Estadstica .

FBA I 2011_2012
Prctica 4. Extensiones del modelo de regresin

PRCTICA 4. REGRESIN CURVILNEA. INTRODUCCIN DE VARIABLES

ARTIFICIALES EN REGRESIN LINEAL

4.1. Regresin exponencial

4.2. Regresin cbica

4.3. Regresin con variables artificiales

M. Carmen Carollo, Beatriz Pateiro Pgina 1

 Estadstica .FBA I 2011_2012
Prctica 4. Extensiones del modelo de regresin

4.1 Regresin exponencial

Ejemplo :

Estamos interesados en establecer la relacin que existe entre la reaccin a un

estmulo (variable dependiente) y el tiempo de exposicin a ese estmulo (variable
independiente). Para ello disponemos de 14 observaciones que aparecen en el
archivo tiempo_estimulo.sav.

Si construmos el diagrama de dispersin, vemos que puede ajustarse por una funcin
exponencial.

El ajuste puede puede hacerse con el SPSS de la siguiente forma:

Analizar / Regresin / Estimacin Curvilnea...

Dependiente : estim

Independientes : tiempo

Modelo : Exponencial

M. Carmen Carollo, Beatriz Pateiro Pgina 2

 Estadstica .FBA I 2011_2012
Prctica 4. Extensiones del modelo de regresin

El procedimiento nos devuelve la siguiente tabla:

Resumen del modelo y estimaciones de los parmetros

Variable dependiente:respuesta al estmulo

Ecuacin Resumen del modelo Estimaciones de los parmetros

R cuadrado F gl1 gl2 Sig. Constante b1

Exponencial ,930 158,997 1 12 ,000 5,384 -,333

La variable independiente estiempo.

estmulo = 5,38e 0,33tiempo

Si adems activamos: ver Tabla ANOVA

M. Carmen Carollo, Beatriz Pateiro Pgina 3

 Estadstica .FBA I 2011_2012
Prctica 4. Extensiones del modelo de regresin

Analizar / Regresin / Estimacin Curvilnea...

Dependiente : estim

Independientes : tiempo

Modelo : Exponencial

- ver tabla ANOVA

Nos devuelve las siguientes tablas:

ANOVA

Suma de Media
cuadrados gl cuadrtica F Sig.

Regresin 20,190 1 20,190 158,997 ,000

Residual 1,524 12 ,127

Total 21,714 13

La variable independiente es tiempo.

Coeficientes

Coeficientes
Coeficientes no estandarizados estandarizados

B Error tpico Beta t Sig.

tiempo -,333 ,026 -,964 -12,609 ,000

(Constante) 5,384 ,978 5,507 ,000

La variable dependiente es ln(respuesta al estmulo).

Las dos tablas anteriores ponen de manifiesto que la reaccin al estmulo depende
exponencialmente del tiempo de exposicin a ese estmulo.

M. Carmen Carollo, Beatriz Pateiro Pgina 4

 Estadstica .FBA I 2011_2012
Prctica 4. Extensiones del modelo de regresin

4.2 Regresin cbica

Ejemplo:

Para los datos del archivo datos_NL.sav establecer la relacin que existe entre la
variable Ycub y la variable Xcub .

Dibujamos primero el diagrama de dispersin y vamos haciendo ajustes.

Decidimos entonces realizar un ajuste cbico, es decir, ajustamos un modelo de la forma:

M. Carmen Carollo, Beatriz Pateiro Pgina 5

 Estadstica .FBA I 2011_2012
Prctica 4. Extensiones del modelo de regresin

Y = 0 + 1 X + 2 X 2 + 3 X 3

Las estimaciones de los parmetros del modelo se pueden obtener con el SPSS:

Analizar / Regresin / Estimacin curvilnea / Cbica

Dependiente: Ycub

Independiente: Xcub

Modelo: cbico

Podemos activar: Ver ANOVA

Obtenemos las siguientes tablas:

Resumen del modelo

R cuadrado Error tpico de
R R cuadrado corregida la estimacin

,832 ,693 ,688 ,819

La variable independiente esXcub.

M. Carmen Carollo, Beatriz Pateiro Pgina 6

 Estadstica .FBA I 2011_2012
Prctica 4. Extensiones del modelo de regresin

ANOVA

Suma de Media
cuadrados gl cuadrtica F Sig.

Regresin 296,837 3 98,946 147,373 ,000

Residual 131,594 196 ,671
Total 428,431 199

La variable independiente esXcub.

El modelo ajustado es :

Y =
0, 05 2 X + 3 X 2 + 2 X 3

M. Carmen Carollo, Beatriz Pateiro Pgina 7

 Estadstica .FBA I 2011_2012
Prctica 4. Extensiones del modelo de regresin

4.3 Regresin con variables artificiales

Ejemplo:

Se quiere obtener un modelo de regresin que explique el colesterol a partir de las

grasas y el ejercicio fsico ( 0=no hace, 1=ejercicio moderado y 2=ejercicio
intenso). Los datos aparecen en el archivo colesterol.sav

Dado que el ejercicio fsico es un factor (variable cualitativa) con tres

modalidades, debemos crear dos variables artificiales (con la opcin
Transformar/Recodificar en distintas variables):

EM = 1 si hace ejercicio mod erado

0 en otro caso

EI = 1 si hace ejercicio int enso

0 en otro caso

Realizamos la regresin con el SPSS de la siguiente forma:

Analizar / Regresin / Regresin lineal

Dependiente : colesterol

Independientes : grasas, EM, EI

M. Carmen Carollo, Beatriz Pateiro Pgina 8

 Estadstica .FBA I 2011_2012
Prctica 4. Extensiones del modelo de regresin

Obtenemos:

Resumen del modelo

Modelo R cuadrado Error tp. de la

R R cuadrado corregida estimacin
a
di
1 ,636 ,404 ,330 57,809
me

nsi

on

a. Variables predictoras: (Constante), Grasas, ejintenso, ejmodera

b
ANOVA

Modelo Suma de Media

cuadrados gl cuadrtica F Sig.
a
1 Regresin 54412,310 3 18137,437 5,427 ,005

Residual 80205,547 24 3341,898

Total 134617,857 27

a. Variables predictoras: (Constante), Grasas, ejintenso, ejmodera

b. Variable dependiente: colesterol

M. Carmen Carollo, Beatriz Pateiro Pgina 9

 Estadstica .FBA I 2011_2012
Prctica 4. Extensiones del modelo de regresin

a
Coeficientes

Modelo Coeficientes no Coeficiente

estandarizados s tipificados

B Error tp. Beta t Sig.

1 (Constante) 236,730 27,483 8,614 ,000

ejmodera -36,815 29,613 -,218 -1,243 ,226

ejintenso -82,196 24,716 -,579 -3,326 ,003

Grasas 1,365 ,551 ,394 2,477 ,021

a. Variable dependiente: colesterol

El modelo ajustado es:

Colesterol = 236,73 - 36,81ejmoderado - 82,196ejintenso + 1,365 grasas

que puede interpretarse de la siguiente forma:

Para un mismo tipo de ejercicio, el colesterol medio aumenta en 1,365

cuando el contenido en grasas aumenta una unidad.

Para un mismo contenido en grasas, el colesterol medio disminuye en

36,81 cuando pasamos de no hacer ejercicio (categora de referencia) a
hacer ejercicio moderado.

Para un mismo contenido en grasas, el colesterol medio disminuye en

82,196 cuando pasamos de no hacer ejercicio a hacer ejercicio intenso.

Observemos que aunque el coeficiente asociado a ejmoderado no es

significativo (p-valor = 0,226), debemos mantener esta variable en el modelo
para que pueda entenderse la estructura del mismo.

El modelo es adecuado pues el p-valor asociado al contraste de regresin es

muy pequeo.

M. Carmen Carollo, Beatriz Pateiro Pgina 10