Introducción

El propósito de este trabajo es estudiar la relación entre el puntaje obtenido por los estudiantes y los resultados alcanzados en las áreas de Lectura Crítica, Matemáticas, Ciencias Naturales, Sociales y Ciudadanas e Inglés. Para desarrollar el análisis se empleará un modelo de regresión lineal múltiple, con el fin de establecer cómo se relacionan los puntajes de estas áreas con el resultado global y evaluar la capacidad del modelo para representar los datos observados.

Para realizar el estudio se utilizará la base de datos proporcionada por la profesora, almacenada en un archivo de Excel y conformada por registros de estudiantes que presentaron la prueba. Se realizará una exploración inicial de las variables, se calcularán medidas descriptivas y correlaciones, y se estimarán modelos de regresión que serán comparados mediante criterios estadísticos. Asimismo, se examinarán los supuestos de linealidad, independencia, normalidad de los residuos y homocedasticidad, junto con indicadores de ajuste como el coeficiente de determinación y el análisis de varianza (ANOVA).

Análisis exploratorio y visualización de datos

paquetes <- c("readxl", "dplyr", "ggplot2", "knitr", "car", "lmtest", "MASS")
pendientes <- paquetes[!paquetes %in% rownames(installed.packages())]
if (length(pendientes) > 0) install.packages(pendientes, repos = "https://cloud.r-project.org")
invisible(lapply(paquetes, library, character.only = TRUE))

# Mantenga el archivo Excel en la misma carpeta que este documento R Markdown.
archivo <- "Datos Modelo de Regresion Lineal Multiple.xlsx"
variables <- c("PUNT_GLOBAL", "PUNT_LECTURA_CRITICA", "PUNT_MATEMATICAS",
               "PUNT_C_NATURALES", "PUNT_SOCIALES_CIUDADANAS", "PUNT_INGLES")

# Se importan únicamente las columnas utilizadas en el análisis.
datos <- readxl::read_excel(archivo, sheet = "Hoja1")

datos <- datos %>%
  dplyr::select(dplyr::all_of(variables)) %>%
  mutate(across(everything(), as.numeric)) %>%
  filter(if_all(everything(), ~ !is.na(.x)))

n <- nrow(datos)
knitr::kable(head(datos, 6), digits = 2,
             caption = "Primeras seis observaciones de la base de datos")
Primeras seis observaciones de la base de datos
PUNT_GLOBAL PUNT_LECTURA_CRITICA PUNT_MATEMATICAS PUNT_C_NATURALES PUNT_SOCIALES_CIUDADANAS PUNT_INGLES
208 47 48 37 30 54
299 60 65 54 59 63
299 66 57 41 74 64
309 62 54 61 73 53
288 63 57 55 57 52
198 49 29 41 41 35

La base utilizada en el análisis contiene 546.193 registros completos para las variables seleccionadas. Se toma como variable de respuesta el puntaje global (PUNT_GLOBAL) y como variables explicativas los puntajes de las cinco áreas que componen la prueba. Los registros con información faltante en alguna de estas variables no se incluyen en los cálculos del modelo.

Estadísticas descriptivas

tabla_descriptiva <- data.frame(
  Variable = names(datos),
  Minimo = sapply(datos, min),
  Primer_cuartil = sapply(datos, quantile, probs = 0.25),
  Mediana = sapply(datos, median),
  Media = sapply(datos, mean),
  Tercer_cuartil = sapply(datos, quantile, probs = 0.75),
  Maximo = sapply(datos, max),
  Desviacion_estandar = sapply(datos, sd)
)
knitr::kable(tabla_descriptiva, digits = 2,
             caption = "Estadísticas descriptivas de las variables del modelo")
Estadísticas descriptivas de las variables del modelo
Variable Minimo Primer_cuartil Mediana Media Tercer_cuartil Maximo Desviacion_estandar
PUNT_GLOBAL PUNT_GLOBAL 0 207 243 246.19 282 477 51.39
PUNT_LECTURA_CRITICA PUNT_LECTURA_CRITICA 0 45 52 52.16 60 100 10.54
PUNT_MATEMATICAS PUNT_MATEMATICAS 0 42 51 50.61 59 100 12.00
PUNT_C_NATURALES PUNT_C_NATURALES 0 40 48 48.24 56 100 10.76
PUNT_SOCIALES_CIUDADANAS PUNT_SOCIALES_CIUDADANAS 0 37 45 46.22 55 100 12.14
PUNT_INGLES PUNT_INGLES 0 39 48 48.42 56 100 12.56

Las medidas descriptivas permiten reconocer los valores mínimos y máximos, la tendencia central y la dispersión de los puntajes registrados en cada área y en el resultado global. La media y la mediana muestran la ubicación central de las observaciones, mientras que los cuartiles y la desviación estándar permiten apreciar la variabilidad presente en los resultados.

Supuestos de independencia y linealidad

Independencia

La independencia de los errores se relaciona con la forma en que fueron obtenidas las observaciones. En este estudio cada fila representa un registro de un estudiante; por tanto, la independencia debe considerarse principalmente a partir del diseño y la procedencia de la base de datos. Como diagnóstico complementario se presenta la prueba de Durbin-Watson, teniendo en cuenta que el orden de las filas de una base transversal no necesariamente representa una secuencia temporal.

modelo_completo <- lm(PUNT_GLOBAL ~ PUNT_LECTURA_CRITICA + PUNT_MATEMATICAS +
                        PUNT_C_NATURALES + PUNT_SOCIALES_CIUDADANAS + PUNT_INGLES,
                      data = datos)
dw <- lmtest::dwtest(modelo_completo)
tabla_dw <- data.frame(Estadistico = unname(dw$statistic),
                       Valor_p = dw$p.value)
knitr::kable(tabla_dw, digits = 4, caption = "Prueba de Durbin-Watson")
Prueba de Durbin-Watson
Estadistico Valor_p
1.9999 0.4842

Un valor p inferior a 0,05 puede indicar evidencia de autocorrelación bajo las condiciones de la prueba. Sin embargo, en una base de datos transversal este resultado debe interpretarse con cautela y no permite, por sí solo, afirmar que las observaciones sean dependientes o independientes.

Correlación

matriz_cor <- cor(datos, use = "complete.obs", method = "pearson")
knitr::kable(matriz_cor, digits = 4, caption = "Matriz de correlación de Pearson")
Matriz de correlación de Pearson
PUNT_GLOBAL PUNT_LECTURA_CRITICA PUNT_MATEMATICAS PUNT_C_NATURALES PUNT_SOCIALES_CIUDADANAS PUNT_INGLES
PUNT_GLOBAL 1.0000 0.8985 0.8997 0.9138 0.9104 0.8083
PUNT_LECTURA_CRITICA 0.8985 1.0000 0.7356 0.7479 0.7974 0.6972
PUNT_MATEMATICAS 0.8997 0.7356 1.0000 0.8010 0.7266 0.6868
PUNT_C_NATURALES 0.9138 0.7479 0.8010 1.0000 0.7765 0.7196
PUNT_SOCIALES_CIUDADANAS 0.9104 0.7974 0.7266 0.7765 1.0000 0.6984
PUNT_INGLES 0.8083 0.6972 0.6868 0.7196 0.6984 1.0000

La matriz de correlación muestra la dirección y la intensidad de las relaciones lineales entre las variables. Las asociaciones entre las áreas y el puntaje global deben interpretarse considerando que este último se calcula a partir de los resultados de las pruebas por área; por esta razón, las correlaciones elevadas son esperables y no deben entenderse como evidencia de causalidad.

Linealidad

# Se utiliza una muestra aleatoria para que la matriz de gráficos sea legible.
set.seed(123)
indices_graf <- sample(seq_len(nrow(datos)), min(2500, nrow(datos)))
pairs(datos[indices_graf, ], pch = 19, cex = 0.35,
      main = "Diagramas de dispersión entre las variables")

for (v in setdiff(names(datos), "PUNT_GLOBAL")) {
  p <- ggplot(datos[sample(seq_len(nrow(datos)), min(5000, nrow(datos))), ],
              aes(x = .data[[v]], y = PUNT_GLOBAL)) +
    geom_point(alpha = 0.25, size = 0.8) +
    geom_smooth(method = "lm", se = TRUE, color = "blue") +
    labs(title = paste("Puntaje global frente a", v),
         x = v, y = "Puntaje global") +
    theme_minimal()
  print(p)
}
## `geom_smooth()` using formula = 'y ~ x'

## `geom_smooth()` using formula = 'y ~ x'

## `geom_smooth()` using formula = 'y ~ x'

## `geom_smooth()` using formula = 'y ~ x'

## `geom_smooth()` using formula = 'y ~ x'

Los diagramas permiten observar la tendencia entre el puntaje global y cada una de las áreas. La línea representa el ajuste lineal y la banda sombreada su intervalo de confianza. La forma de los puntos y la dirección de la tendencia ayudan a valorar visualmente si una relación lineal puede ser una aproximación razonable.

Ecuación del modelo y tabla ANOVA

Modelo

Se plantea un modelo de regresión lineal múltiple en el que el puntaje global es explicado por los resultados de las cinco áreas evaluadas:

\[ PUNT\_GLOBAL_i = \beta_0 + \beta_1 Lectura_i + \beta_2 Matemáticas_i + \beta_3 Ciencias_i + \beta_4 Sociales_i + \beta_5 Inglés_i + \varepsilon_i \]

summary(modelo_completo)
## 
## Call:
## lm(formula = PUNT_GLOBAL ~ PUNT_LECTURA_CRITICA + PUNT_MATEMATICAS + 
##     PUNT_C_NATURALES + PUNT_SOCIALES_CIUDADANAS + PUNT_INGLES, 
##     data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -0.4671 -0.2312  0.0003  0.2317  0.4680 
## 
## Coefficients:
##                           Estimate Std. Error   t value Pr(>|t|)    
## (Intercept)              1.213e-03  2.051e-03     0.591    0.554    
## PUNT_LECTURA_CRITICA     1.154e+00  6.825e-05 16907.547   <2e-16 ***
## PUNT_MATEMATICAS         1.154e+00  5.883e-05 19612.848   <2e-16 ***
## PUNT_C_NATURALES         1.154e+00  7.135e-05 16169.935   <2e-16 ***
## PUNT_SOCIALES_CIUDADANAS 1.154e+00  6.073e-05 19000.196   <2e-16 ***
## PUNT_INGLES              3.846e-01  4.886e-05  7872.792   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.2878 on 546187 degrees of freedom
## Multiple R-squared:      1,  Adjusted R-squared:      1 
## F-statistic: 3.483e+09 on 5 and 546187 DF,  p-value: < 2.2e-16

Selección y comparación del modelo

Se comparan el modelo completo y una especificación reducida mediante el criterio AIC. Este procedimiento se utiliza como apoyo para comparar modelos; la selección final también debe considerar la interpretación de las variables y los diagnósticos. Dado que el puntaje global se construye con los resultados de las áreas, el modelo describe principalmente la relación matemática y estadística entre componentes del examen, y no el efecto causal de las áreas sobre el puntaje global.

modelo_seleccionado <- MASS::stepAIC(modelo_completo, direction = "both", trace = FALSE)
comparacion_modelos <- data.frame(
  Modelo = c("Modelo completo", "Modelo seleccionado por AIC"),
  AIC = c(AIC(modelo_completo), AIC(modelo_seleccionado)),
  R_cuadrado = c(summary(modelo_completo)$r.squared,
                 summary(modelo_seleccionado)$r.squared),
  R_cuadrado_ajustado = c(summary(modelo_completo)$adj.r.squared,
                          summary(modelo_seleccionado)$adj.r.squared)
)
knitr::kable(comparacion_modelos, digits = 4,
             caption = "Comparación del modelo completo y el modelo seleccionado")
Comparación del modelo completo y el modelo seleccionado
Modelo AIC R_cuadrado R_cuadrado_ajustado
Modelo completo 189403.2 1 1
Modelo seleccionado por AIC 189403.2 1 1

Análisis de varianza (ANOVA)

tabla_anova <- as.data.frame(anova(modelo_seleccionado))
tabla_anova <- cbind(Fuente = rownames(tabla_anova), tabla_anova)
rownames(tabla_anova) <- NULL
knitr::kable(tabla_anova, digits = 4, caption = "Tabla ANOVA del modelo seleccionado")
Tabla ANOVA del modelo seleccionado
Fuente Df Sum Sq Mean Sq F value Pr(>F)
PUNT_LECTURA_CRITICA 1 1.164199e+09 1.164199e+09 14057490774 0
PUNT_MATEMATICAS 1 1.791887e+08 1.791887e+08 2163670892 0
PUNT_C_NATURALES 1 5.883131e+07 5.883131e+07 710377199 0
PUNT_SOCIALES_CIUDADANAS 1 3.479547e+07 3.479547e+07 420148887 0
PUNT_INGLES 1 5.133068e+06 5.133068e+06 61980852 0
Residuals 546187 4.523357e+04 8.280000e-02 NA NA

La prueba F del ANOVA evalúa si el conjunto de variables explicativas aporta información estadística al modelo. Un valor p inferior a 0,05 indica que el modelo es estadísticamente significativo en conjunto. La interpretación debe considerar que el puntaje global y los puntajes por área forman parte de la misma evaluación.

Coeficientes de regresión

coeficientes <- as.data.frame(summary(modelo_seleccionado)$coefficients)
coeficientes$Variable <- rownames(coeficientes)
rownames(coeficientes) <- NULL
coeficientes <- coeficientes[, c("Variable", "Estimate", "Std. Error", "t value", "Pr(>|t|)")]
knitr::kable(coeficientes, digits = 5,
             caption = "Estimación y significancia de los coeficientes de regresión")
Estimación y significancia de los coeficientes de regresión
Variable Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.00121 0.00205 0.59134 0.55429
PUNT_LECTURA_CRITICA 1.15393 0.00007 16907.54727 0.00000
PUNT_MATEMATICAS 1.15384 0.00006 19612.84807 0.00000
PUNT_C_NATURALES 1.15369 0.00007 16169.93471 0.00000
PUNT_SOCIALES_CIUDADANAS 1.15385 0.00006 19000.19613 0.00000
PUNT_INGLES 0.38465 0.00005 7872.79189 0.00000

Cada coeficiente representa el cambio estimado en el puntaje global asociado con un aumento de una unidad en el predictor correspondiente, manteniendo constantes los demás predictores. El signo indica la dirección de la asociación y el valor p permite evaluar la significancia estadística individual. Debido a la relación de construcción entre el puntaje global y las áreas, estos coeficientes no deben interpretarse como efectos causales.

Coeficientes de correlación y determinación

resumen <- summary(modelo_seleccionado)
fstat <- resumen$fstatistic
metricas <- data.frame(
  R = sqrt(resumen$r.squared),
  R_cuadrado = resumen$r.squared,
  R_cuadrado_ajustado = resumen$adj.r.squared,
  Error_estandar_residual = resumen$sigma,
  Estadistico_F = unname(fstat[1]),
  Valor_p_modelo = pf(fstat[1], fstat[2], fstat[3], lower.tail = FALSE)
)
knitr::kable(metricas, digits = 4,
             caption = "Medidas de ajuste y significancia global del modelo")
Medidas de ajuste y significancia global del modelo
R R_cuadrado R_cuadrado_ajustado Error_estandar_residual Estadistico_F Valor_p_modelo
value 1 1 1 0.2878 3482733721 0

El coeficiente de determinación expresa la proporción de variabilidad del puntaje global que es explicada por los predictores incluidos. El R cuadrado ajustado tiene en cuenta el número de variables del modelo y permite comparar especificaciones con distinta cantidad de predictores.

Intervalos de confianza y predicción

Intervalos de confianza para los coeficientes

tabla_ic <- as.data.frame(confint(modelo_seleccionado, level = 0.95))
tabla_ic$Variable <- rownames(tabla_ic)
rownames(tabla_ic) <- NULL
names(tabla_ic)[1:2] <- c("Limite_inferior", "Limite_superior")
knitr::kable(tabla_ic[, c("Variable", "Limite_inferior", "Limite_superior")],
             digits = 4, caption = "Intervalos de confianza del 95 % para los coeficientes")
Intervalos de confianza del 95 % para los coeficientes
Variable Limite_inferior Limite_superior
(Intercept) -0.0028 0.0052
PUNT_LECTURA_CRITICA 1.1538 1.1541
PUNT_MATEMATICAS 1.1537 1.1540
PUNT_C_NATURALES 1.1535 1.1538
PUNT_SOCIALES_CIUDADANAS 1.1537 1.1540
PUNT_INGLES 0.3846 0.3847

Intervalo para la respuesta media y para una respuesta individual

Para ilustrar la estimación se utiliza un perfil con los valores promedio de los predictores incluidos en el modelo. El intervalo de confianza corresponde a la respuesta media para ese perfil, mientras que el intervalo de predicción estima el rango de una observación individual y normalmente es más amplio.

variables_modelo <- all.vars(formula(modelo_seleccionado))[-1]
nuevo <- as.data.frame(lapply(datos[variables_modelo], mean))
media <- predict(modelo_seleccionado, newdata = nuevo,
                 interval = "confidence", level = 0.95)
individual <- predict(modelo_seleccionado, newdata = nuevo,
                      interval = "prediction", level = 0.95)
tabla_pred <- data.frame(
  Tipo = c("Respuesta media", "Respuesta individual"),
  Estimacion = c(media[1, "fit"], individual[1, "fit"]),
  Limite_inferior = c(media[1, "lwr"], individual[1, "lwr"]),
  Limite_superior = c(media[1, "upr"], individual[1, "upr"])
)
knitr::kable(tabla_pred, digits = 4,
             caption = "Intervalos del 95 % para la respuesta media y una respuesta individual")
Intervalos del 95 % para la respuesta media y una respuesta individual
Tipo Estimacion Limite_inferior Limite_superior
Respuesta media 246.1889 246.1882 246.1897
Respuesta individual 246.1889 245.6249 246.7530

Validación de los supuestos del modelo de regresión

Diagnósticos gráficos

par(mfrow = c(2, 2))
plot(modelo_seleccionado)

par(mfrow = c(1, 1))

El gráfico de residuos frente a valores ajustados permite revisar la linealidad y la constancia de la varianza. El gráfico Q-Q compara los residuos con una distribución normal teórica. La escala-localización también ayuda a examinar la homocedasticidad, mientras que el gráfico de residuos frente a apalancamiento permite detectar observaciones potencialmente influyentes. Estos diagnósticos deben evaluarse conjuntamente.

Homocedasticidad

bp <- lmtest::bptest(modelo_seleccionado)
tabla_bp <- data.frame(Estadistico = unname(bp$statistic),
                       Grados_libertad = unname(bp$parameter),
                       Valor_p = bp$p.value)
knitr::kable(tabla_bp, digits = 4,
             caption = "Prueba de Breusch-Pagan para homocedasticidad")
Prueba de Breusch-Pagan para homocedasticidad
Estadistico Grados_libertad Valor_p
BP 13.5527 5 0.0187

En la prueba de Breusch-Pagan, un valor p inferior a 0,05 sugiere evidencia de varianza no constante de los errores. Si el valor p es igual o superior a 0,05, no se encuentra evidencia estadística suficiente para rechazar la homocedasticidad.

Multicolinealidad

vif_valores <- tryCatch(car::vif(modelo_seleccionado), error = function(e) NULL)
if (!is.null(vif_valores)) {
  if (is.matrix(vif_valores)) {
    tabla_vif <- data.frame(Variable = rownames(vif_valores), vif_valores,
                            row.names = NULL, check.names = FALSE)
  } else {
    tabla_vif <- data.frame(Variable = names(vif_valores), VIF = as.numeric(vif_valores))
  }
  knitr::kable(tabla_vif, digits = 4,
               caption = "Factores de inflación de la varianza (VIF)")
} else {
  cat("No fue posible calcular el VIF para esta especificación del modelo.")
}
Factores de inflación de la varianza (VIF)
Variable VIF
PUNT_LECTURA_CRITICA 3.4111
PUNT_MATEMATICAS 3.2855
PUNT_C_NATURALES 3.8897
PUNT_SOCIALES_CIUDADANAS 3.5849
PUNT_INGLES 2.4829

Los valores VIF permiten evaluar si existe asociación elevada entre los predictores. Valores altos pueden indicar multicolinealidad, lo que dificulta separar la contribución individual de cada variable. En este ejercicio es importante considerar que los puntajes por área están relacionados entre sí y participan en la construcción del puntaje global.

Normalidad de los residuos

residuos <- residuals(modelo_seleccionado)
qqnorm(residuos, pch = 19, cex = 0.25,
       main = "Gráfico Q-Q de los residuos")
qqline(residuos, col = "blue", lwd = 2)

set.seed(123)
residuos_muestra <- sample(residuos, size = min(5000, length(residuos)))
prueba_shapiro <- shapiro.test(residuos_muestra)
tabla_shapiro <- data.frame(Estadistico = unname(prueba_shapiro$statistic),
                            Valor_p = prueba_shapiro$p.value,
                            Tamano_muestra = length(residuos_muestra))
knitr::kable(tabla_shapiro, digits = 5,
             caption = "Prueba de Shapiro-Wilk sobre una muestra de residuos")
Prueba de Shapiro-Wilk sobre una muestra de residuos
Estadistico Valor_p Tamano_muestra
0.94367 0 5000

En Shapiro-Wilk, un valor p inferior a 0,05 indica evidencia para rechazar la hipótesis de normalidad. Debido al tamaño de la base, la prueba se aplica a una muestra de hasta 5.000 residuos y se interpreta junto con el gráfico Q-Q, ya que en muestras grandes pequeñas desviaciones pueden resultar significativas.

Gráfica final del modelo

set.seed(123)
indices_final <- sample(seq_len(nrow(datos)), min(10000, nrow(datos)))
observados <- datos$PUNT_GLOBAL[indices_final]
ajustados <- fitted(modelo_seleccionado)[indices_final]
ggplot(data.frame(Observado = observados, Ajustado = ajustados),
       aes(x = Ajustado, y = Observado)) +
  geom_point(alpha = 0.25, size = 0.8) +
  geom_abline(intercept = 0, slope = 1, color = "blue", linewidth = 1) +
  labs(title = "Valores observados frente a valores estimados",
       x = "Puntaje global estimado", y = "Puntaje global observado") +
  theme_minimal()

La gráfica compara los puntajes globales observados con los estimados por el modelo. Los puntos más cercanos a la línea de referencia representan estimaciones más próximas al valor observado, mientras que las distancias respecto a ella reflejan los errores de estimación.

Conclusiones

El análisis de regresión lineal múltiple permitió examinar la relación entre el puntaje y los resultados obtenidos en Lectura Crítica, Matemáticas, Ciencias Naturales, Sociales y Ciudadanas e Inglés. A partir de la exploración de los datos, las estadísticas descriptivas, la matriz de correlación y la comparación de modelos, se identificó la capacidad de las áreas evaluadas para representar estadísticamente el comportamiento del resultado global. La calidad del modelo seleccionado se valora mediante el coeficiente de determinación, el análisis de varianza y la significancia de sus coeficientes, así como mediante la revisión gráfica y estadística de los supuestos de regresión. Es importante señalar que el puntaje global se encuentra construido a partir de los resultados de las áreas, por lo que las asociaciones estimadas describen la relación entre componentes de una misma prueba y no demuestran efectos causales. Las conclusiones específicas sobre el ajuste y el cumplimiento de los supuestos deben establecerse con los valores y gráficos generados al ejecutar este informe con la base de datos suministrada.