Este estudio analiza la relación entre el puntaje de matemáticas y cuatro competencias evaluadas en Saber 11: lectura crítica, ciencias naturales, sociales y ciudadanas e inglés. Se estima una regresión lineal múltiple, se comparan especificaciones alternativas, se cuantifica la capacidad explicativa y predictiva, y se examinan los supuestos del modelo.
Criterio de rigor: todas las cifras, tablas y conclusiones numéricas de este informe se generan al ejecutar el código sobre el archivo Excel. No se escriben resultados anticipados. La significancia estadística no se interpreta como causalidad.
Las pruebas Saber 11 evalúan competencias que pueden compartir habilidades académicas. Por ello, el resultado en matemáticas podría estar relacionado con el desempeño en lectura crítica, ciencias naturales, sociales y ciudadanas e inglés. La pregunta de investigación es:
¿En qué medida estas cuatro competencias, consideradas simultáneamente, explican la variabilidad del puntaje de matemáticas en el periodo analizado?
Estimar y evaluar un modelo de regresión lineal múltiple para estudiar la asociación entre cuatro competencias de Saber 11 y el puntaje de matemáticas.
La variable respuesta es el puntaje de matemáticas. Los predictores son los puntajes de lectura crítica, ciencias naturales, sociales y ciudadanas e inglés.
| Rol | Variable en la base | Significado |
|---|---|---|
| Respuesta | PUNT_MATEMATICAS |
Puntaje de matemáticas |
| Predictor | PUNT_LECTURA_CRITICA |
Lectura crítica |
| Predictor | PUNT_C_NATURALES |
Ciencias naturales |
| Predictor | PUNT_SOCIALES_CIUDADANAS |
Sociales y ciudadanas |
| Predictor | PUNT_INGLES |
Inglés |
No se utiliza el puntaje global como predictor porque incorpora componentes de las mismas pruebas y podría introducir una relación parcialmente mecánica con matemáticas.
Coloque datos_muestra.csv y
resumen_origen.csv en la misma carpeta que este
archivo.
paquetes <- c("dplyr","tidyr","ggplot2","knitr",
"car","lmtest","sandwich","broom","purrr")
faltan <- paquetes[!vapply(paquetes, requireNamespace, logical(1), quietly=TRUE)]
if(length(faltan)) install.packages(faltan, repos="https://cloud.r-project.org")
invisible(lapply(paquetes, library, character.only=TRUE))
# Para que el informe corra con la memoria limitada de Posit Cloud, se trabaja con
# una muestra aleatoria simple (20.000 registros, semilla 2026) extraida de los
# registros completos de la base original (546.212 filas, un solo periodo: 20194).
# El resumen de la base original se guarda en resumen_origen.csv.
origen <- read.csv("resumen_origen.csv")
datos <- read.csv("datos_muestra.csv")
requeridas <- c("PERIODO","PUNT_MATEMATICAS","PUNT_LECTURA_CRITICA",
"PUNT_C_NATURALES","PUNT_SOCIALES_CIUDADANAS","PUNT_INGLES")
faltan_cols <- setdiff(requeridas, names(datos))
if(length(faltan_cols)) stop("Faltan columnas: ", paste(faltan_cols, collapse=", "))
PERIODO_ELEGIDO <- origen$periodo
datos <- datos |>
dplyr::select(-PERIODO) |>
tidyr::drop_na()
if(nrow(datos) < 50) stop("Hay menos de 50 observaciones completas.")
n_usados <- nrow(datos)
knitr::kable(
data.frame(Indicador=c("Filas originales de la base","Registros del periodo analizado",
"Observaciones completas del periodo",
"Observaciones excluidas por datos faltantes",
"Observaciones en la muestra aleatoria utilizada",
"Periodo analizado"),
Valor=c(origen$n_leidos,origen$n_periodo,origen$n_completas,
origen$n_periodo-origen$n_completas,n_usados,PERIODO_ELEGIDO)),
caption="Trazabilidad de la muestra"
)
| Indicador | Valor |
|---|---|
| Filas originales de la base | 546212 |
| Registros del periodo analizado | 546212 |
| Observaciones completas del periodo | 546193 |
| Observaciones excluidas por datos faltantes | 19 |
| Observaciones en la muestra aleatoria utilizada | 20000 |
| Periodo analizado | 20194 |
La muestra analítica es una muestra aleatoria simple de 20.000 registros tomada de los registros completos en las cinco variables del periodo elegido (se usa una muestra para poder ejecutar el análisis con los recursos de memoria disponibles). La eliminación por casos completos es transparente, pero puede producir sesgo si la ausencia de datos no es aleatoria. No se eliminan observaciones extremas automáticamente.
desc <- datos |>
tidyr::pivot_longer(dplyr::everything(), names_to="Variable", values_to="Puntaje") |>
dplyr::group_by(Variable) |>
dplyr::summarise(
n=dplyr::n(), Media=mean(Puntaje), DE=sd(Puntaje),
Mediana=median(Puntaje), Q1=quantile(Puntaje,.25),
Q3=quantile(Puntaje,.75), Min=min(Puntaje), Max=max(Puntaje),
CV_porcentaje=100*sd(Puntaje)/mean(Puntaje), .groups="drop"
)
knitr::kable(desc, digits=2, caption="Resumen descriptivo de las variables")
| Variable | n | Media | DE | Mediana | Q1 | Q3 | Min | Max | CV_porcentaje |
|---|---|---|---|---|---|---|---|---|---|
| PUNT_C_NATURALES | 20000 | 48.32 | 10.74 | 48 | 40 | 56 | 0 | 100 | 22.23 |
| PUNT_INGLES | 20000 | 48.57 | 12.53 | 48 | 39 | 56 | 0 | 100 | 25.79 |
| PUNT_LECTURA_CRITICA | 20000 | 52.31 | 10.52 | 53 | 45 | 60 | 0 | 100 | 20.10 |
| PUNT_MATEMATICAS | 20000 | 50.81 | 11.92 | 51 | 42 | 59 | 0 | 100 | 23.46 |
| PUNT_SOCIALES_CIUDADANAS | 20000 | 46.42 | 12.15 | 46 | 37 | 55 | 0 | 100 | 26.18 |
La media y la mediana describen el centro de la distribución; la desviación estándar y el rango intercuartílico resumen su dispersión. El coeficiente de variación expresa la desviación estándar como porcentaje de la media y facilita comparar dispersión relativa, aunque debe interpretarse con cautela si la media está cerca de cero.
datos |>
tidyr::pivot_longer(dplyr::everything(), names_to="Competencia", values_to="Puntaje") |>
ggplot2::ggplot(ggplot2::aes(Puntaje)) +
ggplot2::geom_histogram(bins=35, fill="#37677D", color="white") +
ggplot2::facet_wrap(~Competencia, scales="free", ncol=2) +
ggplot2::labs(title="Distribución de los puntajes", x="Puntaje", y="Frecuencia") +
ggplot2::theme_minimal(base_size=11)
Los histogramas permiten identificar asimetrías, concentraciones y posibles observaciones inusuales. La normalidad de los predictores no es un supuesto de la regresión lineal; la evaluación de normalidad se enfoca en los residuos para la inferencia clásica.
mat_cor <- cor(datos, use="complete.obs")
knitr::kable(round(mat_cor,3), caption="Matriz de correlaciones de Pearson")
| PUNT_MATEMATICAS | PUNT_LECTURA_CRITICA | PUNT_C_NATURALES | PUNT_SOCIALES_CIUDADANAS | PUNT_INGLES | |
|---|---|---|---|---|---|
| PUNT_MATEMATICAS | 1.000 | 0.729 | 0.796 | 0.722 | 0.681 |
| PUNT_LECTURA_CRITICA | 0.729 | 1.000 | 0.744 | 0.795 | 0.687 |
| PUNT_C_NATURALES | 0.796 | 0.744 | 1.000 | 0.773 | 0.714 |
| PUNT_SOCIALES_CIUDADANAS | 0.722 | 0.795 | 0.773 | 1.000 | 0.688 |
| PUNT_INGLES | 0.681 | 0.687 | 0.714 | 0.688 | 1.000 |
as.data.frame(as.table(mat_cor)) |>
ggplot2::ggplot(ggplot2::aes(Var1,Var2,fill=Freq)) +
ggplot2::geom_tile(color="white") +
ggplot2::geom_text(ggplot2::aes(label=sprintf("%.2f",Freq)), size=3.5) +
ggplot2::scale_fill_gradient2(low="#B65B5B",mid="white",high="#477A9E",midpoint=0) +
ggplot2::labs(title="Intensidad y dirección de las correlaciones",
x=NULL,y=NULL,fill="Pearson") +
ggplot2::theme_minimal() +
ggplot2::theme(axis.text.x=ggplot2::element_text(angle=35,hjust=1))
La correlación es una asociación bivariada y no equivale al efecto parcial de una variable dentro de la regresión múltiple. Cuando los predictores están correlacionados, sus coeficientes se interpretan controlando los demás predictores.
La especificación inicial es:
\[ Mat_i=\beta_0+\beta_1Lectura_i+\beta_2Ciencias_i+ \beta_3Sociales_i+\beta_4Ingles_i+\varepsilon_i. \]
Cada coeficiente representa el cambio esperado en matemáticas asociado con un punto adicional en el predictor correspondiente, manteniendo constantes los otros tres puntajes.
f_base <- PUNT_MATEMATICAS ~ PUNT_LECTURA_CRITICA +
PUNT_C_NATURALES + PUNT_SOCIALES_CIUDADANAS + PUNT_INGLES
m_lineal <- lm(f_base, data=datos)
# Especificación flexible: agrega curvatura individual a los predictores.
m_cuadratico <- lm(
PUNT_MATEMATICAS ~
PUNT_LECTURA_CRITICA + I(PUNT_LECTURA_CRITICA^2) +
PUNT_C_NATURALES + I(PUNT_C_NATURALES^2) +
PUNT_SOCIALES_CIUDADANAS + I(PUNT_SOCIALES_CIUDADANAS^2) +
PUNT_INGLES + I(PUNT_INGLES^2),
data=datos
)
# Interacciones de primer orden: se consideran como alternativa exploratoria.
m_interacciones <- lm(
PUNT_MATEMATICAS ~
(PUNT_LECTURA_CRITICA + PUNT_C_NATURALES +
PUNT_SOCIALES_CIUDADANAS + PUNT_INGLES)^2,
data=datos
)
Se comparan tres especificaciones con distinta complejidad: lineal aditiva, cuadrática e interacciones de dos vías. Los modelos más complejos no son automáticamente mejores: pueden ajustar ruido y perder capacidad de generalización. Para evitar seleccionar únicamente por ajuste dentro de la muestra, se complementan los criterios de información con validación cruzada.
lista_modelos <- list("Lineal aditivo"=m_lineal,
"Cuadrático"=m_cuadratico,
"Interacciones"=m_interacciones)
tabla_comparacion <- purrr::imap_dfr(lista_modelos, function(mod,nombre) {
tibble::tibble(
Modelo=nombre,
R2=summary(mod)$r.squared,
R2_ajustado=summary(mod)$adj.r.squared,
AIC=AIC(mod), BIC=BIC(mod),
RMSE_entrenamiento=sqrt(mean(residuals(mod)^2)),
Numero_parametros=length(coef(mod))
)
})
knitr::kable(tabla_comparacion, digits=4,
caption="Comparación de especificaciones en la muestra completa")
| Modelo | R2 | R2_ajustado | AIC | BIC | RMSE_entrenamiento | Numero_parametros |
|---|---|---|---|---|---|---|
| Lineal aditivo | 0.6883 | 0.6882 | 132590.9 | 132638.4 | 6.6561 | 5 |
| Cuadrático | 0.6897 | 0.6896 | 132505.2 | 132584.2 | 6.6405 | 9 |
| Interacciones | 0.6894 | 0.6892 | 132534.2 | 132629.0 | 6.6447 | 11 |
Un mayor R² ajustado y menores AIC/BIC favorecen el ajuste penalizando parcialmente la complejidad. El RMSE de entrenamiento mide el error dentro de los mismos datos usados para estimar el modelo y suele ser optimista; por eso no debe usarse solo para elegir.
set.seed(2026)
K <- 5
fold <- sample(rep(1:K, length.out=nrow(datos)))
cv_rmse <- function(formula, data, fold_id) {
errores <- numeric(K)
for(k in seq_len(K)) {
train <- data[fold_id != k, , drop=FALSE]
test <- data[fold_id == k, , drop=FALSE]
mod <- lm(formula, data=train)
pred <- predict(mod, newdata=test)
errores[k] <- sqrt(mean((test$PUNT_MATEMATICAS-pred)^2))
}
mean(errores)
}
formulas <- list(
"Lineal aditivo"=formula(m_lineal),
"Cuadrático"=formula(m_cuadratico),
"Interacciones"=formula(m_interacciones)
)
tabla_cv <- purrr::imap_dfr(formulas, function(f,nombre) {
tibble::tibble(Modelo=nombre, RMSE_CV_5= cv_rmse(f,datos,fold))
})
comparacion_final <- dplyr::left_join(tabla_comparacion,tabla_cv,by="Modelo") |>
dplyr::arrange(RMSE_CV_5)
knitr::kable(comparacion_final,digits=4,
caption="Comparación conjunta: ajuste y error de validación cruzada")
| Modelo | R2 | R2_ajustado | AIC | BIC | RMSE_entrenamiento | Numero_parametros | RMSE_CV_5 |
|---|---|---|---|---|---|---|---|
| Cuadrático | 0.6897 | 0.6896 | 132505.2 | 132584.2 | 6.6405 | 9 | 6.6444 |
| Interacciones | 0.6894 | 0.6892 | 132534.2 | 132629.0 | 6.6447 | 11 | 6.6516 |
| Lineal aditivo | 0.6883 | 0.6882 | 132590.9 | 132638.4 | 6.6561 | 5 | 6.6572 |
La validación cruzada separa repetidamente observaciones para estimar el error de predicción fuera de muestra. Se considera el RMSE de validación cruzada como criterio central de capacidad predictiva, junto con parsimonia e interpretabilidad. La selección no se basa en una única métrica.
nombre_elegido <- comparacion_final$Modelo[1]
modelo <- lista_modelos[[nombre_elegido]]
cat("Modelo seleccionado por menor RMSE promedio de validación cruzada:", nombre_elegido)
## Modelo seleccionado por menor RMSE promedio de validación cruzada: Cuadrático
El modelo elegido por este procedimiento se utiliza en los apartados siguientes. Si dos modelos tienen errores de validación muy parecidos, se prefiere el más sencillo por facilidad de interpretación.
summary(modelo)
##
## Call:
## lm(formula = PUNT_MATEMATICAS ~ PUNT_LECTURA_CRITICA + I(PUNT_LECTURA_CRITICA^2) +
## PUNT_C_NATURALES + I(PUNT_C_NATURALES^2) + PUNT_SOCIALES_CIUDADANAS +
## I(PUNT_SOCIALES_CIUDADANAS^2) + PUNT_INGLES + I(PUNT_INGLES^2),
## data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -39.912 -4.249 0.146 4.429 29.804
##
## Coefficients:
## Estimate Std. Error t value
## (Intercept) -0.6568227 0.9791697 -0.671
## PUNT_LECTURA_CRITICA 0.4773001 0.0417210 11.440
## I(PUNT_LECTURA_CRITICA^2) -0.0024109 0.0004048 -5.956
## PUNT_C_NATURALES 0.2518498 0.0391077 6.440
## I(PUNT_C_NATURALES^2) 0.0027199 0.0003980 6.834
## PUNT_SOCIALES_CIUDADANAS 0.1211619 0.0322062 3.762
## I(PUNT_SOCIALES_CIUDADANAS^2) -0.0001552 0.0003368 -0.461
## PUNT_INGLES 0.2547514 0.0248863 10.237
## I(PUNT_INGLES^2) -0.0012363 0.0002391 -5.171
## Pr(>|t|)
## (Intercept) 0.502358
## PUNT_LECTURA_CRITICA < 0.0000000000000002 ***
## I(PUNT_LECTURA_CRITICA^2) 0.00000000263341 ***
## PUNT_C_NATURALES 0.00000000012227 ***
## I(PUNT_C_NATURALES^2) 0.00000000000848 ***
## PUNT_SOCIALES_CIUDADANAS 0.000169 ***
## I(PUNT_SOCIALES_CIUDADANAS^2) 0.644994
## PUNT_INGLES < 0.0000000000000002 ***
## I(PUNT_INGLES^2) 0.00000023518782 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.642 on 19991 degrees of freedom
## Multiple R-squared: 0.6897, Adjusted R-squared: 0.6896
## F-statistic: 5555 on 8 and 19991 DF, p-value: < 0.00000000000000022
b <- coef(modelo)
terminos <- paste(sprintf("%+.5f(%s)", b[-1], names(b)[-1]), collapse=" ")
cat(sprintf("Matemáticas estimado = %.5f %s", b[1], terminos))
## Matemáticas estimado = -0.65682 +0.47730(PUNT_LECTURA_CRITICA) -0.00241(I(PUNT_LECTURA_CRITICA^2)) +0.25185(PUNT_C_NATURALES) +0.00272(I(PUNT_C_NATURALES^2)) +0.12116(PUNT_SOCIALES_CIUDADANAS) -0.00016(I(PUNT_SOCIALES_CIUDADANAS^2)) +0.25475(PUNT_INGLES) -0.00124(I(PUNT_INGLES^2))
En el modelo lineal aditivo, cada pendiente es una asociación parcial expresada en puntos de matemáticas por cada punto adicional del predictor, manteniendo los otros resultados constantes. Si el modelo seleccionado incluye cuadrados o interacciones, la pendiente depende del nivel de las variables y no debe interpretarse como un efecto constante.
V_HC3 <- sandwich::vcovHC(modelo,type="HC3")
ct <- lmtest::coeftest(modelo,vcov.=V_HC3)
crit <- qt(.975,df.residual(modelo))
tabla_hc3 <- data.frame(
Termino=rownames(ct),
Estimacion=ct[,1],
Error_estandar_HC3=ct[,2],
t=ct[,3],
Valor_p_HC3=ct[,4],
IC95_inf=ct[,1]-crit*ct[,2],
IC95_sup=ct[,1]+crit*ct[,2],
row.names=NULL
)
knitr::kable(tabla_hc3,digits=5,
caption="Coeficientes con errores estándar robustos HC3")
| Termino | Estimacion | Error_estandar_HC3 | t | Valor_p_HC3 | IC95_inf | IC95_sup |
|---|---|---|---|---|---|---|
| (Intercept) | -0.65682 | 1.06431 | -0.61714 | 0.53715 | -2.74295 | 1.42930 |
| PUNT_LECTURA_CRITICA | 0.47730 | 0.04690 | 10.17631 | 0.00000 | 0.38537 | 0.56923 |
| I(PUNT_LECTURA_CRITICA^2) | -0.00241 | 0.00045 | -5.37587 | 0.00000 | -0.00329 | -0.00153 |
| PUNT_C_NATURALES | 0.25185 | 0.05112 | 4.92677 | 0.00000 | 0.15165 | 0.35205 |
| I(PUNT_C_NATURALES^2) | 0.00272 | 0.00053 | 5.12529 | 0.00000 | 0.00168 | 0.00376 |
| PUNT_SOCIALES_CIUDADANAS | 0.12116 | 0.03643 | 3.32570 | 0.00088 | 0.04975 | 0.19257 |
| I(PUNT_SOCIALES_CIUDADANAS^2) | -0.00016 | 0.00038 | -0.40569 | 0.68498 | -0.00090 | 0.00059 |
| PUNT_INGLES | 0.25475 | 0.02594 | 9.82059 | 0.00000 | 0.20391 | 0.30560 |
| I(PUNT_INGLES^2) | -0.00124 | 0.00024 | -5.06526 | 0.00000 | -0.00171 | -0.00076 |
Los errores estándar HC3 ofrecen inferencia más robusta ante heterocedasticidad. No cambian los coeficientes estimados, pero sí pueden cambiar los errores estándar, estadísticos t, valores p e intervalos. Un valor p pequeño indica evidencia contra un coeficiente nulo bajo el modelo; no demuestra causalidad ni importancia práctica.
Para el modelo lineal aditivo se estiman coeficientes estandarizados, que expresan el cambio en desviaciones estándar de matemáticas asociado con una desviación estándar del predictor. Esta comparación es descriptiva y no sustituye el análisis de incertidumbre.
modelo_std <- lm(
scale(PUNT_MATEMATICAS) ~ scale(PUNT_LECTURA_CRITICA) +
scale(PUNT_C_NATURALES) + scale(PUNT_SOCIALES_CIUDADANAS) +
scale(PUNT_INGLES),
data=datos
)
tabla_std <- broom::tidy(modelo_std)
knitr::kable(tabla_std,digits=4,
caption="Coeficientes estandarizados del modelo lineal aditivo")
| term | estimate | std.error | statistic | p.value |
|---|---|---|---|---|
| (Intercept) | 0.0000 | 0.0039 | 0.0000 | 1 |
| scale(PUNT_LECTURA_CRITICA) | 0.2070 | 0.0071 | 29.2457 | 0 |
| scale(PUNT_C_NATURALES) | 0.4639 | 0.0070 | 66.3943 | 0 |
| scale(PUNT_SOCIALES_CIUDADANAS) | 0.1060 | 0.0074 | 14.3581 | 0 |
| scale(PUNT_INGLES) | 0.1346 | 0.0061 | 22.1934 | 0 |
Los coeficientes estandarizados permiten comparar magnitudes en una escala común. Su tamaño no debe interpretarse como porcentaje de explicación ni como evidencia causal. Se reportan para el modelo lineal aditivo, incluso si la comparación predictiva selecciona otra especificación.
sm <- summary(modelo)
tabla_ajuste <- data.frame(
Indicador=c("R²","R² ajustado","Error estándar residual",
"Observaciones","Estadístico F","Valor p de F"),
Valor=c(sm$r.squared,sm$adj.r.squared,sigma(modelo),
nobs(modelo),unname(sm$fstatistic[1]),
pf(sm$fstatistic[1],sm$fstatistic[2],sm$fstatistic[3],
lower.tail=FALSE))
)
knitr::kable(tabla_ajuste,digits=6,caption="Indicadores globales del modelo seleccionado")
| Indicador | Valor |
|---|---|
| R² | 0.689744 |
| R² ajustado | 0.689620 |
| Error estándar residual | 6.642014 |
| Observaciones | 20000.000000 |
| Estadístico F | 5555.352712 |
| Valor p de F | 0.000000 |
La prueba F global contrasta que todas las pendientes (excepto el intercepto) sean simultáneamente cero. Un valor p pequeño indica que el modelo aporta información lineal en conjunto. R² representa la proporción de variabilidad muestral explicada, no la proporción causada por los predictores.
knitr::kable(as.data.frame(anova(modelo)),digits=5,
caption="Tabla ANOVA del modelo seleccionado")
| Df | Sum Sq | Mean Sq | F value | Pr(>F) | |
|---|---|---|---|---|---|
| PUNT_LECTURA_CRITICA | 1 | 1510209.85873 | 1510209.85873 | 34232.42598 | 0.00000 |
| I(PUNT_LECTURA_CRITICA^2) | 1 | 5110.28445 | 5110.28445 | 115.83651 | 0.00000 |
| PUNT_C_NATURALES | 1 | 404649.26233 | 404649.26233 | 9172.31856 | 0.00000 |
| I(PUNT_C_NATURALES^2) | 1 | 3321.66493 | 3321.66493 | 75.29328 | 0.00000 |
| PUNT_SOCIALES_CIUDADANAS | 1 | 14198.81149 | 14198.81149 | 321.84915 | 0.00000 |
| I(PUNT_SOCIALES_CIUDADANAS^2) | 1 | 2.07488 | 2.07488 | 0.04703 | 0.82831 |
| PUNT_INGLES | 1 | 21983.74254 | 21983.74254 | 498.31276 | 0.00000 |
| I(PUNT_INGLES^2) | 1 | 1179.60190 | 1179.60190 | 26.73843 | 0.00000 |
| Residuals | 19991 | 881930.05373 | 44.11636 | NA | NA |
En modelos con varios términos, el ANOVA secuencial depende del orden en que se incorporan los términos. Para contrastes conjuntos de bloques o términos, se deben especificar hipótesis apropiadas; no se debe interpretar cada fila como una prueba independiente del aporte único de una variable sin considerar ese orden.
Se construye un perfil representativo con los valores promedio de las cuatro competencias. Las predicciones son ilustrativas y se mantienen dentro de la escala de los datos observados.
perfil <- datos |>
dplyr::summarise(dplyr::across(
c(PUNT_LECTURA_CRITICA,PUNT_C_NATURALES,
PUNT_SOCIALES_CIUDADANAS,PUNT_INGLES),mean
))
pred_media <- predict(modelo,newdata=perfil,interval="confidence",level=.95)
pred_ind <- predict(modelo,newdata=perfil,interval="prediction",level=.95)
knitr::kable(
data.frame(
Tipo=c("Media esperada","Observación individual"),
Estimacion=c(pred_media[1,"fit"],pred_ind[1,"fit"]),
Inferior=c(pred_media[1,"lwr"],pred_ind[1,"lwr"]),
Superior=c(pred_media[1,"upr"],pred_ind[1,"upr"])
),digits=3,caption="Predicción para el perfil promedio: intervalos del 95 %"
)
| Tipo | Estimacion | Inferior | Superior |
|---|---|---|---|
| Media esperada | 50.981 | 50.850 | 51.112 |
| Observación individual | 50.981 | 37.962 | 64.001 |
El intervalo de confianza se refiere al puntaje medio esperado para estudiantes con ese perfil. El intervalo de predicción es más amplio porque se refiere a un resultado individual e incorpora la variabilidad residual.
Los diagnósticos se realizan sobre el modelo seleccionado. En muestras muy grandes, las pruebas formales pueden detectar desviaciones pequeñas; por eso se interpretan junto con los gráficos y el diseño de los datos.
par(mfrow=c(2,2))
plot(modelo,which=1)
plot(modelo,which=2)
plot(modelo,which=3)
plot(modelo,which=5)
par(mfrow=c(1,1))
reset <- lmtest::resettest(modelo,power=2:3,type="fitted")
reset
##
## RESET test
##
## data: modelo
## RESET = 81.17, df1 = 2, df2 = 19989, p-value < 0.00000000000000022
La prueba RESET evalúa si términos no incluidos podrían mejorar la especificación. Un valor p pequeño sugiere revisar la forma funcional; no indica por sí solo qué transformación o variable debe añadirse. Si el modelo elegido incluye términos cuadráticos o interacciones, esta prueba se interpreta como diagnóstico general y no como veredicto automático.
bp <- lmtest::bptest(modelo)
bp
##
## studentized Breusch-Pagan test
##
## data: modelo
## BP = 95.194, df = 8, p-value < 0.00000000000000022
La hipótesis nula de Breusch-Pagan es varianza constante. Un valor p inferior al nivel de significancia elegido aporta evidencia de heterocedasticidad. En ese caso se reporta la inferencia HC3, sin afirmar que la heterocedasticidad desapareció.
res <- residuals(modelo)
set.seed(2026)
res_shapiro <- sample(res,size=min(5000,length(res)))
shapiro <- shapiro.test(res_shapiro)
shapiro
##
## Shapiro-Wilk normality test
##
## data: res_shapiro
## W = 0.99643, p-value = 0.000000001324
ggplot2::ggplot(data.frame(Residuo=res),ggplot2::aes(Residuo)) +
ggplot2::geom_histogram(aes(y=after_stat(density)),bins=40,
fill="#6C91A5",color="white") +
ggplot2::stat_function(fun=dnorm,
args=list(mean=mean(res),sd=sd(res)),color="#B24B4B",linewidth=1) +
ggplot2::labs(title="Distribución de los residuos",
x="Residuo",y="Densidad") +
ggplot2::theme_minimal()
La prueba Shapiro-Wilk se calcula en una submuestra de hasta 5.000 residuos porque R limita el tamaño admitido. Un valor p pequeño indica desviación de normalidad; con tamaños grandes la prueba puede ser muy sensible. La inspección del Q-Q y del histograma complementa la decisión. La normalidad no es necesaria para calcular los estimadores MCO, aunque afecta la inferencia clásica exacta en muestras pequeñas.
dw <- lmtest::dwtest(modelo)
dw
##
## Durbin-Watson test
##
## data: modelo
## DW = 1.9867, p-value = 0.1733
## alternative hypothesis: true autocorrelation is greater than 0
Durbin-Watson evalúa autocorrelación de primer orden según el orden de las filas. Como los registros de estudiantes no son necesariamente una serie temporal, el resultado no demuestra independencia estadística. Si existen estudiantes agrupados por institución, sede o salón, podría haber correlación intragrupo; para evaluarla se necesitaría disponer de identificadores de conglomerado y utilizar métodos adecuados, como errores estándar agrupados o modelos multinivel.
v <- car::vif(m_lineal)
knitr::kable(data.frame(Variable=names(v),VIF=as.numeric(v)),
digits=3,caption="VIF del modelo lineal aditivo")
| Variable | VIF |
|---|---|
| PUNT_LECTURA_CRITICA | 3.213 |
| PUNT_C_NATURALES | 3.131 |
| PUNT_SOCIALES_CIUDADANAS | 3.498 |
| PUNT_INGLES | 2.359 |
El VIF cuantifica cuánto se infla la varianza de un coeficiente por la relación lineal entre predictores. Valores elevados alertan sobre dificultad para separar sus asociaciones parciales. Como orientación, valores mayores que 5 ameritan revisión y mayores que 10 pueden ser preocupantes; no son umbrales universales. Se calcula sobre el modelo lineal aditivo para facilitar la interpretación.
infl <- broom::augment(modelo) |>
dplyr::mutate(Fila=dplyr::row_number(),
Cook= .cooksd,
Leverage=.hat,
Residuo_estandarizado=.std.resid)
umbral_cook <- 4/nrow(datos)
influyentes <- infl |>
dplyr::filter(Cook > umbral_cook) |>
dplyr::arrange(dplyr::desc(Cook)) |>
dplyr::select(Fila,Cook,Leverage,Residuo_estandarizado)
knitr::kable(head(influyentes,15),digits=4,
caption="Hasta 15 observaciones con distancia de Cook superior a 4/n")
| Fila | Cook | Leverage | Residuo_estandarizado |
|---|---|---|---|
| 14639 | 0.0266 | 0.0229 | -3.1968 |
| 14974 | 0.0245 | 0.0223 | -3.1078 |
| 5764 | 0.0216 | 0.0246 | -2.7774 |
| 16122 | 0.0191 | 0.0202 | -2.8905 |
| 15402 | 0.0188 | 0.0230 | -2.6835 |
| 15932 | 0.0160 | 0.0152 | 3.0531 |
| 10893 | 0.0152 | 0.0158 | 2.9176 |
| 15609 | 0.0145 | 0.0245 | 2.2776 |
| 5512 | 0.0099 | 0.0127 | -2.6334 |
| 6526 | 0.0094 | 0.0172 | -2.2039 |
| 17189 | 0.0077 | 0.0210 | 1.7984 |
| 12556 | 0.0062 | 0.0249 | 1.4758 |
| 9321 | 0.0060 | 0.0205 | -1.6056 |
| 17325 | 0.0043 | 0.0087 | 2.0912 |
| 1057 | 0.0040 | 0.0220 | 1.2595 |
ggplot2::ggplot(infl,ggplot2::aes(Fila,Cook)) +
ggplot2::geom_point(alpha=.45) +
ggplot2::geom_hline(yintercept=umbral_cook,linetype="dashed",color="red") +
ggplot2::labs(title="Distancia de Cook por observación",
x="Fila en la muestra analítica",y="Distancia de Cook") +
ggplot2::theme_minimal()
El umbral 4/n es una regla exploratoria, no una orden de eliminar datos. Los casos señalados deben verificarse y analizarse; pueden ser observaciones válidas que contienen información importante.
graf <- data.frame(
Observado=datos$PUNT_MATEMATICAS,
Predicho=as.numeric(predict(modelo,newdata=datos))
)
ggplot2::ggplot(graf,ggplot2::aes(Observado,Predicho)) +
ggplot2::geom_point(alpha=.25,color="#37677D") +
ggplot2::geom_abline(slope=1,intercept=0,
linetype="dashed",color="#B24B4B") +
ggplot2::labs(title="Puntajes observados frente a puntajes estimados",
x="Matemáticas observado",y="Matemáticas estimado") +
ggplot2::theme_minimal()
Los puntos próximos a la diagonal representan predicciones cercanas a los valores observados. La dispersión alrededor de la diagonal muestra el error de predicción. Este gráfico es descriptivo y se calcula sobre la muestra de ajuste; la validación cruzada ofrece una evaluación más honesta del desempeño fuera de muestra.
La regresión múltiple permite analizar simultáneamente competencias que pueden estar relacionadas entre sí. Por ello, la pendiente de cada predictor describe una asociación parcial condicionada a los demás resultados, no una relación aislada. La comparación de especificaciones y la validación cruzada ayudan a decidir si añadir curvatura o interacciones mejora realmente la predicción.
El rendimiento académico también puede depender de variables que no están incluidas en la base analítica, como condiciones socioeconómicas, contexto familiar, recursos escolares, características del establecimiento y trayectoria educativa. La omisión de estos factores limita la interpretación. Además, si los estudiantes pertenecen a instituciones comunes, la estructura agrupada puede requerir métodos distintos de una regresión ordinaria.
cat(sprintf(
"**Periodo analizado:** %s. \n**Tamaño de muestra:** %s estudiantes. \n**Modelo seleccionado:** %s. \n**R²:** %.4f. \n**R² ajustado:** %.4f. \n**RMSE de validación cruzada:** %.4f puntos.",
PERIODO_ELEGIDO, format(nrow(datos),big.mark="."),
nombre_elegido, summary(modelo)$r.squared,
summary(modelo)$adj.r.squared,
comparacion_final$RMSE_CV_5[1]
))
Periodo analizado: 20194.
Tamaño de muestra: 20.000 estudiantes.
Modelo seleccionado: Cuadrático.
R²: 0.6897.
R² ajustado: 0.6896.
RMSE de validación cruzada: 6.6444 puntos.
A partir de los resultados calculados, el equipo debe destacar:
Conclusión metodológica: el modelo identifica asociaciones estadísticas y puede apoyar la predicción dentro de condiciones similares a las de la muestra. No demuestra que modificar una competencia produzca causalmente un cambio en matemáticas.