Anda di halaman 1dari 68

Regresin Linear

Correlacin de Pearson, r
Regresin Mltiple
Regresin Logstica
Regresin de Poisson

Propsitos de RL
Evaluar si las dos variables estn
asociadas (r)
Predecir en base a una variable, qu
se obtiene de la otra? (ARS)
Evaluar grado de concordancia entre
los valores de las dos variables (ARS)
Supuestos
1. Existencia (para cualquier valor de la variable
X, Y es una variable al azar con una cierta
probabilidad de distrib teniendo un promedio y
varianza finitos)
2. Independencia (los valores de Y son
estadsticamente independientes uno de otro).
3. Linearidad (el promedio de Y es una funcin
linear de X)
4. Homocedasticidad (La varianza de Y
es la misma para cualquier X)
5. Distribucin normal (Para cualquier
valor de X, Y tiene distribucin normal)
Variables
Dependiente: eje Y
Independiente: eje X

Intervalares
Distribucin normal

Grfico: PLOT DE DISPERSIN

Pares de observaciones
Tipo de relaciones
Regresin linear
La lnea recta es descrita por ecuacin:


Y = 2 + 5X
Var dep Pendiente Var indep
FPLOT y = x+2
Intercepto
Hiptesis nula
b=0 pendiente = 0
a=0 intercepto = 0

Relacin entre presin sistlica mm/Hg vs.
Edad (aos)
20 30 40 50 60 70 80 90
Edad en aos
50
100
150
200
250
P
r
e
s
i

n

m
m
/
H
g
X
Y
a = intercepto
b = pendiente
bx a y + =
Residual
20 30 40 50 60 70 80 90
Edad en aos
50
100
150
200
250
P
r
e
s
i

n

m
m
/
H
g
Systat
Stata 10

1
0
0
1
5
0
2
0
0
2
5
0
20 40 60 80
Edad (aos)
95% CI Fitted values
Presin Sistlica (mm / Hg)
Relacin entre Presin sistlica y Edad
Relacin fisuras vs. Ao (C Holuigue, 2005).
Ao 2000: inicio del suplemento de cido flico en la harina.

ES ESTO UNA RELACIN LINEAL?
NO !!!

Evolucin de peso vs das en nios con fisuras (con y
sin tratamiento ortopdico). (N: control: 40; Fisurados
con trat ortop: 32; Fisurados sin trat ortop: 20)
Jara y Vergara, 2009, UM.

GRUPO
0 50 100 150 200
DIA
Control
0 50 100 150 200
DIA
Fisurado con Ortop
0 50 100 150 200
DIA
2,000
3,000
4,000
5,000
6,000
7,000
8,000
9,000
10,000
P
E
S
O
Fisurado sin Ortop
Evolucin de peso vs das en nios con fisuras, (con y
sin tratamiento ortopdico). Jara y Vergara, 2009, UM.

GRUPO
0 50 100 150 200
DIA
Control
0 50 100 150 200
DIA
Fisurado con Ortop
0 50 100 150 200
DIA
2,000
3,000
4,000
5,000
6,000
7,000
8,000
9,000
10,000
P
E
S
O
Fisurado sin Ortop
Evolucin de peso vs das en nios con fisuras, (con y
sin tratamiento ortopdico). Jara y Vergara, 2009, UM.

Fisurado sin Ortop
Fisurado con Ortop
Control
GRUPO
0 50 100 150 200
DIA
2,000
3,000
4,000
5,000
6,000
7,000
8,000
9,000
10,000
P
E
S
O
Evolucin de peso vs das en nios con fisuras, (con y
sin tratamiento ortopdico). Jara y Vergara, 2009, UM.

FISURA
S
E
X
O
Paladar Fisurado
Hombres
FLP Unilateral FLP Bilateral
2,000
3,000
4,000
5,000
6,000
7,000
8,000
9,000
10,000
P
E
S
O
Control
0 50 100 150 200
DIA
Mujeres
0 50 100 150 200
DIA
0 50 100 150 200
DIA
0 50 100 150 200
DIA
2,000
3,000
4,000
5,000
6,000
7,000
8,000
9,000
10,000
P
E
S
O
Requisitos
Las dos variables deben ser continuas
Deben ser independientes una de la
otra
Deben tener distribucin normal
Calcular
Y = a + bX
a = intercepto
b = pendiente
Demostrar Ho: b = 0
IC 95% de a; IC 95% de b
Correlacin de Pearson (r)

ANALISIS DE REGRESIN
Edad vs. Presin sistlica en 33 pacientes.

Edad PS Edad PS Edad PS Edad PS
22 131 33 99 49 133 56 145
23 128 35 121 49 128 57 141
24 116 40 147 50 183 58 153
27 106 41 139 51 130 59 157
28 114 41 171 51 133 63 155
29 123 46 137 51 144 67 176
30 117 47 111 52 128 71 172
32 122 48 115 54 105 77 178
81 217



n = 33 x = 1542 y = 4575 xy = 223 144
x
2
= 79.176 y
2
= 656.481
x = 46,73 y = 138,64

= 79.716 (1542)
2
/ 33 = 7662,6
= 656.481 (4575)
2
/ 33 = 22219,6


= 223144 (1542)(4575)/33 = 9366,7


bx a y + =
n x x x x / ) ( ) (
2 2 2

=
n y y y y / ) ( ) (
2 2 2

=

= n y x xy y y x x / ) )( ( ) )( (


=
2
) (
) )( (
x x
y y x x
b
x b y a =
Pendiente e intercepto

a: intercepto, en mm de Hg
b: pendiente, ps aumenta 1,22 mmHg por
cada ao de edad.
x y
a
ao mmHg b
22 , 1 54 , 81
54 , 81 ) 73 , 46 )( 22 , 1 ( 65 , 138
/ 22 , 1
6 , 7662
7 , 9366
+ =
= =
= =
71 , 0
6 , 22219
6 , 7662
22 , 1
) (
) (
66 , 18
2 33
) 223144 )( 22 , 1 ( ) 4575 )( 54 , 81 ( 656481
2
2
2
2
2
.
2
.
= =

= =
=



r
n
y
y
n
x
x
b
s
s
b r
S
n
xy b y a y
S
y
x
x y
x y
Correlacin de Pearson
r = 0,71 (Fuerza de la asociacin entre las dos variables, puede
variar entre -1 y 1, entre ms cerca a uno mejor dicha
asociacin
0,65 a 1 BUENA
0,4 a 0,649 REGULAR
< de 0,4 MALA.

r
2
= 0.51

Karl Pearson, 1857-1936
Qu tan bueno es el
modelo?
r
2
= Proporcin de la variacin total en la
variable y, dependiente, en este caso
de la presin sistlica, que es explicada
por la variacin en la variable
independiente x, o edad en este caso).
O sea 51% de la variacin en y es
explicada por la variable x (edad).


Error estndar de pendiente e intercepto
(
(

+ =

2
2
2
.
2
2
.
) (
1
) (
x x
x
n
S SE
x x
s
SE
x y a
x y
b
Error estndar de b y a
47 , 10
6 , 7662
73 , 46
33
1
41 , 347
) (
1
2129 , 0
6 , 7662
41 , 347
) (
2
2
2
2
.
2
2
.
=
(

+ =
(
(

+ =
= =

a
x y a
b
x y
b
SE
x x
x
n
S SE
SE
x x
s
SE
Intervalo de Confianza (95%) de la pendiente

b (t
31, 0.05
) (SE
b
) = 1,22 (1,96) (0,2129)
= 1,22 0,417


Test de significancia para H
o
b = 0

b - 0 1,22
t
31
= ------------- = ------------- = 5,74 p<0,001
SE
b
0,2129



Resultados con systatwg

Dep Var: PRESION N: 33 Multiple R: 0.718 Squared multiple R: 0.515

Adjusted squared multiple R: 0.500 Standard error of estimate: 18.639

Effect Coefficient Std Error Std Coef Tolerance t P(2 Tail)

CONSTANT 81.517 10.465 0.000 . 7.789 0.000
EDAD 1.222 0.213 0.718 1.000 5.741 0.000

Analysis of Variance

Source Sum-of-Squares df Mean-Square F-ratio P

Regression 11449.926 1 11449.926 32.958 0.000
Residual 10769.710 31 347.410
-------------------------------------------------------------------------------

SSY - SSE
SSY =
SSY - SSE: Suma de
cuadrados de la reg.
n y y y y / ) ( ) (
2 2 2

=
Valor de F, en tabla de anova es para
determinar si la b (pendiente) es significatvia
Resultados con Systat v. 12

Regression Coefficients B = (X'X)-1X'Y
Effect Coefficient Standard
Error
Std.
Coefficient
Tolerance t p-value
CONSTANT 81.517 10.465 0.000 . 7.789 0.000
EDAD 1.222 0.213 0.718 1.000 5.741 0.000
Qu escribir ? Y = 81,52 + 1,22X
r = 0,718
r
2
= 0,515
Dependent Variable PS
N 33
Multiple R 0.718
Squared Multiple R 0.515
Adjusted Squared
Multiple R
0.500
Standard Error of
Estimate
18.639
20 30 40 50 60 70 80 90
EDAD
50
100
150
200
250
P
R
E
S
I
O
N

Residual
Nube ?

Plot of Residuals against Predicted Values
100 110 120 130 140 150 160 170 180 190
ESTIMATE
-50
-40
-30
-20
-10
0
10
20
30
40
50
R
E
S
I
D
U
A
L
20 30 40 50 60 70 80 90
Edad en aos
50
100
150
200
250
P
r
e
s
i

n

m
m
/
H
g
Valores observados (PS), Estimados y Residuales
Case PS ESTIMATE RESIDUAL
1 131.000 108.410 22.590
2 128.000 109.632 18.368
3 116.000 110.854 5.146
4 106.000 114.522 -8.522
5 114.000 115.744 -1.744
6 123.000 116.966 6.034
7 117.000 118.189 -1.189
8 122.000 120.634 1.366
9 99.000 121.856 -22.856
10 121.000 124.301 -3.301
11 147.000 130.413 16.587
12 139.000 131.635 7.365
13 171.000 131.635 39.365
14 137.000 137.747 -0.747
15 111.000 138.970 -27.970
16 115.000 140.192 -25.192
17 133.000 141.415 -8.415
18 128.000 141.415 -13.415
19 183.000 142.637 40.363
20 130.000 143.859 -13.859
21 133.000 143.859 -10.859
22 144.000 143.859 0.141
23 128.000 145.082 -17.082
24 105.000 147.527 -42.527
25 145.000 149.971 -4.971
26 141.000 151.194 -10.194
27 153.000 152.416 0.584
28 157.000 153.639 3.361
29 155.000 158.528 -3.528
30 176.000 163.418 12.582
31 172.000 168.307 3.693
32 178.000 175.642 2.358
33 217.000 180.531 36.469
Cajas de dispersin de PS, Estimada y residual

50
100
150
200
250
P
S
100
110
120
130
140
150
160
170
180
190
E
S
T
I
M
A
T
E
-50
-40
-30
-20
-10
0
10
20
30
40
50
R
E
S
I
D
U
A
L
Regresin Caractersticas de una relacin
(Wilkinson, 1996)


Existe?
Qu fuerza tiene?
Qu tamao?
Qu direccin tiene?
Qu patrn tiene?

Existencia de la relacin.
El valor de p en la tabla de anlisis de varianza de la
regresin nos indica si el modelo es
significativamente diferente del azar.
Los test t y valores de p asociados con los
coeficientes individuales nos indican si existe una
relacin entre cada variable independiente y la
variable dependiente.

Fuerza de la asociacin.

Uno no est satisfecho con saber si existe una
relacin adems quiere saber que tan fuerte es.
Generalmente la vemos con el valor de R mltiple, el
R mltiple al cuadrado, el R cuadrado ajustado, y el
error estndar de la media. El mejor de todos es R
cuadrado ajustado.
R mltiple al cuadrado indica la proporcin de
varianza en la variable dependiente que puede
ser explicada por la(s) variable(s)
independiente(s).


Tamao de la asociacin
A veces uno est interesado en el tamao de los
coeficientes de la regresin ms que en demostrar
que difieren de 0.
Para esto simplemente ver los valores de los
coeficientes.

Direccin de la asociacin.

El signo de los coeficientes nos da esta direccin.

Patrn de la asociacin.


Los plots y los estadsticos basados en los valores residuales nos dan
informacin acerca del patrn de la relacin :
- Es la relacin linear?
- Presentan los plots algn valor escapado, o fuera de lugar (outlier)?
- Existe indicacin por los valores de Cook, residual estandarizado, o
Leverage de algn caso influyente?
- Estn los residuales curvados o por otro lado presentan forma o
direccin irregular? En otras palabras deber agregarse otras
variables al modelo?
- Los residuales estn formando una banda horizontal a lo largo de todo
el rango de la variable dependiente?, o sea estn los residuales
homoscedsticos?
- Tienen los residuales una distribucin normal?


Homocedasticidad: de -homo (igual) y scedastic: disperso
Anlisis de Regresin Linear
MODEL CS = CONSTANT+LSMUFC
ESTIMATE

Dep Var: CS N: 30 Multiple R: 0.626 Squared multiple R: 0.392

Adjusted squared multiple R: 0.370 Standard error of estimate: 6.543

Effect Coefficient Std Error Std Coef Tolerance t P(2 Tail)

CONSTANT -19.601 7.712 0.0 . -2.542 0.017
LSMUFC 5.987 1.409 0.626 1.000 4.248 0.000






Regresin Linear,
comparacin entre
dos grupos
CASO PA HB_GLI GRUPO$ GRUPO
1 91 9,8 Enalapril 1
2 104 7,4 Enalapril 1
3 107 7,9 Enalapril 1
4 107 8,3 Enalapril 1
5 106 8,3 Enalapril 1
6 100 9,0 Enalapril 1
7 92 9,7 Enalapril 1
8 92 8,8 Enalapril 1
9 105 7,6 Enalapril 1
10 108 6,9 Enalapril 1
11 98 9,5 Placebo 0
12 105 6,7 Placebo 0
13 100 7,0 Placebo 0
14 101 8,6 Placebo 0
15 99 8,7 Placebo 0
16 87 9,5 Placebo 0
17 98 9,0 Placebo 0
18 104 7,6 Placebo 0
19 106 8,5 Placebo 0
20 90 8,6 Placebo 0
Presin arterial (PA)
y Hemoglobina Glicosilada
(HB_GLI) en dos
Grupos:
con Enalapril (1)
y Placebo (0)

80 90 100 110
Presin Sangunea arterial media (mmHg)
0
4
8
12
C
o
n
c
e
n
t
r
a
c
i

n

t
o
t
a
l

d
e

H
e
m
o
g
l
o
b
i
n
a

g
l
i
c
o
s
i
l
a
d
a

(
%
)
Placebo
Enalapril
GRUPO

80 90 100 110
Presin Sangunea arterial media (mmHg)
6
7
8
9
10
C
o
n
c
e
n
t
r
a
c
i

n

t
o
t
a
l

d
e

H
e
m
o
g
l
o
b
i
n
a

g
l
i
c
o
s
i
l
a
d
a

(
%
)
Placebo
Enalapril
GRUPO
Donde est la diferencia?

80 90 100 110
Presin Sangunea arterial media (mmHg)
6
7
8
9
10
C
o
n
c
e
n
t
r
a
c
i

n

t
o
t
a
l

d
e

H
e
m
o
g
l
o
b
i
n
a

g
l
i
c
o
s
i
l
a
d
a

(
%
)
Placebo
Enalapril
GRUPO
Donde est la diferencia?
Caso PA HB GRUPO
1 91 9,8 Enalapril
2 104 7,4 Enalapril
3 107 7,9 Enalapril
4 107 8,3 Enalapril
5 106 8,3 Enalapril
6 100 9,0 Enalapril
7 92 9,7 Enalapril
8 92 8,8 Enalapril
9 105 7,6 Enalapril
10 108 6,9 Enalapril
Promedios: 101,2 8,37
DS: 6,941 0,9615
DS de la lnea de regresin (S
res
): 0,5485


Caso PA HB GRUPO
11 98 9,5 Placebo
12 105 6,7 Placebo
13 100 7,0 Placebo
14 101 8,6 Placebo
15 99 6,7 Placebo
16 87 9,5 Placebo
17 98 9,0 Placebo
18 104 7,6 Placebo
19 106 8,5 Placebo
20 90 8,6 Placebo
Promedios: 98,8 8,17
DS: 6,161 1,0914
DS de la lnea de regresin (S
res
): 0,9866


2
) )( 1 (
2 2 2


=
n
S b S n
S
x y
res
Resultado con Systat v. 11
Anlisis de regresin de cada grupo, Enalapril y Placebo

ENALAPRIL
Dep Var: HB_GLIC N: 10 Multiple R: 0.843 Squared multiple R: 0.711

Adjusted squared multiple R: 0.675 Standard error of estimate: 0.548

Effect Coefficient Std Error Std Coef Tolerance t P(2 Tail)

CONSTANT 20.189 2.671 0.000 . 7.558 0.000
PA -0.117 0.026 -0.843 1.000 -4.434 0.002
PLACEBO
Dep Var: HB_GLIC N: 10 Multiple R: 0.523 Squared multiple R: 0.274

Adjusted squared multiple R: 0.183 Standard error of estimate: 0.987

Effect Coefficient Std Error Std Coef Tolerance t P(2 Tail)

CONSTANT 17.327 5.283 0.000 . 3.280 0.011
PA -0.093 0.053 -0.523 1.000 -1.736 0.121
Resultado con Systat v. 11
Comparando los dos grupos
Dep Var: HB_GLIC N: 20 Multiple R: 0.682 Squared multiple R: 0.464

Adjusted squared multiple R: 0.401 Standard error of estimate: 0.779

Effect Coefficient Std Error Std Coef Tolerance t P(2 Tail)

CONSTANT 18.659 2.774 0.000 . 6.727 0.000
PA -0.106 0.028 -0.686 0.964 -3.797 0.001
GRUPO1 0.455 0.355 0.232 0.964 1.283 0.217
Hiptesis nula
Las pendientes son iguales (b
E
= b
P
)
Los interceptos son iguales (a
E
= a
P
)
Las correlaciones son iguales (r
E
= r
P
)


Intervalo de confianza para la
diferencia de dos pendientes
1. Calcular DS mezclada
(pooled) residual
segn:


2. luego:


3. IC 95% =
4
) 2 ( ) 2 (
2 1
2
2 2
2
1 1
+
+
=
n n
S n S n
S
res res
pool
2
2 2
2
1 1
2 1
) 1 (
1
) 1 (
1
) (
x x
pool
S n S n
S b b SE

=
| | ) (
2 1 2 / 1 2 1
b b SE t b b
o
Ecuacin y correlacin para los grupos
PLACEBO y ENALAPRIL
Grupo PLACEBO:
Y=17,33 0,093X r = -0,523

Grupo ENALAPRIL:
Y=20,189 0,117X r = -0,843

Son las pendientes iguales?
098 , 0 147 , 0 05774 , 0 12 , 2 024 , 0
) ( 024 , 0
024 , 0 093 , 0 117 , 0
05774 , 0
161 , 6 9
1
941 , 6 9
1
7982 , 0 ) (
7982 , 0
4 10 10
987 , 0 ) 2 10 ( 548 , 0 ) 2 10 (
4
) 2 ( ) 2 (
2 1 2 / 1
2 1
2 2
2 1
2 1
2
2 2
2
1 1
a
b b SE t
b b
b b SE
S
S
n n
S n S n
S
pool
pool
res res
pool
=

= =
=

=
=
+
+
=
+
+
=
o
Incluye 0 por lo tanto no hay dif significativa entre las pendientes
Anlisis de Regresin Mltiple (RM)
MODEL CS = CONSTANT+BUFFER+VFS
ESTIMATE

Dep Var: CS N: 30 Multiple R: 0.033 Squared multiple R: 0.001

Adjusted squared multiple R: 0.0 Standard error of estimate: 8.540

Effect Coefficient Std Error Std Coef Tolerance t P(2 Tail)

CONSTANT 12.784 6.368 0.0 . 2.007 0.055
BUFFER 0.177 1.847 0.019 0.980 0.096 0.924
VFS -0.660 5.088 -0.025 0.980 -0.130 0.898

Analysis of Variance

Source Sum-of-Squares df Mean-Square F-ratio P

Regression 2.201 2 1.100 0.015 0.985
Residual 1969.166 27 72.932
-------------------------------------------------------------------------------


Regresin Logstica
Variable dependiente o de inters en el
estudio: binaria (tiene infarto / no tiene
inf.)
En lugar de utilizar una combinacin de
variables exploratorias para predecir la
variable dependiente como en RM, se
predice una transformacin de la
variable dependiente
Variable binaria (0 / 1)
0 = No (No tuvo infarto)
1 = Si (Tuvo infarto)

El promedio de estos valores en una
muestra en estudio es igual a la
proporcin de individuos con la
caracterstica.
0
1
0
1
1
1
1
1
0
1
-------
7/10=0,7
Modelo de regresin logstica:
Predecir la proporcin de sujetos con la
caracterstica de inters (o la probabilidad
de un individuo de tener la caracterstica)
para cualquier combinacin de las variables
exploratorias en el modelo.
Se utiliza una transformacin de esta
proporcin ya que si no es imposible
trabajar con valores fuera del rango de 0 a 1
Transformacin
Se llama logit (p) (p: proporcin de
individuos con la caracterstica)
p: proporcin con infarto
1-p: proporcin sin infarto
Relacin (odds): p / (1-p)


|
|
.
|

\
|

=
p
p
p it
e
1
log ) ( log
Hipertensin, tabaco, obesidad, ronquera
(Norton y Dunn, 1985)
Fuma Obeso Ronca N Nmero de
hombres con
Hipertensin
N (%)
0 0 0 60 5 (18)
1 0 0 17 2 (11)
0 1 0 8 1 (13)
1 1 0 2 0 (0)
0 0 1 187 35 (19)
1 0 1 85 13 (15)
0 1 1 51 15 (29)
1 1 1 23 8 (35)
Total 433 79 (18)
Anlisis de RL de los datos de la tabla anterior
Parameter Estimates
Parameter Estimate Standard
Error
Z p-value 95 % Confidence Interval
Lower Upper
1 CONSTANT -2.378 0.380 -6.254 0.000 -3.123 -1.633
2 FUMA -0.068 0.278 -0.244 0.807 -0.613 0.477
3 OBESIDAD 0.695 0.285 2.439 0.015 0.137 1.254
4 RONCA 0.872 0.398 2.193 0.028 0.093 1.651
Odds Ratio Estimates
Parameter Odds Ratio Standard
Error
95 % Confidence Interval
Lower Upper
2 FUMA 0.934 0.260 0.542 1.612
3 OBESIDAD 2.004 0.571 1.146 3.505
4 RONCA 2.392 0.951 1.097 5.213



Receiver Operating Characteristic Curve
0.0 0.2 0.4 0.6 0.8 1.0
1 - Specificity
0.0
0.2
0.4
0.6
0.8
1.0
S
e
n
s
i
t
i
v
i
t
y
Area under ROC Curve : 0.617
Anlisis de RL de los datos de la tabla anterior
SIN FUMAR



Parameter Estimates
Parameter Estimate Standard Error Z p-value 95 % Confidence
Interval
Lower Upper
2 OBESIDAD 0.695 0.285 2.440 0.015 0.137 1.254
3 RONCA 0.865 0.397 2.182 0.029 0.088 1.643
Odds Ratio Estimates
Parameter Odds Ratio Standard
Error
95 % Confidence Interval
Lower Upper
2 OBESIDAD 2.005 0.571 1.146 3.505
3 RONCA 2.376 0.943 1.092 5.170

Receiver Operating Characteristic Curve
0.0 0.2 0.4 0.6 0.8 1.0
1 - Specificity
0.0
0.2
0.4
0.6
0.8
1.0
S
e
n
s
i
t
i
v
i
t
y
Area under ROC Curve : 0.609
ROC: Receiver Operating Curve
Plot de la sensibilidad vs 1-especificidad
para cada posible punto de corte, y unin de
ellos.
Si el costo de un resultado falso negativo
es el mismo que del resultado de un falso
positivo, la mejor zona de corte es aquella
que maximiza la suma de la sensibilidad y
especificidad, la cual es el punto ms cerca
al rincn superior izquierdo
Gua para anlisis de regresin
Mtodo Dependiente Independiente Propsito
Linear Continua Continua Describir extensin, direccin y fuerza
de la relacin entre dos variables.
Mltiple Continua Continua Describir extensin, direccin y fuerza
de la relacin entre varias variables
independientes y una variable
dependiente.
Logstica Dicotmica Mezcla Determinar como una o ms variables
independientes estn relacionadas a
la probabilidad de ocurrencia de un
posible resultado.
Poisson Discreta Mezcla Determinar como una o ms variables
independientes estn relacionadas
con el conteo de un posible resultado
Varianza Continua Nominales Describir relacin entre una variable
continua y una o ms variables
dependientes
RESUMEN
Regresin lineal: x / y: intervalares,
independiente / dependiente.
Regresin mltiple: una dependiente,
varias dependientes (intervalares).
Regresin logstica: una dependiente
(nominal), varias independientes (puede
haber nominales, ordinales,
intervalares).