¡Esta información vale millones! Me gusta que los videos sean concretos y faciles de comprender, para mí y para muchos han sido de gran utilidad Pd: Hacen falta más profes como usted, que incentiven a los alumnos a superarse
La claridad con la que expone los temas y la manera estructurada en que presenta la información son fáciles de comprender para yo aplicarlo en mis respectivos análisis. Gracias por compartir su experiencia de una forma tan accesible y profesional.🙌🏻
Excelente video y excelente explicación sobre la regresión lineal simple, gracias a este video pude tener un mejor conocimiento acerca de la regresión lineal simple.Buena capsula 👍
gran video maestro Elias, gracias a este video pude entender mejor la regresión lineal simple y se me facilitó más al momento de hacer mi PIA, muchas gracias🙌🏼
Excelente explicación a detalle en sus videos, gracias por apoyarnos a comprender, emplear y manejar de una mejor manera el análisis de datos, muy buena herramienta!! gracias Dr. Elías Alvarado.
Excelente explicación para el tema regresión lineal simple sin duda me ayudó a reforzar mis conocimientos es un excelente video aun que me surge una pregunta ¿si el valor de (r) es decir el coeficiente de correlación de Pearson es mayor a 1 o menor que -1 significaría algún error?
¡Hola! Me alegra muchísimo que el video te haya sido útil para reforzar tus conocimientos. 😊 Respecto a tu pregunta, el coeficiente de correlación de Pearson (r) siempre debe estar en el rango de -1 a 1. Si obtienes un valor mayor a 1 o menor que -1, efectivamente significa que hubo algún error en el cálculo. Este error puede deberse a: 1. Errores de cálculo: Verifica si se realizaron bien las operaciones matemáticas, especialmente al calcular la covarianza y las desviaciones estándar. 2. Problemas con los datos: Asegúrate de que los datos no contengan errores, como valores extremos o inconsistencias. 3. Configuración incorrecta en software: Si usaste software estadístico, revisa que los datos estén correctamente ingresados y que los comandos sean los adecuados. Saludos😉
Si tus datos no siguen una distribución normal y estás interesado en realizar un análisis equivalente a la regresión lineal simple en SPSS, puedes considerar el uso de métodos de regresión no paramétricos. Estos métodos no asumen una distribución normal de los datos y son útiles cuando las relaciones entre variables no son lineales o cuando los datos tienen una distribución sesgada. Una opción común es la regresión de rangos. La regresión de rangos, como la regresión de Spearman o Kendall, utiliza los rangos de los datos en lugar de los valores brutos. Esto la hace menos sensible a los datos atípicos y a las distribuciones no normales. Otra alternativa es la regresión robusta. La regresión robusta está diseñada para ser insensible a los valores atípicos y puede manejar bien las distribuciones no normales. SPSS ofrece opciones para realizar regresiones robustas que son menos sensibles a los valores extremos y a las distribuciones anormales. Además, podrías considerar el uso de modelos de regresión basados en árboles, como los árboles de decisión o los modelos de bosques aleatorios. Estos modelos no requieren la normalidad de los datos y pueden capturar relaciones no lineales y complejas entre variables. Para aplicar estos métodos en SPSS, necesitarás acceder a las opciones correspondientes en el menú de análisis o utilizar la sintaxis de comandos de SPSS. Si no estás familiarizado con estas técnicas, podría ser útil consultar la documentación de SPSS o buscar tutoriales específicos que expliquen cómo implementar estos métodos en tu análisis. Saludos
y si en el apartado de coeficientes, t de student, la constante me sale menos de 1.96 pero la variable x si lo sobrepasa, son estadísticamente significativos?
Estimado Luis En una regresión lineal simple, la prueba de significancia estadística de los coeficientes (incluyendo la constante) se evalúa mediante el valor "t de Student". Este valor indica si un coeficiente es significativamente diferente de cero, lo que ayuda a determinar si la variable tiene un impacto relevante en el modelo. 1. Constante: Si el valor "t de Student" de la constante es menor de 1.96, entonces no es estadísticamente significativa al nivel del 5%. Esto significa que no podemos asegurar con suficiente confianza que la constante en el modelo es diferente de cero. En la práctica, esto puede interpretarse como que la constante no tiene un impacto importante en la relación entre las variables X e Y en este modelo específico. 2. Variable X: Si el valor "t de Student" para la variable X es mayor de 1.96, entonces es estadísticamente significativa al nivel del 5%. Esto significa que sí podemos afirmar que la variable X tiene un efecto importante en la variable dependiente Y, y esta relación es estadísticamente relevante en el modelo. En resumen, cuando la constante no es significativa (t < 1.96) pero la variable X sí lo es (t > 1.96), esto sugiere que la relación entre X e Y es significativa, aunque la constante en sí misma no tiene un efecto relevante en este modelo. Saludos
¡Hola Karolina! En este video no incluí el análisis de residuos, pero te indico cómo hacerlo en SPSS. Después de correr la regresión, ve a: 1. Analizar > Regresión > Lineal. 2. En la ventana que se abre, haz clic en "Guardar" y selecciona "Residuales no tipificados o Residuales estandarizados". 3. Luego, da clic en "Aceptar" para guardar los residuos en el conjunto de datos. 4. Puedes analizar los residuos creando gráficos desde Gráficos > Gráficos de dispersión para ver la distribución y posibles patrones. Este análisis es útil para verificar la normalidad y homocedasticidad de los residuos. ¡Espero te sirva! Saludos
¡Esta información vale millones!
Me gusta que los videos sean concretos y faciles de comprender, para mí y para muchos han sido de gran utilidad
Pd: Hacen falta más profes como usted, que incentiven a los alumnos a superarse
¡Gracias! 😊 Tus palabras significa mucho para mí.
Muy buen video, con una explicación muy fácil de entender y aborda muy bien y completo el tema.
¡Gracias por tu amable comentario! Me alegra que te haya gustado el video😉
La claridad con la que expone los temas y la manera estructurada en que presenta la información son fáciles de comprender para yo aplicarlo en mis respectivos análisis. Gracias por compartir su experiencia de una forma tan accesible y profesional.🙌🏻
Excelente video y excelente explicación sobre la regresión lineal simple, gracias a este video pude tener un mejor conocimiento acerca de la regresión lineal simple.Buena capsula 👍
Realmente aprecio tus palabras y tu tiempo para comentar👏
Excelente video, me sirvió de mucho en un trabajo que tuve me abrió de más la mente, muy buena explicación 👏🏽 y excelente interpretación .
Me da mucho gusto leer tu comentario, saludos😉
Excelente video y explicación de la regresión lineal simple.
Gracias a este video pude reforzar mis conocimientos sobre el tema
Muchas gracias profesor, muy entendible el procedimiento
Gracias por comentar😜
gran video maestro Elias, gracias a este video pude entender mejor la regresión lineal simple y se me facilitó más al momento de hacer mi PIA, muchas gracias🙌🏼
Excelente explicación a detalle en sus videos, gracias por apoyarnos a comprender, emplear y manejar de una mejor manera el análisis de datos, muy buena herramienta!! gracias Dr. Elías Alvarado.
Gracias por sus comentarios, saludos😉
Muy buena cápsula, este ejemplo me ayudo mucho a complementar lo visto en clase y a mejorar el análisis de los datos obtenidos.🎉👏🏼
!Excelente!😁
muy buen video, esta todo bien explicado
Gracias, saludos😃
Seria genial si lo haces con una tesis completa desde la parte análisis y procesamiento de datos.
¡Gracias por tu comentario! Lo tomaré en cuenta para desarrollar un análisis más completo en una tesis.
Excelente explicación para el tema regresión lineal simple sin duda me ayudó a reforzar mis conocimientos es un excelente video aun que me surge una pregunta ¿si el valor de (r) es decir el coeficiente de correlación de Pearson es mayor a 1 o menor que -1 significaría algún error?
Hay un video de él que explica eso, es este: ua-cam.com/video/ilwd88kzCk8/v-deo.htmlsi=DUW7YQeLfTMQORW-
Gracias por responder💙
¡Hola! Me alegra muchísimo que el video te haya sido útil para reforzar tus conocimientos. 😊
Respecto a tu pregunta, el coeficiente de correlación de Pearson (r) siempre debe estar en el rango de -1 a 1. Si obtienes un valor mayor a 1 o menor que -1, efectivamente significa que hubo algún error en el cálculo. Este error puede deberse a:
1. Errores de cálculo: Verifica si se realizaron bien las operaciones matemáticas, especialmente al calcular la covarianza y las desviaciones estándar.
2. Problemas con los datos: Asegúrate de que los datos no contengan errores, como valores extremos o inconsistencias.
3. Configuración incorrecta en software: Si usaste software estadístico, revisa que los datos estén correctamente ingresados y que los comandos sean los adecuados.
Saludos😉
Si mis datos no siguen una distribución normal, existe en SPSS un equivalente no paramétrico de la regresión lineal simple? Gracias!
Si tus datos no siguen una distribución normal y estás interesado en realizar un análisis equivalente a la regresión lineal simple en SPSS, puedes considerar el uso de métodos de regresión no paramétricos. Estos métodos no asumen una distribución normal de los datos y son útiles cuando las relaciones entre variables no son lineales o cuando los datos tienen una distribución sesgada.
Una opción común es la regresión de rangos. La regresión de rangos, como la regresión de Spearman o Kendall, utiliza los rangos de los datos en lugar de los valores brutos. Esto la hace menos sensible a los datos atípicos y a las distribuciones no normales.
Otra alternativa es la regresión robusta. La regresión robusta está diseñada para ser insensible a los valores atípicos y puede manejar bien las distribuciones no normales. SPSS ofrece opciones para realizar regresiones robustas que son menos sensibles a los valores extremos y a las distribuciones anormales.
Además, podrías considerar el uso de modelos de regresión basados en árboles, como los árboles de decisión o los modelos de bosques aleatorios. Estos modelos no requieren la normalidad de los datos y pueden capturar relaciones no lineales y complejas entre variables.
Para aplicar estos métodos en SPSS, necesitarás acceder a las opciones correspondientes en el menú de análisis o utilizar la sintaxis de comandos de SPSS. Si no estás familiarizado con estas técnicas, podría ser útil consultar la documentación de SPSS o buscar tutoriales específicos que expliquen cómo implementar estos métodos en tu análisis.
Saludos
Gracias!@@Elias_Alvarado
y si en el apartado de coeficientes, t de student, la constante me sale menos de 1.96 pero la variable x si lo sobrepasa, son estadísticamente significativos?
Estimado Luis
En una regresión lineal simple, la prueba de significancia estadística de los coeficientes (incluyendo la constante) se evalúa mediante el valor "t de Student". Este valor indica si un coeficiente es significativamente diferente de cero, lo que ayuda a determinar si la variable tiene un impacto relevante en el modelo.
1. Constante: Si el valor "t de Student" de la constante es menor de 1.96, entonces no es estadísticamente significativa al nivel del 5%. Esto significa que no podemos asegurar con suficiente confianza que la constante en el modelo es diferente de cero. En la práctica, esto puede interpretarse como que la constante no tiene un impacto importante en la relación entre las variables X e Y en este modelo específico.
2. Variable X: Si el valor "t de Student" para la variable X es mayor de 1.96, entonces es estadísticamente significativa al nivel del 5%. Esto significa que sí podemos afirmar que la variable X tiene un efecto importante en la variable dependiente Y, y esta relación es estadísticamente relevante en el modelo.
En resumen, cuando la constante no es significativa (t < 1.96) pero la variable X sí lo es (t > 1.96), esto sugiere que la relación entre X e Y es significativa, aunque la constante en sí misma no tiene un efecto relevante en este modelo.
Saludos
Quiero saber por donde esta la parte de los analisis de resuudio
¡Hola Karolina! En este video no incluí el análisis de residuos, pero te indico cómo hacerlo en SPSS. Después de correr la regresión, ve a:
1. Analizar > Regresión > Lineal.
2. En la ventana que se abre, haz clic en "Guardar" y selecciona "Residuales no tipificados o Residuales estandarizados".
3. Luego, da clic en "Aceptar" para guardar los residuos en el conjunto de datos.
4. Puedes analizar los residuos creando gráficos desde Gráficos > Gráficos de dispersión para ver la distribución y posibles patrones.
Este análisis es útil para verificar la normalidad y homocedasticidad de los residuos.
¡Espero te sirva!
Saludos
que pasa si t, es negativo