ENTENDIENDO LA INVESTIGACIÓN MULTIVARIADA
Un primer acercamiento para científicos sociales
(Understanding multivariate research: a primer for beginning social scientists)
William D. Berry & Mitchell S. Sanders
Capítulos 1 y 2
Publicado en 2000| Florida StateUniversity| Traducción de Soledad Camardo
1. Introducción
El concepto de causalidad
Mucho de la investigación en Ciencias Sociales es
diseñado para testear hipótesis (o proposiciones)
sobre causalidad. Tales hipótesis toman la forma
de una afirmación en la cual si algo (por ejemplo
algún evento) ocurre, entonces otra cosa sucederá
como resultado. Entre naciones, podríamos
aseverar que el crecimiento poblacional causa (o
influencia) el crecimiento económico. Entre
individuos, podríamos creer que el peso corporal
es influenciado por el consumo de comida.
En una hipótesis causal, el fenómeno que es
explicado es llamado variable dependiente. Es
llamado variable porque estamos concibiendo que
algo puedo “variar” a través de un conjunto de
casos (ejemplo: personas o naciones); es llamada
dependiente por el concepto de causalidad: su
valor está hipotetizado para ser dependiente del
valor de alguna otra variable. En nuestros ejemplos
la variable dependiente son el crecimiento
económico de las naciones y el peso de los
individuos.
La otra variable en la hipótesis -la que se espera
que influya sobre la variable dependiente- es
llamada variable independiente (o variable
explicativa). Crecimiento poblacional es pensado
para ser una variable independiente afectando el
crecimiento económico de una nación; el consumo
de comida de una persona es concebido como
variable independiente influenciando su peso. Hay
numerosos sinónimos para los términos variable
independiente y variable dependiente en las
ciencias sociales. La tabla 1.1 lista los términos más
comunes.
Tabla 1.1 Sinónimos para Variable Independiente y
Dependiente
VI VD
Variable explicativa Variable explicada
Variable exógena Variable endógena
Variable predictiva Variable de destino
Fuente: Elaboración de los autores sobre la base de Maddala
(1992, 61).
Tomemos una mirada más aproximada a lo que
significa aseverar que una variable influya a otra. El
concepto más común de causalidad hace foco en la
sensibilidad de una variable para cambiar el valor
de otra. Cuando aseveramos que la ingesta de
alimentos influye sobre el peso corporal, estamos
implícitamente argumentando que si fuéramos
capaces de incrementar el consumo de comida de
una persona, mientras todo lo demás se mantiene
constante, el peso del individuo variará. La cláusula
“mientras todo lo demás se mantiene constante”
es importante, porque si otras variables cambiaran
al mismo tiempo que el consumo de comida, la
modificación del peso del individuo podría ser una
respuesta a un cambio en otro u otros factores,
más que en el incremento del consumo de comida.
Generalmente, cuando aseveramos que una
variable X influye a otra variable Y, queremos
significar que si todas las demás variables pudieran
se mantenidas constantes, entonces un cambio en
el valor de X resultaría en un cambio en el valor de
Y. También podemos desarrollar una medida de
magnitud (o fuerza) del impacto de X sobre Y
enfocándonos en el tamaño del cambio en el valor
de Y ocurrido en respuesta a un incremento fijo de
X. Si un incremento dado en X conduce a una
disminución de 10 unidades en Y en un ambiente,
pero a una disminución de 5 unidades en otro
contexto, el anterior impacto puede considerarse
doblemente fuerte que el último. (Varias
expresiones son usadas con el mismo sentido por
los científicos sociales para transmitir una
afirmación de causalidad; “x causa y”, “x influye
sobre y”, “x afecta a y”, y “x tiene un impacto en y”
son sinónimos. La costumbre de usar el símbolo Y
para denotara una variable dependiente y la X para
indicar una variable independiente está
profundamente arraigado en la literatura de las
ciencias sociales, y seguiremos esta costumbre a lo
largo del libro.)
La investigación experimental Por ejemplo, los dos grupos de niños deberían ser
casi igualmente probables de ser genéticamente
Supongamos que deseamos contrastar la hipótesis
predispuestos a enfermar de viruela. Los dos
de que una variable independiente X influye sobre
grupos también serán cercanamente probables de
una variable dependiente Y usando análisis
ser expuestos a la viruela a través del contacto con
empíricos.
otros niños.
El análisis empírico refiere al análisis basado en la
En el siguiente paso del experimento, a los niños
observación. La manera ideal de hacerlo sería
del grupo experimental se les suministrará Mirapill,
llevar a cabo un experimento. Su familiaridad con
mientras que aquellos del grupo de control
los experimentos probablemente date de tiempo
recibirán un placebo. (Un buen placebo sería una
atrás a sus primeras clases de ciencia en la escuela.
pastilla que luzca igual a Mirapill pero que no
Sin embargo, es importante refrescar nuestras
contenga medicina.) Luego de que las pastillas
memorias sobre las características específicas de
sean administradas, los dos grupos deberían ser
un experimento. Para ilustrarlo, digamos que
observados por un período, y deberíamos
diseñamos un experimento para probar la
determinar cuántos niños en cada grupo
afirmación de que una nueva droga ficticia -una
contrajeron viruela. Si menos niños en el grupo
pastilla llamada Mirapill- ayuda a prevenir que los
experimental contrajeron la enfermedad que en el
niños se afecten de una enfermedad ficticia
grupo de control, esto sería evidencia para
(viruela). La población en cuestión -esto es, los
sostener la hipótesis de que Mirapill ayuda a
casos sobre los cuales la hipótesis aplica- son niños
prevenir la viruela. Además, la diferencia entre los
que no hayan tenido viruela. La variable
dos grupos en el número de niños contrayendo la
independiente es si un niño toma Mirapill (o no), y
enfermedad serviría como medida de la fuerza del
la variable dependiente es la probabilidad de que
impacto de Mirapill como un preventivo. Si muchos
el niño se enferme de viruela.
menos niños en el grupo experimental se
En un experimento diseñado para probar si Mirapill enfermaron, esto sugeriría que Mirapill tiene un
reduce la probabilidad de enfermar de viruela, fuerte efecto. Si solo unos pocos niños menos del
podríamos comenzar tomando como muestra grupo experimental contrajeron viruela, esto
aleatoria -tal vez 1.000 sujetos- de la población de significaría que el efecto es probablemente débil.
niños que nunca han tenido viruela. (Para que la
Supongamos que conducimos este experimento y
muestra sea aleatoria, cada miembro de la
encontramos que la incidencia de viruela es
población debe tener la misma chance de ser
sustancialmente más baja en el grupo
incluido en la muestra.) Estos 1.000 niños entonces
experimental. ¿Por qué esto sería evidencia
serán asignados en dos grupos aleatoriamente. Un
convincente de que Mirapill previene la viruela?
grupo de 500 será llamado grupo experimental, y el
Para ver por qué, recordemos lo que quisimos
otro, grupo de control.
decir cuando dijimos que X causa Y: si todas las
La aleatoriedad -las dos selecciones, la de sujetos otras variables fueran mantenidas constantes,
de la población y la de los sujetos asignados al entonces el cambio en el valor X nos conduciría a
grupo experimental y al de control- es crítica para un cambio en el valor de Y.
validar un experimento. Los estadísticos han
Nuestro experimento nos da solo la información
descubierto que si una muestra es seleccionada
que necesitamos para evaluar la causalidad.
aleatoriamente y es lo suficientemente grande
Descubrimos lo que le sucede a la variable
(1.000 es ciertamente suficiente), es probable que
dependiente (la probabilidad de contraer viruela)
sea representativa, en todos los aspectos, de la
cuando cambiamos el valor de la variable
población más amplia de la cual se extrae. Esto
independiente (recibir o no Mirapill) cuando todas
significa que podemos aprender casi tanto
las otras variables son mantenidas constantes.
observando la muestra como observando la
población completa, sin embargo lo primero es por La lógica subyacente al Análisis de Regresión
lejos menos costoso y menos pérdida de tiempo.
Para muchas hipótesis en Ciencias Sociales,
En un experimento, observamos la muestra
manipular la variable independiente de manera
aleatoria y, sobre la base de lo que aprendimos,
experimental es inviable. Por ejemplo, si estamos
extraemos una inferencia sobre si la hipótesis es
estudiando el lobby (esto es, el intento de
probable que sea cierta en la población general.
individuos de influir en los gobernantes) y
Similarmente, la asignación aleatoria de los niños
queremos contrastar la hipótesis de que los
de la muestra en dos grupos hace probable que los
miembros del congreso en posiciones de liderazgo
grupos serán cercanamente equivalentes en
son más afectados por el lobby que los miembros
cualquier manera.
BERRY & SANDERS| TÉCNICAS DE INVESTIGACIÓN EN CIENCIAS SOCIALES| CÁTEDRA ARCHENTI| FACULTAD DE CIENCIAS SOCIALES (UBA) PÁGINA 2
que no lo están, no estaríamos posibilitados de
intervenir e imponer nuestras propias elecciones
de liderazgos en el congreso. En su lugar, podemos
observar el congreso tal cual existe y determinar si
hay diferentes patrones de lobby para líderes y
para no líderes. Similarmente, para probar la
hipótesis de que el crecimiento poblacional afecta
el desarrollo económico, sería obviamente
imposible ejecutar un experimento en el cual
aleatoriamente asignemos diferentes niveles de
crecimiento poblacional a las naciones. Sin
embargo, podemos observar las naciones del
mundo y determinar si esos países cuyas
poblaciones están creciendo más rápidamente son
también aquellos cuyas economías se están
expandiendo más rápidamente. El análisis de
regresión es una técnica no experimental para
extraer este tipo de información de una muestra
de datos. En este capítulo y en el siguiente,
examinamos la forma de regresión más simple, la
regresión bivariada (o de dos variables), que
implica una única variable independiente
hipotetizada para influir sobre una variable
dependiente. En capítulos siguientes consideramos
la regresión multivariada (o múltiple), que implica
dos o más variables independientes presuntas de
influir en la misma variable dependiente.
Aunque el análisis de regresión a menudo es más
viable que la investigación experimental, no puede
proveer una evidencia convincente (determinante)
de causalidad como un experimento. Como hemos
visto, en un experimento, la asignación aleatoria
del valor de la variable independiente a los sujetos
permite al investigador evaluar la respuesta de la
variable dependiente al cambio en la variable
independiente cuando todas las otras variables
que influyen en la variable dependiente son
mantenidas constantes. En investigaciones no
experimentales que recaen en la regresión,
renunciamos a la asignación aleatoria de valores de
la variable independiente y, en su lugar, aceptamos
los valores que tienen los casos que están siendo
analizados. El resultado es que cuando usamos
regresión, estimamos el cambio en la variable
dependiente asociado con un cambio dado en la
variable independiente cuando las otras variables
independientes en el análisis de regresión se
mantienen constantes. Esto está muy por debajo
de la capacidad del diseño experimental de
mantener constantes todas las variables que
influencian a la variable dependiente.
Consecuentemente, los investigadores deberían
usar el análisis de regresión para contrastar una
hipótesis donde X influye sobre Y solo cuando
tienen una teoría que explique por qué tiene
sentido esperar esta relación causal. Nótese que
BERRY & SANDERS| TÉCNICAS DE INVESTIGACIÓN EN CIENCIAS SOCIALES| CÁTEDRA ARCHENTI| FACULTAD DE CIENCIAS SOCIALES (UBA)
en la investigación experimental, esta teoría no es
esencial. Por ejemplo, algunos científicos
confirman que una nueva droga es efectiva usando
el diseño experimental, aun cuando ellos saben por
qué esta droga funciona. Pero llevar adelante un
diseño no experimental sin una teoría puede
conducir a conclusiones altamente engañosas. Para
el caso, si estamos por examinar incendios,
probablemente encontremos que el daño del
incendio es más severo cuando el número de
camiones de bomberos en la escena sea grande,
teniendo en cuenta que tanto el daño del incendio
como el número de camiones de bomberos
deberían crecer según el tamaño del incendio
(Weisberg, Krosnick, and Bowen; 1989). Si esto es
así, el análisis de regresión bivariado con el daño
del incendio como variable dependiente y el
número de camiones de bomberos como variables
independiente generaría un aparente apoyo a la
(absurda) hipótesis de que los camiones de
bomberos causan el daño del incendio. Lo que
debería prevenirnos de arribar a esta errónea
conclusión es la ausencia de una teoría plausible
que sugiera por qué los camiones de bomberos
deberían causar daño. En efecto, sin tal teoría,
deberíamos ser reacios a llevar a cabo un análisis
de regresión para contrastar esta hipótesis en
primer lugar.
Algunos antecedentes matemáticos necesarios
Representando datos en un gráfico
Supongamos que tenemos que medir valores (o
puntuaciones) de un conjunto de casos (por
ejemplo, personas, organizaciones o naciones) en
dos variables, X e Y.
Volviendo a uno de los ejemplos anteriores,
digamos que observamos el consumo de comida y
el peso corporal en cuatro personas. Medimos el
peso en libras y lo denotamos con la etiqueta
PESO. Nuestra medida de consumo de comida es el
consumo diario promedio de comida en calorías
durante un año previo a la observación del peso, y
lo denotamos con la etiqueta COMIDA. Nuestras
observaciones son presentadas en la tabla 1.2.
Tabla 1.2 Observaciones para consumo de comida y
peso corporal
X = COMIDA Y = PESO
Bob 3.000 190
Carol 1.100 120
Ted 2.300 155
Alice 1.400 140
PÁGINA 3
 200
150
Y=peso
100
50
0 0
0 1,000 2,000 3,000
x=comida
Figura 1.1 Datos sobre consumo de comida y peso corporal para
cuatro individuos
Podemos retratar estos datos en un gráfico -como
el anterior- designando consumo de comida al eje
horizontal (o lo que los matemáticos llaman eje x) y
peso corporal al eje vertical (eje y) y parcelar
cuatro puntos en el gráfico, uno para cada
persona. (La costumbre casi uniforme en las
ciencias sociales es usar el eje horizontal para la
variable independiente y el eje vertical para la
variable dependiente) la posición para cada punto
es determinada por los valores de PESO y COMIDA
para la persona asociada. Por ejemplo, en el
gráfico de la figura 1.1, el punto inferior izquierdo
que representa a Carol se posiciona 1.000 unidades
hacia afuera en el eje horizontal (denotando
COMIDA) y 120 unidades hacia arriba en el eje
vertical (denotando PESO).
Este tipo de gráfico es llamado diagrama de
dispersión porque señala la desviación de los
valores X e Y. La gran ventaja de la presentación
gráfica de estos datos sobre el formato de tablas es
que el gráfico nos permite observar de manera
más fácil la relación entre el consumo de comida y
el peso corporal.
Esto es particularmente verdadero cuando hay un
abultado número de casos, lo cual hace difícil o
imposible observar patrones con los datos
presentados en columnas. Para los cuatro
individuos cuyo consumo de comida y peso
corporal están marcados en la figura 1.1, parece
que altos valores de PESO tienden a estar
asociados con altos valores de COMIDA. En
contraste, el gráfico en la figura 1.2 muestra una
situación en la cual no hay relación entre dos
variables para un grupo de veinte casos.
BERRY & SANDERS| TÉCNICAS DE INVESTIGACIÓN EN CIENCIAS SOCIALES| CÁTEDRA ARCHENTI| FACULTAD DE CIENCIAS SOCIALES (UBA)
800
700
600
500
400
Y
300
200
100
0
2 4 6 8
4,000 Casos con baja p X Casos con baja
untuación en X puntuación en Y
Figura 1.2 Dos variables que están completamente no
relacionadas
Decimos que dos variables, X e Y, están
completamente no relacionadas si el conocimiento
de un valor de X para un caso determinado no
proveería de ayuda alguna en predecir el valor de Y
para dicho caso. Para los datos diagramados en la
figura 1.2, si nos dicen que ese caso tiene un valor
alto en X, no resulta de ayuda para predecir la
puntuación del caso en Y, ya que los casos con
altos valores en X tienen puntajes en Y distribuidos
indistintamente en valores altos y bajos. Lo mismo
es verdad para casos que tienen bajo valor en X. En
contraste, para los datos en la figura 1.1, el
conocimiento de que un caso tiene un alto valor en
X predecirá que ese caso también tiene un alto
valor en Y de manera mucho más razonable que
una predicción que dé una baja puntuación en Y.
Los científicos sociales usan el término correlación
como una forma de describir la fuerza de la
relación entre dos variables.
Tal vez hayan oído este término utilizado en el
discurso diario para expresar la cercanía de una
relación. La medida formal de correlación es
llamada el coeficiente de correlación, y esto es casi
siempre denotado por una r minúscula. El
coeficiente de correlación va del rango -1 al rango
+1. Un coeficiente de correlación igual a cero
significa que no hay relación entre X e Y; la relación
en la figura 1.2, por ejemplo, tiene un r = 0. A
medida que r aumenta o disminuye desde cero, la
relación se hace más fuerte. Un coeficiente de
relación positivo -un coeficiente mayor a cero-
implica una relación en la cual, a medida que el
valor de X aumenta sobre los casos, el valor de Y
tiende a incrementarse (como en la figura 1.1). En
contraste, un coeficiente de correlación negativo
-menor que cero- significa que el valor de Y tiende
a disminuir a medida que el valor de X aumenta.
Los valores extremos para r de +1 y -1, indican una
relación lineal perfecta, esto es, aquella en la cual
todos los puntos del diagrama de dispersión caen
exactamente en una línea. Aunque el coeficiente
de correlación provee información útil sobre cuán
PÁGINA 4
bien podemos predecir valores de Y si conocemos
X, no nos dice nada sobre cuán sensible es Y a un
cambio en X; esto es, cuánto cambia Y para un
cambio dado en X. En efecto, el coeficiente de
correlación no nos ayuda a evaluar la fuerza del
impacto de X sobre Y. Por ejemplo, consideremos
los dos diagramas de dispersión en la figura 1.3.
Las relaciones representadas son iguales en fuerza
en términos del coeficiente de correlación; en
ambos r = +0.75.
Aun así, en un sentido diferente, podríamos
cosiderar la relación mostrada en el diagrama de
dispersión A como más fuerte que aquella
mostrada en el diagrama de dispersión B. Nótese
cómo la dispersión de puntos crece más
rápidamente de izquierda a derecha en A que en B.
Así, a medida que el valor X incrementa, el valor de
Y incrementa por una mayor cantidad en el
diagrama de dispersión A que en el diagrama de
dispersión B. Esto pone en claro, que Y es más
sensible a un cambio de X en A que en B.
El análisis de regresión mide la fuerza de la relación
entre X e Y en este sentido de sensibilidad. Por esta
razón, el análisis de regresión es más útil para
calcular causalidad, que para calcular un
coeficiente de correlación.
Figura 1.3 Dos diagramas de dispersión con coeficientes de
correlación de +0.75
Las líneas y sus ecuaciones
Los diagramas de dispersión -tales como aquellos
graficados en las figuras 1.1, 1.2, y 1.3- muestran
los valores de casos específicos en las variables X e
Y. También podemos graficar líneas expresando la
relación entre X e Y, tales como las líneas en la
figura 1.4. Los científicos sociales usan el término
BERRY & SANDERS| TÉCNICAS DE INVESTIGACIÓN EN CIENCIAS SOCIALES| CÁTEDRA ARCHENTI| FACULTAD DE CIENCIAS SOCIALES (UBA)
intersección para denotar el valor de Y cuando X
equivale a 0; o, de manera equivalente, el punto en
el cual la línea intercepta el eje vertical. (Los
matemáticos llaman a esta intersección la
intersección Y, pero los científicos sociales se
refieren a ella simplemente como la intersección,
ya que rara vez tienen algún motivo para calcular la
intersección X.)
¡! Ejercitación: Traten de determinar la
intersección para cada línea en la figura 1.4
Así, la intersección de la línea de puntos en la
figura 1.4 es 1 y aquella para la línea sólida es 3.
La pendiente de una línea es definida como el
cambio en Y asociado con el incremento de una
unidad en X. Debido a que una línea es recta, la
pendiente de una línea es la misma,
independientemente del nivel de X en el cual es
calculada.
¡! Ejercitación: Determinen la pendiente para cada
línea en la figura 1.4
En el caso de la línea punteada en la figura 1.4, un
incremento de una unidad en X es asociado con un
incremento de dos unidades en Y, entonces la
pendiente es 2. En contraste, para la línea sólida, el
incremento de una unidad en X produce una
disminución de un cuarto de unidad en Y (por
ejemplo, un cambio de menos un cuarto en Y),
entonces la pendiente de la línea es -0.25. (Otra
manera de decir esto es que un incremento de 4
unidades en X es asociado con un descenso de una
unidad en Y).
Paralelamente a la distinción entre correlaciones
positivas y negativas, las líneas cuya pendiente va
hacia arriba de izquierda a derecha (como la línea
punteada en la figura 1.4), y por lo tanto, tienen
una pendiente positiva, son descriptas como
reflejando relaciones positivas, mientras que las
líneas con pendiente hacia abajo (como la línea
sólida en la figura 1.4) se dice que indican
relaciones negativas.
La ecuación matemática para una línea toma una
forma simple:
Yi=b0+b1X1
Esta ecuación tal vez sea familiar de los cursos de
álgebra de la escuela, donde probablemente hayas
aprendido que la ecuación para una línea recta
toma la forma de:
Y=m+b
Donde m denota la pendiente y b es la intersección
Y.
PÁGINA 5

Figura 1.4 Dos líneas
Sin embargo, los científicos sociales usualmente
usan algún símbolo involucrando la “b” (o el
equivalente griego, β) para denotar la pendiente, y
usan subíndices para distinguir la pendiente de la
intersección.
Incluimos el subíndice i en las variables X e Y para
denotar el caso en observación. Así Xi-pronunciado
“X subíndice i”- denota el valor de la variable X
para el caso i. Como la intersección de la línea
punteada en la figura 1.4 es 1 y su pendiente es 2,
su ecuación puede ser escrita:
Yi=1+2Xi
O a veces, más simplemente (sin el caso del
subíndice) como:
Y=1+2X
La ecuación para la línea sólida es expresada como:
Yi=3-0.25Xi(ó Y=3-0.25X)
La pendiente como magnitud del impacto de X en Y
Si tenemos una teoría plausible de cómo X
influencia Y, y tenemos un gráfico de una línea
mostrando la relación entre X e Y cuando otras
variables que influyen en Y son mantenidas
constantes, entonces la pendiente de la línea nos
dice la magnitud del impacto de X en Y, tal que
muestra cuánto Y cambia en respuesta a un
cambio en X.
Por esta razón, la pendiente es considerada la
medida fundamental del tamaño del impacto de
una variable en otra.
Para regresar a nuestro ejemplo anterior,
asumimos que el consumo de comida tiene un
BERRY & SANDERS| TÉCNICAS DE INVESTIGACIÓN EN CIENCIAS SOCIALES| CÁTEDRA ARCHENTI| FACULTAD DE CIENCIAS SOCIALES (UBA)
efecto en el peso corporal, y que la relación entre
consumo de comida y el peso de un individuo
(cuando todas las otras influencias sobre el peso
son mantenidas constantes en valores específicos)
es descripta por la línea:
PESOi=75+0.036(COMIDAi)
Recordando que PESO es medido en libras y
COMIDA en calorías, la ecuación implica que el
impacto del consumo de comida en el peso
corporal puede ser descripto como uno en el cual
el incremento de 1 caloría en el consumo diario
promedio de comida resulta en un incremento de
0.036 libras en el peso de un individuo. De manera
equivalente, un incremento de 100 calorías resulta
en un aumento esperado de 3.6 libras
(=100*0.036)1.
2. El modelo de regresión bivariado
La ecuación
Supongamos que creemos que X es la causa de Y
en una población. La ecuación de regresión
bivariada expresa el valor de Y para cualquier caso i
en términos de la intersección b subíndice 0 (b0), el
valor de X para el caso i, el coeficiente de la
pendiente b subíndice 1 (b1), y el valor para un
término de error (o error de perturbación), e para
el caso i:
2.1: Yi=b0+b1Xi+ei
Nótese que X, Y ye tienen un caso suscripto
(subindicado), i, mientras que la intersección b0 y el
coeficiente de la pendiente b 1 no lo tienen. Esto es
porque X, Y y e son variables, el valor que variará
de caso en caso, pero la intersección y la pendiente
son constantes.
La primera parte de la ecuación 2.1 (Yi=b0+b1Xi)la
reconocemos por una línea; esta línea es
reconocida como la línea de regresión. El último
término, el término de error e, es incluido porque
en el mundo real, aun si X tiene un muy fuerte
efecto en Y, no esperaríamos casos que tengan
valores para X e Y, que caigan exactamente sobre
la línea de regresión.
En su lugar, otros factores probablemente afecten
a Y de modo que el valor de Y para un caso
particular probablemente caiga por arriba o por
debajo de la línea. Estos otros factores son
abarcados en el término de error e. Otra manera
de pensar en esto es que para cualquier caso i, la
línea de regresión Yi=b0+b1Xiasocia el valor más
1
En las Ciencias Sociales, el asterisco (*) o punto (.) es usado
para indicar multiplicación
PÁGINA 6
probable (también llamado el valor esperado) para
la variable dependiente Y con el valor de X para
dicho caso. Entonces, el término de error e
irepresenta la desviación del valor actual de la
variable dependiente para el caso de su valor
esperado.
De nuevo, consideremos la relación entre consumo
de comida y peso corporal. Mientras que el
consumo de comida definitivamente influye en el
peso de una persona, no determina exactamente
el peso. Hay otras variables que afectan el peso;
estas incluyen edad, estatura, sexo y cantidad de
ejercicio. El efecto combinado de estas variables y
todos los otros factores que determinan el peso,
está representado por el término de error e.
Consecuentemente, expresaríamos la relación
entre el consumo de comida de un individuo y su
peso con la siguiente fórmula:
2.2:PESOi=b0+b1(COMIDAi) + ei
La meta de la investigación empírica sobre el
impacto de consumo de comida en el peso usando
el análisis de regresión sería medir la intersección
b0 y el coeficiente de la pendiente b1 de la ecuación
2.2. Pero solo de manera ilustrativa, supongamos
estos valores en una población, b0=75 y b1=0.036
(como en el ejemplo anterior). La ecuación 2.2
puede escribirse:
2.3:PESOi= 75 +0.036 (COMIDAi) + ei
La figura 2.1 representa la relación expresada en la
ecuación 2.3 en un gráfico. La línea representa la
ecuación
2.4: PESOi= 75 + 0.036 (COMIDAi)
Y muestra el peso esperado (o probable) para cada
valor de consumo de comida. Los puntos
representan los valores de COMIDA y PESO para
una muestra de 22 casos de una población mayor.
Nótese que los puntos no caen exactamente en
esta línea debido a la intervención del término de
error ei para cada caso. En la figura 2.1 podemos
observar los tres elementos de una ecuación de
regresión: la intersección, el coeficiente de la
pendiente, y el término de error.
BERRY & SANDERS| TÉCNICAS DE INVESTIGACIÓN EN CIENCIAS SOCIALES| CÁTEDRA ARCHENTI| FACULTAD DE CIENCIAS SOCIALES (UBA)
Figura 2.1. Representación gráfica de la ecuación de regresión
bivariada 2.4
La intersección
La intersección, b0, de una ecuación de regresión
puede ser interpretada como el valor esperado de
Y para casos que tienen un puntaje de cero en X.
En un gráfico, este es el valor al cual la línea de
regresión intercepta el eje vertical. En algunas
aplicaciones de la regresión, una intersección
transmite información útil sustantiva. Por ejemplo,
imagina un estudio de candidatos para el congreso.
En una regresión con el porcentaje de voto
recibido como variable dependiente y gasto de
campaña como variable independiente, la
intersección es el porcentaje esperado del voto
para el candidato con un gasto cero en la campaña.
Así, nos dice cuánto un candidato que gasta nada
de dinero podría esperarse que le vaya en la
jornada electoral.
En otras situaciones, la intersección es menos
significativa, y en algunos casos recae en
interpretaciones sin sentido.
¡! Interpreten el significado de la intersección en la
figura 2.1
En el gráfico en la figura 2.1 la intersección es 75,
implicando que el peso esperado de un individuo
con un consumo de comida de cero calorías
(ejemplo: una persona que nunca come) es 75
libras. Por supuesto, esta interpretación es ridícula,
tanto que alguien que nunca come, moriría. Pero
esto no significa que el modelo de regresión es
erróneo; más bien, al interpretar la intersección
como lo hemos hecho, hemos cometido el error de
aplicar el modelo de regresión para determinar el
peso esperado de un individuo por fuera del rango
de valores plausibles para consumo de comida.
Ciertamente, en una población de individuos bajo
consideración, con un consumo diario promedio de
entre 800 y 5000 calorías, la intersección no
tendría ningún significado sustantivo. Sin embargo,
PÁGINA 7
nótese que la intersección no es nada más que un
valor esperado de la variable dependiente en un
valor particular de la variable independiente (cero),
y la ecuación de regresión puede ser usada para
determinar el peso esperado de individuos con
otros niveles de consumo de comida.
Por ejemplo, en un determinado momento, una
persona comiendo una cantidad de comida
extremadamente baja -digamos, 800 calorías por
día-, tiene un peso esperado de 75 + (0.036 * 800)
= 75 + 28.8 = 103.8 libras.
El coeficiente de la pendiente
Mientras la intersección podría tener un significado
sustantivo en una regresión dada, el coeficiente de
la pendiente siempre es relevante.
El coeficiente de la pendiente, b1, para un modelo
de regresión (a veces llamado el coeficiente de
regresión o el parámetro de regresión, o
simplemente la pendiente) puede ser visto como
una medida del efecto de X en Y; nos dice el
cambio en el valor (esperado) (o promedio) de Y
resultante del incremento de una unidad en X.
¡! Interpreten el significado del coeficiente de la
pendiente, 0.036, en la figura 2.1
En la figura 2.1, ya que el consumo de comida es
medido en calorías y peso es medido en libras, la
pendiente de 0.036 indica que el incremento de
una caloría en el consumo de comida promedio
por día resulta en un incremento en el peso
esperado de 0.036 libras. Sin embargo, ya que una
caloría representa tan poca suma de comida, sería
más útil para describir la respuesta del peso
corporal a un cambio más sustancial en el
consumo.
Por ejemplo, podríamos establecer que si un
individuo incrementó su consumo diario en 500
calorías, esperaríamos que su peso incrementara
en 18 (ejemplo: 500 * 0.036 libras).
El error o término de perturbación
El error o término de perturbación, e, representa el
efecto combinado de todas las otras variables
(excluyendo X) que tienen un impacto en la
variable dependiente, más cualquier “aleatoriedad
inherente” en la determinación de valor en la
variable dependiente. (La racionalidad para el
componente de “aleatoriedad” es que el
comportamiento de las unidades típicamente
estudiadas por cientistas sociales -sean estos
individuos, organizaciones, provincias, naciones u
otras unidades- es suficientemente complejo que
nunca podríamos contar completamente para ese
comportamiento con una variable independiente,
BERRY & SANDERS| TÉCNICAS DE INVESTIGACIÓN EN CIENCIAS SOCIALES| CÁTEDRA ARCHENTI| FACULTAD DE CIENCIAS SOCIALES (UBA)
o incluso con un conjunto numeroso de variables
independientes; una parte del comportamiento es
esencialmente azaroso y, entonces, inexplicable.)
Esta interpretación del término de error implica lo
siguiente. Para un caso dado, cuando el impacto
combinado de todas las variables influenciando Y
(además de X) y la aleatoriedad hace que el valor
de Y para un caso sea mayor que el valor esperado
de X, entonces el término de error para el caso es
positivo. Si en su lugar, el impacto combinado de
estos factores hace que el valor de Y para el caso
sea menor que el valor esperado para Y en dicho
caso, entonces el valor del término de error es
negativo.
En nuestra ecuación de regresión del peso (2.3), el
término de error refleja el impacto combinado de
todas las variables que influencian el peso de una
persona en adición al consumo de comida más
cualquier aleatoriedad inherente en el proceso por
el cual el peso de un individuo es determinado. Ya
hemos especulado que las variables reflejadas en
el término de perturbación incluyen altura, sexo,
edad y cantidad de ejercicio e, indudablemente,
otras variables que se podrían sumar a la lista. En
la figura 2.1, consideren el caso denotado por A
con un valor para comida de 2.232.
Usando la ecuación 2.4, podemos calcular que el
valor esperado de peso para el caso es 75 + 0.036
(COMIDAi) = 75 + (0.036*2.232) = 155.4. El término
de error para este caso es muy bajo en -1.2, y
entonces el punto para A es justo debajo de la
línea de regresión.
Por ende, la ecuación 2.3 nos dice que el actual
valor Y para este caso es 154.2 (el valor esperado
para Y, 155.4 menos 1.2). Presten atención ahora
al punto B, con un valor de COMIDA de 3,400. El
término de error para este caso, por contraste, es
grande y negativo (-32.9), entonces el valor de
PESO para el caso (164.5) cae bien debajo de su
nivel esperado de 75 + (0.036 * 3,400) = 194.4, y
así el punto para B es sustantivamente más bajo
que la línea de regresión. C, finalmente, denota un
caso para el cual el término de perturbación es
grande y positivo en +30.2.
Algunos supuestos necesarios
Al construir la figura 2.1, asumimos que sabíamos
la intersección y el coeficiente de la pendiente para
la línea de regresión que caracterizaba el efecto del
consumo de comida sobre el peso en la población
de estudio. Por supuesto, en el mundo real de la
investigación, no conocemos los valores reales
para estos coeficientes en la población.
Típicamente tenemos información para una
muestra de casos azarosamente seleccionados de
PÁGINA 8
la población y tenemos que estimar los
coeficientes de la ecuación sobre los datos de la
muestra. Es importante entender que varios
supuestos deben ser conocidos para la información
para dar buenas estimaciones de los coeficientes
de la población y que si alguno de esos supuestos
son violados, no podemos estar confiados en que
las estimaciones de la intersección y la pendiente
son estimaciones razonables de los valores
verdaderos de los coeficientes en una población.
Algunos de estos supuestos están más allá del
ánimo de este libro, tanto que entender su
significado preciso requiere un conocimiento en
estadística, pero algunos de los supuestos críticos,
pueden ser entendidos rápidamente sin ningún
conocimiento previo en estadística.
Supuesto 1: La variable independiente es medida
en el nivel intervalar, o es dicotómica. Una variable
dicotómica (a veces llamada variable binaria, o de
una variable [dummy]) es una que puede tomar
dos valores posibles. Un ejemplo es el sexo de un
individuo, el que puede ser femenino o masculino.
Una variable medida en el nivel intervalar es
aquella para la cual la diferencia de una unidad en
los puntajes numéricos (ejemplo: aquel entre 2 y 3,
o entre 456 y 457) refleja la misma diferencia en la
cantidad de la propiedad que está siendo medida.
Las variables con niveles intervalares pueden ser
restringidas a un pequeño número de valores (tan
poco como tres) o pueden tener valores muy
diferentes.
El ingreso anual de una familia en dólares es una
variable de nivel intervalar, pues una diferencia de
una unidad (ejemplo: un dólar) refleja una
diferencia constante en la propiedad que es
medida (ingreso). (La diferencia de ingreso entre
$35000 y $ 35001 es la misma diferencia entre
$45000 y $45001). El número de niños en una
familia es también medido en el nivel intervalar,
aunque está constreñido a un número mucho
menor de valores que ingreso.
Las variables con nivel intervalar toman la forma
de una <<cuenta>> así, Ingreso es medido en U$S,
población en personas, o edad en años -o la
proporción [ratio] de dos cuentas (como en el
ingreso per cápita de una nación, medido por el
ingreso total en dólares dividido el total de
personas).
Algunas variables no son dicotómicas ni de nivel
intervalar y por lo tanto, no deberían ser usadas
como variable independiente en un modelo de
regresión. Por ejemplo, considera la satisfacción de
un empleado con su trabajo medido usando cuatro
valores ordenados: 1 = Muy satisfecho, 2 =
BERRY & SANDERS| TÉCNICAS DE INVESTIGACIÓN EN CIENCIAS SOCIALES| CÁTEDRA ARCHENTI| FACULTAD DE CIENCIAS SOCIALES (UBA)
Insatisfecho, 3 = Satisfecho, 4 = Poco satisfecho.
Esta variable tiene más de dos categorías, y por lo
tanto, no es dicotómica. Tampoco es una variable
de nivel intervalar, porque no hay una buena razón
para creer que la diferencia de una unidad en la
escala siempre refleja la misma diferencia en la
satisfacción con el trabajo como cualquier otra
diferencia de una unidad. Por ejemplo, la
diferencia en satisfacción entre dos con puntajes
de 2 (“Insatisfecho”) y 3 (“satisfecho”). Aunque los
cuatro valores de satisfacción son expresados en
números, los números son meramente símbolos
convenientes para los cuatro niveles de
satisfacción y no son información suficiente para
dar cuenta de las diferencias entre las cuatro
escalas de valores.
Esto no siempre detiene a los investigadores de
incluir una variable (como por ejemplo
“satisfacción con el trabajo”) como variable
independiente en un análisis de regresión. Todavía,
los investigadores deberían entender que cuando
hacen eso, están implícitamente asumiendo que
cada un incremento de un punto en la escala (de 1
a 2, de 2 a 3, y de 3 a 4) refleja el mismo
incremento en la satisfacción.
Supuesto 2: La variable dependiente es continua.
Las variables continuas son variables intervalares
que son libres de tomar cualquier valor numérico.
Así, el número de niños en una familia no sería una
variable continua, porque está restringido a un
pequeño número de valores enteros (0, 1, 2, 3,…);
no puede ser 2.46, por ejemplo.
Las limitaciones de la medición sirven para
prevenir cualquier variable de ser verdaderamente
continua, tanto que incluso en una variable
teóricamente continua debe ser redondeado
cuando es medido, pero algunas variables están
tan cercanas a ser continuas, que pueden
fácilmente ser tratadas como tales.
Por ejemplo, el ingreso anual medido a los más
cercanos miles de dólares (o incluso al dólar más
cercano) no puede asumir cualquier valor, pero la
mayoría de los analistas de regresión se sentirían
cómodos tratando el ingreso medido en esta
unidad como una variable continua.
Supuesto 3: Las variables en el modelo son
medidas perfectamente (Ejemplo: Sin medida de
error). En la ilustración del peso corporal, si el peso
fuera medido con una balanza de baño, tenemos
que asumir que la escala es siempre exacta; si
fuera medido a través de respuestas en una
encuesta, tenemos que asumir que las personas
saben su propio peso y lo reportan verazmente en
la encuesta.
PÁGINA 9
Supuesto 4: El efecto de la variable independiente,
X, en la variable dependiente, Y, es lineal.
Sustantivamente, esto significa que la fuerza del
efecto de X en Y es la misma independientemente
del nivel de X. Si este supuesto no se mantuviera,
sería inapropiado caracterizar el efecto de X en Y
en un gráfico por una línea recta (ejemplo, una
curva con una pendiente constante). (Si el efecto
de una variable independientemente del nivel de
X. Si este supuesto no se mantuviera, sería
inapropiado caracterizar el efecto de X e Y en un
gráfico por una línea recta, por ejemplo, una curva
con una pendiente constante.) (Si el efecto de una
variable independiente sobre una dependiente
varía con el valor de la variable independiente, el
efecto es denominado no lineal. Aunque la
regresión básica del modelo es lineal, algunos tipos
de efectos no lineales pueden ser especificados en
una regresión usando transformaciones
matemáticas de las variables de la ecuación.)
Supuesto 5: El error o término de perturbación
está completamente no correlacionado con la
variable independiente. Mencionemos que el
término de error representa el efecto sobre la
variable dependiente de todas las otras variables
que la variable independiente X, más cualquier
aleatoriedad inherente en el proceso por el cual Y
es determinada. Por lo tanto, la única manera en
que podemos estar confiados que el término de
error no esté correlacionado con la variable
independiente es creer que cualquier variable
(aparte de la variable independiente) que tiene
una influencia sustancial sobre la variable
dependiente no está correlacionado con la variable
independiente. Como se puede ver, este supuesto
es extremadamente demandante. Por otra parte,
la asertividad respecto de si el supuesto es
verdadero es difícil, porque incluye una
especulación sobre variables numerosas con
impacto potencial en la variable dependiente. En la
ilustración sobre el peso corporal, si las personas
que comen menos tienden a ser más conscientes
de su salud entonces tienden a ejercitarse más
frecuentemente, habría una relación entre
consumo de comida y nivel de ejercicio, y puesto
que la cantidad de ejercicio indudablemente
influencia el peso, el supuesto 5 sería violado.
Pero el supuesto sería también violado si otras
variables que no hemos pensado influyeran en el
peso y estuvieran correlacionadas con el consumo
de comida.
En general, el quinto es uno de varios supuestos
del análisis de regresión, los que juntos implican
que el término de error es “azaroso” en su efecto
sobre la variable dependiente. Cuando lean
BERRY & SANDERS| TÉCNICAS DE INVESTIGACIÓN EN CIENCIAS SOCIALES| CÁTEDRA ARCHENTI| FACULTAD DE CIENCIAS SOCIALES (UBA)
artículos basados en regresión, es probable que se
crucen con términos tales como
heteroscedasticidad y autocorrelación, dos
características de un modelo de término de error
que violan los supuestos de la regresión. Por ahora,
lo que necesitan saber solamente es que aunque la
heteroscedasticidad y la autocorrelación tienen
consecuencias negativas para el análisis de
regresión (que aprenderán en los cursos futuros),
cuando uno -o los dos- están presentes, el
coeficiente de la pendiente y la intersección para el
modelo de regresión todavía pueden ser
interpretados como si todos los supuestos de la
regresión fueran cumplidos. (En cursos más
avanzados aprenderán maneras para detectar la
heteroscedasticidad y la autocorrelación, y
técnicas para superar sus consecuencias.)
Debido a que los supuestos de regresión son tan
demandantes, y porque muchos supuestos no
pueden ser testeados directamente -podemos solo
especular sobre si son conocidos en una
determinada aplicación del análisis de regresión-
en la práctica, un investigador nunca puede
exclamar confiadamente que todos los supuestos
de la regresión han sido satisfechos
completamente.
En otras palabras, si un supuesto ha sido cumplido
es realmente una cuestión de grado. Cuando
declaramos que los supuestos de la regresión han
sido satisfechos para un modelo específico,
estamos aseverando que hay una buena razón
para creer que los supuestos han sido
aproximadamente conocidos. Aprender cuán
cercana una aproximación es necesaria para
justificar el análisis de regresión es un tópico para
cursos avanzados en regresión, y un buen
entendimiento de esto viene solo con la
experiencia en análisis cuantitativos.
Estimando coeficientes con información de una
muestra
Si los varios supuestos del modelo bivariado de
regresión han sido satisfechos, es apropiado
estimar el coeficiente de la pendiente y la
intersección en la población: 1) seleccionando una
muestra al azar de casos de la población a la cual la
ecuación de regresión aplica, 2) midiendo X e Y
para cada caso en la muestra, y luego 3) usando el
análisis de regresión (técnicamente regresión OLS
-Ordinary Least Squares-) para determinar la
pendiente y la intersección de la línea de regresión
para la muestra. En esencia, este cálculo implica un
procedimiento matemático que es el equivalente
funcional de graficar los valores de X e Y en un
diagrama de dispersión y dibujar en la línea que
mejor ajusta la distribución de puntos en el gráfico.
PÁGINA 10
El análisis de regresión, sin embargo, identifica la
línea que mejor encaja mucho más efectivamente
que lo que nosotros alguna vez podríamos medir
meramente con una inspección visual de un
diagrama de dispersión. Por ejemplo, consideren la
figura 2.2, que reproduce el diagrama de
dispersión de la figura 2.1. Es obvio desde una
rápida mirada que las líneas 2 y 3 capturan la
locación de los puntos mejor que las líneas 1 y 4.
Pero escogiendo entre las líneas 2 y 3 sobre la base
de la inspección visual sola es difícil.
En contraste, el análisis de regresión OLS involucra
un procedimiento matemático, generalmente
hecho por una computadora, que siempre provee
una única línea que mejor ajusta. Esta línea es la
“mejor” de acuerdo a una definición específica
dentro de este procedimiento. Como su nombre
formal sugiere (Ordinary Least Squares), el
procedimiento hace las matemáticas equivalentes
de tratar todas las líneas posibles e identificar
aquella que minimiza la suma de los cuadrados de
las distancias verticales entre los puntos en el
diagrama y la línea.2 La figura 2.3 reproduce las
líneas 2 y 4 de la figura 2.2. Pueden ver de los
gráficos que las distancias verticales entre los
puntos y la línea son generalmente menores para
la “mejor línea” 2. [Better fitting line 2]
coeficiente de la pendiente y de la intersección en
la muestra pueden ser vistos como estimaciones
razonables de esos valores en la población
completa. (Esto es casi lo mismo que en un
experimento, cuando usamos una muestra
aleatoria para hacer inferencias sobre una
población mayor de la cual la muestra fue
dibujada.) Entonces, los coeficientes de la muestra
frecuentemente están referidos a la intersección
estimada y el coeficiente estimado de la pendiente.
Aunque la intersección y el coeficiente de la
pendiente estimados pueden ser vistos como
estimaciones razonables de los valores reales de
los coeficientes en la población (si los supuestos
del análisis de regresión han sido conocidos), no
hay nunca una buena razón para creer que las
estimaciones para la muestra coinciden sus valores
en la población exactamente.
Consideren la figura 2.4, la cual de nuevo
reproduce el diagrama de dispersión de la figura
2.1. La línea sólida en la figura 2.4 es la
“verdadera” línea de regresión para la población,

Figura 2.2

Cuando estudien análisis de regresión en cursos

posteriores, aprenderán sobre varias propiedades
estadísticas del procedimiento OLS que justifican
su uso. Por ahora, lo que es importante es que si
los supuestos de la regresión son conocidos y los
datos para X e Y para una muestra aleatoria de una
población están disponibles, los valores del
Figura 2.3
2
El cuadrado de un número significa el número multiplicado por
sí mismo.

BERRY & SANDERS| TÉCNICAS DE INVESTIGACIÓN EN CIENCIAS SOCIALES| CÁTEDRA ARCHENTI| FACULTAD DE CIENCIAS SOCIALES (UBA) PÁGINA 11
 Figura 2.4

y la línea de puntos es la línea de regresión de la

muestra; es decir, es la línea estimada para la
población al aplicar el procedimiento de regresión
OLS a una muestra de 22 casos3.
Aunque la línea estimada es la que mejor ajusta
para el diagrama de puntos y es cercano a la línea
verdadera, la intersección y la pendiente de la línea
verdadera y la estimada no se corresponden
exactamente.
Sin embargo, los estadísticos han probado que
cuando los supuestos de la regresión son
cumplidos, la intersección y el coeficiente de la
pendiente estimados son insesgados; por esto
queremos decir que si repetimos el procedimiento
OLS en un número largo de muestras aleatorias de
la población, las estimaciones de los coeficientes
que obtuvimos serían, en promedio, igual a sus
verdaderos valores en la población. En algunas
muestras, un estimativo será muy alto, y en otras,
muy bajo; pero en promedio, las estimaciones
darían en el blanco. Desafortunadamente, nunca
sabemos si la muestra específica que estamos
usando es una en la cual la estimación es muy alta
o muy baja. Esto es una limitación inherente de no
poder observar todos los casos en la población de
interés.
No obstante, la pieza de información más crítica
producida por una regresión bivariada es la
estimación del coeficiente de la pendiente, ya que
es el mejor indicador disponible del impacto de X
sobre Y en la población4.

3 En la práctica, nunca podemos saber la verdadera línea de

regresión en la población. De hecho, si conociéramos la línea,
no necesitaríamos estimar su intersección y el coeficiente de la entera de interés (por ejemplo, los 50 estados de EEUU). Si los
pendiente usando la regresión OLS y datos de una muestra. investigadores tienen datos de la población entera o solo de
4
una muestra aleatoria, el coeficiente de la pendiente estimativo
En algunos casos, incluyendo algunos de nuestros anteriores se mantiene como el mejor indicador del impacto de X en Y.
ejemplos, los investigadores tienen datos sobre la población

BERRY & SANDERS| TÉCNICAS DE INVESTIGACIÓN EN CIENCIAS SOCIALES| CÁTEDRA ARCHENTI| FACULTAD DE CIENCIAS SOCIALES (UBA) PÁGINA 12