Introducción

El objetivo de este trabajo es analizar la relación entre el rendimiento académico de los estudiantes y cuatro posibles predictores: las horas de estudio diarias, el porcentaje de asistencia a clases, las horas de sueño nocturno y el uso diario de redes sociales. Para ello, se utilizará un modelo de regresión lineal múltiple que permita determinar en qué medida estas variables explican las variaciones en las calificaciones finales.

Para este análisis, se usará una base de datos obtenida en formato Excel que contiene un total de 150 registros correspondientes a diferentes estudiantes universitarios. Cada observación incluye información sobre estas cinco variables cuantitativas. En el análisis se evaluarán los supuestos del modelo clásico de regresión, como la linealidad, normalidad de los residuos, homocedasticidad e independencia de errores, así como medidas de ajuste como el coeficiente de determinación y el análisis de varianza (ANOVA).

Análisis exploratorio y visualización de datos

library(readxl)
datos <- read_excel("Datos.xlsx")
head(datos)
## # A tibble: 6 × 5
##   Estudio Asistencia Sueño Redes  Nota
##     <dbl>      <dbl> <dbl> <dbl> <dbl>
## 1     3.2         79   6.9   2.8   3.7
## 2     2.2         89   6.7   4.1   2.8
## 3     2.1         89   6.6   2.6   3.8
## 4     2.1         86   6.2   3.4   2.9
## 5     2.3         90   7.8   2.7   3  
## 6     1.9         77   7.5   2.5   3.4

Estadísticas descriptivas

summary(datos)
##     Estudio        Asistencia         Sueño           Redes      
##  Min.   :0.300   Min.   : 57.00   Min.   :4.000   Min.   :0.200  
##  1st Qu.:1.800   1st Qu.: 79.00   1st Qu.:6.100   1st Qu.:2.225  
##  Median :2.600   Median : 84.00   Median :6.800   Median :3.200  
##  Mean   :2.703   Mean   : 84.13   Mean   :6.845   Mean   :3.277  
##  3rd Qu.:3.575   3rd Qu.: 90.00   3rd Qu.:7.600   3rd Qu.:4.300  
##  Max.   :7.000   Max.   :100.00   Max.   :9.500   Max.   :7.900  
##       Nota     
##  Min.   :1.40  
##  1st Qu.:2.90  
##  Median :3.25  
##  Mean   :3.38  
##  3rd Qu.:3.80  
##  Max.   :5.00

Con base en el resumen de las variables de este estudio, se puede observar los siguientes aspectos:

- Estudio: Las horas dedicadas al estudio diario en la muestra varían entre 0.30 horas y 7.00 horas, con una media de aproximadamente 2.70 horas y una mediana de 2.60 horas, lo que representa una distribución relativamente simétrica. Además, el 50% central de los estudiantes estudia entre 1.80 y 3.58 horas diarias.

- Asistencia: El porcentaje de asistencia oscila entre el 57% y el 100%, con una media de 84.13% y una mediana de 84.00%, valores muy cercanos entre sí que sugieren una distribución simétrica en la participación a clases.

- Sueño: Las horas de sueño por noche van desde 4.00 horas hasta 9.50 horas, presentando una media de 6.84 horas y una mediana de 6.80 horas, lo que refleja un descanso promedio adecuado en la muestra.

- Redes: El uso diario de redes sociales se encuentra entre 0.20 horas y 7.90 horas, con una media de 3.28 horas y una mediana de 3.20 horas, mostrando así una dispersión moderada en el tiempo de ocio digital.

- Nota: La calificación final de los estudiantes presenta una media de 3.38 y una mediana de 3.25 (en una escala de 0 a 5). El valor mínimo registrado es 1.40 y el máximo es 5.00, reflejando el rendimiento general del grupo evaluado.

Todo lo anterior, nos dice que estos datos presentan una relación positiva entre las horas de estudio, la asistencia, el sueño y la nota final; mientras que, el uso de redes sociales sugiere una tendencia opuesta, lo cual estaremos evaluando durante el estudio y en el análisis de regresión.

Supuestos de independencia y linealidad

Independencia

cor(datos)
##                Estudio  Asistencia        Sueño        Redes       Nota
## Estudio     1.00000000  0.00360738 -0.094140192 -0.052776158  0.6742134
## Asistencia  0.00360738  1.00000000 -0.250760571 -0.030891820  0.2238575
## Sueño      -0.09414019 -0.25076057  1.000000000  0.006452492  0.1227721
## Redes      -0.05277616 -0.03089182  0.006452492  1.000000000 -0.2478181
## Nota        0.67421340  0.22385750  0.122772135 -0.247818084  1.0000000
  • Existe una correlación positiva fuerte entre Estudio y Nota (r = 0.6742), lo que indica que, a mayor tiempo dedicado al estudio, tienden a presentarse calificaciones más altas.

  • Existe una correlación positiva débil entre Asistencia y Nota (r = 0.2239), lo que indica que la asistencia tiene una relación positiva, aunque baja, con el rendimiento académico.

  • Existe una correlación positiva muy débil entre Sueño y Nota (r = 0.1228), lo que sugiere que la relación entre las horas de sueño y las calificaciones es poco marcada.

  • Existe una correlación negativa débil entre Redes y Nota (r = -0.2478), lo que indica que un mayor uso de redes sociales tiende a relacionarse con calificaciones más bajas.

  • Las correlaciones entre las variables independientes son bajas, por lo que no se evidencia una relación lineal fuerte entre ellas.

Por lo tanto, la variable Estudio presenta la mayor correlación con Nota; mientras que, Redes presenta una relación negativa. Además, no se observa una colinealidad preocupante entre las variables independientes, lo que favorece la estabilidad del modelo.

Linealidad

pairs(datos)

plot(Nota ~ Estudio, data=datos)

plot(Nota ~ Asistencia, data=datos)

plot(Nota ~ Sueño, data=datos)

plot(Nota ~ Redes, data=datos)

Porlo tanto:

  • En el gráfico de dispersión entre Nota y Estudio se observó una clara relación lineal positiva, con una tendencia ascendente coherente.

  • El gráfico de Nota vs Asistencia evidencia también una relación positiva, respaldando la tendencia lineal de los datos.

  • El análisis de pares confirma visualmente que la relación entre los predictores y la respuesta cumple de manera adecuada con el supuesto de linealidad.

Ecuación del modelo y tabla ANOVA

Modelo

\[ Y= \beta_o +\beta_1 X_1+ \beta_2 X_2+ \beta_3 X_3+ \beta_4 X_4+ e_i \]

modelo <- lm(Nota ~ Estudio + Asistencia + Sueño + Redes, data=datos)

summary(modelo)
## 
## Call:
## lm(formula = Nota ~ Estudio + Asistencia + Sueño + Redes, data = datos)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -1.23174 -0.30208  0.00472  0.31128  1.12877 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -0.376468   0.494833  -0.761 0.448013    
## Estudio      0.396222   0.030172  13.132  < 2e-16 ***
## Asistencia   0.021952   0.004213   5.211 6.35e-07 ***
## Sueño        0.165799   0.034540   4.800 3.90e-06 ***
## Redes       -0.090434   0.023020  -3.929 0.000132 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.433 on 145 degrees of freedom
## Multiple R-squared:  0.6082, Adjusted R-squared:  0.5974 
## F-statistic: 56.27 on 4 and 145 DF,  p-value: < 2.2e-16

El modelo presenta un coeficiente de determinación ajustado de 0.597 (y un R² de 0.608), lo que indica que aproximadamente el 60.8% de la variabilidad en la nota final puede ser explicada por las horas de estudio, la asistencia, las horas de sueño y el uso de redes sociales.

Con respecto a los coeficientes, se observa que las horas de estudio, la asistencia y el sueño presentan un efecto positivo y significativo sobre la nota final. Por otro lado, el uso de redes sociales presenta un efecto negativo y significativo, lo que significa que un mayor tiempo en redes se asocia con una disminución en la calificación.

La ecuación estimada de la recta de mínimos cuadrados es:

\[ Y= -0.376 + 0.396Estudio + 0.021Asistencia + 0.165Sueño - 0.090Redea + e_i \] ### Tabla ANOVA

anova(modelo)
## Analysis of Variance Table
## 
## Response: Nota
##             Df  Sum Sq Mean Sq F value    Pr(>F)    
## Estudio      1 31.5376 31.5376 168.234 < 2.2e-16 ***
## Asistencia   1  3.4017  3.4017  18.146 3.662e-05 ***
## Sueño        1  4.3653  4.3653  23.286 3.498e-06 ***
## Redes        1  2.8932  2.8932  15.433 0.0001318 ***
## Residuals  145 27.1822  0.1875                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Las pruebas de significancia individual muestran que todas las variables regresoras tienen valores p < 0.001, lo que demuestra que cada una de las variables aporta de forma determinante y significativa al modelo predictivo del rendimiento académico.

Supuestos de Normalidad yy Homocedasticidad

Normalidad de los residuos

residuos <- residuals(modelo)

# Histograma de los residuos 
hist(residuos, main="Histograma de los Residuos", xlab="Residuos", col="green", breaks=20)

# Gráfico Q-Q Normal 
qqnorm(residuos)
qqline(residuos, col="skyblue", lwd=2)

# Prueba de Lilliefors
require(nortest)
## Loading required package: nortest
lillie.test(residuos)
## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  residuos
## D = 0.033484, p-value = 0.9489

- Histograma de residuos: El histograma muestra una forma aproximadamente simétrica alrededor de cero, lo que quiere decir que los errores se distribuyen de manera equilibrada.

- Gráfico Q-Q: La mayoría de los puntos siguen de cerca la línea recta roja, lo que le dd respaldo a la normalidad esperada de los residuos del modelo.

- Prueba estadística: La prueba de Lilliefors ratifica estadísticamente el comportamiento normal de los errores del modelo de regresión múltiple.

Homocedasticidad

# Gráfico de Residuos vs Valores ajustados
plot(fitted(modelo), residuos,
     main="Residuos vs Valores ajustados",
     xlab="Valores ajustados",
     ylab="Residuos",
     pch=20, col="orange")
abline(h=0, col="red", lwd=2)

# Prueba de Breusch-Pagan
library(lmtest)
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
bptest(modelo)
## 
##  studentized Breusch-Pagan test
## 
## data:  modelo
## BP = 2.5147, df = 4, p-value = 0.642

En el gráfico de Residuos vs. Valores ajustados, los puntos se encuentran distribuidos de forma aleatoria y homogénea alrededor de la línea horizontal (y = 0).

Lo anterior, demuestra que la varianza de los errores es constante a lo largo del rango de los valores predichos, cumpliendo satisfactoriamente con el supuesto de homocedasticidad.

Gráfica final del modelo y conclusiones

library(ggplot2)

# Datos para las gráficas 
plotting.data  <- data.frame(
  Estudio=seq(min(datos$Estudio), max(datos$Estudio), length.out=30),
  Asistencia=mean(datos$Asistencia),
  Sueño=mean(datos$Sueño),
  Redes=mean(datos$Redes)
)

# Calculamos la predicción 
plotting.data$predicted.Nota  <- predict(modelo, newdata=plotting.data) 
library(lmtest)
bptest(modelo)
## 
##  studentized Breusch-Pagan test
## 
## data:  modelo
## BP = 2.5147, df = 4, p-value = 0.642
# Gráfico final del modelo
ggplot(datos, aes(x = Estudio, y = Nota)) +
  geom_point(color = "skyblue3", alpha = 0.7)+
  geom_line(data = plotting.data,
            aes(x = Estudio, y = predicted.Nota),
            color = "red", linewidth = 1.25)+
  theme_bw()+
  labs(
    title = "Rendimiento académico en función del estudio",
    x = "Horas dedicadas al estudio",
    y = "Nota final",
  )

Conclusiones

Para finalizar, en este trabajo se demostró que el modelo de regresión lineal múltiple ajustado es altamente eficaz, ya que explica el 60.8% de la variabilidad observada en el rendimiento académico de los estudiantes.

Además, se comprobó que las horas de estudio diarias, el porcentaje de asistencia y las horas de sueño tienen una influencia positiva y directa sobre las calificaciones finales. Mientras que, el tiempo excesivo dedicado al uso de redes sociales ejerce un impacto adverso y estadísticamente significativo sobre el promedio académico.

Por último, la verificación exhaustiva de los supuestos estadísticos confirmó que el modelo cumple con las condiciones de linealidad, independencia, normalidad y homocedasticidad, garantizando su validez científica para su respectiva publicación en RPubs.