Análisis de regresión

El análisis de regresión estima cómo varía un resultado con una o más variables explicativas. Puede describir asociaciones, apoyar la predicción y, bajo un diseño de investigación creíble, ayudar a estimar los efectos causales. El cálculo por sí solo no convierte una asociación entre precio y demanda, o cualquier otro par de variables, en causalidad.

Cuándo usarlo

Utilice la regresión cuando una decisión requiera una relación cuantificada, una predicción condicional o una prueba de cómo difiere un resultado a medida que cambian los insumos seleccionados.

Puede ayudar a investigar preguntas como:

• ¿Cómo se asocian la lealtad y la satisfacción con la rentabilidad después de tener en cuenta las diferencias relevantes?
• ¿La percepción de marca predice las ventas más allá del precio, la distribución y la estacionalidad?
• ¿Qué dimensiones de la calidad del producto están asociadas con la satisfacción del cliente?
• ¿Está relacionado el compromiso de los empleados con la retención y qué explicaciones alternativas se deben considerar?

La regresión es apropiada sólo cuando las variables se pueden medir de manera significativa, la muestra respalda el modelo y los supuestos se ajustan a la inferencia pretendida. Para preguntas causales, el diseño importa más que la significación estadística.

Orígenes

La regresión surgió de los trabajos estadísticos del siglo XIX. Francis Galton introdujo la idea de “regresión hacia la mediocridad” mientras estudiaba las características heredadas; Karl Pearson formalizó la correlación y la regresión, mientras que Adrien-Marie Legendre y Carl Friedrich Gauss contribuyeron con el método de mínimos cuadrados utilizado en los modelos lineales. Posteriormente, la técnica se volvió fundamental en la economía, la ciencia, la investigación social y el análisis de políticas.

Qué es

Una regresión expresa una variable dependiente en función de una o más variables independientes más una variación inexplicable. En un caso lineal simple, la pendiente estima el cambio promedio en el resultado asociado con un cambio en el predictor.

La correlación resume simétricamente la dirección y la fuerza de la asociación entre variables. La regresión asigna diferentes roles a los predictores y al resultado, estima relaciones condicionales y puede incluir varios predictores. Ninguno de los métodos, sin suposiciones o diseño adicionales, prueba qué causa qué.

Se puede utilizar un modelo para explicación o predicción, pero esos objetivos requieren una validación diferente. Un coeficiente puede distinguirse estadísticamente de cero pero es demasiado pequeño para importar, y un modelo que se ajuste a los datos históricos puede predecir mal los casos nuevos. Por lo tanto, en entornos legales, gubernamentales y empresariales, los resultados deben interpretarse teniendo en cuenta los tamaños del efecto, la incertidumbre, los supuestos del modelo y la procedencia de los datos.