Pronóstico con interacción de variables categóricas

Abstract

Publicacions de la Universitat Jaume I és una editorial membre de l'une, cosa que en garanteix la difusió de les obres en els àmbits nacional i internacional. www.une.es Reconeixement-CompartirIgual CC BY-SA Aquest text està subjecte a una llicència Reconeixement-CompartirIgual de Creative Commons, que permet copiar, distribuir i comunicar públicament l'obra sempre que s'especifique l'autor i el nom de la publicació fins i tot amb objectius comercials i també permet crear obres derivades, sempre que siguen distribuïdes amb aquesta mateixa llicència. http://creativecommons.org/licenses/by-sa/3.0/legalcode Los motivos por los que se ha hecho este texto son de tipo docente, y tienen como función facilitar el aprendizaje de los alumnos sobre aspectos básicos de la regresión, para ello, se ha seguido un procedimiento paso a paso, indicando:• Cómo plantear una relación entre las variables con una formulación funcional y en una forma de ecuación estadística.• Una descripción de cómo se hace para pasar de una variable categórica a otra variable formada por un bloque de variables ficticias. • Cómo introducir un bloque de variables ficticias en un programa estadístico informático, el SPSS, con el objetivo de conseguir su significación estadística correspondiente.• Cómo ajustar un modelo con el programa estadístico SPSS.• Cómo escribir la mejor ecuación global ajustada a los datos.• La ecuación general puede ser desglosada en el correspondiente número de grupos que contenga; se expone cómo hacerlo y cómo escribir una ecuación de pronóstico para cada grupo diferente.• Cómo interpretar la ecuación general y cada una de las ecuaciones correspondiente a cada grupo.• Cómo guardar los valores pronosticados de la variable dependiente.• Cómo hacer una representación gráfica de conjunto, con una única figura para todos los grupos de la investigación. En el desarrollo de esta unidad indicaremos cómo identificar cada grupo de una determinada variable mediante la creación de variables dummy (variables dicotómicas con valores 1 y 0). El motivo de esta codificación (1 y 0) es que el pronóstico de valores y la interpretación resultan mucho más fáciles que si se utiliza cualquier otra.Si tomamos la variable género, las mujeres se pueden identificar mediante el valor de 1, por lo que los hombres pasarían a tener el valor de 0 (recuérdese que estos valores se usan para identificar a los grupos). No hace falta crear otra variable que identifique con 1 a los hombres y 0 a las mujeres (solo con una de las dos es suficiente).Hay un principio básico en la creación de variables dummy: se necesitan tantas variables dummy distintas como grupos haya en esa variable, menos una: n.º Vs. dummy para una variable = (n.º grupos) -1 Así, para la variable 'género' se necesita una sola variable dummy: 2 -1 = 1. Si se tiene una variable con 8 grupos, el número de variables dummy para identificarla será de 7 (8 -1). IMPORTANTE:El grupo identificado con el valor 0 en las categorías dummy es el llamado 'Grupo de Referencia'. ÍndiceSi se tiene una variable con l...

Anxiety and fear related to coronavirus disease 2019 assessment in the Spanish population: A cross-sectional study

“…This eliminates any possible collinearity that might exist. 31 The regression equations for each dummy variable, created from the variables sex, marital status, work area, and academic level, obtained p -values < 0.001. These variables were thus shown to be significant and should be considered in the final categorical regression model.…”

Prevalencia, comorbilidad y correlatos psicológicos de la compulsividad sexual

“…Entre estas variables se incluían algunas continuas (p.e., las puntuaciones en el cuestionario de personalidad NEO PI-R) y otras categóricas (como la orientación sexual o el haber realizado o no ciertas prácticas sexuales). Para la introducción de estas últimas se empleó el método de codificación de variables Dummy (Rosel, Jara, & Herrero, 2014). En el segundo bloque del modelo de regresión se incluyeron los términos de interacción entre las variables del primer bloque y el sexo.…”

“…Codificación de variables categóricas: para la codificación de las variables categóricas del modelo se empleó el método de codificación de variables Dummy (Rosel et al, 2014). En variables dicotómicas (p.e., el sexo), esto equivale a asignar 0 o 1 a cada una de las opciones de respuesta.…”

“…Las VI se introducían en un primer bloque de la regresión mientras que en el segundo bloque se introducían los términos de interacción. En la estimación de la interacción se respetó el principio de anidamiento, que sostiene que cuando un término de interacción resulta significativo, las variables de orden inferior que incluye la interacción deben permanecer en el modelo aunque no resulten significativas (Rosel et al, 2014). Como se aprecia en la tabla 35, la sensibilidad y especificidad diagnóstica del modelo de regresión fue del 85.9% y del 89.6% respectivamente, lo que supone un porcentaje general de acierto en la clasificación del 87.8%.…”

The methodologies in psychology of gender and health: An integrative journey from different approaches to diverse realities

“…Although the coefficient for the Sex variable is not statistically significant, due to the rule of hierarchical interaction of variables when conducting a regression analysis, it must be left in the equation. Thus, if there is a statistically significant interaction (Age•Sex), all the variables that make up the interaction (Age and Sex in this case) should be included in the equation in order to avoid prediction errors (Jose, 2013;Rosel et al, 2014). A significant interaction between variables also means that slopes for men and women are statistically different; for each SNS, the slope for men is higher than that for women, with SAF increasing in men with age, whereas women did not change depending on age on any SNS.…”