- 0
- 0
- 0
- 0
La regresión lineal simple es un método que puede utilizar para comprender la relación entre una variable explicativa, x, y una variable de respuesta, y.
Este tutorial explica cómo realizar una regresión lineal simple en Stata.
Ejemplo: regresión lineal simple en Stata
Suponga que estamos interesados en comprender la relación entre el peso de un automóvil y sus millas por galón. Para explorar esta relación, podemos realizar una regresión lineal simple utilizando el peso como variable explicativa y las millas por galón como variable de respuesta.
Realice los siguientes pasos en Stata para realizar una regresión lineal simple utilizando el conjunto de datos llamado auto , que contiene datos sobre 74 automóviles diferentes.
Paso 1: cargue los datos.
Cargue los datos escribiendo lo siguiente en el cuadro de comando:
use http://www.stata-press.com/data/r13/auto
Paso 2: obtenga un resumen de los datos.
Obtenga una comprensión rápida de los datos con los que está trabajando escribiendo lo siguiente en el cuadro Comando:
resumir
Podemos ver que hay 12 variables diferentes en el conjunto de datos, pero las únicas dos que nos importan son el mpg y el peso .
Paso 3: Visualice los datos.
Antes de realizar una regresión lineal simple, primero creemos una gráfica de dispersión de peso frente a mpg para que podamos visualizar la relación entre estas dos variables y verificar si hay valores atípicos obvios. Escriba lo siguiente en el cuadro Comando para crear un diagrama de dispersión:
dispersión de peso de mpg
Esto produce el siguiente diagrama de dispersión:
Podemos ver que los autos con pesos más altos tienden a tener menos millas por galón. Para cuantificar esta relación, ahora realizaremos una regresión lineal simple.
Paso 4: Realice una regresión lineal simple.
Escriba lo siguiente en el cuadro Comando para realizar una regresión lineal simple usando el peso como variable explicativa y mpg como variable de respuesta.
regresa el peso de mpg
A continuación se explica cómo interpretar los números más interesantes en la salida:
R cuadrado: 0,6515. Esta es la proporción de la varianza en la variable de respuesta que se puede explicar por la variable explicativa. En este ejemplo, el 65,15% de la variación en mpg se puede explicar por peso.
Coef (peso): -0,006. Esto nos dice el cambio promedio en la variable de respuesta asociado con un aumento de una unidad en la variable explicativa. En este ejemplo, cada aumento de peso de una libra está asociado con una disminución de 0.006 en mpg, en promedio.
Coef (_cons): 39.44028. Esto nos dice el valor promedio de la variable de respuesta cuando la variable explicativa es cero. En este ejemplo, el mpg promedio es 39.44028 cuando el peso de un automóvil es cero. En realidad, esto no tiene mucho sentido de interpretar, ya que el peso de un automóvil no puede ser cero, pero se necesita el número 39.44028 para formar una ecuación de regresión.
P> | t | (peso): 0.000. Este es el valor p asociado con la estadística de prueba para el peso. En este caso, dado que este valor es menor a 0.05, podemos concluir que existe una relación estadísticamente significativa entre peso y mpg.
Ecuación de regresión: Por último, podemos formar una ecuación de regresión utilizando los dos valores de coeficiente. En este caso, la ecuación sería:
mpg previsto = 39,44028 – 0,0060087 * (peso)
Podemos usar esta ecuación para encontrar las millas por galón pronosticadas para un automóvil, dado su peso. Por ejemplo, se predice que un automóvil que pesa 4,000 libras tendrá mpg de 15.405:
mpg previsto = 39.44028 – 0.0060087 * (4000) = 15.405
Paso 5: Informe los resultados.
Por último, queremos informar los resultados de nuestra regresión lineal simple. A continuación, se muestra un ejemplo de cómo hacerlo:
Se realizó una regresión lineal para cuantificar la relación entre el peso de un automóvil y sus millas por galón. En el análisis se utilizó una muestra de 74 automóviles.
Los resultados mostraron que hubo una relación estadísticamente significativa entre peso y mpg (t = -11.60, p <0.0001) y el peso representó el 65.15% de la variabilidad explicada en mpg.
Se encontró que la ecuación de regresión es:
mpg previsto = 39,44 – 0,006 (peso)
Cada libra adicional se asoció con una disminución, en promedio, de -.006 millas por galón.
- https://r-project.org
- https://www.python.org/
- https://www.stata.com/
¿Te hemos ayudado?
Ayudanos ahora tú, dejanos un comentario de agradecimiento, nos ayuda a motivarnos y si te es viable puedes hacer una donación:La ayuda no cuesta nada
Por otro lado te rogamos que compartas nuestro sitio con tus amigos, compañeros de clase y colegas, la educación de calidad y gratuita debe ser difundida, recuerdalo: