1 Resumen ejecutivo

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.

2 1. Planteamiento del problema

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?

2.1 1.1 Objetivo general

Estimar y evaluar un modelo de regresión lineal múltiple para estudiar la asociación entre cuatro competencias de Saber 11 y el puntaje de matemáticas.

2.2 1.2 Objetivos específicos

  • Describir la distribución de las variables y sus relaciones bivariadas.
  • Estimar e interpretar los coeficientes parciales del modelo.
  • Comparar especificaciones alternativas mediante criterios de ajuste y validación cruzada.
  • Evaluar la significancia global e individual y construir intervalos de confianza.
  • Diagnosticar linealidad, independencia, homocedasticidad, normalidad, multicolinealidad e influencia.
  • Comunicar las limitaciones de los resultados y evitar interpretaciones causales no justificadas.

3 2. Datos, variables y preparación

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.

3.1 2.1 Paquetes e importación

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"
)
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.

4 3. Exploración de los datos

4.1 3.1 Estadísticos descriptivos

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")
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.

4.2 3.2 Distribuciones

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.

4.3 3.3 Correlaciones y dispersión entre competencias

mat_cor <- cor(datos, use="complete.obs")
knitr::kable(round(mat_cor,3), caption="Matriz de correlaciones de Pearson")
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.

5 4. Especificación y comparación de modelos

5.1 4.1 Modelo principal

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.

5.2 4.2 Comparación de ajuste dentro de muestra

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")
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.

5.3 4.3 Validación cruzada de 5 particiones

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")
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.

6 5. Resultados del modelo seleccionado

6.1 5.1 Resumen y ecuación estimada

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.

6.2 5.2 Coeficientes e inferencia robusta HC3

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")
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.

6.3 5.3 Coeficientes estandarizados

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")
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.

6.4 5.4 Ajuste global: R², error residual y ANOVA

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")
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")
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.

7 6. Predicción e intervalos

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 %"
)
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.

8 7. Diagnóstico y evaluación de supuestos

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.

8.1 7.1 Gráficos diagnósticos clásicos

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))
  • Residuos vs. ajustados: busca curvatura o patrones sistemáticos.
  • Q-Q: compara cuantiles de residuos con cuantiles normales.
  • Escala-ubicación: ayuda a detectar cambios en la dispersión.
  • Residuos vs. leverage: permite identificar observaciones potencialmente influyentes.

8.2 7.2 Linealidad y especificación

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.

8.3 7.3 Homocedasticidad

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.

8.4 7.4 Normalidad de los residuos

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.

8.5 7.5 Independencia y estructura de los datos

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.

8.6 7.6 Multicolinealidad

v <- car::vif(m_lineal)
knitr::kable(data.frame(Variable=names(v),VIF=as.numeric(v)),
             digits=3,caption="VIF del modelo lineal aditivo")
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.

8.7 7.7 Observaciones influyentes

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")
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.

9 8. Visualización de valores observados y predichos

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.

10 9. Discusión

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.

11 10. Conclusiones automáticas y conclusiones sustantivas

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:

  1. Qué especificación obtuvo el menor error promedio de validación cruzada y si la mejora justifica su complejidad.
  2. Qué proporción de la variabilidad de matemáticas explica el modelo seleccionado.
  3. Qué predictores muestran evidencia de asociación parcial y cuál es la magnitud de sus coeficientes.
  4. Qué supuestos presentan evidencia de incumplimiento y cómo afectan la interpretación.
  5. Qué factores no observados y qué características del diseño limitan el alcance de las conclusiones.

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.

12 11. Referencias

  • Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to Linear Regression Analysis (5th ed.). Wiley.
  • James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in R (2nd ed.). Springer.
  • R Core Team. R: A language and environment for statistical computing. https://www.R-project.org/
  • Base de datos suministrada para el taller: Datos Modelo de Regresion Lineal Multiple.xlsx.

13 Lista de verificación antes de entregar

  • Confirmar con la guía del profesor que el periodo elegido es el correcto.
  • Ejecutar el archivo completo desde el principio en RStudio.
  • Revisar que el modelo elegido por validación cruzada tenga sentido estadístico y sustantivo.
  • No afirmar que se cumplen los supuestos si los gráficos o pruebas muestran evidencia contraria.
  • Verificar que las conclusiones describan los resultados reales generados.
  • Publicar el HTML en RPubs desde la cuenta del equipo, si esa es la modalidad solicitada.