Regresión Simple (VII). Resultados
REGRESIÓN.
Variables introducidas/eliminadas(b)
Modelo | Variables introducidas | Variables eliminadas | Método |
1 | Edad(a) | . | Introducir |
a) Todas las variables solicitadas introducidas
b) Variable dependiente: Estatura
La primera matriz que se presenta es la de “Variables introducidas o eliminadas”. Como en nuestro ejemplo solamente teníamos una variable a introducir (Edad) no existieron mayores complicaciones. Así que pasamos a la siguiente matriz.
Resumen del modelo(b)
Modelo | R | R cuadrado | R cuadrado corregida | Error típ. de la estimación |
1 | ,993(a) | ,987 | ,986 | 3,14357 |
a) Variables predictoras: (Constante), Edad
b) Variable dependiente: Estatura
¿Se recuerdan de la famosa R2 de la cual hablamos hace unas lecciones? Pues en la matriz anterior se ve reflejada en la segunda columna. El modelo tiene tres “R”, la R normal tiene un valor de 0.993, R2que presenta un valor de 0.987 y la R2 corregida, que muestra un valor de 0.986. Cualquiera de los tres coeficientes de R tiene un valor muy cercano a 1, de tal forma que podemos concluir que el 98.7% de los cambios que se dan en la altura de los niños y adolescentes (el 98.7% de la variabilidad de la variable estatura) es explicado por las diferentes edades que tienen los mismo. El porcentaje que queda sin explicar es del 1.3%.
Coeficientes(a)
Modelo |
| Coeficientes no estandarizados | Coeficientes estandarizados | t | Sig. | |
|
| B | Error típ. | Beta |
|
|
1 | (Constante) | 85,451 | 1,800 |
| 47,468 | ,000 |
| Edad | 5,461 | ,170 | ,993 | 32,033 | ,000 |
a) Variable dependiente: Estatura
En el cuadro anterior se presentan los coeficientes del modelo. Si observamos con detenimiento, podemos notar que se tienen “coeficientes no estandarizados” y “coeficientes estandarizados”. Analicemos en detalle.
El modelo con coeficientes no estandarizados tiene la siguiente forma:
Estatura = 5,461(edad) + 85,451
La explicación del modelo puede hacerse de la siguiente forma: “La estatura de un adolescente depende de 5,461 veces la edad que tenga, más 85,451”. En este caso, la constante incluye el valor de ajuste a la regresión, más el error (e) de la estimación.
Ahora bien, como se imaginarán, este modelo no es perfecto, solamente se aplica a los rangos de edad que incluimos en el estudio, es decir, desde niños de 2 años hasta adolescentes de 17 años. ¿Qué pasaría si quiero saber la estatura de un niño de 4 años? Simplemente sustituyo el valor de 4 en el modelo y el resultado es que debería tener una estatura de 107.30 cms aproximadamente. Pero bien, ¿que pasaría si quiero calcular la estatura de mi abuelo que tiene una edad de 74 años? Si incluimos esta variable en el modelo, sucede que debería medir ¡489.57 centímetros!
Así que mi recomendación, es que éste modelo puede emplearse para hacer cálculos entre individuos que se encuentren en el rango de edad estudiado, y tal vez para hacer algunas proyecciones, como ¿cuál sería la estatura de un niño de 1 año? O ¿cuál sería la estatura de un adolescente de 18 años? Por ejemplo, pero el modelo no podría ir más allá.
El gráfico de dispersión muestra una tendencia clara y correlación positiva, es decir, que si una variable aumenta o crece, la otra variable también se incrementa. Además, la nube de puntos tiene una distribución muy uniforme, lo que se corrobora con el índice R2 obtenido anteriormente.
El gráfico anterior muestra la distribución con probabilidad normal, y también se observa claramente que la tendencia es bastante uniforme, salvo algunos puntos, la mayoría no se alejan demasiado de la línea central que divide equidistantemente un punto del otro punto.
