Características del empleador (R2 = .15 ∗∗), características de descripción del trabajo (ΔR2 = .17 ∗∗) y características del examinador (ΔR2 = .02 ∗∗) todas representaron una porción estadísticamente significativa de la varianza encontrada en los difuntos, F (F (( 12,76) = 3.24, p <.01. Dicho de otra manera, el empleador, la descripción del trabajo y las características del examinador en el presente estudio dieron como resultado un R2 total de .34 ∗∗, lo que representa el 34% de todas las variaciones que se encuentran entre los difundidos.
En el paso 1 (características del empleador), se observan resultados estadísticamente significativos para los difundentes basados en la acreditación de laboratorio (SR = .38 ∗∗); Se correlacionaron significativamente más difuntos con laboratorios forenses acreditados. Este hallazgo sugiere que si un laboratorio forense está acreditado, los examinadores fraudulentos tienen significativamente más probabilidades de exagerar, embellecer, mentir o tergiversar hallazgos que falsificar las credenciales o en seco sus resultados.
Una forma de interpretar este hallazgo es inferir que la estructura y la responsabilidad necesarias para lograr la acreditación de laboratorio pueden ser efectivas para evitar que los no calificados (pseudoexcreperios) obtengan empleo en laboratorios acreditados, y para garantizar que la evidencia física se examine sin alterar los simuladores de los simuladores, En otras palabras, que hay algunos resultados positivos y constructivos de la acreditación de laboratorio. Esta es una interpretación razonable.
Sin embargo, este hallazgo también demuestra que la acreditación de laboratorio no elimina el fraude forense. De hecho, puede usarse para inferir que la acreditación de laboratorio en realidad alienta a los examinadores forenses a cometer un tipo particular de fraude, para mentir sobre los resultados de sus exámenes por temor a cometer un error documentado o fallar sus competencias. Como se discutirá más adelante en este capítulo, esta interpretación está respaldada por hallazgos que demuestran que la acreditación de laboratorio se relaciona significativamente con una mayor falsificación de un solo tipo de evidencia: el ADN.
En el paso 2 (características de descripción del trabajo), se observan resultados estadísticamente significativos para los difundentes basados en un ΔR2 combinado de .17 ∗∗, lo que representa el 17% de toda la varianza encontrada entre los difundentes. Si bien el ΔR2 combinado es significativo, el examen de variables individuales (JLAB, JTEC, JLEX y JMED) no es revelador. En consecuencia, las variables del paso 2 representan lo que se puede denominar un grupo de varianza. Es decir, estas variables son importantes como grupo en relación con los difundentes, pero es probable que no haya suficiente tamaño de muestra para magnificar y revelar cuáles son factores significativos por su cuenta. Se necesita más estudio para determinar qué características de descripción del trabajo se correlacionan significativamente con los difundentes.
¿Cuál es la importancia de un análisis de regresión multiple?
Hay dos ventajas principales para analizar datos utilizando un modelo de regresión múltiple. La primera es la capacidad de determinar la influencia relativa de una o más variables predictoras al valor de criterio. El agente inmobiliario podría encontrar que el tamaño de las casas y el número de habitaciones tienen una fuerte correlación con el precio de una casa, mientras que la proximidad a las escuelas no tiene correlación, o incluso una correlación negativa si es principalmente una jubilación comunidad.
La segunda ventaja es la capacidad de identificar valores atípicos o anomalías. Por ejemplo, mientras revisaba los datos relacionados con los salarios de gestión, el gerente de recursos humanos podría encontrar que la cantidad de horas funcionadas, el tamaño del departamento y su presupuesto tenían una fuerte correlación con los salarios, mientras que la antigüedad no lo hizo. Alternativamente, podría ser que todos los valores de predictor enumerados se correlacionaran con cada uno de los salarios que se examinan, excepto por un gerente que estaba siendo pagado en comparación con los demás.
Cualquier desventaja de usar un modelo de regresión múltiple generalmente se reduce a los datos que se utilizan. Dos ejemplos de esto son utilizar datos incompletos y concluir falsamente que una correlación es una causalidad.
Al revisar el precio de las casas, por ejemplo, suponga que el agente inmobiliario observó solo 10 casas, siete de las cuales fueron compradas por padres jóvenes. En este caso, la relación entre la proximidad de las escuelas puede llevarla a creer que esto tuvo un efecto en el precio de venta de todas las casas que se venden en la comunidad. Esto ilustra las trampas de datos incompletos. Si hubiera usado una muestra más grande, podría haber encontrado que, de cada 100 casas vendidas, solo el diez por ciento de los valores de la vivienda estaban relacionados con la proximidad de una escuela. Si hubiera usado las edades de los compradores como valor predictor, podría haber descubierto que los compradores más jóvenes estaban dispuestos a pagar más por las casas en la comunidad que los compradores mayores.
¿Por qué es importante la regresión lineal simple?
Es común hacer la estipulación adicional de que se debe utilizar el método de mínimos cuadrados ordinarios (OLS): la precisión de cada valor predicho se mide por su residual cuadrado (distancia vertical entre el punto del conjunto de datos y la línea ajustada), y El objetivo es hacer que la suma de estas desviaciones cuadradas sea lo más pequeña posible. Otros métodos de regresión que se pueden usar en lugar de mínimos cuadrados ordinarios incluyen desviaciones menos absolutas (minimizando la suma de los valores absolutos de los residuos) y el estimador de Theil -Sen (que elige una línea cuya pendiente es la mediana de las pendientes determinadas por pares de pares de pares de pares de pares de pares Puntos de muestra). La regresión de demonio (mínimos cuadrados totales) también encuentra una línea que se ajusta a un conjunto de puntos de muestra bidimensionales, pero (a diferencia de los mínimos cuadrados ordinarios, las desviaciones menos absolutas y la regresión mediana de la pendiente) no es realmente una instancia de regresión lineal simple, porque No separa las coordenadas en una variable dependiente y independiente y podría devolver una línea vertical como su ajuste.
El resto del artículo asume una regresión de mínimos cuadrados ordinarios.
En este caso, la pendiente de la línea ajustada es igual a la correlación entre Y y X corregida por la relación de las desviaciones estándar de estas variables. La intersección de la línea ajustada es tal que la línea pasa a través del centro de masa (x, y) de los puntos de datos.
que describe una línea con pendiente β e intersección y α. En general, dicha relación puede no ser exactamente para la población de valores en gran medida no observada de las variables independientes y dependientes; Llamamos a las desviaciones no observadas de la ecuación anterior los errores. Supongamos que observamos n pares de datos y los llamamos {(xi, yi), i = 1,…, n}. Podemos describir la relación subyacente entre Yi y Xi que implica este término de error εi por
Esta relación entre los parámetros subyacentes verdaderos (pero no observados) α y β y los puntos de datos se denominan modelo de regresión lineal.
¿Que se busca lograr con la regresión?
El equipo editorial de hecho comprende un equipo diverso y talentoso de escritores, investigadores y expertos en la materia equipados con los datos y las ideas de hecho para ofrecer consejos útiles para ayudar a guiar su viaje profesional.
El análisis de regresión es una herramienta estadística utilizada en negocios, finanzas y otros campos para estudiar la relación entre dos variables. Por ejemplo, puede usar este método para evaluar si aumentar el precio de un producto afecta cuántos clientes lo compran o si las ventas de palas aumentan durante las tormentas de nieve. Comprender el análisis de regresión puede ayudarlo a tomar decisiones comerciales más fuertes y efectivas para su empresa o equipo. En este artículo, exploramos qué es el análisis de regresión y por qué los profesionales lo usan y explican cómo realizar un estudio de análisis de regresión.
El análisis de regresión es la correlación medida matemáticamente de un vínculo entre dos variables: la variable independiente X y la variable dependiente Y. El análisis de regresión evalúa cuán fuertemente relacionados están los dos elementos para ayudarlo a hacer planes, decisiones y pronósticos de negocios más fuertes. Por ejemplo, puede ayudarlo a comprender mejor la relación entre variables que afectan sus objetivos de ventas o presupuestar.
Hay dos tipos de análisis de regresión que puede usar:
Este método se utiliza para estimar la relación entre una variable dependiente y una sola variable independiente. Por ejemplo, puede evaluar la conexión entre cuánto dinero gana una persona y su nivel de educación o la cantidad de rendimientos de cultivos en comparación con la cantidad de lluvia en una sola temporada.
¿Cómo se interpreta la ecuación de regresión?
En general, las unidades para la pendiente son las unidades de la variable Y por unidades de la variable X. Es una relación de cambio en Y por cambio en X. Supongamos que al estudiar el efecto del nivel de dosificación en los miligramos (mg) en la presión arterial sistólica (MMHG), un investigador encuentra que la pendiente de la línea de regresión es –2.5. Puede escribir esto como –2.5/1 y decir que se espera que la presión arterial sistólica disminuya en 2.5 mmHg en promedio por 1 mg de aumento en la dosis de drogas.
Siempre asegúrese de usar las unidades adecuadas al interpretar la pendiente. Si no considera las unidades, realmente no verá la conexión entre las dos variables en cuestión. Por ejemplo, si Y es una puntuación de examen y x = tiempo de estudio, y encuentra que la pendiente de la ecuación es 5, ¿qué significa esto? No hay mucho sin ninguna unidades para extraer. Incluyendo las unidades, se ve que obtiene un aumento de 5 puntos (cambio en Y) por cada aumento de 1 hora en el estudio (cambio en X). También asegúrese de observar variables que tienen más de una unidad común, como la temperatura en Fahrenheit o Celsius; Sepa qué unidad se está utilizando.
¿Cómo interpretar la recta de regresion lineal?
Una vez que tenemos las estimaciones para la pendiente y la intercepción, debemos interpretarlas. Recuerde desde el comienzo de la lección lo que la pendiente de una línea significa algebraicamente. Si la pendiente se denota como (m ), entonces
(m = dfrac { text {cambio en y}} { text {cambio en x}} )
En otras palabras, la pendiente de una línea es el cambio en la variable y sobre el cambio en la variable x. Si el cambio en la variable X es uno, entonces la pendiente es:
La pendiente se interpreta como el cambio de y para un aumento de una unidad en x. Esta es la misma idea para la interpretación de la pendiente de la línea de regresión.
Interpretando la pendiente de la ecuación de regresión, ( hat { beta} _1 )
( hat { beta} _1 ) representa el aumento estimado en y por unidad de aumento en X. Tenga en cuenta que el aumento puede ser negativo, lo que se refleja cuando ( hat { beta} _1 ) es negativo.
Nuevamente volviendo al álgebra, la intercepción es el valor de y cuando (x = 0 ). Tiene la misma interpretación en estadísticas.
Interpretando la intersección de la ecuación de regresión, ( hat { beta} _0 )
( hat { beta} _0 ) es la intersección (y )-de la línea de regresión. Cuando (x = 0 ) está dentro del alcance de la observación, ( hat { beta} _0 ) es el valor estimado de y cuando (x = 0 ).
Tenga en cuenta, sin embargo, cuando (x = 0 ) no está dentro del alcance de la observación, la intersección y generalmente no es de interés.
Supongamos que encontramos la siguiente ecuación de regresión para el peso frente a la altura.
¿Cómo se analiza un analisis de regresion?
El análisis de regresión es una técnica de análisis que calcula la relación estimada entre una variable dependiente y una o más variables explicativas. Con el análisis de regresión, puede modelar la relación entre las variables elegidas y predecir los valores basados en el modelo.
El análisis de regresión utiliza un método de estimación elegido, una variable dependiente y una o más variables explicativas para crear una ecuación que estima los valores para la variable dependiente.
El modelo de regresión incluye salidas, como los valores R2 y P, para proporcionar información sobre qué tan bien el modelo estima la variable dependiente.
El análisis de regresión se puede utilizar para resolver los siguientes tipos de problemas:
- Determine qué variables explicativas están relacionadas con la variable dependiente.
- Comprender la relación entre las variables dependientes y explicativas.
- Predecir valores desconocidos de la variable dependiente.
Un analista de una pequeña cadena minorista está estudiando el rendimiento de diferentes ubicaciones de las tiendas. El analista quiere saber por qué algunas tiendas están teniendo un volumen de ventas inesperadamente bajo. El analista crea un modelo de regresión con variables explicativas como la edad media e ingresos en el vecindario circundante, así como la distancia a los centros minoristas y el transporte público, para determinar qué variables influyen en las ventas.
Un analista de un Departamento de Educación está estudiando los efectos de los programas de desayuno escolar. El analista crea un modelo de regresión de resultados de logro educativo, como la tasa de graduación, el uso de variables explicativas como el tamaño de la clase, el ingreso del hogar, el presupuesto escolar per cápita y la proporción de estudiantes que desayunan a diario. La ecuación del modelo se puede utilizar para determinar el efecto relativo de cada variable en los resultados de logro educativo.
Artículos Relacionados:
