Regresión
La regresión es un método estadístico que permite examinar la relación entre dos o
más variables e identificar cuáles son las que tienen mayor impacto en un tema de interés.
Este tipo de análisis estadístico permite clasificar matemáticamente a través de
diferentes preguntas como: ¿Qué factores importan más? ¿Qué factores se pueden ignorar?
¿Cómo interactúan estos factores entre sí?, y, por último, ¿Qué tan seguro te sientes de
todos estos factores?
El proceso de realizar una regresión permite determinar con confianza cuáles son
los factores más importantes, cuáles se pueden ignorar y cómo influyen entre sí.
Modelo de regresión lineal simple
La regresión lineal simple es la técnica más utilizada, es una forma que permite
modelar una relación entre dos conjuntos de variables. El resultado es una ecuación que se
puede utilizar para hacer proyecciones o estimaciones sobre los datos.
Este modelo se considera un predictor x y una variable dependiente o respuesta Y.
Imagina que la verdadera relación entre Y y X es una línea recta y que la observación Y en
cada nivel X es una variable aleatoria.
El modelo de regresión lineal simple se caracteriza por predecir la variable
dependiente a través de la siguiente ecuación:
E(Y / x)=0+ β 1 x
Donde la ordenada al origen β0 y la pendiente β1 son coeficientes desconocidos de
la regresión.
Algunos consejos que puedes tomar en cuenta al utilizar el modelo de regresión
lineal simple son:
Debes tener cuidado al seleccionar las variables con las que se construyen las
ecuaciones de regresión y determinar la forma del modelo.
Las relaciones de regresión sólo son válidas para los valores del regresor que están
dentro del rango de los datos originales.
Modelo de regresión lineal múltiple
La regresión lineal múltiple es una técnica estadística que se encarga de analizar
situaciones que involucran más de una variable.
Este método permite identificar cuáles son las variables independientes son las que
pueden explicar una variable independiente, comprobar las causas y predecir de forma
aproximada los valores
El modelo de regresión lineal múltiple puede ser descrito a partir de la siguiente
ecuación:
Y =0+ β 1 X 1+ β 2 X 2+…+ βnXn+ ε
Donde Y es una variable dependiente, β representa sus estimadores y la ε representa
el residuo o error.
Ejemplo 1.
Los agrónomos miden el efecto de los fertilizantes y el agua en la cosecha mediante
una regresión lineal.
El fertilizante y el agua son la variable independiente y el rendimiento es la variable
dependiente. El modelo de regresión será:
Rendimiento = β₀ + β₁ (fertilizante) + β₂,
β₀ indica la cosecha esperada sin usar fertilizantes, ni agua.
β₁ Es el cambio promedio en la cosecha cuando la cantidad de fertilizante se
aumenta en una unidad, suponiendo que la cantidad de agua permanece constante.
β₂ Es el cambio promedio en la cosecha cuando la cantidad de agua se aumenta en
una unidad, asumiendo que la cantidad de fertilizante es la misma.
En función de los valores de β₁ y β₂, los agrónomos podrán ajustar la cantidad de
fertilizante y agua para maximizar la cosecha.
Ejemplo 2.
La regresión lineal también puede aplicarse en el deporte: Este método permite
determinar el efecto de diferentes sistemas de entrenamiento en el rendimiento de los
jugadores.
Por ejemplo, los expertos en Data Science de la NBA pueden analizar cómo afectan
al rendimiento de un jugador las distintas sesiones de yoga y de levantamiento de pesas.
Tomemos las sesiones de yoga y las sesiones de levantamiento de pesas como variables
independientes y el resultado final como variable dependiente. Obtendremos:
Rendimiento = β₀ + β₁ (Sesiones de yoga) + β₂ (Sesiones de levantamiento de
pesas),
β₀ representa el rendimiento esperado de un jugador que es vago y no hace ni yoga
ni levanta pesas.
β₁ es el resultado promedio que se obtiene al aumentar en uno el número de
sesiones semanales de yoga, suponiendo que el número de sesiones semanales de
levantamiento de pesas no cambie.
β₂ indica el cambio promedio en el resultado que se consigue al aumentar en uno el
número de sesiones semanales de levantamiento de pesas, sin cambiar el número de
sesiones semanales de yoga.
En función de los valores de β₁ y β₂, los especialistas pueden recomendar al
jugador que aumente o disminuya el número de sesiones de yoga y de levantamiento de
pesas para maximizar sus resultados.
CONCLUSIÓN
la regresión lineal es una herramienta estadística útil para predecir valores futuros
de diversas variables. Es una herramienta simple y fácil de interpretar, además de ser una
técnica robusta que funciona bien en una amplia variedad de situaciones. Sin embargo, se
debe tener cuidado para no caer en el error de suponer que todos los datos se ajustarán
perfectamente a una línea recta, pues a veces, los datos pueden seguir otro patrón y no ser
lineales.