Professional Documents
Culture Documents
2014
1.1 Uso
• En algunas investigaciones estamos interesados no sólo
en estudiar la relación entre dos o más variables de
una población, sino también en analizar la posibilidad
de predecir una de estas variables en función de otra u
otras variables.
• Lo anterior tiene sentido cuando tenemos una teoría
(psicológica) que dice que, salvo variaciones alea-
torias, una determinada variable cuantitativa X con-
diciona a otra variable cuantitativa Y de modo que
cambios en X inducen cambios proporcionales en Y.
• Muchas veces la teoría explicativa se basa además en
estudios previos, de tipo correlacional, que la justi-
fican empíricamente. Por ejemplo:
(1) Podemos intentar explicar el ingreso Y de una
persona partiendo de su capacitación laboral previa,
medida con algún índice pertinente X.
(2) También podríamos intentar determinar el nivel de
estrés Y de una persona en un puesto de mando, en
función de la cantidad X de empleados a su cargo.
• Para hacer el estudio es necesario
(1) Especificar el tipo de relación más plausible, vía
una ecuación o ‘modelo’.
(2) Disponer de una muestra aleatoria en la cual se
midan de manera conjunta tanto X como Y. La
información de esta muestra se organizará luego en una
base de datos para hacer el análisis y contrastar el
modelo. Si éste no fuera validado por los datos, la
teoría que sirvió generarlo perdería base.
• El modelo más sencillo es aquél donde se propone una
relación de proporcionalidad entre X e Y.
Geométricamente la proporcionalidad equivale a que en un
plano cartesiano XY, las parejas de valores (X,Y) des-
criben o siguen una trayectoria rectilínea.
Algebraicamente la proporcionalidad equivale a que X e Y
satisfacen la ecuación Y = β 0 + β1 X + ε donde β 0 y β1
son constantes características o sea son “parámetros” y
ε ~ N (0, σ 2 ) es una variación aleatoria debida a que las
1
EST-203 ESTADISTICA II Arturo Calderón G. 2014
βˆ1
ces tc = ~ t ( n − 2) y tc debiera tomar valores alrededor
E.E.βˆ1
de cero. Si calculada tc resulta muy alejada de cero y
en la dirección que predice la correspondiente H1, en-
tonces se rechaza H0:β1=0.Con SPSS o Excel esto se hace
viendo la significación (probabilidad de que siendo
cierta H0:β1=0 se obtenga un β̂1 como el de la muestra)
y si esta probabilidad es “muy pequeña” (usualmente
menor que 0.05) se opta por pensar que H0:β1=0 no es
cierta y se la rechaza.
Ejemplo:
Para evaluar un programa de capacitación para empleo como
vendedoras comisionistas de productos textiles, se iden-
tificó cuatro factores que podrían estar asociados al in-
greso diario Y logrado por la participante del programa.
Estos factores eran: Puntuación en una prueba final que
mide el grado de capacitación lograda con el programa(X),
Número mensual de horas trabajadas(Z), Edad en años(V) y
Meses de experiencia en algún trabajo similar(W).
Se seleccionó aleatoriamente n=42 vendedoras y se regis-
tró cada variable de interés. Los datos forman un archivo
de la forma:
3
EST-203 ESTADISTICA II Arturo Calderón G. 2014
Se observa que hay relación, pero los puntos no caen sobre una
recta, aunque la siguen, pero con bastante variabilidad, esto es, hay algunos
puntos alejados de la tendencia.
∑ (Y j − Y )( X j − X ) ∑Y X j j − nXY
j =1 j =1
rXY = =
( n − 1) S X SY ( n − 1) S X SY
Con ayuda de Excel o SPSS se obtiene rXY = 0.6021 que, según
el criterio de Cohen, es una correlación grande y favore-
ce la idea de que sí hay relación lineal entre X e Y.
∑ (Y j − Y )( X j − X )
j =1
∑ X jY j − n X Y
j =1
∑X Y
j =1
j j − nXY
rXY SY
β̂1 = = = =
n n
(n − 1) S X2 SX
∑ ( X − X )2 ∑ X 2j − n X
2
j =1 j =1
βˆ0 = Y − βˆ1 X
De nuevo con ayuda SPSS y el procedimiento Regresión
lineal obtenemos las tablas de resultados
EST-203 ESTADISTICA II Arturo Calderón G. 2014
5
EST-203 ESTADISTICA II Arturo Calderón G. 2014
7
EST-203 ESTADISTICA II Arturo Calderón G. 2014
41.0
40.5
40.0
39.5
39.0
38.5
0.00 10.00 20.00 30.00 40.00 50.00 60.00
Experiencia (W)
rWY = 0.891
EST-203 ESTADISTICA II Arturo Calderón G. 2014
9
EST-203 ESTADISTICA II Arturo Calderón G. 2014