OLS Regression: 14 Solved Exercises and Formulas

Empieza por los datos y una notación coherente

La regresión lineal simple utiliza un predictor, X, y una respuesta, Y. En econometría, la expresión «modelo de dos variables» suele referirse a esas dos variables, y no a dos predictores. Por lo tanto, el modelo sigue estimando una sola pendiente y un solo intercepto.

Aquí, β representa un parámetro poblacional desconocido, mientras que b representa su estimación muestral. Asimismo, u es la perturbación poblacional no observada, mientras que e = Y − Ŷ es un residuo calculado. Separar estos símbolos evita un error habitual: tratar un residuo del ajuste como si fuera el verdadero error.

El primer conjunto de datos no identifica unidades de medida ni una población del mundo real. En consecuencia, todas las interpretaciones siguientes se refieren a unidades genéricas de X e Y. Añadir etiquetas de ingresos, precios o gastos supondría inventar información que la fuente no proporciona.

Calcula las tres sumas centradas

Primero, calcula las medias: X̄ = 50/10 = 5 y Ȳ = 440/10 = 44. Después, elimina la contribución de esas medias de las sumas originales. Así obtienes las cantidades que sustentan casi todos los resultados de esta guía.

En este artículo, SSE representa la suma de cuadrados de los residuos, SSR representa la suma de cuadrados explicada por la regresión y SST representa la suma total de cuadrados centrados. Sin embargo, algunos libros utilizan SSR para referirse a la «suma de cuadrados de los residuos». Lee siempre la definición antes de copiar una fórmula.

Ejercicio 6.31: examina el diagrama de dispersión

Representa X en el eje horizontal e Y en el vertical. Los puntos muestran una asociación ascendente: las observaciones con mayor X suelen tener mayor Y. Por ejemplo, la observación con X = 2 tiene Y = 20, mientras que las dos observaciones con X = 7 tienen valores de Y de 54 y 65.

Una recta ofrece un primer resumen razonable. No obstante, el diagrama de dispersión por sí solo no demuestra linealidad, varianza constante, errores independientes ni un mecanismo causal. Con solo diez observaciones, puede resultar difícil detectar desviaciones sutiles.

Respuesta: La relación parece aproximadamente lineal y positiva. Además, los valores repetidos de X muestran una dispersión vertical relevante, por lo que un ajuste perfecto representaría incorrectamente los datos.

Ejercicio 6.32: establece los supuestos clásicos de regresión

El marco clásico plantea supuestos sobre el proceso poblacional, no solo sobre la recta trazada a través de la muestra. En particular, una formulación útil condiciona en los valores observados del predictor. Esto separa los supuestos necesarios para la insesgadez de aquellos que permiten una estimación eficiente y una inferencia exacta.

La normalidad no es necesaria para el resultado de eficiencia de Gauss–Markov. En cambio, permite la inferencia exacta habitual en muestras pequeñas cuando se combina con las demás condiciones. Asimismo, la correlación cero entre X y u, por sí sola, no garantiza en general el supuesto de media condicional cero.

La página proporcionada presenta un conjunto compacto de condiciones de momentos y normalidad. Para el uso práctico, la formulación condicional anterior hace más explícitas las afirmaciones estadísticas. Además, ningún diagrama de dispersión verifica la exogeneidad: esa evaluación requiere información sobre el muestreo, la medición y el mecanismo que generó los datos.

Referencia metodológica: Penn State, supuestos del modelo de regresión lineal simple.

Ejercicio 6.33: deriva las fórmulas de regresión OLS

Los mínimos cuadrados ordinarios eligen la recta que minimiza la suma de cuadrados de los residuos verticales. Elevar al cuadrado impide que las discrepancias positivas y negativas se cancelen. Además, la pérdida cuadrática concede mayor influencia a las discrepancias grandes en la función objetivo.

Iguala las dos derivadas a cero

Derivar Q respecto al intercepto y la pendiente produce dos ecuaciones normales. Por lo tanto, los residuos del ajuste suman cero y tienen producto interno muestral cero con X cuando el modelo incluye un intercepto.

Resolver este par de ecuaciones proporciona las fórmulas conocidas de la pendiente y el intercepto. Como Sxx es positivo en este caso, la función objetivo cuadrática tiene un mínimo único. Así, las ecuaciones normales identifican la única recta OLS para estas observaciones.

Referencia metodológica: NIST/SEMATECH, mínimos cuadrados.

Ejercicio 6.34: calcula la ecuación ajustada

Sustituye las sumas centradas en la fórmula de la pendiente. Después, utiliza las medias muestrales para obtener el intercepto. Conservar toda la precisión hasta la presentación final mantiene la coherencia de los residuos, contrastes e intervalos posteriores.

Por ejemplo, X = 6 produce Ŷ = 49.9444. El valor observado para ese X es 43, por lo que el modelo sobreestima esa observación en 6.9444 unidades. En cambio, en la observación 6, X = 5 e Y = 52, lo que sitúa la observación ocho unidades por encima de la recta ajustada.

La expresión abreviada Ŷ = 14.28 + 5.94X facilita la lectura. Sin embargo, no debe sustituir los coeficientes sin redondear dentro de un programa de cálculo. Redondear cada resultado intermedio puede generar una cadena de pequeñas discrepancias.

Ejercicio 6.35: verifica el punto de las medias y calcula los residuos

Una recta OLS con intercepto pasa por el par de medias muestrales. Sustituir X̄ en la ecuación ajustada demuestra el motivo. En este ejemplo, la recta exacta pasa por (5, 44).

La ecuación redondeada da 14.28 + 5.94 × 5 = 43.98. Por lo tanto, la diferencia de 0.02 refleja el redondeo, y no un fallo de OLS. Esta identidad sencilla permite comprobar los resultados cuando los coeficientes proceden de fuentes diferentes.

Estas identidades muestrales se derivan de la minimización. Sin embargo, no demuestran que la perturbación poblacional tenga media cero condicional en X. En particular, una regresión mal especificada puede satisfacer perfectamente ambas identidades.

Ejercicio 6.36: interpreta los coeficientes y la elasticidad

Qué significa el intercepto

El intercepto predice Y = 14.2778 cuando X = 0. Sin embargo, el rango observado de X va de 2 a 8. En consecuencia, el intercepto describe una extrapolación fuera de la muestra, y no un nivel de referencia observado.

Qué significa la pendiente

Un aumento de una unidad en X corresponde a un incremento de 5.9444 unidades en el Y ajustado. Se trata de un cambio en unidades, no de un cambio porcentual. Además, una asociación observacional no revela qué ocurriría si una intervención obligara a X a cambiar.

Elasticidad en las medias

En una relación lineal ajustada, la elasticidad puntual equivale a la pendiente multiplicada por X/Ŷ. En las medias muestrales, la respuesta ajustada coincide con Ȳ, lo que simplifica el cálculo. Así, la elasticidad en (5, 44) es aproximadamente 0.676.

Cerca de las medias, un aumento del 1% en X corresponde a un incremento aproximado del 0.676% en el Y ajustado. En cambio, la pendiente permanece en 5.9444 para cualquier valor de X. La elasticidad varía a lo largo de esta recta porque cambia la razón X/Ŷ.

Ejercicio 6.37: estima la varianza del error y los errores estándar

La suma de cuadrados de los residuos mide la desviación cuadrática total no explicada. Como el modelo estima dos coeficientes, los grados de libertad residuales son 10 − 2 = 8. Por lo tanto, el estimador insesgado habitual de la varianza común del error divide SSE entre ocho.

Observa las unidades: s² utiliza unidades de Y al cuadrado, mientras que s vuelve a la escala original de Y. Además, los errores estándar de los coeficientes miden la incertidumbre sobre los parámetros estimados, no la dispersión de las respuestas individuales.

La página informa un s² cercano a 46.97 y una varianza del intercepto cercana a 37.31. Recalcular a partir de las observaciones mostradas produce las cifras anteriores. Aunque estas pequeñas diferencias no cambian las conclusiones, un artículo verificable debe distinguir sus valores recalculados de las respuestas impresas.

Referencia metodológica: NIST, desviación estándar residual y grados de libertad.

Ejercicio 6.38: contrasta ambos coeficientes al nivel del 5%

Para cada coeficiente, contrasta la hipótesis nula bilateral de valor cero frente a una alternativa distinta de cero. Bajo los supuestos clásicos de errores normales, compara el estadístico con una distribución t de Student con ocho grados de libertad. El valor crítico bilateral del 5% es 2.3060.

Ambos coeficientes superan el umbral del 5%, pero la evidencia difiere considerablemente. En particular, el intercepto apenas supera ese límite, mientras que la pendiente también supera el umbral del 1%. Por lo tanto, describir ambos coeficientes simplemente como «significativos» oculta una distinción útil.

Un valor p no indica la probabilidad de que la hipótesis nula sea verdadera. En cambio, mide cuán incompatible es el estadístico observado con esa hipótesis bajo el modelo de muestreo supuesto. La relevancia práctica sigue dependiendo de la escala de la respuesta y de la decisión en cuestión.

Ejercicio 6.39: construye intervalos del 95% para los coeficientes

Utiliza los mismos errores estándar y el mismo valor crítico t para construir los intervalos de confianza. Así, las decisiones del intervalo y del contraste coinciden: un intervalo bilateral del 95% excluye cero exactamente cuando el contraste bilateral correspondiente rechaza al 5%.

El intervalo de la pendiente abarca asociaciones positivas de aproximadamente 3.31 a 8.58 unidades de Y por unidad de X. Mientras tanto, el amplio intervalo del intercepto refleja la incertidumbre en X = 0, fuera del rango observado. Esto hace que la pendiente sea más útil para describir la variación dentro de la muestra.

Un procedimiento de confianza del 95% captura el coeficiente poblacional fijo en el 95% de las muestras repetidas bajo sus supuestos. Sin embargo, el intervalo particular no asigna una probabilidad frecuentista del 95% al parámetro fijo. Tampoco describe el rango probable de un futuro valor individual de Y.

Ejercicio 6.40: calcula R² y la correlación de Pearson

La variación total centrada equivale a la variación explicada más la variación residual. En consecuencia, R² compara el modelo ajustado con la predicción Ȳ del modelo que solo incluye intercepto. Para estos datos, la recta reduce el error cuadrático dentro de la muestra aproximadamente un 77.19% respecto a esa referencia.

En la regresión OLS simple con intercepto, R² equivale a r². Además, el signo de r coincide con el signo de la pendiente estimada. Tomar únicamente la raíz cuadrada positiva de R² produciría el signo equivocado si la pendiente fuera negativa.

La cifra del 77.19% se refiere a la variación alrededor de la media muestral. No significa que el modelo prediga cada observación con un 77.19% de exactitud. Del mismo modo, no demuestra que X cause el 77.19% de Y.

Verifica el resultado mediante la tabla ANOVA

El estadístico F global equivale al cuadrado del estadístico t de la pendiente en este modelo con un predictor: 5.203287² = 27.074195. Por lo tanto, el contraste F y el contraste t bilateral de la pendiente producen el mismo valor p. Esta identidad ofrece otra comprobación independiente del resultado.

Ejercicio 6.41: calcula la correlación por rangos de Spearman

La correlación de Pearson utiliza los valores numéricos originales, mientras que la correlación de Spearman utiliza sus rangos. En consecuencia, Spearman mide la asociación monótona y no exige un patrón de línea recta. Aquí, ambas medidas indican una asociación positiva fuerte.

Sin embargo, X contiene empates en 3, 5 y 7. Asigna a cada par empatado su rango promedio antes de calcular la correlación de Pearson de los rangos. El atajo habitual basado en diferencias de rangos al cuadrado supone ausencia de empates y requiere cuidado en estos datos.

El resultado se redondea a 0.90, lo que coincide con la respuesta de la página. Curiosamente, aplicar el atajo sin empates a los rangos promediados produce exactamente 0.9000 en este caso. La coincidencia tras redondear oculta una pequeña diferencia metodológica, en lugar de validar el atajo en general.

Referencia metodológica: SciPy, correlación por rangos de Spearman.

Ejercicio 6.42: explica BLUE, insesgadez y consistencia

Bajo las condiciones de Gauss–Markov, OLS es el mejor estimador lineal insesgado, o BLUE por sus siglas en inglés. Cada palabra limita la afirmación. En particular, «mejor» significa varianza mínima dentro de la clase de estimadores lineales en las respuestas observadas e insesgados.

Para la pendiente, escribe explícitamente el error de estimación. Esta expresión muestra cómo la covarianza muestral entre el predictor y la perturbación determina la diferencia entre la estimación y el parámetro verdadero.

Las perturbaciones con media condicional cero hacen que la esperanza del término adicional sea cero. Además, las condiciones adecuadas para muestras grandes hacen que ese término converja a cero. Sin embargo, añadir observaciones no corrige automáticamente el sesgo por variables omitidas ni los problemas sistemáticos de medición.

Las respuestas breves del libro son afirmativas dentro del marco clásico previsto. Una respuesta más completa debe indicar esas condiciones, en vez de afirmar que OLS siempre tiene estas propiedades. Asimismo, la insesgadez por sí sola no garantiza consistencia sin restricciones adicionales sobre el comportamiento del estimador cuando crece la muestra.

Referencia metodológica: Duke University, Gauss–Markov y distribuciones predictivas.

Ejercicio 6.43: distingue tres significados de MSE

La expresión «error cuadrático medio» aparece en varios contextos de la regresión. Por desgracia, la misma abreviatura puede describir objetos diferentes. Separarlos evita una afirmación demasiado amplia sobre lo que OLS optimiza.

Para un estimador insesgado del coeficiente, el término de sesgo desaparece. Por lo tanto, MSE(b₀) = Var(b₀) y MSE(b₁) = Var(b₁), con la formulación condicional adecuada cuando X se considera fijo. Bajo Gauss–Markov, OLS minimiza este riesgo dentro de la clase lineal insesgada.

Sin embargo, OLS no minimiza universalmente el MSE de los coeficientes entre todos los estimadores posibles. Un estimador sesgado puede, en ocasiones, reducir la varianza lo suficiente para disminuir el MSE total. En consecuencia, la respuesta «sí» de la página necesita la salvedad de la clase lineal insesgada.

Para el primer conjunto de datos, el residuo cuadrático promedio de entrenamiento es 375.888889/10 = 37.588889. En cambio, el cuadrado medio residual es 46.986111 porque divide entre ocho. Ninguna de estas cifras es un error de predicción observado fuera de la muestra.

Ejercicio 6.44: regresa hijos tenidos sobre hijos deseados

La segunda tabla describe 12 parejas. Aquí, X registra el número de hijos deseados al casarse, mientras que Y registra el número de hijos que tuvieron. Por lo tanto, la regresión solicitada coloca los hijos tenidos en el lado izquierdo y los hijos deseados en el derecho.

Calcula las sumas centradas y los coeficientes

Los totales son ΣX = 24, ΣY = 30, ΣX² = 62, ΣY² = 102 y ΣXY = 76. Por lo tanto, X̄ = 2 e Ȳ = 2.5. Sustituir estas cifras produce el siguiente cálculo exacto.

Un aumento de un hijo en el tamaño familiar deseado corresponde a unos 1.143 hijos adicionales en el resultado ajustado. Sin embargo, esta pequeña muestra observacional no demuestra que las preferencias causaran la diferencia. La edad, la duración del matrimonio, las limitaciones de fertilidad, los ingresos y los cambios posteriores de preferencias podrían influir.

Calcula la incertidumbre y la bondad del ajuste

Con diez grados de libertad residuales, la pendiente difiere de cero tanto al 5% como al 1%. Mientras tanto, el intercepto no difiere significativamente de cero en ninguno de los dos niveles. Estos son los contrastes clásicos basados en el modelo que solicita el ejercicio, no una garantía de que un modelo con errores normales sea adecuado para una respuesta de conteo.

Por qué tiene sentido un número ajustado fraccionario de hijos

En X = 2, la recta predice 2.5 hijos. Una pareja concreta no puede tener medio hijo, pero una media condicional puede ser fraccionaria. Por lo tanto, un valor ajustado fraccionario no invalida por sí solo una regresión para una variable de conteo.

No obstante, los conteos tienen un soporte restringido y pueden presentar varianza no constante. Un análisis sustantivo podría considerar un modelo de conteo y evaluar el proceso de muestreo. Para este ejercicio, OLS sigue siendo un punto de partida descriptivo transparente.

Más allá de las respuestas: cinco ideas a partir de los mismos datos

Las siguientes extensiones conectan la aritmética con decisiones reales del analista. Cada resultado numérico que aparece a continuación procede de las observaciones proporcionadas, y no de una estadística llamativa sin relación. Esto aporta una contribución verificable más allá de una lista genérica de fórmulas.

1. Los valores repetidos de X permiten calcular la falta de ajuste

El primer conjunto contiene siete valores distintos de X. En X = 3, 5 y 7, hay dos respuestas para cada valor. En consecuencia, bajo el marco habitual de errores normales independientes y de igual varianza, podemos separar la variación residual dentro de los valores repetidos del predictor de la variación entre sus medias y la recta ajustada.

El valor p de la cola superior es aproximadamente 0.6596. Así, este contraste no detecta una desviación respecto a una media condicional recta. Sin embargo, tres grados de libertad de error puro aportan información limitada, por lo que un resultado no significativo no demuestra linealidad.

La interpretación también supone que las observaciones con el mismo X son extracciones independientes comparables de una misma distribución condicional de la respuesta. En datos observacionales, las diferencias no medidas pueden contribuir a su dispersión. Por lo tanto, los valores repetidos de X permiten un cálculo sin resolver todas las dudas sobre el diseño.

Referencia metodológica: NIST, contraste de falta de ajuste de la forma funcional con réplicas.

2. Una predicción precisa de la media puede coexistir con un intervalo individual amplio

En X = 5, la media condicional estimada es 44. Para cuantificar su incertidumbre, utiliza el intervalo de confianza de la respuesta media. En cambio, un intervalo de predicción para una nueva observación individual también debe incluir la perturbación de esa nueva observación.

El intervalo individual tiene aproximadamente 3.32 veces la amplitud del intervalo de la media en el centro de la muestra. En consecuencia, una pendiente estimada fuerte puede coexistir con una incertidumbre considerable sobre un resultado futuro individual. Las dos afirmaciones responden a preguntas diferentes.

Referencia metodológica: Penn State, estimación y predicción en regresión lineal simple.

3. Centrar X cambia el contraste del intercepto sin cambiar el ajuste

Define Z = X − 5. La misma relación ajustada pasa a ser Ŷ = 44 + 5.944444Z. Así, el nuevo intercepto describe la respuesta ajustada en el centro observado, y no en X = 0.

Su error estándar equivale a √(46.986111/10) = 2.1676, mucho menor que 6.1097 para el intercepto original. Sin embargo, la pendiente, los valores ajustados, los residuos y R² permanecen idénticos. Centrar cambia la pregunta de referencia que responde el intercepto, no el desempeño explicativo del modelo.

Esto ayuda a explicar por qué la significación del intercepto suele depender de una decisión de codificación. Un origen diferente para X crea una hipótesis diferente sobre el intercepto. Por lo tanto, interpretar ese valor p exige más que compararlo con 0.05.

4. El mayor residuo no es automáticamente el punto más influyente

La observación 9 tiene el mayor residuo absoluto, aproximadamente 9.1111. Sin embargo, la influencia también depende del apalancamiento, que mide cuánto se aleja un valor del predictor del centro de la muestra. Las observaciones extremas en X = 2 y X = 8 tienen un apalancamiento de 0.35 cada una.

Como comparación, el apalancamiento promedio equivale a 2/10 = 0.20 porque el modelo estima dos parámetros. Así, un punto extremo puede modificar la pendiente con más fuerza que una observación central con un residuo comparable. Un analista cuidadoso investiga las observaciones influyentes antes de decidir si reflejan errores o variación legítima.

5. Contrastar una pendiente cero difiere de contrastar una pendiente de uno

En el ejemplo de las parejas, la pendiente difiere claramente de cero. Sin embargo, una relación de uno a uno plantea una hipótesis diferente: H₀: β₁ = 1. Utilizar el mismo error estándar produce un estadístico mucho menor.

El valor p bilateral es aproximadamente 0.580. En consecuencia, estas observaciones no establecen que la pendiente difiera de uno. Describir la pendiente estimada como «mayor que uno» es numéricamente correcto, pero decir que es estadísticamente mayor que uno exageraría la evidencia.

Errores habituales que cambian la interpretación

Reproduce los cálculos de regresión OLS en Python

El siguiente programa reconstruye ambos modelos a partir de las observaciones originales. También calcula la correlación por rangos y el contraste de falta de ajuste. Por lo tanto, los lectores pueden revisar cada dato de entrada y reproducir los resultados principales sin depender de las respuestas impresas.

import numpy as np
from scipy import stats

def ols(x, y):
    x, y = np.asarray(x, dtype=float), np.asarray(y, dtype=float)
    n = len(x)
    dx, dy = x - x.mean(), y - y.mean()
    sxx, sxy, syy = dx @ dx, dx @ dy, dy @ dy
    slope = sxy / sxx
    intercept = y.mean() - slope * x.mean()
    fitted = intercept + slope * x
    residual = y - fitted
    sse = residual @ residual
    s2 = sse / (n - 2)
    se = np.sqrt([s2 * (1/n + x.mean()**2/sxx), s2/sxx])
    estimates = np.array([intercept, slope])
    t_values = estimates / se
    p_values = 2 * stats.t.sf(np.abs(t_values), df=n-2)
    critical = stats.t.ppf(0.975, df=n-2)
    intervals = np.column_stack((estimates-critical*se,
                                 estimates+critical*se))
    return dict(estimates=estimates, se=se, t=t_values,
                p=p_values, ci95=intervals, sse=sse, s2=s2,
                r2=1-sse/syy, residuals=residual)

x = np.array([2, 3, 5, 4, 3, 5, 7, 6, 7, 8])
y = np.array([20, 28, 40, 45, 37, 52, 54, 43, 65, 56])
print(ols(x, y))
print("Spearman rho:", stats.spearmanr(x, y).statistic)

wanted = [3, 3, 0, 2, 2, 3, 0, 3, 2, 1, 3, 2]
had = [4, 3, 0, 4, 4, 3, 0, 4, 3, 1, 3, 1]
print(ols(wanted, had))

levels = np.unique(x)
pure_error = sum(np.sum((y[x == v] - y[x == v].mean())**2)
                 for v in levels)
df_pure = len(x) - len(levels)
df_lack = len(levels) - 2
lack_error = ols(x, y)["sse"] - pure_error
f_lack = (lack_error / df_lack) / (pure_error / df_pure)
print("Lack-of-fit F and p:", f_lack,
      stats.f.sf(f_lack, df_lack, df_pure))

Para comprobar los resultados en una hoja de cálculo, coloca los valores de X del primer conjunto en A2:A11 y los valores de Y en B2:B11. Después, utiliza SLOPE(B2:B11,A2:A11), INTERCEPT(B2:B11,A2:A11) y RSQ(B2:B11,A2:A11), los nombres de las funciones en inglés. Verifica que el rango de la respuesta aparezca primero, porque invertir los argumentos ajusta una regresión diferente.

Preguntas frecuentes sobre regresión OLS

¿Qué minimizan realmente los mínimos cuadrados ordinarios?

OLS minimiza la suma de cuadrados de los residuos verticales dentro de la muestra con respecto a los coeficientes especificados. Sin embargo, minimizar ese objetivo de entrenamiento no garantiza el menor error de predicción futuro. La elección y la validación del modelo siguen siendo tareas separadas.

¿OLS requiere que X tenga una distribución normal?

No. El supuesto clásico de normalidad se refiere a las perturbaciones condicionales en X, no a la distribución marginal del predictor. Además, calcular los coeficientes OLS no exige ningún supuesto de normalidad.

¿Puede una regresión tener una pendiente significativa y un intercepto no significativo?

Sí. El ejemplo de las parejas muestra exactamente ese resultado. Además, ambos contrastes se refieren a cantidades poblacionales diferentes, por lo que sus conclusiones no tienen por qué coincidir.

¿Por qué la recta ajustada pasa por las medias muestrales?

La ecuación normal del intercepto obliga a que los residuos sumen cero. Por lo tanto, la respuesta ajustada promedio equivale a la respuesta observada promedio. Sustituir la media muestral de X en una recta ajustada reproduce ese mismo promedio.

¿Basta un R² alto para confiar en el modelo?

No. Un R² alto no descarta confusión, varianza no constante, dependencia, puntos influyentes ni un mal desempeño con nuevas observaciones. En consecuencia, las estadísticas de ajuste deben acompañarse de diagnósticos y conocimiento del proceso que genera los datos.

¿Cómo deben presentarse los resultados de regresión en un informe?

Indica la ecuación ajustada, el tamaño muestral, la incertidumbre de los coeficientes y las medidas pertinentes de ajuste. Además, identifica explícitamente los números debajo de los coeficientes como errores estándar o estadísticos t. Los paréntesis sin etiquetas pueden volver ambiguo un resultado correcto.

¿Estas muestras pequeñas establecen una relación poblacional general?

Solo bajo un marco de muestreo y modelización defendible. El primer conjunto carece de contexto sustantivo, mientras que el ejemplo de las parejas ofrece pocos detalles sobre su diseño de muestreo. Por lo tanto, trata los cálculos como demostraciones educativas salvo que exista evidencia adicional para una interpretación más amplia.

Conclusión: conecta la ecuación con sus supuestos

El primer conjunto produce una pendiente ajustada positiva de 5.9444 y un R² de 0.7719. Su contraste clásico de la pendiente aporta evidencia fuerte contra una asociación cero, aunque las predicciones individuales siguen siendo mucho menos precisas que la media ajustada. Mientras tanto, los datos de las parejas generan una pendiente de 1.1429 y un R² de 0.6772, con una pendiente significativa y un intercepto no significativo.

La lección más profunda es mantener conectadas la estimación, la inferencia y la interpretación. Primero verifica la aritmética; después pregunta qué supuestos respaldan cada afirmación. Por último, distingue un buen ajuste muestral de un pronóstico útil o una explicación causal creíble.

Referencias y notas sobre los datos

Las fotografías proporcionadas contienen los dos conjuntos de datos numéricos y los identificadores de los ejercicios. Todas las extensiones numéricas, figuras y comparaciones de precisión son cálculos para este artículo. Las siguientes fuentes educativas y técnicas primarias respaldan los métodos y permiten ampliar la lectura.

1. NIST/SEMATECH. Mínimos cuadrados. Estimación de coeficientes y desviación estándar residual.
2. Penn State. Supuestos del modelo de regresión lineal simple. Condiciones que sustentan la regresión lineal simple.
3. Penn State. Estimación y predicción en regresión lineal simple. Intervalos para la respuesta media y para la predicción individual.
4. Documentación de SciPy. Correlación por rangos de Spearman. Correlación por rangos e implementación computacional.
5. Duke University. Gauss–Markov y distribuciones predictivas. Comparaciones entre estimadores y descomposición varianza-sesgo.
6. NIST/SEMATECH. Contrastes de términos ausentes o mal especificados en el modelo. Contraste de falta de ajuste con observaciones replicadas.