La regresión es una herramienta poderosa.  Afortunadamente, las regresiones pueden calcularse fácilmente en Excel.  Esta página contiene una breve lección sobre cómo calcular una regresión en Excel.  Como siempre, si tienes alguna pregunta, envíame un correo electrónico a MHoward@SouthAlabama.edu.

---

El modelo típico de regresión es la regresión lineal, que identifica una relación lineal entre los factores de predicción y un resultado.  En otras palabras, una regresión puede indicar la relación de uno o varios predictores con un único resultado.  La regresión también pone a prueba cada una de estas relaciones mientras controla los demás predictores, y puede utilizarse para responder a las siguientes preguntas y otras similares:

• ¿Cuál es la relación de la satisfacción laboral y la capacidad del líder en la predicción de la satisfacción laboral de los empleados?
• ¿Cuál es la relación entre las horas estudiadas y las notas de los exámenes?
• ¿Cuál es la relación entre la altura, el peso y la envergadura de un jugador de la NBA y el número de puntos anotados por partido?

Por supuesto, la regresión tiene más matices, pero vamos a simplificarla.  Para responder a estas preguntas, podemos utilizar Excel para calcular una ecuación de regresión.  Si no tienes un conjunto de datos, puedes descargarlo aquí. En el conjunto de datos, estamos investigando las relaciones de la satisfacción laboral y la deseabilidad social con el rendimiento laboral.

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.

Los datos deberían tener este aspecto:

Imagen de Regresión en Jamovi 1

Si su conjunto de datos tiene un aspecto diferente, debe intentar formatearlo para que se parezca a la imagen anterior. Las siguientes instrucciones pueden ser un poco confusas si sus datos tienen un aspecto diferente.

Una vez que tenga los datos abiertos, el primer paso es hacer clic en la botón Regresión.

Imagen de Regresión en Jamovi 2

Luego haga clic en Regresión Lineal.

Imagen de Regresión en Jamovi 3

Debería ver una ventana parecida a ésta:

Imagen de Regresión en Jamovi 4

Identifiquemos nuestra variable de resultado en Jamovi. Para ello, seleccionamos nuestra variable de resultado y la designamos como variable dependiente. En el ejemplo actual, queremos seleccionar el Job Performance y hacer clic en la flecha hacia la derecha junto a la casilla “Variable Dependiente”.

Imagen de Regresión en Jamovi 5

Identifiquemos nuestras variables predictoras en Jamovi. Para ello, queremos seleccionar nuestras variables predictoras y designarlas como covariables. En el ejemplo actual, queremos seleccionar Job Satisfaction y Social Desirability. A continuación, haga clic en la flecha hacia la derecha situada junto a la casilla “Covariables”.

Imagen de Regresión en Jamovi 6

Y obtenemos unos primeros resultados de regresión. Antes de interpretarlos, sin embargo, hay algunas opciones que queremos pulsar.

Queremos ver si la multicolinealidad es un problema en nuestros resultados de regresión. Para obtener indicadores relevantes de multicolinealidad, haga clic en la pestaña “Comprobaciones de Supuestos”.

Imagen de Regresión en Jamovi 7

Debería aparecer una nueva ventana emergente, como se ve a continuación:

Imagen de Regresión en Jamovi 8

Desde aquí, haga clic en la casilla situada junto a “Estadísticas de colinealidad”.

Imagen de Regresión en Jamovi 9

Necesitamos un último estadístico: los coeficientes beta estandarizados. Cierre la pestaña haciendo clic de nuevo en la barra “Comprobación de Supuestos”.

Imagen de Regresión en Jamovi 10

Ahora queremos abrir la ventana coeficientes del modelo. Para ello, haga clic en la pestaña “Coeficientes del Modelo”.

Imagen de Regresión en Jamovi 11

En este menú, haga clic en la casilla situada junto a “Estimador estandarizado”. Esto proporcionará nuestros coeficientes beta estandarizados.

Imagen de Regresión en Jamovi 12

¡Y ya está! Ahora tenemos las estadísticas que necesitamos. Compruebe la imagen de abajo para asegurarse de que sus resultados son los mismos que los míos.

Imagen de Regresión en Jamovi 13

A partir de estos resultados, debemos examinar en primer lugar nuestras comprobaciones de supuestos, que es la última tabla. Nuestro valor VIF para ambos predictores fue de 1.06. Hay muchos límites diferentes para VIF. Algunos autores dicen que el VIF no debe ser superior a 3, 4, 5 o incluso 10. Sea cual sea el límite que elijas, ninguno de ellos es inferior a 1.06. Por lo tanto, la multicolinealidad no es un problema con nuestros datos.

En la primera tabla, también podemos ver que nuestro R^2 es bastante grande, de 0.53. Esto significa que nuestros dos predictores explican el 53% de la varianza en el rendimiento laboral.

Podemos observar la columna del valor p en la segunda tabla para ver la importancia de nuestros predictores. Vemos que el valor p es inferior a 0.05 tanto para la deseabilidad social como para la satisfacción laboral. Esto significa que tanto la deseabilidad social como la satisfacción laboral son predictores estadísticamente significativos del rendimiento laboral.

Por último, podemos observar la naturaleza de estas relaciones observando nuestra columna de estimaciones estandarizadas en la segunda tabla. El coeficiente beta estandarizado asociado con la deseabilidad social fue de 0.30, mientras que el coeficiente asociado con la satisfacción laboral fue de 0.60. Esto indica que ambos predictores tenían relaciones fuertes y positivas con el rendimiento laboral, y que la satisfacción laboral era un predictor más fuerte que la deseabilidad social.

¡Eso es mucho! Desde esta página, deberías ser capaz de realizar un análisis de regresión en Jamovi. Como siempre, si tienes alguna pregunta o comentario, envíame un correo electrónico a MHoward@SouthAlabama.edu .