Regresión Lineal y Coeficiente de Correlación

La Regresión Lineal y el Coeficiente de Correlación son herramientas fundamentales en estadística para entender y cuantificar la relación entre dos variables. Si te has preguntado cómo predecir un valor basándote en otro, o qué tan fuerte es la conexión entre ellos, este artículo es para ti. Explicaremos estos conceptos de manera clara, con ejemplos y fórmulas prácticas para estudiantes.

¿Qué es la Regresión Lineal y el Coeficiente de Correlación?

La regresión lineal es una técnica de modelado estadístico que permite predecir el valor de una variable dependiente (Y) basándose en una variable independiente (X). Asume una relación lineal entre X y Y. El coeficiente de correlación (generalmente denotado por ρ o r) es una medida estadística que expresa hasta qué punto dos variables están relacionadas linealmente. Su valor oscila entre -1 y +1.

Entendiendo la Recta de Regresión

La recta de regresión busca la línea que mejor se ajusta a los puntos de datos observados. Esta línea permite hacer estimaciones o predicciones. Hay dos formas principales de expresar la ecuación de la recta de regresión:

• Ecuación basada en medias y desviaciones:

y = M_y + (σ^2_xy / σ^2_x) * (x - M_x)

• Ecuación simplificada (forma pendiente-intercepto):

y = Ax + B

Donde:

• y: Variable dependiente (valor estimado).
• x: Variable independiente.
• M_y: Media de Y.
• M_x: Media de X.
• σ^2_xy: Covarianza de X e Y.
• σ^2_x: Varianza de X.
• A: Pendiente de la recta de regresión.
• B: Intercepto en el eje Y.

Cálculo de los Coeficientes A y B en la Regresión Lineal

Para determinar la recta de regresión (y sobre x), necesitamos calcular los valores de la pendiente (A) y el intercepto (B). Estos se obtienen a partir de los datos observados.

Fórmulas para A y B (Y sobre X):

La pendiente A se calcula como:

A = (N Σxy - Σx Σy) / (N Σx^2 - (Σx)^2)

El intercepto B se calcula como:

B = (Σy - A Σx) / N = M_y - A M_x

Donde:

• N: Número de pares de datos.
• Σxy: Suma de los productos de X por Y.
• Σx: Suma de los valores de X.
• Σy: Suma de los valores de Y.
• Σx^2: Suma de los cuadrados de los valores de X.
• M_x: Media de X.
• M_y: Media de Y.

Regresión de X sobre Y

También es posible calcular la regresión de X sobre Y, lo que significa predecir X a partir de Y. La fórmula es similar, pero se invierten las variables:

x = Ay^2 + B

En este caso, las fórmulas para A y B también se ajustan:

A = (N Σxy - Σx Σy) / (N Σy^2 - (Σy)^2)
B = (Σx - A Σy) / N = M_x - A M_y

Ejemplo Práctico: Notas de Matemáticas y Química

Veamos un ejemplo con las notas de cinco alumnos en Matemáticas (X) y Química (Y):

Primero, calculamos las medias:

• M_x = ΣX / N = 25 / 5 = 5
• M_y = ΣY / N = 26 / 5 = 5.2

Ahora, calculamos A (pendiente) para Y sobre X:

A = (5 * 135 - 25 * 26) / (5 * 135 - 25^2)
A = (675 - 650) / (675 - 625)
A = 25 / 50 = 0.5

Luego, calculamos B (intercepto):

B = M_y - A * M_x
B = 5.2 - 0.5 * 5
B = 5.2 - 2.5 = 2.7

Así, la recta de regresión de Química sobre Matemáticas es: Y = 0.5X + 2.7

Coeficiente de Correlación (ρ) y la Validez de las Estimaciones

El coeficiente de correlación (ρ) nos indica la fuerza y dirección de la relación lineal. Su valor va de -1 a 1.

• Si ρ es cercano a 1, existe una fuerte correlación lineal positiva (a medida que X aumenta, Y también). Por ejemplo, notas de Matemáticas y Química suelen tener una correlación positiva.
• Si ρ es cercano a -1, existe una fuerte correlación lineal negativa (a medida que X aumenta, Y disminuye).
• Si ρ es cercano a 0, no hay una relación lineal clara.

Cálculo del Coeficiente de Correlación

Para el ejemplo de las notas, el cálculo del coeficiente de correlación p (o ρ) se relaciona con la covarianza σ_xy y las varianzas σ_x^2 y σ_y^2.

Primero, calculamos la covarianza σ^2_xy:

σ^2_xy = (Σxy / N) - (M_x * M_y)
σ^2_xy = (135 / 5) - (5 * 5.2)
σ^2_xy = 27 - 26 = 1

Luego, calculamos las varianzas σ_x^2 y σ_y^2:

σ^2_x = (Σx^2 / N) - M_x^2
σ^2_x = (135 / 5) - 5^2
σ^2_x = 27 - 25 = 2

σ^2_y = (Σy^2 / N) - M_y^2
σ^2_y = (138 / 5) - 5.2^2
σ^2_y = 27.6 - 27.04 = 0.56

El coeficiente de correlación ρ se calcula como:

ρ = σ_xy / (sqrt(σ_x^2) * sqrt(σ_y^2))
ρ = 1 / (sqrt(2) * sqrt(0.56))
ρ = 1 / (1.414 * 0.748)
ρ = 1 / 1.058
ρ ≈ 0.9449 ≈ 0.95

Este valor de ρ = 0.95 indica una correlación positiva muy fuerte entre las notas de Matemáticas y Química.

Consideraciones sobre la Validez de las Estimaciones

La solidez y fiabilidad de las predicciones obtenidas mediante regresión lineal dependen de varios factores:

• Fuerza del Coeficiente de Correlación (ρ): La validez de las estimaciones es mayor si el valor absoluto del coeficiente de correlación (ρ) se acerca a 1. Un ρ de 0.95, como en nuestro ejemplo, sugiere estimaciones muy fiables.
• Intervalo de los Valores Observados: La validez de las estimaciones es mayor dentro del intervalo de los valores observados. Extrapolar (predecir valores fuera del rango de datos utilizados para construir el modelo) puede llevar a resultados poco fiables.
• Consistencia: En nuestro ejemplo, los valores estimados (como los de la recta Y = 0.5X + 2.7) están ambos dentro del rango de los valores observados, lo que refuerza su validez.

Preguntas Frecuentes sobre Regresión Lineal y Correlación

¿Cuál es la diferencia entre regresión lineal y coeficiente de correlación?

La regresión lineal es una técnica para modelar la relación entre variables y predecir valores. El coeficiente de correlación, en cambio, mide la fuerza y dirección de la relación lineal entre ellas, sin implicar causalidad ni permitir predicciones directas. Son complementarios: la regresión usa el coeficiente para validar su modelo.

¿Cómo interpretar el valor del coeficiente de correlación?

Un valor cercano a +1 indica una fuerte relación lineal positiva (ambas variables aumentan o disminuyen juntas). Un valor cercano a -1 indica una fuerte relación lineal negativa (una variable aumenta mientras la otra disminuye). Un valor cercano a 0 indica que no hay una relación lineal significativa entre las variables.

¿Cuándo no es adecuada la regresión lineal?

La regresión lineal no es adecuada cuando la relación entre las variables no es lineal (por ejemplo, si los datos siguen una curva), cuando hay muchos valores atípicos que distorsionan la línea, o cuando la variable dependiente no tiene una distribución normal. También es importante no asumir causalidad solo por una correlación fuerte.