Regresión lineal múltiple en SPSS

[@Dilansillo.]

Muy buena explicación que nos proporciona una información útil y constructiva, asi como saber cual es la variable y saber como es que van aumentando dependiendo la escala que se utilice 👏🎉

[@Elias_Alvarado]

Enhorabuena👌

[@Derec164]

Excelente explicación es muy útil para el sistema que utilizamos

[@Elias_Alvarado]

Gracias por tus comentarios✌

[@maxklariczen7320]

BRO GRACIAS el único TUTORIAL QUE SIRVEEE!!!!!

[@Elias_Alvarado]

Gracias, saludos😉

[@brandondanielarevalomedina15]

Excelente explicación sobre cómo formular regresiones lineales múltiples en el programa SPSS, el análisis que hace como ejemplo ayuda a comprender mejor, además de que nos enseña interpretar los resultados de manera clara y objetiva. 👏👏

[@Elias_Alvarado]

¡Me alegra mucho saber que mi contenido te es útil!😍

[@ricardofernandez3919]

Excelente explicación, gracias profe.

[@Elias_Alvarado]

Gracias, saludos😀

[@SarahíSantaCruz-o3s]

Muy buena explicación y video como siempre 😉

[@Elias_Alvarado]

Un saludo😀

[@astridt7789]

Excelente video! Muy bien explicado cada paso a seguir 🙌

[@Elias_Alvarado]

Muchas gracias👏

[@lizcervantes4423]

Excelente explicación 🙌🏻

[@Elias_Alvarado]

Gracias 😊

[@alecc6075]

Excelente explicación

[@Elias_Alvarado]

Thanks😀

[@pachi40]

Doc, soy su fan... saludos desde tampico, lo recuerdo con mucho cariño 😊

[@Elias_Alvarado]

😊 Muchas gracias por tu apoyo y por tus palabras. Espero que te encuentres muy bien. ¡Un fuerte abrazo!

[@InésRuedaSampedro]

Excelente explicación. Una consulta. Se pueden utilizar como variables independientes variables que sean de escala likert? Por ejemplo una variable dependiente que sea dicotómica y varias variables de escala likert de 5 posiciones. Muchas gracias

[@Elias_Alvarado]

🙂Hola Inés, con gusto respondo a tu consulta: En el contexto de la regresión lineal múltiple, es posible utilizar variables independientes que sean de escala Likert, aunque hay ciertas consideraciones importantes a tener en cuenta. Las escalas Likert son ordinales, lo que significa que las respuestas indican una ordenación pero no necesariamente una distancia equidistante entre los puntos. Sin embargo, en la práctica, muchos investigadores tratan las escalas Likert como si fueran intervalares, especialmente cuando hay cinco o más categorías. Esto se hace bajo la suposición de que las distancias entre las categorías son aproximadamente iguales, lo cual permite utilizar técnicas de análisis que requieren datos a nivel intervalar. Para la regresión lineal múltiple, este tratamiento es común, pero es importante ser consciente de las limitaciones y de la justificación teórica detrás de esta decisión. Dicho esto, al utilizar variables de escala Likert como variables independientes en un modelo de regresión lineal múltiple, se deben considerar los siguientes puntos: 1. Asunción de linealidad: La regresión lineal asume una relación lineal entre las variables independientes y la variable dependiente. Esta asunción puede ser razonable si las categorías de la escala Likert se interpretan como intervalos equidistantes. 2. Normalidad de los residuos: Aunque la regresión lineal no requiere que las variables independientes sean normalmente distribuidas, sí requiere que los residuos del modelo lo sean. Es importante verificar esta asunción y considerar transformaciones si fuera necesario. 3. Multicolinealidad: Al trabajar con múltiples variables independientes, es crucial verificar la multicolinealidad, que ocurre cuando las variables independientes están altamente correlacionadas entre sí. Esto se puede diagnosticar mediante el cálculo del Factor de Inflación de la Varianza (VIF). 4. Codificación de variables: En algunos casos, las variables de escala Likert pueden necesitar ser recodificadas o utilizadas en forma de variables dummy, especialmente si no se considera adecuada la asunción de intervalos equidistantes. En cuanto a la variable dependiente dicotómica, la regresión lineal no es la técnica más adecuada, ya que asume una variable dependiente continua y puede producir predicciones fuera del rango 0-1. Para una variable dependiente dicotómica, es más apropiado utilizar la regresión logística, que modela la probabilidad de que la variable dependiente tome un valor específico (por ejemplo, 1) dado un conjunto de variables independientes. Espero te sea de utilidad, Saludos😉

[@raydoc1]

Hola muchas gracias por su apoyo. Como se pueden graficar estos modelos multioles en spss?

[@Elias_Alvarado]

En SPSS, puedes visualizar los resultados de un modelo de regresión lineal múltiple mediante varios gráficos. Aquí hay algunas opciones comunes: 1. Gráfico de Dispersión con Línea de Ajuste: - Ve a "Graphs" en la barra de menú y selecciona "Scatter/Dot." - Elije "Simple Scatter" y selecciona "Define." - Coloca la variable dependiente en el eje Y y una de las variables independientes en el eje X. - Haz clic en "Add Fit Line at Total" para agregar la línea de ajuste basada en el modelo de regresión lineal múltiple. 2. Gráfico de Residuos: - Ve a "Graphs" en la barra de menú y selecciona "Legacy Dialogs" y luego "Scatter/Dot." - Elije "Simple Scatter" y selecciona "Define." - Coloca la variable de residuos en el eje Y y una de las variables independientes en el eje X. - Este gráfico puede ayudarte a identificar patrones en los residuos, lo que es útil para verificar las suposiciones del modelo. 3. Gráfico de Efectos Parciales: - Puedes utilizar el "Plots" en el cuadro de diálogo de regresión múltiple para crear gráficos de efectos parciales. - Ve a "Plots" en el cuadro de diálogo de regresión lineal múltiple y selecciona "Partial Plots." - Selecciona las variables independientes de interés y elige la opción "Individual Plot(s)." - Esto creará gráficos de efectos parciales para cada variable independiente. Estos son solo algunos ejemplos. La elección del gráfico dependerá de tus necesidades específicas y de la información que estés buscando visualizar. Recuerda que la interpretación de los gráficos debe hacerse en conjunto con el análisis estadístico para obtener una comprensión completa de los resultados del modelo. Saludos

[@Carlos_Sernaque]

EXCELENTE, AHORA ME FALTA EL SOFT 😢, DONDE LO CONSIGO

[@Elias_Alvarado]

Desafortunadamente no puedo ayudarte con eso, pero puedes buscar en internet por "descargar SPSS". Saludos

[@crlsmtz3444]

👍🏻

[@Elias_Alvarado]

Gracias 👍

[@luciapantasifuentes2566]

Excelente.

[@Elias_Alvarado]

Gracias😀

[@enriquemorales945]

Felicitaciones profesor muy buena la explicación, pero una consulta: el valor del coeficiente de la distribución T student es 2.2281 (P=0.975, con 10GL (n-k=15-5), el valor de 1.96 corresponde al valor Zi la distribución normal, por que considera como coeficiente de tabla el valor 1.96?

[@josnellyhernandez3341]

Holaa, cual seria el indicador para la variable tamaño? Cual seria el criterio para definirla?

[@Elias_Alvarado]

Es el número de trabajadores de las empresas😉

[@travis8485]

Porque el programa elimina algunas variables al realizar el analisis de regresion

[@Elias_Alvarado]

No entiendo muy bien la pregunta. No obstante, diré que el SPSS elimina variables en un análisis de regresión lineal múltiple por las siguientes razones principales: 1. Multicolinealidad: Variables muy correlacionadas pueden ser excluidas para evitar problemas de precisión en el modelo. 2. Baja significancia: En modelos "Stepwise," SPSS elimina variables que no contribuyen significativamente. 3. Valores perdidos: Si una variable tiene muchos datos faltantes, SPSS puede omitirla. 4. Falta de variabilidad: Variables con valores constantes o casi constantes no aportan al modelo y son descartadas. Saludos

[@castrourculloariannanataly5184]

Buenos días, al momento de colocar escalonado, me dice que no se han entrado variables en la ecuación, esto a qué se debe?

[@Elias_Alvarado]

Que tal mi gente :) El mensaje 'no se han entrado variables en la ecuación' que aparece al intentar realizar un análisis de regresión lineal múltiple escalonado en SPSS generalmente se debe a uno de los siguientes motivos: 1. Selección de Variables: Asegúrate de que has seleccionado las variables correctas para el análisis. En el método escalonado, debes incluir tanto las variables independientes como la dependiente. 2. Datos Faltantes o Incorrectos: Verifica que tus datos estén completos y correctamente ingresados. Si hay datos faltantes o erróneos en las variables seleccionadas, esto podría causar problemas. 3. Configuración del Método Escalonado: En el método escalonado, SPSS intenta ingresar las variables en pasos, basándose en criterios estadísticos como el F-test. Si ninguna de tus variables independientes cumple con el criterio para ser incluida en el modelo en el primer paso, podrías recibir este mensaje. Esto puede suceder si las variables no están relacionadas significativamente con la variable dependiente. Como solución, te recomendaría revisar las variables seleccionadas y tus datos. Si el problema persiste, podrías considerar ajustar los criterios para la inclusión de variables o utilizar un método de regresión diferente, como el método 'Enter o Inclusión', donde todas las variables seleccionadas se incluyen en el modelo desde el principio. Espero que esto ayude a resolver tu problema. ¡Mucho éxito con tu análisis!"

[@olgaandreamercadocordero6088]

Buenas noches, por qué el valor t, tiene que ser menor a 1.96? Muchas gracias.

[@Elias_Alvarado]

El valor t en una regresión lineal múltiple se utiliza para probar si los coeficientes del modelo son significativamente diferentes de cero. El valor crítico de 1.96 se refiere a la distribución t de Student y se usa para un nivel de significancia del 5% en una prueba de dos colas. Si el valor absoluto del estadístico t es mayor que 1.96, se considera que el coeficiente es significativamente diferente de cero, indicando que la variable correspondiente tiene un impacto significativo en la variable dependiente. Si es menor, no hay suficiente evidencia estadística para afirmar que el coeficiente es significativo.

[@Ara-pp4es]

Hola que significa que me haya dado una significancia de .068?

[@Elias_Alvarado]

Hola 😀 Una significancia de 0.068 en el contexto de una regresión lineal múltiple en SPSS se refiere al valor p (p-value) del test estadístico asociado a alguno de los coeficientes de la regresión o al modelo en su conjunto. El valor p indica la probabilidad de que los resultados observados en tus datos hayan ocurrido por azar si en realidad no hubiera un efecto real (hipótesis nula). En términos prácticos, un valor p menor a un umbral predefinido (comúnmente 0.05) sugiere que puedes rechazar la hipótesis nula y concluir que el efecto observado es estadísticamente significativo. En tu caso, un valor p de 0.068 es ligeramente superior a 0.05. Esto significa que hay un 6.8% de probabilidad de que los resultados observados sean producto del azar si no existiera un efecto real. Dado que este valor p es mayor a 0.05, no se puede rechazar la hipótesis nula con un nivel de confianza del 95%. En otras palabras, el resultado no es estadísticamente significativo a ese nivel de confianza. En resumen: - Un valor p de 0.068 indica que la relación observada no es estadísticamente significativa al nivel de confianza del 95%. - Esto sugiere que, bajo un umbral de significancia común de 0.05, no tienes suficiente evidencia para afirmar que el efecto observado es real y no debido al azar.

[@cesarsandoval1477]

Help

[@Elias_Alvarado]

Realiza tu pregunta mi estimado😁