La respuesta corta: una regresión lineal ajusta la recta ŷ = b0 + b1x que minimiza la suma de las distancias verticales al cuadrado desde los datos. La pendiente b1 es el cambio previsto en y por cada aumento de una unidad en x, el intercepto b0 es el valor de y previsto cuando x = 0, y R² es la parte de la variación de y explicada por la recta.

Puntos clave

  • Mínimos cuadrados minimiza los residuos al cuadrado, no el número de puntos por encima o por debajo de la recta.
  • La pendiente tiene unidades. «0.6 puntos por hora» es significativo; un 0.6 sin más, no.
  • El intercepto suele ser una extrapolación. Solo es interpretable cuando x = 0 está dentro del rango observado y tiene sentido.
  • R² no es una nota de calidad. Un R² alto puede venir de un modelo equivocado, y un R² bajo puede esconder una pendiente útil.
  • Revisa los gráficos de residuos antes de confiar en la inferencia. La linealidad, la varianza constante y la independencia importan más que el R² de titular.

De la correlación a una recta de predicción

La correlación pregunta si dos variables se mueven juntas. La regresión va más allá y pregunta cómo predecir una a partir de la otra. El modelo es una recta, ŷ = b0 + b1x, donde ŷ es el valor ajustado, b0 es el intercepto y b1 es la pendiente. El sombrero importa: ŷ es la predicción de la recta, no la y observada.

La dirección importa. Regresar y sobre x no es lo mismo que regresar x sobre y, porque cada ajuste minimiza errores en una dirección distinta. Esa asimetría es la principal diferencia práctica con la correlación, que trata las dos variables de forma simétrica.

Las fórmulas de mínimos cuadrados

La pendiente es la covarianza de x e y dividida por la varianza de x:

b1 = Σ(x − x̄)(y − ȳ) ÷ Σ(x − x̄)²

Una vez conocida la pendiente, el intercepto se deduce del hecho de que la recta pasa por el punto (x̄, ȳ):

b0 = ȳ − b1x̄

Estos valores minimizan la suma de residuos al cuadrado, SSE = Σ(y − ŷ)². Elevar al cuadrado es lo que hace que el ajuste sea sensible a los errores grandes y lo que da nombre al procedimiento. Una recta que se desvía 2 en cuatro puntos y otra que se desvía 4 en un solo punto pueden tener la misma SSE, y por eso los propios residuos merecen una mirada.

Ejemplo resuelto: los mismos cinco puntos

Con x = 1, 2, 3, 4, 5 e y = 2, 4, 5, 4, 5, las medias son x̄ = 3 e ȳ = 4. Los productos cruzados suman 6 y las desviaciones de x al cuadrado suman 10, así que b1 = 6 ÷ 10 = 0.6. El intercepto es b0 = 4 − 0.6 × 3 = 2.2. La recta ajustada es ŷ = 2.2 + 0.6x.

Las predicciones son 2.8, 3.4, 4.0, 4.6 y 5.2. Los residuos son, por tanto, −0.8, +0.6, +1.0, −0.6 y −0.2, que suman cero como exigen los mínimos cuadrados. La suma de residuos al cuadrado es 0.64 + 0.36 + 1.00 + 0.36 + 0.04 = 2.40. La suma total de cuadrados respecto de la media es 6.00, así que R² = 1 − 2.40/6.00 = 0.60, lo que coincide con la correlación al cuadrado de los mismos datos.

Leer la pendiente y el intercepto

La pendiente es una tasa. Si x son horas de estudio e y son puntos de examen, b1 = 2.5 significa que cada hora adicional se asocia con 2.5 puntos más en promedio. No significa que cada estudiante gane exactamente 2.5 puntos, y no establece que estudiar cause la ganancia, porque los estudiantes motivados pueden estudiar más y además obtener mejores resultados por otras razones.

El intercepto es la y prevista cuando x = 0, que a menudo queda fuera de los datos. Una regresión del peso sobre la altura podría producir un intercepto de −90 kg, un valor físicamente imposible que, aun así, es el ancla correcta de la recta. Centra x restándole su media si quieres una constante interpretable: el intercepto centrado es entonces igual a ȳ, el valor previsto con la x media.

Qué significa R² y qué no

R² = 1 − SSE/SST, donde SST es la variación total de y alrededor de su media. Es la proporción de la varianza de y explicada por la recta ajustada, y equivale a r² en la regresión lineal simple. Un R² de 0.60 significa que la recta explica el 60 % de la variación muestral; el otro 40 % procede de variables no incluidas en el modelo, del error de medición y del azar.

R² nunca disminuye al añadir un predictor, ni siquiera uno inútil, así que no sirve para comparar modelos con distinto número de predictores. El R² ajustado penaliza los términos extra: R²adj = 1 − (1 − R²)(n − 1)/(n − k − 1), donde k es el número de predictores. Con n = 30, k = 5 y R² = 0.40, el R² ajustado baja a 1 − 0.60 × 29/24 = 0.275, una imagen mucho menos halagüeña.

Errores estándar, pruebas e intervalos de confianza

El error estándar residual es s = √(SSE/(n − 2)). Para el ejemplo de cinco puntos, s = √(2.40/3) = 0.894. El error estándar de la pendiente es:

SE(b1) = s ÷ √Σ(x − x̄)²

Aquí SE = 0.894 ÷ √10 = 0.283, así que t = 0.6 ÷ 0.283 = 2.12 con 3 grados de libertad. El valor p bilateral es aproximadamente 0.124, y un intervalo del 95 % con t* = 3.182 va de 0.6 − 0.90 a 0.6 + 0.90, o (−0.30, 1.50). La estimación es positiva pero demasiado imprecisa para descartar la ausencia de relación, que es lo que compran cinco puntos.

Con una muestra más grande, la misma pendiente podría estimarse con precisión. Informa siempre el error estándar o el intervalo de confianza, porque una pendiente sin declaración de incertidumbre invita al exceso de confianza.

Supuestos y diagnóstico

Cuatro supuestos sustentan las pruebas habituales: la relación es lineal en los parámetros, los errores son independientes, los errores tienen varianza constante y los errores son aproximadamente normales para la inferencia con muestras pequeñas. Los tres primeros son los que más importan para la recta ajustada; la normalidad importa sobre todo para los valores p y los intervalos en muestras pequeñas.

Representa los residuos frente a los valores ajustados. Una curva sugiere un término no lineal omitido; un embudo sugiere heterocedasticidad; unos pocos residuos extremos sugieren puntos influyentes. Representa los residuos frente al tiempo o al orden de observación para comprobar la independencia. Un punto con alto apalancamiento y un residuo grande puede mover toda la recta, así que investígalo en lugar de eliminarlo automáticamente.

Regresión múltiple en un párrafo

Con varios predictores, ŷ = b0 + b1x1 + … + bkxk. Cada pendiente es ahora el cambio en y asociado a un cambio de una unidad en ese predictor mientras los demás se mantienen fijos. Esa cláusula de «mantener fijos» hace mucho trabajo: si los predictores están fuertemente correlacionados entre sí, sus errores estándar se inflan y los coeficientes individuales se vuelven inestables. Las variables omitidas también sesgan las pendientes que se estiman, y por eso el lenguaje causal requiere más que un buen ajuste.

Errores comunes

  • Interpretar el intercepto cuando x = 0 está muy fuera del rango observado.
  • Llamar «90 % exacto» a un R² = 0.9, cuando mide varianza explicada y no error de predicción.
  • Extrapolar la recta más allá de los datos y tratar el resultado como un pronóstico.
  • Comparar R² entre modelos con distinto número de predictores en lugar de usar el R² ajustado.
  • Ignorar un gráfico de residuos curvado porque la pendiente era estadísticamente significativa.
  • Informar una pendiente sin unidades, sin error estándar o sin intervalo de confianza.

Advertencias prácticas

Una recta de regresión describe el rango observado, no una ley de la naturaleza. Las predicciones fuera de ese rango suponen que el mismo mecanismo lineal continúa, lo que a menudo es falso. El error de medición en x sesga la pendiente hacia cero, y el error de medición en y infla los errores estándar sin sesgar la pendiente.

Por último, distingue predicción de explicación. Si el objetivo es pronosticar, evalúa el modelo con el error en datos no usados para ajustarlo. Si el objetivo es entender, evalúalo según si los coeficientes son estables, plausibles y robustos frente a especificaciones alternativas. Un solo R² no responde a ninguna de las dos preguntas.

Preguntas frecuentes

¿Cuál es la diferencia entre correlación y regresión?

La correlación mide la fuerza de una asociación lineal y es simétrica. La regresión ajusta una recta de predicción y es direccional: estima cuánto cambia y cuando cambia x, en las unidades de los datos.

¿La pendiente puede ser negativa?

Sí. Una pendiente negativa significa que y tiende a bajar cuando x sube. El signo de la pendiente siempre coincide con el signo de la correlación en la regresión lineal simple.

¿Qué R² es bueno?

Depende del campo y del propósito. En ciencias sociales, los valores por encima de 0.7 suelen considerarse fuertes, mientras que algunas mediciones físicas superan habitualmente 0.95. Para predecir, el error en datos no usados es mejor guía que cualquier umbral de R².

¿Por qué mi intercepto es negativo o imposible?

El intercepto es la y prevista cuando x = 0, que puede quedar fuera de los datos y de la plausibilidad física. Ancla la recta, pero no es necesariamente una cantidad significativa. Centra el predictor si necesitas una constante interpretable.

¿Una pendiente significativa demuestra causalidad?

No. Una pendiente significativa dice que la asociación es poco probable que sea cero bajo el modelo, no que x cause y. Las variables de confusión, la causalidad inversa y los efectos de selección pueden producir una pendiente significativa.

¿Cuántas observaciones necesito?

Las suficientes para estimar con precisión la varianza residual y la pendiente. Una guía aproximada habitual es de al menos 10 a 20 observaciones por predictor, pero un cálculo de potencia basado en el efecto más pequeño que te importa es más defendible.