Regresión lineal múltiple y predicción

1. El modelo de regresión lineal múltiple

Partimos de una variable de resultado Y y un conjunto de predictores X₁, X₂ y así sucesivamente. La forma básica es Y = a + b1X1 + b2X2 + … + e. a representa el intercepto; b1 y b2 son coeficientes; e reúne la parte de Y que el modelo no reproduce. La elipsis señala que la lista de predictores puede continuar según la pregunta.

El coeficiente b indica el cambio asociado en Y por cada unidad de Xi cuando los otros predictores de la ecuación se mantienen constantes. “Sosteniendo el resto” describe una comparación estadística condicional. Por ejemplo, si las horas de estudio conservan el promedio previo y la ansiedad, su coeficiente expresa la asociación entre horas y rendimiento dentro de valores comparables de esas variables. La frase no afirma que las horas puedan separarse experimentalmente de los demás factores.

En la planeación,Tú eliges las variables con una razón teórica o práctica, defines sus escalas y anticipas la dirección esperada. Después verificas que cada predictor tenga suficientes observaciones, que la unidad de medida sea estable y que los datos describan a la poblaciónmeta. En un estudio sobre rendimiento en una universidad colombiana, el resultado podría ser la nota final y los predictores serían ansiedad, horas semanales de estudio y promedio previo.

Una interpretación correcta juga con el escenario. Si ansiedad tiene b = -0,24, la lectura provisoria es: por cada punto adicional de ansiedad, el rendimiento predicho disminuye 0,24 unidades al fijar las horas de estudio y el promedio previo. Antes de presentar esa frase se revisan intervalo de confianza, valor p, diagnósticos y alcance de la muestra. El signo muestra dirección de asociación bajo el modelo ajustado; la magnitud depende de cómo fue medida la ansiedad.

1. Definir: plantea Y, predictores, unidad de análisis, dirección esperada y horizonte de predicción.
2. Preparar: limpiar datos faltantes, codificar categorías sin convertirlas en ordinales sin una razón y documentar transformaciones.
3. Estimar: introduce predictores según la estrategia elegida y revisa el ajuste global.
4. Diagnosticar: examina colinealidad, residuos, leverage, Cook y DFBeta.
5. Reportar: comunica el modelo, los coeficientes, su incertidumbre, las limitaciones y el uso predictivo.

2. Procedimientos de entrada de predictores: jerárquica y stepwise

El orden de entrada importa porque cada coeficiente depende de las variables que ya están en la ecuación. En una entrada jerárquica, la persona investigadora decide el orden con apoyo teórico. Un primer bloque puede contener promedio previo; un segundo añade ansiedad; un tercero incorpora horas de estudio. Este orden permite formular qué proporción de variabilidad se asocia con antecedentes y qué cantidad adicional aparece al incluir factores psicosociales. La comparación entre bloques exige indicar de antemano qué cambio se juzga relevante.

En la entrada jerárquica, la posición de cada predictor tiene una justificación sustantiva. Si la teoría ubica el promedio previo antes que la ansiedad, ese bloque se estima primero. La interrogante puede formularse así: ¿qué añade la ansiedad después de considerar el historial académico? El resultado no debe interpretarse como prueba de secuencia temporal causal; el orden estadístico es una estrategia de comparación.

La estrategia stepwise deja que un algoritmo introduzca o retirar predictores según valores p u otros criterios. Distintos paquetes usan variantes, tolerancias y reglas de inclusión. La selección automática busca optimizar un resumen numérico dentro de esa muestra. Field y Tabachnick y Fidell desaconsejan tratarla como procedimiento teórico, pues el proceso capitaliza azar: un predictor puede entrar por una fluctuación muestral, obtener un p bajo y modificar el resultado. La selección repetida en datos de entrenamiento tampoco garantiza estabilidad en datos nuevos.

3. Multicolinealidad y diagnóstico

La multicolinealidad aparece cuando dos o más predictores mantienen una correlación muy alta. En una ecuación múltiple, esa redundancia impide separar con precisión sus aportes. Un coeficiente puede cambiar de signo,inflarse o presentar un intervalo de confianza amplio cuando ansiedad y horas de estudio transmiten información semejante. La multicolinealidad viola la idea de aislamiento intuitivo entre predictores, aunque no exige que el modelo carezca de utilidad predictiva.

El factor de inflación de la varianza, llamado VIF, cuantifica cuánto se multiplica la varianza de un coeficiente por la correlación del predictor con los demás. La tolerancia es su recíproco: tolerancia = 1/VIF. Una regla práctica frecuente señala VIF mayor que 10 como alerta; algunos equipos usan el umbral de 5. El umbral no reemplaza el contexto: una variable de control correlacionada puede conservar un valor predictivo importante.

En el caso colombiano, el promedio previo puede relacionarse con horas de estudio y ansiedad. Si VIF supera el umbral, interprétalo como una señal para revisar si las variables representan el mismo aspecto. Puedes comparar el modelo con y sin una variable redundante, informar ambos ajustes y evitar afirmar cuál “produce” el cambio. La selección debe responder a la pregunta: si el promedio previo ya está en el modelo, ¿la ansiedad añade información predictiva medible?

• VIF y tolerancia: describen inflación de varianza; no miden la calidad del resultado.
• Índice de condición: puede complementar el análisis cuando existen varias correlaciones.
• Matriz de correlaciones: ayuda a localizar pares muy ligados, sin ser un diagnóstico suficiente.
• Regresiones auxiliares: muestran qué variable puede predecirse con las demás.
• Estabilidad: comparar coeficientes en submuestras o especificaciones razonadas revela sensibilidad.

4. Análisis de residuos y casos influyentes

Los residuos son la diferencia entre el valor observado y el valor predicho. Su examen responde tres preguntas: la relación funcional parece lineal, la dispersión de errores es razonablemente estable y la distribución de residuos tiene una forma compatible con el uso de inferencia. Linealidad se puede revisar con gráficos de residuos contra valores predichos y contra cada predictor. Homocedasticidad significa que la varianza del error no cambia de forma marcada según el nivel de Y. Normalidad se concentra en la distribución de los residuos; los procedimientos lineales son bastante robustos ante desviaciones moderadas, sobre todo cuando n es grande, pero los valores extremos siguen importando.

Un gráfico de residuos no se interpreta como una prueba mecánica. Busca patrones, abanicos, curvas, grupos y valores alejados. Si la dispersión aumenta con el rendimiento predicho, una transformación de Y, errores estándar Robust o un modelo con relación distinta pueden serconsiderar. La selección depende de la pregunta. Registrar el patrón y su efecto en coeficientes es más útil que que “los supuestos no se cumplen” por una cifra aislada.

Los casos influyentes pueden modificar la pendiente, el intercepto o el ajuste. El leverage mide qué tan alejada está una observación respecto de los valores de los predictores. La distancia de Cook resume cuánto cambian los coeficientes cuando se excluye un caso. DFBeta indica el cambio aproximado de un coeficiente específico. Conviene revisar las tres ideas juntas, porque un punto extremo en X puede tener leverage alto, aunque su residuo sea pequeño.

Para el caso de rendimiento académico, revisa si una estudiante con promedio previo bajo, ansiedad elevada y horas altas cambia la pendiente de ansiedad. Primero confirma que los valores pertenecen a la misma población meta. Después estima el modelo sin esa observación y compara b, intervalos, R cuadrado ajustado y conclusiones. Si el cambio es grande, reporta ambas especificaciones. Si el caso fue excluido por un error de digitación, corrige el dato y conserva la observación en el análisis.

5. Interpretación y reporte del modelo

El reporte de una regresión múltiple une una mirada global con una lectura de cada predictor. Para el modelo de rendimiento, la sección Procedimientos debe decir qué variables entraron, el orden, el tipo de muestra, el manejo de faltantes, el software y la forma de comprobar supuestos. La sección Resultados debe incluir n, R cuadrado, R cuadrado ajustado, F del modelo, grados de libertad, b con intervalo de confianza, beta, valor p y tamaño del efecto. La Interpretación traduce esas cifras al contexto universitario.

R cuadrado expresa la proporción de variabilidad de Y asociada con los predictores del modelo dentro de la muestra. R cuadrado ajustado penaliza la incorporación de variables y suele ser más informativo cuando se comparan modelos con distinto número de predictores. Una cifra elevada no vuelve verdadera la ecuación: también puede reflejar sobreajuste, variables muy ligadas al resultado, muestra peculiar o una relación espuria.

La F del modelo evalúa si el conjunto de predictores aporta capacidad explicativa bajo el ajuste global. Después, cada b responde por separado dentro de la ecuación. Reporta el intervalo de confianza, pues el valor p no muestra con claridad la magnitud de incertidumbre. La beta ordenada permite comparar la fuerza relativa de predictores, pero su lectura depende de la distribución, la escala y la colinealidad.

Predicción no equivale a explicación causal. Una ecuación puede predecir notas finales con ansiedad, horas y promedio previo. Eso puede servir para identificar estudiantes que necesitan apoyo, orientar una conversación o diseñar un servicio. La misma ecuación no demuestra que cambiar la ansiedad produzca una modificación de la nota. Para hablar de efecto causal necesitas un diseño que controle variables de confusión, comprobaciones de asignación, secuencia temporal y sensibilidad a violaciones.

Antes de usar el modelo con nuevas personas, separa datos de entrenamiento y validación, o usa validación cruzada cuando el tamaño lo permita. Compara predicciones con observaciones independientes, calcula error de predicción y revisa intervalos. El rendimiento dentro de la muestra suele ser más optimista que el comportamiento ante datos nuevos. Informa el origen de la muestra, el período, la institución y las condiciones de aplicación.

Plantilla de párrafo interpretativo: “Con n = [valor], el modelo incluyó [variables] en [orden]. Ajustó R cuadrado = [valor] y R cuadrado ajustado = [valor], con F([gl1], [gl2]) = [valor], p = [valor]. Ansiedad mostró b = [valor], IC del 95 % [límites], beta = [valor] y p = [valor]. Horas de estudio mostró b = [valor]… El VIF máximo fue [valor]. Los gráficos de residuos no mostraron [hallazgo], aunque [limitación]. Estos coeficientes describen asociaciones condicionales y sostienen predicciones dentro de [población y periodo]”.

La redacción debe evitar presentar una correlación como mecanismo. En este caso, ansiedad podría acompañar menor rendimiento por estrés, sueño, recursos o factores institucionales. Un predictor significativo puede operar como marcador de una situación y no como causa directa. Por eso el informe combina coeficientes, intervalos, antecedentes, diseño y comprobaciones. La utilidad predictiva se evalúa con datos nuevos; la explicación requiere una estrategia de identificación.

Para finalizar, piensa en la ecuación como una herramienta de síntesis condicional. La fuerza de un predictor se interpreta junto con los demás, se diagnostica su incertidumbre y se contrasta con nuevos datos. En la universidad colombiana, la ansiedad, las horas de estudio y el promedio previo pueden ofrecer una predicción útil para priorizar apoyo académico. El informe debe dejar visible qué funcionó, qué parte permanece incierta y qué tipo de decisión responsable puede tomar una institución.