Por lo general, les digo a los estudiantes que las dos categorías principales de estadísticas “básicas” son si (a) determinan la relación entre cosas o si determinan (b) las diferencias entre grupos. A veces, sin embargo, se desea hacer ambas cosas. Para hacer esto, la regresión con variables dummy puede ayudar. Esta página es una breve lección sobre cómo realizar una regresión con variables dummy en Jamovi. ¡Como siempre, si tienen alguna pregunta, envíenme un email a MHoward@SouthAlabama.edu!

---

El tipo típico de regresión es una regresión lineal, la cual identifica una relación lineal entre predictor(es) y un resultado. Lo crean o no, una regresión lineal también puede identificar bastante bien las diferencias entre grupos – siempre que sepamos cómo codificar nuestros predictores correctamente. Aquí es donde puede entrar en juego la codificación simulada (dummy coding), que se puede usar para responder las siguientes preguntas y otras similares:

• ¿Cuál es la relación de los grupos de capacitación de las personas en su desempeño laboral teniendo en cuenta su satisfacción laboral?
• ¿Cuál es la relación del condado de residencia de las personas con su satisfacción con la vida al contabilizar sus ingresos?
• ¿Cuál es la relación del proceso de fabricación de un aparato con su calidad evaluada teniendo en cuenta la permanencia del operador de la máquina?

Por supuesto, hay más matices en la regresión con variables dummy, pero lo mantendremos simple. Para responder a estas preguntas, podemos usar Excel para calcular una ecuación de regresión.  Si no tienen un conjunto de datos, pueden descargar el conjunto de datos de ejemplo aquí. En este conjunto de datos, estamos investigando las relaciones de tres grupos de capacitación y concientización con las ventas. Así pues, los grupos de formación son la variable categórica para la que queremos comparar los grupos en el resultado, mientras que la concienciación es la variable continua para la que queremos evaluar su relación con el resultado.

Además, este archivo está en formato .xls, pero Jamovi no puede abrir este formato. Para saber cómo cambiar este archivo .xls a un archivo .csv, que Jamovi puede abrir, haga clic aquí. Además, las imágenes de abajo son un poco pequeñas en la página. Haga clic en el enlace situado encima de cada imagen para ver una versión ampliada de la misma en una nueva ventana.

The data should look something like this:

Imagen Regresión con Variables Dummy en Jamovi 1

Con la mayoría de los programas estadísticos, tendríamos que crear nuestros variables dummy antes de realizar nuestro análisis con variables dummy. Afortunadamente, Jamovi lo hace por nosotros cuando realizamos el análisis. ¡Qué práctico!

Así, podemos proceder directamente a realizar el análisis. Para ello, primero hacemos clic en el botón “Regresión” en la parte superior de la pantalla.

Imagen Regresión con Variables Dummy en Jamovi 2

Haga clic en “Regresión lineal”.

Imagen Regresión con Variables Dummy en Jamovi 3

Debería ver una pantalla parecida a la siguiente:

Imagen Regresión con Variables Dummy en Jamovi 4

Empecemos por identificar nuestra variable de resultado en Jamovi. Para ello, haga clic en la variable Sales y, a continuación, haga clic en la flecha hacia la derecha situada junto al cuadro “Variable Dependiente”.

Imagen Regresión con Variables Dummy en Jamovi 5

Incluyamos nuestra variable continua como predictor, que en este ejemplo es la concienciación. Las variables continuas deben añadirse a la casilla “Covariables” en Jamovi. Haga clic en su variable de Conscientiousness y, a continuación, haga clic en la flecha hacia la derecha situada junto al cuadro “Covariables”.

Imagen Regresión con Variables Dummy en Jamovi 6

Incluyamos nuestra variable categórica como predictor, que es grupos en este ejemplo. Normalmente, habríamos necesitado crear variables dummy para esta variable categórica en otros programas estadísticos; sin embargo, Jamovi puede crear automáticamente estos variables dummy por nosotros. Haga clic en su variable de grupos, y haga clic en la flecha hacia la derecha junto a la casilla “Factores”.

Imagen Regresión con Variables Dummy en Jamovi 7

Su ventana debería parecerse a la siguiente:

Imagen Regresión con Variables Dummy en Jamovi 8

Antes de examinar nuestros resultados, quiero obtener dos estadísticas más relativas a nuestros análisis. En primer lugar, quiero indicadores de multicolinealidad. Para obtener estos indicadores, hacemos clic en la pestaña “Comprobaciones de Supuestos”.

Imagen Regresión con Variables Dummy en Jamovi 9

Debería abrirse una nueva ventana. En esta nueva ventana, haga clic en la casilla situada junto a “Estadísticas de colinealidad”.

Imagen Regresión con Variables Dummy en Jamovi 10

Con esta opción seleccionada, podemos cerrar la ventana de Comprobaciones de Supuestos haciendo clic en la pestaña “Comprobaciones de Supuestos”.

Imagen Regresión con Variables Dummy en Jamovi 11

En segundo lugar, quiero obtener los coeficientes estandarizados de nuestros análisis. Para obtenerlos, debemos abrir la pestaña Coeficientes del Modelo haciendo clic en la etiqueta “Coeficientes del Modelo”.

Imagen Regresión con Variables Dummy en Jamovi 12

Desde aquí, queremos hacer clic en la casilla junto a “Estimación estandarizado”.

Imagen Regresión con Variables Dummy en Jamovi 13

Queremos cerrar este menú abierto.

Imagen Regresión con Variables Dummy en Jamovi 14

Ahora ya tenemos los resultados finales. Comprueba si has obtenido los mismos resultados que yo. Si es así, ¡genial! Si no, vuelve a la guía y comprueba en qué difieren tus resultados.

Imagen Regresión con Variables Dummy en Jamovi 15

Ahora, interpretemos nuestros resultados. En primer lugar, observemos la tabla inferior, que proporciona nuestros estadísticos de multicolinealidad. Nuestro VIF para ambos predictores fue de 1,0. Hay muchos límites diferentes para el VIF. Algunos autores dicen que el VIF no debe ser superior a 3, 4, 5 o incluso 10. Sea cual sea el punto de corte que elijamos, ninguno de ellos es inferior a 1,0. Por lo tanto, la multicolinealidad no es un problema con nuestros datos.

En la primera tabla, también podemos ver que nuestro R^2 es extremadamente de 0.84. Esto significa que nuestros dos predictores no son iguales. Esto significa que nuestros dos predictores explican el 84% de la varianza en el rendimiento laboral. ¡Eso es mucho! ¡Ojalá alguna vez fuera tan alto!

A continuación, podemos mirar la columna del valor p en la segunda tabla para ver la importancia de nuestros predictores. El valor p asociado a la concienciación fue de 0.02. Esto significa que la conciencia es un predictor estadísticamente significativo de las ventas.

La interpretación de nuestra variable de agrupación es un poco más difícil. Cuando se realiza una regresión con código ficticio, los resultados asociados a nuestras variables de agrupación representan comparaciones de grupos. Por defecto, Jamovi codifica nuestra variable de agrupación para comparar el Grupo 1 con todos los demás grupos. Así pues, la primera fila asociada a nuestra variable de agrupación (“2 – 1”) representa la comparación del Grupo 2 y el Grupo 1. La segunda fila asociada a nuestra variable de agrupación (“3 – 1”) representa la comparación del Grupo 3 y el Grupo 1.

Al examinar estos resultados con variables dummy, el valor p asociado a la comparación del Grupo 2 y el Grupo 1 es de 0.057. No es estadísticamente significativo. Esto no es estadísticamente significativo y, por lo tanto, no hay una diferencia significativa entre el Grupo 2 y el Grupo 1 con respecto al resultado de Ventas. El valor p asociado a la comparación del Grupo 3 y el Grupo 1 es < 0.0001. Esto es estadísticamente significativo, y por lo tanto hay una diferencia significativa entre el Grupo 3 y el Grupo 1 en cuanto al resultado de Ventas.

Estos resultados indican que tanto la concienciación como nuestra variable de agrupación tuvieron un impacto significativo en las ventas. En cuanto a la variable de agrupación, el Grupo 3 y el Grupo 1 presentan una diferencia estadísticamente significativa en el resultado de las ventas.

Hay muchas más cosas que podríamos evaluar con nuestra regresión con variables dummy, pero lo dejaremos aquí. Ya hemos cubierto mucho. Ahora debería ser capaz de realizar una regresión con código ficticio en Jamovi. Como siempre, si tienes alguna pregunta o comentario, envíame un correo electrónico a MHoward@SouthAlabama.edu.