1. Importación de la base de datos

Se utilizó una base de datos de los resultados de las pruebas Saber 11 correspondientes al año 2019, con el propósito de analizar la relación entre los puntajes de Ciencias Naturales y Matemáticas mediante un modelo de regresión lineal simple.

# Importar la base de datos original
datos <- read.csv("muestra_saber11_2019.csv")

# Consultar las dimensiones
dim(datos)
## [1] 6000   10
# Identificar las variables
names(datos)
##  [1] "fila_excel"               "ESTU_GENERO"             
##  [3] "FAMI_ESTRATOVIVIENDA"     "COLE_NATURALEZA"         
##  [5] "ESTU_DEPTO_RESIDE"        "PUNT_MATEMATICAS"        
##  [7] "PUNT_LECTURA_CRITICA"     "PUNT_C_NATURALES"        
##  [9] "PUNT_SOCIALES_CIUDADANAS" "PUNT_INGLES"
# Visualizar los primeros registros
head(datos)
##   fila_excel ESTU_GENERO FAMI_ESTRATOVIVIENDA COLE_NATURALEZA ESTU_DEPTO_RESIDE
## 1        119           M            Estrato 1         OFICIAL           BOLIVAR
## 2        203           F            Estrato 1         OFICIAL         ATLANTICO
## 3        226           F            Estrato 2      NO OFICIAL        LA GUAJIRA
## 4        263           F            Estrato 1         OFICIAL        LA GUAJIRA
## 5        366           M            Estrato 3      NO OFICIAL           CORDOBA
## 6        413           M            Estrato 1         OFICIAL             VALLE
##   PUNT_MATEMATICAS PUNT_LECTURA_CRITICA PUNT_C_NATURALES
## 1               45                   51               48
## 2               41                   54               45
## 3               42                   78               52
## 4               62                   64               57
## 5               47                   50               55
## 6               50                   66               54
##   PUNT_SOCIALES_CIUDADANAS PUNT_INGLES
## 1                       43          40
## 2                       42          51
## 3                       60          58
## 4                       46          37
## 5                       41          60
## 6                       58          43

2. Selección y descripción de las variables

Para el análisis de regresión lineal simple se seleccionaron dos variables cuantitativas:

Se buscó determinar si existía una relación lineal entre ambas variables y evaluar la capacidad del puntaje de Ciencias Naturales para predecir estadísticamente el puntaje de Matemáticas.

# Seleccionar las dos variables
base_regresion <- datos[, c("PUNT_C_NATURALES",
                           "PUNT_MATEMATICAS")]

# Eliminar registros con valores faltantes
base_regresion <- na.omit(base_regresion)

# Verificar la cantidad de registros válidos
nrow(base_regresion)
## [1] 6000
# Verificar los tipos de variables
str(base_regresion)
## 'data.frame':    6000 obs. of  2 variables:
##  $ PUNT_C_NATURALES: int  48 45 52 57 55 54 68 65 56 51 ...
##  $ PUNT_MATEMATICAS: int  45 41 42 62 47 50 78 67 55 55 ...
# Obtener estadísticas descriptivas
summary(base_regresion)
##  PUNT_C_NATURALES PUNT_MATEMATICAS
##  Min.   : 19.00   Min.   : 16.00  
##  1st Qu.: 40.00   1st Qu.: 42.00  
##  Median : 47.00   Median : 51.00  
##  Mean   : 48.14   Mean   : 50.58  
##  3rd Qu.: 56.00   3rd Qu.: 59.00  
##  Max.   :100.00   Max.   :100.00

3. Gráfica de dispersión

Se elaboró un diagrama de dispersión para explorar visualmente la relación entre el puntaje de Ciencias Naturales (variable independiente) y el puntaje de Matemáticas (variable dependiente).

# Crear la gráfica de dispersión
plot(base_regresion$PUNT_C_NATURALES,
     base_regresion$PUNT_MATEMATICAS,
     main = "Relación entre Ciencias Naturales y Matemáticas",
     xlab = "Puntaje de Ciencias Naturales",
     ylab = "Puntaje de Matemáticas",
     col = "darkred",
     pch = 19,
     cex = 0.5)

# Agregar la línea de regresión
abline(lm(PUNT_MATEMATICAS ~ PUNT_C_NATURALES,
          data = base_regresion),
       col = "blue",
       lwd = 2)

4. Modelo de regresión lineal simple

Se ajustó un modelo de regresión lineal simple mediante el método de mínimos cuadrados ordinarios, utilizando el puntaje de Ciencias Naturales como variable independiente (X) y el puntaje de Matemáticas como variable dependiente (Y).

El modelo permitió estimar la relación lineal entre ambas variables y evaluar su significancia estadística.

La ecuación general del modelo fue:

\[ \hat{Y} = \beta_0 + \beta_1 X \]

Donde:

# Construir el modelo de regresión simple
modelo_simple <- lm(
  PUNT_MATEMATICAS ~ PUNT_C_NATURALES,
  data = base_regresion
)

# Mostrar los resultados del modelo
summary(modelo_simple)
## 
## Call:
## lm(formula = PUNT_MATEMATICAS ~ PUNT_C_NATURALES, data = base_regresion)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -29.124  -4.694   0.038   4.550  33.014 
## 
## Coefficients:
##                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)      6.352442   0.420617    15.1   <2e-16 ***
## PUNT_C_NATURALES 0.918693   0.008522   107.8   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 7.173 on 5998 degrees of freedom
## Multiple R-squared:  0.6596, Adjusted R-squared:  0.6595 
## F-statistic: 1.162e+04 on 1 and 5998 DF,  p-value: < 2.2e-16
# Obtener los coeficientes de regresión
coef(modelo_simple)
##      (Intercept) PUNT_C_NATURALES 
##         6.352442         0.918693

5. Interpretación de los resultados del modelo

5.1. Ecuación de regresión

El modelo de regresión lineal simple estimado fue:

\[ \hat{Y} = 6.352442 + 0.918693X \]

Donde X representó el puntaje de Ciencias Naturales y Y el puntaje estimado de Matemáticas.

5.2. Interpretación de los coeficientes

Intercepto: El valor de 6.352442 representó el puntaje estimado de Matemáticas cuando Ciencias Naturales fue igual a cero. Sin embargo, este valor no tuvo una interpretación práctica directa, puesto que los puntajes observados de Ciencias Naturales estuvieron entre 19 y 100.

Pendiente: El coeficiente de 0.918693 indicó que, por cada punto adicional obtenido en Ciencias Naturales, el puntaje esperado de Matemáticas aumentó aproximadamente 0.92 puntos, en promedio.

5.3. Coeficiente de determinación

El coeficiente de determinación R² fue de 0.6596. Esto indicó que el modelo explicó aproximadamente el 65.96 % de la variabilidad observada en los puntajes de Matemáticas.

El 34.04 % restante correspondió a variabilidad no explicada por este modelo.

5.4. Significancia estadística

El modelo presentó un valor p inferior a 0.05, lo que permitió rechazar la hipótesis nula de que la pendiente poblacional era igual a cero.

Por tanto, se encontró evidencia estadísticamente significativa de una relación lineal positiva entre los puntajes de Ciencias Naturales y Matemáticas.

No obstante, la significancia estadística no garantizó por sí sola el cumplimiento de los supuestos del modelo ni permitió establecer una relación causal.

6. Coeficiente de correlación de Pearson

Se calculó el coeficiente de correlación de Pearson para determinar la dirección y la intensidad de la relación lineal entre los puntajes de Ciencias Naturales y Matemáticas.

El coeficiente de correlación puede tomar valores entre -1 y 1.

# Calcular el coeficiente de correlación
correlacion <- cor(
  base_regresion$PUNT_C_NATURALES,
  base_regresion$PUNT_MATEMATICAS,
  method = "pearson"
)

# Mostrar el resultado
correlacion
## [1] 0.8121365
# Realizar la prueba de significancia de Pearson
cor.test(
  base_regresion$PUNT_C_NATURALES,
  base_regresion$PUNT_MATEMATICAS,
  method = "pearson"
)
## 
##  Pearson's product-moment correlation
## 
## data:  base_regresion$PUNT_C_NATURALES and base_regresion$PUNT_MATEMATICAS
## t = 107.8, df = 5998, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.8033414 0.8205774
## sample estimates:
##       cor 
## 0.8121365

6.1. Interpretación de la correlación

El coeficiente de correlación de Pearson obtenido fue de 0.8121365, lo que evidenció una relación lineal positiva fuerte entre los puntajes de Ciencias Naturales y Matemáticas.

La prueba presentó un valor p inferior a 0.05, por lo que se rechazó la hipótesis nula de correlación poblacional igual a cero.

El intervalo de confianza del 95 % estuvo comprendido entre 0.8033 y 0.8206, lo que respaldó la existencia de una correlación positiva.

7. Análisis de varianza (ANOVA)

Se realizó un análisis de varianza para evaluar la significancia estadística global del modelo de regresión lineal simple.

Se establecieron las siguientes hipótesis:

Se utilizó un nivel de significancia del 5 %.

# Realizar el análisis de varianza
anova(modelo_simple)
## Analysis of Variance Table
## 
## Response: PUNT_MATEMATICAS
##                    Df Sum Sq Mean Sq F value    Pr(>F)    
## PUNT_C_NATURALES    1 597977  597977   11621 < 2.2e-16 ***
## Residuals        5998 308645      51                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Consultar nuevamente la prueba F del modelo
summary(modelo_simple)$fstatistic
##    value    numdf    dendf 
## 11620.67     1.00  5998.00

7.1. Interpretación del ANOVA

El análisis de varianza presentó un estadístico F de 11620.67 y un valor p inferior a 0.05.

Por tanto, se rechazó la hipótesis nula y se encontró evidencia estadísticamente significativa de que la pendiente poblacional fue diferente de cero.

Esto indicó que el puntaje de Ciencias Naturales estuvo linealmente asociado con el puntaje de Matemáticas.

No obstante, fue necesario verificar los supuestos del modelo para evaluar la validez de las inferencias estadísticas.

8. Intervalos de confianza de los coeficientes

Se calcularon los intervalos de confianza del 95 % para los coeficientes del modelo de regresión lineal simple.

Estos intervalos permitieron establecer un rango de valores plausibles para el intercepto y la pendiente poblacionales.

# Intervalos de confianza del 95 %
confint(modelo_simple, level = 0.95)
##                      2.5 %    97.5 %
## (Intercept)      5.5278809 7.1770033
## PUNT_C_NATURALES 0.9019863 0.9353997
# Mostrar los coeficientes estimados
coef(modelo_simple)
##      (Intercept) PUNT_C_NATURALES 
##         6.352442         0.918693

8.1. Interpretación de los intervalos de confianza

El intervalo de confianza del 95 % para el intercepto estuvo comprendido entre 5.5279 y 7.1770.

Por su parte, el intervalo de confianza del 95 % para la pendiente estuvo comprendido entre 0.9020 y 0.9354.

Debido a que el intervalo de la pendiente no incluyó el valor cero, los resultados respaldaron la existencia de una asociación lineal positiva y estadísticamente significativa entre ambas variables.

9. Intervalo de confianza para la respuesta media y una respuesta individual

Se estimó el puntaje de Matemáticas correspondiente a un puntaje de 50 en Ciencias Naturales.

Se calcularon un intervalo de confianza del 95 % para la respuesta media y un intervalo de predicción del 95 % para una respuesta individual.

# Definir un puntaje de Ciencias Naturales
nuevo_estudiante <- data.frame(
  PUNT_C_NATURALES = 50
)

# Calcular el intervalo de confianza para la media
intervalo_media <- predict(
  modelo_simple,
  newdata = nuevo_estudiante,
  interval = "confidence",
  level = 0.95
)

# Mostrar el intervalo para la media
intervalo_media
##        fit      lwr      upr
## 1 52.28709 52.10292 52.47127
# Calcular el intervalo para una respuesta individual
intervalo_individual <- predict(
  modelo_simple,
  newdata = nuevo_estudiante,
  interval = "prediction",
  level = 0.95
)

# Mostrar el intervalo de predicción individual
intervalo_individual
##        fit     lwr      upr
## 1 52.28709 38.2234 66.35079

9.1. Interpretación de los intervalos de predicción

Para un puntaje de 50 en Ciencias Naturales, el modelo estimó un puntaje de Matemáticas de 52.2871.

El intervalo de confianza del 95 % para la respuesta media estuvo comprendido entre 52.1029 y 52.4713.

Por otra parte, el intervalo de predicción del 95 % para una respuesta individual estuvo comprendido entre 38.2234 y 66.3508.

El intervalo individual fue más amplio porque consideró tanto la incertidumbre de la estimación como la variabilidad de los resultados individuales.

10. Verificación de los supuestos del modelo

Para evaluar la validez del modelo de regresión lineal simple, se analizaron gráficamente sus residuos.

Se examinaron los siguientes aspectos:

La independencia de los errores se evaluará por separado.

10.1. Diagnóstico gráfico del modelo

# Organizar las gráficas en cuatro paneles
par(mfrow = c(2, 2))

# Generar los gráficos de diagnóstico
plot(modelo_simple, which = c(1, 2, 3, 5))

# Restaurar la ventana gráfica
par(mfrow = c(1, 1))

10.2. Interpretación de los gráficos de diagnóstico

Linealidad: En la gráfica de residuos frente a valores ajustados, los puntos se distribuyeron alrededor de cero sin una curvatura pronunciada. Esto sugirió que una relación lineal podría representar razonablemente la tendencia general de los datos.

Normalidad: En el gráfico Normal Q-Q, la mayoría de los residuos estandarizados se aproximó a la línea de referencia. Se observaron pequeñas desviaciones en los extremos, por lo que la normalidad no se consideró completamente demostrada.

Homocedasticidad: La gráfica Scale-Location presentó una ligera tendencia descendente. Esto sugirió una posible variación de la dispersión de los residuos y justificó realizar una prueba estadística complementaria.

Observaciones influyentes: La gráfica Residuals vs Leverage permitió identificar algunas observaciones con apalancamiento relativamente elevado. Se consideró necesario evaluar su influencia mediante la distancia de Cook.

10.3. Prueba de homocedasticidad

Se realizó una prueba auxiliar de heterocedasticidad tipo Breusch-Pagan, basada en la regresión de los residuos al cuadrado sobre los valores ajustados.

Se establecieron las siguientes hipótesis:

  • H0: la varianza de los errores es constante.
  • H1: la varianza de los errores no es constante.

Se utilizó un nivel de significancia del 5 %.

# Obtener los residuos del modelo
residuos <- residuals(modelo_simple)

# Obtener los valores ajustados
ajustados <- fitted(modelo_simple)

# Regresión auxiliar de residuos al cuadrado
modelo_aux <- lm(I(residuos^2) ~ ajustados)

# Calcular estadístico de prueba tipo Breusch-Pagan
BP <- length(residuos) * summary(modelo_aux)$r.squared

# Calcular el valor p
valor_p_BP <- pchisq(BP, df = 1, lower.tail = FALSE)

# Mostrar resultados
data.frame(
  Estadistico_BP = BP,
  Grados_libertad = 1,
  Valor_p = valor_p_BP
)
##   Estadistico_BP Grados_libertad      Valor_p
## 1       57.99112               1 2.633031e-14
# Interpretación de la prueba
if (valor_p_BP < 0.05) {
  cat("Se rechaza H0: existe evidencia de heterocedasticidad.")
} else {
  cat("No se rechaza H0: no se encontró evidencia suficiente de heterocedasticidad.")
}
## Se rechaza H0: existe evidencia de heterocedasticidad.

10.4. Interpretación de la prueba de homocedasticidad

La prueba auxiliar de Breusch-Pagan presentó un estadístico de 57.9911 y un valor p inferior a 0.05.

Por tanto, se rechazó la hipótesis nula de varianza constante y se encontró evidencia estadísticamente significativa de heterocedasticidad.

Este resultado indicó que el supuesto de homocedasticidad no se cumplió. En consecuencia, se consideró necesario complementar el análisis con métodos de inferencia robustos a la heterocedasticidad.

10.5. Prueba de normalidad de los residuos

Para evaluar la normalidad de los residuos, se aplicó la prueba de Jarque-Bera, basada en la asimetría y la curtosis de la distribución.

Se establecieron las siguientes hipótesis:

  • H0: los residuos siguen una distribución normal.
  • H1: los residuos no siguen una distribución normal.

Se utilizó un nivel de significancia del 5 %.

# Obtener los residuos
e <- residuals(modelo_simple)

# Cantidad de observaciones
n <- length(e)

# Calcular asimetría y curtosis
m2 <- mean((e - mean(e))^2)
asimetria <- mean((e - mean(e))^3) / m2^(3/2)
curtosis <- mean((e - mean(e))^4) / m2^2

# Calcular el estadístico Jarque-Bera
JB <- n / 6 * (asimetria^2 + (curtosis - 3)^2 / 4)

# Calcular el valor p
valor_p_JB <- pchisq(JB, df = 2, lower.tail = FALSE)

# Mostrar resultados
data.frame(
  Asimetria = asimetria,
  Curtosis = curtosis,
  Estadistico_JB = JB,
  Valor_p = valor_p_JB
)
##    Asimetria Curtosis Estadistico_JB      Valor_p
## 1 0.07703072  3.60118       96.28809 1.233974e-21
# Interpretación
if (valor_p_JB < 0.05) {
  cat("Se rechaza H0: existe evidencia de falta de normalidad.")
} else {
  cat("No se rechaza H0: no se encontró evidencia suficiente contra la normalidad.")
}
## Se rechaza H0: existe evidencia de falta de normalidad.

10.6. Interpretación de la prueba de normalidad

La prueba de Jarque-Bera presentó un estadístico de 96.2881 y un valor p inferior a 0.05.

En consecuencia, se rechazó la hipótesis nula de normalidad de los residuos.

No obstante, debido al tamaño de la muestra de 6000 observaciones, se consideró necesario complementar la interpretación con el gráfico Normal Q-Q y reconocer que la falta de normalidad exacta no invalida automáticamente el modelo de regresión.

10.7. Identificación de observaciones influyentes

Se evaluó la posible presencia de observaciones influyentes mediante la distancia de Cook, los valores de apalancamiento y los residuos estandarizados.

La distancia de Cook permitió identificar registros que podrían tener una influencia importante sobre los coeficientes estimados.

# Calcular las distancias de Cook
distancia_cook <- cooks.distance(modelo_simple)

# Calcular el apalancamiento
apalancamiento <- hatvalues(modelo_simple)

# Calcular los residuos estandarizados
residuos_est <- rstandard(modelo_simple)

# Número de observaciones y parámetros
n_reg <- nobs(modelo_simple)
p_reg <- length(coef(modelo_simple))

# Umbrales orientativos
umbral_cook <- 4 / n_reg
umbral_apalancamiento <- 2 * p_reg / n_reg

# Resumen de resultados
data.frame(
  Total_observaciones = n_reg,
  Cook_mayor_4_n = sum(distancia_cook > umbral_cook),
  Cook_mayor_1 = sum(distancia_cook > 1),
  Apalancamiento_alto =
    sum(apalancamiento > umbral_apalancamiento),
  Residuos_extremos =
    sum(abs(residuos_est) > 3)
)
##   Total_observaciones Cook_mayor_4_n Cook_mayor_1 Apalancamiento_alto
## 1                6000            282            0                 501
##   Residuos_extremos
## 1                41
# Mostrar las cinco observaciones con mayor Cook
indices <- order(distancia_cook, decreasing = TRUE)[1:5]

data.frame(
  Registro = indices,
  Distancia_Cook = round(distancia_cook[indices], 6),
  Apalancamiento = round(apalancamiento[indices], 6)
)
##      Registro Distancia_Cook Apalancamiento
## 4703     4703       0.010211       0.003962
## 2762     2762       0.007065       0.001185
## 5452     5452       0.006955       0.000781
## 4812     4812       0.006713       0.001425
## 4865     4865       0.006700       0.000668
# Gráfica de distancia de Cook
plot(distancia_cook,
     type = "h",
     main = "Distancia de Cook",
     xlab = "Número de registro",
     ylab = "Distancia de Cook",
     col = "darkred")

abline(h = umbral_cook,
       col = "blue",
       lty = 2)

10.8. Interpretación de las observaciones influyentes

El análisis identificó 282 observaciones con distancias de Cook superiores al umbral orientativo de 4/n.

Sin embargo, ninguna observación presentó una distancia de Cook superior a 1.

Adicionalmente, se identificaron 501 observaciones con apalancamiento relativamente alto y 41 con residuos estandarizados extremos.

Estos resultados señalaron la presencia de registros que ameritaron revisión, aunque no constituyeron evidencia suficiente para eliminarlos del análisis.

10.9. Evaluación de la independencia de los errores

La independencia de los errores constituyó un supuesto fundamental del modelo de regresión lineal.

Dado que la información correspondió a resultados de estudiantes en un estudio transversal, el orden de los registros no representó necesariamente una secuencia temporal.

Por tanto, se realizó una exploración gráfica de los residuos según el orden de los registros, reconociendo que esta gráfica no permitió confirmar por sí sola la independencia estadística.

# Obtener los residuos
errores <- residuals(modelo_simple)

# Representar los residuos por número de registro
plot(seq_along(errores), errores,
     main = "Residuos según el orden de los registros",
     xlab = "Número de registro",
     ylab = "Residuos del modelo",
     col = "darkred",
     pch = 16,
     cex = 0.3)

# Línea de referencia en cero
abline(h = 0, col = "blue", lwd = 2)

10.10. Interpretación de la independencia de los errores

La gráfica de los residuos según el orden de los registros mostró una distribución alrededor de cero, sin una tendencia sistemática evidente.

Sin embargo, dado que los datos fueron transversales y el orden de las observaciones no representó necesariamente una secuencia temporal, no fue posible confirmar la independencia estadística únicamente mediante esta gráfica.

Esta condición se reconoció como una limitación metodológica del análisis.

11. Inferencia estadística robusta frente a la heterocedasticidad

Debido a que la prueba de Breusch-Pagan identificó evidencia de heterocedasticidad, se calcularon errores estándar robustos de tipo HC3.

Este procedimiento permitió realizar inferencias más apropiadas ante la presencia de varianza no constante, siempre que se mantuvieran las demás condiciones necesarias, especialmente la independencia entre observaciones.

Los coeficientes estimados mediante mínimos cuadrados ordinarios se conservaron.

# Obtener la matriz de diseño
X <- model.matrix(modelo_simple)

# Obtener los residuos y el apalancamiento
e <- residuals(modelo_simple)
h <- hatvalues(modelo_simple)

# Calcular la matriz de covarianzas robusta HC3
inversa_X <- solve(crossprod(X))
pesos_HC3 <- (e / (1 - h))^2

X_ponderada <- X * sqrt(pesos_HC3)

V_HC3 <- inversa_X %*%
  crossprod(X_ponderada) %*%
  inversa_X

# Obtener coeficientes y errores estándar
b <- coef(modelo_simple)
se_HC3 <- sqrt(diag(V_HC3))

# Estadísticos y valores p
gl <- df.residual(modelo_simple)
t_HC3 <- b / se_HC3
p_HC3 <- 2 * pt(abs(t_HC3),
                df = gl,
                lower.tail = FALSE)

# Intervalos de confianza robustos del 95 %
valor_critico <- qt(0.975, df = gl)

LI <- b - valor_critico * se_HC3
LS <- b + valor_critico * se_HC3

# Tabla de resultados
tabla_robusta <- data.frame(
  Coeficiente = names(b),
  Estimacion = round(as.numeric(b), 6),
  Error_HC3 = round(as.numeric(se_HC3), 6),
  Valor_t = round(as.numeric(t_HC3), 4),
  Valor_p = signif(as.numeric(p_HC3), 4),
  LI_95 = round(as.numeric(LI), 6),
  LS_95 = round(as.numeric(LS), 6)
)

# Mostrar resultados
print(tabla_robusta, row.names = FALSE)
##       Coeficiente Estimacion Error_HC3  Valor_t   Valor_p    LI_95    LS_95
##       (Intercept)   6.352442  0.437577  14.5173 5.846e-47 5.494634 7.210251
##  PUNT_C_NATURALES   0.918693  0.008585 107.0068 0.000e+00 0.901863 0.935523

11.1. Interpretación de los errores estándar robustos HC3

Debido a la presencia de heterocedasticidad identificada mediante la prueba de Breusch-Pagan, se calcularon errores estándar robustos HC3 para mejorar la inferencia estadística de los coeficientes del modelo.

Los resultados mostraron que el intercepto estimado fue de 6.352442, con un error estándar robusto de 0.437577 y un intervalo de confianza del 95 % comprendido entre 5.494634 y 7.210251.

Por su parte, la pendiente estimada fue de 0.918693, con un error estándar robusto de 0.008585 y un intervalo de confianza del 95 % comprendido entre 0.901863 y 0.935523.

Como el intervalo de confianza robusto de la pendiente no incluyó el valor cero y su valor p fue inferior a 0.05, se encontró evidencia estadísticamente significativa de una asociación lineal positiva entre los puntajes de Ciencias Naturales y Matemáticas.

Estos resultados respaldaron la significancia estadística de la pendiente aun después de considerar la heterocedasticidad mediante errores estándar robustos.

11.2. Evaluación de la validez del modelo

El modelo de regresión lineal simple presentó un coeficiente de determinación R² de 0.6596, lo que indicó que explicó aproximadamente el 65.96 % de la variabilidad observada en los puntajes de Matemáticas.

Las pruebas de diagnóstico identificaron evidencia de heterocedasticidad y desviaciones respecto de la normalidad de los residuos.

Ante estas condiciones, se complementó el análisis con errores estándar robustos HC3, conservando los coeficientes originales estimados por mínimos cuadrados ordinarios.

La pendiente mantuvo su significancia estadística, lo que respaldó la existencia de una asociación lineal positiva entre ambas variables.

Sin embargo, la independencia de los errores no pudo confirmarse completamente con la información disponible. Por tanto, los resultados se interpretaron con cautela y no se establecieron relaciones de causalidad.

En consecuencia, el modelo se consideró útil para describir la asociación lineal observada, aunque presentó limitaciones que debieron reconocerse en la interpretación de las inferencias estadísticas.

12. Conclusiones

A partir del análisis de regresión lineal simple realizado con 6000 registros de la base de datos Saber 11 de 2019, se establecieron las siguientes conclusiones:

  1. Relación positiva entre las variables. Se identificó una asociación lineal positiva fuerte entre los puntajes de Ciencias Naturales y Matemáticas, con un coeficiente de correlación de Pearson de 0.8121.

  2. Capacidad explicativa del modelo. El coeficiente de determinación R² fue de 0.6596, lo que indicó que el modelo explicó aproximadamente el 65.96 % de la variabilidad observada en los puntajes de Matemáticas.

  3. Significancia estadística. El análisis de varianza presentó un estadístico F de 11620.67 y un valor p inferior a 0.05. Por tanto, se encontró evidencia estadísticamente significativa de una asociación lineal entre las variables estudiadas.

  4. Incumplimiento de algunos supuestos. Las pruebas de Breusch-Pagan y Jarque-Bera identificaron evidencia de heterocedasticidad y falta de normalidad exacta de los residuos. Por ello, no se afirmó que el modelo cumpliera todos los supuestos clásicos.

  5. Inferencia estadística robusta. Al utilizar errores estándar robustos HC3, la pendiente estimada de 0.918693 conservó su significancia estadística. Su intervalo de confianza robusto del 95 % estuvo comprendido entre 0.901863 y 0.935523, bajo las condiciones requeridas para esta inferencia.

  6. Alcance del estudio. El modelo permitió describir una asociación estadística entre los puntajes evaluados, pero no demostró causalidad. Además, la independencia entre las observaciones no pudo verificarse completamente con la información disponible.

En conclusión, el modelo de regresión lineal simple resultó útil para describir la asociación entre los puntajes de Ciencias Naturales y Matemáticas, aunque sus limitaciones estadísticas debieron considerarse al interpretar los resultados.

13. Recomendaciones

A partir de los resultados obtenidos, se formularon las siguientes recomendaciones:

  1. Utilizar inferencia robusta. En futuros análisis con esta base de datos, se recomendó utilizar errores estándar robustos frente a la heterocedasticidad identificada.

  2. Examinar las observaciones influyentes. Se recomendó revisar los registros con mayores distancias de Cook antes de considerar cualquier modificación de la base de datos.

  3. Verificar la estructura de los datos. Se recomendó determinar si existían estudiantes agrupados por instituciones educativas u otras unidades, con el propósito de evaluar posibles dependencias entre observaciones.

  4. Comparar modelos alternativos. En futuras investigaciones, se recomendó explorar especificaciones alternativas y evaluar su capacidad predictiva, evitando seleccionar modelos únicamente por su coeficiente de determinación.

  5. Interpretar las predicciones con precaución. Se recomendó reconocer las limitaciones de los intervalos de predicción convencionales ante la heterocedasticidad y la falta de normalidad exacta.

  6. Evitar interpretaciones causales. Se recomendó presentar los resultados como asociaciones estadísticas, sin afirmar que los puntajes de Ciencias Naturales causaran cambios en los resultados de Matemáticas.

14. Consideraciones finales

El presente trabajo permitió aplicar el procedimiento de regresión lineal simple mediante RStudio y RMarkdown, incluyendo la selección de variables, el ajuste del modelo, el análisis de correlación, el análisis de varianza, la construcción de intervalos de confianza y predicción, y la evaluación gráfica y estadística de los supuestos.

Asimismo, se aplicaron errores estándar robustos HC3 para complementar la inferencia estadística ante la heterocedasticidad identificada.

Los resultados evidenciaron la importancia de verificar los supuestos y reconocer las limitaciones de un modelo antes de formular conclusiones estadísticas.