Metodología para la Interpretación de Modelos de Regresión Lineal Múltiple

Plantilla para Comentar un Listado de Regresión Lineal Múltiple (RLM)

1. Descripción General del Problema, Objetivo y Método del Modelo

• Tipo de estudio: ¿Es un experimento o un estudio observacional? Ejemplo: En el estudio de las horas trabajadas, es un estudio observacional.
• Unidad experimental u observacional: ¿Cuál es la unidad de análisis? Ejemplo: Para las horas trabajadas, la unidad experimental es cada familia.
• Variable Respuesta (VR o Y): Identifica la variable dependiente y su naturaleza (cuantitativa continua).
• Variables Explicativas (VE o X): Identifica las variables independientes y su naturaleza (cuantitativas).
• Datos y Réplicas: Comenta si los datos son dependientes o independientes y si hay réplicas.
• Objetivo del problema y método: El objetivo es relacionar y predecir una variable dependiente cuantitativa a partir de variables independientes cuantitativas mediante RLM.
• Ecuación matemática teórica: Y = β₀ + β₁X₁ + ... + βkXk + ε.

2. Comprobación de las Hipótesis del Modelo

• Linealidad: Verificada mediante el gráfico de Residuos Estandarizados vs. Valores Predichos y el coeficiente de correlación múltiple (R).
• Normalidad de los errores: Evaluada mediante histograma, gráfico P-P Normal y pruebas de Kolmogorov-Smirnov o Shapiro-Wilk (p > 0.05).
• Homocedasticidad: Dispersión aleatoria y constante en el gráfico de residuos.
• Independencia de los errores: Estadístico de Durbin-Watson (cercano a 2) y gráfico secuencial de residuos.
• Ausencia de Multicolinealidad: Analizada mediante la Matriz de correlaciones, Tolerancia (> 0.10) y Factor de Inflación de la Varianza (VIF < 10).

3. Significación Global e Individual

• Prueba F (ANOVA): Determina si el modelo es globalmente significativo (p < 0.05).
• Significación Individual: Análisis de los p-valores (Sig.) de cada coeficiente βj.

4. Selección de Variables y Modelo Final

• Correlación Parcial: Mide la relación entre variables controlando el efecto de las demás.
• Método "Hacia Adelante" (Forward Selection): Proceso iterativo para incluir variables significativas y reducir la multicolinealidad.
• Ecuación Final: Construida con los coeficientes no estandarizados (B).

5. Ejemplo Práctico de Aplicación

En el caso del estudio de monóxido de carbono, se aplicó la RLM con la ecuación: y = β₀ + β₁x₁ + β₂x₂ + β₃x₃ + ε. Tras verificar la normalidad (p=0.2 en Kolmogorov-Smirnov) y la homocedasticidad (residuos en banda [-2, 2]), se detectó multicolinealidad entre alquitrán y nicotina (r=0.977). Por ello, se seleccionó el modelo final basado únicamente en la variable alquitrán, al ser la más representativa y significativa, manteniendo un alto poder predictivo (R=0.957).