Regresión lineal múltiple en SPSS

Regresión Lineal Múltiple

Resumen de la Sección: En esta sección, se explora el concepto de regresión lineal múltiple y su aplicación en la modelización de la relación entre una variable dependiente y dos o más variables independientes. Se discuten los coeficientes de regresión, el término de error y el objetivo principal de la regresión lineal múltiple.

Conceptos clave

• La regresión lineal múltiple es una técnica estadística utilizada para modelar la relación entre una variable dependiente y dos o más variables independientes.

• Los coeficientes de regresión representan la relación entre las variables independientes y la variable dependiente.

• El objetivo principal de la regresión lineal múltiple es encontrar los valores óptimos de los coeficientes para minimizar las diferencias entre las predicciones del modelo y los valores reales.

Análisis del Modelo

Resumen de la Sección: En esta sección, se analiza un ejemplo práctico utilizando un conjunto de datos que incluye 15 empleados y 5 variables independientes (edad, antigüedad, tamaño de empresa e ingreso). Se examinan las tablas de salida del análisis de regresión para evaluar la correlación, significancia y coeficientes.

Resultados del Análisis

• El resumen del modelo muestra un coeficiente de correlación (r) muy fuerte (0.918), lo que indica una correlación positiva entre las variables involucradas en la regresión lineal múltiple.

• El coeficiente de determinación (r cuadrada) es de 0.842, lo que significa que aproximadamente el 84.2% de la variabilidad total en la variable dependiente es explicada por las variables independientes.

• La tabla de significancia muestra que al menos una variable independiente tiene un efecto significativo en la variable dependiente, lo que indica que el modelo en su conjunto es útil para explicar las variaciones en los datos observados.

• En la tabla de coeficientes, se identifican las variables estadísticamente significativas. Por ejemplo, la variable "edad" tiene un impacto significativo en el nivel de estrés.

Selección de Variables

Resumen de la Sección: En esta sección, se presenta el método de selección por pasos o escalonado para elegir las variables más relevantes en el modelo. Se muestra cómo utilizar este método y se comparan los resultados con el modelo inicial.

Método de Selección por Pasos

• El método consiste en agregar o eliminar variables independientes basándose principalmente en su nivel de significancia.

• El análisis muestra tres modelos recomendados, pero el último modelo es considerado como el más óptimo debido a que cumple con los criterios establecidos.

• El mejor modelo seleccionado incluye las variables "tamaño de empresa", "ingreso del empleado" y "edad", las cuales influyen en el nivel de estrés.

Conclusión

Resumen de la Sección: En esta sección final, se destaca la importancia de los coeficientes en los modelos y cómo varían entre diferentes modelos. Se concluye que el mejor modelo es aquel que incluye las variables significativas identificadas previamente.

• Los coeficientes pueden variar considerablemente entre diferentes modelos.

• El mejor modelo seleccionado incluye las variables "tamaño de empresa", "ingreso del empleado" y "edad".

• Es importante considerar la significancia estadística al seleccionar las variables para un modelo óptimo.

¡Hasta aquí llega el video! Nos vemos en el próximo.