Regresion Multiple

Manuel Miguel Ramos lvarez
Curso de recursos metodolgicos y estadsticos I-1
UNIVERSIDAD DE JAN
Material del curso Recursos metodolgicos y estadsticos para la

docencia e investigacin
ndice
M
MAAT
AT ER
TE
E R AL
RIIIA
A L II
L MMO
OD
O DE
D EL
EL OD
LO
O DE
D EA
E AN
N
N L
LLIIIS
S S
SIIIS
S
1. Modelo general de anlisis estadstico aplicado ............................................................. 2

1.1. Modelo de etapas basado en los principios de Modelizacin Lineal y de comprensin
inductiva..................................................................................................................... 2
1.1.1. Introduccin a la modelizacin estadstica ....................................................... 2
1.1.2. El esquema de anlisis propuesto .................................................................. 3
1.1.3. Especificacin e identificacin del modelo........................................................ 4
1.1.4. Estimacin de los parmetros del modelo ....................................................... 6
1.1.5. Evaluacin del modelo .................................................................................. 8
1.1.6. Resumen del modelo .................................................................................. 13
1.1.7. Interpretacin del modelo ........................................................................... 17
1.2. Variantes del Modelo general en funcin del tipo de diseo de investigacin ........... 18
1.3. Aplicaciones en diferentes mbitos de investigacin ............................................. 20
1.3.1. Aplicaciones en Ciencias Experimentales ....................................................... 21
1.3.2. Aplicaciones en Ciencias Comportamentales, Salud, Psicologa, educativa y mbito
social. 22
1.3.3. Aplicaciones en Ciencias de la Actividad fsica y la Salud ................................. 23
1.3.4. La formalizacin de los diferentes tipos de aplicaciones .................................. 25
1.4. Lecturas recomendadas.................................................................................... 26
1.5. Ejemplo de prcticas........................................................................................ 27
1
1. Modelo general de anlisis estadstico aplicado

1.1. Modelo de etapas basado en los principios de Modelizacin
Lineal y de comprensin inductiva
1.1.1. Introduccin a la modelizacin estadstica
En general, ha habido una dispersin importante en cuanto a las tcnicas de anlisis

disponibles. Actualmente, se tiende a la integracin de los diferentes anlisis dentro
de un marco comn, el Modelo Lineal General y el Modelo Lineal Generalizado en el que
se asume como principio nuclear la regresin lineal multivariada.
Nos basaremos en el esquema de trabajo basado en la Modelizacin Estadstica de
Ramos, Catena y Trujillo (2004), que se basa en dicha perspectiva. Como un esquema
general de anlisis que sirva para organizar todas las acciones y decisiones propias del
anlisis de los datos y la extraccin de sus implicaciones.
Cuando se realiza una investigacin, se parte de un Objetivo-Hiptesis que se establece

en trminos de variables.
Una variable es el conjunto de valores numricos -el tipo de smbolo o sistema formal
ms utilizado- atribuidos a las modalidades de un atributo a travs del proceso de
medicin, pero de tal manera que los smbolos asignados deben representar las
relaciones percibidas entre los atributos de los objetos. Surge de la operativizacin de
los constructos, es decir al convertir en observables los conceptos o ideas de carcter
ms abstracto, ambiguo o vago.
Ejemplo:
Consideremos una investigacin basada en trabajos sobre la prevencin de trastornos
cardiovasculares a partir de la forma fsica (i.e. Ortega et al., 2005). Se midi a un conjunto
amplio de adolescentes espaoles en un conjunto de indicadores sobre su condicin fsica, de
donde se concluy que la fuerza fsica y la capacidad aerbica constituyen marcadores
importantes de salud cardiovascular. El objetivo de nuestro estudio es determinar si
efectivamente factores como la capacidad aerbica estn relacionados con la probabilidad de
sufrir trastornos coronarios. Los datos, ficticios, de 20 pacientes de esta investigacin son sobre
Capacidad aerbica medida como el VO2mx -consumo mximo de oxgeno- y extensin cardiaca
medida en las imgenes de un escner (0 es mnima y 100 es mxima).
Variables:
Capacidad aerbica medida como el consumo mximo de oxgeno.
Extensin cardiaca medida en las imgenes de un escner
Suelen aparecer dos tipos de variables y un modelo entre ambas:

o La variable que se mide en los individuos, o variable a explicar.
o La variable que explicara los cambios o variable predictora y que se introduce en
un Modelo explicativo.
Ejemplo:
Tipos de Variables:
Medida: Extensin cardiaca.
Predictora: Capacidad aerbica.
Modelo: Los datos medidos se explican a partir de la Capacidad segn una
relacin simple.
Desde este punto de vista, el objetivo fundamental del anlisis ser evaluar en qu
medida el modelo que incluye a los predictores es adecuado para explicar los datos
observados.
2
1.1.2. El esquema de anlisis propuesto

CUADRO 6.1: Esquema de trabajo basado en la perspectiva analtica de modelizacin
Adaptado a partir de Ramos, M.M.; Catena, A. y Trujillo, H. (2004). Manual de Mtodos y Tcnicas de
Investigacin en Ciencias Del Comportamiento. Madrid: Biblioteca Nueva.
Comprobacin
Supuestos
Anlisis descriptivo-
Identificacin Modelo Exploratorio
H0v Ajuste Modelo
Evaluacin Modelo Contraste Hiptesis

No
AMP-COM y AMP-SAT Variaciones
Dos tipos de Modelos: s/ Diseo
AMPliado y COMpacto
ADECUADO?
Intervalos confidenciales vs.

Resumen Modelo potencia estadstica
Interpretacin Predicciones Identificacin variables

extraas
3
1.1.3. Especificacin e identificacin del modelo
En trminos operativos la cuestin fundamental de una investigacin es la especificacin de

cmo se relacionan las dos variables implicadas, el predictor o variable independiente
manipulada (X) y el criterio o variable dependiente que se mide (Y).
La forma de esta relacin vendr especificada por la hiptesis de investigacin y requiere la
especificacin de parmetros, que sintetizan las ideas principales del modelo.
Dicha relacin explicar los datos aunque no de una manera perfecta: parte de los cambios
observados en el criterio no pueda ser explicada por el predictor, sino que se debe al error.
DATOS = MODELO + ERROR
Y = f(X) + E
Usualmente una medida para valorar la adecuacin de la hiptesis es el error (o residual): a

mayor error, peor modelo y viceversa.
Aproximacin: cunto error es tolerable? La respuesta a esta pregunta no puede
establecerse en trminos absolutos sino relativos.
o Se formula un modelo de partida, aunque sea muy bsico, que se tomar como
referencia, Compacto o restringido (COM) no incluye los parmetros crticos y
ser el modelo de referencia.
o Y se compara con uno alternativo, el del investigador, Ampliado o
incrementado (AMP) es el que incluye los parmetros que capturan las ideas
mantenidas en la hiptesis.
ModGeneralAnalisis.xls
Ejemplo: Ver Hoja ModLineal1
COM: Y = 0 + E
AMP: Y = 0 + 1 X + E
El objetivo: construir modelos que sean una buena representacin de los datos,
haciendo el error tan pequeo como sea posible y de la manera ms simple
posible.
4
Identificacin del Modelo-II

Abrir fichero:
Ver Hoja Datos
En dicho fichero aparecen los datos de la investigacin sobre condicin fsica y salud
cardiovascular.
5
1.1.4. Estimacin de los parmetros del modelo
El segundo paso del proceso de modelizacin estadstica consiste en estimar el valor de los
parmetros a partir de los datos.
Mediante uno de tres mtodos estadsticos que garantizan en trminos generales las
propiedades deseables de los estimadores (consistencia, carencia de sesgo, eficiencia y
suficiencia), cuyo uso depende del contexto:
o Mxima verosimilitud
o Los momentos
o Mnimos cuadrados (clsico).
Objetivo: encontrar unos valores de los parmetros que hagan lo ms pequea posible la
diferencia entre las predicciones y los datos observados, o lo que es lo mismo, hacer
mnimo el error cuadrtico para el conjunto de los datos, lo cual se hace para cada
tipo de modelo. Finalmente se divide por el nmero de grados de libertad asociados.
Una vez estimados los parmetros, slo queda ajustar el modelo, es decir realizar las
predicciones del modelo para cada dato y calcular el error cuadrtico global.
6
Estimacin del Modelo-II

Uno de los Modelos ms sencillos y a la vez ms importantes es el del tipo lineal, que a
cambios del predictor (X) le corresponden cambios en la medida (Y), de manera
consistente o uniforme.
o Por ejemplo, la relacin entre Peso y Estatura cabe esperar que sea lineal puesto
que a mayores valores en estatura suelen corresponder mayores valores en peso.
El Modelo Lineal puede ser positivo o negativo.
o Positivo: a incrementos de X le corresponden incrementos de Y. Por ejemplo,
Estatura-Peso.
o Negativo: a incrementos de X le corresponden decrementos de Y. Por ejemplo,
Capac. Aeorbica Trastorno Coronario.
Ver Hoja ModLineal1
7
1.1.5. Evaluacin del modelo
El tercer gran paso es evaluar el modelo de trabajo o Ampliado, luego el objetivo es decidir
en qu medida el modelo podra ajustar estadsticamente a los datos.
A) El clculo fundamental: RPE

Este proceso es relativo, respecto de un modelo equivalente de tipo Compacto; segn una
perspectiva condicional que permite evaluar la pertinencia de los parmetros crticos,
comparando el Error Asociado al modelo COM con el que se asocia al modelo AMP.
Ahora podemos computar la reduccin neta del error, o la reduccin proporcional de AMP
respecto de COM:
Reduccin neta de error:
=SCR SCE (COM ) SCE ( AMP )
Reduccin proporcional de error:
SCE (COM ) SCE ( AMP )
RPE =
SCE (COM )
RPE oscila entre 0 y 1, es semejante a una razn de correlacin, 2.

En resumen, los trminos se relacionan segn la siguiente ecuacin:
=
SCE (COM )
SCR + SCE ( AMP )
Re duccion Error

Error debida Modelo AMP Error prevalece
Original debido Modelo AMP
8
Evaluacin del Modelo-II

B) El estadstico de contraste:
An queda una cuestin por zanjar.Cmo decidir si un porcentaje de reduccin RPE

(pongamos por caso un 40%) es suficientemente grande para justificar el parmetro
adicional. Para ello se recurre a la estadstica inferencial y especialmente al Contraste de
Hiptesis Estadsticas de una Hiptesis Nula (los parmetros AMP vs. COM no aportan
nada significativo) frente a una Alternativa (los parmetros AMP vs. COM s aportan
significativamente).
Lgica: Para confiar en el Modelo de trabajo, y por ende en los parmetros que ste
incluye, tendramos que obtener un valor suficientemente grande de Reduccin del
Error como para poder extrapolarlo desde nuestro estudio muestral hacia la
poblacin de referencia. Un valor que supere lo que se podra obtener por mero azar.
Por ejemplo, poder afirmar en general que el Modelo de prediccin de Trastorno
Coronario a partir de la capacidad Aerbica se mantiene en general en la poblacin
de las personas, y no exclusivamente en los que se han incluido en nuestro estudio
particular con una muestra de los mismos.
Por un lado hipotetizamos que la RPE no es suficientemente grande como para
extrapolarla a la poblacin frente a la hiptesis contrapuesta de que el efecto s es
representativo. El primer tipo de Hiptesis se denomina Nula (H0 en adelante)
puesto que se pone en el peor de los casos para el investigador y asume que el
Modelo de la investigacin es nulo o inexistente, que no es real o confiable. En
contraposicin, la otra se denomina Hiptesis alternativa (H1).
Problema Solucin
No puede basarse en RPE sin ms: El estadstico debera

La reduccin de error va RPE a partir considerar el nmero de
de un modelo con un parmetro no parmetros del modelo AMP,
lleva a las mismas conclusiones que la NPAMP, frente a los del modelo
misma reduccin con un modelo que de referencia, NPCOM.
incluya ms parmetros.
RPE no considera si el modelo Comparar RPE con su

propuesto es en general pobre, complementario 1-RPE.
Si tiene asociada gran cantidad de Comparar la proporcin de
error en trminos netos en error que reducimos con la
comparacin con el modelo perfecto. proporcin que permanece.
El estadstico de contraste queda, pues, como:
RPE /( NPAMP NPCOM )

Fk =
(1 PRE ) /( N NPAMP )
Sigue un modelo F: Fk FR
La Proporcin de lo que consigue nuestro modelo frente a lo que prevalece o lo

que consigue nuestro Modelo frente al Error Tpico: A mayor valor, ms
evidencia a favor del AMP en contra del modelo de referencia o COM; y
viceversa.
9
Evaluacin del Modelo-III

C) Una regla para adoptar decisiones de significacin estadstica:
Y para adoptar decisiones se opera a partir de una regla de decisin probabilstica:

Una vez que se conoce el comportamiento general del Estadstico de Contraste a travs
de su Modelo de distribucin, podemos estimar la probabilidad asociada al valor del
mismo, lo que se conoce como Probabilidad de Significacin estadstica. Los valores
de gran magnitud en el Estadstico de Contraste llevan asociada una baja
probabilidad, es decir a mayor valor de EC menos probable es el Modelo COM.
De esta forma podramos traducir nuestros datos en una probabilidad pero esto no es
suficiente pues sera deseable adoptar una decisin ltima.
Para ello se fija una probabilidad en un valor suficientemente pequeo (la comunidad
cientfica suele favorecer un valor de 0,05 de 0,01) que sirva de punto de corte para la
decisin, lo que se denomina el nivel de significacin alfa.
Entonces se comparan ambas probabilidades:
Si la probabilidad exacta del estadstico de contraste es menor o igual que
alfa entonces nos inclinamos hacia el rechazo de H0 (contra H0/a favor de
H1), es decir admitimos que el Modelo AMP aporta de manera significativa.
En caso contrario, si la probabilidad exacta del estadstico de contraste es
mayor que alfa entonces nos inclinamos hacia el no-rechazado de H0 (a favor
de H0/en contra de H1), es decir admitimos que el Modelo AMP no aporta de
manera significativa y habra que admitir el Modelo COM.
Aclaracin: Luego el puente de unin entre lo muestral y lo poblacional viene dado por
un Modelo de Distribucin, una funcin estadstica que nos permite estimar la
probabilidad que tiene asociado un determinado valor de una variable.
10
Evaluacin del Modelo-IV
Ver Hoja ModeloDistrib
Uno de los modelos ms destacados de Distribucin es el de la Normal o Campana de Gauss.

Supongamos que medimos la capacidad de memoria a una muestra de 100 personas, que
oscila entre 0 y 200 puntos. Por ejemplo 5 de estas personas tienen puntuaciones menores
de 26 puntos, otras 5 tienen puntuaciones entre 26 y 50; y as sucesivamente.
Dividimos las puntuaciones de memoria en 8 intervalos y contamos el nmero de
personas o frecuencia- que manifiestan puntuaciones en cada uno de los 8 intervalos.
Adems, para ganar en comparabilidad obtenemos la frecuencia relativa, es decir la
frecuencia absoluta entre el total de casos (i.e. 5/100 para el primero de los intervalos).
Si representamos los resultados en un grfico obtendramos lo siguiente:
Frecuencia relativa (Probabilidad)
0,30
0,25
0,20
0,15
0,10
0,05
0,00
76- 101- 126- 151-
<26 26-50 51-75 >175
100 125 150 175
Series1 0,05 0,05 0,15 0,25 0,25 0,15 0,05 0,05
Memoria
Este modelo nos permite caracterizar el comportamiento de la variable Memoria, de

manera que valores extremos son muy improbables (ya menores de 26 ya mayores de
175) y hay una franja central de valores con la mayor probabilidad de ocurrencia, que se
corresponden con el valor medio (en torno al valor 100). Adems, la distribucin es
simtrica: lo que se observa a un lado del eje central es equivalente a lo que se observa en
el otro lado. Finalmente, con un Modelo de este tipo siempre podramos estimar cul es la
probabilidad asociada a un valor concreto de inteligencia.
Otros modelos de distribucin destacados son t-student, Chi-Cuadrado o F-Fisher.
11
Evaluacin del Modelo-V
Ampliacin: La lgica del contraste de Hiptesis Estadsticas
Definimos una medida de discrepancia entre la muestra y lo hipotetizado en H0.

Entonces estimamos el error tpico de la misma, es decir las fluctuaciones debidas a
error lo que se llama error tpico del estadstico-
y calculamos una medida relativa de la discrepancia, estadstico de contraste (que
vamos a denotar con el subndice k para referirnos a los datos muestrales).
Dicho estadstico tendr que seguir un modelo de distribucin conocido que nos permita
asociar una probabilidad a cada valor del mismo.
Finalmente se establece una regla: si la discrepancia es muy grande, entendiendo por
ello que hay una probabilidad muy pequea de encontrar dicho valor cuando H0 es
cierta, nos inclinaremos en contra de dicha hiptesis nula y en caso contrario nos
inclinaremos a favor de la misma.
Por tanto, definir un contraste de significacin requiere una medida de discrepancia y
una regla para juzgar qu discrepancias son "demasiado" grandes. Esto se logra
fijando un nivel de significacin (la probabilidad alfa) en el modelo de
distribucin que le asumimos y determinando una regin de rechazo.
La regla de decisin queda, pues, como: se compara la probabilidad asociada al valor
del estadstico de contraste (o emprico) con la probabilidad fijada de antemano (alfa o
probabilidad asociada al valor terico), y se rechaza H0 (contra H0/a favor de H1)
cuando el primero no supere al segundo y a la inversa.
Ejemplo de Contraste de Hiptesis sobre el Modelo de Distribucin F con los parmetros: a=4;
n=10; 0.05F3;36=2.87
Alfa o nivel de
significacin
Valor Crtico de F
12
1.1.6. Resumen del modelo
La ltima etapa es la discusin o interpretacin de los resultados obtenidos, el objetivo es

determinar en qu medida el modelo es compatible con la hiptesis de investigacin.
Sea como fuere, el modelo es resumido mediante un conjunto de informaciones.
o La descripcin de los datos, bsicamente medidas de tendencia central y de
variabilidad (i.e. medias y varianzas).
o Los clculos de la fase de evaluacin y ajuste, como lo es el valor de los
parmetros, su error asociado y la probabilidad de rechazar o no la hiptesis
nula.
o Si la hiptesis nula especifica el valor de un parmetro y el contraste conduce a
rechazarlo, conviene indicar cul es la estimacin ms plausible para el
parmetro a la vista de los datos; es decir estimacin por intervalos
confidenciales.
o Por otro lado, normalmente se controla la magnitud del error tipo I, mediante la
eleccin de la regin de rechazo, seleccionando un nivel de significacin exigente
(0,05 0,01). Sin embargo, la tcnica de Contraste de Hiptesis Estadsticas en
realidad implica otro error, o error Tipo II. Pesemos que la decisin gira
realmente en torno a dos Hiptesis (la Nula y la alternativa) y por ende a dos
tipos de Error. El problema es que, si bien se controla el del Tipo I, no sucede lo
mismo con el control del error tipo II, cuyo control es ms complejo y suele
descuidarse con mayor frecuencia.
o Adems, podra suceder que identificsemos fuentes de variacin sistemtica que
no habamos previsto en el momento de realizar la investigacin, pero de las
cuales disponemos de informacin y mejorar el modelo en ltima instancia.
Intervalos confidenciales
Inferencia basada en la estimacin de parmetros: los mejores estimadores de los
parmetros poblacionales son precisamente los estadsticos equiparables (i.e. la media
muestral de la poblacional).
Esta estimacin puntual es poco informativa, mejor la variante de la estimacin mediante
intervalos de confianza. Dicha estimacin implica pocos clculos respecto al contraste de
hiptesis:
F R ; MC

n
Se estima una gama de valores (centrada en el estimador puntual) que capturarn el valor
real del parmetro con una probabilidad equivalente al nivel de confianza 1-. De forma,
que la magnitud del mismo depender del valor de alfa y de la cantidad de error que
nuestro modelo deja sin explicar.
13
Resumen del modelo-II
Potencia estadstica
Un contraste implica la decisin entre dos hiptesis: la hiptesis nula, H0, que es la que
contrastamos, y una hiptesis alternativa, H1, que est implcita en el rechazo de la nula.
As, realmente tenemos dos probabilidades, alfa y beta, asociadas respectivamente a los
dos tipos de error que se pueden cometer en la nueva situacin.
CUADRO 6.10: Matriz de Decisin del Contraste de Hiptesis estadsticas. Adaptado a partir de
Ramos, M.M.; Catena, A. y Trujillo, H. (2004). Manual de Mtodos y Tcnicas de Investigacin en Ciencias
Del Comportamiento. Madrid: Biblioteca Nueva.
DECISIN
Rechazar H0 No rechazar H0
[Inclinacin hacia H1 en [Inclinacin hacia H0 en
contra de H0] contra de H1]
Decisin incorrecta: Decisin correcta
Error tipo I
H0 Verdadera
(con probabilidad o
SITUACIN
[ H1 falsa]
(con probabilidad 1-
nivel de significacin) o nivel de confianza)
Decisin correcta
Decisin incorrecta:
H0 Falsa Error tipo II
[ H1 verdadera ]
(probabilidad 1-
(con probabilidad )
o potencia)
Se rechaza incorrectamente H0. Al rechazo de una hiptesis nula verdadera se le

llama error tipo I y la probabilidad o riesgo de cometer tal error es equivalente al valor
del nivel de significacin, simbolizado como .
Se acepta incorrectamente H0. El fallo cometido al aceptar una hiptesis nula falsa
recibe el nombre de error tipo II y la probabilidad o riesgo de cometerlo se simboliza
como . Tambin expresa el fracaso en rechazar H0 cuando es falsa.
Se rechaza correctamente H0. En este caso habremos tomado una decisin
correcta. A la probabilidad de que esto ocurra se le llama potencia de una prueba
estadstica y dicha probabilidad es igual a 1 - .
Se acepta correctamente H0. Tambin en este caso la decisin adoptada es correcta
y la probabilidad asociada a esta decisin es igual a 1 - o nivel de confianza.
14
Resumen del modelo-III

Lo ms frecuente es controlar la magnitud del error tipo I a travs de la eleccin de la
regin de rechazo pero no sucede lo mismo con el control del error tipo II ya que depende
de una serie de factores, entre los que destacan:
o La magnitud -tamao- del efecto del tratamiento.
o La magnitud -tamao- de la muestra empleada.
o La magnitud de varianza error (Se2).
o El nivel de significacin o probabilidad de cometer error tipo I.
La base viene dada por la estimacin del efecto de tratamiento puesto que los dems
factores ya sabemos estimarlos.
o El estadstico de contraste (i.e. F) confunde el efecto del tratamiento y el tamao
muestral. En pocas palabras, la medida RPE es una estimacin del efecto del
tratamiento que no depende del tamao muestral.
o El problema es que esa estimacin es segada, puesto que se apoya en
estimaciones muestrales y tiende a producir valores mayores que el real. Kelley
(1935) propuso un estimador insesgado:
N NPCOM
2 =1 (1 RPE )
N NPAMP
La estimacin de la potencia estadstica es, por la cantidad de factores que intervienen,
bastante compleja, pero se puede aproximar a partir de delta (parmetro de no centralidad
en el modelo F, tambin conocido como lambda). A partir de aqu, se puede estimar la
potencia para cualquier tipo de parmetro poblacional, como las medias, varianzas,
correlaciones, proporciones, etc.; teniendo en cuenta el modelo de distribucin no
centralizado que corresponde a los mismos, as como los parmetros de dicha distribucin.
El clculo de la potencia a partir de delta es complejo. En general, se han usado tres

aproximaciones diferentes:
1) Tablas de potencia de Pearson-Hartley (1951, 1972). Requieren el cmputo de
2A = n 2j , que combina el tamao muestral (n) con el efecto del tratamiento.
2) Algunos paquetes estadsticos, como Statistica, tienen un mdulo adicional que
permite estimar la potencia de diferentes tipos de contrastes de Hiptesis pero
tambin permite estudios de optimizacin.
3) Transformacin de Severo-Zellen. En primer lugar se estima el parmetro de no
centralidad lambda y a continuacin la probabilidad del mismo segn una
aproximacin a la distribucin normal.
15
Resumen del modelo-IV
FIGURA 6.3. La distribucin F No Centralizada para la estimacin de la potencia estadstica,

Tomado de Ramos, M.M.; Catena, A. y Trujillo, H. (2004). Manual de Mtodos y Tcnicas de Investigacin en Ciencias Del
Comportamiento. Madrid: Biblioteca Nueva.
16
1.1.7. Interpretacin del modelo
El ltimo paso de la estrategia de modelizacin es la adopcin de conclusiones sobre la

hiptesis de partida.
Junto a los problemas relacionados con la validez interna y/o externa y de constructo, hay
otras amenazas que tienen que ver con la propia conclusin estadstica. Bsicamente hay
dos fuentes de procedencia de las mismas, los que proceden de los propios cmputos
estadsticos y los que tienen que ver ms bien con el error asociado al diseo.
Se recomienda tener presente el CUADRO 6.10. Amenazas a la validez de la conclusin

estadstica: razones por las que las inferencias sobre la covariacin entre dos variables
pueden ser incorrectas, del manual de Ramos, M.M.; Catena, A. y Trujillo, H. (2004).
Manual de Mtodos y Tcnicas de Investigacin en Ciencias Del Comportamiento. Madrid:
Biblioteca Nueva.
Significacin estadstica versus emprica de los resultados
En el modelo presentado, el contraste de hiptesis no es el final del proceso de anlisis de

los resultados de una investigacin. El resumen del modelo incluye, adems, otros informes
de los resultados, como lo es el tamao del efecto del tratamiento, la potencia estadstica
y/o los intervalos confidenciales.
Pero hay ms. La prctica analtica ha llevado a dejar en segundo plano el objetivo de la
investigacin. El hecho de que se rechace o no la hiptesis nula nada nos dice sobre lo que
aportan los datos de la investigacin en relacin a la hiptesis o el modelo terico que
motiv el estudio. Algunos autores como Meehl (1978) piensan que tanta
obcecacin con el contraste de hiptesis ha empobrecido el desarrollo terico de
ciertas disciplinas.
Importante diferenciacin: la significacin estadstica frente a la significacin prctica o
utilidad de los resultados.
Un resultado negativo del contraste de hiptesis estadsticas no implica que no haya un
efecto del tratamiento (de la manipulacin) sino que dicho efecto no permite excluir de
manera convincente la accin del azar o de la variabilidad como explicacin alternativa del
efecto observado.
En este punto de nuevo tenemos que apelar al tipo de estimaciones que hemos incluido en
la fase de resumen del modelo como gua de las decisiones en torno a la relevancia prctica
del efecto de tratamiento y el concepto ms directo es el de la magnitud del efecto de
tratamiento.
17
1.2. Variantes del Modelo general en funcin del tipo de diseo de

investigacin
Introduccin
El esquema de trabajo basado en la modelizacin es aplicable en general a un amplio

espectro de diseos. Es ah precisamente donde reside su punto ms fuerte como enfoque
analtico.
La mayora de los criterios que presentaremos son complementarios, de manera que el
diseo quedar especificado completamente al aplicarlos todos. Por ejemplo, podramos
tener el anlisis detallado de diseos Factoriales Entregrupos Multivariados segn la
variante ANOVA.
En algunos de los casos la aplicacin de la modelizacin es prcticamente directa, lo nico
que se requiere es la derivacin apropiada del estadstico de contraste. En cambio, en otros
casos, se requiere la inclusin de conceptos adicionales para poder aplicar dicho esquema.
Este es el caso fundamentalmente de los diseos categricos.
18
2. Variaciones de la perspectiva de Modelizacin en funcin del tipo de diseo (Cuadro 6.11, tomado de
Ramos, M.M.; Catena, A. y Trujillo, H. (2004). Manual de Mtodos y Tcnicas de Investigacin en Ciencias Del Comportamiento.
Madrid: Biblioteca Nueva).
Independientes Variaciones analticas segn el tipo de

MUESTRAS (var. Entre) investigacin:
(MANIPULACIN o En el tipo descriptivo no cabe
Relacionadas
VARIABLES X) explicar los datos, sino slo
(var. Intra)
describirlos y resumirlos.
o En el tipo experimental, la
X Cuantitat.-Y Cuantitat. variable medida es la variable
Regresin dependiente, y la variable
manipulada es la variable
X Categrica-Y Cuantitat. independiente. La primera es una
ESCALA MEDIDA ANOVA causa posible de la dependiente.
VARIABLES o En el tipo encuestas
X Cuantitat.-Y Categrica
Regresin Logstica (correlacional), suele hablarse de
variable criterio equiparable a
X Categrica-Y Categrica dependiente- y predictor -
Categricos (MLZ). comparable a independiente-.
Unifactorial
Regres. Simple
Efectos Simples
X Factorial (Interaccin) vs.
Regres. Mltiple Principales
NMERO
VARIABLES Univariado
Regres. Lineal
Y
Multivariado
Regres. Cannica
Anlisis
COMPLEJIDAD Global
MODELO Polinmicas:
A priori Lineal, Cuadrtica, etc
(GENERALIDAD Anlisis
HIPTESIS) Detallado de Tendencias
Contrastes Post Hoc:
A Posteriori Tukey, Bonferroni
Control Estadstico
CASOS ANCOVA
ESPECIALES
No Equilibrados
Configuracin Incompleta:
Anidados, Jerrquicos
Modelos Series Temporales. ARIMA
Longitudinales
19
1.3. Aplicaciones en diferentes mbitos de investigacin

CC. Experimentales CC. Comportam
(Quimiometra Mediambiental) (Psicologa Jurdica)
Detalle de las emisiones de Detalle de las conductas que

un contaminante en reflejan actitudes que influyen Descriptivo
estaciones mediante en las decisiones jurado: Y 1, Y 2,...
monitoreo atmosfrico: promedio, dispersin a travs
promedio, dispersin, valores de diferentes sexos, grupos de
extremos y puntos anmalos. edad, clase social.
Contrastar promedio de un Contrastar promedio de Experimental-Cuasi.

contaminante con criterios decisiones jurado instruido en Contraste 1
externos: lmites de alerta, estrategias aminoracin muestra. t-student
norma ISO de calidad, lmites sesgos con criterios externos:
de seguridad. i.e. valores neutrales en la
Y = B0
poblacin.
Comparar promedios de Comparar promedios de

contaminacin en dos decisiones jurado segn dos Experimental-Cuasi.
estaciones diferentes (mm. estrategias diferentes de Contraste 2 muestras.
independientes, diseo aminoracin de sesgos (mm. t-student
Entre). independientes, diseo Entre). + X ; X : (1, 1)
Y= 0 1
emitidos por una estacin emitidos por un jurado en dos

en dos momentos diferentes momentos diferentes: pre y post
(mm. Dependientes, diseo (mm. Dependientes, diseo
Intra). Intra).
Experimental-Cuasi.
Comparar promedios de un Comparar promedios de Contraste a-
contaminante en diferentes decisiones en diferentes muestras. ANOVA
reas: urbana, rural, comunidades: andaluza, Y= 0 + 11 + 2 2
industrial. catalana, vasca.
1 : (2, 1, 1); 2 : (0,1, 1)
Relacin entre concentracin Relacin entre decisiones jurado

de un contaminante y algn y var. Personalidad (extremismo, Encuestas. Regresin.
parmetro metereolgico conservadurismo)
(viento, temperatura). Y = 0 + 1 X 1 + 2 X 2
Patrn de comport. agente Patrn de comport. sesgo Series Temporales (T:

contaminante a travs de un decisiones jurado en funcin de la tiempo).
edad.

ao. Y= 0 + 1 + 2Tt
t
Frecuencia con la que se Frecuencia decisiones sesgadas

Categrico.
rebasa la norma ISO en dos en funcin de la edad (mayores
Logartmico.
lugares antes y despus de vs. jvenes) y el sexo (varones
jk
extremar las medidas de vs mujeres). ln = 0 + 1 X 1 + ... p Xp
1
control. jk
Estudio de var. determinadas Determinar diferencias entre

experimentalmente por grupos de tratam. Multivariante.
muestras diferentes, simultneamente sobre varias MANOVA.
examinando simultneamente medidas decisin: eleccin de f (Y 1, Y 2) = 0 + 1 X 1 + 2 X 2
ms de una medida de culpabilidad y la seguridad o
contaminacin. confianza en la misma.
20
1.3.1. Aplicaciones en Ciencias Experimentales
A continuacin se centran ejemplos de Quimiometra en el anlisis de datos medioambientales

para ilustrar los principales tipos de diseo y de tcnicas de anlisis relevantes.
Descriptivo.
Estudiar en detalle las emisiones de un contaminante en estaciones mediante monitoreo
atmosfrico: Valores promedio, dispersin a travs de diferentes momentos temporales,
modelo de distribucin a travs del tiempo, etc.; deteccin de valores extremos y puntos
anmalos.
Experimental-Cuasiexperimental. Contraste de una muestra.

Comparar los promedios de un contaminante obtenido a partir de una muestra con criterios
externos, como lmites de alerta, valores impuestos por la norma tipo ISO de calidad), lmites
de seguridad.
Experimental-Cuasiexperimental. Contraste de dos muestras.

Comparar los promedios de estado de contaminacin en dos estaciones diferentes
(mm.independientes, diseo Entregrupos).
Comparar los promedios de estado de contaminacin emitidos por una estacin en dos
momentos diferentes (mm. Dependientes, diseo Intrasujetos).
Cuasiexperimental. Contraste de a-muestras tipo ANOVA.

Comparar los promedios de un contaminante en diferentes reas (i.e. urbana, rural, industrial).
Experimental. Contraste de a-muestras tipo ANOVA.

Estudiar el efecto de diferentes tipos de tratamientos preventivos sobre los promedios de un
contaminante.
Encuestas tipo Regresin.

Estudiar la posible relacin entre las concentraciones presentes de dos contaminantes.
Estudiar la posible relacin entre la concentracin de un contaminante y algn parmetro
metereolgico (i.e. viento, temperatura, humedad relativa, etc.).
Series Temporales
Abstraccin del patrn de comportamiento de un agente contaminante a travs del tiempo.
Categricos.
Estudio de la frecuencia con la que se rebasa la norma de calidad en dos lugares antes y
despus de extremar las medidas de control.
Multivariados tipo MANOVA.

Estudio de variables determinadas experimentalmente por muestras diferentes, examinando
simultneamente ms de una medida de contaminacin.
21
1.3.2. Aplicaciones en Ciencias Comportamentales, Salud, Psicologa,

educativa y mbito social.
A continuacin se centran ejemplos de peritajes psicolgicos en el anlisis de datos de investigaciones
para ilustrar los principales tipos de diseo y de tcnicas de anlisis relevantes.
Descriptivo.
Un colaborador del investigador es seleccionado para formar parte de un jurado y entonces se aprovecha
la ocasin para investigar la problemtica de inters. Para ello se elaboraron una serie de conductas que
seran exploradas durante la adopcin de decisiones y deliberaciones mediante una metodologa
observacional. Dichas conductas reflejaran diferentes actitudes valores que podran influenciar las
decisiones segn las teoras sociales ms relevantes. El objetivo es estudiar en detalle dichas conductas:
valores promedio, dispersin a travs de diferentes momentos temporales, modelo de distribucin a
travs del tiempo, etc.; deteccin de valores extremos y puntos anmalos.
Experimental-Cuasiexperimental. Contraste de una muestra tipo t-student.

A un grupo de jurados se le instruye en una serie de habilidades o estrategias de razonamiento para evitar
sesgos, con ejemplos generales. Entonces se midi a todos los participantes del estudio en una tarea que
presenta de manera esquemtica un proceso judicial y se les pide adoptar decisiones. El estudio tuvo
lugar en una dependencia anexa a las salas del juzgado y mediante un ordenador PC. Interesa, pues,
averiguar si las decisiones promedio estn o no sesgadas.
Experimental-Cuasiexperimental. Contraste de dos muestras tipo t-student.
Supongamos que a un segundo grupo de la investigacin precedente se le instruye en habilidades de
razonamiento matemtico que impliquen un esfuerzo y tiempo similar a las del grupo anterior. En dicho
contexto interesa comparar el grado de sesgo de las decisiones promedio en ambos grupos para ver si
difieren o no. Este es un caso de mm.independientes o diseo Entregrupos.
Alternativamente supongamos que las medidas del estudio original se tomaron realmente en dos
momentos temporales: inmediatamente despus de la fase de entrenamiento y tras un mes, con objeto
de evaluar el grado mantenimiento de los efectos del programa de entrenamiento. Este es un caso de
mm. Dependientes o diseo Intrasujetos.
Experimental-Cuasiexperimental. Contraste de a-muestras tipo ANOVA.
Finalmente, a un tercer grupo de las investigaciones precedentes se le entrena en habilidades para evitar
sesgos pero sobre ejemplos concretos relevantes al contexto judicial. La participacin en cada uno de los
tres grupos se realiz al azar. En dicho contexto interesa comparar el grado de sesgo de las decisiones
promedio entre los tres grupos para ver si difieren o no.
Encuestas tipo Regresin.

En otra fase de la investigacin interes ms bien medir diferentes variables de personalidad con objeto
de aislar posibles predictores de las decisiones sesgadas. A una muestra amplia de personas seleccionadas
para participar en jurados se les administr un conjunto de cuestionarios y se les midi en diferentes
variables de personalidad. Entonces se estim la tasa de condenas segn diferentes caractersticas de los
inculpados, como su condicin sexual, nivel socio-cultural, raza, etc. Adems se midi tambin el grado de
extremismo en las decisiones en funcin de la rigidez mental de los jurados, etc.
Series Temporales.
Tambin se ha planteado que la edad de los jurados podra ser un factor importante a considerar. Esto es
as ya que las personas ms jvenes podran ser ms consideradas y relajadas en sus decisiones respecto
a las de ms edad. Para esta investigacin se eligi una muestra de jueces y se les midi a lo largo de un
dilatado perodo de tiempo, pudiendo as estudiar la curva que caracteriza sus juicios de culpabilidad con
relacin a su criterio de decisin. Esto sera de inters para determinar la edad ptima de los jueces.
Categricos.
Estudio de la frecuencia con la que se comenten decisiones sesgadas en funcin de variables como la edad
(mayores vs. jvenes) y el sexo (varones vs mujeres).
Multivariados tipo MANOVA.

En el contexto de una, dos o a-muestras, supongamos que en concreto queremos poner a prueba las
diferencias entre los tres grupos de tratamiento pero simultneamente sobre varias medidas que
evidencian el proceso de decisin: la eleccin de culpabilidad y la seguridad o confianza depositada en la
misma.
22
1.3.3. Aplicaciones en Ciencias de la Actividad fsica y la Salud
A continuacin se centran ejemplos de psicologa deportiva y de Actividad Fsica y salud en

general, para ilustrar los principales tipos de diseo y de tcnicas de anlisis relevantes.
Tipo Investigacin Situacin Modelo Estadstico

Descriptivo Un colaborador del investigador es seleccionado para Y 1, Y 2,...
formar parte de un equipo de entrenadores de atletismo
y entonces se aprovecha la ocasin para investigar la
problemtica de inters. Para ello se elaboraron una
serie de conductas que seran exploradas durante los
entrenamientos mediante una metodologa
observacional. Dichas conductas reflejaran diferentes
hbitos posturales. El objetivo es estudiar en detalle
dichas conductas: valores promedio, dispersin a travs
de diferentes momentos temporales, modelo de
distribucin a travs del tiempo, etc.; deteccin de
valores extremos y puntos anmalos.
Experimental- A un grupo de entrenadores se le instruye en una serie
Cuasiexperimental. de habilidades o estrategias para evitar posturas
Y = B0
Contraste de una inadecuadas que podran causar lesiones posteriores,
muestra con ejemplos generales. Entonces se midi a todos los
participantes del estudio en una tarea que presenta de
manera esquemtica una sesin prototpica de atletismo
(con carrera de ida y vuelta) y se les mide en diferentes
hbitos posturales, etc. El estudio tuvo lugar en el
campo de entrenamiento habitual y mediante un
ordenador PC. Interesa, pues, averiguar si las posturas
promedio son o no adecuadas.
Experimental- Supongamos que a un segundo grupo de la + X ; X : (1, 1)
Y= 0 1
Cuasiexperimental. investigacin precedente se le instruye en habilidades
Contraste de dos de entrenamiento que impliquen un esfuerzo y tiempo
muestras similar a las del grupo anterior pero que no inciden es un contraste
expresamente en los hbitos posturales saludables. En
dicho contexto interesa comparar el grado de
adecuacin de las posturas promedio en ambos grupos
para ver si difieren o no. Este es un caso de
mm.independientes o diseo Entregrupos.
Alternativamente supongamos que las medidas del
estudio original se tomaron realmente en dos momentos
temporales: inmediatamente despus de la fase de
entrenamiento y tras un mes, con objeto de evaluar el
grado mantenimiento de los efectos del programa de
entrenamiento. Este es un caso de mm. Dependientes o
diseo Intrasujetos.
Experimental- Finalmente, a un tercer grupo de las investigaciones
Cuasiexperimental. precedentes se le entrena en habilidades para evitar
Y= 0 + 11 + 2 2
Contraste de a- posturas inadecuadas pero sobre ejemplos concretos 1 : (2, 1, 1)
muestras tipo relevantes al contexto de atletismo. La participacin en son
ANOVA cada uno de los tres grupos se realiz al azar. En dicho 2 : (0,1, 1)
contexto interesa comparar el grado de adecuacin de contrastes
las posturas promedio entre los tres grupos para ver si
difieren o no.
Encuestas - Durante el desarrollo de la competicin deportiva Lineal Simple:
Correlacional tipo escolar, suceden mltiples problemas que repercuten en + X
Regresin la salud de los jvenes; los cuales pueden representar el
Y= 0 1
principio del abandono de la actividad fsica y del Lineal Mltiple:
deporte. El presente estudio analiza la realidad actual de Y = 0 + 1 X 1 + 2 X 2
la relacin existente entre la salud, y la competicin
deportiva, desde la perspectiva de los mdicos, a travs
23
de un cuestionario. Igualmente, el estudio profundiza en

la actualidad del deporte escolar, con el anlisis de
jvenes participantes y su vinculacin con la salud:
edad, sexo, frecuencia de asistencia a deportistas segn
deporte y lugar anatmico de lesiones detectadas.
Series Temporales- Tambin se ha planteado que la edad de los atletas Y=
t 0 + 1 + 2Tt + t
Diseos podra ser un factor importante a considerar. Esto es as
T refleja el momento
Longitudinales ya que las personas jvenes podran beneficiarse en
temporal y el contraste
mayor medida de los programas de hbitos posturales
refleja el Tratamiento.
saludables que las de ms edad. Para esta investigacin
se eligi una muestra de jvenes y se les midi a lo
largo de un dilatado perodo de tiempo, pudiendo as
estudiar la curva que caracteriza sus hbitos posturales
con el paso del tiempo. Esto sera de inters para
determinar la edad ptima de intervencin. En una
segunda fase, pues, de la investigacin se introdujo un
programa de entrenamiento a dicha edad e igualmente
se tomaron medidas durante un perodo temporal
anterior y posterior al de la introduccin del programa.
Categricos Estudio de la frecuencia con la que se manifiestan jk
ln = 0 + 1 X 1 + ... p Xp
hbitos poco saludables en funcin de variables como la 1
jk
edad (mayores vs. jvenes) y el sexo (varones vs
Modelo Lineal
mujeres).
Generalizado (i.e.
mediante funcin
logartmica)
Multivariados En el contexto de una, dos o a-muestras, supongamos f (Y 1, Y 2) = 0 + 1 X 1 + 2 X 2
que en concreto queremos poner a prueba las
diferencias entre los tres grupos de tratamiento pero
simultneamente sobre varias medidas que evidencian
los hbitos posturales.
Volver Principio
24
1.3.4. La formalizacin de los diferentes tipos de aplicaciones

Ejemplos de ecuaciones para la modelizacin de diseos destacados,
Adaptado a partir de Ramos, M.M.; Catena, A. y Trujillo, H. (2004). Manual de Mtodos y Tcnicas de Investigacin en Ciencias Del
Comportamiento. Madrid: Biblioteca Nueva
SITUACIN MODELO
Una muestra Y = B0
Dos ms muestras Y = 0
Lineal simple + X
Y= 0 1
Lineal simple -mm. Y = 0 + 1 X + S
Dependientes
Lineal simple -anlisis + X ; X : (0,1, 1)
Y=
contrastes especficos 0 1
Lineal Mltiple
Y = 0 + 1 X 1 + 2 X 2
Lineal Mltiple con
Y = 0 + 1 X 1 + 2 X 2 + 3 X 1X 2
interaccin
Polinomial de grado-2 o
Y = 0 + 1 X 1 + 2 X 12
tendencia Cuadrtica
Lineal -Control de Z
Y = 0 + 1 X 1 + 2 Z1
Multivariado
f (Y 1, Y 2) = 0 + 1 X 1 + 2 X 2
Volver Principio
25
1.4. Lecturas recomendadas

Como complemento, se recomienda el manual de Ramos et al., (2004) [6], del cual se han
tomado algunos cuadros y del que se ha realizado un resumen de los contenidos.
Como manual general se recomienda el de Judd y McClelland (1989) [2], puesto que desarrolla la
perspectiva de Modelizacin, como la que se ha seguido a lo largo de este tema, con un enfoque
conceptual.
Por otro lado, aunque no seran fuentes directas, el modelo particular de anlisis basado en etapas
tiene mucho en comn con planteamientos como los que aparecen con frecuencia en economa.
Un manual de estadstica recomendable sera el de Pea (1987, ver especialmente los captulos 12
a 14 del volumen 2) [4] y [5]. Ambos manuales pueden servir como punto de referencia para
todo el bloque de anlisis de los resultados, no solo para este captulo.
Otros manuales tambin presentan esta perspectiva analtica pero conceden un espacio muy
reducido al enfoque general y pasan directamente a los detalles de aplicacin a diferentes tipos de
diseos. Este es por ejemplo el caso del excelente manual de Maxwell y Delaney (1990) [3] o el
de Estes (1991) [1]. Luego, este tipo de manuales servir ms bien en captulos posteriores. Sin
embargo, en este punto pueden ser de inters sus captulos introductorios.
[1] Estes, W.K. (1991). Statistical models in behavioral research. Hillsdale, NJ: Erlbaum. Captulos 1 a
3 (pp.1-40).
[2] Judd, C.M. y McClelland, G.H. (1989). Data analysis: A model comparison approach. San Diego,
CA: Harcout, Brace, Jovanovich.
[3] Maxwell, S.E. y Delaney, H.D. (1990). Designing experiments and analyzing data: a model
comparison perspective. Wadsworth Belmont, California: International Student Ed. Captulos 1 y 2
(pp.3-60).
[4] Pea, D. (1987): Estadstica. Modelos y mtodos. I: Fundamentos. Madrid: Alianza Universidad.
[5] Pea, D. (1987): Estadstica. Modelos y mtodos 2. Modelos Lineales y Series Temporales. Madrid:
Alianza Universidad.
[6] Ramos, M.M.; Catena, A. y Trujillo, H. (2004). Manual de Mtodos y Tcnicas de Investigacin en
Ciencias Del Comportamiento. Madrid: Biblioteca Nueva. Captulo VI (pp.237-286).
26
1.5. Ejemplo de prcticas
En el contexto de la investigacin presentada al comienzo que pona en relacin la condicin

fsica y salud cardiovascular, supongamos que adems de las variables originales tambin se
midi la fuerza a con la ayuda de un dinammetro digital Takei TKK 5101 (rango, 5-100 kg),
midiendo la fuerza de prensin manual mxima en ambas manos. El conjunto de los resultados
fue el siguiente:
Id. Ex.Cardiaca Fuerza
1 100 70
2 98 67
3 90 80
4 67 72
5 50 75
6 40 66
7 30 73
8 60 66
9 90 65
10 96 66
11 100 65
12 90 67
13 50 73
14 100 63
15 70 72
16 45 75
17 80 70
18 86 67
19 90 66
20 75 82
Media 75,35 70,00
El objetivo de este ejercicio es la aplicacin de los contenidos expuestos a lo largo del

tema sobre una investigacin similar a la que se plante en el mismo. Para ello podra
emplear Excel para efectuar el mismo tipo de anlisis relacionados con el Modelo Lineal
General.
27

Regresion Multiple

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Regresion Multiple

Uploaded by

Copyright:

Available Formats

Manuel Miguel Ramos lvarez

Curso de recursos metodolgicos y estadsticos I-1

Material del curso Recursos metodolgicos y estadsticos para la

1. Modelo general de anlisis estadstico aplicado ............................................................. 2

1. Modelo general de anlisis estadstico aplicado

En general, ha habido una dispersin importante en cuanto a las tcnicas de anlisis

Cuando se realiza una investigacin, se parte de un Objetivo-Hiptesis que se establece

Suelen aparecer dos tipos de variables y un modelo entre ambas:

1.1.2. El esquema de anlisis propuesto

H0v Ajuste Modelo

Evaluacin Modelo Contraste Hiptesis

Intervalos confidenciales vs.

Interpretacin Predicciones Identificacin variables

1.1.3. Especificacin e identificacin del modelo

En trminos operativos la cuestin fundamental de una investigacin es la especificacin de

Usualmente una medida para valorar la adecuacin de la hiptesis es el error (o residual): a

Identificacin del Modelo-II

1.1.4. Estimacin de los parmetros del modelo

Estimacin del Modelo-II

1.1.5. Evaluacin del modelo

A) El clculo fundamental: RPE

RPE oscila entre 0 y 1, es semejante a una razn de correlacin, 2.

Evaluacin del Modelo-II

An queda una cuestin por zanjar.Cmo decidir si un porcentaje de reduccin RPE

No puede basarse en RPE sin ms: El estadstico debera

RPE no considera si el modelo Comparar RPE con su

El estadstico de contraste queda, pues, como:

RPE /( NPAMP NPCOM )

La Proporcin de lo que consigue nuestro modelo frente a lo que prevalece o lo

Evaluacin del Modelo-III

Y para adoptar decisiones se opera a partir de una regla de decisin probabilstica:

Evaluacin del Modelo-IV

Uno de los modelos ms destacados de Distribucin es el de la Normal o Campana de Gauss.

Este modelo nos permite caracterizar el comportamiento de la variable Memoria, de

Evaluacin del Modelo-V

Ampliacin: La lgica del contraste de Hiptesis Estadsticas

Definimos una medida de discrepancia entre la muestra y lo hipotetizado en H0.

1.1.6. Resumen del modelo

La ltima etapa es la discusin o interpretacin de los resultados obtenidos, el objetivo es

Resumen del modelo-II

Se rechaza incorrectamente H0. Al rechazo de una hiptesis nula verdadera se le

Resumen del modelo-III

El clculo de la potencia a partir de delta es complejo. En general, se han usado tres

Resumen del modelo-IV

FIGURA 6.3. La distribucin F No Centralizada para la estimacin de la potencia estadstica,

1.1.7. Interpretacin del modelo

El ltimo paso de la estrategia de modelizacin es la adopcin de conclusiones sobre la

Se recomienda tener presente el CUADRO 6.10. Amenazas a la validez de la conclusin

Significacin estadstica versus emprica de los resultados

En el modelo presentado, el contraste de hiptesis no es el final del proceso de anlisis de

1.2. Variantes del Modelo general en funcin del tipo de diseo de

El esquema de trabajo basado en la modelizacin es aplicable en general a un amplio

Independientes Variaciones analticas segn el tipo de

1.3. Aplicaciones en diferentes mbitos de investigacin

Detalle de las emisiones de Detalle de las conductas que

Contrastar promedio de un Contrastar promedio de Experimental-Cuasi.

Comparar promedios de Comparar promedios de

emitidos por una estacin emitidos por un jurado en dos

Relacin entre concentracin Relacin entre decisiones jurado

Patrn de comport. agente Patrn de comport. sesgo Series Temporales (T:

Frecuencia con la que se Frecuencia decisiones sesgadas

Estudio de var. determinadas Determinar diferencias entre

1.3.1. Aplicaciones en Ciencias Experimentales