Bioestadstica

Estadstica descriptiva bivariante y

regresin lineal.

1
 Relaciones entre variables y regresin
El trmino regresin fue introducido por Galton en su libro
Natural inheritance (1889) refirindose a la ley de la
regresin universal:

Cada peculiaridad en un hombre es compartida por sus

descendientes, pero en media, en un grado menor.
Regresin a la media
Su trabajo se centraba en la descripcin de los rasgos fsicos de
los descendientes (una variable) a partir de los de sus padres (otra
variable).
Pearson (un amigo suyo) realiz un estudio con ms de 1000
registros de grupos familiares observando una relacin del tipo: Francis Galton
Primo de Darwin
Altura del hijo = 85cm + 0,5 altura del padre (aprox.) Estadstico y aventurero
Fundador (con otros) de
Conclusin: los padres muy altos tienen tendencia a tener hijos que la estadstica moderna
heredan parte de esta altura, aunque tienen tendencia a acercarse
(regresar) a la media. Lo mismo puede decirse de los padres muy para explicar las teoras
bajos. de Darwin.

Hoy en da el sentido de regresin es el de prediccin de una

medida basndonos en el conocimiento de otra.
2
Qu vamos a estudiar
En este captulo vamos a tratar diferentes formas de describir
la relacin entre dos variables cuando estas son numricas.
Estudiar si hay relacin entre la altura y el peso.
Haremos mencin de pasada a otros casos:
Alguna de las variables es ordinal.
Estudiar la relacin entre el sobrepeso y el dolor de espalda
(ordinal)
Hay ms de dos variables relacionadas.
Conocer el peso de una persona conociendo su altura y
contorno de cintura?

3
Estudio conjunto de dos variables
Altura Peso
A la derecha tenemos una posible manera de recoger los en cm. en Kg.
datos obtenido observando dos variables en varios
162 61
individuos de una muestra.
154 60
En cada fila tenemos los datos de un individuo 180 78
158 62
Cada columna representa los valores que toma una variable
sobre los mismos. 171 66

169 60
Las individuos no se muestran en ningn orden particular.
166 54
Dichas observaciones pueden ser representadas en un 176 84
diagrama de dispersin (scatterplot). En ellos, cada
individuos es un punto cuyas coordenadas son los valores 163 68
de las variables. 161 50

187 76
Nuestro objetivo ser intentar reconocer a partir del

mismo si hay relacin entre las variables, de qu tipo, y si
es posible predecir el valor de una de ellas en funcin de
la otra.

4
 Diagramas de dispersin o nube de puntos

Tenemos las alturas y los pesos de 30 individuos representados en un diagrama de

dispersin.

100
90
80 Pesa 76 kg.

70

Mide 187 cm.

60
Pesa 50 kg.
50
40 Mide 161 cm.

30
140 150 160 170 180 190 200
5
 Relacin entre variables.

Tenemos las alturas y los pesos de 30 individuos representados en un diagrama de

dispersin.

100
90
80
70
60
50
40
30
140 150 160 170 180 190 200
6
 Prediccin de una variable en funcin de la otra
Aparentemente el peso aumenta 10Kg por cada 10 cm de altura... o sea,
el peso aumenta en una unidad por cada unidad de altura.

100
90
80
70
10 kg.
60
50
40 10 cm.

30
140 150 160 170 180 190 200
7
Relacin directa e inversa
330 100

Incorrelacin 90 Fuerte relacin

280
80 directa.
230
70
180
60
130 50
80 40

30 30
140 150 160 170 180 190 200 140 150 160 170 180 190 200

Para valores de X por encima de la media

Para los valores de X mayores que la media le
tenemos valores de Y por encima y por
corresponden valores de Y mayores tambin.
debajo en proporciones similares.
Incorrelacin.
Para los valores de X menores que la media le
corresponden valores de Y menores tambin.
80
70 Cierta relacin Esto se llama relacin directa.
60 inversa
50
40
30 Para los valores de X mayores que la
20 media le corresponden valores de Y
10
menores. Esto es relacin inversa o
0
140 150 160 170 180 190 200 decreciente.
8
Cundo es bueno un modelo de regresin?
r= 0.415 Lo adecuado del modelo depende de la
420

r^2 = 0.172 relacin entre:

400

la dispersin marginal de Y
La dispersin de Y condicionada a X
380
360

Es decir, fijando valores de X, vemos

340

cmo se distribuye Y
320

La distribucin de Y, para valores

150 160 170 180 190 fijados de X, se denomina distribucin
390

r= 0.984 condicionada.
r^2 = 0.969
380

La distribucin de Y,
independientemente del valor de X, se
370

denomina distribucin marginal.

360

Si la dispersin se reduce notablemente,

el modelo de regresin ser adecuado.
350

150 160 170 180 190 9

Covarianza de dos variables X e Y
La covarianza entre dos variables, Sxy, nos indica si la posible
relacin entre dos variables es directa o inversa.
Directa: Sxy >0
Inversa: Sxy <0
Incorreladas: Sxy =0

1
S xy = ( xi x )( yi y )
n i
El signo de la covarianza nos dice si el aspecto de la nube de
puntos es creciente o no, pero no nos dice nada sobre el grado de
relacin entre las variables.

10
En caso de realizar una estimacin muestral, la frmula se convierte en

_
n
( xi x) ( yi y )
S xy = cov( x, y ) =
i =1 n 1
Otra formula de calcular sera

xy x y
S xy = n
n 1

11
Coef. de correlacin lineal de Pearson
La coeficiente de correlacin lineal de Pearson de
dos variables, r, nos indica si los puntos tienen una
tendencia a disponerse alineadamente
(excluyendo rectas horizontales y verticales).

tiene el mismo signo que Sxy por tanto de su signo

obtenemos el que la posible relacin sea directa o
inversa.

r es til para determinar si hay relacin lineal entre

dos variables, pero no servir para otro tipo de
relaciones (cuadrtica, logartmica,...)
S xy
r=
SxS y
12
 Propiedades de r
Es adimensional
Slo toma valores en [-1,1]
Las variables son incorreladas r=0, no hay relacin lineal
Relacin lineal perfecta entre dos variables r=+1 o r=-1
Excluimos los casos de puntos alineados horiz. o verticalmente.
Cuanto ms cerca est r de +1 o -1 mejor ser el grado de
relacin lineal.
Siempre que no existan observaciones anmalas.
Relacin
inversa Relacin
perfecta directa
Variables
casi
incorreladas
perfecta

-1 0 +1
13
Entrenando el ojo: correlaciones positivas
330 130
120
280 110
230 100
90
180 80
70
130 60
80 50
r=0,1 40
r=0,4
30 30
140 150 160 170 180 190 200 140 150 160 170 180 190 200

100 100
90 90
80 80
70 70
60 60
50 50
40 r=0,8 40 r=0,99
30 30
140 150 160 170 180 190 200 140 150 160 170 180 190 200

14
Entrenando el ojo: correlaciones negativas
90 80
80 70
70 60
60 50
50
40
40
30
30
20 20
10 r=-0,5 10 r=-0,7
0 0
140 150 160 170 180 190 200 140 150 160 170 180 190 200

80 80
70 70
60 60
50 50
40 40
30 30
20 20
10 r=-0,95 10 r=-0,999
0 0
140 150 160 170 180 190 200 140 150 160 170 180 190 200

15
Animacin: Evolucin de r y diagrama de dispersin

16
 Preguntas frecuentes
Si r=0 eso quiere decir que las variables son
independientes?
En la prctica, casi siempre s, pero no tiene
por qu ser cierto en todos los casos.
Lo contrario si es cierto: Independencia
implica incorrelacin.

Me ha salido r=1.2 la relacin es superlineal?

Super qu? Eso es un error de clculo. Siempre
debe tomar un valor entre -1 y +1.

A partir de qu valores se considera que hay buena

relacin lineal?
Imposible dar un valor concreto. Para este curso
digamos que si |r|>0,7 hay buena relacin lineal y que
si |r|>0,4 hay cierta relacin (por decir algo... la cosa
es un poco ms complicada observaciones
atpicas, homogeneidad de varianzas...)

17
Otros coeficientes de correlacin

Cuando las variables en vez de ser

numricas son ordinales, es posible
preguntarse sobre si hay algn tipo de
correlacin entre ellas.
Maurice George Kendall

Disponemos para estos casos de dos

estadsticos, aunque no los usaremos
en clase:
(ro) de Spearman
(tau) de Kendall
Charles Edward Spearman

18
 Regresin

El anlisis de regresin sirve para predecir una

medida en funcin de otra medida (o varias).
Y = Variable dependiente
predicha
explicada
X = Variable independiente
predictora
explicativa
Es posible descubrir una relacin?
Y = f(X) + error
f es una funcin de un tipo determinado
el error es aleatorio, pequeo, y no depende de X

19
Regresin

El ejemplo del estudio de la altura en grupos familiares de

Pearson es del tipo que desarrollaremos en el resto del
tema.

Altura del hijo = 85cm + 0,5 altura del padre (Y = 85 + 0,5 X)

Si el padre mide 200cm cunto mide el hijo?

Se espera (predice) 85 + 0,5x200=185 cm.
Alto, pero no tanto como el padre. Regresa a la media.

Si el padre mide 120cm cunto mide el hijo?

Se espera (predice) 85 + 0,5x120=145 cm.
Bajo, pero no tanto como el padre. Regresa a la media.

Es decir, nos interesaremos por modelos de regresin

lineal simple.
20
Modelo de regresin lineal simple
En el modelo de regresin lineal simple, dado dos
variables
Y (dependiente)
X (independiente, explicativa, predictora)

buscamos encontrar una funcin de X muy simple (lineal)

que nos permita aproximar Y mediante
= b0 + b1X
b0 (ordenada en el origen, constante)

b1 (pendiente de la recta)

Y e rara vez coincidirn por muy bueno que sea el

modelo de regresin. A la cantidad
e=Y- se le denomina residuo o error residual.
21
 En el ejemplo de Pearson y las alturas, l encontr:
= b0 + b 1 X
b0=85 cm (No interpretar como altura de un hijo cuyo padre mide
0 cm Extrapolacin salvaje!
b1=0,5 (En media el hijo gana 0,5 cm por cada cm del padre.)

180
150 b1=0,5
120
90
60
b0=85 cm
30
0
0
10
20
30
40
50
60
70
80
90
100
110
120
130
140
150
160
170
180
190
200
210
220
22
 La relacin entre las variables no es exacta. Es natural
preguntarse entonces:
Cul es la mejor recta que sirve para predecir los valores de Y
en funcin de los de X
Qu error cometemos con dicha aproximacin (residual).

180
150 b1=0,5
120
90
60
b0=85 cm
30
0
0
10
20
30
40
50
60
70
80
90
100
110
120
130
140
150
160
170
180
190
200
210
220
23
 El modelo lineal de regresin se construye utilizando la tcnica de
estimacin mnimo cuadrtica:
Buscar b0, b1 de tal manera que se minimice la cantidad
i ei2

Se comprueba que para lograr dicho resultado basta con elegir:

SY
b1 = r b0 = y b1 x
SX
Se obtiene adems unas ventajas de regalo
El error residual medio es nulo
La varianza del error residual es mnima para dicha estimacin.

Traducido: En trmino medio no nos equivocamos. Cualquier otra

estimacin que no cometa error en trmino medio, si es de tipo lineal,
ser peor por presentar mayor variabilidad con respecto al error medio
(que es cero).

24
Animacin: Residuos del modelo de regresin

25
 Que el error medio de las Cometi un error
predicciones sea nulo no quiere de -30 en su
ltima prediccin
decir que las predicciones sean
buenas.

Hay que encontrar un medio de

expresar la bondad del ajuste
(bondad de la prediccin)

No importa. Con los dos

ltimos clientes me
equivoqu en +10 y +20.
En trmino medio el error
es cero.

26
 Cmo medir la bondad de una regresin?

Imaginemos un diagrama de dispersin, y vamos

a tratar de comprender en primer lugar qu es
el error residual, su relacin con la varianza de Y,
y de ah, cmo medir la bondad de un ajuste.

27
 Interpretacin de la variabilidad en Y

En primer lugar olvidemos que existe la Y

variable X. Veamos cul es la variabilidad
en el eje Y.

La franja sombreada indica la zona donde

varan los valores de Y.

Proyeccin sobre el eje Y = olvidar X

28
 Interpretacin del residuo
Fijmonos ahora en los errores de prediccin
(lneas verticales). Los proyectamos sobre el eje Y. Y

Se observa que los errores de prediccin,

residuos, estn menos dispersos que la
variable Y original.

Cuanto menos dispersos sean los residuos,

mejor ser la bondad del ajuste.

29
 Bondad de un ajuste
Resumiendo: Y

La dispersin del error residual ser una fraccin

de la dispersin original de Y

Cuanto menor sea la dispersin del error residual

mejor ser el ajuste de regresin.

Eso hace que definamos como medida de

bondad de un ajuste de regresin,
o coeficiente de determinacin a:

2
S
R = 1
2 e
2
S Y
S 2
e < S 2
Y
30
Animacin: Descomposicin de la varianza

31
Resumen sobre bondad de un ajuste

La bondad de un ajuste de un modelo de regresin se mide usando el

coeficiente de determinacin R2

R2 es una cantidad adimensional que slo puede tomar valores en [0, 1]

Para el alumno astuto: por qu?

Cuando un ajuste es bueno, R2 ser cercano a uno.

por qu?

Cuando un ajuste es malo R2 ser cercano a cero.

por qu?

A R2 tambin se le denomina porcentaje de variabilidad explicado por el

modelo de regresin.
por qu? Difcil.

R2 puede ser pesado de calcular en modelos de regresin general, pero

en el modelo lineal simple, la expresin es de lo ms sencilla: R2=r2
Es coherente lo dicho entonces sobre los valores de R2?

32
Otros modelos de regresin
Se pueden considerar otros recta o parbola?
tipos de modelos, en funcin del
aspecto que presente el
diagrama de dispersin
(regresin no lineal)

Incluso se puede considerar el

que una variable dependa de 140 150 160 170 180 190 200
varias (regresin mltiple).
recta o cbica?

140 150 160 170 180 190 200

33
Modelos de anlisis de regresin

1 variable explicativa Modelos de regresin 2+ variables explicativas

Simple Mltiple

Lineal No lineal Lineal No lineal

En clase slo tratamos el modelo de regresin lineal simple.

En todos los dems la bondad del ajuste se mide usando R2

No ajustaremos modelos a mano. Usaremos para ello SPSS.

34
 Ejemplo con SPSS
A continuacin vamos a analizar un ejemplo realizado con
datos simulados, de lo que podra parecer el estudio
sobre alturas de hijos y padres, realizado con SPSS.

Suponemos que hemos recogido la altura de 60 varones,

junto a las de su padre.

El estudio descriptivo univariante de ambas variables por

separado no revela nada sobre una posible relacin.
16 12

14
10

12

8
10

8 6

6
4

Desv. tp. = 8,64 2 Desv. tp. = 5,30

2
Media = 173,3 Media = 170,8
0 N = 59,00 0 N = 59,00
155,0 165,0 175,0 185,0 195,0 160,0 165,0 170,0 175,0 180,0
160,0 170,0 180,0 190,0 162,5 167,5 172,5 177,5 182,5

Altura del Padre Altura del hijo

35
 En el diagrama de dispersin se aprecie una clara relacin lineal directa.
Aprecias regresin a la media en el sentido de Galton en la grfica?
190

La tabla de correlaciones nos muestra que r=0,759

Por qu se ven algunos r=1? 180

El modelo de regresin lineal simple es

Altura hijo = b0 + b1 Altura del padre 170

b0=89,985

Altura del hijo

b1=0,466 160

Aprecias regresin a la media?

150
150 160 170 180 190 200

La bondad del ajuste es de R2=0,577= 57,7% Altura del Padre

Eso significa que el 57% de las predicciones del modelo son correctas?
Cmo lo interpretas?
Correlaciones

Altura del Coeficientesa

Altura del hijo Padre
Coeficientes no
Correlacin de Pearson Altura del hijo 1,000 ,759
estandarizados
Altura del Padre ,759 1,000
Modelo B Error tp.
Resumen del modelo
1 (Constante) 89,985 9,180
R cuadrado Error tp. de la Altura del Padre ,466 ,053
Modelo R R cuadrado corregida estimacin a. Variable dependiente: Altura del hijo
1 ,759 a ,577 ,569 3,480
a. Variables predictoras: (Constante), Altura del Padre 36
 Ejemplo:
En un grupo de 8 pacientes se miden las cantidades antropomtricas peso y edad,
obtenindose los siguientes resultados:

Existe una relacin lineal importante

entre ambas variables? Calcular la
recta de regresin de la edad en
funcin del peso y la del peso en
funcin de la edad. Calcular la bondad
del ajuste En qu medida, por
trmino medio, vara el peso cada
ao? En cunto aumenta la edad por
cada kilo de peso?

37
38
 Grfico de dispersin

60

50

40
PESO

30
6 8 10 12 14 16

EDAD

39
40
41
42
43
La recta de regresin del peso en funcin de la edad es

La recta de regresin de la edad como funcin del peso es

44
La bondad del ajuste es

por tanto podemos decir que el 88.94% de la variabilidad del peso en funcin
de la edad es explicada mediante la recta de regresin correspondiente. Lo
mismo podemos decir en cuanto a la variabilidad de la edad en funcin del
peso. Del mismo modo puede decirse que hay un 11.06% de varianza que
no es explicada por las rectas de regresin. Por tanto la varianza residual de
la regresin del peso en funcin de la edad es

45
y la de la edad en funcin del peso:

Por ltimo la cantidad en que vara el peso de un paciente cada ao es,

segn la recta de regresin del peso en funcin de la edad, la pendiente
de esta recta, es decir, b1=2,8367 Kg/ao. Cuando dos personas
difieren en peso, en promedio la diferencia de edad entre ambas se rige
por la cantidad b2=0,3136 aos/Kg de diferencia.

46
Qu hemos visto?
Relacin entre variables
Diagrama de dispersin
Covarianza
Relacin directa, inversa e incorrelacin
Correlacin lineal
Relacin directa, inversa e incorrelacin
grado de relacin lineal entre variables
Regresin, prediccin
Variable dependiente
Variable(s) independientes
Modelo lineal de regresin
Ordenada en el origen
Pendiente
Residuo, error
Bondad del ajuste, coef. determinacin
En el modelo lineal simple: r2

47
Referencias
1. http://campusvirtual.uma.es/est_fisio/apuntes/

48