Logotipo del repositorio
Logotipo del repositorio
 

Sobre el uso adecuado de la regresión lineal: conceptualización básica mediante un ejemplo aplicado a las ciencias de la salud

Vista sencilla de ítem
dc.contributor.authorHernández-Lalinde, Juan
dc.contributor.authorEspinosa-Castro, Jhon-Franklin
dc.contributor.authorGarcía Álvarez, Diego
dc.contributor.authorBermúdez-Pirela, Valmore
dc.date.accessioned2020-03-19T23:28:13Z
dc.date.available2020-03-19T23:28:13Z
dc.date.issued2019
dc.description.abstractLa regresión lineal es una de las técnicas estadísticas más difundidas y con mayores posibilidades de aplicación en contextos diversos; desde escenarios técnicos, prácticos o de ingeniería; hasta situaciones vinculadas a las ciencias sociales, del comportamiento o de la salud. Las ecuaciones de regresión posibilitan la interpretación de fenómenos al modelar parsimoniosamente la realidad, constituyéndose en una importante herramienta de ayuda para académicos, investigadores o profesionales. El objetivo del presente artículo de revisión es el de suministrar una guía teórico-práctica sobre los aspectos básicos de la regresión lineal, haciendo hincapié en el desarrollo del método de mínimos cuadrados ordinarios para obtener los estimadores de regresión, presentando las fórmulas requeridas para ello y empleando un ejemplo relacionado con la medicina para ilustrar el procedimiento. El nivel matemático es relativamente básico, aunque se requerirá de cierto conocimiento de estadística y álgebra matricial. El caso analizado gira en torno al estudio sobre la prevalencia de síndrome metabólico de la ciudad de Maracaibo, Venezuela. Se utiliza como variable dependiente la resistencia a la insulina a través del HOMA-2, y como regresores la edad, el índice de masa corporal y la razón triglicéridos-colesterol. También se ofrece la solución al problema mediante la utilización del programa de código abierto R-Studio.spa
dc.description.abstractLinear regression is one of the most widespread statistical techniques and with greater possibilities of application in diverse contexts; from technical, practical or engineering scenarios; to situations related to social, behavioral and health sciences. Regression equations make possible to interpret phenomena by the parsimonious modeling of reality, becoming an important tool of help for academics, researchers or professionals. The aim of this review is to provide a theoretical- practical guide on the basic aspects of linear regression, emphasizing the development of the ordinary least squares method to obtain the regression estimators, presenting the formulas required for this and using an example related to medicine to illustrate the procedure. The mathematical level is relatively basic, although some knowledge of statistics and matrix algebra will be required. The analyzed case revolves around the study on the prevalence of metabolic syndrome from the city of Maracaibo, Venezuela. Insulin resistance measured by HOMA-2 is used as a dependent variable, and age, body mass index and triglyceride-cholesterol ratio as predictor variables. The solution to the problem is also offered by using the R-Studio program.eng
dc.format.mimetypepdfspa
dc.identifier.issn26107988
dc.identifier.urihttps://hdl.handle.net/20.500.12442/5045
dc.identifier.urlhttp://saber.ucv.ve/ojs/index.php/rev_aavft/article/view/17430/144814483841
dc.language.isospaspa
dc.publisherSociedad Venezolana de Farmacología Clínica y Terapéuticaspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.sourceRevista AVFT - Archivos Venezolanos de Farmacología y Terapéuticaspa
dc.sourceVol. 38, No. 5 (2019)spa
dc.subjectRegresión linealspa
dc.subjectMínimos cuadrados ordinariosspa
dc.subjectSíndrome metabólicospa
dc.subjectMaracaibospa
dc.subjectHOMA-2spa
dc.subjectTriglicéridos-colesterolspa
dc.subjectÍndice de masa corporalspa
dc.subjectLinear regressioneng
dc.subjectOrdinary least squareseng
dc.subjectMetabolic Syndromeeng
dc.subjectTriglyceride-cholesteroleng
dc.subjectBody Mass Indexeng
dc.titleSobre el uso adecuado de la regresión lineal: conceptualización básica mediante un ejemplo aplicado a las ciencias de la saludspa
dc.title.translatedOn the proper use of linear regression: basic conceptualization through an example applied to health scienceseng
dc.typearticleeng
dc.type.driverarticleeng
dcterms.referencesHe F, Rodriguez-Colon S, Fernandez-Mendoza J, Vgontzas AN, Bixler EO, Berg A, et al. Abdominal Obesity and Metabolic Syndrome Burden in Adolescents—Penn State Children Cohort Study. J Clin Densitom. enero de 2015;18(1):30-6.spa
dcterms.referencesGloria CT, Steinhardt MA. Relationships among positive emotions, coping, resilience and mental health: positive emotions, resilience and health. Stress Health. abril de 2016;32(2):145-56.eng
dcterms.referencesKhamisa N, Oldenburg B, Peltzer K, Ilic D. Work related stress, burnout, job satisfaction and general health of nurses. Int J Environ Res Public Health. enero de 2015;12(1):652-66.eng
dcterms.referencesStanton JM. Galton, Pearson, and the Peas: A Brief History of Linear Regression for Statistics Instructors. J Stat Educ. 2001;9(3):1-13.eng
dcterms.referencesGalton F. Regression Towards Mediocrity in Heriditary Stature. J Anthropol Inst. 1885;15(2):246-63.eng
dcterms.referencesDrapper NR, Smith H. Applied Regression Analysis. 3.a ed. New York, NY: John Wiley & Sons, Inc.; 1998. 705 p. (Wiley series in probability and statistics).eng
dcterms.referencesStigler SM. Regression towards the mean, historically considered. Stat Methods Med Res. 1997;6(2):103-14.eng
dcterms.referencesNesselroade JR, Stigler SM, Baltes PB. Regression toward the mean and the study of change. Psychol Bull. 1980;88(3):622-37.eng
dcterms.referencesBland JM, Altman DG. Statistics Notes: Some examples of regression towards the mean. BMJ. 24 de septiembre de 1994;309(6957):780- 780.eng
dcterms.referencesRegression to the mean [Internet]. Institute for Work & Health. 2014 [citado 10 de febrero de 2019]. Disponible en: https://www.iwh. on.ca/what-researchers-mean-by/regression-to-meaneng
dcterms.referencesBarnett AG. Regression to the mean: what it is and how to deal with it. Int J Epidemiol. 27 de agosto de 2004;34(1):215-20.eng
dcterms.referencesChen S, Chen H. Regression to the mean [Internet]. Encyclopedia Britannica. 2016 [citado 10 de febrero de 2019]. Disponible en: https://www.britannica.com/topic/regression-to-the-meaneng
dcterms.referencesWeisberg S. Applied Linear Regression. 3.a ed. Hoboken, N.J: John Wiley & Sons, Ltd; 2005. 310 p. (Wiley series in probability and statistics).eng
dcterms.referencesKissell R, Poserina J. Regression Models. En: Optimal Sports Math, Statistics, and Fantasy [Internet]. Elsevier; 2017 [citado 3 de febrero de 2019]. p. 39-67. Disponible en: https://linkinghub.elsevier.com/ retrieve/pii/B9780128051634000025eng
dcterms.referencesWittek P. Regression Analysis. En: Quantum Machine Learning [Internet]. Elsevier; 2014 [citado 3 de febrero de 2019]. p. 85-8. Disponible en: https://linkinghub.elsevier.com/retrieve/pii/ B9780128009536000086eng
dcterms.referencesLiengme BV. Regression Analysis. En: A Guide to Microsoft Excel 2013 for Scientists and Engineers [Internet]. Elsevier; 2016 [citado 3 de febrero de 2019]. p. 157-79. Disponible en: https://linkinghub. elsevier.com/retrieve/pii/B9780128028179000088eng
dcterms.referencesMishra S, Datta-Gupta A. Regression Modeling and Analysis. En: Applied Statistical Modeling and Data Analytics [Internet]. Elsevier; 2018 [citado 3 de febrero de 2019]. p. 69-96. Disponible en: https:// linkinghub.elsevier.com/retrieve/pii/B9780128032794000043eng
dcterms.referencesLalanne C, Mesbah M. Correlation and Linear Regression. En: Biostatistics and Computer-based Analysis of Health Data using R [Internet]. Elsevier; 2016 [citado 3 de febrero de 2019]. p. 89-110. Disponible en: https://linkinghub.elsevier.com/retrieve/pii/ B9781785480881500051eng
dcterms.referencesHernández-Lalinde J, Espinosa-Castro J-F, Penaloza-Tarazona M-E, Rodríguez J, Chacón G, Toloza-Sierra C, et al. Sobre el uso adecuado del coeficiente de correlación de Pearson: definición, propiedades y suposiciones. Arch Venez Farmacol Ter. 2018;38(5):587-95.spa
dcterms.referencesDouglas C. Montgomery, Elizabeth A. Peck, G. Geoffrey Vining. Introduction to Linear Regression Analysis. 5th ed. New York, NY: John Wiley & Sons, Inc.; 2012. 872 p. (Wiley series in probability and statistics).eng
dcterms.referencesSamprit Chatterjee, Ali S. Hadi. Regression Analysis by Example. 4th ed. Hoboken, N.J: John Wiley & Sons, Ltd; 2006. 383 p. (Wiley series in probability and statistics).eng
dcterms.referencesBermúdez V, Pacheco M, Rojas J, Córdova E, Velázquez R, Carrillo D, et al. Epidemiologic Behavior of Obesity in the Maracaibo City Metabolic Syndrome Prevalence Study. Maedler K, editor. PLoS ONE. 18 de abril de 2012;7(4):e35392.eng
dcterms.referencesBermúdez V, Rojas J, Salazar J, Calvo MJ, Morillo J, Torres W, et al. The Maracaibo city metabolic syndrome prevalence study: primary results and agreement level of 3 diagnostic criteria. Rev Latinoam Hipertens. 2014;9(4):20-32.eng
dcterms.referencesBermúdez V, Marcano RP, Cano C, Arráiz N, Amell A, Cabrera M, et al. The Maracaibo City Metabolic Syndrome Prevalence Study: Design and Scope: Am J Ther. mayo de 2010;17(3):288-94.eng
dcterms.referencesHernández-Lalinde J, Espinosa-Castro J-F, Díaz-Camargo É, Bautista- Sandoval M, Riaño-Garzón ME, García Álvarez D, et al. Sobre el uso adecuado del coeficiente de correlación de Pearson: verificación de supuestos mediante un ejemplo aplicado a las ciencias de la salud. Arch Venez Farmacol Ter. 2018;37(5):452-61.spa
dcterms.referencesUllah A, Wan A, Chaturvedi A. Handbook Of Applied Econometrics And Statistical Inference [Internet]. 1.a ed. New York, NY: CRC Press; 2002 [citado 21 de agosto de 2019]. 749 p. (Statistics: texbooks and monographs; vol. 165). Disponible en: https://www.taylorfrancis. com/books/9780203911075eng
dcterms.referencesMontgomery DC, Runger GC. Applied statistics and probability for engineers. 3rd ed. New York: Wiley; 2003. 706 p.eng
dcterms.referencesAlkarkhi AFM, Alqaraghuli WAA. Regression Models. En: Easy Statistics for Food Science with R [Internet]. Elsevier; 2019 [citado 3 de febrero de 2019]. p.107-24. Disponible en: https://linkinghub.elsevier. com/retrieve/pii/B9780128142622000078eng
dcterms.referencesAngelini C. Regression Analysis. En: Encyclopedia of Bioinformatics and Computational Biology [Internet]. Elsevier; 2019 [citado 3 de febrero de 2019]. p.722-30. Disponible en: https://linkinghub.elsevier. com/retrieve/pii/B9780128096338203609eng
dcterms.referencesRawlings JO, Pantula SG, Dickey DA. Applied Regression Analysis: a Research Tool. 2nd ed. New York: Springer; 1998. 657 p. (Springer texts in statistics).eng
dcterms.referencesUriel E. El modelo de regresión simple: estimación y propiedades. Univ Valencia. 2016;1(1):1-49.spa
dcterms.referencesUriel E. Introducción a la econometría [Internet]. 1.a ed. Universidad de Valencia; 2013 [citado 22 de agosto de 2019]. 234 p. Disponible en: https://www.uv.es/uriel/manual/Introduccion%20a%20la%20 econometria.pdfspa
dcterms.referencesHoaglin DC, Welsch RE. The Hat Matrix in Regression and ANOVA. Am Stat. febrero de 1978;32(1):17-22.eng
oaire.versioninfo:eu-repo/semantics/publishedVersionspa

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
PDF.pdf
Tamaño:
852.36 KB
Formato:
Adobe Portable Document Format
Descripción:
PDF
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
381 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Artículos

Universidad Simón Bolívar: Todos los derechos reservados / Sistema de biblioteca