Jos Manuel Rojo

Regresin lineal mltiple

J. M. Rojo Abun
Instituto de Economa y Geografa
Madrid, II-2007

Jos Manuel Rojo

ndice
I.
II.
III.
IV.
V.
VI.
VII.
VIII.

INTRODUCCIN...................................................................................................2
EL MODELO DE REGRESIN LINEAL MLTIPLE.........................................5
HIPTESIS..............................................................................................................6
ESTIMACIN DE LOS PARMETROS POR MNIMOS CUADRADOS.........7
VARIANZA RESIDUAL.......................................................................................11
CONTRASTE DE REGRESIN..........................................................................13
COEFICIENTE DE DETERMINACIN R2........................................................16
DIAGNOSIS Y VALIDACIN DE UN MODELO DE REGRESIN LINEAL
MLTIPLE............................................................................................................17
VIII.1. Multicolinealidad..................................................................................................17
VIII.2. Anlisis de residuos..............................................................................................18
VIII.3. Valores de influencia (leverage)...........................................................................20
VIII.4. Contrastando las hiptesis bsicas........................................................................21
VIII.5. Homocedasticidad................................................................................................22
VIII.6. Errores que deben de evitarse...............................................................................23

IX.
X.

SELECCIN DE LAS VARIABLES REGRESORAS.........................................24

EJEMPLO 1...........................................................................................................25

Jos Manuel Rojo

I.

Introduccin
En el capitulo anterior se ha estudiado el modelo de regresin lineal simple,

donde se analizaba la influencia de una variable explicativa X en los valores que toma
otra variable denominada dependiente (Y).
En la regresin lineal mltiple vamos a utilizar ms de una variable explicativa;
esto nos va a ofrecer la ventaja de utilizar ms informacin en la construccin del
modelo y, consecuentemente, realizar estimaciones ms precisas.
Al tener ms de una variable explicativa (no se debe de emplear el trmino
independiente) surgirn algunas diferencias con el modelo de regresin lineal simple.
Una cuestin de gran inters ser responder a la siguiente pregunta: de un vasto
conjunto de variables explicativas: x1, x2, , xk,

cules son las que ms influyen en

la variable dependiente Y.
En definitiva, y al igual que en regresin lineal simple, vamos a considerar que
los valores de la variable dependiente Y han sido generados por una combinacin lineal
de los valores de una o ms variables explicativas y un trmino aleatorio:
y b0 b1 x1 b2 x2 ... bk xk u

Los coeficientes son elegidos de forma que la suma de cuadrados entre los
valores observados y los pronosticados sea mnima, es decir, que se va a minimizar la
varianza residual.
Esta ecuacin recibe el nombre de hiperplano, pues cuando tenemos dos
variables explicativas, en vez de recta de regresin tenemos un plano:

Jos Manuel Rojo

Linear Regression

peso = -87,25 + 2,21 * pie + 1,41 * a_espald

R-Square = 0,79

Con tres variables explicativas tendramos un espacio de tres dimensiones, y as

sucesivamente.
Vamos a ir introduciendo los elementos de este anlisis a travs de un
sencillo ejemplo.
Consideramos una muestra de personas como la que sigue a continuacin:
Registr
o
1
2
3
4
5
6
7
8

sexo
mujer
mujer
mujer
mujer
mujer
mujer
mujer
mujer

estatura l_roxto
X1
158
152
168
159
158
164
156
167

X6
39
38
43
40
41
40
41
44

pie

l_brazo

a_espald

d_crneo

peso

X2
36
34
39
36
36
36
36
37

X3
68
66
72.5
68.5
68.5
71
67
73

X4
43
40
41
42
44
44.5
36
41.5

X5
55
55
54.5
57
57
54
56
58

Y
43
45
48
49
50
51
52
52

En base a estos datos, vamos a construir un modelo para predecir el peso de una
persona (Y). Esto equivale a estudiar la relacin existente entre este conjunto de
variables x1 ,..., x5 y la variable peso (Y).

Jos Manuel Rojo

En primer lugar tenemos que la variable dependiente es el peso; y las variables

que vamos a utilizar para predecir el peso reciben el nombre de variables independientes
o explicativas.
En la prctica deberemos de elegir cuidadosamente qu variables vamos a
considerar como explicativas. Algunos criterios que deben de cumplir sern los
siguientes:

Tener sentido numrico.

No deber de haber variables repetidas o redundantes

Las variables introducidas en el modelo debern de tener una cierta

justificacin terica.

La relacin entre variables explicativas en el modelo y casos debe de ser

como mnimo de 1 a 10.

La relacin de las variables explicativas con la variable dependiente debe de

ser lineal, es decir, proporcional.

Jos Manuel Rojo

II.

El Modelo de regresin lineal mltiple

El modelo de regresin lineal mltiple es idntico al modelo de regresin lineal

simple, con la nica diferencia de que aparecen ms variables explicativas:

Modelo de regresin simple:
y b0 b1 x u

Modelo de regresin mltiple:

y b0 b1 x1 b2 x2 b3 x3 ... bk xk u

Siguiendo con nuestro ejemplo, si consideramos el peso como variable

dependiente y como posibles variables explicativas:

estatura
pie
l_brazo
a_espald
d_craneo

El modelo que deseamos construir es:

peso b0 b1 estatura b2 pie b3 l _ brazo b4 a _ espald b5 d _ craneo

Al igual que en regresin lineal simple, los coeficientes b van a indicar el

incremento en el peso por el incremento unitario de la correspondiente variable
explicativa. Por lo tanto, estos coeficientes van a tener las correspondientes unidades de
medida.

Jos Manuel Rojo

III.

Hiptesis
Para realizar un anlisis de regresin lineal mltiple se hacen las siguientes

consideraciones sobre los datos:

a) Linealidad: los valores de la variable dependiente estn generados por el

siguiente modelo lineal:

Y X * B U
b) Homocedasticidad: todas las perturbaciones tienen las misma varianza:

V (ui ) 2
c) Independencia: las perturbaciones aleatorias son independientes entre s:
E (ui u j ) 0, i j

d) Normalidad: la distribucin de la perturbacin aleatoria tiene distribucin

normal:
U N (0, 2 )

e) Las variables explicativas Xk se obtienen sin errores de medida.

Si admitimos que los datos presentan estas hiptesis entonces el teorema de

Gauss-Markov establece que el mtodo de estimacin de mnimos cuadrados va a
producir estimadores ptimos, en el sentido que los parmetros estimados van a estar
centrados y van a ser de mnima varianza.

Jos Manuel Rojo

IV.

Estimacin de los parmetros por mnimos cuadrados

Vamos a calcular un hiperplano de regresin de forma que se minimice la

varianza residual:
Min ( y j y j ) 2

Donde:
y j b0 b1 * x1,1 b2 * x2, j ...bk * xk , j

Utilizando notacin matricial:

u1 y1 y1
u y y
2 2 2
u .
. y y

.
.
un y n y n

Jos Manuel Rojo

Y teniendo en cuenta la definicin de y :

y1 b0 b1 * x1,1 b2 * x2,1 b3 * x3,1 ... bk * xk ,1
y b b * x b * x b * x ... b * x
2
2, 2
3
3, 2
k
k ,2
2 0 1 1, 2

u1
u
2

y y
.
u .

.
yn b0 b1 * x1,n b2 * x2,n b3 * x3,n ... bk * xk ,n
u n

Por lo tanto:
y1
y
2

1
1

x1,1
x1, 2

yn

.
.
.
.

.
.

xk ,1
xk , 2

xk ,n

x1,n

b0
b
1
* . y X *b

.
bk

Por lo tanto la varianza residual se puede expresar de la siguiente forma:

n * 2 u * u ( y X * b) * ( y X * b)

Es decir:
(b) ( y j y j ) 2 u * u

Por tanto, la varianza residual es una funcin del vector de parmetros b y la

condicin para que tenga un mnimo ser:
(b)
0
b

Jos Manuel Rojo

Antes de derivar vamos a simplificar la expresin de la varianza residual:

n * 2 u * u ( y x * b) * ( y x * b) y * y y * x * b b * x * y b * x * x * b

Por lo tanto:
(b) ( y j y j ) 2 u * u y * y y * x * b b * x * y b * x * x * b

(b) ( y X * b) * ( y X * b)

2 * X * Y 2 * X * X * B
b
b
Igualando a cero y despejando:

X *Y X * X * B
y si X * X es matriz no singular y por lo tanto tiene inversa, tenemos:

X *Y X * X * B
Multiplicando por ( X * X ) 1
( X * X ) 1 X * Y ( X * X ) 1 X * X * B

( X * X ) 1 X * Y I * B

B ( X * X ) 1 * X * Y

sta es la expresin del estimador de parmetros B .

Jos Manuel Rojo

Adems

X *Y X * X * B
X *Y X * X * B 0
X * (Y X * B) 0

X *U 0
Es decir, los residuos obtenidos del modelo estimado por mnimos cuadrados no
van a estar correlacionados con las variables explicativas.
Nota
Es importante observar que si las variables explicativas X estn muy
correlacionadas entre si, la matriz ( X * X ) va a tener el determinante con valor cero o
muy cercano a cero.
Si hay al menos una variable que puede ser expresada como combinacin lineal
del resto (ingresos mensuales, ingresos anuales) el determinante de esta matriz es cero y
dicha matriz ser singular y por lo tanto no tendr inversa.
Si no hay variables que sean combinacin lineal de las dems, pero estn
fuertemente correlacionadas, el determinante no ser cero pero tendr un valor muy
prximo a cero; este caso va a producir una inestabilidad en la solucin del estimador,
en general, se va a producir un aumento en su varianza.
En estos casos se impone la utilizacin de un mtodo de seleccin de variables
explicativas.
A los problemas provocados por la fuerte correlacin entre las variables
explicativas se les llama multicolinealidad.

Jos Manuel Rojo

10

V.

Varianza residual
Al igual que en el caso de regresin lineal simple, vamos a descomponer la

variabilidad de la variable dependiente Y en dos componentes o fuentes de variabilidad:

una componente va a representar la variabilidad explicada por el modelo de regresin y
la otra componente va a representar la variabilidad no explicada por el modelo y, por
tanto, atribuida a factores aleatorios.
Consideramos la variabilidad de la variable dependiente como:
n * 2 ( yi Y ) 2

Es decir, la variabilidad de Y es la suma cuadrtica de los valores que toma la

variable respecto a la media de la variable.
Sumando y restando el valor pronosticado por el modelo de regresin obtenemos
la siguiente expresin:

(y

y ) 2 ( y i y ) 2 ( yi y i ) 2

Es decir, que la suma de cuadrados de la variable Y respecto a su media se puede

descomponer en trminos de la varianza residual. De esta expresin se deduce que la
distancia de Y a su media se descompone como la distancia de Y a su estimacin ms la
distancia de su estimacin a la media.
Teniendo en cuenta que el ltimo trmino representa la varianza no explicada,
tenemos:
VT VE VNE

Jos Manuel Rojo

11

Grficamente es fcil ver la relacin:

Dividiendo la variabilidad total entre sus grados de libertad obtenemos la

varianza de la variable dependiente Y :

SY2

VT
n 1

Dividiendo la variabilidad no explicada entre sus grados de libertad obtenemos

la varianza residual de la variable dependiente Y :

S R2

VNE
n (k 1)

Tabla resumen
Suma de cuadrados
VT

( y y)

VE

( y y )

VNE

Jos Manuel Rojo

Grados de libertad

n-1

k-1

( y y)2

n-k-1

12

SY2

VT
n 1

S R2

VNE
n k 1

VI.

Contraste de regresin
Como estamos sacando conclusiones de una muestra de un conjunto mucho ms

amplio de datos, a veces este conjunto ser infinito, es obvio que distintas muestras van
a dar distintos valores de los parmetros.
Un caso de especial inters es asignar una medida de probabilidad a la siguiente
afirmacin o hiptesis:
H 0 b1 b2 ... bk 0

La afirmacin contraria sera:

H 1 b j 0

Nota
La hiptesis nula es que todos los coeficientes menos b0 son nulos y la
hiptesis alternativa o complementaria es que existe al menos uno que es distinto de 0,
puede haber varios que sean nulos, pero al menos existe uno distinto de cero.
Se denomina contraste de regresin al estudio de la posibilidad de que el modelo
de regresin sea nulo, es decir, los valores de las variables explicativas X no van a
influir en la variable Peso.

Jos Manuel Rojo

13

Construccin del contraste

Si los residuos siguen una distribucin normal y b1 b2 ... bk 0 , tenemos
que:
VT
n21
2

VE
12
2

VNE
n2 ( k 1)
2
Por tanto:

VE
VNE

n (k 1)

VE
F1, n ( k 1)
S R2

Es decir, el cociente entre la varianza explicada y la varianza no explicada ser

aproximadamente 1.

Adems, al seguir una distribucin F, podemos asignar una

medida de probabilidad (p-value) a la hiptesis de que la varianza explicada es igual a la

varianza no explicada.
En caso contrario la varianza no explicada ser muy inferior a la varianza
explicada y, por lo tanto, este cociente tendr un valor muy superior a 1.
Nota
En general si el p-value es menor de 0.05 se acepta que el modelo de regresin
es significativo; en caso contrario no podemos hablar de regresin, pues el modelo sera
nulo.

Jos Manuel Rojo

14

Si aceptamos que el modelo de regresin es significativo, es habitual mostrar el

p-value; por ejemplo:
Encontramos que este modelo de regresin es estadsticamente significativo con un
p-value de 0.0003

Jos Manuel Rojo

15

VII.

Coeficiente de determinacin R2
Vamos a construir un coeficiente (estadstico) que mida la bondad del ajuste del

modelo. Si bien la varianza residual ( S R2 ) nos indica cmo estn de cerca las
estimaciones respecto de los puntos, esta varianza est influida por la varianza de la
variable dependiente, la cual, a su vez, est influida por su unidad de medida. Por lo
tanto, una medida adecuada es la proporcin de la varianza explicada (VE) entre la
varianza total (VT); de este modo, definimos el coeficiente de determinacin R 2 :

R2

VE VT VNE
VNE

1
VT
VT
VT

Por ser cociente de sumas de cuadrados, este coeficiente ser siempre positivo.
Si todos los puntos estn sobre la recta de regresin, la varianza no explicada
ser 0, y por lo tanto:

R2

VE
0
1
1
VT
VT

Este coeficiente es muy importante pues determina qu porcentaje (en tantos por
uno) de la varianza de la variable dependiente es explicado por el modelo de regresin.
En general, se pueden clasificar los valores de R 2 de la siguiente manera:
Menor de 0.3
Muy malo

0.3 a 0.4
Malo

0.4 a 0.5
Regular

0.5 a 0.85
Bueno

Mayor de 0.85
Sospechoso

Adems, a diferencia de la varianza residual, este coeficiente es adimensional;

esto quiere decir que no est afectado por transformaciones lineales de las variables; por
ello, si cambiamos las unidades de medida, el coeficiente de determinacin permanecer
invariante.

Jos Manuel Rojo

16

VIII. Diagnosis y validacin de un modelo de regresin lineal mltiple

VIII.1. Multicolinealidad
Si las variables explicativas se pueden expresar como una combinacin lineal:
1 x1 2 x2 ... k xk 0 0

Se dice que tenemos un problema de multicolinealidad.

En general, este problema va a afectar incrementando la varianza de los
estimadores.
Este problema se detecta fcilmente:

Solicitando el determinante de la matriz de varianzas-covarianzas, que estar

cercano a cero.

Calculando el cociente entre el primer y ltimo autovalor de la matriz de

varianzas-covarianzas que ser mayor de 50.

Calculando para cada variable el coeficiente de determinacin ( R 2 ) de dicha

variable con el resto.
La solucin es eliminar del modelo aquellas variables explicativas que dependen

unas de otras. En general, los mtodos de seleccin de variables solucionan

automticamente este problema.
ANOVAb
Model
1

Regression
Residual
Total

Sum of
Squares
3485,401
775,265
4260,667

df
6
20
26

Mean Square
580,900
38,763

F
14,986

Sig.
,000a

a. Predictors: (Constant), l_roxto Longitud de rodilla a tobillo, d_crneo, a_espald, l_

brazo, pie, estatura
b. Dependent Variable: peso

Jos Manuel Rojo

17

Coefficientsa

Model
1

tabla
el

se

valor

(Constant)
estatura
pie
l_brazo
a_espald
d_crneo
l_roxto Longitud
de rodilla a tobillo

Unstandardized
Coefficients
B
Std. Error
-133,261
43,985
-,354
,445
2,187
1,248
,821
,621
1,067
,660
1,093
,922
-,003

Standardized
Coefficients
Beta

,841

-,283
,489
,317
,335
,157

t
-3,030
-,796
1,752
1,323
1,616
1,186

Sig.
,007
,435
,095
,201
,122
,250

-,001

-,004

,997

Collinearity Statistics
Tolerance
VIF
,072
,117
,159
,212
,517

13,882
8,574
6,307
4,724
1,933

,212

4,724

En

muestra
de

a. Dependent Variable: peso

esta
los

estimadores del hiperplano de regresin.

La columna denominada tolerancia es:

1 R2
Donde la variable correspondiente entra como variable dependiente y el resto de
las variables explicativas actan como regresoras.
A la vista de estos resultados, la variable estatura esta provocando problemas de
multicolinealidad.
Es interesante observar que si bien el contraste de regresin es significativo,
ninguna de las variables explicativas lo es.

VIII.2. Anlisis de residuos

Definimos como residuo del i-esimo caso a:
ui yi y i

Los residuos son variables aleatorias que siguen (?) una distribucin normal.
Los residuos tienen unidades de medida y, por tanto no se puede determinar si es grande
o pequeo a simple vista.

Jos Manuel Rojo

18

Para solventar este problema se define el residuo estandarizado como:

Zui

ui
1
*
1 hii
SR

Se considera que un residuo tiene un valor alto, y por lo tanto puede influir
negativamente en el anlisis, si su residuo estandarizado es mayor de 3 en valor
absoluto.

Zui 3
Para evitar la dependencia entre numerador y denominador de la expresin
anterior, tambin se utilizan los residuos estudentizados.

SZui

ui
1
*
1 hii
S (i ) R

Donde S (i ) R es la varianza residual calculada sin considerar el i-esimo caso.

El anlisis descriptivo y el histograma de los residuos nos indicarn si existen
casos que no se adapten bien al modelo lineal.

Residuals Statisticsa
Predicted Value
Residual
Std. Predicted Value
Std. Residual

Minimum
23,9527
-31,69022
-1,860
-,939

Maximum
138,1509
117,84905
2,627
3,492

a. Dependent Variable: peso

Jos Manuel Rojo

19

Mean
71,2963
,00000
,000
,000

Std. Deviation
25,44848
29,60339
1,000
,877

N
27
27
27
27

Podemos observar que hay un caso que tiene un residuo anormal, pues su valor
tipificado es 3.49.

VIII.3. Valores de influencia (leverage)

Se considera que una observacin es influyente a priori si su inclusin en el
anlisis modifica sustancialmente el sentido del mismo.
Una observacin puede ser influyente si es un outlayer respecto a alguna de las
variables explicativas:

Jos Manuel Rojo

20

Para detectar estos problemas se utiliza la medida de Leverage:

1
( xi x ) 2
l (i ) (1
)
n
s x2
Este estadstico mide la distancia de un punto a la media de la distribucin.
Valores cercanos a 2/n indican casos que pueden influir negativamente en la
estimacin del modelo introduciendo un fuerte sesgo en el valor de los estimadores.

VIII.4. Contrastando las hiptesis bsicas

Normalidad de los residuos.
Para verificar esta hiptesis se suele utilizar el histograma de los residuos y en
caso necesario el test de Kolgomorov Smirnov.

One-Sample Kolmogorov-Smirnov Test

N
Normal Parameters a,b
Most Extreme
Differences

Mean
Std. Deviation
Absolute
Positive
Negative

Kolmogorov-Smirnov Z
Asymp. Sig. (2-tailed)

ZRE_1
Standardized
Residual
27
,0000000
,87705802
,117
,117
-,105
,609
,852

a. Test distribution is Normal.

b. Calculated from data.

En este caso no se detecta falta de normalidad, el pvalue del test KS es de 0.852,

por lo tanto se concluye que:
No se encuentran diferencias estadsticamente significativas para rechazar la hiptesis
de normalidad.

Jos Manuel Rojo

21

VIII.5. Homocedasticidad
La hiptesis de homocedasticidad establece que la variabilidad de los residuos es
independiente de las variables explicativas.
En general, la variabilidad de los residuos estar en funcin de las variables
explicativas, pero como las variables explicativas estn fuertemente correlacionadas con
la variable dependiente, bastara con examinar el grfico de valores pronosticados versus
residuos al cuadrado.

Este es un claro ejemplo de falta de homocedasticidad.

Existe una familia de transformaciones denominada Box-CCOS que se realizan
sobre la variable dependiente encaminadas a conseguir homocedasticidad. La
transformacin ms habitual para conseguir homocedasticidad es:
Y log(Y )

En cualquier caso, es conveniente examinar detenidamente las implicaciones de

realizar este tipo de transformaciones, pues en muchas ocasiones es peor el remedio que
la enfermedad, ya que la variable dependiente puede llegar a perder el sentido.

Jos Manuel Rojo

22

VIII.6. Errores que deben de evitarse

Errores que son fciles pasar por alto al realizar un modelo de regresin lineal
mltiple son los siguientes:

No controlar el factor tamao.

Si hay un factor de ponderacin, no tenerlo en cuenta.

Al calcular los grados de libertad en los contrastes de hiptesis.

No incluir una variable relevante en el modelo.

Incluir una variable irrelevante.

Especificar una relacin lineal que no lo es.

Jos Manuel Rojo

23

IX.

Seleccin de las variables regresoras

Los procedimientos para seleccionar las variables regresoras son los siguientes:

Eliminacin progresiva.

Introduccin progresiva.

Regresin paso a paso (Stepwise Regression).

Este ltimo mtodo es una combinacin de los procedimientos anteriores. Parte

del modelo sin ninguna variable regresora y en cada etapa se introduce la ms
significativa, pero en cada etapa examina si todas las variables introducidas en el
modelo deben de permanecer. Termina el algoritmo cuando ninguna variable entra o
sale del modelo.

Jos Manuel Rojo

24

X.

Ejemplo 1

Statistics

Valid
Missing

Mean
Median
Std. Deviation
Skewness
Std. Error of Skewness
Kurtosis
Std. Error of Kurtosis
Minimum
Maximum

Jos Manuel Rojo

estatura
27
0
168,7963
168,0000
10,22089
,173
,448
-1,016
,872
152,00
189,00

peso
27
0
63,8889
65,0000
12,80124
,187
,448
-,658
,872
43,00
91,00

25

pie
27
0
38,9815
39,0000
2,86384
,303
,448
-,855
,872
34,00
45,00

l_brazo
27
0
73,4815
73,0000
4,93707
,427
,448
-,605
,872
66,00
83,00

a_espald
27
0
45,8519
46,0000
4,02113
-,249
,448
,075
,872
36,00
53,00

d_crneo
27
0
57,2407
57,0000
1,84167
,178
,448
-,740
,872
54,00
61,00

l_roxto
Longitud
de rodilla
a tobillo
27
0
43,0926
43,0000
3,15630
,632
,448
1,044
,872
38,00
52,00

Model Summaryb
Model
1

R
,904a

R Square
,818

Adjusted
R Square
,763

Std. Error of
the Estimate
6,22602

DurbinWatson
2,274

a. Predictors: (Constant), l_roxto Longitud de rodilla a tobillo, d_crneo, a_

espald, l_brazo, pie, estatura
b. Dependent Variable: peso
ANOVAb
Model
1

Regression
Residual
Total

Sum of
Squares
3485,401
775,265
4260,667

df
6
20
26

Mean Square
580,900
38,763

F
14,986

Sig.
,000a

a. Predictors: (Constant), l_roxto Longitud de rodilla a tobillo, d_crneo, a_espald, l_

brazo, pie, estatura
b. Dependent Variable: peso

Jos Manuel Rojo

26

Coefficientsa

Model
1

(Constant)
estatura
pie
l_brazo
a_espald
d_crneo
l_roxto Longitud
de rodilla a tobillo

Unstandardized
Coefficients
B
Std. Error
-133,261
43,985
-,354
,445
2,187
1,248
,821
,621
1,067
,660
1,093
,922
-,003

Standardized
Coefficients
Beta

,841

-,283
,489
,317
,335
,157

t
-3,030
-,796
1,752
1,323
1,616
1,186

Sig.
,007
,435
,095
,201
,122
,250

-,001

-,004

,997

Collinearity Statistics
Tolerance
VIF
,072
,117
,159
,212
,517

13,882
8,574
6,307
4,724
1,933

,212

4,724

a. Dependent Variable: peso

Residuals Statisticsa
Predicted Value
Residual
Std. Predicted Value
Std. Residual

Minimum
44,1230
-8,21203
-1,707
-1,319

Maximum
88,5975
11,34415
2,134
1,822

a. Dependent Variable: peso

Jos Manuel Rojo

27

Mean
63,8889
,00000
,000
,000

Std. Deviation
11,57816
5,46058
1,000
,877

N
27
27
27
27

El mismo anlisis pero utilizando un algoritmo de seleccin de variables.

Model Summaryc
Model
1
2

R
,850a
,891b

R Square
,722
,794

Adjusted
R Square
,711
,777

Std. Error of
the Estimate
6,88269
6,05049

DurbinWatson
2,120

a. Predictors: (Constant), pie

b. Predictors: (Constant), pie, a_espald
c. Dependent Variable: peso

ANOVAc
Model
1

Regression
Residual
Total
Regression
Residual
Total

Sum of
Squares
3076,382
1184,285
4260,667
3382,065
878,602
4260,667

df
1
25
26
2
24
26

Mean Square
3076,382
47,371

F
64,942

Sig.
,000a

1691,032
36,608

46,192

,000b

t
-4,569
8,059
-5,376
3,219
2,890

Sig.
,000
,000
,000
,004
,008

a. Predictors: (Constant), pie

b. Predictors: (Constant), pie, a_espald
c. Dependent Variable: peso

Coefficientsa

Model
1
2

(Constant)
pie
(Constant)
pie
a_espald

Unstandardized
Coefficients
B
Std. Error
-84,173
18,421
3,798
,471
-87,250
16,228
2,213
,687
1,415
,490

Standardized
Coefficients
Beta
,850
,495
,444

a. Dependent Variable: peso

Jos Manuel Rojo

28

Collinearity Statistics
Tolerance
VIF
1,000

1,000

,363
,363

2,753
2,753

Collinearity Diagnosticsa

Model
1
2

Dimension
1
2
1
2
3

Eigenvalue
1,997
,003
2,995
,004
,001

Condition
Index
1,000
27,778
1,000
27,747
50,270

Variance Proportions
(Constant)
pie
a_espald
,00
,00
1,00
1,00
,00
,00
,00
,83
,02
,22
,17
,98
,78

a. Dependent Variable: peso

Residuals Statisticsa
Predicted Value
Residual
Std. Predicted Value
Std. Residual

Minimum
43,3520
-10,25595
-1,801
-1,695

Maximum
87,3214
12,53056
2,055
2,071

a. Dependent Variable: peso

Jos Manuel Rojo

29

Mean
63,8889
,00000
,000
,000

Std. Deviation
11,40524
5,81312
1,000
,961

N
27
27
27
27

F
re
q
u
n
c
y

H
i
s
t
o
g
r
a
m
D
e
p
n
d
e
t
V
a
r
i
b
l
e
:
p
s
o
8
6

4
2
M
e
a
n
=
1
,
9
E
1
5
S
t
d
.
D
v
.
0
6
0-2R
N
2
7
-e
1
0
1
2
3
g
rs
io
n
S
ta
n
d
rize
d
R
e
s
id
u
a
l

Jos Manuel Rojo

30

Jos Manuel Rojo

31