Fundamentos de medicina basada en la evidencia: Regresión lineal

simple
El texto aborda el concepto de regresión en estadísticas, Regresión
La regresión puede lineal
ser simple simple
o múltiple, dependiendo En el caso de la regresión lineal simple, la función del modelo
destacando la diferencia entre correlación y regresión. del número de variables independientes introducidas en se basa en la media aritmética. La recta de regresión pasa
Mientras que la correlación evalúa la asociación entre dos el modelo. Se mencionan distintos modelos de regresión por el punto definido por las coordenadas de las medias de
variables cuantitativas, la regresión busca construir un expresados en una ecuación general. El foco del artículo las dos variables. La ecuación de la regresión lineal simple se
modelo para predecir el valor de una variable se centra en la regresión lineal simple, que se aplica a dos presenta como y=β0+β1x+e, donde β0 y β1 son coeficientes
dependiente en función de otra variable independiente. variables cuantitativas. de regresión. β0 representa el valor de y cuando x es 0,
conocido como interceptor, y β1 indica la pendiente de la
recta, mostrando el cambio en y por cada unidad de cambio
El texto aborda el cálculo de los coeficientes de El texto aborda la validación del modelo de regresión una
en x. El componente representa la variabilidad aleatoria del
regresión en el contexto de la regresión lineal simple. vez que se han calculado los coeficientes. Destaca la
modelo, responsable de las diferencias entre la predicción
Se destaca el método de los mínimos cuadrados, importancia de calcular los intervalos de confianza o el
del modelo y los valores reales observados.
utilizado para determinar los coeficientes que nivel de significación estadística de los coeficientes para
minimizan las diferencias entre los valores reales y determinar su relevancia en la población. Se menciona la
estimados en un modelo de regresión. Se menciona realización de un contraste de hipótesis para los El texto proporcionado aborda el tema del
que estos residuos, representando las diferencias, coeficientes, con la hipótesis nula de que su valor en la diagnóstico del modelo de regresión, centrándose
siguen una distribución normal con media cero. El población es cero. Se presenta la opción de utilizar la en la comprobación de cuatro supuestos esenciales:
artículo proporciona la fórmula para calcular el distribución t de Student o realizar el contraste de linealidad, homocedasticidad, normalidad e
coeficiente de pendiente (b1) y el intercepto (b0) en hipótesis mediante un análisis de la varianza (ANOVA). Se independencia. Aquí están los puntos clave:
una regresión lineal simple, teniendo en cuenta la sugiere el uso de programas informáticos para facilitar Supuesto de Linealidad:
covarianza y varianza de las variables involucradas. estos cálculos y contrastes. La relación entre la variable de predicción e
independiente y la variable de criterio o
dependiente debe ser lineal en el rango de valores
Supuesto de Homocedasticidad: observados de la variable de predicción.
Los residuos deben distribuirse de Se sugiere la prueba RESET de Ramsey y la
manera homogénea para todos los El texto describe un ejemplo práctico de regresión lineal inspección visual del diagrama de dispersión.
valores de la variable de predicción. simple utilizando el software estadístico R y una base de Resultados del Modelo:
Se puede verificar mediante un datos de 58 niños con mediciones antropométricas. Aquí se La distribución de residuos sugiere que siguen una distribución normal.
diagrama de dispersión de las resumen los pasos clave y los resultados: Los coeficientes de regresión son significativos, validando el modelo de
estimaciones y los residuos. Configuración del Gráfico de Dispersión: regresión lineal simple: IMCDS=−7,4+16,2⋅IndCT.
La prueba de Breusch-Pagan-Godfrey Se utiliza el software R y el plugin RCommander para El modelo explica el 36,82% de la variabilidad de IMC_DS.
es una opción numérica para verificar analizar la base de datos que contiene información sobre el Diagnóstico del Modelo:
este supuesto. índice de cintura-talla (IndCT) y el índice de masa corporal Se verifica la linealidad con el test RESET de no linealidad, confirmando
Supuesto de Normalidad: estandarizado por edad y sexo (IMC_DS) de 58 niños. que el modelo es lineal.
Los residuos deben seguir una Se crea un gráfico de dispersión para visualizar la relación La homocedasticidad se evalúa gráficamente y mediante el test de
distribución normal. entre IndCT (variable independiente) e IMC_DS (variable Breusch-Pagan, sugiriendo que se cumple este supuesto.
Se recomienda representar el dependiente). La normalidad se comprueba mediante gráficos de comparación de
histograma o el gráfico de cuantiles Cálculo de la Regresión Lineal Simple: cuantiles, indicando que los residuos siguen una distribución normal.
teóricos de los residuos. Se realiza un análisis de regresión lineal simple utilizando el La independencia se verifica con el test de Durbin-Watson para
Pruebas numéricas como software R. autocorrelación, concluyendo que los residuos son independientes.
Kolmogorov-Smirnov o Shapiro-Wilk Se obtiene un resumen del modelo que incluye la En resumen, el ejemplo demuestra cómo realizar y validar un modelo
pueden aplicarse para confirmar la distribución de residuos, coeficientes de regresión, errores de regresión lineal simple, destacando la importancia del diagnóstico
normalidad de los residuos. estándar y significancia estadística. para evaluar los supuestos del modelo.