Modelo de Regresión Lineal Simple

Modelo de regresión lineal simple.
Los modelos que nos interesan, los matemáticos, los podemos definir como la
formulación mediante ecuaciones de las leyes que gobiernan la naturaleza de algún
fenómeno.
Modelo determinista: es un sistema cuyo estado en un momento del tiempo
determina completamente su estado en cualquier otro momento del tiempo;
todos los parámetros de educación son perfectamente conocidos.
Modelos estocásticos (estadísticos o probabilísticos): son aquellos en el que a la
relación funcional entre las variables hay que añadir un término de ajuste. (un
modelo estocástico sería aquel en el que queremos estudiar la capacidad de
venta y solo disponemos de la variable extraversión como explicativa).
Teoría: constituye un nivel más elevado de conocimiento que el modelo; sintetiza
de modo sistemático un conjunto de conocimientos, suelen ser de amplio
espectro y estar verbalmente formuladas.
Modelo: es una representación específica de una teoría, aplicándose a una
parcela de conocimiento más concreta.
Versión estocástica de un modelo determinista, hay dos cuestiones que la justifican.
La primera, es imposible considerar todas las variables y parámetros implicados en un
fenómeno y, aun cuando es frecuente que los modelos contemplen las más
importantes, la pequeña diferencia que esto supone hace que los resultados teóricos
se alejen de los reales. La segunda razón tiene que ver con los aspectos relativos a la
medición de los valores de una variable que están sujetas a errores que originan
diferencias entre lo establecido por la ecuación matemática y la realidad investigada.
En conclusión, cuando el investigador pretende ajustar los parámetros de un modelo,
el ajuste supone un porcentaje de error y esto da lugar a la imposibilidad de hablar en
términos de modelo determinista, sino más bien de versión estocástica del modelo
determinista.
1. Pasos en la generación de un modelo.
Vamos a crear un modelo matemático sencillo, en el cual van a intervenir dos
variables, una dependiente o criterio que es el fenómeno psicológico de interés
que pretendemos modelizar a partir de la independiente o predictora, que es
aquella que vamos a observar o manipular para averiguar su relación con la
dependiente o los cambios que produce en ella.
Una baja densidad tiene como
resultado un bajo rendimiento. sin
embargo, éste se ve favorecido a
medida que aumenta la ansiedad. llega
un punto en el que el rendimiento es
máximo, empieza a decrecer según
momento de la ansiedad.
Indica la probabilidad de
recordar las cosas va
decreciendo a medida que pasa
el tiempo, de tal manera que al
principio esta disminución es
más rápida hasta que llegado un
momento se va estabilizando
poco a poco la falta de memoria.
Se encontró una relación lineal

entre el tiempo de reacción en
milisegundos y el tamaño del
conjunto de la memoria. a
medida que aumenta la
cantidad de cosas a recordar,
también lo hace el tiempo que
necesitamos para ello.
La luminancia es la intensidad
luminosa por unidad de
superficie (brillo de pantalla).
- Primero se describirá el problema, el sistema o el fenómeno real que se desee
modelizar. Es una simplificación de la realidad, de modo que el modelo tiene que
tener pocos parámetros que deberán ser interpretables según lo que nos haya
surgido la literatura sobre la que nos hemos basado.
- El segundo paso, es la observación y exploración de la realidad. Si el primer paso
se ha hecho correctamente, se habrá operacionalizado adecuadamente las
variables predictora y criterio y ahora podremos proceder a la cuantificación. La
elección de los métodos de medida es de vital importancia.
- La construcción de la matriz con los valores de los sujetos en la variable
predictora y en la variable criterio. En esta matriz se debe comprobar que no
existen errores de entrada, codificación o especificación. (anomalías)
- Representación gráfica de la nube de puntos. Esta es imprescindible para mostrar
una relación lineal entre las variables (ya sea directa o inversa). Además,
podremos cuantificar la relación entre las variables, mediante la covarianza o, a
partir del coeficiente de correlación de Pearson, puesto que tiene unos valores
máximo y mínimo que nos ayudarán a la interpretación de la magnitud de la
asociación.
- Construcción del modelo, es decir, encontrar la función matemática que mejor se
ajuste a nuestros datos. Nos permitirá explicar el fenómeno de interés y
predecirlo e, incluso aplicarlo a problemas o fenómenos similares.
- Estudio del ajuste del modelo lineal a los datos. Es fundamental porque si el
ajuste no es bueno, se ha de recurrir a otros modelos. En este momento nos
preguntaremos que también está explicada la variable dependiente a partir de la
independiente.
- Interpretación del modelo a partir de los parámetros obtenidos. Debemos dar un
contenido teórico al modelo y constatar su contexto de aplicación y su utilidad.
- Estudio de la fiabilidad del modelo. Esto significa que las predicciones que
podamos realizar con él cometan el mínimo error posible. Para ello, utilizaremos
los datos provenientes de muestras de la misma población.
- Estudio de la validez del modelo. Siguiendo pasos similares a los de la
construcción del conocimiento científico, debemos aplicar un proceso deductivo
y obtener consecuencias del modelo, con la finalidad de predecir nuevas
relaciones empíricas, no contenidas en los datos originales, que permitan ponerlo
a prueba. En esta fase debemos asegurarnos de que el modelo es correcto y se
aproxima a la realidad suficientemente para la finalidad prevista, por lo cual es
necesario contrastar los resultados obtenidos mediante la deducción con
observaciones reales.
- Por último, en función de las decisiones tomadas en la fase de validación, el
modelo deberá ser mejorado o podrá aplicarse para la predicción y para la toma
de decisiones.
2. Ecuación de regresión lineal con dos variables.

Nuestro interés es la creación de un modelo lineal entre 2 variables.
X e Y son predictora y criterio. Los parámetros b0 y b1, son los coeficientes de
regresión, son propios de cada fenómeno que queremos modelizar y son los que
debemos determinar. Como no se pueden recoger todas las variables implicadas
se añadirá el término de error (refleja la diferencia entre una puntuación real y
una puntuación predicha por el modelo y prima)
Ecuación de regresión de Y sobre X.

Regresión lineal simple.
Primero se realizará una matriz de
datos . si queremos construir un modelo lineal explicativo, primero
representaremos gráficamente los resultados con un diagrama de dispersión para
averiguar si existe tal linealidad entre las variables. luego cuantificaremos
(correlación de visón, covarianza, N) la relación. Una vez vistos los resultados tras
en análisis visual y análisis cuantitativo, podemos plantearnos buscar una
información lineal que se ajuste a los datos. primero deberemos establecer qué
variable y queremos predecir a partir de la otra. Ahora se deberá buscar la
ecuación que mejor se ajuste a los datos.
Mínimos cuadrados: calcula la recta de regresión minimizando los errores
de predicción. Mediante el todo de los cuadrados, menos cuarto pretendemos
que la diferencia entre los valores pronosticados Y’ y los reales Y si mínimo, es
decir, que el error de predicción en cada sujeto sea mínimo.
Las ecuaciones obtenidas, se llaman ecuaciones normales:
3. Ecuación de regresión simple en puntuaciones típicas.

La ecuación de regresión de Y sobre X en puntuaciones típicas es
Correlación de Pearson
Ejemplo:
Correlación de Pearson.
Desviación típica.
Zy = 0,784⋅0,22 = 0,17

Modelo de Regresión Lineal Simple

Cargado por

Copyright:

Formatos disponibles

Modelo de Regresión Lineal Simple

Cargado por

Información del documento

Título 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

Modelo de Regresión Lineal Simple

Cargado por

Copyright:

Formatos disponibles

Modelo de regresión lineal simple.

Se encontró una relación lineal

2. Ecuación de regresión lineal con dos variables.

Ecuación de regresión de Y sobre X.

3. Ecuación de regresión simple en puntuaciones típicas.

También podría gustarte