Este informe desarrolla un modelo de regresión lineal simple con datos de las pruebas Saber 11 de Colombia. Se quiere establecer si el puntaje en Matemáticas (variable regresora, \(X\)) permite explicar y predecir el puntaje global del examen (variable respuesta, \(Y\)).
El informe sigue las pautas del proyecto final y cubre:
Modelo teórico
\[ Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i, \qquad \varepsilon_i \sim N(0,\sigma^2) \]
donde \(Y_i\) =
PUNT_GLOBAL, \(X_i\) =
PUNT_MATEMATICAS, \(\beta_0\) es el intercepto, \(\beta_1\) la pendiente y \(\varepsilon_i\) el error aleatorio.
library(ggplot2) # gráficos
library(dplyr) # manipulación de datos
library(broom) # tablas ordenadas de modelos (tidy, glance, augment)
library(ggpubr) # gráficos para publicación
library(readr) # lectura de archivos CSV
library(nortest) # prueba de normalidad de Lilliefors
library(lmtest) # prueba de Breusch-Pagan y Durbin-Watson
library(knitr) # tablas con kable()
El archivo Datos_Modelo_de_Regresion_Lineal_Multiple.csv
debe estar en la misma carpeta que este archivo
.Rmd.
datos_completos <- read_csv("Datos Modelo de Regresion Lineal Multiple.csv")
show_col_types = FALSE
cat("Observaciones:", nrow(datos_completos), "\n")
## Observaciones: 546212
cat("Variables:", ncol(datos_completos), "\n")
## Variables: 25
names(datos_completos)
## [1] "ESTU_GENERO" "PERIODO"
## [3] "ESTU_TIENEETNIA" "ESTU_DEPTO_RESIDE"
## [5] "ESTU_COD_RESIDE_DEPTO" "FAMI_ESTRATOVIVIENDA"
## [7] "COLE_NATURALEZA" "COLE_CALENDARIO"
## [9] "PUNT_LECTURA_CRITICA" "PERCENTIL_LECTURA_CRITICA"
## [11] "DESEMP_LECTURA_CRITICA" "PUNT_MATEMATICAS"
## [13] "PERCENTIL_MATEMATICAS" "DESEMP_MATEMATICAS"
## [15] "PUNT_C_NATURALES" "PERCENTIL_C_NATURALES"
## [17] "DESEMP_C_NATURALES" "PUNT_SOCIALES_CIUDADANAS"
## [19] "PERCENTIL_SOCIALES_CIUDADANAS" "DESEMP_SOCIALES_CIUDADANAS"
## [21] "PUNT_INGLES" "PERCENTIL_INGLES"
## [23] "DESEMP_INGLES" "PUNT_GLOBAL"
## [25] "PERCENTIL_GLOBAL"
Se trabaja solo con las dos variables del modelo y se eliminan los registros con datos faltantes.
datos <- datos_completos %>%
select(PUNT_MATEMATICAS, PUNT_GLOBAL) %>%
na.omit() %>%
as.data.frame()
n <- nrow(datos)
cat("Observaciones usadas en el modelo (n):", n, "\n")
## Observaciones usadas en el modelo (n): 546212
head(datos, 10)
La base tiene 546.212 observaciones. La variable
respuesta es PUNT_GLOBAL y la variable regresora es
PUNT_MATEMATICAS.
resumen <- function(v) {
c(Mínimo = min(v), Q1 = unname(quantile(v, 0.25)), Mediana = median(v),
Media = mean(v), Q3 = unname(quantile(v, 0.75)), Máximo = max(v),
`Desv. estándar` = sd(v), `Coef. variación (%)` = 100 * sd(v) / mean(v))
}
tabla_desc <- rbind(`PUNT_MATEMATICAS (X)` = resumen(datos$PUNT_MATEMATICAS),
`PUNT_GLOBAL (Y)` = resumen(datos$PUNT_GLOBAL))
kable(round(tabla_desc, 2), caption = "Estadísticos descriptivos de las variables del modelo")
| Mínimo | Q1 | Mediana | Media | Q3 | Máximo | Desv. estándar | Coef. variación (%) | |
|---|---|---|---|---|---|---|---|---|
| PUNT_MATEMATICAS (X) | 0 | 42 | 51 | 50.61 | 59 | 100 | 12.00 | 23.71 |
| PUNT_GLOBAL (Y) | 0 | 207 | 243 | 246.19 | 282 | 477 | 51.39 | 20.87 |
summary(datos_completos)
## ESTU_GENERO PERIODO ESTU_TIENEETNIA ESTU_DEPTO_RESIDE
## Length :546212 Min. :20194 Length :546212 Length :546212
## N.unique : 3 1st Qu.:20194 N.unique : 3 N.unique : 34
## N.blank : 0 Median :20194 N.blank : 0 N.blank : 0
## Min.nchar: 1 Mean :20194 Min.nchar: 1 Min.nchar: 4
## Max.nchar: 1 3rd Qu.:20194 Max.nchar: 2 Max.nchar: 15
## Max. :20194 NAs : 377
##
## ESTU_COD_RESIDE_DEPTO FAMI_ESTRATOVIVIENDA COLE_NATURALEZA
## Length :546212 Length :546212 Length :546212
## N.unique : 35 N.unique : 8 N.unique : 2
## N.blank : 0 N.blank : 0 N.blank : 0
## Min.nchar: 1 Min.nchar: 1 Min.nchar: 7
## Max.nchar: 5 Max.nchar: 11 Max.nchar: 10
## NAs : 26
##
## COLE_CALENDARIO PUNT_LECTURA_CRITICA PERCENTIL_LECTURA_CRITICA
## Length :546212 Min. : 0.00 Min. : 1.00
## N.unique : 3 1st Qu.: 45.00 1st Qu.: 25.00
## N.blank : 0 Median : 52.00 Median : 50.00
## Min.nchar: 1 Mean : 52.16 Mean : 50.11
## Max.nchar: 4 3rd Qu.: 60.00 3rd Qu.: 75.00
## Max. :100.00 Max. :100.00
##
## DESEMP_LECTURA_CRITICA PUNT_MATEMATICAS PERCENTIL_MATEMATICAS
## Min. :1.000 Min. : 0.00 Min. : 1.00
## 1st Qu.:2.000 1st Qu.: 42.00 1st Qu.: 25.00
## Median :3.000 Median : 51.00 Median : 50.00
## Mean :2.613 Mean : 50.61 Mean : 50.11
## 3rd Qu.:3.000 3rd Qu.: 59.00 3rd Qu.: 75.00
## Max. :4.000 Max. :100.00 Max. :100.00
##
## DESEMP_MATEMATICAS PUNT_C_NATURALES PERCENTIL_C_NATURALES DESEMP_C_NATURALES
## Min. :1.000 Min. : 0.00 Min. : 1.00 Min. :1.000
## 1st Qu.:2.000 1st Qu.: 40.00 1st Qu.: 25.00 1st Qu.:1.000
## Median :3.000 Median : 48.00 Median : 50.00 Median :2.000
## Mean :2.441 Mean : 48.23 Mean : 50.16 Mean :2.021
## 3rd Qu.:3.000 3rd Qu.: 56.00 3rd Qu.: 75.00 3rd Qu.:3.000
## Max. :4.000 Max. :100.00 Max. :100.00 Max. :4.000
##
## PUNT_SOCIALES_CIUDADANAS PERCENTIL_SOCIALES_CIUDADANAS
## Min. : 0.00 Min. : 1.00
## 1st Qu.: 37.00 1st Qu.: 25.00
## Median : 45.00 Median : 50.00
## Mean : 46.22 Mean : 50.18
## 3rd Qu.: 55.00 3rd Qu.: 75.00
## Max. :100.00 Max. :100.00
##
## DESEMP_SOCIALES_CIUDADANAS PUNT_INGLES PERCENTIL_INGLES
## Min. :1.000 Min. : 0.00 Min. : 1.0
## 1st Qu.:1.000 1st Qu.: 39.00 1st Qu.: 25.0
## Median :2.000 Median : 48.00 Median : 50.0
## Mean :1.902 Mean : 48.42 Mean : 50.1
## 3rd Qu.:2.000 3rd Qu.: 56.00 3rd Qu.: 75.0
## Max. :4.000 Max. :100.00 Max. :100.0
## NAs :19
## DESEMP_INGLES PUNT_GLOBAL PERCENTIL_GLOBAL
## Length :546212 Min. : 0.0 Min. : 1.00
## N.unique : 5 1st Qu.:207.0 1st Qu.: 25.00
## N.blank : 0 Median :243.0 Median : 50.00
## Min.nchar: 2 Mean :246.2 Mean : 49.99
## Max.nchar: 2 3rd Qu.:282.0 3rd Qu.: 75.00
## Max. :477.0 Max. :100.00
## NAs :19
El puntaje de Matemáticas va de 0 a 100 puntos, con media de 50.61 y desviación estándar de 12. El puntaje global va de 0 a 477 puntos, con media de 246.19 y desviación estándar de 51.39.
Con tantas observaciones, algunos gráficos se construyen con una muestra aleatoria de 5.000 registros para que sean legibles y rápidos. Todos los cálculos del modelo usan la base completa.
set.seed(2026)
muestra <- datos_completos %>% slice_sample(n = 5000)
g1 <- ggplot(datos_completos, aes(x = PUNT_MATEMATICAS)) +
geom_histogram(bins = 30, fill = "steelblue", color = "white") +
theme_bw() +
labs(title = "Histograma: puntaje de Matemáticas", x = "PUNT_MATEMATICAS", y = "Frecuencia")
g2 <- ggplot(datos_completos, aes(x = PUNT_GLOBAL)) +
geom_histogram(bins = 30, fill = "darkorange", color = "white") +
theme_bw() +
labs(title = "Histograma: puntaje global", x = "PUNT_GLOBAL", y = "Frecuencia")
ggarrange(g1, g2, ncol = 2)
b1 <- ggplot(datos_completos, aes(y = PUNT_MATEMATICAS)) +
geom_boxplot(fill = "steelblue", outlier.alpha = 0.2) +
theme_bw() + labs(title = "Diagrama de caja: Matemáticas", y = "PUNT_MATEMATICAS")
b2 <- ggplot(datos_completos, aes(y = PUNT_GLOBAL)) +
geom_boxplot(fill = "darkorange", outlier.alpha = 0.2) +
theme_bw() + labs(title = "Diagrama de caja: Global", y = "PUNT_GLOBAL")
ggarrange(b1, b2, ncol = 2)
Ambas variables tienen forma aproximadamente simétrica y campaneada. Los diagramas de caja muestran algunos valores atípicos en los extremos, lo esperable en una población de más de medio millón de estudiantes.
r <- cor(datos_completos$PUNT_MATEMATICAS, datos_completos$PUNT_GLOBAL)
r
## [1] 0.8997013
prueba_cor <- cor.test(datos_completos$PUNT_MATEMATICAS, datos_completos$PUNT_GLOBAL, method = "pearson")
prueba_cor
##
## Pearson's product-moment correlation
##
## data: datos_completos$PUNT_MATEMATICAS and datos_completos$PUNT_GLOBAL
## t = 1523.3, df = 546210, p-value < 0.00000000000000022
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.8991948 0.9002054
## sample estimates:
## cor
## 0.8997013
El coeficiente de correlación de Pearson es r = 0.8997. Indica una relación lineal positiva y muy fuerte entre ambos puntajes: a mayor puntaje en Matemáticas, mayor puntaje global.
Hipótesis de la prueba de correlación:
\[H_0: \rho = 0 \qquad \text{vs} \qquad H_1: \rho \neq 0\]
Como el valor-p es <0.0000000000000001, se rechaza H0 con un nivel de significancia de 0,05. Hay evidencia de correlación lineal significativa. Su intervalo de confianza al 95 % es (0.8992; 0.9002).
ggplot(muestra, aes(x = PUNT_MATEMATICAS, y = PUNT_GLOBAL)) +
geom_point(alpha = 0.25, color = "steelblue") +
geom_smooth(method = "lm", se = FALSE, color = "red", linewidth = 1.1) +
geom_smooth(method = "loess", se = FALSE, color = "darkgreen",
linetype = "dashed", linewidth = 1.1) +
theme_bw() +
labs(title = "Diagrama de dispersión (muestra de 5.000 estudiantes)",
subtitle = "Rojo: recta de regresión | Verde punteado: ajuste loess (no paramétrico)",
x = "Puntaje de Matemáticas", y = "Puntaje global")
Para ver mejor la densidad de los datos se grafica también la base completa en celdas (en lugar de puntos):
ggplot(datos_completos, aes(x = PUNT_MATEMATICAS, y = PUNT_GLOBAL)) +
geom_bin2d(bins = 50) +
scale_fill_viridis_c(name = "Frecuencia") +
theme_bw() +
labs(title = "Densidad de observaciones (base completa)",
x = "Puntaje de Matemáticas", y = "Puntaje global")
La nube de puntos sigue una tendencia lineal creciente. La recta y la curva loess casi se superponen, por lo que se cumple el supuesto de linealidad.
Hipótesis sobre la pendiente:
\[H_0: \beta_1 = 0 \quad (\text{no hay relación lineal}) \qquad \text{vs} \qquad H_1: \beta_1 \neq 0\]
modelo <- lm(PUNT_GLOBAL ~ PUNT_MATEMATICAS, data = datos_completos)
summary(modelo)
##
## Call:
## lm(formula = PUNT_GLOBAL ~ PUNT_MATEMATICAS, data = datos_completos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -124.359 -15.238 -0.264 14.978 138.194
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 51.17539 0.13157 389 <0.0000000000000002 ***
## PUNT_MATEMATICAS 3.85349 0.00253 1523 <0.0000000000000002 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 22.43 on 546210 degrees of freedom
## Multiple R-squared: 0.8095, Adjusted R-squared: 0.8095
## F-statistic: 2.32e+06 on 1 and 546210 DF, p-value: < 0.00000000000000022
tabla_coef <- tidy(modelo)
kable(tabla_coef, digits = 5,
col.names = c("Término", "Estimación", "Error estándar", "Estadístico t", "Valor-p"),
caption = "Coeficientes estimados del modelo")
| Término | Estimación | Error estándar | Estadístico t | Valor-p |
|---|---|---|---|---|
| (Intercept) | 51.17539 | 0.13157 | 388.9695 | 0 |
| PUNT_MATEMATICAS | 3.85349 | 0.00253 | 1523.3086 | 0 |
b0 <- coef(modelo)[1]
b1 <- coef(modelo)[2]
Ecuación del modelo ajustado:
\[ \hat{Y} = 51.1754 + 3.8535\, X \]
es decir, \(\widehat{\text{PUNT\_GLOBAL}} = 51.1754 + 3.8535 \times \text{PUNT\_MATEMATICAS}\).
Interpretación
ic_coef <- confint(modelo, level = 0.95)
kable(cbind(Estimación = coef(modelo), ic_coef), digits = 4,
caption = "Intervalos de confianza al 95 % para β0 y β1")
| Estimación | 2.5 % | 97.5 % | |
|---|---|---|---|
| (Intercept) | 51.1754 | 50.9175 | 51.4333 |
| PUNT_MATEMATICAS | 3.8535 | 3.8485 | 3.8584 |
Con 95 % de confianza, el aumento esperado del puntaje global por cada punto adicional en Matemáticas está entre 3.8485 y 3.8584 puntos. El intervalo no contiene el cero, lo que confirma que la pendiente es significativa. El intervalo es muy angosto por el gran tamaño de la muestra.
resumen_mod <- summary(modelo)
R2 <- resumen_mod$r.squared
R2_adj <- resumen_mod$adj.r.squared
tabla_cd <- data.frame(
Medida = c("Coeficiente de correlación (r)", "Coeficiente de determinación (R²)",
"R² ajustado", "Error estándar residual (σ̂)"),
Valor = c(r, R2, R2_adj, resumen_mod$sigma)
)
kable(tabla_cd, digits = 4, caption = "Medidas de asociación y ajuste")
| Medida | Valor |
|---|---|
| Coeficiente de correlación (r) | 0.8997 |
| Coeficiente de determinación (R²) | 0.8095 |
| R² ajustado | 0.8095 |
| Error estándar residual (σ̂) | 22.4307 |
Hipótesis:
\[H_0: \beta_1 = 0 \qquad \text{vs} \qquad H_1: \beta_1 \neq 0\]
tabla_anova <- anova(modelo)
tabla_anova
SCR <- tabla_anova["PUNT_MATEMATICAS", "Sum Sq"] # suma de cuadrados de la regresión
SCE <- tabla_anova["Residuals", "Sum Sq"] # suma de cuadrados del error
SCT <- SCR + SCE # suma de cuadrados total
Fval <- tabla_anova["PUNT_MATEMATICAS", "F value"]
pF <- tabla_anova["PUNT_MATEMATICAS", "Pr(>F)"]
n <- nrow(datos_completos)
tabla_av <- data.frame(
`Fuente de variación` = c("Regresión", "Error (residuos)", "Total"),
`Grados de libertad` = c(1, n - 2, n - 1),
`Suma de cuadrados` = c(SCR, SCE, SCT),
`Cuadrado medio` = c(SCR / 1, SCE / (n - 2), NA),
`F` = c(Fval, NA, NA),
check.names = FALSE
)
kable(tabla_av, digits = 2, caption = "Tabla ANOVA de la regresión lineal simple")
| Fuente de variación | Grados de libertad | Suma de cuadrados | Cuadrado medio | F |
|---|---|---|---|---|
| Regresión | 1 | 1167511786 | 1167511786.26 | 2320469 |
| Error (residuos) | 546210 | 274817974 | 503.14 | NA |
| Total | 546211 | 1442329760 | NA | NA |
El estadístico es F = 2320469.09 con valor-p = <0.0000000000000001. Se rechaza H0 con \(\alpha = 0{,}05\): el modelo es estadísticamente significativo y el puntaje de Matemáticas explica una parte importante de la variabilidad del puntaje global. Además, \(SCR/SCT = 0.8095\), igual que el R².
glance(modelo) %>%
select(r.squared, adj.r.squared, sigma, statistic, p.value, df, df.residual, AIC, BIC) %>%
kable(digits = 4,
col.names = c("R²", "R² ajustado", "Sigma", "F", "Valor-p", "gl modelo",
"gl residual", "AIC", "BIC"),
caption = "Indicadores globales de validez del modelo")
| R² | R² ajustado | Sigma | F | Valor-p | gl modelo | gl residual | AIC | BIC |
|---|---|---|---|---|---|---|---|---|
| 0.8095 | 0.8095 | 22.4307 | 2320469 | 0 | 1 | 546210 | 4947995 | 4948029 |
El modelo es válido porque:
Se obtienen los residuos y valores ajustados del modelo con la base completa.
diag_df <- augment(modelo) %>%
mutate(orden = row_number())
set.seed(2026)
diag_muestra <- diag_df %>% slice_sample(n = 5000)
Los errores deben ser independientes entre sí. Cada fila corresponde a un estudiante distinto, por lo que no se espera dependencia. Se verifica gráficamente con los residuos en orden de observación y con la prueba de Durbin-Watson.
ggplot(diag_muestra, aes(x = orden, y = .resid)) +
geom_point(alpha = 0.3, color = "steelblue") +
geom_hline(yintercept = 0, color = "red") +
theme_bw() +
labs(title = "Residuos vs. orden de observación (muestra)",
x = "Orden de la observación", y = "Residuo")
\(H_0\): no hay autocorrelación de los residuos \(\qquad H_1\): existe autocorrelación
dw <- dwtest(modelo)
dw
##
## Durbin-Watson test
##
## data: modelo
## DW = 1.9159, p-value < 0.00000000000000022
## alternative hypothesis: true autocorrelation is greater than 0
El estadístico de Durbin-Watson es DW = 1.9159. Un valor cercano a 2 indica ausencia de autocorrelación. El gráfico no muestra patrones, rachas ni tendencias. Con más de medio millón de datos, la prueba detecta desviaciones diminutas, por lo que el valor de DW y el gráfico pesan más que el valor-p (<0.0000000000000001) para decidir si hay independencia en la práctica.
ggplot(diag_muestra, aes(x = .fitted, y = .resid)) +
geom_point(alpha = 0.3, color = "steelblue") +
geom_hline(yintercept = 0, color = "red", linewidth = 1) +
geom_smooth(method = "loess", se = FALSE, color = "darkgreen") +
theme_bw() +
labs(title = "Residuos vs. valores ajustados (muestra)",
x = "Valores ajustados", y = "Residuos")
Los residuos se distribuyen alrededor de cero sin una forma curva marcada. La curva verde queda cerca de la línea roja, así que se cumple el supuesto de linealidad.
\(H_0\): los residuos siguen una distribución normal \(\qquad H_1\): los residuos no siguen una distribución normal
h <- ggplot(diag_df, aes(x = .resid)) +
geom_histogram(aes(y = after_stat(density)), bins = 40,
fill = "steelblue", color = "white") +
stat_function(fun = dnorm,
args = list(mean = mean(diag_df$.resid), sd = sd(diag_df$.resid)),
color = "red", linewidth = 1) +
theme_bw() +
labs(title = "Histograma de los residuos", x = "Residuo", y = "Densidad")
q <- ggplot(diag_muestra, aes(sample = .std.resid)) +
stat_qq(alpha = 0.4, color = "steelblue") +
stat_qq_line(color = "red", linewidth = 1) +
theme_bw() +
labs(title = "Gráfico Q-Q normal (muestra)",
x = "Cuantiles teóricos", y = "Residuos estandarizados")
ggarrange(h, q, ncol = 2)
residuos <- resid(modelo)
# Prueba de Lilliefors (Kolmogorov-Smirnov), usada en clase, con la base completa
lillie.test(residuos)
##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: residuos
## D = 0.0051375, p-value < 0.00000000000000022
# Prueba de Shapiro-Wilk (admite máximo 5.000 datos): se aplica a una muestra
set.seed(2026)
shapiro.test(sample(residuos, 5000))
##
## Shapiro-Wilk normality test
##
## data: sample(residuos, 5000)
## W = 0.99806, p-value = 0.000006838
asimetria <- mean((residuos - mean(residuos))^3) / sd(residuos)^3
curtosis <- mean((residuos - mean(residuos))^4) / sd(residuos)^4 - 3
El histograma sigue de cerca la curva normal y el gráfico Q-Q se alinea con la diagonal en la parte central, con ligeras desviaciones en las colas. La asimetría es 0.097 y el exceso de curtosis es 0.192; ambos valores están muy cerca de 0 (la normal perfecta).
Con n = 546.212, las pruebas formales son extremadamente sensibles: detectan diferencias insignificantes respecto a la normalidad y casi siempre rechazan \(H_0\). Por eso la decisión se apoya en los gráficos, la asimetría y la curtosis, que indican que la distribución de los residuos es aproximadamente normal. Además, con muestras tan grandes el Teorema del Límite Central hace que las pruebas t y F y los intervalos de confianza sean robustos frente a pequeñas desviaciones de la normalidad.
\(H_0\): la varianza de los errores es constante (homocedasticidad) \(\qquad H_1\): la varianza no es constante
s1 <- ggplot(diag_muestra, aes(x = .fitted, y = sqrt(abs(.std.resid)))) +
geom_point(alpha = 0.3, color = "steelblue") +
geom_smooth(method = "loess", se = FALSE, color = "red") +
theme_bw() +
labs(title = "Escala-Localización (muestra)",
x = "Valores ajustados", y = expression(sqrt("|Residuo estandarizado|")))
s2 <- ggplot(diag_muestra, aes(x = PUNT_MATEMATICAS, y = .resid)) +
geom_point(alpha = 0.3, color = "steelblue") +
geom_hline(yintercept = 0, color = "red") +
theme_bw() +
labs(title = "Residuos vs. variable regresora (muestra)",
x = "Puntaje de Matemáticas", y = "Residuo")
ggarrange(s1, s2, ncol = 2)
bp <- bptest(modelo)
bp
##
## studentized Breusch-Pagan test
##
## data: modelo
## BP = 686.21, df = 1, p-value < 0.00000000000000022
La prueba de Breusch-Pagan arroja BP = 686.21 con valor-p = <0.0000000000000001. Con la base completa, se rechaza H0. Los gráficos muestran una banda de residuos de ancho casi constante; la curva de la gráfica Escala-Localización es casi plana, con variaciones leves. Con más de medio millón de datos la prueba detecta incluso diferencias pequeñas en la varianza, que en este caso no afectan de forma importante las conclusiones del modelo. Para confirmarlo, se compara la desviación estándar de los residuos por tramos de valores ajustados:
diag_df %>%
mutate(tramo = cut(.fitted, breaks = quantile(.fitted, probs = seq(0, 1, 0.2)),
include.lowest = TRUE, dig.lab = 4)) %>%
group_by(tramo) %>%
summarise(n = n(), `Desv. estándar de residuos` = sd(.resid), .groups = "drop") %>%
kable(digits = 2, caption = "Variabilidad de los residuos por quintiles de valores ajustados")
| tramo | n | Desv. estándar de residuos |
|---|---|---|
| [51.18,205.3] | 115837 | 20.76 |
| (205.3,232.3] | 104067 | 21.95 |
| (232.3,259.3] | 118137 | 22.88 |
| (259.3,286.2] | 104742 | 23.24 |
| (286.2,436.5] | 103429 | 22.35 |
La variabilidad de los residuos es similar entre tramos, con diferencias de pocos puntos, lo que respalda una homocedasticidad aceptable en la práctica.
d1 <- ggplot(diag_muestra, aes(.fitted, .resid)) +
geom_point(alpha = 0.3, color = "steelblue") +
geom_hline(yintercept = 0, color = "red") +
theme_bw() + labs(title = "Residuos vs. ajustados", x = "Ajustados", y = "Residuos")
d2 <- ggplot(diag_muestra, aes(sample = .std.resid)) +
stat_qq(alpha = 0.4, color = "steelblue") + stat_qq_line(color = "red") +
theme_bw() + labs(title = "Q-Q normal", x = "Cuantiles teóricos", y = "Res. estandarizados")
d3 <- ggplot(diag_muestra, aes(.fitted, sqrt(abs(.std.resid)))) +
geom_point(alpha = 0.3, color = "steelblue") +
geom_smooth(method = "loess", se = FALSE, color = "red") +
theme_bw() + labs(title = "Escala-Localización", x = "Ajustados", y = "√|Res. estandarizado|")
d4 <- ggplot(diag_muestra, aes(.hat, .std.resid)) +
geom_point(alpha = 0.3, color = "steelblue") +
geom_hline(yintercept = 0, color = "red") +
theme_bw() + labs(title = "Residuos vs. apalancamiento", x = "Apalancamiento", y = "Res. estandarizados")
ggarrange(d1, d2, d3, d4, ncol = 2, nrow = 2)
umbral_cook <- 4 / n
n_infl <- sum(diag_df$.cooksd > umbral_cook)
n_atip <- sum(abs(diag_df$.std.resid) > 3)
max_cook <- max(diag_df$.cooksd)
x_seq <- data.frame(PUNT_MATEMATICAS = seq(min(datos_completos$PUNT_MATEMATICAS),
max(datos_completos$PUNT_MATEMATICAS), length.out = 100))
ic_conf <- predict(modelo, newdata = x_seq, interval = "confidence", level = 0.95)
ic_pred <- predict(modelo, newdata = x_seq, interval = "prediction", level = 0.95)
bandas <- data.frame(x = x_seq$PUNT_MATEMATICAS,
ajuste = ic_conf[, "fit"],
conf_inf = ic_conf[, "lwr"], conf_sup = ic_conf[, "upr"],
pred_inf = ic_pred[, "lwr"], pred_sup = ic_pred[, "upr"])
grafico_modelo <- ggplot() +
geom_point(data = muestra, aes(x = PUNT_MATEMATICAS, y = PUNT_GLOBAL),
alpha = 0.2, color = "grey40") +
geom_ribbon(data = bandas, aes(x = x, ymin = pred_inf, ymax = pred_sup,
fill = "Predicción (una respuesta)"), alpha = 0.2) +
geom_ribbon(data = bandas, aes(x = x, ymin = conf_inf, ymax = conf_sup,
fill = "Confianza (respuesta media)"), alpha = 0.6) +
geom_line(data = bandas, aes(x = x, y = ajuste), color = "red", linewidth = 1.2) +
scale_fill_manual(name = "Intervalo al 95 %",
values = c("Predicción (una respuesta)" = "orange",
"Confianza (respuesta media)" = "blue")) +
theme_bw() +
labs(title = "Puntaje global en función del puntaje de Matemáticas",
subtitle = "Recta ajustada con bandas de confianza y de predicción al 95 %",
x = "Puntaje de Matemáticas", y = "Puntaje global")
grafico_modelo +
annotate("text", x = 22, y = 420, size = 4.2, color = "red", fontface = "bold",
label = paste0("Y = ", round(b0, 2), " + ", round(b1, 3), " * Matemáticas\nR² = ",
round(R2, 3)))
La banda de confianza (azul) es casi imperceptible porque la recta se estima con gran precisión. La banda de predicción (naranja) es mucho más ancha: aun conociendo bien la recta, un estudiante individual puede alejarse bastante de ella.
Se calculan para varios valores del puntaje de Matemáticas, con confianza del 95 %.
nuevos <- data.frame(PUNT_MATEMATICAS = c(20, 30, 40, 50, 60, 70, 80, 90))
ic_media <- predict(modelo, newdata = nuevos, interval = "confidence", level = 0.95)
ic_indiv <- predict(modelo, newdata = nuevos, interval = "prediction", level = 0.95)
tabla_ic <- data.frame(
`Puntaje Matemáticas` = nuevos$PUNT_MATEMATICAS,
`Predicción` = ic_media[, "fit"],
`Media: límite inf.` = ic_media[, "lwr"],
`Media: límite sup.` = ic_media[, "upr"],
`Individual: límite inf.` = ic_indiv[, "lwr"],
`Individual: límite sup.` = ic_indiv[, "upr"],
check.names = FALSE
)
kable(tabla_ic, digits = 2,
caption = "Intervalos de confianza (respuesta media) y de predicción (una sola respuesta) al 95 %")
| Puntaje Matemáticas | Predicción | Media: límite inf. | Media: límite sup. | Individual: límite inf. | Individual: límite sup. |
|---|---|---|---|---|---|
| 20 | 128.25 | 128.08 | 128.41 | 84.28 | 172.21 |
| 30 | 166.78 | 166.66 | 166.90 | 122.82 | 210.74 |
| 40 | 205.32 | 205.24 | 205.39 | 161.35 | 249.28 |
| 50 | 243.85 | 243.79 | 243.91 | 199.89 | 287.81 |
| 60 | 282.38 | 282.31 | 282.46 | 238.42 | 326.35 |
| 70 | 320.92 | 320.81 | 321.03 | 276.96 | 364.88 |
| 80 | 359.45 | 359.30 | 359.61 | 315.49 | 403.42 |
| 90 | 397.99 | 397.79 | 398.19 | 354.03 | 441.95 |
Ejemplo con un puntaje de Matemáticas = 60:
ej_media <- predict(modelo, data.frame(PUNT_MATEMATICAS = 60), interval = "confidence")
ej_indiv <- predict(modelo, data.frame(PUNT_MATEMATICAS = 60), interval = "prediction")
El intervalo de predicción es mucho más amplio que el de la media, porque además de la incertidumbre al estimar la recta incluye la variabilidad individual (\(\hat\sigma^2\)). Ambos son más angostos cerca de la media de X (50.6) y se ensanchan hacia los extremos.
Nota: el puntaje global se calcula a partir de los puntajes de las cinco áreas, entre ellas Matemáticas. Por eso la relación es tan fuerte, y el modelo describe cuánto del puntaje total se asocia con el desempeño en Matemáticas, no un efecto causal.
Datos_Modelo_de_Regresion_Lineal_Multiple.csv].