2 , X 3 y la interacción entre ambas? El
modelo es el siguiente
E (Y | X2 , X3 ) = β0 + βM mujer + βF fuma + βM :F mujer · fuma. (84)
Como tanto X2 = mujer y X3 = fuma son variables dicotómicas, el término

producto X2 · X3 = mujer · fuma también resulta ser una variable indicadora o
dicotómica, en este caso

 1 si la persona es mujer y fuma
X2 · X3 =
0 en caso contrario.

Nuevamente, en la Tabla 47, escribimos el signicado del modelo para las cuatro
combinaciones posibles de los valores de X2 = mujer y X3 = fuma.
Hagamos las mismas comparaciones que hicimos en el modelo aditivo. Compara-
mos el valor medio de la variable respuesta del grupo 2 con el del grupo 1:

= (β0 + βF ) − β0
= βF
Tabla 47: Modelo de regresión lineal múltiple con interacción, para el pulso post-
ejercicio con covariables X2 = mujer y X3 = fuma.
Grupo X2 = mujer X3 = fuma X2 · X3 E (Y | X2 , X3 )
1 0 0 0 β0
2 0 1 0 β0 + βF
3 1 0 0 β0 + βM
4 1 1 1 β0 + βF + βM + βM :F
Ahora comparemos los valores medios de la respuesta en los grupos 4 y 3:

= (β0 + βM + βF + βM :F ) − (β0 + βM )
= βF + βM :F .
Por lo tanto, βF mide el efecto de fumar en los hombres, y βF + βM :F mide el

efecto de fumar en las mujeres. De modo que el término de la interacción βM :F
da la diferencia del pulso medio post-ejercicio por efecto de fumar de las mujeres
respecto de los hombres. Si βM :F > 0, el hecho de fumar en las mujeres redunda
en un aumento de la respuesta media respecto de la de los hombres. Un test de
H0 : βM :F = 0 versus H1 : βM :F 6= 0 para el modelo (84) es una prueba para la
igualdad del efecto de fumar en el pulso medio post-ejercicio de hombres y mujeres.
Observemos que si no se rechaza H0 , tenemos un modelo aditivo: el efecto de fumar
en el pulso post-ejercicio resulta ser el mismo para hombres y mujeres.
También se podrían tomar diferencias análogas entre los grupos 1 y 3 (no fuma-
dores) y entre los grupos 4 y 2 (fumadores) y llegar a la misma interpretación de
la interacción. En este ejemplo, esta aproximación parece menos intuitiva, ya que
interesa evaluar el efecto de fumar (controlando por el sexo) en la respuesta.
Antes de pasar a los ajustes de los modelos, propongamos un modelo de compa-
ración de las medias de cuatro muestras aleatorias normales, todas con la misma
varianza (o sea, una generalización del test de t para de dos muestras). Tal modelo,
propondría que se tienen 4 muestras de pulso post-ejercicio tomadas en 4 grupos
diferentes (en este caso, los denidos en la primer columna de la Tabla 47) y para
cada uno de ellos proponemos
Yi1 ∼ N µ1 , σ 2

(1 ≤ i ≤ n1 ) grupo 1 (hombres no fumadores) (85)
2

Yi2 ∼ N µ2 , σ (1 ≤ i ≤ n2 ) grupo 2 (hombres fumadores)
2

Yi3 ∼ N µ3 , σ (1 ≤ i ≤ n3 ) grupo 3 (mujeres fumadoras)
2

Yi4 ∼ N µ4 , σ (1 ≤ i ≤ n4 ) grupo 4 (mujeres no fumadoras).
Todas las observaciones son independientes entre sí. Este modelo propone ajustar
4 parámetros que dan cuenta de la media (uno para cada grupo, que hemos deno-
minado µk que se estimarán con las observaciones del respectivo grupo k− ésimo)
y un parámetro que da cuenta de la varianza de cada observación en el modelo ho-
2
moscedástico (σ que se estimará de forma conjunta con todas las n1 + n2 + n3 + n4
observaciones). Si comparamos este modelo con el propuesto en (84), vemos que
ambos tienen 4 parámetros para las medias. Más aún, resultará que se vinculan
de la siguiente forma, por lo desarrollado en la Tabla 47.
µ1 = β0 (86)
µ2 = β0 + βF
µ3 = β0 + βM
µ4 = β0 + βF + βM + βF :M .
Otra forma de escribir el modelo (85) es la siguiente
Yi1 = µ1 + i1 (1 ≤ i ≤ n1 ) grupo 1 (hombres no fumadores)

(87)
Yi2 = µ2 + i2 (1 ≤ i ≤ n2 ) grupo 2 (hombres fumadores)
Yi3 = µ3 + i3 (1 ≤ i ≤ n3 ) grupo 3 (mujeres fumadoras)
Yi4 = µ4 + i4 (1 ≤ i ≤ n4 ) grupo 4 (mujeres no fumadoras),

2

donde los ik ∼ N 0, σ y son todos independientes
Vemos pues que ambos modelos (84) y (85) son equivalentes, ya que conociendo
los parámetros de uno de ellos (los µk por ejemplo) podemos despejar los valores
del otro (los βh por ejemplo) por medio de las ecuaciones (86). O al revés, obtener
los µk a partir de los βh . La varianza del error se estimará en forma conjunta en
ambos modelos. La diferencia está en el signicado de los parámetros. En el modelo
(85), µk representa el valor esperado de la variable respuesta en el grupo k−ésimo,
mientras que en el modelo (84) los βh representan (algunas de) las diferencias entre
los valores de las respuestas medias entre los distintos grupos.
En las Tablas 48 y 49 se muestran los valores ajustados de los modelos aditivos
(83) y con interacción (84).
Analicemos primero el modelo con interacción. En la salida vemos que el coeciente
de la interacción no resulta signicativo (el p−valor es 0,245 que no es menor
a 0,05), por lo tanto concluimos que el efecto de fumar en el pulso medio post-
ejercicio de mujeres y varones es el mismo. Luego, para los datos del pulso el modelo
apropiado es el aditivo (83). En dicho ajuste vemos que todos los coecientes son
signicativos, y que el hecho de fumar aumenta el pulso post-ejercicio en 7,36
pulsaciones por minuto, cuando uno controla por sexo. Es interesante gracar
Tabla 48: Ajuste del modelo lineal múltiple aditivo Yi = β0 + βM Xi2 + βF Xi3 + εi ,
donde X2 = indicador de mujer (mujer), X3 = indicador de fumar (fuma), e Y =
pulso post ejercicio (Pulso2).
> ajusteA<-lm(Pulso2 ~ mujer + fuma)

> summary(ajusteA)
Coefficients:
(Intercept) 126.926 2.452 51.754 < 2e-16
mujer 18.064 3.027 5.967 6.96e-07
fuma 7.362 3.074 2.395 0.0218
---

las cuatro medias muestrales y los cuatro valores esperados bajo el modelo. Esos
valores guran en la Tabla 50.
Mirando la Tabla 50 podemos corroborar que los estimadores obtenidos con el
modelo con interacción son los mismos que obtendríamos si estimáramos las medias
de cada grupo por separado. En este caso además, vemos que el ajuste obtenido por
el modelo sin interacción no diere demasiado del con interacción, en sus valores
ajustados, es por eso que la interacción no resulta signicativa en este modelo. El
Gráco 57 permite visualizar más claramente la situación. En él vemos que al pasar
del grupo de no fumadores al grupo de fumadores, aumenta el pulso medio post-
ejercicio, tanto en hombres como en mujeres, siempre en una cantidad parecida
(tan parecida, que la diferencia entre ambos no es estadísticamente signicativa).
Este gráco suele llamarse gráco de interacción. Sirve para evaluar si tiene sentido
ajustar un modelo con interacción a nuestros datos. Si dicho gráco resultara como
se muestra en alguno de los dos de la Figura 58, entonces se justicaría agregar el
término de interacción al modelo con dos covariables categóricas. En el gráco A
vemos un ejemplo donde al pasar del grupo no fumador al grupo fumador, para
las mujeres se produce un aumento de la respuesta media, y para los hombres
una disminución de la respuesta media. Para este ejemplo, tiene sentido incluir
el término de la interacción, ya que la respuesta cambia de sentido para distintas
combinaciones de las dos explicativas. En el gráco B sucede algo parecido: cuando
controlamos por el sexo de la persona, el efecto de fumar es diferente en los dos
Tabla 49: Ajuste del modelo lineal múltiple con interacción Yi = β0 + βM Xi2 +
βF Xi3 +βM :F Xi2 ·Xi3 +εi , donde X2 = indicador de mujer (mujer), X3 = indicador
de fumar (fuma), Y = pulso post ejercicio (Pulso2).
> ajusteB <-lm(Pulso2 ~ mujer * fuma)

> summary(ajusteB)
Coefficients:
(Intercept) 128.333 2.714 47.280 < 2e-16
mujer 15.250 3.839 3.973 0.000326
fuma 4.267 4.026 1.060 0.296306
mujer:fuma 7.317 6.190 1.182 0.244922
---

grupos, para las mujeres aumenta la media de la respuesta, para los hombres la
deja igual.
4.19. Generalización a más de dos variables.

Cuando el número de variables regresoras es mayor que dos, se pueden incluir
términos de interacción para cada par de covariables. Por ejemplo, en un modelo
con tres variables regresoras X1 , X2 y X3 , podemos tener:
E (Y | X1 , X2 , X3 ) = β0 + β1 X1 + β2 X2 + β3 X3
+β1:2 X1 · X2 + β1:3 X1 · X3 + β2:3 X2 · X3
En este modelo hemos considerado las interacciones de las variables tomadas de

a pares, a las que se denomina interacciones de segundo orden. Pero podríamos
haber considerado además la interacción de tercer orden incorporando un término
β1:2:3 X1 · X2 · X3 .
A partir de los tests de signicación podremos evaluar si alguna(s) de estas inter-
acciones son necesarias en el modelo.
4.19 Generalización a más de dos variables. 207
Tabla 50: Medias muestrales calculadas por grupos, comparadas con el ajuste de
los modelos sin y con interacción, para el pulso post-ejercicio con covariables X2 =
mujer y X3 = fuma.
Grupo X2 X3 Media muestral E (Y | X2 , X3 ) sin interacción
1 0 0 128,3333 βb0 = 126,926
2 0 1 132,6 βb0 + βbF = 126,926 + 7,362 = 134,29
3 1 0 143,5833 βb0 + βbM = 126,926 + 18,064 = 144,99
4 1 1 155,1667 βb0 + βbF + βbM = 126,926 + 7,362
+18,064 = 152,35
Grupo X2 X3 Media muestral E (Y | X2 , X3 ) con interacción

1 0 0 128,3333 βb0 = 128,333
2 0 1 132,6 βb0 + βbF = 128,333 + 4,267 = 132,6
3 1 0 143,5833 βb0 + βbM = 128,333 + 15,25 = 143,58
4 1 1 155,1667 βb0 + βbF + βbM + βbF :M = 128,333 + 4,267
+15,25 + 7,317 = 155,1667
Cuando alguna interacción es signicativa y el modelo debe incluir estos térmi-

nos, es más compleja la presentación de los resultados. Una aproximación posible
es gracar una colección de rectas como en las guras anteriores, para describir
grácamente cómo cambia la relación con los valores de las demás variables.
Figura 57: Gráco de las medias muestrales de los cuatro grupos, de los datos de
pulso-post ejercicio.
5. Diagnóstico del modelo
5.1. Diagnóstico del modelo: deniciones y grácos

Los métodos de inferencia anteriormentes descriptos (cálculo de p-valores, inter-
valos de conanza y de predicción, por citar algunos) requieren que se satisfagan
los cuatro supuestos (45) que subyacen a nuestro modelo. El diagnóstico del mo-
delo consiste en la validación de estos supuestos para los datos en cuestión. Esta
validación puede hacerse a través de una serie de grácos, muchos de los cuales ya
describimos en la regresión lineal simple, o bien a través de diversos cálculos. El
diagnóstico desempeña un papel importante en el desarrollo y la evaluación de los
modelos regresión múltiple. La mayoría de los procedimientos de diagnóstico para
la regresión lineal simple que hemos descrito anteriormente se trasladan directa-
mente a la regresión múltiple. A continuación revisaremos dichos procedimientos
de diagnóstico.
Por otro lado, también se han desarrollado herramientas de diagnóstico y procedi-
mientos especializados para la regresión múltiple. Algunas de las más importantes
se discuten en la Sección 5.2.
5.1 Diagnóstico del modelo: deniciones y grácos 209
Figura 58: Grácos de las medias de una variable respuesta Y para dos ejemplos
cticios, en las guras A y B.
5.1.1. Matriz de scatter plots o grácos de dispersión
Los boxplots, histogramas, diagramas de tallo y hojas, y grácos de puntos pa-

ra cada una de las variables predictoras y para la variable de respuesta pueden
proporcionar información univariada preliminar y útil sobre estas variables. Los
diagramas de dispersión (scatter plots) de la variable de respuesta versus cada
variable predictora pueden ayudar a determinar la naturaleza y la fuerza de las
relaciones bivariadas entre cada una de las variables de predicción y la variable
de respuesta así como pueden permitir la identicación de lagunas en las regiones
de datos. También pueden permitir identicar outliers u observaciones atípicas o
alejadas del patrón del resto de los datos. Los diagramas de dispersión de cada
variable predictora versus cada una de las otras variables de predicción son útiles
para el estudio de las relaciones bivariadas entre las distintas variables predictoras
y también para buscar espacios con ausencia de datos y detectar valores atípicos.
El análisis resulta más fácil si los grácos de dispersión se ensamblan en una matriz
diagrama de dispersión (scatter plot matrix ), como vemos en la Figura 59. En esta
gura, la variable gracada en el eje vertical para cualquier gráco de dispersión
es aquella cuyo nombre se encuentra en su la, y la variable gracada en el eje
horizontal es aquella cuyo nombre se encuentra en su columna. Por lo tanto, la

matriz de gráco de dispersión en la Figura 59 muestra en la primera la los grácos
de Y headcirc) versus X1 , (edad gestacional: gestage) y de
(perímetro cefálico:
Y versus X2 (peso: birthwt). En la segunda la tenemos los grácos de X1 versus
Y y de X1 versus X2 . Finalmente, en la tercer la tenemos los grácos de X2 versus
Y y de X2 versus X1 . Una matriz de diagramas de dispersión facilita el estudio
de las relaciones entre las variables mediante la comparación de los diagramas de
dispersión dentro de una la o una columna. Esta matriz muestra, por supuesto,
información repetida de los datos. Bastaría con dar los scatter plots que quedan
por encima (o bien, por debajo) de la diagonal.
Si el dataframe que contiene a los datos se denomina low, la matriz de scatterplots
se realiza con pairs(low), en R.
Figura 59: Matriz de scatter plots para los datos de bebés con bajo peso, con las
covariables edad gestacional y peso
5.1 Diagnóstico del modelo: deniciones y grácos 211
Un complemento a la matriz de diagramas de dispersión que puede ser útil a veces

es la matriz de correlaciones. Esta matriz contiene los coecientes de correlación
simple rY X1 , rY X2 , ..., rY Xp−1 entre Y y cada una de las variables predictoras, así
como todos los coecientes de correlación simple entre las distintas variables pre-
dictoras entre sí. El formato de la matriz de correlación sigue el de la matriz de
scatter plots  
1 rY X1 rY X2 ··· rY Xp−1
 rY X
 1 1 rX1 X2 ··· rX1 Xp−1 

 .. .
.
.
.
.
.

 . . . . 
rY Xp−1 rX1 Xp−1 rX2 Xp−1 · · · 1
y en el caso de los datos de bebés de bajo peso es
> cor(low)
headcirc gestage birthwt
headcirc 1.0000000 0.7806919 0.7988372
gestage 0.7806919 1.0000000 0.6599376
birthwt 0.7988372 0.6599376 1.0000000
Observemos que la matriz de correlación es simétrica y en la diagonal contiene

unos pues el coeciente de correlación de una variable consigo misma es 1.
5.1.2. Grácos de dispersión en tres dimensiones
Algunos paquetes estadísticos proporcionan grácos de dispersión en tres dimen-

siones y permiten girar estos grácos para permitir al usuario ver la nube de puntos
desde diferentes perspectivas. Esto puede ser muy útil para identicar los patro-
nes que sólo se desprenden de la observación desde ciertas perspectivas. En R la
instrucción plot3d de la librería rgl permite hacerlo. Incluso se puede rotar el
gráco y guardar la película de la rotación con la instrucción movie3d.
5.1.3. Grácos de residuos
Es importante recalcar que aunque las observaciones (Xi1 , Xi2 , . . . , Xi(p−1) , Y ) no

puedan gracarse en el caso de tener más de dos covariables, siempre tanto el valor
predicho o ajustado Ybi como el residuo ei están en R y pueden ser gracados. De
modo que un gráco de los residuos contra los valores ajustados es útil para eva-
luar la idoneidad de la regresión múltiple para modelar los datos observados, y la
homoscedasticidad (constancia de la varianza) de los términos de error. También
permite proporcionar información acerca de los valores extremos como lo vimos

en la regresión lineal simple. Del mismo modo, un gráco de los residuos contra el
tiempo (u orden en el que fueron recopilados los datos, si este fuera relevante) o en
contra de otra secuencia puede proporcionar información acerca de las posibles co-
rrelaciones entre los términos de error en la regresión múltiple. Boxplots y grácos
de probabilidad normal de los residuos son útiles para examinar si el supuesto de
distribución normal sobre los términos de error se satisface razonablemente para
los valores observados.
Además, los residuos deben ser gracados versus cada una de las variables pre-
dictivas. Cada uno de estos grácos pueden proporcionar más información sobre
la idoneidad de la función de regresión con respecto a la variable de predicción
(por ejemplo, si un efecto que dé cuenta de la curvatura es necesario para dicha
variable) y también puede proporcionar información sobre la posible variación de
la varianza del error en relación con dicha variable predictora.
Los residuos también deben ser gracados versus cada una de las variables de pre-
dicción importantes que se omitieron del modelo, para ver si las variables omitidas
tienen importantes efectos adicionales sobre la variable de respuesta que aún no han
sido reconocidos en el modelo de regresión. Además, los residuos deben gracarse
versus términos de interacción para los posibles efectos no incluidos en el modelo
de regresión (trabajamos con interacción en la Sección 4.16 y subsiguientes), para
ver si es necesario incluir algún término de interacción en el modelo.
Un gráco de los residuos o los residuos al cuadrado contra los valores ajustados
es útil para examinar si la varianza de los términos de error es constante. Si se
detecta que la varianza no es constante, suele ser apropiado realizar grácos del
valor absoluto de los residuos, o de sus cuadrados, versus cada una de las variables
predictoras. Estos grácos pueden permitir la identicación de una o más variables
predictoras con las que se relaciona la magnitud de la variabilidad del error. Se
puede incluir una transformación de esta variable en el modelo para tratar de
eliminar la estructura observada en los residuos.
Por supuesto, cualquier paquete estadístico realizará estos grácos de manera más
o menos automática. R produce automáticamente cuatro grácos de diagnósti-
co cuando uno aplica la función plot() directamente a una salida del lm(). En
general, este comando produce un gráco por vez, apretando enter en el teclado
producirá un gráco por vez. Para ver los cuatro juntos, una opción es dividir la
ventana gráca en cuatro con la instrucción mfrow:
par(mfrow=c(2,2))
plot(ajuste4)
Alternativamente, uno puede calcular los residuos a partir de un ajuste lineal

con las instrucciones residuals(), rstudent() para los residuos estudentizados,
5.2 Identicación de outliers y puntos de alto leverage 213
rstandard() para los estandarizados, fitted.values() para los valores predi-

chos. Y luego gracarlos usando la función plot. En la Figura 60 vemos el plot
de los residuos para el ajuste4 propuesto en el modelo (73), página 173.
Figura 60: Grácos de diagnóstico producidos por la instrucción plot aplicada a la

salida lm. Se gracan, los residuos versus los valores ajustados, el Q-Q plot normal
de los residuos estandarizados, la raíz cuadrada de los residuos versus los valores
ajustados, y nalmente los residuos estandarizados versus los leverage.
Residuals vs Fitted Normal Q−Q

30
38 ● 38 ●
3
● 125 125 ●
Standardized residuals
20
●● ● ●
● ● ●●●
●● ●●●
2
● ●●
●● ●● ●● ●●
●●
●●
● ●● ● ● ●● ● ●
●
●
10
● ●
●
Residuals
● ● ● ●● ●●
●
●
●
●● ● ●●
●
● ● ● ●● ●● ● ● ●
1
●
● ● ●● ●
●●●● ● ●
● ●● ●●
●
● ● ● ●●●
●●● ●●● ● ●●
●
●●
●
● ●
●
●●●
● ● ● ●
●
●●
●
●●
●
● ● ●●●● ●
●● ●● ● ●
●
●●
●● ● ●●
●●● ●● ●●●● ● ●
●
●
●
●
●
0
● ●●
●
● ● ● ●
●● ●●● ● ● ● ●
●
●●
●
●
0
● ● ●● ●● ● ● ●●● ● ●
●
●●
●● ● ● ●● ● ●
●● ●
●
●●
●
●
●●
●
● ● ●●
●● ●● ● ●
●
●●
● ●● ●● ● ●● ●● ● ● ● ●
●
●
●
●
●
● ●●
● ●● ● ● ● ●●
●
●
●●
−20 −10
●
●
●●
●
●●● ●● ●●● ● ● ●
●●
●
●
−1
● ● ●
●●
●
● ●●● ● ●
● ●● ●
● ● ●
●
●
●●
●
●●
●
●● ●
●●
●●
●
●
● ● ● ●
●●
●●
●● ● ●●
−2
198 ●●
● ●●
● 198
85 90 95 100 105 110 −3 −2 −1 0 1 2 3
Fitted values Theoretical Quantiles
Scale−Location Residuals vs Leverage

38 ●
● 125
3
●
1.5
●
●198●●
●
● ●● ●● ●● ● ●
●
● ● ●
●●
●
● ●●● ●●
2
● ● ●
● ● ●●● ● ●● ●
●● ● ● ●
●
●●●●●
● ● ●
●● ●
● ●
● ● ● ● ●● ●● ● ● ● ●● ●
● ● ● ● ●●●
206 ●
● ● ● ● ●● ● ●● ● ●●
1.0
● ●● ● ●
●● ●● ●
● ● ●● ●
●● ● ●●●●● ● ● ● ● ●●
●● ●●
●
●●
● ●
●
●
●● ● ●
●●● ● ●
●
●
●●
● ●● ● ●
●
● ● ●
● ● ●● ● ● ● ●● ● ● ●● ● ● ●●
● ●●● ●●●● ●●●● ●
● ●
●
●●●
●
● ●● ● ●● ●
● ●● ● ●
●
● ●
● ●●● ●●● ●
0
● ●●●● ● ● ●
●●● ● ●● ● ● ●●
● ●
●● ● ● ●
●● ●
●●●● ●● ● ●
● ●● ● ● ● ●
●● ●●● ●● ● ● ●
● ● ● ●● ●● ●● ● ●●●
●●●●● ●● ● ●●
●●● ●●●● ●● ● ●●
● ●
0.5
●● ● ●
●●● ●● ●●●
−1
● ● ●● ● ● ● ●
● ●
● ● ●
●●● ●
● ●● ● ● ● ● ●● ● ● ●●
● ●●● ●
● ● ●● ●
●● ●●
●●●● ● 54
●● ● ●●
−2
● ● ●● ●
● ● ● ● ●8
●● ●● Cook's distance
0.0
85 90 95 100 105 110 0.00 0.02 0.04 0.06 0.08 0.10
Fitted values Leverage
5.2. Identicación de outliers y puntos de alto leverage

Como en el caso de regresión lineal simple, aquí también tiene sentido identicar las
observaciones que no siguen el patrón de los demás datos. Medidas para identicar
estas observaciones son, nuevamente, el leverage, los residuos estudentizados, y
algunas que no estudiaremos aquí como los DFFITS y los DFBETAS.
5.2.1. Ajuste robusto: permite ignorar a los outliers automáticamente
Como vimos para regresión lineal simple, el problema de las observaciones atípicas
en un conjunto de datos es que su presencia puede inuir de manera dramática
sobre el ajuste del modelo propuesto, incluso llegando a tergiversar por comple-
to las conclusiones que se pueden extraer de él cuando el ajuste se lleva a cabo
usando estimadores de mínimos cuadrados. Esta distorsión de los valores ajustados
además tiene la potencia de enmascarar las observaciones atípicas y muchas veces
disimularlas entre los datos, dicultando el buen funcionamiento de las herramien-
tas de detección de atipicidad más difundidas en el área: leverage, distancias de
Cook, dts, etc. Como ya dijimos en la Sección 3.2.4, una forma automática de
evitar estos problemas consiste en cambiar el método de estimación de mínimos
cuadrados por un ajuste robusto de los coecientes. Los MM-estimadores de re-
gresión son una buena alternativa. El ajuste que presentamos en la Sección 3.2.4 a
traves de la rutina lmrob de la librería robustbase se extiende trivialmente para
el caso de regresión lineal múltiple. A modo de ejemplo, en la Tabla 51 vemos el
ajuste de dicha rutina a los datos del archivo azucar considerados previamente, el
mismo ajuste de mínimos cuadrados gura en la Tabla 36.
Si el ajuste robusto y el clásico (o sea el de mínimos cuadrados) no dieren, esta
es una señal de que no hay observaciones atípicas en el conjunto de datos con
el que se trabaja. Como el ajuste por mínimos cuadrados es el más difundido en
estadística, cuando el interés del análisis incluya la comunicación de los resultados
a otros especialistas, es recomendable reportar la salida obtenida con el ajuste
clásico. Esto es lo que sucede para el ajuste de los datos de azucar.
En cambio, cuando el ajuste robusto y el clásico dieren entre sí, esto se deberá
a la presencia de datos atípicos. Con el ajuste robusto estos se podrán detectar
claramente: corresponderán a aquellas observaciones cuyos pesos (robustos) asig-
nados por el ajuste del lmrob sean muy chicos (pesos cero o muy cercanos a él).
Estos se calculan como ajusterob$rweights para el ajuste presentado en la Tabla
51. Como los pesos, que van entre 0 y 1, se calculan en función de los residuos,
un criterio equivalente será investigar aquellas observaciones con residuos grandes
del ajuste robusto. En el caso de los datos de azucar, vemos que el menor peso
corresponde a 0,24. La instrucción plot aplicada al ajuste robusto dado por lmrob
proporciona 5 grácos que permite visualizar las observaciones extremas, basadas
en el cómputo del leverage robusto (robust distances ) y que pueden verse en la
Figura 61 para el ajuste robusto de los datos de azucar. Una descripción más de-
tallada de los estimadores robustos disponibles puede consultarse en los Capítulos
4 y 5 de Maronna et al. [2006].
Tabla 51: Ajuste de un MM-estimador de regresión para el modelo con glucosa

como variables respuesta y peso.evo (categórica) y bmi (numérica), archivo de
datos azucar. El ajuste clásico puede verse en la Tabla 36, página 177.
> library(robustbase)
> Ievo<-factor(peso.evo)
> ajusterob <- lmrob(glucosa ~ bmi + Ievo, data = azucar)
> summary(ajusterob)
\--> method = "MM"
Coefficients:
(Intercept) 70.6589 3.7731 18.727 < 2e-16 ***
bmi 0.6552 0.1356 4.832 2.56e-06 ***
Ievo2 7.2255 1.3691 5.278 3.18e-07 ***
Ievo3 7.9919 1.4531 5.500 1.07e-07 ***
---
Robust residual standard error: 7.721
Convergence in 12 IRWLS iterations
Robustness weights:
18 weights are ~= 1. The remaining 202 ones are summarized as
0.2452 0.8557 0.9502 0.8921 0.9815 0.9990
5.2.2. Leverage
Vimos en la Observación 4.5, en la Sección 4.6 que los residuos no son homoscedás-
ticos. Y además vimos que la varianza dependía del leverage de una observación,
que también denimos en esa sección a partir de la matriz de proyección o hat
matrix H. El leverage de la i-ésima observación será el elemento hii de la matriz
de proyección, y en general será calculado por el software. En el caso de regresión
múltiple, sin embargo, es mucho más importante asegurarse que no haya obser-
vaciones potencialmente inuyentes, o si uno sospecha de algunas, estudiar cómo
cambia el ajuste cuando esa observación es eliminada de la base de datos. Para la
detección de observaciones potencialmente inuyentes en regresión lineal simple,
muchas veces basta mirar con cuidado el scatter plot de los datos. El problema que
aparece aquí es que no podemos, en general, dibujar el scatter plot de los datos,
por lo que tendremos que calcular el leverage de cada observación. El criterio para
Figura 61: Salida de plot(ajusterob) para los datos de azucar, cuyo ajuste gura
en la Tabla 51.
Standardized residuals vs. Robust Distances Normal Q−Q vs. Residuals Response vs. Fitted Values
4
38 ● 38 ●
●
120
● 125
● 38 125 ● ●
● 125
3
20
●
● 189 ●
●
●●●
189 ● ●● 189
●● ●
●
●● ● ●
● ●●
● ● ●
● ●●
● ●
110
● ● ●●
● ● ●
2
● ● ● ●
● ●● ● ●
Robust Standardized residuals
●●
● ●
● ●●● ●● ●
● ● ●
●
●
● ● ●● ●
●
10
● ●● ● ●
● ● ●
●
● ●
●
●
● ● ● ● ● ● ●●
● ●
●
●●
● ● ● ● ●
● ●
● ● ● ●
●
●●
● ● ● ● ● ●
● ● ●●● ●
1
●
●
● ● ●
● ● ●● ●
Response
●
Residuals
● ●● ● ● ●
●
● ●
● ● ●● ● ● ● ● ●
●
● ●● ● ● ●●
100
●● ● ●
●
●●● ●● ●
●
●● ● ● ●● ●
●●●●●
● ● ●
●
● ●● ● ● ●
●● ● ●●●● ●●●●
● ●● ● ● ●●
● ●●● ● ● ● ●
●● ●●● ● ●
●
● ●● ●
●
● ●●●●● ●
●● ●●● ● ●
●
● ●●● ●
●● ● ● ●
● ●● ● ●● ●●
0
● ●
●●
●● ●● ●
0
●
●● ● ●
●● ●
●● ●● ● ●●
●
● ● ● ● ●●
● ● ●●●●● ● ● ●●
●● ●● ●● ●
●
●
●
●
● ● ●●●● ●
●● ●● ● ● ●● ●
●
●
● ●● ●● ● ●● ●●●● ● ● ●
●●●● ●● ●
● ● ●● ●
●●
●
●● ● ●●●●●
● ●
●●● ●●● ● ●
●
●
90
● ●●
● ●●●●● ● ●●
●
●
●
●
● ●● ● ●● ● ●● ● ● ●
●● ●
●
−1
● ●
● ●● ●●● ●●
● ● ●
●●
●
●
● ● ●● ● ●
● ● ●●
●
● ● ●● ● ● ● ●
●
● ●● ● ● ●●
●
● ●
● ●● ●●
● ● ●●
● ●●
−10
●●●
● ●
●●
● ● ● ● ●●● ●
● ●
●●
● ●● ●● ●
●● ● ● ●●● ●
●●
●● ●
●
●●
● ● ● ●
−2
●●
●●
● ●● ● ● ● ●
80
●● ● ●●● ● ●
● ● ●●
● ●
● ●
●●●
●●
● ● ●
−3
−20
0.00 0.02 0.04 0.06 0.08 0.10 −3 −2 −1 0 1 2 3 80 90 100 110 120
Robust Distances Theoretical Quantiles Fitted Values
Residuals vs. Fitted Values Sqrt of abs(Residuals) vs. Fitted Values

38 ● 38 ●
5
125 ● 125 ●
20
● 189 ● 189
● ● ●●
●● ●● ● ● ●
● ● ●● ● ●
●
● ●
4
● ●● ● ●●
● ●
●● ●
●● ● ● ● ●
● ●
● ● ● ●
● ● ●● ●
● ●● ● ● ●● ●
● ● ●●
10
● ●● ●
Sqrt of abs(Residuals)
● ● ● ● ● ●
● ●
● ●
● ●●● ● ● ●● ● ● ● ● ●●● ●
● ● ●
● ● ● ● ●●
3
●● ● ● ●
Residuals
● ●
●● ● ●
● ● ●● ●● ●● ● ● ● ● ●● ●
● ● ●● ● ● ● ●
●●●●
● ●
● ●●●
● ● ●● ●
● ● ● ● ● ●●●●
● ●● ● ●
●
●● ● ●● ● ●●●● ● ● ● ●
●
● ● ● ●
● ● ●● ● ● ●● ●● ● ● ● ●
● ● ● ● ●●●● ● ●●●●● ●
● ●
0
● ● ● ●
● ● ●● ● ● ● ●● ● ●
● ●● ●● ●● ●
●
●● ● ●
● ● ●●
●
● ● ● ● ●●● ●● ●
●●
2
● ● ● ● ●
● ● ●
●● ● ● ● ● ● ●
● ●● ● ● ● ● ● ●● ● ●
●● ● ●● ●● ● ● ● ●
● ● ●
● ● ● ●●●● ● ● ●● ● ●●
● ●● ● ●● ● ● ● ●●
●● ●● ● ●●
● ● ● ● ●●●
● ● ● ●
●
● ●● ●●● ●● ●
−10
●
● ● ● ●
●
● ● ● ●● ● ●
● ●
●
●
1
●● ● ●●
●● ● ●● ● ●
● ● ● ●●
●● ● ● ● ● ●
● ● ●●
● ● ● ● ●
● ●
● ● ●
● ● ●
−20
85 90 95 100 105 110 85 90 95 100 105 110
Fitted Values Fitted Values
encontrar observaciones potencialmente inuyentes será la extensión del visto an-

teriormente. El leverage alto indica que una observación no sigue el patrón de las
demás covariables X. Nuevamente se tiene
n
X
0 ≤ hii ≤ 1 hii = p
i=1
donde p es el número de parámetros de regresión (betas) que hay en la función

de regresión, incluyendo el término de intercept. Puede mostrarse que hii es una
medida de la distancia entre los valores de las covariables X de la i-ésima obser-
vación respecto del valor del promedio de todas las X observadas en los n casos.
Es lo que se conoce como
distancia de Mahalanobis de la i-ésima observación
Xi1 , Xi2 , . . . , Xi(p−1) cuando se tiene una muestra de ellas. Este concepto se es-
tudia en detalle en los cursos de análisis multivariado. La idea subyacente es que

las distancia usual no expresa bien las distancias entre observaciones cuando hay
dependencia entre las covariables, entonces esta correlación o dependencia se toma
en cuenta para denir una nueva noción de distancia entre puntos. En la Figura
62 se ve un gráco de dispersión para un conjunto de observaciones, con curvas
superpuestas. Estas curvas representan los puntos que tienen el mismo leverage.
Vemos que son elipses. En el gráco hay una observación alejada, indicada con A.
Figura 62: Contornos de leverage constante en dos dimensiones. Las elipses más
pequeñas representan un menor leverage. Vemos una observación identicada con
el nombre A que tiene alto leverage y no sigue el patrón de las restantes. Fuente:
Weisberg [2005], pág. 170
Los dos criterios para evaluar si una observación tiene alta palanca presentados en
el caso de regresión lineal simple se extienden sin grandes modicaciones al caso
múltiple. Ellos son
1. (Ajustado por la cantidad de covariables) Declarar a la observación i-ésima

2
Pn 2p
con alto leverage si hii > 2h = j=1 hjj = n .
n
2. (Sin ajustar por la cantidad de covariables) Declarar a la observación i-ésima

con muy alto leverage si hii > 0,5 y con leverage moderado si 0,2 < hii ≤ 0,5.
Una evidencia adicional para declarar que una cierta observación tiene un leverage
notoriamente alto, consiste en gracar un histograma de los hii y ver si existe
una brecha destacable que separa al mayor leverage o a un pequeño conjunto de
mayores leverages del resto de las observaciones.
5.2.3. Uso de la matriz de proyección para identicar extrapolaciones

La matriz H de proyección también es útil para determinar si una inferencia res-
pecto de la respuesta media o de la predicción para una nueva observación Xnueva
de valores de las predictoras involucra una extrapolación sustancial respecto del
rango de los valores observados. Cuando sólo tenemos dos predictoras X1 y X2
esto puede resolverse con un scatter plot como muestra la Figura 62. Este senci-
llo análisis gráco no se encuentra disponible si p ≥ 3, donde las extrapolaciones
pueden ocultarse.
Para detectarlas podemos utilizar los cálculos de leverage presentados anterior-
mente. Para una nueva combinación de variables
Xnue = (X1nue , . . . , Xp−1 nue )

para la que interesa hacer predicción se puede calcular
t
−1
hnue = Xnue Xt X Xnue
donde la matriz X tiene dimensión n × p y se armó en base a la muestra con la que
se calculó el modelo ajustado, ver (46), en la página 118. Si hnue está bien incluida
dentro del rango de leverages observados en el conjunto de datos disponibles, es-
tamos seguros de que no hay extrapolación involucrada. Si, por el contrario, hnue
es mucho mayor que los leverages observados, entonces no debería llevarse a cabo
la estimación o predicción para esta combinación Xnue de covariables.
5.2.4. Residuos estudentizados y distancias de Cook

Ambos estadísticos se denen y calculan del mismo modo que en regresión lineal
simple. Las distancia de Cook para la i-ésima observación se dene por
Pn 2
j=1 Ybj − Ybj(i)
Di =
pM S Res
donde Ybj es el valor ajustado para la j-ésima observación, cuando se usaron las
n observaciones en el ajuste del modelo, y Ybj(i) es el valor ajustado para la j-

ésima observación, cuando se usaron n−1 observaciones en el ajuste del modelo,
todas menos la i-ésima. Esto se repite para cada observación, para poder calcular
todas las Distancias de Cook. Afortunadamente, las Di pueden ser calculadas sin
necesidad de ajustar una nueva función de regresión cada vez, en la que se deja una
observación distinta afuera del conjunto de datos. Esto es porque puede probarse
la siguiente igualdad que permite calcular las distancias de Cook
e2i

hii
Di = .
pM S Res (1 − hii )2
Observemos que las Distancias de Cook dependen de dos factores:
1. el tamaño del residuo i-ésimo, ei
2. el leverage i-ésimo, hii .
Cuanto más grande sean ei o hii , mayor será Di . Luego el i-ésimo caso puede ser
inuyente por
1. tener un alto residuo ei y sólo un moderado valor de leverage hii ,
2. o bien por tener un alto valor de leverage hii con sólo un moderado valor de
residuo ei ,
3. o bien por tener tanto un alto valor de leverage hii como un alto valor de
residuo ei .
Los puntos de corte sugeridos para detectar una observación inuyente con la
Distancia de Cook suelen ser percentiles de la distribución F de Fisher con p grados
de libertad en el numerador y n−p en el denominador. Si la Di ≥ F (p, n − p, 0,50)
la observación i-ésima es considerada inuyente.
El residuo estudentizado (o estudentizado eliminado) se dene por
Yi − Ybi(i)
restudi = M S Res(i)
,
1−hii
donde Ybi(i) es el valor ajustado para la i-ésima observación, cuando se usaron n−1
observaciones en el ajuste del modelo, todas menos la i-ésima y M S Res(i) es el
cuadrado medio de los residuos cuando el caso i-ésimo es omitido en el ajuste de la
regresión lineal. Nuevamente, no necesitamos ajustar las regresiones excluyendo los
casos de a uno por vez, pues una expresión alternativa para el residuo estudentizado
es
1/2
n−p−1
restudi = ei
SS Res (1 − hii ) − e2i
Los puntos de corte sugeridos para detectar una observación inuyente con el resi-
duo estudentizado están dados por el criterio de Bonferroni y consiste en declarar
inuyente a una observación si
|restudi | > tn−p−1, α .

1− 2n
5.3. Colinealidad de los predictores

5.3.1. Diagnóstico de multicolinealidad
Cuando las variables predictoras incluidas en el modelo están correlacionadas en-
tre ellas, decimos que existe intercorrelación o multicolinealidad. Algunos de los
problemas típicos que aparecen cuando las variables regresoras están fuertemente
correlacionadas son:
1. Los coecientes de regresión estimados se modican sustancialmente cuando

se agregan o se quitan variables del modelo.
2. Los errores estándares de los estimadores de los coecientes aumentan espú-

reamente cuando se incluyen covariables muy correlacionadas en el modelo.
Esto se denomina inar la varianza estimada de los estimadores.
3. Los coecientes pueden ser no signicativos aún cuando exista una asociación
verdadera entre la variable de respuesta y el conjunto de variables regresoras.
5.3.2. Diagnóstico informal

Las siguientes situaciones son indicativas de multicolinealidad severa:
1. Cambios importantes en los coecientes estimados al agregar o quitar varia-

bles o al modicar levemente las observaciones.
2. Tests no signicativos para los coecientes asociados a variables que teórica-

mente son importantes predictores, aún cuando observamos que existe una
relación estadística entre las predictoras y la respuesta. El modelo puede te-
2
ner R cercano a 1 y el test F para el modelo ser fuertemente signicativo y
los tests para los coecientes pueden ser no signicativos. Recordemos que el
efecto de la multicolinealidad es inar la varianza estimada y en consecuencia
el estadístico t asociado a cada coeciente beta será pequeño. Por lo tanto,
cuando existe multicolinealidad es difícil evaluar los efectos parciales.
3. Coecientes estimados con signo contrario al que se espera según considera-

ciones teóricas.
5.3 Colinealidad de los predictores 221
4. Coecientes de correlación grandes para las predictoras tomadas de a pares.
Aunque este último diagnóstico parece ser el modo más simple de detectar multi-
colinealidad, adolece de un problema: al calcular los coecientes de correlación de
Pearson de todas las variables regresoras tomadas de a pares sólo estamos miran-
do los vínculos lineales entre dos covariables. El problema es que podría haber un
vínculo lineal muy estrecho entre una colección de variables y otra variable en parti-
cular. Un enfoque más apropiado es hacer una regresión de cada variable regresora
2
sobre las demás variables regresoras. Cuando el R de alguna de estas regresiones
sea cercano a 1, deberíamos preocuparnos por el efecto de la multicolinealidad.
Finalmente diremos que la interpretación de los coecientes se vuelve dudosa cuan-
do existe multicolinealidad. Recordemos que en regresión múltiple (aditiva) cada
coeciente representa el efecto de la variable regresora cuando todas las demás
variables se mantienen constantes. Pero si dos variables regresoras, por ejemplo
X1 y X2 , están fuertemente correlacionadas tiene poco sentido pensar en el efecto
de X1 sobre Y cuando X2 se mantiene constante.
5.3.3. Diagnóstico formal

Un método formal para detectar la presencia de multicolinealidad que está amplia-
mente difundido es el uso de los factores de inación de la varianza, más conocidos
como Variance Ination Factor (VIF). Es un número que se calcula para cada
covariable. El VIF de la k−ésima covariable se calcula del siguiente modo
1
V IFk = , 1 ≤ k ≤ p − 1,
1 − Rk2
donde Rk2 es el coeciente de determinación múltiple cuando Xk es regresado en
las p − 2 restantes covariables X en el modelo.
2
El VIFk es igual a uno si Rk = 0, es decir si la k−ésima covariable no está
2
correlacionada con las restantes covariables. Cuando Rk 6= 0, el VIFk es mayor
2
a uno. Cuando Rk está muy cerca de uno, el VIFk se vuelve un número enorme.
Para un conjunto de datos, el mayor VIF observado se usa como medida de diag-
nóstico. Si el máximo VIF es mayor a 10, eso es señal de multicolinealidad. Otro
criterio es que cuando el promedio de los VIF es considerablemente mayor a uno
se está frente a problemas de multicolinealidad.
5.3.4. ¾Cómo tratar el problema de multicolinealidad?

El recurso más simple es elegir un subconjunto de las variables regresoras poco
correlacionadas. Si detectamos dos variables muy correlacionadas ¾cómo decidir
cuál omitir? En general, conviene omitir aquella que tenga:
mayor número de datos faltantes,
mayor error de medición o
que sea menos satisfactoria en algún sentido.
Otra posibilidad es eliminar variables a través de procedimientos de selección au-

tomáticos (se presentarán más adelante).
Cuando varios predictores están altamente correlacionados y son indicadores de
una característica común, uno puede construir un índice combinando estas cova-
riables. Los índices de bienestar, como el IDH (índice de desarrollo humano), o
el índice de inación, construidos como promedios ponderados de variables que
miden el bienestar en una cierta región o bien los precios asociados a una deter-
minada canasta, son ejemplos clásicos de esta construcción. En aplicaciones en las
que se miden varias covariables muy correlacionadas esta puede resultar una buena
solución.
En modelos polinómicos o que contienen interacciones, una solución al problema
de multicolinealidad es trabajar con los datos centrados para la o las variables
predictoras que aparecen en más de un término del modelo. Esto es, no usar la
variable X tal como fue medida, sino la diferencia entre el valor observado y el
valor medio de X en la muestra.
Existen otros procedimientos para tratar multicolinealidad, tanto clásicos como
modernos, que complementan el ajuste de regresión lineal múltiple que hemos
descrito, potenciando su alcance. Podemos agruparlos en tres clases importantes
de métodos.
Selección de modelos (o selección de variables). Este enfoque implica la iden-

ticación de un subconjunto de predictores que creemos están relacionados
con la respuesta. Una vez seleccionado el subconjunto de variables relevantes,
ajustamos con mínimos cuadrados un modelo que explica la respuesta con el
conjunto reducido de variables. Describimos con detalle este procedimiento
en la Sección 5.4.
Regularización o penalización. Este enfoque involucra ajustar un modelo que

contiene a todos los predictores. Sin embargo, el método de ajuste fuerza a
encojer a los estimadores, achicándolos en valor absoluto, en relación con los
estimadores que se obtienen usando mínimos cuadrados. Este encojimiento
(también conocido en la literatura matemática como regularización) tiene el
efecto de reducir la varianza estimada. Dependiendo de qué regularización se
realice, la estimación de algunos coecientes terminará siendo exactamente
cero. Por eso, los métodos de regularización o penalización también pueden
llevar a cabo la selección de variables. Los estimadores de regularización
5.4 Selección de modelos 223
más utilizados son los estimadores ridge o los lasso, y una combinación de
ambos que se denominan elastic net. El libro de James, Witten, Hastie,
y Tibshirani [2013] constituye una fuente muy accesible y actualizada, que
además comenta los comandos de R para apropiados para implementarlos. Un
enfoque más técnico por los mismos autores es Friedman, Hastie, y Tibshirani
[2008]. No nos ocuparemos de estos temas en el curso.
Reducción de la dimensión. Este enfoque propone proyectar las p−1 variables

predictoras en un espacio de dimensión M, con M < p. Esto se realiza calcu-
lando M combinaciones lineales, o proyecciones, diferentes de los predictores.
Luego, estas M proyecciones se utilizan como nuevas covariables para ajustar
un modelo de regresión lineal por mínimos cuadrados. Puede verse el libro de
James et al. [2013] para una introducción al tema, que tampoco trataremos
en estas notas. Los métodos comprendidos en esta categoría son Principal
Components Regression, Partial Least Squares, Fitted Principal Components,
Projection Pursuit Regression, entre otros.
5.4. Selección de modelos

Ya hemos observado que cuando tenemos K covariables disponibles y una variable
K
a explicar Y , pueden, en principio, ajustarse 2 modelos distintos. Decimos en
principio, pues este total de modelos no incluye aquellos que tienen interacciones.
En esta sección estamos pensando que si uno quiere evaluar ciertas interacciones,
las debe incluir en esas K covariables iniciales. Lo mismo si uno quisiera evaluar
algunas potencias de las covariables originales, o algunas transformaciones más
complicadas de ellas. De este modo, cuando K es un número grande, la cantidad
de modelos posibles crece exponencialmente, y evaluarlos uno por uno puede ser
8
inmanejable. Por ejemplo, para K = 8, hay 2 = 256 modelos posibles: hay un
modelo sin covariables, 8 modelos de regresión lineal simple, cada uno con una sola
8

covariable,
2
8
modelos con dos covariables {X1 , X2 } , {X1 , X3 } , {X1 , X4 } ,
= 28
{X2 , X3 } , etc. , 3 = 56 modelos con tres covariables, etcétera.
Lo que se denomina selección de modelos corresponde a la tarea de elegir el mejor
modelo para nuestros datos.
5.4.1. Criterios para comparar modelos

Una vez que se tienen todas las variables, es de interés contar con un criterio
numérico para resumir la bondad del ajuste que un modelo lineal con un cierto
conjunto de covariables da a la variable dependiente observada. A partir de este
criterio se podrán ranquear los modelos y elegir un conjunto de unos pocos buenos
candidatos para estudiar luego en detalle.
A continuación presentamos algunos de los criterios más frecuentemente utilizados

en regresión lineal para la selección de modelos. No son los únicos, pero sí los más
difundidos. Cuando ajustamos un modelo con p − 1 covariables, es decir, con p
0
coecientes β s podemos tomar como criterio para evaluar el ajuste a:
Rp2 o SS Resp :
Un primer criterio para comparar modelos es mirar el R
2
2
obtenido con cada uno de ellos y elegir aquél con mayor R . Usamos el
0
subíndice p para indicar la cantidad de parámetros β s hay en el modelo (es
decir, p−1 covariables). Como tenemos que
SS Resp
Rp2 = 1 − ,
SST otal
resulta que comparar modelos usando el criterio de elegir aquél cuyo Rp2 sea
lo más grande posible equivale a elegir aquel que tenga la menor suma de
cuadrados de residuos SS Resp (ya que la suma de cuadrados total SST otal =
Pn 2
i=1 Yi − Y no depende de las covariables del modelo ajustado y por eso
2
permanece constante). Pero como ya observamos, el R aumenta al aumentar
p − 1, el número de covariables, sean estas apropiadas para ajustar los datos
o no. Es por eso que el criterio no es identicar el modelo con mayor R2 (ese
será siempre el modelo con todas las covariables disponibles) sino encontrar
el punto a partir del cual no tiene sentido agregar más variables ya que estas
2
no inciden en un aumento importante del R . Muchas veces esto sucede
cuando se han incorporado unas pocas variables al modelo de regresión. Por
supuesto, encontrar el punto donde este aumento se empieza a estancar es
un asunto de criterio individual. Suele ser bastante informativo gracar el
2
mejor Rp en función de p y evaluar grácamente cuándo el crecimiento en el
2
R es tan poco que no justica la inclusión de la covariable adicional.
2
Ra,p o M SEp : Como el Rp2 no toma en cuenta el número de parámetros en el
modelo de regresión, un criterio de decisión mucho más objetivo y automati-
2
zable es calcular y comparar modelos por medio del Ra . Lo subindicaremos
2 0
como Ra,p para indicar la cantidad de coecientes β s presentes en el modelo.
Recordemos que

2 n−1 SSResp M SResp
Ra,p =1− = 1 − SST otal .
n−p SST otal n−1
SST otal
Como está jo en un conjunto de datos dado (sólo depende de las
n−1
2
Y observadas), el Ra,p aumenta si y sólo si el M SResp disminuye. Luego, el
2
coeciente de determinación múltiple ajustado Ra,p y el cuadrado medio del
error M SResp , proveen información equivalente acerca del ajuste obtenido.
Al usar este criterio buscamos el subconjunto de p − 1 covariables que maxi-

2
micen el Ra,p , o un subconjunto de muchas menos covariables para las cuales
2 2 2
Ra,p esté muy cerca del máx Ra,p , en el sentido que el aumento en el Ra sea
tan pequeño que no justique la inclusión de la o las covariables extra.
Cp de Mallows : Para utilizar esta medida hay que asumir que en el modelo
con el total de las K covariables (el más grande posible) están todas las
covariables importantes de modo que en ese modelo completo, la estimación
2
de la varianza del error, σ , es insesgada. El valor del Cp se dene por
SSResp
Cp = − (n − 2p)
M SRes (X1 , . . . , XK )
donde SS Resp es la suma de los cuadrados de los errores del modelo con
p parámetros (es decir, con p−1
covariables) y M SRes (X1 , . . . , XK ) es el
2
estimador de la varianza del error σ , calculado bajo el modelo con todas
las posibles covariablesX1 , . . . , XK . Cuando se usa el Cp como criterio, se
busca aquel subconjunto de p covariables X que tengan un Cp pequeño, lo
más cercano a p posible. Es fácil ver que para el modelo completo, CK = K.
AICp , o el Criterio de Akaike y SBCp o el Criterio Bayesiano de Schwartz,

son otros dos criterios que, al igual que el Cp de Mallows, penalizan a los
modelos con muchas covariables. Se buscan los modelos que tienen valores
pequeños de AICp o SBCp , donde estas cantidades están dadas por
AICp = n ln (SSResp ) − n ln (n) + 2p

SBCp = n ln (SSResp ) − n ln (n) + p ln (n)
Observemos que para ambas medidas, el primer sumando decrece al aumen-

tar p. El segundo sumando está jo (puesto que n lo está, para un conjunto
de datos) y el tercer sumando crece al crecer p, es decir, el número de co-
variables. Ambas medidas representan una buena ponderación entre ajuste
apropiado (es decir, SSResp pequeña) y parsimonia del modelo (es decir,
pocos parámetros a ajustar, o sea, p pequeño). El Criterio SBCp también se
llama Criterio Bayesiano de Información (BIC, por sus siglas en inglés).
5.4.2. ¾Cuál de estos criterios utilizar?

Todos estos criterios miden cualidades deseables en un modelo de regresión. Oca-
sionalmente, una única ecuación de regresión produce valores óptimos de los cuatro
criterios simultáneamente, con lo que uno puede conar que éste es el mejor modelo
en términos de estos criterios.
Desafortunadamente esto raramente ocurre y diferentes instrumentos identican

diferentes modelos. Sin embargo, tomados en conjunto estos criterios permiten
identicar un conjunto pequeño de modelos de regresión que pueden ser construidos
a partir de las variables independientes relevadas. Conviene entonces estudiar estos
pocos modelos más detalladamente, teniendo en cuenta los objetivos del estudio,
nuestro conocimiento del área del que provienen los datos y la evaluación de los
supuestos del análisis de regresión para realizar una selección criteriosa de cual es
el mejor modelo.
5.4.3. Selección automática de modelos

Al inicio de la Sección 5.4 hemos visto que en el proceso de selección de modelos es
necesario comparar un número muy grande de modelos entre sí. Para simplicar
esta tarea, existen una variedad de procedimientos automáticos de selección de
modelos, programados en los paquetes estadísticos.
Un gran problema de estas búsquedas automáticas es que en general, están pro-
gramadas para trabajar con la base completa de n×K observaciones. Si hubiera
una observación faltante (missing data ) (es decir, un caso para el cual no se re-
gistró una de las variables) estos algoritmos remueven el caso completo y hacen
la selección de modelos basados en n−1 observaciones. Esto puede volverse un
problema si n es pequeño y hay varias variables con observaciones faltantes.
Los métodos más populares de selección de variables son:
1. Todos los subconjuntos posibles (Best subset ).
2. Eliminación backward (hacia atrás).
3. Selección forward (incorporando variables).
4. Stepwise regression (regresión de a pasos).
A continuación los describimos. Asumimos que n>K (o sea, que tenemos más
observaciones que covariables).
5.4.4. Todos los subconjuntos posibles (Best subset )

Estos algoritmos ajustan todos los submodelos posibles (los 2 ) y luego los ran-
K
quean de acuerdo a algún criterio de bondad de ajuste. Por supuesto, esto involucra
K
hacer 2 regresiones. Siempre que sea posible es aconsejable usar este procedimien-
to ya que es el único método que garantiza que se obtendrá el modelo nal que
2
realmente optimice la búsqueda con el criterio elegido: por ejemplo mayor Ra , o
mejor Cp , etc. Es decir, garantiza que el modelo nal es el mejor para el presente
conjunto de datos y para los criterios utilizados.
Una vez que todos los modelos han sido ajustados, en general el paquete exhibe
los 10 (o una cantidad prejable) mejores modelos de acuerdo al criterio elegido,
entre todos los que tienen el mismo número de variables.
Cuando la cantidad original de potenciales covariables es muy grande, K mayor a
40, por ejemplo, no es posible ajustar todos los modelos posibles ya que 240 = 1 099
511 627 776. Se vuelve necesario usar otro tipo de procedimientos, computacional-
mente más realizables, que buscan elegir un modelo luego de una búsqueda que
explora una sucesión de modelos de regresión que en cada paso agrega o quita una
covariable X . El criterio para agregar o quitar una covariable, en el caso secuencial,
puede escribirse equivalentemente en términos de la suma de los cuadrados de los
residuos, los estadísticos F parciales, el estadístico t asociado a un coeciente, o el
Ra2 . Son los tres procedimientos que describimos a continuación.
5.4.5. Eliminación backward (hacia atrás).

El procedimiento comienza construyendo el modelo con todas las predictoras y en
cada paso se elimina una variable. La secuencia del procedimiento es la siguiente.
Se dene un nivel de signicación jo α.
1. El modelo inicial contiene todos los potenciales predictores (que hemos de-
nominado K ).
2. Si todas las variables producen una contribución parcial signicativa (es de-
cir, un estadístico t con p−valor < α) entonces el modelo completo es el
modelo nal.
3. De otro modo, se elimina la variable que tenga la menor contribución parcial

(es decir, el mayor p−valor de su estadístico t) cuando todas las demás están
en el modelo.
4. Se ajusta el nuevo modelo con (K − 1) predictores y se repiten los pasos 2 y

3 hasta que todas las variables en el modelo tengan un coeciente estimado
cuyo p−valor asociado al estadístico t sea menor a α.
Si hay una alta multicolinealidad en el conjunto de los K predictores, este proce-

dimiento no es muy recomendable.
5.4.6. Selección forward (incorporando variables)

En este caso, comenzamos con el modelo sin variables y vamos agregando las
variables de a una por vez. Ingresa la variable que más contribuye a explicar a Y
cuando las otras ya están en el modelo. Se elige un nivel de signicación jo α. La
secuencia de pasos es la siguiente:
1. Primero se ajustan todos los modelos de regresión lineal simple con Y como
respuesta y una sola covariable explicativa. Se elige la que tiene el mayor
valor del estadístico F o, equivalentemente, el menor p−valor del estadístico
t asociado al coeciente, siempre que dicho p−valor sea inferior a α, sino el
procedimiento termina y se elige el modelo sin covariables
2. En el segundo paso, se busca elegir entre todos los modelos de dos covariables
que tienen a la que fue seleccionada en el primer paso aquél para el cuál el test
F parcial dé mas signicativo. El test F parcial es el que compara el ajuste del
modelo con dos variables con el ajuste del modelo con una variable elegido en
el primer paso. Es decir, es el test que mide la signicatividad de la segunda
variable a ser incorporada en el modelo cuando la primera ya está en él. Para
aquel modelo que tenga el F parcial más signicativo o, equivalentemente, el
test t asociado al coeciente de la variable a ser incorporada más signicativo,
o sea, el menor p−valor, se compara a dicho p−valor con el valor crítico α.
Si el p−valor es menor que α se elige dicho modelo, si el p−valor supera el
valor crítico, el procedimiento se detiene, y el output del proceso es el modelo
que tiene una única covariable signicativa, que fue seleccionada en el paso
1.
3. Ahora se calculan los estadísticos F parciales de todos los modelos con tres
covariables, que tienen a las dos covariables ya elegidas e incorporan una
tercera. Se continua de esta manera (como en el paso 2) hasta que ninguna
variable produce un F parcial (o t) signicativo.
Si se usa un punto de corte muy exigente (digamos α < 0,01) serán incluídas
menos variables y existe la posibilidad de perder covariables importantes. Si se usa
un punto de corte menos exigente (α < 0,20) es menos probable que se pierdan
covariables explicativas importantes pero el modelo contendrá más variables.
Una vez que el procedimiento naliza, no todas las variables en el modelo necesa-
riamente tendrán coecientes parciales signicativos.
5.4.7. Selección stepwise

Es una modicación del procedimiento forward que elimina una variable en el mo-
delo si ésta pierde signicación cuando se agregan otras variables. La aproximación
es la misma que la selección forward excepto que a cada paso, después de incor-
porar una variable, el procedimiento elimina del modelo las variables que ya no
tienen contribución parcial signicativa. Una variable que entró en el modelo en
una etapa, puede eventualmente, ser eliminada en un paso posterior.
En este caso será necesario denir un punto de corte para que ingrese una variable
αI y otro para eliminarla del modelo αE . Uno puede desear ser menos exigente
(mayor p−valor) en el punto de corte para que una variable salga del modelo una
vez que ingresó, o usar el mismo valor para ambos.
Este procedimiento, en general produce modelos con menos variables que la selec-
ción forward.
5.4.8. Limitaciones y abusos de los procedimientos automáticos de se-

lección de variables
Cualquier método automático de selección de variables debe ser usado con pre-
caución y no debería ser sustituto de un investigador que piensa, ya que no hay
garantías que el modelo nal elegido sea óptimo. Conviene tener en cuenta las
siguientes observaciones.
Cuando se proponen términos de interacción entre las variables regresoras, el

modelo debe contener las interacciones signicativas y los efectos principales
de las variables involucradas en estas interacciones, sean éstas signicativas
o no. De otro modo el modelo carece de interpretación. La mayoría de los
procedimientos automáticos no tienen este cuidado. Lo mismo sucede cuando
uno incorpora una variable categórica codicada con dummies: o entran todas
las dummies, o ninguna, pero no es correcto poner algunas de ellas (las
signicativas) y otras no, porque sino el modelo carece de interpretación.
Con las categóricas, otra posibilidad consiste en recategorizarlas, agrupando
algunas categorías, y luego ajustar el modelo nuevamente, esperando que se
obtenga un mejor ajuste (no siempre ocurre).
El hecho de que un modelo sea el mejor en términos de algún criterio (Cp

o Ra2 , por ejemplo) no signica que sea el mejor desde el punto de vista
práctico. Ni tampoco que para este modelo valgan los supuestos.
El procedimiento de selección automática puede excluir del modelo varia-

bles que realmente deberían estar en el modelo de acuerdo a otros criterios
teóricos.Una posibilidad es forzar a que ciertas variables aparezcan en el mo-
delo, independientemente del hecho de que tengan coecientes signicativos.
Por ejemplo, podemos hacer una regresión backward sujeta a la restricción
de que el modelo incluya ciertos términos especicados de antemano. Esto
asegura que el modelo nal contiene las variables de interés primario y toda
otra variable o interacción que sea útil a los efectos de predicción. Algunos
paquetes permiten esta alternativa.
Una vez que hemos seleccionado un modelo nal usando cualquier procedi-
sólo aproxi-
miento de selección, la inferencia realizada sobre ese modelo es
mada. En particular, los p−valores serán menores y los intervalos de conan-
za más angostos que lo que deberían ser, puesto que el modelo seleccionado
es aquél que más fuertemente reeja los datos. (Hemos hecho uso y abuso
de nuestros datos para obtener un modelo, es de esperar que otra muestra
aleatoria de observaciones del mismo tipo a la que se le ajuste este modelo
tenga menor capacidad predictiva).
Existe una diferencia sustancial entre selección de modelos explicativos y

exploratorios. En investigación explicativa, uno tiene un modelo teórico y
pretende testearlo a través de un análisis de regresión. Uno podría querer
testear si una relación que se propone como espúrea desaparece al incorporar
una nueva variable en el modelo. En este enfoque, los procedimientos de
selección automática en general no son apropiados, ya que es la teoría la que
determina cuáles son las variables que deben estar en el modelo.
En investigación exploratoria el objetivo es encontrar un buen conjunto de

2
predictores. Uno intenta maximizar R independientemente de explicaciones
teóricas.
¾Por qué podría dejarse en el modelo nal una variable que no resulta es-
tadísticamente signicativa? Muchas veces pueden aparecer variables en el
modelo seleccionado para las cuáles el p−valor del test t no es menor que
0,05. Esto puede deberse a que haya motivos teóricos que indican que la
respuesta depende de dicha covariable y que tal vez el tamaño de muestra
no haya sido lo sucientemente grande como para comprobarse la signi-
catividad estadística. Se deja para que el modelo no resulte sesgado. Los
estimadores de los coecientes son insesgados si el modelo es correcto (es
decir, contiene todas las covariables apropiadas en la forma correcta, dejar
covariables con sustento teórico para que estén permite que los estimadores
de los efectos de otras covariables sean insesgados). Otro motivo para dejar-
la puede ser porque su presencia ayuda a reducir la varianza estimada del
error, permitiendo que otros coecientes resulten signicativos. Y también
pueden dejarse covariables aunque no sean signicativas pero que permitan
comparar el modelo presentado con otros modelos publicados con antelación.
En resumen, los procedimientos de selección automática de modelos no son sustitu-

tos de una cuidadosa construcción teórica que guíe la formulación de los modelos.
5.4.9. Validación de modelos

El paso nal en el proceso de construcción o selección de modelos lo constituye el
proceso de validación de los modelos. Esta etapa de validación involucra, usual-
mente, chequear el modelo candidato con datos independientes a los utilizados para
proponer el modelo. Hay cuatro formas básicas de validar un modelo de regresión:
1. Recolectar un nuevo conjunto de datos que permita chequear el modelo y su

habilidad predictiva.
2. Comparar los resultados con las expectativas teóricas, resultados empíricos

previos y resultados de simulaciones.
3. Cuando fuera posible, usar otras técnicas experimentales para conrmar el

modelo. Esto, por supuesto, dependerá de las herramientas propias de cada
disciplina.
4. Cuando el tamaño de muestra lo permitiera, otra posibilidad es dividir al

conjunto de observaciones disponible en dos grupos disjuntos. Con uno de
ellos se selecciona el modelo más apropiado. Este grupo se denomina mues-
tra de entrenamiento (training sample ). Con el segundo grupo, que se llama
muestra de validación (validation set ) se evalúa la razonabilidad y la capa-
cidad predictiva del modelo seleccionado. A este proceso de validación se lo
denomina a veces, cross-validation, es decir, validación cruzada.
A. Talleres 233
A. Talleres
A.1. Taller 1: Coeciente de Correlación y Regresión Lineal

Simple
T1.Ej1. En una ciudad con graves problemas de obesidad en la población, se solicitó
a un grupo de 100 adolescentes que registrara durante un mes la cantidad
de horas que dedicaban cada día a actividades sedentarias (mirar televi-
sión, estudiar o utilizar la computadora) y las promediaran. El archivo Adol
horas.xls presenta la edad en años (edad ), el género (Varón, Mujer), el pro-
medio de horas por día dedicadas a actividades sedentarias (horas ) como así
también un número (ID ) para identicar a cada participante. Importe los
datos que se encuentran en el archivo Adol horas.xls . Estos datos fueron
articialmente generados.
a) Obtenga el diagrama de dispersión de horas (en el eje vertical) en fun-

ción de la edad (en el eje horizontal), ya sea global y coloreando las
observaciones por género, y un diagrama de dispersión para cada géne-
ro por separado.
b) Calcule el coeciente de correlación entre la variable edad y la variable

horas para todos los datos juntos y para cada género.
c) Describa el tipo de asociación que muestran los diagramas de dispersión

de las variables edad y horas del ítem a). Compare con los correspon-
dientes coecientes de correlación.
d) Testee la asociación lineal de las variables en cada uno de los casos

considerados en el ítem b). ¾Cuáles p-valores obtiene? ¾Qué se está
testeando?
T1.Ej2. Abra y examine las variables del archivo ingresos.txt. éste corresponde a
una base de datos de 40 individuos, para los que se registraron las variables:
Id (identicador, un número entre 1 y 40 que identica al número de observa-
ción), nivelEduc (nivel educativo), edad y salario. La variable nivelEduc está
codicada de 1 a 10, donde 1 corresponde al menor nivel educativo alcanzado
y 10 al mayor. La variable salario corresponde al salario bruto mensual (es
decir, antes de impuestos), en dólares. La variable edad está medida en años.
Suponga, siempre que lo necesite, que los datos tienen distribución normal.
a) Obtenga el coeciente de correlación y el p-valor correspondiente al

test asociado entre nivelEduc y salario. Interprete el resultado. Realice
el diagrama de dispersión (con nivelEduc en el eje horizontal). Describa
el tipo de asociación que muestran las variables. ¾Le parece que es un

resultado lógico? Justique brevemente.
b) Obtenga el coeciente de correlación y el p-valor correspondiente al

test asociado entre nivelEduc y salario para cada edad, interpretando
el resultado. Compare con el resultado obtenido en a).
c) Realice el diagrama de dispersión entre nivelEduc y salario para cada

edad. ¾Qué observa? ¾Puede explicar ahora las diferencias encontradas
entre a) y b)?
d) Haremos un cambio de unidades en las que está expresada la variable

salario para facilitar la interpretación. Para ello dena una nueva varia-
ble: sal100 (salario en cientos) que es igual a la variable salario dividida
por 100. Ajuste una recta de cuadrados mínimos para la variable res-
puesta sal100 y la variable explicativa nivelEduc sin tener en cuenta la
variable edad. Describa e interprete cada uno de los resultados. ¾Qué
signica el coeciente de la variable explicativa nivelEduc ?
e) Para cada edad, ajuste una recta de cuadrados mínimos con sal100
como variable respuesta y nivelEduc como variable explicativa. ¾Qué
signica el coeciente de la variable explicativa en cada una de las re-
gresiones ajustadas?
A.2 Ejercicio domiciliario 235
A.2. Ejercicio domiciliario

El valor energético (en kcal. por cada 100g.) de galletitas de agua de marca A
(Y ) se relaciona con la cantidad de grasas totales (en g.) (X ) involucradas en su
producción. Un experimentador toma una muestra de tamaño 22 (es decir, compra
22 paquetes de galletitas y elige una de cada uno) para vericar la adecuación
de un modelo de regresión lineal a esta relación. Utilizando el archivo de datos
galletitas.xls responda a las siguientes preguntas: (no hace falta que copie en su
respuesta las salidas del paquete ni los comandos con los que las hizo, simplemente
responda brevemente a las preguntas, en general bastará con una o dos oraciones).
1. Exprese el modelo de regresión lineal indicando claramente los parámetros y

variables involucradas. Escriba los supuestos necesarios para que sean válidas
las conclusiones respecto de los tests y los intervalos de conanza.
2. Ajuste el modelo. Dé la ecuación de la recta estimada.
3. ¾Es la pendiente del modelo signicativa? Es decir, ¾hay un vínculo lineal

entre las valor energético (en kcal. por cada 100g.) de galletitas de agua
de marca A (Y ) y la cantidad de grasas totales (en g.) (X ) involucradas
en su producción? Conteste a nivel 0.05. Al escribir su respuesta, escriba
claramente las hipótesis que testea, el pvalor obtenido y su conclusión.
4. ¾Es la ordenada al origen signicativa al nivel 0.05?
2
5. Estime la varianza del error (σ ).
6. Interprete los parámetros estimados (en su respuesta a esta pregunta debería
aparecer una frase que comience más o menos así: Por cada aumento de 1g.
en la cantidad de grasas totales....)
7. Al investigador le interesa calcular la cantidad de calorías esperadas para

100g de galletitas de agua de marca A producidas con X = 30g. de grasas
totales. Diga cuál es el valor esperado, en base a los datos dados.
8. Dé un intervalo de conanza de 0.95 del valor calculado en el ítem anterior.
9. Halle un intervalo de conanza para la pendiente correspondiente al ajuste

de la marca A de nivel 0.95.
10. ¾Cuánto vale el coeciente de determinación R2 ? ¾Cómo interpreta este valor

para estos datos?
11. El fabricante de las galletitas de marca A le regala al investigador un paquete

de galletitas producidas con 40g. de grasas totales, que no usa para hacer
su análisis. Antes de comer una, el investigador se pregunta cuántas calorías
estará ingiriendo. Responda a esta pregunta calculando dicho valor. Además,

dé un intervalo de predicción del 99 % para dicho valor.
12. Ídem la pregunta anterior pero para un paquete de galletitas producidas con
90g. de grasas totales. Con el ajuste obtenido, ¾se puede realizar este cálculo?
13. ¾Para qué valores de grasas totales involucradas en la producción de galletitas

puede contestar la pregunta 11 con los datos dados? (es decir, diga para qué
valores de X no está extrapolando al calcular valores predichos).
14. ¾Para cuál de los valores posibles para X la pregunta anterior el intervalo a
calcular resultará más corto? ¾Para cuál (o cuáles) más largo?
15. Responda a la pregunta 3 con otro test.
16. Diga verdadero o falso:
a) Los residuos son observables. d) Los residuos son aleatorios.

b) Los errores son observables. e) Los errores son aleatorios.
c) Los residuos son iguales que los errores.
17. Analice la adecuación del modelo. Indique en que salidas/grácos se basan

sus conclusiones.
A.3. Taller 2: Regresión Lineal: medidas de diagnóstico y

transformaciones
T2.Ej1. Visualice los datos que brinda el archivo lowbwi.txt correspondientes a 100
bebés de bajo peso al nacer, que fueron extraídos del libro de Pagano y
5
Gauvreau . Usaremos sólo las variables headcirc, que es el perímetro cefálico
en centímetros, y birthwt, que es el peso al nacer en gramos. Para una mejor
interpretación, consideraremos la variable pesokg, el peso en kilogramos, que
será igual a birthwt dividida por 1000.
a) Escriba, en papel, el modelo lineal considerando a pesokg como varia-

ble explicativa y a headcirc como variable dependiente, e indique qué
signican β0 y β1 .
b) Ajuste el modelo lineal propuesto en el ítem a) y repita a) para el modelo
estimado.
5 Pagano, M., Gauvreau, K. (2000) Principles of Biostatistics, Second Edition, Duxbury Thom-
son Learning.
A.3 Taller 2: Regresión Lineal: medidas de diagnóstico y transformaciones 237
c) ¾Cuánto estima que aumentará el perímetro cefálico esperado (o medio)

de un bebé si aumenta en 10 g.? ¾Y si aumenta 100 g.? ¾Tiene sentido
responder esta pregunta si se trata de 1 kg. de aumento?
d) Prediga el perímetro cefálico medio para la población de bebés que

pesaron 820 g. al nacer. Lo mismo para los bebés de 1200 g. Calcule los
intervalos de conanza y los intervalos de predicción de nivel 0,95 en
cada caso.
e) Obtenga el diagrama de dispersión de los datos junto con la recta de

regresión ajustada. Superponga luego las bandas de los intervalos de
conanza y los intervalos de predicción de nivel 0,95.
f ) Hacer un gráco de residuos (los que quiera, no dieren mucho entre

sí en este caso) versus la covariable. Y también un gráco de residuos
versus predichos. ¾Son muy diferentes? ¾Tenemos evidencia de que no
se cumplan los supuestos del modelo lineal? ¾Podemos identicar en
este gráco alguna observación con residuo alto?
g) Efectúe un ajuste robusto de los datos. Compare con lo obtenido ajus-

tando mínimos cuadrados.
h) ¾Hay alguna observación inuyente en este conjunto de datos? Verique

esto utilizando los estadísticos pertinentes.
i) Ahora contaminemos los datos. Agreguemos dos datos a la base: 101

y 102 que guran a continuación. Rehaga los ítems b), e) y h) con el
Dato pesokg headcirc

101 0,40 50
102 0,35 20
nuevo conjunto de datos.
j) Complete la siguiente tabla:
Datos βb0 (p-valor) βb1 (p-valor) R2

1 a 100
1 a 102
1 a 101
1 a 100 y 102
T2.Ej2. Abra el archivo gross national product.txt", que corresponde a los datos tra-
tados en el libro, ya mencionado, de Pagano y Gauvreau, capítulo 18. Las
variables son tasa de natalidad por 1000 habitantes (birthrt ) y producto na-
cional bruto expresado en dólares estadounidenses (gnp ). Las observaciones
conciernen a 143 países distintos.
a) Obtenga el diagrama de dispersión de los datos tomando a gnp como

variable explicativa. ¾Le parece razonable ajustar un modelo lineal a
estos datos?
b) Ajuste un modelo lineal de todos modos. Mire la salida y el gráco de

residuos. ¾Qué ve en este gráco?
c) Transforme la variable explicativa en lgnp = ln(gnp) y repita los ítems

a) y b) para el modelo que explica la tasa de natalidad con esta nueva
covariable. Escriba el modelo propuesto y el modelo ajustado. Interpre-
te: ¾cómo impacta en la variable respuesta un 1 % de incremento en la
covariable gnp ?
d) Prediga la tasa de natalidad (por cada 1000 habitantes) para un país

con producto nacional bruto de 1816 dólares estadounidenses y brinde
los intervalos de conanza y de predicción para dicha tasa.
A.4. Taller 3: Regresión Lineal Múltiple

T3.Ej1. Para los datos de niños de bajo peso, se encontró una relación lineal signi-
cativa entre la presión sistólica y la edad gestacional. Los datos están en el
archivo lowbwt.txt y fueron generados articialmente. Las mediciones de
presión sistólica están guardadas bajo el nombre presSist, y las correspon-
dientes edades gestacionales bajo edadG. También en ese archivo guran los
datos de apgar5, el score Apgar a los 5 minutos para cada niño recién nacido.
El score Apgar es un indicador del estado general de salud del niño a los 5
minutos de haber nacido; aunque en realidad es una medida ordinal que se
la suele tomar como si fuera continua.
a) Realice un diagrama de dispersión de la presión sistólica versus el score

Apgar. ¾Parece haber una relación lineal entre estas dos variables?
b) Usando la presión sistólica como variable respuesta y la edad gestacio-

nal y el score Apgar como variables explicativas, ajuste el modelo lineal
E(Y |X) = β0 + β1 ·edadG +β2 ·apgar5 donde X = (edadG, apgar5 ). In-
terprete los coecientes estimados.
c) ¾Cuál es la presión media estimada para la población de niños de bajo

peso cuya edad gestacional es 31 semanas y cuyo score Apgar es 7?
d) Construya un intervalo de conanza de nivel 0,95 para la verdadera

media para el caso anterior.
A.4 Taller 3: Regresión Lineal Múltiple 239
e) Testee la hipótesis de H0 : β2 = 0 a nivel 0,05.

2
f ) Comente la magnitud de R . La inclusión del score Apgar en el modelo
que ya contiene a la edad gestacional, ¾mejora su habilidad para predecir
a la presión sistólica? Observe que el modelo lineal múltiple considerado
en b) mejora la habilidad para predecir a la presión sistólica respecto
del modelo lineal simple que tiene a apgar5 de covariable.
g) Construya un gráco de los residuos versus los valores ajustados. ¾Qué

le dice este gráco del ajuste obtenido?
T3.Ej2. La idea de este ejercicio es discutir qué signican distintos modelos de regre-
sión múltiple. Probaremos distintos modelos en un solo conjunto de datos.
Retomamos el Ejercicio T1.Ej2 del Taller 1. Eran datos guardados en el ar-
chivo ingresos.txt". Consistían en 40 datos de salarios (ingresos), niveles de
educación y edad. Para modelar esos datos, propusimos ajustar dos modelos,
que recordamos ahora:
Un modelo lineal simple con salario como variable respuesta y nivelE-

duc como variable explicativa: vimos que había una asociación negativa
entre ellas, lo cual era ilógico.
4 modelos lineales simples basados en 10 datos cada uno, con salario

como variable respuesta y nivelEduc como variable explicativa, pero
separados por tramos de edad (edad = 20, 30, 40 y 50, respectivamente).
Llamemos Modelo A al ajustado en el Taller 1, o sea a aquel tal que
E(salario|nivelEduc) = β0 + β1 · nivelEduc .
Consideremos ahora el modelo lineal múltiple, que llamaremos Modelo B,

cumpliendo
E(salario|nivelEduc, edad ) = β0 + β1 · nivelEduc + β2 · edad .
a) ¾Cuáles son los supuestos necesarios en el Modelo B para que sean váli-
das las conclusiones respecto de los tests y los intervalos de conanza?
Interprete los parámetros del modelo.
b) Ajuste el Modelo B. Brinde los parámetros estimados. Mejor aún, es-

criba el modelo ajustado.
c) Evalúe la bondad del ajuste con el test F. Indique si los coecientes

2
son signicativos. Evalúe la adecuación del modelo con el R . ¾Qué
porcentaje de variabilidad del salario queda explicada por el modelo
que tiene a nivelEduc y a edad como explicativas?
T3.Ej3. Usando los datos del Ejercicio T3.Ej1.
a) Considere el modelo lineal que tiene a presSist como variable respuesta

y que sólo contiene edadG como covariable. Agregue la variable explica-
tiva varon al modelo (vale 1 si el bebé es varón y 0 si es mujer). Ajuste
el modelo. Comente la signicatividad de los parámetros. Dados dos
niños con igual edad gestacional, uno varón y otro mujer, ¾cuál tendrá
presión sistólica más alta? ¾Por qué?
b) Haga un diagrama de dispersión de presión sistólica versus edad gesta-

cional separando nenes de nenas. Superponga las rectas ajustadas. ¾Es
la presión sistólica media de los nenes con una edad gestacional ja sig-
nicativamente distinta de la presión sistólica media de las nenas con
la misma edad gestacional?
c) Agregue la interacción varón edad gestacional. Ajuste el nuevo modelo.
d) Al modelo que tiene edad gestacional, ¾incluiría a varón como variable

explicativa? ¾Incluiría a la interacción como variable explicativa del
modelo? ¾Por qué?
T3.Ej4. Usando los datos del Ejercicio T3.Ej2.
a) Considere, ahora, un modelo lineal con interacción, que denominaremos

Modelo C
E(salario|X) = β0 + β1 · nivelEduc + β2 · edad + β1:2 · nivelEduc · edad
donde X=(nivelEduc, edad, nivelEduc · edad ). Interprete los parámetros

del modelo.
b) Ajuste el Modelo C y brinde los parámetros estimados.
c) Evalúe la bondad del ajuste con el test F. Indique si los coecientes

2
son signicativos. Evalúe la adecuación del modelo con el R . ¾Qué
porcentaje de variabilidad del salario queda explicada por el modelo que
tiene nivelEduc, edad y la interacción entre ambas como explicativas?
¾Con cuál de los dos modelos (B o C) se quedaría?
d) Considere el modelo, que llamaremos Modelo D, que incluye a edad

como variable categórica. ¾Cuántas dummies o variables binarias hay
que considerar en el nuevo ajuste? Escriba el nuevo modelo, ajústelo y
brinde los parámetros estimados.
e) Evalúe la bondad del ajuste con el test F. Testee si es signicativa la

inclusión de las variables dummies de edad (o sea la variable edad como
A.4 Taller 3: Regresión Lineal Múltiple 241
6
cualitativa) cuando en el modelo aparece la variable nivelEduc . Indique
si los coecientes son signicativos. Evalúe la adecuación del modelo con
2
el R . ¾Qué porcentaje de variabilidad del salario queda explicada por
el modelo que tiene a nivelEduc y a edad como explicativas? ¾Con cuál
de los modelos se quedaría?
f ) Por último, considere el Modelo E que tiene de covariables a nivelE-

duc, las 3 variables binarias que representan las distintas edades y las
interacciones entre ellas. ¾Cuál es la diferencia entre este modelo y los 4
modelos lineales simples considerados en el Taller 1? Ajuste el modelo,
brinde los parámetros estimados y realice el ítem e) adaptado a este
modelo.
6 Recuerde que esto se responde con otro test F.

REFERENCIAS 243
Referencias
Draper, N. R., y Smith, H. (1998). Wiley series in probability and statistics.

Applied Regression Analysis, Third Edition , 707713.
Field, A. (2005). Discovering statistics with spss. SAGE publications Ltd London,
UK.
Friedman, J., Hastie, T., y Tibshirani, R. (2008). The elements of statistical

learning: Data mining, inference and prediction.
Heinz, G., Peterson, L. J., Johnson, R. W., y Kerk, C. J. (2003). Exploring

relationships in body dimensions. Journal of Statistics Education , 11 (2).
James, G., Witten, D., Hastie, T., y Tibshirani, R. (2013). An introduction to

statistical learning (Vol. 112). Springer.
Kendall, M., y Gibbons, J. (1990). Rank correlation methods, trans. JD Gibbons,

5th edn edition (London, Edward Arnold) .
Kutner, M. H., Nachtsheim, C., Neter, J., y Li, W. (2005). Applied linear statistical
models. McGraw-Hill Irwin.
Leviton, A., Fenton, T., Kuban, K. C., y Pagano, M. (1991). Labor and deliver
characteristics and the risk of germinal matrix hemorrhage in low birth weight
infants. Journal of child neurology , 6 (1), 3540.
Maronna, R., Martin, R. D., y Yohai, V. (2006). Robust statistics. John Wiley &
Sons, Chichester. ISBN.
McCullagh, P., y Nelder, J. (1989). Generalized linear models (2nd. edn. ed.).
Chapman-Hall, London.
Pagano, M., Gauvreau, K., y Pagano, M. (2000). Principles of biostatistics (Vol. 2).
Duxbury Pacic Grove, CA.
Pinheiro, J. C., y Bates, D. M. (2000). Mixed-eects models in s and s-plus.

Springer-Verlag New York, Inc.
R Core Team. (2015). R: A language and environment for statistical computing

[Manual de software informático]. Vienna, Austria. Descargado de https://
www.R-project.org/
Rosner, B. (2006). Fundamentals of biostatistics (6th. ed. ed.). Thomson Brooks

Cole.
Seber, G. A., y Lee, A. J. (1977). Linear regression analysis. Wiley, New York.
Wasserman, L. (2010). All of statistics: A concise course in statistical inference.

Springer Publishing Company, Incorporated.
Weisberg, S. (2005). Applied linear regression (3rd. ed. ed.). John Wiley & Sons.
Yohai, V. J. (1987). High breakdown-point and high eciency robust estimates

for regression. The Annals of Statistics , 642656.

Apunte Regresion Lineal Szretter

Cargado por

Copyright:

Formatos disponibles

Apunte Regresion Lineal Szretter

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apunte Regresion Lineal Szretter

Cargado por

Copyright:

Formatos disponibles

Apunte de Regresión Lineal

María Eugenia Szretter Noste

Carrera de Especialización en Estadística

para Ciencias de la Salud

Facultad de Ciencias Exactas y Naturales,

Universidad de Buenos Aires

Agosto - Octubre de 2017

2 Regresión lineal simple 29

2.9.1 Aplicación al ejemplo . . . . . . . . . . . . . . . . . . . . . . 52

4 Regresión Lineal Múltiple 113

4.7 Dos predictoras continuas . . . . . . . . . . . . . . . . . . . . . . . 122

4.18 Interacción entre dos variables cualitativas . . . . . . . . . . . . . . 201

5 Diagnóstico del modelo 208

La regresión lineal, de la que tratan estas notas, se ocupa de investigar la rela-

Tabla 1: Observaciones a nuestra disposición. Aquí X1 quiere decir, la variable X

Individuo Variable X Variable Y

En estas notas, estamos pensando en que medimos ambas variables en la misma

1.1. Grácos de dispersión (o scatter plots)

País Porcentaje Tasa de mortalidad

¾Cómo puede visualizarse esta información? La forma más sencilla es mediante

Figura 1: Scatter plot: tasa de mortalidad infantil (menor a 5 años) versus el

Ausencia de datos. Puede ser que no hayamos medido ninguna observación

No asociación. ¾Cómo luce un gráco de dispersión de dos variables que no

Figura 2: Grácos de dispersión de cuatro conjuntos de datos diferentes: (a) au-

Vínculo curvilíneo. Esto aparece cuando los valores de Y se vinculan a

Agrupamientos. Cuando en el gráco de dispersión se ven las observa-

Esencialmente, en el scatter plot nos interesa evaluar

la forma de la relación entre las dos variables

• no lineal: cuadrática, exponencial, etc.

el sentido de la asociación, que puede ser

• asociación creciente: ambas variables aumentan simultáneamente

• asociación decreciente: cuando una variable aumente, la otra disminuye

la identicación de unas pocas observaciones que no siguen el patrón general,

1.1.1. Desventajas de los scatter plots

1. Si hay muchas observaciones todas iguales, en general no se las puede gra-

1.2. Coeciente de correlación de Pearson

1.2.1. Denición del coeciente de correlación

como el valor poblacional que describe el centro de la variable. A su vez, tenemos

que es una medida de la variación de la variable X respecto de su centro dado por

que es una medida de dispersión de la variable X.

Xn o bien X es el promedio o media muestral. A la varianza poblacional la esti-

que es la varianza muestral. Entonces, el desvío estándar poblacional queda esti-

Ahora estamos en condiciones de pensar en cómo denir un coeciente que

o sea, el número promedio a nivel población del producto de X menos su media

Al numerador, se lo denomina covarianza muestral entre X e Y,

y el denominador es el producto de los desvíos muestrales de cada muestra por

Otra forma de escribir a r es la siguiente

Hacemos un scatter plot de las observaciones. Luego ubicamos en el plano el punto

pase a la altura de Y. Esto divide al gráco en cuatro cuadrantes, como puede

o bien ambos valores son simultáneamente menores que su promedio, es decir,

Esto en cuanto a cada sumando en particular. ¾Qué signicará el signo de r?

Figura 5: Scatter plot de la tasa de mortalidad versus el porcentaje de niños me-

de ambas variables, obtenemos

1.2.2. Propiedades del coeciente de correlación muestral (y también

1. −1 ≤ r ≤ 1. El valor del coeciente r está entre 1 y menos 1 porque puede

2. El valor absoluto de r, |r| mide la fuerza de la asociación lineal entre X e Y,

3. El caso particular r=0 indica que no hay asociación lineal entre X e Y.

5. En el caso r = −1 tenemos a los puntos ubicados sobre una recta de pendiente

9. r no depende de las unidades en que son medidas las variables (milímetros,

1.1. Grácos de dispersión (o scatter plots)

No asociación. ¾Cómo luce un gráco de dispersión de dos variables que no

Figura 2: Grácos de dispersión de cuatro conjuntos de datos diferentes: (a) au-

Agrupamientos. Cuando en el gráco de dispersión se ven las observa-

la identicación de unas pocas observaciones que no siguen el patrón general,

1.2. Coeciente de correlación de Pearson

1.2.1. Denición del coeciente de correlación

Ahora estamos en condiciones de pensar en cómo denir un coeciente que

pase a la altura de Y. Esto divide al gráco en cuatro cuadrantes, como puede

Esto en cuanto a cada sumando en particular. ¾Qué signicará el signo de r?

1.2.2. Propiedades del coeciente de correlación muestral (y también

1. −1 ≤ r ≤ 1. El valor del coeciente r está entre 1 y menos 1 porque puede

11. Cuidado: el coeciente de correlación de Pearson es muy sensible a obser-

ya que la armación de la hipótesis nula, ρ = 0, puede escribirse como no hay

r = −0,791? ¾O será que ρ 6= 0? Como el coeciente de correlación muestral r

N (µ1 , σ12 ) y también Y ∼ N (µ2 , σ22 ) . Además ρ es el coeciente de correlación

Intervalo de conanza para ρ Puede resultar de interés disponer de un inter-

1.3. Coeciente de correlación de Spearman

el coeciente de correlación de Spearman, que presentamos en esta sección. El co-

5. Se calcula el coeciente de correlación de Pearson entre los pares (R (Xi ) , R (Yi )) .

Otro test de asociación entre variables. El coeciente de correlación de

para cada uno de esos conjuntos. Antes de hacerlo dena a ρ en palabras.

(a) Calcule el coeciente de correlación muestral de Pearson para los 62 mamí-

Ejercicio 1.8 ¾Con qué coeciente de correlación, Pearson o Spearman, resumi-