Calculadora de regresión lineal simple

La calculadora regresión lineal simple te permite ajustar un modelo lineal a tus datos en segundos. Obtendrás la ecuación de la recta, la pendiente, el intercepto, el coeficiente de correlación de Pearson (r), el coeficiente de determinación (R²), el gráfico de dispersión con la línea de ajuste y un análisis de residuos para diagnosticar la calidad del modelo. Es ideal para estudiantes, investigadores y analistas que necesitan explorar relaciones lineales entre dos variables cuantitativas, realizar predicciones y evaluar la bondad del ajuste.

📈 Calculadora de Regresión Lineal Simple

Introduce los pares de datos (X, Y) y obtén la recta de regresión, correlación y diagnóstico del modelo

📊

Variable independiente (X)

Valores separados por comas, espacios o saltos de línea

📉

Variable dependiente (Y)

Mismo número de observaciones que X

¿Qué es la regresión lineal simple?

La regresión lineal simple es una técnica estadística que modela la relación entre una variable dependiente (Y) y una variable independiente (X) mediante una línea recta. Su principal objetivo es predecir el valor de Y a partir de los valores de X, entendiendo cómo cambia Y cuando X aumenta o disminuye. A diferencia de la correlación de Pearson, que solo mide la fuerza y dirección de la relación, la regresión te permite cuantificar el cambio esperado en Y por cada unidad de cambio en X. Esta técnica es fundamental en el análisis de datos porque no solo describe la relación, sino que permite hacer predicciones y tomar decisiones basadas en el modelo ajustado.

Fórmula de la recta de regresión

La ecuación de la recta de regresión lineal es:

Ŷ = a + bX

Donde:

  • b es la pendiente: indica el cambio esperado en Y por cada unidad de cambio en X. Si b es positivo, la relación es directa; si es negativo, es inversa.
  • a es el intercepto: indica el valor esperado de Y cuando X es igual a 0. A veces no tiene interpretación práctica, pero es necesario para la ecuación.
  • Ŷ (Y-sombrero) es el valor predicho de Y por el modelo, es decir, el valor que estimamos a partir de X.

Ejemplo resuelto paso a paso

Imagina que quieres predecir el peso (Y, en kg) de una persona a partir de su altura (X, en cm). Tienes los siguientes datos de 5 personas:

Altura (X)Peso (Y)
16055
16560
17065
17570
18075

Introduciendo estos datos en la calculadora regresión lineal, obtienes los siguientes resultados:

  • Ecuación de la recta: Ŷ = -65 + 0,75X
  • Pendiente (b): 0,75. Por cada cm adicional de altura, el peso aumenta en promedio 0,75 kg.
  • Intercepto (a): -65. Teóricamente, una persona de 0 cm pesaría -65 kg (sin sentido práctico, pero necesario para la ecuación).
  • Coeficiente de correlación (r): 0,99. Relación positiva y casi perfecta.
  • Coeficiente de determinación (R²): 0,98. El 98% de la variabilidad del peso se explica por la altura.

Si quieres predecir el peso de alguien que mide 172 cm, sustituyes en la ecuación: Ŷ = -65 + 0,75 × 172 = 64 kg. Este valor es el peso estimado por el modelo para esa altura.

Cómo interpretar los resultados

Interpretación de la pendiente (b)

La pendiente te dice cuánto cambia Y en promedio cuando X aumenta en una unidad. Si b es positivo, la relación es directa (al aumentar X, aumenta Y). Si b es negativo, la relación es inversa (al aumentar X, disminuye Y). Por ejemplo, en nuestro caso, b = 0,75 significa que por cada centímetro adicional de altura, el peso aumenta en 0,75 kg en promedio. Es importante recordar que esto es una tendencia media, no una relación determinista.

Interpretación de R²

El coeficiente de determinación (R²) indica la proporción de la varianza de Y que es explicada por el modelo. Varía entre 0 y 1. Un R² de 0,98 significa que el 98% de la variabilidad del peso se debe a la altura, dejando solo un 2% a otros factores no considerados. Cuanto más cercano a 1, mejor ajusta el modelo a los datos. Sin embargo, un R² alto no garantiza que el modelo sea correcto; siempre hay que verificar los supuestos.

Supuestos de la regresión lineal

Para que el modelo sea válido y las inferencias sean fiables, deben cumplirse estos supuestos:

  • Linealidad: la relación entre X e Y debe ser lineal. Se verifica con un gráfico de dispersión; si los puntos se alejan de una línea recta, el modelo no es adecuado.
  • Independencia: las observaciones deben ser independientes entre sí. En datos de series temporales, puede haber autocorrelación, lo que violaría este supuesto.
  • Homocedasticidad: la varianza de los residuos debe ser constante para todos los valores de X. Se evalúa con un gráfico de residuos frente a valores predichos; si la dispersión cambia, hay heterocedasticidad.
  • Normalidad de los residuos: los residuos deben distribuirse aproximadamente de forma normal. Se comprueba con un histograma o un gráfico Q-Q. Si no se cumple, las pruebas de hipótesis pueden no ser fiables.

La calculadora incluye un análisis de residuos que te ayuda a diagnosticar estos supuestos. Si alguno no se cumple, puedes transformar los datos o considerar otros modelos.

Diferencia entre correlación y regresión

La correlación de Pearson mide la fuerza y dirección de la relación lineal entre dos variables, pero no permite predecir una a partir de la otra. La regresión lineal, en cambio, construye un modelo que cuantifica el cambio esperado en Y por cada unidad de cambio en X, permitiendo hacer predicciones. Ambas técnicas se complementan: primero calculas la correlación para saber si existe relación, y luego aplicas la regresión para modelarla. Por ejemplo, la correlación te dice que el peso y la altura están fuertemente relacionados (r = 0,99), mientras que la regresión te da la ecuación para predecir el peso a partir de la altura.

Cómo informar los resultados en formato APA

Para presentar los resultados de una regresión lineal simple en un TFG, tesis o artículo científico, sigue el formato APA. Un ejemplo típico sería:

«Se realizó un análisis de regresión lineal simple para predecir el peso a partir de la altura. La ecuación de regresión fue significativa (F(1, 3) = 147,00, p < 0,001), con un R² de 0,98. El peso predicho es igual a -65 + 0,75 × altura (cm). La pendiente indicó que por cada cm adicional de altura, el peso aumenta en promedio 0,75 kg.»

Recuerda incluir el valor F, los grados de libertad, el valor p y el R². Si el modelo no es significativo, indícalo con «p > 0,05». También es recomendable reportar el intervalo de confianza de la pendiente si está disponible.

Otras herramientas de Inferencia Estadística

Si necesitas más recursos, visita nuestras calculadoras de inferencia para análisis adicionales, como pruebas t, ANOVA o chi-cuadrado.

Preguntas frecuentes

¿Qué hago si mis datos no cumplen el supuesto de linealidad?

Si la relación no es lineal, puedes transformar las variables (por ejemplo, aplicando logaritmos o raíz cuadrada) o probar un modelo de regresión polinomial. También puedes usar técnicas no paramétricas.

¿Puedo hacer regresión lineal con más de una variable independiente?

Sí, eso se llama regresión lineal múltiple. Esta calculadora está diseñada para una sola variable independiente (simple). Para múltiples variables, necesitarás un software estadístico como SPSS o R, que permiten incluir varios predictores.

¿Qué significa un R² negativo?

R² nunca es negativo en una regresión lineal simple con intercepto. Si obtienes un valor negativo, es probable que hayas forzado el intercepto a cero o que el modelo esté mal especificado. En ese caso, revisa tus datos y el procedimiento.

¿Cómo sé si la pendiente es estadísticamente significativa?

La calculadora proporciona el valor p asociado a la pendiente. Si p < 0,05, la pendiente es significativa, lo que indica que X tiene un efecto real sobre Y. Si p > 0,05, no hay evidencia suficiente para afirmar que la relación existe.

¿Qué diferencia hay entre R y R²?

R es el coeficiente de correlación de Pearson, que mide la fuerza y dirección de la relación lineal. R² es el coeficiente de determinación, que indica la proporción de varianza explicada por el modelo. R² es el cuadrado de R. Por ejemplo, si R = 0,99, entonces R² = 0,98.

Si quieres profundizar en más técnicas, visita más guías de estadística.

Deja un comentario