Medidas estadísticas bivariantes

1. Regresión lineal simple

1.1. En un modelo de regresión lineal simple tratamos de explicar la relación que existe entre la variable respuesta Y y una única variable explicativa X.

2. Regresión múltiple

2.1. Los modelo de regresión múltiple estudian la relación entre una variable de interés Y (variable respuesta o dependiente) y un conjunto de variables explicativas o regresoras X1, X2, . . . , Xp En el modelo de regresión lineal múltiple se supone que la función de regresión que relaciona la variable dependiente con las variables independientes es lineal, es decir: Y = β0 + β1X1 + β2X2 + · · · + βpXp + ε

3. Diagrama de dispersión

3.1. El diagrama de dispersión permite estudiar las relaciones entre dos conjuntos asociados de datos que aparecen en pares (por ejemplo, (x,y), uno de cada conjunto). El diagrama muestra estos pares como una nube de puntos. Las relaciones entre los conjuntos asociados de datos se infieren a partir de la forma de las nubes. Una relación positiva entre x y y significa que los valores crecientes de x están asociados con los valores crecientes de y. Una relación negativa significa que los valores crecientes de x están asociados con los valores decrecientes de y.

4. Correlación

4.1. La correlación indica la fuerza y la dirección de una relación lineal y proporcionalidad entre dos variables estadísticas.

4.1.1. Coeficiente de Correlación lineal de Pearson

4.1.1.1. Se trata de un índice que mide si los puntos tienen tendencia a disponerse en una línea recta. Puede tomar valores entre -1 y +1. Es un método estadístico paramétrico, ya que utiliza la media, la varianza,…y por tanto, requiere criterios de normalidad para las variables analizadas.

4.1.2. Covarianza

4.1.2.1. El numerador del coeficiente de correlación es la covarianza muestral SXY entre X e Y, que nos indica si la posible relación entre dos variables es directa o inversa. Es una medida que nos habla de la variabilidad conjunta de dos variables cuantitativas.