Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 22 vistas

    Bioestadística - Clase 5

    Cargado por

    Mishell 19
    Este documento resume los conceptos clave de la regresión lineal simple y múltiple. Explica cómo estas técnicas estadísticas pueden cuantificar la relación entre variables y predecir valores utilizando coeficientes y ecuaciones de rectas. También describe conceptos como variables independientes, dependientes, errores aleatorios, y supuestos del modelo de regresión.

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd

    Bioestadística - Clase 5

    Cargado por

    Mishell 19
    22 vistas32 páginas
    Este documento resume los conceptos clave de la regresión lineal simple y múltiple. Explica cómo estas técnicas estadísticas pueden cuantificar la relación entre variables y predecir valores utilizando coeficientes y ecuaciones de rectas. También describe conceptos como variables independientes, dependientes, errores aleatorios, y supuestos del modelo de regresión.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PPTX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento resume los conceptos clave de la regresión lineal simple y múltiple. Explica cómo estas técnicas estadísticas pueden cuantificar la relación entre variables y predecir valores utilizando coeficientes y ecuaciones de rectas. También describe conceptos como variables independientes, dependientes, errores aleatorios, y supuestos del modelo de regresión.

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    22 vistas32 páginas

    Bioestadística - Clase 5

    Cargado por

    Mishell 19
    Este documento resume los conceptos clave de la regresión lineal simple y múltiple. Explica cómo estas técnicas estadísticas pueden cuantificar la relación entre variables y predecir valores utilizando coeficientes y ecuaciones de rectas. También describe conceptos como variables independientes, dependientes, errores aleatorios, y supuestos del modelo de regresión.

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    de 32

    BIOESTADÍSTICA

    NÉSTOR ISRAEL QUINAPANTA CASTRO, MD, MSC.


    REGRESIÓN LINEAL SIMPLE
    REGRESIÓN LINEAL SIMPLE

    • Es una técnica estadística que cuantifica la relación entre dos


    variables cuantitativas, asumiendo que dicha relación es lineal.

    VARIABLE VARIABLE
    INDEPENDIENTE DEPENDIENTE
    • Variable “fija” • No controlada por el
    controlada por el investigador
    investigador
    REPRESENTACIÓN DE VARIABLES EN
    REGRESIÓN LINEAL
    REGRESIÓN LINEAL SIMPLE

    • Presenta capacidad predictiva, de forma que puede conocerse el


    valor de una variable Y, una vez que se conoce el valor de una
    variable X a través del cálculo de los coeficientes a y b. Para
    conseguir la mejor predicción de Y a partir de X.
    REGRESIÓN LINEAL

    • Habiendo observado la variable edad (variable independiente o


    explicativa).

    • ¿Somos capaces de predecir el talla de un individuo? (variable


    dependiente o explicada).
    y = a + bx
    • La constante a se llama ordenada en el origen, que es el valor
    de Y cuando X vale 0 (sería la estatura de un recién nacido), y
    la b se llama coeficiente de regresión, también denominado
    pendiente, e indica el cambio (decremento o incremento en
    este caso) de Y por cada unidad de incremento de X; es decir,
    los centímetros que crece un niño al año.
    REGRESIÓN LINEAL SIMPLE

    • La relación entre dos variables cuantitativas puede


    establecerse a partir de la ecuación de una recta:

    y = a + bx
    • Por ejemplo, puede establecerse la relación entre la edad de
    un niño (variable X) y su correspondiente talla (variable Y).
    EJ: RELACIÓN TEÓRICA ENTRE LA EDAD Y LA
    TALLA DE UN NIÑO.
    ES UN MODELO DETERMINISTA

    • Ya que no considera la existencia de errores ni la variabilidad aleatoria, y


    concluye que, a tal edad, le corresponde tal estatura. Sin embargo, nunca
    será posible realizar predicciones perfectas de la estatura que tendrá un
    niño una vez conocida su edad, ya que, aunque la edad tenga un efecto
    importante sobre la estatura, existe un cierto grado de variabilidad
    aleatoria (ruido o «error») y de ajuste inadecuado de los datos a la función
    que define el modelo, dado que existen otras muchas variables que
    influyen en la talla.
    RELACIÓN REAL ENTRE LA EDAD Y LA TALLA DE UN
    GRUPO DE NIÑOS, INCLUYENDO LA VARIABILIDAD ALEATORIA.
    ERROR ALEATORIO

    • La distancia entre cada punto y el valor de y predicho en la


    recta de regresión se conoce como residual (e; error
    aleatorio).
    ERROR ALEATORIO

    • Ejemplo: Es la distancia entre el valor de la talla observado y el


    valor de la talla que predice el modelo
    CENTROIDE

    • La recta de regresión siempre pasa por el punto correspondiente a la media de


    las X y la media de las Y. Este punto se llama centroide, o centro de gravedad.
    COEFICIENTE DE CORRELACIÓN
    EJEMPLO: PACIENTES CON MELANOMA UVEAL

    𝐵𝑎𝑠𝑒 𝑚á𝑥𝑖𝑚𝑎=7,276+0,773∙𝐴𝑙𝑡𝑢𝑟𝑎 𝑚á𝑥𝑖𝑚𝑎


    PREDICCIÓN

    • Si tuviera una altura máxima de 10,3


    • Y real = 16.35
    • ¿Cuánto corresponde esto con respecto a la base máxima?
    • Residual = Y real – Y observado = 1.12
    DESCOMPOSICIÓN DE LA SUMA DE CUADRADOS EN
    UNA REGRESIÓN.
    SUMA DE CUADRADOS

    • Se obtendrá así la suma de cuadrados (SC) explicada


    por la regresión (SC regresión) y otra que no es
    explicada por la regresión y que se llama suma de
    cuadrados residual (SC residual). La suma de ambas
    será la suma de cuadrados total (SC total).
    HIPÓTESIS

    • La (hipótesis nula, H0): No existe relación lineal

    • La hipótesis alternativa (H1) existe relación lineal


    CONTRASTES DEL MODELO DE REGRESIÓN
    LINEAL

    Rechazamos la H0: EXISTE RELACIÓN LINEAL porque p < 0.05


    CUANDO SE RECHAZA H0:

    yPRED = a + bx
    • Sin embargo, la predicción nunca es perfecta y queda algo sin explicar.
    • Lo que queda sin explicar está expresado en la varianza residual que
    aparece en la tabla del ANOVA de regresión.
    REGRESIÓN LINEAL MÚLTIPLE

    • En la naturaleza no se suelen dar relaciones únicamente entre dos


    variables sino que existen muchos más factores, por ejemplo, los kilos
    perdidos por una persona a lo largo de un mes no solo estarán
    condicionados a la dieta alimentaria en sí, también se pueden ver
    afectados por el ejercicio realizado si tenemos en cuenta la duración, la
    intensidad, la ingesta de algún suplemento de aceleración del
    metabolismos, la edad, el sexo, etc.
    EJEMPLO :PACIENTES CON MELANOMA
    UVEAL

    𝑦=𝑎+𝑏1∙𝑥1+𝑏2∙𝑥2+⋯+𝑏𝑘∙𝑥𝑘+𝑒

    𝑏𝑎𝑠𝑒=𝑎+𝑏1∙𝑎𝑙𝑡𝑢𝑟𝑎+𝑏2∙𝑒𝑑𝑎𝑑+𝑏3∙𝑎𝑔𝑢𝑑𝑒𝑧𝑎 𝑣𝑖𝑠𝑢𝑎𝑙+𝑏4∙𝑝𝑖𝑜+𝑏5∙𝑛.º 𝑑𝑒 𝑐𝑢𝑎𝑑𝑟𝑎𝑛𝑡𝑒𝑠 𝑎𝑓𝑒𝑐𝑡𝑎𝑑𝑜𝑠


    EJEMPLO :PACIENTES CON MELANOMA
    UVEAL
    EJEMPLO :PACIENTES CON MELANOMA
    UVEAL
    EJEMPLO :PACIENTES CON MELANOMA
    UVEAL
    EJEMPLO :PACIENTES CON MELANOMA
    UVEAL
    COEFICIENTE DE DETERMINACIÓN (R2)

    • Se interpreta como el porcentaje de la variabilidad total


    de la variable dependiente (Y) que es explicado por la
    variable independiente (X).
    EJEMPLO :PACIENTES CON MELANOMA
    UVEAL
    EJEMPLO: PACIENTES CON MELANOMA
    UVEAL

    𝐻0: 𝑏1=𝑏2=⋯=𝑏𝑘=0 (≡𝑅=0)


    𝐻1: 𝑏𝑖≠0 (≡𝑅≠0) 𝑃𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖=1,2,⋯,𝑘
    SUPUESTOS DEL MODELO DE REGRESIÓN

    • Normalidad de la distribución condicional de la variable Y (variable dependiente).

    • Homogeneidad de varianzas («homocedasticidad»).

    • Independencia de las observaciones yi.

    También podría gustarte