18. Regresión LinealInvestigación Clínica

ICB-UACJ

Regresión Lineal

La RL permite predecir o disminuir incertidumbres

Es el estudio de la dependencia De como una respuesta o

variable depende de uno o más predictores o variables independientes

2 aspectos básicos de la RL Que la variable tenga

distribución normal

Debe existir una relación en la que el incremento o disminución de una variable sea proporcional

Palacios-Cruz et al., Rev Med Inst Mex Seguro Soc. 2013;51(6):656-61

Regresión Lineal - condiciones

Variable dependiente debe ser continua

Las variables independientes pueden ser continuas o categóricas

El intercepto El coeficiente de

regresión

El coeficiente de determinación (R2)

El Intervalo de confianza El valor de “F” del

análisis de la varianza de regresión

Palacios-Cruz et al., Rev Med Inst Mex Seguro Soc. 2013;51(6):656-61

Regresión Lineal Utiliza una variable dependiente

(desenlace o “y”) para predecir Utiliza una variable independiente

(maniobra o “x”) Utiliza un termino aleatorio El primer paso es determinar la

pendiente o inclinación de la línea de regresión

Coeficiente de regresión (B1) Positividad – relación

directa

Si B1 es (+) “y” aumenta conforme “x” aumenta

Negatividad – relación inversa

Si B1 es (-) “y” disminuye conforme “x” aumenta

Si B1 = 0, no hay cambios en “y” a partir de “x”

Palacios-Cruz et al., Rev Med Inst Mex Seguro Soc. 2013;51(6):656-61

Palacios-Cruz et al., Rev Med Inst Mex Seguro Soc. 2013;51(6):656-61

Ejemplos de regresión en gráficos de dispersión

Schneider et al., Dtsch Arztebl Int 2010; 107(44): 776–82.

Regresión Lineal - Tipos

RL Simple (RLS): Se relacionan solo 2 variables

La variable dependiente (resultado)es cuantitativa

La variable independiente (predictora) puede ser cuantitativa o cualitativa

RL Múltiple (RLM): Se utilizan 2 o más

variables (independientes) para predecir una variable dependiente cuantitativa

Las variables independientes pueden ser variables cuantitativas y cualitativas

Palacios-Cruz et al., Rev Med Inst Mex Seguro Soc. 2013;51(6):656-61

Regresión Lineal Simple (RLS)

Coeficiente de correlación de Pearson = r 0 = independencia completa

0.5 = moderada

±1 = correlación perfecta

Ej., r = 0.886 = el ajuste de los datos al modelo lineal es del 88.6%

Coeficiente de determinación = R Expresa el % de casos que sirven para

predecir el resultado final

Ej., R = 0.785 = el 78.5% de los casos, el resultado 1 sirve para predecir el resultado 2

Schneider et al., Dtsch Arztebl Int 2010; 107(44): 776–82.

Regresión Lineal Simple (RLS)

SPSS nos muestra un valor de ANOVA Si la sig. <0.5 = modelo lineal

adecuado

SPSS también nos muestra el valor de t de student y su p-valor para la relación entre las variables P = <0.05 = hay correlación

P = >0.05 = no hay correlación

Coeficiente de Regresión Peso – talla = 1.16

Significa que por cada centímetro de altura se agregan en promedio 1.16 kg a cada individuo

Peso – Genero = 14.93

Significa que los hombres son 14.93 kg más pesados que las mujeres

Schneider et al., Dtsch Arztebl Int 2010; 107(44): 776–82.

Regresión Lineal Múltiple (RLM)

Este modelo permite medir el efecto de variables múltiples sobre la variable dependiente

Permite un pronóstico individual en base a las características

Se pueden incluir variables irrelevantes que distorsionan el resultado

Schneider et al., Dtsch Arztebl Int 2010; 107(44): 776–82.

Conclusiones

La predicción de la variable dependiente a partir de una o más variables independientes no significa causalidad

La causalidad solo debe considerarse si se cumplen las condiciones enunciadas por Austin Bradford Hill

Cuando uses RLM, de manera general, el numero de observaciones deberá ser mayor de 20-30 por cada variable en estudio

Palacios-Cruz et al., Rev Med Inst Mex Seguro Soc. 2013;51(6):656-61