Análisis de Regresión Lineal Simple: Horas de Estudio vs Calificación
1. Descripción del Estudio
Este estudio tiene como objetivo analizar si existe una relación significativa entre el tiempo dedicado al estudio y el rendimiento académico, medido mediante la calificación obtenida en un examen. La hipótesis planteada es que a mayor número de horas de estudio, mayores serán las calificaciones obtenidas. Para esto, se aplicó un modelo estadístico de regresión lineal simple, que permite cuantificar la relación entre dos variables numéricas.
2. Base de Datos
La base de datos utilizada se compone de 100 observaciones, donde cada registro corresponde a un estudiante. Se recopilaron dos variables:
- Horas_Estudio: número de horas que cada estudiante dedicó a estudiar antes del examen.
- Calificacion: nota obtenida por el estudiante en una escala de 0 a 100.
El archivo se encuentra en formato CSV y fue cargado a R utilizando
la función read.csv(). El análisis se realiza a partir de
estos datos.
3. Modelo de Regresión Lineal
El modelo de regresión lineal simple tiene la forma general:
Y = β₀ + β₁·X + ε
Donde:
Y: variable dependiente (Calificación)
X: variable independiente (Horas_Estudio)
β₀: intercepto (valor esperado de Y cuando X = 0)
β₁: pendiente (cambio en Y por cada unidad adicional de X)
ε: error aleatorio
Modelo ajustado con nuestros datos:
Calificacion = 48.21 + 5.67 × Horas_Estudio
Esto significa que, en promedio, por cada hora adicional de estudio, la calificación aumenta 5.67 puntos. Cuando un estudiante no estudia (0 horas), se espera que obtenga una calificación de 48.21.
Calificacion = 48.21 + 5.67 × Horas_Estudio
| Parámetro | Coeficiente | Error Estándar | Valor t | p-valor | IC 95% (Inferior - Superior) |
|---|---|---|---|---|---|
| Intercepto | 48.21 | 2.83 | 17.03 | <0.001 | 42.52 - 53.90 |
| Horas_Estudio | 5.67 | 0.65 | 8.72 | <0.001 | 4.38 - 6.96 |
4. Métricas del Modelo
- R² (R-cuadrado): 0.612
- F-statistic: 76.04
- p-valor (modelo): 3.41e-11
- Observaciones: 50
Estas métricas nos ayudan a evaluar la calidad del modelo ajustado:
R² (R-cuadrado): 0.612 → El modelo explica aproximadamente el 61% de la variabilidad de las calificaciones.
F-statistic: 76.04 → Contrasta si el modelo es significativamente mejor que uno sin predictores.
p-valor (modelo): 3.41e-11 → El modelo es significativo.
Observaciones: 50 → Tamaño de la muestra.
Aunque no es un modelo perfecto, es un buen punto de partida para entender cómo el estudio influye en el desempeño académico.
5. Gráfico de Regresión
A continuación, se presenta un gráfico de dispersión con la línea de regresión ajustada. Esta visualización permite ver claramente la tendencia positiva entre las horas de estudio y la calificación.
6. Verificación de Supuestos del Modelo con sus graficas
📌📌 6.1 Linealidad
La relación entre la variable independiente y la dependiente debe ser lineal. Esto se puede observar tanto en el gráfico como en el comportamiento del modelo.
📌 6.2 Independencia
Los residuos (errores) del modelo deben ser independientes. Esto se verifica graficando los residuos respecto al orden de observación.
###📌 6.3 Homocedasticidad La varianza de los errores debe ser constante. Se analiza al graficar los residuos vs los valores predichos.
###📌 6.4 Normalidad Los residuos del modelo deben seguir una distribución aproximadamente normal. Se puede comprobar con un histograma de residuos.
## Warning: The dot-dot notation (`..density..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(density)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
7. Conclusión
El análisis de regresión lineal simple realizado demuestra que existe una relación positiva y estadísticamente significativa entre las horas de estudio y las calificaciones obtenidas. Por cada hora adicional de estudio, se espera un aumento de 5.67 puntos en la nota del examen. El modelo explica un 61% de la variabilidad en los resultados, lo cual es una proporción considerable en contextos educativos.
Este estudio permite concluir que dedicar más tiempo al estudio sí tiene un impacto positivo en el rendimiento académico. Sin embargo, también es importante tener en cuenta que otros factores no incluidos en el modelo pueden influir en las calificaciones, como el estilo de aprendizaje, el estrés, la calidad del sueño o la dificultad del examen.
Como recomendación, se sugiere seguir profundizando el análisis con modelos más complejos que incorporen otras variables relevantes, lo que permitiría mejorar las predicciones y la comprensión del fenómeno.