Interpretación de Modelos de Regresión Lineal Múltiple: coeficientes, R² y pruebas de hipótesis

Resumen

El documento explica cómo interpretar un modelo de regresión lineal múltiple (MRLM) que relaciona las notas con las horas de estudio y de entretenimiento. Recorre la correlación, el coeficiente de determinación R², la ecuación del modelo y el significado de cada coeficiente. También muestra las pruebas de hipótesis para los coeficientes y el modelo (ANOVA) y el análisis de normalidad de los residuos.

Puntos clave

La ecuación general del MRLM es Y = B0 + B1X1 + B2X2, con una variable dependiente y varias independientes.
Un R² de 0,912 indica que el 91,2% de la variabilidad de las notas es explicada por las variables independientes; por encima del 90% se considera un ajuste muy bueno.
B1 = 0,454 significa que, manteniendo constantes las demás variables, cada hora adicional de estudio aumenta la nota en 0,454 puntos.
B2 = 0,207 significa que cada hora adicional de entretenimiento aumenta la nota en 0,207 puntos, manteniendo constante el estudio.
Un coeficiente con Sig mayor al 5% no es estadísticamente significativo, por lo que no se rechaza H0 (B = 0).
En el ANOVA, una Sig de 0,001 (menor al 5%) lleva a rechazar H0 y a concluir que el modelo es significativo.
Los residuos se comprueban con Kolmogorov-Smirnov si n > 30 y con Shapiro-Wilk si n < 30; una Sig de 0,286 indica residuos con comportamiento normal.

Ponte a prueba

Modelo de Regresión Lineal Múltiple (MRLM)

La ecuación general del modelo es: [Y] = [B0] + [B1]X1 + [B2]X2

1. Correlación

Con un coeficiente de correlación r = 0,955 (cercano a 1), se identifica una correlación intensa y fuerte entre la variable DEPENDIENTE (notas) y las variables INDEPENDIENTES (horas de estudio y horas de entretenimiento). Esto implica que las notas son altamente sensibles a los cambios en dichas variables.

2. Coeficiente de Determinación (R²)

Con un R² = 0,912 (91,2%), se explica que el 91,2% de la variabilidad en las notas depende de las variables independientes. Como regla general, sobre el 90% se considera un ajuste muy bueno, mientras que bajo el 40% se considera deficiente.

Resumen del modelo: El R² Ajustado permite evaluar si el modelo mejora al añadir nuevas variables.

3 y 4. Ecuación del Modelo (MRLM)

Utilizando los coeficientes no estandarizados de la tabla, la ecuación resultante es:

[Y] = [0,454] + [0,454]X1 + [0,207]X2

B0 = 0,454: Si las horas de estudio y entretenimiento fueran 0, la nota sería 0,454 (valor teórico sin sentido práctico).
B1 = 0,454: Por cada hora de estudio adicional, la nota aumenta en 0,454 puntos, manteniendo constante el entretenimiento.
B2 = 0,207: Por cada hora de entretenimiento adicional, la nota aumenta en 0,207 puntos, manteniendo constante el estudio.

5. Pruebas de Hipótesis para los Coeficientes

Se evalúa la significancia de cada coeficiente (B0, B1, B2):

Hipótesis: H0: B = 0 vs H1: B ≠ 0.
Criterio: Si la Sig < 5%, se rechaza H0. En este ejercicio, con una Sig = 0,584 (mayor al 5%), no hay evidencia suficiente para rechazar H0, por lo que B0 no es un estimador significativo.

6. Prueba de Hipótesis para el Modelo (ANOVA)

H0: El modelo no es significativo.
H1: El modelo es significativo.
Decisión: Con una Sig = 0,001 (< 5%), se rechaza H0. Por lo tanto, el modelo es válido para realizar predicciones a corto plazo.

7. Análisis de Residuales

Se verifica que los residuos (e = Y_obs - Y_est) cumplan los supuestos: Suma = 0, Esperanza = 0 y Homocedasticidad.

Prueba de Normalidad de los Residuales

H0: Los residuos tienen un comportamiento normal.
Criterio: Se utiliza Kolmogorov-Smirnov para n > 30 y Shapiro-Wilk para n < 30.
Resultado: Con una Sig = 0,286 (> 5%), no hay evidencia para rechazar H0; los residuos presentan un comportamiento normal.

Preguntas frecuentes

¿Qué significa un R² de 0,912 en una regresión lineal múltiple?

Significa que el 91,2% de la variabilidad de la variable dependiente (las notas) se explica por las variables independientes del modelo. Según el texto, sobre el 90% se considera un ajuste muy bueno.

¿Cómo se interpreta el coeficiente B1 en el modelo?

B1 = 0,454 indica que, por cada hora de estudio adicional, la nota aumenta en 0,454 puntos, manteniendo constante el tiempo de entretenimiento.

¿Cuándo se rechaza la hipótesis nula de un coeficiente?

Se rechaza H0 (B = 0) cuando la significación es menor al 5%. Con una Sig de 0,584, el coeficiente B0 no es significativo y no se rechaza H0.

¿Qué prueba se usa para verificar la normalidad de los residuos?

Se usa Kolmogorov-Smirnov si n > 30 y Shapiro-Wilk si n < 30. En el ejercicio, con una Sig de 0,286, los residuos presentan un comportamiento normal.