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
Top Related