Sistematización de

Contenidos Profesionales
Tema: Modelos de regresión simple

Docente: PhD. Odette Pantoja Díaz

Cuida los pequeños detalles. Un pequeño
agujero puede hundir un gran barco”.
Benjamin Franklin
 Contenido

Objetivo
Diseña modelos de • Diagramas de dispersión
regresión y estudia la • Correlación
importancia de su
aplicación.
Subtema: Diagramas de dispersión
 Correlación. Diagramas de dispersión

• Datos recopilados de los estudiantes en las clases de estadísticas incluyeron su altura (en pulgadas) y su peso (en
libras).
• Asociación positiva entre los dos: los estudiantes más altos tienden a pesar más.
• Si se invierten los roles y se escoge la altura como variable explicativa, se podría decir que los estudiantes más
pesados ​tienden a ser más altos.
• La forma del diagrama de dispersión también es bastante recta, aunque parece haber un valor atípico alto.

Diagrama de dispersión

Peso (Ibs) versus Altura (in) de

una clase de estadisticas

De Veaux, R. D., Velleman, P. F., Bock, D. E., Vukov, A. M., Augustine, C. W., & Burkett, C. (2005). Stats: data and models. Boston: Pearson/Addison Wesley.
Subtema: Correlación
 Correlación de Pearson. Fórmula

Necesidad de un índice que informe tanto del grado en que X e Y están relacionadas, y si la relación es
positiva o negativa

Población

Muestra
 Correlación de Pearson. Fórmula

De Veaux, R. D., Velleman, P. F., Bock, D. E., Vukov, A. M., Augustine, C. W., & Burkett, C. (2005). Stats: data and models. Boston: Pearson/Addison Wesley.
 Correlación. Condiciones

La correlación mide la fuerza de la asociación lineal entre dos variables cuantitativas.

CONDICIONES PARA INTERPRETAR UNA CORRELACIÓN:

1. Condición de variables cuantitativas: no implicar variables categóricas. La correlación es sólo entre variables
cuantitativas.

2. Condición de linealidad: La mejor comprobación para la suposición de que las variables están realmente
relacionadas de manera lineal es mirar el diagrama de dispersión para ver si se ve razonablemente recto
(decisión de juicio, pero no es difícil).

3. Condición de valores atípicos: Los valores atípicos pueden distorsionar la correlación dramáticamente,
haciendo que una asociación débil parezca fuerte o una fuerte parezca débil. Los valores atípicos pueden
incluso cambiar el signo de la correlación. Pero es fácil ver los valores atípicos en el diagrama de dispersión,
así que para verificar esta condición, simplemente se debe observar.

De Veaux, R. D., Velleman, P. F., Bock, D. E., Vukov, A. M., Augustine, C. W., & Burkett, C. (2005). Stats: data and models. Boston: Pearson/Addison Wesley.
 Correlación. Condiciones

Condición de valores atípicos:

Es muy importante efectuar el diagrama de dispersión.

Por ejemplo, en el caso de la izquierda, es claro que no
hay relación entre inteligencia y rendimiento.

Sin embargo, si calculamos el índice de correlación de

rendimiento

Pearson nos dará un valor muy elevado, causado por la

puntuación atípica en la esquina superior derecha.

inteligencia
 Correlación. Propiedades.

• El signo del coeficiente de correlación da la dirección de la asociación.

• La correlación siempre está entre -1 y +1. La correlación puede ser exactamente igual a -1.0 o +1.0, pero estos
valores son inusuales en datos reales porque significan que todos los datos caen exactamente en una sola línea
recta.

• La correlación de x con y es la misma que la correlación de y con x.

• La correlación no tiene unidades.

• La correlación no se ve afectada por cambios en el centro o escala de cualquiera de las variables.

• La correlación mide la fuerza de la asociación lineal entre las dos variables. Las variables pueden estar
fuertemente asociadas pero tener una pequeña correlación si la asociación no es lineal.

• La correlación es sensible a los valores atípicos. Un solo valor extremo puede hacer que la correlación sea alta o
baja.

De Veaux, R. D., Velleman, P. F., Bock, D. E., Vukov, A. M., Augustine, C. W., & Burkett, C. (2005). Stats: data and models. Boston: Pearson/Addison Wesley.
 Correlación

El valor de r está entre ( -1) y ( +1)

El valor de r denota la fuerza de la asociación como se ilustra en el siguiente diagrama.

fuerte intermedio débil débil intermedio fuerte

-1 -0.75 -0.25 0 0.25 0.75 1

indirecta Directa
Correlación correlación
perfecta perfecta
sin
relación
 Correlación

• Si r = cero significa que no hay asociación o correlación entre las dos variables.

• Si 0 < r < 0.25 = débil correlación.

• Si 0.25 ≤ r < 0.75 = intermedia correlación.

• Si 0.75 ≤ r < 1 = fuerte correlación.

• Si r = l = perfecta correlación.
Correlación. Relación positiva
 Correlación. Relación negativa

Confiabilidad

Edad del Auto

Correlación. Sin relación
Correlación de Pearson
 Correlación de Pearson. Ejemplo
Base de Datos: Ejemplo Pearson

P-value >0.05, no es significativa la

correlación

De Veaux, R. D., Velleman, P. F., Bock, D. E., Vukov, A. M., Augustine, C. W., & Burkett, C. (2005). Stats: data and models. Boston: Pearson/Addison Wesley.
 Correlación de Pearson. Significación

¿El valor obtenido como coeficiente de correlación muestra que las variables X e Y
están relacionadas en realidad, o presentan dicha relación debido al azar?

Hipótesis nula  H0: rxy = 0. El coeficiente de correlación obtenido procede de una

población cuya correlación es cero (ρXY = 0).

Hipótesis alternativa  H1: rxy ≠ 0. El coeficiente de correlación obtenido procede de

una población cuyo coeficiente de correlación es distinto de cero (ρXY ≠ 0).
 Correlación. Causalidad.

“CORRELACIÓN NO IMPLICA CAUSACIÓN”. El que dos variables estén altamente correlaciones no implica que X
causa Y ni que Y causa X.

(Esa es una de las razones empleadas por las tabaqueras en el tema de la correlación entre cáncer de pulmón y el
hecho de fumar.)

De Veaux, R. D., Velleman, P. F., Bock, D. E., Vukov, A. M., Augustine, C. W., & Burkett, C. (2005). Stats: data and models. Boston: Pearson/Addison Wesley.
 Coeficiente de Correlación de Spearman
Este coeficiente de correlación, también conocido como de rangos ordenados, es de los que más se aplican.

Destaca su utilidad cuando el número de pares de puntaciones (n) que se desea asociar es pequeño (menor que 30).

Si el número de dichos pares es muy grande, se emplea un modelo paramétrico, ya que, por el teorema central del
límite, la condición de normalidad no afecta los resultados.

Cuando las puntuaciones se jerarquizan es muy probable que se presenten muchos “empates”: la coincidencia de
puntuaciones con el mismo número ordinal.

Si estos dos hechos ocurrieran, lo más adecuado sería utilizar el coeficiente de correlación de Pearson.

Si el número de puntuaciones que se desea correlacionar es menor que 30, y hay pocos empates, el coeficiente de
Spearman resulta el más apropiado.

Este coeficiente es una variedad particular del de Pearson, por lo que se define como sigue

Pérez-Tejeda, H. E. (2008). Estadística para las ciencias sociales, del comportamiento y de la salud. Innovación Educativa, 8(45).
 Correlación Spearman

• Es una prueba no paramétrica de correlación.

• Este procedimiento usa los dos rankings que puede asignarse a los valores de la muestra en x
y en y.

• Coeficiente de correlación de rankings de Spearman puede calcularse en los siguientes casos:

 Ambas variables son cuantitativas.
 Ambas variables son cualitativas ordinales.
 Una variable es cuantitativa y la otra es cualitativa ordinal.

• Un coeficiente de Spearman de +1 quiere decir que el que es primero en X es primero en Y, el

que es segundo en X es segundo en Y, etc

• Un coeficiente de Sperman de -1 quiere decir que el que es primero en X es último en Y, el

segundo en X es el penúltimo en Y, etc.
 Coeficiente de Correlación de Spearman
Ocho profesores de ciencias elementales han sido clasificados por un juez según su capacidad de enseñanza y todos
han hecho un examen nacional de profesores. Los datos se presentan en la Tabla.

¿Los datos sugieren concordancia entre la clasificación del juez y la calificación del examen? Alternativamente
podríamos expresar esta pregunta al consultar si existe correlación entre la clasificación del juez y los rangos de
calificaciones del examen.

Las dos variables de interés son la clasificación y la calificación del examen. La primera ya está en forma de rango y
las calificaciones del examen se pueden clasificar de modo análogo, como se muestra entre paréntesis en la Tabla.

William, M., Scheaffer Richard, L., & Wackerly Dennis, D. (1994). Estadística Matemática con aplicaciones. Grupo Editorial Iberoamerica.
 Coeficiente de Correlación de Spearman

William, M., Scheaffer Richard, L., & Wackerly Dennis, D. (1994). Estadística Matemática con aplicaciones. Grupo Editorial Iberoamerica.
 Coeficiente de Correlación de Spearman

Pérez-Tejeda, H. E. (2008). Estadística para las ciencias sociales, del comportamiento y de la salud. Innovación Educativa, 8(45).
 Coeficiente de Correlación de Spearman
Base de Datos: Ejemplo Spearman Ejemplo
 Ejercicio de Correlación

www.pitt.edu/~super7/49011-50001/49181.ppt
 Correlación Parcial

Ejemplo: se examina la relación entre la contribución del esposo al trabajo doméstico (variable dependiente, Y) y el
número de hijos (variable independiente, X,) para una muestra de 12 familias.
Se encuentra una relación positiva de fuerza moderada (r = 0.50) y se llega a la conclusión de que los esposos
aumentan su contribución al trabajo doméstico a medida que aumenta el número de niños.

PREGUNTA: esta relación es válida para todos los tipos de familias?

• ¿podrían los maridos de diferentes orientaciones religiosas responder de manera diferente?

• ¿Los maridos políticamente conservadores se comportarían de manera diferente a los maridos que son liberales?
• ¿Los esposos más educados responderían de manera diferente a los esposos menos educados?

Se pueden abordar estos temas mediante la correlación parcial, en la cual se observa cómo cambia la relación
bivariada cuando se introduce una tercera variable, como: religión, ideología política o educación.

Las terceras variables a menudo se denominan variables Z o variables de control.

 Correlación Parcial

Es importante indicar que el coeficiente de correlación de Pearson puede verse afectado por la influencia de
terceras variables.
Por ejemplo, si fuéramos a un colegio y medimos la estatura y pasamos una prueba de habilidad verbal, saldrá
que los más altos también tienen más habilidad verbal...claro, que eso puede ser debido simplemente a que en
el colegio los niños más altos serán mayores en edad que los más bajos.

Si se parcializa esta “tercera” variable (mediante

“correlación parcial”, difícilmente habrá una
relación de importancia entre estatura y habilidad
Habilidad numérica

14 a numérica.

12 a
10 a Hay muchos casos en que la tercera variable es la
8a causante de una alta relación entre X e Y (y ello
6 años muchas veces es difícil de identificar)

Estatura
https://www.uv.es/mperea/T5.ppt
 Correlación Parcial

Por otra parte, el valor del coeficiente de Pearson depende en parte de la variabilidad del grupo.

Si efectuamos el coeficiente de Pearson entre inteligencia y

rendimiento con todos los sujetos, el valor del coeficiente de
Pearson será bastante elevado.
Sin embargo, si empleamos únicamente los individuos con CI
bajo (o CI alto) y calculamos la correlación con Rendimiento, el
valor del coeficiente de Pearson será claramente menor.
Rendimiento

CI bajo CI alto

inteligencia Un grupo heterogéneo daría pues un mayor grado de relación

entre variables que un grupo homogéneo.

https://www.uv.es/mperea/T5.ppt
 Pasos para Determinar la Correlación Parcial

1. Calcular la r de Pearson para la relación bivariada (a veces denominada correlación de orden cero)
2. Calcular el coeficiente de correlación parcial (o de primer orden).

3. Si el coeficiente de correlación parcial difiere del coeficiente de correlación de orden cero, concluimos que
la tercera variable tiene un efecto en la relación bivariada.

Ejemplo: si los esposos bien educados responden de manera diferente a un hijo adicional que los esposos
menos educados, el coeficiente de correlación parcial diferirá en fuerza (y quizás en dirección) del coeficiente
de correlación bivariable.

The Essentials of Statistics. A Tool for Social Research-Cengage (2016)

 Correlación Parcial. Tipos de Relaciones
Relación directa.

• Coeficiente de correlación parcial = coeficiente bivariado. Ejemplo:

coeficiente de correlación parcial = +0.49 después de controlar la educación del esposo

coeficiente de orden cero = +0.50.

Esto significaría que la tercera variable (educación del esposo) no tiene efecto en la relación entre el
número de hijos y las horas de trabajo doméstico del esposo.
En otras palabras, los esposos responden de manera similar a los niños adicionales,
independientemente de su educación.

Conclusión: existe una relación directa entre X e Y donde la tercera variable (Z) es irrelevante y debe
descartarse para mayor consideración.

El siguiente paso en el proyecto de investigación podría ser realizar pruebas adicionales con otras variables de
control probables (ejemplo: controlar la religión o el origen étnico de la familia).

The Essentials of Statistics. A Tool for Social Research-Cengage (2016)

 Correlación Parcial. Tipos de Relaciones
Relación espuria

• Correlación parcial << coeficiente bivariado, quizás incluso bajando a 0.

Este resultado es consistente con dos relaciones diferentes (relaciones espurias e interventoras):

1. Relación espuria: la variable de control (Z) es la causa tanto de la variable independiente (X) como de la
dependiente (Y). Este resultado significaría que X e Y no están realmente relacionados.
X y Y parecen inicialmente estar relacionados solo porque ambos dependen de una causa común (Z).
Una vez que se toma en cuenta Z, la relación aparente entre X e Y desaparece.

Ejemplo: Imaginemos que controlamos la ideología política de los padres y encontramos que el coeficiente de
correlación parcial era mucho más débil que el bivariado de Pearson r.
Esto podría indicar que la cantidad de hijos no cambia realmente la contribución del esposo a las tareas domésticas
(es decir, la relación entre X e Y no es directa).

The Essentials of Statistics. A Tool for Social Research-Cengage (2016)

 Correlación Parcial. Tipos de Relaciones

Relación interventora

• Correlación parcial << coeficiente bivariado, quizás incluso bajando a 0.

Este resultado es consistente con dos relaciones diferentes (relaciones espurias e interventoras):

2. Relación interventora: Este patrón (correlación parcial mucho más débil que la correlación bivariada) también
es consistente con una relación intermedia entre las variables.

En esta situación, X e Y no están vinculados directamente sino que están conectados a través de la variable
de control.
Una vez que se controla Z, la relación aparente entre X e Y desaparece.

The Essentials of Statistics. A Tool for Social Research-Cengage (2016)

 Correlación Parcial. Tipos de Relaciones
Relación interventora

• Correlación parcial << coeficiente bivariado, quizás incluso bajando a 0.

Relación espuria Relación interventora

¿Cómo podemos detectar la diferencia entre las relaciones espurias e intermedias?:

• Esta distinción no se puede hacer por razones estadísticas: las relaciones espurias e intermedias se ven
exactamente iguales en términos estadísticos.
• El investigador puede ser capaz de distinguir entre estas dos relaciones en términos del orden
temporal de las variables (es decir, cuál fue el primero) o por razones teóricas, pero no por razones
estadísticas.

The Essentials of Statistics. A Tool for Social Research-Cengage (2016)

 Correlación Parcial. Tipos de Relaciones
Relación de Interacción

Existe una tercera relación posible entre las variables, aunque no se pueda detectar mediante un análisis de
correlación parcial.

Esta relación, llamada interacción, ocurre cuando la relación entre X e Y cambia notablemente bajo los
diversos valores de Z:

Ejemplo: si se controla la clase social y se detecta:

- los esposos de las familias de clase media aumentaron su contribución al trabajo doméstico cuando el
número de los hijos aumenta,
- los esposos en las familias de la clase trabajadora hicieron exactamente lo contrario,

Conclusión: hubo interacción entre las tres variables (clase, contribución, número de hijos). En otras
palabras, habría una relación positiva entre X e Y para una categoría de Z y una relación negativa para la otra
categoría.

The Essentials of Statistics. A Tool for Social Research-Cengage (2016)

 Correlación Parcial. Tipos de Relaciones

La interacción puede ser útil pensar en la interacción como una reacción inesperadamente intensa cuando se
combinan las variables.

Ejemplo de Interacción:

Variable dependiente: nivel de delincuencia

Variables independientes: áreas con más pobreza, áreas con alto % de adultos jóvenes

Un Estudio de los niveles de la delincuencia callejera encontró:

• asociaciones moderadamente fuertes con las áreas de pobreza (“las áreas con más pobreza tienen mayores
niveles de delincuencia callejera”)
• asociaciones moderadamente fuertes con la edad (“las áreas con altos porcentajes de adolescentes y
adultos jóvenes tienen mayores niveles de delincuencia callejera crimen”)
• relaciones muy fuertes cuando se combinan las variables (“ las áreas con alto nivel de pobreza y las
poblaciones más jóvenes tienen niveles de delincuencia mucho más altos”).

Conclusión: Cada variable independiente tiene su propia relación con el crimen, pero sus efectos combinados
tienen un impacto sorprendentemente fuerte en la variable dependiente.

The Essentials of Statistics. A Tool for Social Research-Cengage (2016)

 Correlación Parcial con SPSS
Análisis de la relación entre número de hijos y la contribución a las tareas del hogar,
considerando el posible efecto del nivel educativo del esposo.

The Essentials of Statistics. A Tool for Social Research-Cengage (2016)

 Correlación Parcial con SPSS

Análisis de la relación entre número de hijos y la contribución de los hombres a las tareas
del hogar, considerando el posible efecto del nivel educativo del esposo.

Pasos:
1. Determinar las correlaciones de orden cero entre las tres variables implicadas: número
de hijos, la contribución de los esposos a las tareas del hogar, nivel educativo del
esposo.
2. Determinar las correlaciones parciales
3. Conclusión

The Essentials of Statistics. A Tool for Social Research-Cengage (2016)

 Paso 1. Correlaciones de orden cero
Análisis de la relación entre número de hijos y la contribución de los hombres a las tareas
del hogar, considerando el posible efecto del nivel educativo del esposo.

Base de datos: Ejemplo Correlacion Parcial / Ejemplo Correlacion Parcial con excel

=+COEF.DE.CORREL(B2:B13;C2:C13)
Interpretación de las correlaciones de orden 0:
• La contribución del esposo al trabajo doméstico está relacionada positivamente con el
número de hijos (r yx = 0.499)
• Los esposos mejor educados tienden a hacer menos trabajo doméstico (ryz = -0.296 )
• Las familias con esposos mejor educados tienen menos hijos (rxz = -0.466).
Paso 2. Correlaciones parciales

=+COEF.DE.CORREL(B2:B13;C2:C13)
 Paso 3. Conclusión

La correlación parcial (ryx.z = 0.427) mide la solidez de la relación entre las tareas domésticas del esposo
(Y) y el número de hijos (X) mientras se controla la educación del esposo (Z).

Es más bajo en valor que el coeficiente de orden cero (ryx =0.499), pero la diferencia en los dos valores no
es grande.

Este resultado sugiere una relación directa entre las variables X e Y.

Es decir, cuando se controla la educación del esposo, la relación estadística entre la relación el trabajo en
casa del esposo y el número de niños no sufre casi cambios.

CONCLUSIÓN: Independientemente de la educación, las horas de trabajo doméstico del esposo aumentan
con el número de hijos.

The Essentials of Statistics. A Tool for Social Research-Cengage (2016)

 Paso 3. Conclusión

El siguiente paso en el análisis estadístico probablemente sería seleccionar otra variable de control.

Cuanto más la relación bivariada mantenga su fuerza en una serie de controles para terceras variables (Z), más
fuerte será la evidencia de una relación directa entre X e Y.

Podría suceder que el coeficiente de correlación parcial sea mayor en valor que el coeficiente de orden cero.
Este resultado sería consistente con un modelo causal en el que la variable tomada como independiente y la
variable de control tuvieran un efecto separado en la variable dependiente y no se correlacionaran entre sí.

Este patrón significa que tanto X como Z deben tratarse como variantes independientes, y el siguiente paso en
el análisis estadístico probablemente involucre la correlación múltiple y la regresión.

The Essentials of Statistics. A Tool for Social Research-Cengage (2016)

Diseño Instruccional

• Lecturas, videos, sitios recomendados.

• Actividades asincrónicas:
• Desarrollo de actividad H5P en Sección Rebote
• Desarrollo de Taller colocado en EVA en Sección de Construcción
• Realizar cuestionario en Sección de Comprobación

Cabe indicar que se tomará en cuenta la ortografía y su criterio personal el cual es

fundamental para su desarrollo profesional
 Gracias

Responsabilidad con pensamiento

positivo
 Tu futuro nos inspira

0984170055 [email protected]