¿Qué son los datos bivariados? Conoce todo sobre este tipo de datos y cómo analizarlos

En estadísticas, los datos bivariados son datos sobre cada una de las dos variables, donde cada valor de una de las variables se combina con un valor de la otra variable. [1] Por lo general, sería de interés investigar la posible asociación entre las dos variables. [2] La asociación se puede estudiar a través de una pantalla tabular o gráfica, o mediante estadísticas de muestra que pueden usarse para la inferencia. El método utilizado para investigar la asociación dependería del nivel de medición de la variable. Esta asociación que involucra exactamente dos variables puede denominarse correlación bivariada o asociación bivariada.

Si las variables son cuantitativas, los pares de valores de estas dos variables a menudo se representan como puntos individuales en un plano utilizando una gráfica de dispersión. Esto se hace para que la relación (si la hay) entre las variables se ve fácilmente. [4] Por ejemplo, los datos bivariados en una gráfica de dispersión podrían usarse para estudiar la relación entre la longitud del zancada y la longitud de las piernas.
En una correlación bivariada, los valores atípicos pueden ser increíblemente problemáticos cuando involucran ambas puntuaciones extremas en ambas variables. La mejor manera de buscar estos valores atípicos es mirar los gráficos de dispersión y ver si algún punto de datos se destaca entre las variables.

En algunos casos de datos bivariados, se determina que una variable influye o determina la segunda variable, y los términos dependientes e independientes se utilizan para distinguir entre los dos tipos de variables. En el ejemplo anterior, la longitud de las piernas de una persona es la variable independiente. La longitud de zancada está determinada por la longitud de las piernas de una persona, por lo que es la variable dependiente. Tener piernas largas aumenta la longitud de zancada, pero aumentar la longitud de zancada no aumentará la longitud de las piernas. [5]

Las correlaciones entre las dos variables se determinan como correlaciones fuertes o débiles y se clasifican en una escala de –1 a 1, donde 1 es una correlación directa perfecta, –1 es una correlación inversa perfecta y 0 no es correlación. En el caso de las piernas largas y los pasos largos, habría una fuerte correlación directa. [6]

En el análisis de los datos bivariados, uno generalmente compara estadísticas resumidas de cada una de las variables o utiliza análisis de regresión para encontrar la fuerza y ​​la dirección de una relación específica entre las variables. Si cada variable solo puede tomar uno de un pequeño número de valores, como solo «masculino» o «femenino», o solo «zurdo» o «diestro», entonces la distribución de frecuencia conjunta se puede mostrar en una contingencia Tabla, que se puede analizar para la fuerza de la relación entre las dos variables.

¿Qué son los datos numericos Bivariados?

Los datos bivariados son datos que se han recopilado en dos variables, y cada punto de datos en una variable tiene un punto de datos correspondiente en el otro valor. Normalmente recopilamos datos bivariados para tratar de investigar la relación entre las dos variables y luego usar esta relación para informar las decisiones futuras.

Por ejemplo, podríamos recopilar datos de temperatura exterior versus ventas de helados, o podríamos estudiar la altura frente al tamaño del zapato, ambos serían ejemplos de datos bivariados. Si hubiera una relación que mostrara un aumento de la temperatura exterior aumentó las ventas de helados, las tiendas podrían usar esto para comprar más helado para hechizos más calientes durante el verano.

Utilizamos gráficos de dispersión para representar datos bivariados. Un gráfico de dispersión de datos bivariados es un gráfico bidimensional con una variable en un eje y la otra variable en el otro eje. Luego trazamos los puntos correspondientes en el gráfico. Luego podemos dibujar una línea de regresión (también conocida como una línea de mejor ajuste), y mirar la correlación de los datos (qué dirección van los datos y cuán cerca de la línea de mejor ajuste están los puntos de datos).

Paso 1: Comenzamos dibujando un conjunto de eje y eligiendo una escala apropiada para los datos. Paso 2: etiquete el eje x con la variable explicativa / independiente (la variable que cambiará) y el eje y con la respuesta / Variable dependiente (la variable que sospechamos cambiará debido al cambio de variable independiente). También etiquete el gráfico en sí, describiendo lo que muestra el gráfico. Paso 3: traza los puntos de datos en el gráfico. Paso 4: dibuje la línea de mejor ajuste, si es necesario.

Aquí hay un conjunto de datos que relacionan la temperatura en los días de julio, y la cantidad de helados vendidos en una tienda de esquina.

¿Qué representan los datos bivariados?

El siguiente diagrama de dispersión ilustra los datos del estudio Goodwin.

Cada punto en la trama representa tanto la confianza como la puntuación de un estudiante. Los puntos se trazan en el plano de coordenadas X-Y. La posición en el eje horizontal (x) representa la clasificación de confianza del estudiante. La altura del punto o el valor en el eje Y representa el puntaje del estudiante en el examen. (Exploraremos cómo crear un diagrama de dispersión en el siguiente ejemplo. Por ahora, concéntrese en comprender la interpretación del gráfico).

La nube de datos ilustrada en este diagrama de dispersión nos ayuda a visualizar la relación entre la calificación de confianza del estudiante y su puntaje en el examen. Observe que los puntos tienden a ser más altos a medida que avanza hacia la derecha. Los estudiantes que tienen una alta calificación de confianza (puntos más a la derecha) tienden a tener puntajes de examen más altos (posición vertical más alta). Del mismo modo, los estudiantes con menor confianza generalmente tienen puntajes de examen más bajos. Observe que a medida que aumenta la confianza de los estudiantes, su puntaje de examen tiende a aumentar. Llamamos a esto una asociación positiva o una correlación positiva.

Observe que hay variabilidad en las respuestas. Considere a los estudiantes que tienen una calificación de confianza media de 5.0. Los puntos por encima de este número representan a aquellos estudiantes que informaron un valor de confianza medio de aproximadamente 5. Hay variabilidad en los puntajes del examen de estos estudiantes. Van de aproximadamente 75 a aproximadamente 100.

En el diagrama de dispersión, vemos una nube de datos. Aunque hay una cantidad considerable de variabilidad en los datos, los puntos tienden a seguir una línea. Si entrecerras los ojos con los ojos, puede imaginar que los datos parecen un hot dog gordo.

¿Cuál es la importancia de los datos bivariados?

El papel de la investigación científica no se limita a la descripción y el análisis de fenómenos individuales que ocurren independientemente uno del otro (análisis univariado). A pesar de que el análisis univariado tiene un papel fundamental en el análisis estadístico, y es útil encontrar errores dentro de los conjuntos de datos, para familiarizarse y agregar datos, describir y recopilar información básica sobre fenómenos simples, tiene un impacto cognitivo limitado. Por lo tanto, la investigación también se centra en la relación que los fenómenos individuales pueden tener entre sí. Más específicamente, el análisis bivariado explora cómo la variable dependiente («resultado») depende o se explica por la variable independiente («explicativa») (análisis asimétrico), o explora la asociación entre dos variables sin ninguna relación causa y efecto (análisis simétrico ). En este artículo presentaremos el concepto de «causalidad», dependiente («resultado») e independiente («explicativa») variable. Además, se presentarán algunas técnicas estadísticas utilizadas para el análisis de la relación entre las dos variables, en función del tipo de variable (categórica o continua).

Asociación entre variables explicativas y de resultado, causalidad y covarianza

Uno de los principales objetivos del análisis estadístico es estudiar la asociación entre variables.

Hay una asociación entre dos variables si una variable tiende a mostrar valores específicos cuando el otro cambia. Por ejemplo, tengamos en cuenta una variable llamada «Respuesta al tratamiento» (que muestra los valores: «empeorado/estable/mejorado») y una variable llamada «tratamiento» (que muestra los valores «tratamiento A» y «tratamiento B»). Si el tratamiento B es placebo, es probable que las personas que reciban el tratamiento A mejoren principalmente en comparación con las personas que reciben tratamiento B. En este caso, existe una asociación entre las variables «respuesta al tratamiento» y «tratamiento» porque la proporción de individuos que están respondiendo a los cambios de tratamiento junto con diferentes tipos de tratamientos.

¿Qué significan las tablas y gráficas de datos bivariados?

Se habla de estadísticas bivariadas cuando en cada unidad estadística, perteneciente a una determinada población, se estudian dos caracteres simultáneamente y.

Puede ser dos caracteres cuantitativos de calidad o dos, o un carácter cualitativo y un carácter cuantitativo.

Considere los dos personajes y. La distribución de las frecuencias de sus valores y puede representarse a través de una tabla de entrada doble en la que cada pareja está asociada con su frecuencia absoluta llamada frecuencia conjunta de E, como en la tabla

Desde la tabla de entrada doble, se pueden obtener las distribuciones marginales de los dos caracteres, es decir, las distribuciones que se habrían observado si cada personaje hubiera demostrado ser individualmente. En particular, la distribución marginal de se obtiene considerando la primera y última columna de la Tabla 1.

Sin embargo, se obtiene la distribución marginal de la primera y última línea de la Tabla 1

Las sumas de los elementos de cada línea de la matriz en la Tabla 1 se denominan frecuencias marginales de

Las sumas de los elementos de cada columna de la matriz en la Tabla 1 se denominan frecuencias marginales de

De los 20 estudiantes, se detectaron los votos informados en la boleta final en la historia y las matemáticas. Otorgado Tabla 2 con doble entrada, se determina la distribución marginal de los votos en la historia y la distribución marginal de los votos en matemáticas.

¿Cuáles son las gráficas para datos bivariados?

Una trama bivariada grica la relación
entre dos variables que se han medido
en una sola muestra de sujetos. Tal
La trama le permite ver de un vistazo el grado y el patrón
de relación entre las dos variables. En una trama bivariada, la abscisa (eje x)
representa las puntuaciones potenciales de la variable predictor y la ordenada
(Eje y) representa las puntuaciones potenciales de la variable predicha o de resultado.
Cada punto en la trama muestra los puntajes X e Y para
un solo sujeto. Esto es lo que queremos decir con trama «bivariada»
– Cada punto representa dos variables. Una trama bivariada de dos puntajes (autoestima
y evitación interpersonal) de nuestro conjunto de datos de clase se muestra a continuación. El rojo
La línea en el gráfico muestra una relación lineal perfecta entre las dos variables.

Como se puede ver, los puntos en este gráfico no
Sigue una línea recta perfecta. La distancia
de los puntos a la línea se llama «dispersión».
Una gran cantidad de dispersión alrededor de la línea indica
una relación débil. Poco
La dispersión representa un fuerte
relación. Si todos los puntos caen directamente sobre
una línea recta, tenemos un lineal perfecto
relación entre nuestras dos variables.

También miramos el gráfico para determinar la dirección
de la relación lineal. Una línea que comienza en la esquina superior izquierda
de la trama y termina en la esquina inferior derecha (como se muestra la relación
arriba) se llama relación negativa. En
una relación lineal negativa, alta
Las puntuaciones en la variable X predicen puntajes bajos en la variable Y. En el
Ejemplo anterior, los altos niveles de autoestima están asociados con bajos niveles de
Evitación interpersonal. Una línea que comienza en la esquina inferior izquierda del
trama y termina en la esquina superior derecha se llama positivo
relación. En una relación lineal positiva,
puntajes altos en la variable X predicen puntuaciones altas en
la variable y. Puntajes dispersos al azar
Alrededor de una línea recta en el medio del gráfico indica que no
relación entre variables. A veces se mostrará una trama de dispersión
Una relación curvilínea entre dos variables.
Si esto sucede, necesitamos usar estadísticas especiales desarrolladas para curvilínea
relaciones. Cada tipo de relación se presenta a continuación.

¿Cuáles son las gráficas para representar los datos bivariados?

Una gráfica de dispersión es un gráfico que muestra la relación entre los datos que tiene dos variables numéricas. Por ejemplo, si recopila datos sobre la relación entre la cantidad de horas de estudios de estudiantes y su puntaje en una prueba, los datos tienen dos variables numéricas: tiempo estudiado y puntaje de prueba. Grapes los valores de gráfico de dispersión en el plano de coordenadas.

Para comprender mejor la visualización de datos bivariados (gráficos de dispersión)…

Adesina recopiló datos sobre recaudadores de fondos de helados. Cada pieza de datos da la temperatura ese día y la cantidad de helado vendida. Este tipo de datos se denomina datos bivariados porque tiene 2 variables. Los gráficos de línea solo pueden mostrar 1 variable. Los gráficos de dispersión son una herramienta que puede usar para mostrar datos bivariados. Puede hacer pares de coordenadas utilizando los datos. Por ejemplo, un día fueron 60 grados Fahrenheit y se vendieron 8 helados. Luego puede trazar (60, 8) en un plano de coordenadas. Repita para todos los puntos de datos y tendrá una gráfica de dispersión. Se llama diagrama de dispersión porque los datos parecen dispersos. Ahora lo intentas: un día fue 75 grados Fahrenheit. Vendieron 49 helados. ¿Qué par de coordenadas usarías para representar este punto de datos en el gráfico de dispersión?

Si bien los datos del helado están dispersos, muestra una tendencia. En general, cuanto mayor sea la temperatura, mayor será el número de helados vendidos. Esto se llama asociación positiva porque los valores están aumentando a medida que avanza correctamente. Un punto, (86, 20), no sigue la tendencia. Este punto es un caso atípico. Ahora lo intentas: una trama de dispersión muestra la relación entre el tiempo que pasó corriendo y la distancia corrida. En general, a medida que aumenta el tiempo, la distancia también aumenta. ¿Qué tipo de asociación hay entre las variables?

Una gráfica de dispersión muestra datos de temperatura y elevación. Cada punto de datos muestra la temperatura leída en una elevación dada. La elevación está en el eje X y la temperatura está en el eje Y. A medida que el gráfico va de izquierda a derecha, los puntos tentan hacia abajo. A medida que aumenta la elevación, la temperatura disminuye. Esta trama muestra una asociación negativa. Otra trama de dispersión muestra la relación entre la edad adulta y la altura de los adultos. Los puntos se extienden y no muestran ninguna tendencia. Esta relación no muestra asociación. Ahora lo intentas: dibuja una trama de dispersión que no muestra asociación. Dibuja otra trama de dispersión que muestra una asociación negativa.

¿Qué es un modelo bivariado?

Nota en los paquetes requeridos: el siguiente código requiere los paquetes en el Tidyverse. El Tidyverse contiene muchos paquetes que le permiten organizar, resumir y trazar datos. Si aún no lo ha hecho, descargue e instale las bibliotecas (necesarias solo una vez por computadora) y cargue las bibliotecas (debe hacer cada vez que inicie R) con el siguiente código:

Una regresión lineal simple (también conocida como regresión bivariada) es una ecuación lineal que describe la relación entre una variable explicativa y una variable de resultado, específicamente con la suposición de que la variable explicativa influye en la variable de resultado, y no al vicepresas.

Ejemplo: Sea (y_i ) denote los ingresos de algún individuo en su muestra indexado por (i ) donde (i in {1,2, .., n } ), vaya (x_i ) denota el número de años de educación del mismo individuo, y dejen que (n ) denote el tamaño de la muestra. Una ecuación de regresión lineal simple de estas dos variables en la muestra toma la forma,

donde (b_1 ) es la estimación de muestra de la pendiente de la línea de regresión con respecto a años de educación y (b_0 ) es la estimación de muestra para la intercepción vertical de la línea de regresión.

El término (e_i ) es residual, o el término de error en regresión. Dado que no esperaríamos que la educación prediga exactamente los ingresos, no todos los puntos de datos en una muestra se alinearán exactamente en la línea de regresión. Para algún individuo (i in {1,2, .., n } ) en la muestra, (e_i ) es la diferencia entre su ingreso real y el nivel predicho de ingresos en línea basado en el logro de educación real de la persona.

Artículos Relacionados:

Más posts relacionados:

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *