Comprender la regresión y la correlación en estadística.

La discusión introduce el tema de la regresión y el análisis de correlación en el contexto de la estadística descriptiva. Destaca la necesidad de estudiar las relaciones entre múltiples conjuntos de datos numéricos y tiene como objetivo analizar posibles asociaciones. El enfoque se centra en explorar modelos lineales para comprender las relaciones entre variables.

Un objetivo es estudiar múltiples variables simultáneamente y ampliar las medidas de asociación más allá del análisis bivariado. Otro objetivo es detectar relaciones entre variables y desarrollar modelos estadísticos para representar estas relaciones de manera efectiva.

Los estudios se pueden categorizar en estudios de correlación, que analizan las relaciones entre variables, y estudios de regresión, que se centran en establecer modelos matemáticos basados en las relaciones detectadas. La discusión enfatiza la importancia de comprender ambos tipos de estudios en el análisis estadístico.

Al estimar modelos, es crucial considerar la variable dependiente y una o más variables independientes o explicativas. Los datos suelen provenir de una muestra de una población, introduciendo perturbaciones aleatorias que afectan la estimación del modelo. La discusión se adentra en los componentes de los modelos lineales y su dependencia en factores aleatorios.

Los tipos de modelos comunes incluyen modelos lineales, como modelos lineales simples con intercepciones y pendientes, y modelos no lineales como exponenciales, de potencia, hiperbólicos y logísticos. Cada tipo de modelo sirve para propósitos específicos en el análisis estadístico, siendo los modelos lineales a menudo suficientes para explicar el comportamiento de variables en situaciones prácticas.

Al pasar de una muestra a una población, validar los coeficientes a través de pruebas de hipótesis es crucial. Los coeficientes obtenidos deben someterse a pruebas de hipótesis para garantizar la validez del modelo. Este proceso implica probar hipótesis sobre los coeficientes y el modelo relevante, y va más allá del alcance de la discusión actual.

Los estudios de correlación se centran en determinar las relaciones entre variables de forma descriptiva. El coeficiente de correlación lineal de Pearson mide la relación lineal entre dos variables, que va de -1 a 1. Los valores cercanos a los extremos indican fuertes correlaciones lineales, mientras que los valores cercanos a 0 sugieren que no hay una relación lineal pero existe la posibilidad de otros tipos de relaciones.

El modelado de regresión implica ajustar una línea de regresión a puntos de datos para predecir valores. En la regresión lineal simple con dos variables, una fuerte relación lineal positiva sugiere estimar valores de una variable basándose en otra. El objetivo es minimizar errores encontrando la línea de regresión que minimiza la suma de los residuos al cuadrado a través del método de mínimos cuadrados.

El método de mínimos cuadrados tiene como objetivo minimizar la suma de los residuos al cuadrado para encontrar la mejor línea de regresión ajustada. Al elevar al cuadrado los residuos, los errores más grandes se magnifican, enfatizando la importancia de minimizar estos errores para predicciones precisas. Este método utiliza una medida de distancia cuadrática para optimizar el modelo de regresión.

El método de los mínimos cuadrados implica minimizar la suma de las diferencias al cuadrado. Al derivar y establecer las derivadas parciales en cero, obtenemos las ecuaciones normales para resolver los desconocidos, típicamente los valores de 'a' y 'b' en el modelo de regresión.

De las ecuaciones normales, se puede deducir que la media de los residuos es cero, lo que indica que, en promedio, los errores de estimación se cancelan. Además, el punto de x-barra y y-barra satisface la ecuación de regresión, lo que implica que la línea de regresión pasa por el centro de gravedad de la distribución.

El término constante 'a' o la intersección en y del modelo de regresión se puede determinar calculando la media de y menos a veces la media de x. Esto proporciona el primer parámetro desconocido en el modelo de regresión lineal.

La covarianza entre los residuos y las variables independientes siendo cero implica que los errores en las estimaciones son independientes de la magnitud de los valores de las variables. La pendiente de la línea de regresión se puede calcular como la covarianza entre x e y dividida por la varianza, determinando los dos parámetros desconocidos del modelo de regresión.

Un estudio análogo al mencionado anteriormente implica la producción de residuos, que son las diferencias entre los valores de x y las estimaciones de x. Aplicando el método de mínimos cuadrados, podemos determinar que los parámetros del nuevo modelo serían la media de x prima por la media de y prima, y la pendiente de x prima sería la covarianza de xy dividida por la varianza de i. Esto nos permite establecer una relación simple entre las pendientes de las líneas obtenidas, como el producto de las pendientes siendo la covarianza al cuadrado dividida por el producto de las varianzas, lo cual coincide con la expresión del coeficiente de determinación. A partir de aquí, podemos establecer varias relaciones entre pendientes y varianzas según sea necesario.

Consideremos un escenario donde tenemos las calificaciones de un grupo de estudiantes que se han preparado para un examen y las horas que han dedicado al estudio, como se muestra en una tabla. Al trazar los puntos de datos correspondientes para estas dos variables, calificaciones y horas de estudio, observamos una fuerte correlación positiva. Parece que a más horas de estudio, corresponden calificaciones más altas. Al calcular las medidas de tendencia central y la covarianza entre estas variables, encontramos que el coeficiente de correlación lineal entre las calificaciones y las horas de estudio es aproximadamente 0.92, lo que indica una relación lineal fuerte y creciente entre las dos variables.

Dada la fuerte relación lineal entre las calificaciones y las horas de estudio, nuestro objetivo es predecir la calificación de un estudiante en función de sus horas de estudio. Al determinar los parámetros del modelo, podemos predecir las calificaciones utilizando una fórmula simple. Por ejemplo, con un valor de intercepción de -0.2633 y una pendiente de 0.3757, nuestro modelo final predice las calificaciones como -0.2633 + 0.3757 veces el número de horas de estudio. Si quisiéramos predecir la calificación de un estudiante que estudió 23 horas, sustituiríamos este valor en el modelo para obtener una calificación predicha de 8.38 puntos. El coeficiente de determinación, R-cuadrado, es aproximadamente 0.8464, lo que indica que nuestras predicciones son confiables y cercanas a los valores reales.