Você está na página 1de 16

Estadstica avanzada - Regresin lineal

Fuentes:
Etxebarria, J. (1999). Regresin Mltiple. Madrid: La Muralla.
SPSS, versin 15.0, Sistema de ayuda.
ndice
Regresin lineal simple ....................................................................................... 1
Bases ............................................................................................................................... 1
Condiciones de la aplicacin ............................................................................................ 2
Interpretacin de resultados con SPSS............................................................................ 3
Resumen del modelo .................................................................................................... 3
ANOVA Anlisis de varianza asociado ...................................................................... 4
Coeficientes ..................................................................................................................4
Ejemplos .......................................................................................................................... 5
Media de selectividad y autoconcepto acadmico ........................................................ 5
Autoestima y autoconcepto acadmico ........................................................................ 6
Regresin lineal mltiple ..................................................................................... 7
Bases ............................................................................................................................... 7
Condiciones de aplicacin................................................................................................ 7
Interpretacin de los resultados ....................................................................................... 8
Ejemplos .......................................................................................................................... 9
Autoconcepto acadmico ............................................................................................. 9
Ansiedad en los exmenes......................................................................................... 12

Regresin lineal simple


Bases
El anlisis de regresin permite hacer predicciones sobre el valor que puede adoptar una
variable dependiente cuantitativa, a partir del conocimiento de las puntuaciones de una
variable independiente cuantitativa.
La recta de regresin es la recta que ms se acerca a la nube de puntos en un diagrama
de dispersin.
Es importante recordar que en anlisis de regresin no permite constatar la causalidad.
Las estimaciones que proporciona informan de tendencias, no de predicciones exactas.
La puntuacin de cada sujeto en la variable dependiente se desglosara en Yi = a + b*Xi +
ei
Es decir:
-

una constante a (el valor de Y cuando X = 0, o la altura a en la que la recta de


regresin se encuentra con el eje de ordenadas);

el producto de X por la pendiente b de la recta de regresin (el efecto del valor de X


sobre Y); y

el error cometido en la prediccin (la diferencia entre la estimacin Yi y el valor real


Yi).
1

Normalmente se utiliza el criterio de los mnimos cuadrados para determinar la recta de


regresin: estimar los coeficientes a y b de la recta de manera que sean los que
minimicen la suma de las distancias (Yi - Yi) al cuadrado.
Sirve para contrastar ajustes lineales. Aunque se constate numricamente un ajuste
lineal, no significa que realmente no exista una relacin curvilnea. En una relacin
curvilnea pueden conseguirse buenos ajustes lineales. Vase el segundo ejemplo de
Anscombe en http://en.wikipedia.org/wiki/Anscombe%27s_quartet
La existencia o no de una relacin lineal se puede apreciar mediante un diagrama de
dispersin.
Si la relacin que observamos no es lineal podemos optar por:
-

realizar transformaciones con las variables (Etxeberria, 1999:96), o

contrastar una regresin curvilnea, seleccionando un determinado patrn para el


contraste (Etxeberria, 1999:94).

Condiciones de la aplicacin
-

El modelo est bien especificado:


o La relacin entre X e Y es lineal (las medias de Y que calculamos estn
aproximadamente sobre una recta).
o No han quedado fuera del modelo variables importantes.
o No han sido incluidas variables irrelevantes.

Las variables estn medidas sin error. Los niveles de validez y fiabilidad son
aceptables y no hay errores sistemticos.

Los errores aleatorios en la prediccin deben cumplir una serie de condiciones


(distribucin normal, media = 0, homoscedasticidad, independientes con respecto a
la variable independiente, independencia de los errores entre s). Podemos pedir al
SPSS una grfica con una distribucin de frecuencias de los residuos , y observar
si es aproximadamente normal y si la probabilidad observada acumulada sigue
aproximadamente una pendiente de 45 grados. Tambin puede realizarse un
diagrama de dispersin y ver por ejemplo si el alejamiento con respecto a la recta
de regresin es uniforme, o muestra un sesgo sistemtico .

El anlisis de regresin es bastante robusto: pequeas desviaciones en relacin a estas


condiciones no invalidan las conclusiones.
Anscombe (1973) present 4 conjuntos de datos (ver base de datos y hoja de resultados
Anscombe 1973, en http://en.wikipedia.org/wiki/Anscombe%27s_quartet).

Todos responden a la ecuacin


Y = 3 + 0,50 X
En todos los casos R2 =0,667. Pero proceden de realidades muy distintas:
-

el segundo se aprecia una relacin curvilnea (podramos hacer algunas


transformaciones para que se ajustara mejor a la linealidad, o utilizar un contraste
con una regresin curvilnea);

en el tercero y el cuarto hay casos sobresalientes y/o extremos que condicionan


fuertemente el resultado, de modo que habr que buscar alguna solucin o por lo
menos ser ms prudentes al interpretar los resultados.

En consecuencia, al iniciar cualquier anlisis de regresin lineal, es importante realizar


dos estudios:
-

representar un diagrama de puntos, para detectar posibles desviaciones a las


condiciones de aplicacin del modelo;

estudiar las condiciones de aplicacin del modelo, de modo que en el ejemplo de


Anscombe, slo el primero sera apto para la utilizacin de la regresin lineal
simple.

Interpretacin de resultados con SPSS


Resumen del modelo
R relacin entre la variable dependiente y sus predicciones, concretamente la
correlacin existente entre las estimaciones Y y las puntuaciones reales Y.
R2 coeficiente de determinacin: proporcin de varianza explicada.
R2 corregida el coeficiente de determinacin corregido es un mejor estimador
poblacional de la proporcin de varianza estimada. Conviene realizar una lectura en
trminos de porcentaje.
3

El coeficiente de determinacin R2 especifica la proporcin de varianza de Y que explica


X, es decir R 2 =

(Y ' i Y ) 2
(Yi Y ) 2

El coeficiente de determinacin ajustado introduce algunas correcciones en la frmula y


corrige cierto efecto inflacionista del coeficiente de determinacin. En cuanto estimador de
la varianza explicada en la poblacin, es preferible al no ajustado (que tiene una pequea
tendencia inflacionista), sobre todo si la muestra es pequea.
Dado que a y b son estimaciones muestrales, podemos calcular intervalos para y
(coeficientes poblacionales).
A la hora de hacer la prediccin de un valor habr que tener en cuenta tanto esta ltima
variabilidad como la de cada caso a partir del valor estimado para Y.
Error tpico de la estimacin = raz cuadrada de la media de cuadrados del error de
estimacin (expresado en unidades de la variable dependiente). Indica el tamao de la
imprecisin de las estimaciones. Podemos comparar el error tpico de la estimacin con la
desviacin tpica de la variable dependiente. Si el error tpico de la estimacin es mucho
ms pequeo que la desviacin tpica, nos indica que la prediccin s aporta un
conocimiento sustancial sobre el comportamiento de la variable dependiente.

ANOVA Anlisis de varianza asociado


Desglosa la varianza de la variable dependiente, y calcula la ratio entre la varianza
explicada por la regresin y la residual (la que no explica la regresin).
Podemos comparar la suma de cuadrados de la regresin y la residual.
Nos permite analizar la significatividad del ajuste obtenido mediante la regresin.

Coeficientes
Fila Constante Col. Coeficientes no estandarizados B: corresponde al coeficiente a.
Indica que el valor de la variable dependiente si el valor de la independiente fuera 0.
Fila variable independiente Col. dem: corresponde al coeficiente b. Representa el
incremento de la variable dependiente, cuando la independiente crece en un punto. Las
unidades de medida son las originales de la variable independiente y dependiente.
Grficamente: a es el punto de corte con el eje de ordenadas, y b la pendiente de la recta.
Es importante considerar la sensatez o insensatez de las estimaciones en ciertos
intervalos (ej., estimacin de altura a los 40 aos habiendo hecho un anlisis de regresin
entre los 3 y los 10 aos). Ver por ejemplo las tablas de crecimiento en
http://www.neonatos.org/DOCUMENTOS/Tablas_Orbegozo.pdf,
o
en
http://saludydeporte.consumer.es/edad/ninos/index.html y valorar el sentido de predecir
con esa informacin la altura a los 0 aos o a los 40 aos.
Cuando trabajamos con estos coeficientes, pero habindolos obtenido a partir de
puntuaciones estandarizadas, obtenemos los coeficientes BETA:
BETA = b

sx
sy
4

Refleja en cuntas desviaciones tpicas aumenta Y por cada desviacin tpica que
aumenta X.
En el caso de la correlacin simple coincide con el coeficiente de correlacin.
El coeficiente t de cada variable es el resultado de dividir el coeficiente B entre su error
tpico. La significacin da cuenta de qu variables son relevantes en el modelo.

Ejemplos
Media de selectividad y autoconcepto acadmico

TOTAL AUTOCONCEPTO ACADEMICO

5,00

4,00

3,00

2,00
Sq r lineal = 0,287

1,00
4,0

5,0

6,0

7,0

8,0

9,0

10,0

SELECTIVIDAD
Resumen del modelo
R cuadrado
R
R cuadrado
corregida
,539(a)
,291
,289
a Variables predictoras: (Constante), SELECTIVIDAD
Modelo
1

Error tp. de la
estimacin
,60149

ANOVA(b)

Modelo
1

Regresin
Residual

Suma de
cuadrados
75,188
183,426

Media
cuadrtica
75,188

507

,362

gl

F
207,824

Sig.
,000(a)

Total

258,613
508
a Variables predictoras: (Constante), SELECTIVIDAD

b Variable dependiente: TOTAL AUTOCONCEPTO ACADEMICO

Coeficientes(a)

Coeficientes no
estandarizados
Modelo
1

B
(Constante)

,514

Coeficientes
estandarizado
s

Error tp.
,189

Beta

SELECTIVIDAD

,417
,029
a Variable dependiente: TOTAL AUTOCONCEPTO ACADEMICO

,539

t
2,726

Sig.
,007

14,416

,000

Autoestima y autoconcepto acadmico

TOTAL AUTOCONCEPTO ACADEMICO

5,00

4,00

3,00

2,00
Sq r lineal = 0,017

1,00
1,00

2,00

3,00

4,00

5,00

TOTAL AUTOCONCEPTO PERSONAL


Resumen del modelo
R cuadrado
Error tp. de la
R
R cuadrado
corregida
estimacin
,130(a)
,017
,015
,70499
a Variables predictoras: (Constante), TOTAL AUTOCONCEPTO PERSONAL
Modelo
1

ANOVA(b)

Modelo

Suma de
cuadrados

gl

Media
cuadrtica

Sig.

Regresin
Residual

4,782

4,782

279,814

563

,497

9,621

,002(a)

Total

284,595
564
a Variables predictoras: (Constante), TOTAL AUTOCONCEPTO PERSONAL
b Variable dependiente: TOTAL AUTOCONCEPTO ACADEMICO
Coeficientes(a)
Coeficientes
estandarizado
s

Coeficientes no
estandarizados
Modelo
1

(Constante)

B
2,626

Error tp.
,184

,139

,045

TOTAL AUTOCONCEPTO
PERSONAL

Beta

,130

t
14,300

Sig.
,000

3,102

,002

a Variable dependiente: TOTAL AUTOCONCEPTO ACADEMICO

Regresin lineal mltiple


Bases
El anlisis de regresin permite hacer predicciones sobre el valor que puede adoptar una
variable dependiente cuantitativa, a partir del conocimiento de las puntuaciones de varias
variables independientes cuantitativas.
Buscamos el plano que mejor se ajuste a la nube de puntos.
En la muestra estara representado por
Y = b0 + b1X1 + b2X2 + b3X3 + ... + bkXk + e
En el caso de la poblacin estara representado por
Y = 0 + 1X1 + 2X2 + 3X3 + ... + kXk +

Condiciones de aplicacin
Pequeas desviaciones en el cumplimiento de estas condiciones no invalidan los
resultados obtenidos, pero deben hacer que interpretemos los resultados con ms
prudencia.
-

el modelo est bien especificado


o la relacin entre las variables independientes y la dependiente es lineal y
aditiva;
o hemos incluido las variables importantes y slo las importantes;
o ausencia de multicolinealidad: las variables explicativas tienen que ser
independientes entre s (no hay que incluir variables repetidas o que sean
una combinacin lineal de las mismas), podemos calcular correlaciones
parciales y un diagnstico de colinealidad para verificarlo;

las variables estn medidas sin error, sin errores sistemticos;


7

los errores aleatorios deben cumplir una serie de condiciones (distribucin normal,
suma 0, varianza constante de 2, de igual magnitud y varianza para todos los
valores).

La presencia de multicolinealidad no afecta al poder explicativo o la fiabilidad del modelo


resultante. Pero no aporta conclusiones vlidas sobre cada predictor por separado, y
puede infravalorar la relevancia de algunos de ellos.

Interpretacin de los resultados


La interpretacin de los coeficientes de correlacin, del anlisis de varianza asociado y del
coeficiente de determinacin es similar.
La raz cuadrada del coeficiente de determinacin se conoce como coeficiente de
correlacin mltiple. Indica la medida de la relacin existente entre la variable dependiente
y el conjunto de variables independientes. Estrictamente mide la correlacin entre la
variable dependiente Yi y sus estimaciones Yi.
El coeficiente de correlacin parcial indica qu parte de la explicacin total corresponde a
cada variable independiente. Parcial = coeficiente de correlacin de X2 parcializando
(eliminando el efecto de) X1.
El orden en que se incluyan condicionar este coeficiente, sobre todo si hay una relacin
entre las variables independientes.
El coeficiente de correlacin semiparcial es la raz cuadrada del incremento del coeficiente
determinacin tras incluir una nueva variable en la ecuacin de regresin.
El grado de significacin de la t nos indica qu variables independientes no aportan
mucho al modelo: las que tienen grados de significacin ms altos.
Los coeficientes estandarizados dan cuenta de la importancia relativa de cada predictor.
Si en el anlisis de la colinealidad, una variable muestra una diferencia importante entre la
correlacin de orden cero y la correlacin parcial, esto indica que una buena parte de su
potencia explicativa es compartida con otras variables independientes. Es decir, una
buena parte de la varianza que explica, es tambin explicada por otras variables.
El coeficiente de tolerancia indica qu porcentaje de la varianza de la variable
independiente no es explicada por el resto de variables independientes. Cuando este
porcentaje es bajo, una gran proporcin de su varianza es explicada por otras, y estamos
ante un problema de multicolinealidad. Un FIV (Factor de Inflacin de la Varianza) >2 se
considera problemtico.
La presencia de muchos factores con autovalores (Eigenvalue) cercanos a 0 indican
tambin la existencia de problemas de colinealidad.
Los ndices de condicin > 15 indican otro tanto.
Para afrontarlo podemos:
-

utilizar puntuaciones tipificadas de la variable dependiente, y

utilizar el mtodo stepwise o de pasos sucesivos, para incluir solamente y


progresivamente las variables ms tiles.

Podemos pedir un anlisis de los residuos diagnstico por caso, identificando por
ejemplo aquellos con una desviacin de ms de 2 desviaciones tpicas.
La tabla de variables excluidas indica que variables podran ser incluidas en los siguientes
pasos. Beta dentro indica el valor del coeficiente estandarizado si se incluye a esa
variable a continuacin. Conviene fijarse en su grado de significacin. Deberamos incluir
las variables con una correlacin parcial ms alta. Los sucesivos modelos en la tabla dan
cuenta de la situacin segn se van incorporando predictores. Segn se incorporan
nuevos predictores, habr otros que dejarn de ser significativos.

Ejemplos
Autoconcepto acadmico
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA COLLIN TOL
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT AUTO3
/METHOD=STEPWISE AUTO2 AUTO1 AUTO4 SELECTIVIDAD
/SCATTERPLOT=(*SRESID ,*ZPRED ) .
Variables introducidas/eliminadas(a)

Modelo
1

Variables
eliminadas

Variables introducidas
SELECTIVIDAD

TOTAL DIMENSION SOCIAL


.
AUTOCONCEPTO
3
TOTAL DIMENSION FISICA
.
AUTOCONCEPTO
a Variable dependiente: TOTAL AUTOCONCEPTO ACADEMICO

Mtodo
Por pasos (criterio: Prob. de F para entrar <= ,050,
Prob. de F para salir >= ,100).
Por pasos (criterio: Prob. de F para entrar <= ,050,
Prob. de F para salir >= ,100).
Por pasos (criterio: Prob. de F para entrar <= ,050,
Prob. de F para salir >= ,100).

Resumen del modelo(d)

Modelo
1

R
,539(a)

R cuadrado
,291

R cuadrado
corregida
,289

Error tp. de la
estimacin
,60149

,575(b)

,331

,329

,58467

,588(c)
,345
,341
,57901
a Variables predictoras: (Constante), SELECTIVIDAD
b Variables predictoras: (Constante), SELECTIVIDAD, TOTAL DIMENSION SOCIAL AUTOCONCEPTO
c Variables predictoras: (Constante), SELECTIVIDAD, TOTAL DIMENSION SOCIAL AUTOCONCEPTO, TOTAL
DIMENSION FISICA AUTOCONCEPTO
d Variable dependiente: TOTAL AUTOCONCEPTO ACADEMICO
ANOVA(d)

Modelo
1

Media
cuadrtica
75,188

Residual

183,426

507

,362

Total

258,613

508

Regresin

Regresin

Suma de
cuadrados
75,188

gl

85,643

42,822

Residual

172,970

506

,342

Total

258,613

508

89,313

29,771

169,300

505

,335

Regresin
Residual

F
207,824

Sig.
,000(a)

125,268

,000(b)

88,803

,000(c)

Total

258,613
508
a Variables predictoras: (Constante), SELECTIVIDAD
b Variables predictoras: (Constante), SELECTIVIDAD, TOTAL DIMENSION SOCIAL AUTOCONCEPTO
c Variables predictoras: (Constante), SELECTIVIDAD, TOTAL DIMENSION SOCIAL AUTOCONCEPTO, TOTAL
DIMENSION FISICA AUTOCONCEPTO
d Variable dependiente: TOTAL AUTOCONCEPTO ACADEMICO
Coeficientes(a)
Coeficientes no
estandarizados
Modelo
1

(Constante)
SELECTIVIDAD

(Constante)
SELECTIVIDAD
TOTAL DIMENSION
SOCIAL
AUTOCONCEPTO
(Constante)

Coeficientes
estandarizados

B
,514

Error tp.
,189

Beta

,417
-,468
,417

,029
,255
,028

,539

,253

,046

-,835

,276

,421

,028

Estadsticos de
colinealidad
t
2,726

Sig.
,007

Error tp.

,000
,067
,000

1,000

1,000

,540

14,416
-1,834
14,850

1,000

1,000

,201

5,530

,000

1,000

1,000

-3,027

,003

,545

15,120

,000

,998

1,002

,159

4,167

,000

,889

1,124

,126

3,309

,001

,888

1,126

SELECTIVIDAD

TOTAL DIMENSION
SOCIAL
,200
,048
AUTOCONCEPTO
TOTAL DIMENSION
FISICA
,155
,047
AUTOCONCEPTO
a Variable dependiente: TOTAL AUTOCONCEPTO ACADEMICO

Diagnsticos de colinealidad(a)

Modelo
1

Dimensin
1
2

Autovalor
1,990

Indice de
condicin
1,000

Proporciones de la varianza
TOTAL
TOTAL
DIMENSIO
DIMENSIO
N SOCIAL
N FISICA
AUTOCON AUTOCON
CEPTO
CEPTO
(Constante)
,01
,01

SELECTIV
IDAD

1
2
3

,010
2,973
,021
,007

14,073
1,000
12,020
20,809

,99
,00
,00
1,00

,99
,00
,47
,52

,00
,52
,47

3,953

1,000

,00

,00

,00

,00

,025
12,460
,01
3
,015
16,007
,00
4
,006
24,959
,99
a Variable dependiente: TOTAL AUTOCONCEPTO ACADEMICO

,43
,05
,52

,06
,72
,22

,33
,55
,12

10

Histograma

Variable dependiente: TOTAL AUTOCONCEPTO ACADEMICO

40

20

Media =1,34E-15
Desviacin tpica =0,997
N =509

0
-4

-2

Regresin Residuo tipificado

Grfico P-P normal de regresin Residuo tipificado

Variable dependiente: TOTAL AUTOCONCEPTO ACADEMICO

1,0

Prob acum esperada

Frecuencia

60

0,8

0,6

0,4

0,2

0,0
0,0

0,2

0,4

0,6

0,8

1,0

Prob acum observada

11

Grfico de dispersin

Regresin Residuo borrado (pulsar)


estudentizado

Variable dependiente: TOTAL AUTOCONCEPTO ACADEMICO

-2

-4
-2

Regresin Valor pronosticado tipificado

Ansiedad en los exmenes


Cules son las variables que mejor predicen el nivel de ansiedad en los exmenes?
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA COLLIN TOL ZPP
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT ANSIEDAD
/METHOD=STEPWISE ESTADIST SOLEDA AUTO AUTO1 AUTO2 AUTO3 AUTO4 STUDIO
SELECTIB
/SCATTERPLOT=(*SDRESID ,*ZPRED )
/RESIDUALS HIST(ZRESID) NORM(ZRESID) .
Variables introducidas/eliminadas(a)
Modelo

Variables
eliminadas

Variables introducidas

Mtodo

TOTAL ESCALA CONFIANZA HACIA


Por pasos (criterio: Prob. de F para entrar <=
.
ESTADISTICA
,050, Prob. de F para salir >= ,100).
TOTAL ESCALA DE
Por pasos (criterio: Prob. de F para entrar <=
2
.
AUTOCONCEPTO
,050, Prob. de F para salir >= ,100).
TOTAL DIMENSION FISICA
Por pasos (criterio: Prob. de F para entrar <=
3
.
AUTOCONCEPTO
,050, Prob. de F para salir >= ,100).
TOTAL ESCALA ACTITUDES HACIA
Por pasos (criterio: Prob. de F para entrar <=
4
.
CALIFICACIONES
,050, Prob. de F para salir >= ,100).
a Variable dependiente: TOTAL ESCALA DE ANSIEDAD ANTE EXAMENES
1

Resumen del modelo(e)

Modelo
1

R
,317(a)

R cuadrado
,101

R cuadrado
corregida
,099

Error tp. de la
estimacin
,63841

,393(b)

,154

,151

,61967

,407(c)

,166

,161

,61603

,416(d)
,173
,167
,61391
a Variables predictoras: (Constante), TOTAL ESCALA CONFIANZA HACIA ESTADISTICA
b Variables predictoras: (Constante), TOTAL ESCALA CONFIANZA HACIA ESTADISTICA, TOTAL ESCALA DE
AUTOCONCEPTO

12

c Variables predictoras: (Constante), TOTAL ESCALA CONFIANZA HACIA ESTADISTICA, TOTAL ESCALA DE
AUTOCONCEPTO, TOTAL DIMENSION FISICA AUTOCONCEPTO
d Variables predictoras: (Constante), TOTAL ESCALA CONFIANZA HACIA ESTADISTICA, TOTAL ESCALA DE
AUTOCONCEPTO, TOTAL DIMENSION FISICA AUTOCONCEPTO, TOTAL ESCALA ACTITUDES HACIA
CALIFICACIONES
e Variable dependiente: TOTAL ESCALA DE ANSIEDAD ANTE EXAMENES
ANOVA(e)

Modelo
1

Media
cuadrtica
23,155

Residual

206,640

507

,408

Total

229,795

508

Regresin

Regresin

gl

35,496

17,748

Residual

194,299

506

,384

Total

229,795

508

Regresin

Suma de
cuadrados
23,155

38,149

12,716

Residual

191,645

505

,379

Total

229,795

508

39,847

9,962

189,948

504

,377

Regresin
Residual

F
56,812

Sig.
,000(a)

46,220

,000(b)

33,509

,000(c)

26,432

,000(d)

Total

229,795
508
a Variables predictoras: (Constante), TOTAL ESCALA CONFIANZA HACIA ESTADISTICA
b Variables predictoras: (Constante), TOTAL ESCALA CONFIANZA HACIA ESTADISTICA, TOTAL ESCALA DE
AUTOCONCEPTO
c Variables predictoras: (Constante), TOTAL ESCALA CONFIANZA HACIA ESTADISTICA, TOTAL ESCALA DE
AUTOCONCEPTO, TOTAL DIMENSION FISICA AUTOCONCEPTO
d Variables predictoras: (Constante), TOTAL ESCALA CONFIANZA HACIA ESTADISTICA, TOTAL ESCALA DE
AUTOCONCEPTO, TOTAL DIMENSION FISICA AUTOCONCEPTO, TOTAL ESCALA ACTITUDES HACIA
CALIFICACIONES
e Variable dependiente: TOTAL ESCALA DE ANSIEDAD ANTE EXAMENES

(Constante)

3,842

,105

TOTAL ESCALA CONFIANZA


HACIA ESTADISTICA

-,246

,033

5,070

,239

(Constante)
TOTAL ESCALA CONFIANZA
HACIA ESTADISTICA
TOTAL ESCALA DE
AUTOCONCEPTO
(Constante)

-,194

,033

-,378

,067

4,987

,240

Beta

,317
,251
,241

Estadsticos de
colinealidad

Correlaciones
t

sig

36,688

,000

-7,537

,000

21,198

,000

-5,892

,000

-5,669

,000

20,794

,000

Tolerancia

Error
tp.

Semiparcia
l

Modelo

C. Estandarizados

Coeficientes no
etandarizados

Coeficientes(a)

FIV

,317

,317

,317

,317
,311

,253
,244

,241
,232

Error
tp.

1,000

1,000

,923

1,083

,923

1,083

13

TOTAL ESCALA CONFIANZA


HACIA ESTADISTICA
TOTAL ESCALA DE
AUTOCONCEPTO
TOTAL DIMENSION FISICA
AUTOCONCEPTO
(Constante)
TOTAL ESCALA CONFIANZA
HACIA ESTADISTICA

-,190

,033

,244

-5,771

,000

-,510

,083

,326

-6,145

,000

,157

,059

,136

2,644

,008

4,850

,248

,317

,249

,235

,920

1,086

,311
,094

,264

,250

,588

1,700

,117

,107

,627

1,595

19,590

,000

-5,715

,000

,317

,247

,231

,919

1,088

-,187

,033

,241

TOTAL ESCALA DE
AUTOCONCEPTO

-,555

,085

,354

-6,501

,000

,311

,278

,263

,552

1,813

TOTAL DIMENSION FISICA


AUTOCONCEPTO

,174

,060

,151

2,917

,004

,094

,129

,118

,615

1,625

TOTAL ESCALA ACTITUDES


HACIA CALIFICACIONES

,078

,037

,089

2,123

,034

,009

,094

,086

,936

1,068

a Variable dependiente: TOTAL ESCALA DE ANSIEDAD ANTE EXAMENES


Diagnsticos de colinealidad(a)

Modelo

Dimensin

Autovalor

Indice de condicin

1,963

1,000

2
1
2
3
1

,037
2,947
,046
,007
3,928

7,265
1,000
8,017
20,952
1,000

,054

8,529

3
4
1
2

,013
,005
4,875
,065

17,416
26,781
1,000
8,664

,043

10,590

,012

20,582

,005

30,106

14

Histograma

Variable dependiente: TOTAL ESCALA DE ANSIEDAD ANTE EXAMENES

40

20

Media =-0,01
Desviacin tpica =1,003
N =563

0
-3

-2

-1

Regresin Residuo tipificado

Grfico P-P normal de regresin Residuo tipificado

Variable dependiente: TOTAL ESCALA DE ANSIEDAD ANTE EXAMENES

1,0

Prob acum esperada

Frecuencia

60

0,8

0,6

0,4

0,2

0,0
0,0

0,2

0,4

0,6

0,8

1,0

Prob acum observada

15

Grfico de dispersin

Variable dependiente: TOTAL ESCALA DE ANSIEDAD ANTE EXAMENES

Regresin Residuo borrado (pulsar)


estudentizado

-1

-2

-3
-4

-2

Regresin Valor pronosticado tipificado

16

Você também pode gostar