Limitaciones del análisis de regresión simple

Cursos Empresas Blog Live Conf Precios

Contenido del curso

Introducción al análisis exploratorio de datos

Análisis univariado

Análisis bivariado

Análisis multivariado

Conclusiones

Tomar examen

Limitaciones del análisis de regresión simple

Comentarios

Jaime Alberto Vargas Gonzalez

student

El código para las graficas mostradas en clase grafica 1

sns.scatterplot( x=x, y=y )

fx_1= np.array([x.min(), x.max()]) fy_1= res_x_y.intercept + res_x_y.slope * fx_1

plt.plot(fx_1, fy_1);

grafica 2

sns.scatterplot( x=y, y=x )

fx_2= np.array([y.min(), y.max()]) fy_2= res_y_x.intercept + res_y_x.slope * fx_2

plt.plot(fx_2, fy_2);

grafica 3

sns.scatterplot( x=x, y=y ) plt.plot(fx_1, fy_1) plt.plot(fy_2, fx_2);

Juan R. Vergara M.

student

Muchas gracias 👍

Jorge Lara

student

Código de la clase:

x = processed_penguins_df.bill_depth_mm
y = processed_penguins_df.bill_length_mm

res_x_y = scipy.stats.linregress(x=x, y=y)
res_y_x = scipy.stats.linregress(x=y, y=x)

#Fig. 1
sns.scatterplot(
    x=x,
    y=y
)

fx_1= np.array([x.min(), x.max()])
fy_1= res_x_y.intercept + res_x_y.slope * fx_1

plt.plot(fx_1, fy_1);

#Fig. 2
sns.scatterplot(
    x=y,
    y=x
)

fx_2= np.array([y.min(), y.max()])
fy_2= res_y_x.intercept + res_y_x.slope * fx_2

plt.plot(fx_2, fy_2)

# Fig. 3
sns.scatterplot(
    x=x,
    y=y
)
plt.plot(fx_1, fy_1)
plt.plot(fy_2, fx_2)

Jeinfferson Bernal G

student

Limitacion del Analisis de Regresion Simple

La regresion lineal simple de A - B no es lo mismo que B - A. Las regresiones pueden ser diferentes en cada caso. Debes elegir de correctamente cual sera la variable independiente y dependiente.
Si dos variables crecen o decrecen siguiendo las mismas pautas, no implica necesariamente que una cause la otra. Correlacion no implica causalidad.
Solo puede manejar relaciones lineales. Es importante visualizar los datos para poder determinar que tipo de regression utilizar.

Visualizacion de la Asimetria de la Regresion Lineal

#Regresion lineal de x en funcion de y
sns.scatterplot(
    x=x,
    y=y
)

f_x1 = np.array([x.min(), x.max()])
fy_1 = res_x_y.intercept + res_x_y.slope*fx_1

#Regresion lineal de y en funcion de x
sns.scatterplot(
    x=y,
    y=x
)

fx_2 = np.array([y.min(), y.max()])
fy_2 = res_y_x.intercept + res_y_x.slope*fx_2

plt.plot(fx_1, fy_1)
plt.plot(fx_2, fy_2)

Separar las relaciones entre las variables con la libreria scipy

#bill_depth como variable x
(
    smf.ols(
        formula='bill_length_mm ~ bill_depth_mm',
        data= preprocessed_penguins_df
    )
    .fit()
    .params
)

#bill_length como variable x
(
    smf.ols(
        formula='bill_depth_mm ~ bill_length_mm',
        data= preprocessed_penguins_df
    )
    .fit()
    .params
)

Ruddy Ramos

student

Muchas gracias por el aporte.

Jorge Lara

student

Segunda parte de la clase, el código:

(
    smf.ols(
        formula='bill_length_mm ~ bill_depth_mm ',
        data=processed_penguins_df
    )
    .fit()
    .params
)

(
    smf.ols(
        formula='bill_depth_mm ~ bill_length_mm',
        data=processed_penguins_df
    )
    .fit()
    .params
)

Yonatan Efraín Jara Boza

student

Me paso que me tenía desconfiado y que algo estaba pasando por alto cuando vimos que las rectas son distintas.

Pensaba: Son los mismos puntos, no tiene sentido que aunque gires los ejes o le hagas espejos -como los puntos siguen en las mismas posiciones relativas respecto de otro- las rectas sean distintas pues sigue siendo la recta que representa más datos. Es como observar una linea de Perú a China desde la Luna, desde España, aunque me ponga de cabeza, desde unos lentes con filtros; si los llevamos a la misma referencia de observación debería ser igual...

Lo que pasaba por alto: Recorde que la regresión lineal sigue el método de mínimos cuadrados, en el que el error se halla restando lo real y la estimación de las variables dependientes (o sea la "y", en otras palabras los errores son segmentos verticales siempre), entonces al invertir el "x" con el "y" los errores son distintos, por tanto resulta en pendientes e interceptos distintos como se observa en el código de la clase. Distinto sería si los errores se calcularán siendo segmentos perpendiculares.

Espero que a alguien le sirva esta observación, y si me equivoco en la explicación real de por qué los resultados no son simétricos por favor hacermelo saber.

Eduard Giraldo Martínez

student

Yonatan muchas gracias por la explicanción. No terminaba de comprender el tema.

Estuve investigando un poco para poder aportar algo, lamentablemente no pude encontrar nada revelante.

✨👾

Jhon Freddy Tavera Blandon

student

El análisis de regresión simple es una técnica útil para analizar la relación entre dos variables, pero también tiene sus limitaciones. Algunas de las limitaciones más comunes son:

Correlación no implica causalidad: Aunque una correlación positiva o negativa entre dos variables puede indicar una relación, no necesariamente implica que una variable sea la causa de la otra. Por ejemplo, podría haber una correlación entre la cantidad de hielo que se vende en una tienda y la cantidad de personas que mueren ahogadas en piscinas, pero esto no significa que el hielo cause ahogamientos.

Valores atípicos: Los valores extremos o atípicos pueden afectar significativamente la relación entre dos variables. Por lo tanto, es importante verificar la presencia de valores atípicos y determinar si deben ser excluidos del análisis.
Datos no lineales: El análisis de regresión simple asume una relación lineal entre las variables

Para dar ejemplos de las limitaciones del análisis de regresión simple

Correlación no implica causalidad:

Para ilustrar este punto, podríamos buscar una correlación entre la longitud del pico y la masa de los pingüinos, y asumir que la longitud del pico causa la masa. Podríamos usar el siguiente código para generar un gráfico de dispersión y una línea de regresión simple:

Sin embargo, esto no significa que la longitud del pico sea la causa de la masa del pingüino, ya que hay muchos otros factores que pueden influir en la masa, como la edad, la dieta y la actividad física.

Valores atípicos:

Los valores atípicos pueden afectar significativamente la relación entre dos variables. Por ejemplo, si buscamos una correlación entre la longitud del pico y la masa de los pingüinos, pero hay un pingüino con un pico extremadamente largo y una masa muy baja, esto podría distorsionar la relación. Podríamos usar el siguiente código para generar un gráfico de dispersión y una línea de regresión simple, con un valor atípico marcado en rojo:
En este caso, el pingüino con el valor atípico distorsiona la relación lineal entre la longitud del pico y la masa del pingüino.

Datos no lineales:

El análisis de regresión simple asume una relación lineal entre las variables, por lo que si la relación es no lineal, los resultados pueden ser inexactos. Podríamos buscar una relación entre la longitud del pico y la profundidad del pico, pero si la relación es curvilínea, una línea recta no será una buena representación.
En este caso, parece haber una relación positiva entre la longitud y la profundidad del pico, pero no es lineal. Por lo tanto, la línea de regresión simple no es una buena representación de la relación.

Carlos Mazzaroli

student

Me tarde un rato, el codigo me quedo horrible, pero por lo menos logre hacer lo que quería:

Tendra algun uso en la vida profesional hacer este formato? no lo se... pero lo quería hacer y lo hice xd

Martin Ricardo Ordoñez Ramos

student

Si tienes el código , compártelo por favor.

Carlos Mazzaroli

student

FILTROS

species = penguins_df.species.unique()

adelie_df = penguins_df.query("species == 'Adelie'")
gentoo_df = penguins_df.query("species == 'Gentoo'")
chinstrap_df = penguins_df.query("species == 'Chinstrap'")

specie = [adelie_df,gentoo_df,chinstrap_df]
numeric_columns = penguins_df.select_dtypes(include=np.number).columns

GRAFICOS

# Graph linear regresion for XY and YX with intercept and slope
fig,ax = plt.subplots(2,3,figsize=(20,10))

# list for intercept and slope from linear regression
xy = []
yx = []

for j in range(2):
    for i in range(4):

        # Variables
        x='bill_length_mm'
        y=numeric_columns[i]

        if y == 'bill_length_mm':pass
        else:
            # Graphs 
            if j == 0:
                sns.regplot(
                    ax=ax[j][i] if i==0 else ax[j][i-1],
                    data=biscoe_adelie_df,
                    x='bill_length_mm',
                    y=numeric_columns[i]
                )

                ax[j][i].legend({f'x: {x}\n y: {y}'}) if i==0 else ax[j][i-1].legend({f'x: {x}\n y: {y}'}),

                # Calc Intercept and slope for xy
                xy.append(smf.ols(formula=f'bill_length_mm ~ {numeric_columns[i]}',data=biscoe_adelie_df).fit().params)

                
            else:
                sns.regplot(
                    ax=ax[j][i] if i==0 else ax[j][i-1],
                    data=biscoe_adelie_df,
                    x=numeric_columns[i],
                    y='bill_length_mm',
                )
                ax[j][i].legend({f'x: {y}\n y: {x}'}) if i==0 else ax[j][i-1].legend({f'x: {y}\n y: {x}'}),

                # Calc Intercept and slope for yx
                yx.append(smf.ols(formula=f'{numeric_columns[i]} ~ bill_length_mm',data=biscoe_adelie_df).fit().params)

Carlos Mazzaroli

student

Tengo una duda si las variables se transponen no es mejor verlo así

que así

🤨🤨🤨

EDWING ALFONSO ARENAS RUEDA

student

## Limitaciones de la regresión lineal

Aunque es un modelo poderoso y fácil de interpretar, tiene varias limitaciones:

1️- Suposición de linealidad

Problema: La regresión lineal asume que la relación entre las variables es lineal.

Consecuencia: Si la relación es curva o no lineal, el modelo no funcionará bien.

Solución: Se pueden probar transformaciones de las variables (logaritmos, polinomios) o usar modelos más avanzados (árboles de decisión, redes neuronales).

2️- Sensible a valores atípicos

Problema: Pocos valores extremos pueden afectar la pendiente de la línea de regresión.

Consecuencia: Puede generar modelos con coeficientes erróneos.

Solución: Detectar y manejar outliers con métodos como el z-score o el IQR (rango intercuartil).

3️- Suposición de independencia de los errores

Problema: La regresión asume que los errores (ε) no están correlacionados entre sí.

Consecuencia: Si los errores presentan patrones (como en datos de series temporales), el modelo puede ser engañoso.

Solución: Usar pruebas como Durbin-Watson y modelos como ARIMA o Regresión Ridge.

4️- Homocedasticidad (varianza constante de los errores)

Problema: Se asume que los errores tienen una varianza constante.

Consecuencia: Si la dispersión de los errores aumenta con X, la regresión pierde confiabilidad.

Solución: Diagnosticarlo con un gráfico de residuos y probar transformaciones en Y.

5️- Multicolinealidad en regresión múltiple

Problema: Si las variables independientes están correlacionadas entre sí, la interpretación de los coeficientes se vuelve confusa.

Consecuencia: Puede hacer que el modelo sea inestable.

Solución: Usar métricas como el VIF (Factor de Inflación de la Varianza) y eliminar variables redundantes.

6️- No captura relaciones complejas

Problema: Modelos lineales no pueden capturar relaciones no lineales o interacciones complejas entre variables.

Solución: Usar regresiones polinómicas, árboles de decisión o modelos más avanzados.

Johnny Campiño

student

De dónde sale la función smf.ols? El profe se salta de dónde sale y no logro correr el código en Deepnote.

Lopez Florez Juan Jose

student

Hola!

Un poco tarde, pero sale de la librería statsmodels. Para utilizarla pon el siguiente comando:

import statsmodels.formula.api as smf

Si por alguna razón te sale que statsmodels no lo tienes instalado entonces:

pip install statsmodels

Espero sea de ayuda!

Carlos Mazzaroli

student

Porque en el minuto 8,30 se grafican el slope con el slope transpuesto en un mismo gráfico? no entiendo bien en que sirve hacerlo

Yonatan Efraín Jara Boza

student

Hola compañero. El gato encerrado esta en los ejes. Ese transpuesto es de forma automática, o sea el profesor no lo solicita en código. Eso significa que la segunda línea recta para encajar en el universo de la primera línea se acopla naturalmente. Sería injusto comparar las líneas de regresión si una tiene el eje de longitudes en horizontal y la otra en vertical. Pd. Que pena que hasta ahora te respondan, la plataforma debe trabajar seriamente en la sección de preguntas.

Andres Sanchez

student

21. Limitaciones del análisis de regresión simple

Limitaciones

La regresión lineal simple de A - B no es lo mismo que la de B - A.
Si dos variables crecen o decrecen siguiendo las mismas pautas, no implica necesariamente que una cause la otra.
Solo puede manejar relaciones lineales.

Antonio Demarco Bonino

student

Seaborn hace que la vida de todo DATA sea más cómoda. Gracias.

Jeison Wu Mitre

student

Explicacion del codigo de grafico de dispersion con linea de regresion

# Primero llamamos la funcion scatterplot de seaborn


sns.scatterplot(

    # Como sabemos ingresamos los datos y de ahi ya podemos mencionar que parte de los datos vamos a analizar
    
    data=process_prenguin_df,
    x='bill_length_mm',
    y='bill_depth_mm'
)

# Aqui creamos un array que indique donde inicia y termina los datos en X, en esta caso bill_length_mm


fx1 = np.array([process_prenguin_df.bill_length_mm.min(),
                process_prenguin_df.bill_length_mm.max()])

# Aqui representamos la funcion de la linea, donde es Y0 + MX, teniendo el intercept como el valor que toma y en el primer valor de X y el slope actuadno como una pendiente.

fy1 = res_x_y.intercept + res_x_y.slope * fx1

plt.plot(fx1,fy1)

Bryan Carvajal

student

x = processed_penguins_df.bill_length_mm
y = processed_penguins_df.bill_depth_mm

res_x_y = scipy.stats.linregress(x=x,y=y)
res_y_x = scipy.stats.linregress(x=y,y=x)

fx1 = np.array([processed_penguins_df.bill_length_mm.min(), processed_penguins_df.bill_length_mm.max()])
fy1 = res_x_y.intercept + res_x_y.slope * fx1

fx2 = np.array([processed_penguins_df.bill_depth_mm.min(), processed_penguins_df.bill_depth_mm.max()])
fy2 = res_y_x.intercept + res_y_x.slope * fx2

print(res_x_y, res_y_x, sep='\n')
fig, ax = plt.subplots(1,2, figsize=(15,10))
sns.scatterplot(ax=ax[0],x=x,y=y)
sns.scatterplot(ax=ax[1],x=y,y=x)
ax[0].plot(fx1,fy1)
ax[0].plot(fy2,fx2)
ax[1].plot(fx2,fy2)
ax[1].plot(fy1,fx1)

Carlos Andrés Pinilla Castillo

student

Crea modelo de regresion a partir de variables que le doy.

David Gonzalez

student

Jhonntan Andres Castaño Rojas

student

podrian por favor colocar el notebook solucionado es que tengo problemas con el codigo y cuando le doy al lik solo aparece el vacio

Christian David Guerrero Benavides

student

Hola, que tan efectiva es la mtriz de correlacion por el metodo de Spearman para relaciones no parametricas?

Jhonntan Andres Castaño Rojas

student

Slope es la misma pendiente?

Leandro Tenjo

student

Si. Significa, literalmente, Pendiente.

Dato importante que se saltó el profe 😅

Carlos Mazzaroli

student

si las variables se transponen no es mejor verlo asi

que asi

Yonatan Efraín Jara Boza

student

Hola, como mencione en la otra respuesta, para notar que ambas líneas de regresión son distintas tienen que jugar con las mismas reglas del campo, la visita se acopla. Redundando un poco más: Los slopes/pendientes de las regresiones del ejercicio son -0.08 y -0.63; estas pendientes aunque ambas negativas impactan muy muy distinto, eso no se refleja en el primer gráfico que compartes que tiene las pendientes casi iguales; con el segundo gráfico calzan correcto.

Ian Cristian Ariel Yané

student

En realidad son las transpuestas.. es verdad

x = processed_penguins_df.bill_depth_mm
y = processed_penguins_df.bill_length_mm

res_x_y = scipy.stats.linregress(x=x, y=y)
res_y_x = scipy.stats.linregress(x=y, y=x)

#Fig. 1
sns.scatterplot(
    x=x,
    y=y
)

fx_1= np.array([x.min(), x.max()])
fy_1= res_x_y.intercept + res_x_y.slope * fx_1

plt.plot(fx_1, fy_1);

#Fig. 2
sns.scatterplot(
    x=y,
    y=x
)

fx_2= np.array([y.min(), y.max()])
fy_2= res_y_x.intercept + res_y_x.slope * fx_2

plt.plot(fx_2, fy_2)

# Fig. 3
sns.scatterplot(
    x=x,
    y=y
)
plt.plot(fx_1, fy_1)
plt.plot(fy_2, fx_2)

#Regresion lineal de x en funcion de y
sns.scatterplot(
    x=x,
    y=y
)

f_x1 = np.array([x.min(), x.max()])
fy_1 = res_x_y.intercept + res_x_y.slope*fx_1

#Regresion lineal de y en funcion de x
sns.scatterplot(
    x=y,
    y=x
)

fx_2 = np.array([y.min(), y.max()])
fy_2 = res_y_x.intercept + res_y_x.slope*fx_2

plt.plot(fx_1, fy_1)
plt.plot(fx_2, fy_2)

#bill_depth como variable x
(
    smf.ols(
        formula='bill_length_mm ~ bill_depth_mm',
        data= preprocessed_penguins_df
    )
    .fit()
    .params
)

#bill_length como variable x
(
    smf.ols(
        formula='bill_depth_mm ~ bill_length_mm',
        data= preprocessed_penguins_df
    )
    .fit()
    .params
)

(
    smf.ols(
        formula='bill_length_mm ~ bill_depth_mm ',
        data=processed_penguins_df
    )
    .fit()
    .params
)

(
    smf.ols(
        formula='bill_depth_mm ~ bill_length_mm',
        data=processed_penguins_df
    )
    .fit()
    .params
)

species = penguins_df.species.unique()

adelie_df = penguins_df.query("species == 'Adelie'")
gentoo_df = penguins_df.query("species == 'Gentoo'")
chinstrap_df = penguins_df.query("species == 'Chinstrap'")

specie = [adelie_df,gentoo_df,chinstrap_df]
numeric_columns = penguins_df.select_dtypes(include=np.number).columns

# Graph linear regresion for XY and YX with intercept and slope
fig,ax = plt.subplots(2,3,figsize=(20,10))

# list for intercept and slope from linear regression
xy = []
yx = []

for j in range(2):
    for i in range(4):

        # Variables
        x='bill_length_mm'
        y=numeric_columns[i]

        if y == 'bill_length_mm':pass
        else:
            # Graphs 
            if j == 0:
                sns.regplot(
                    ax=ax[j][i] if i==0 else ax[j][i-1],
                    data=biscoe_adelie_df,
                    x='bill_length_mm',
                    y=numeric_columns[i]
                )

                ax[j][i].legend({f'x: {x}\n y: {y}'}) if i==0 else ax[j][i-1].legend({f'x: {x}\n y: {y}'}),

                # Calc Intercept and slope for xy
                xy.append(smf.ols(formula=f'bill_length_mm ~ {numeric_columns[i]}',data=biscoe_adelie_df).fit().params)

                
            else:
                sns.regplot(
                    ax=ax[j][i] if i==0 else ax[j][i-1],
                    data=biscoe_adelie_df,
                    x=numeric_columns[i],
                    y='bill_length_mm',
                )
                ax[j][i].legend({f'x: {y}\n y: {x}'}) if i==0 else ax[j][i-1].legend({f'x: {y}\n y: {x}'}),

                # Calc Intercept and slope for yx
                yx.append(smf.ols(formula=f'{numeric_columns[i]} ~ bill_length_mm',data=biscoe_adelie_df).fit().params)

# Primero llamamos la funcion scatterplot de seaborn

sns.scatterplot(

    # Como sabemos ingresamos los datos y de ahi ya podemos mencionar que parte de los datos vamos a analizar
    
    data=process_prenguin_df,
    x='bill_length_mm',
    y='bill_depth_mm'
)

# Aqui creamos un array que indique donde inicia y termina los datos en X, en esta caso bill_length_mm

fx1 = np.array([process_prenguin_df.bill_length_mm.min(),
                process_prenguin_df.bill_length_mm.max()])

# Aqui representamos la funcion de la linea, donde es Y0 + MX, teniendo el intercept como el valor que toma y en el primer valor de X y el slope actuadno como una pendiente.

fy1 = res_x_y.intercept + res_x_y.slope * fx1

plt.plot(fx1,fy1)

x = processed_penguins_df.bill_length_mm
y = processed_penguins_df.bill_depth_mm

res_x_y = scipy.stats.linregress(x=x,y=y)
res_y_x = scipy.stats.linregress(x=y,y=x)

fx1 = np.array([processed_penguins_df.bill_length_mm.min(), processed_penguins_df.bill_length_mm.max()])
fy1 = res_x_y.intercept + res_x_y.slope * fx1

fx2 = np.array([processed_penguins_df.bill_depth_mm.min(), processed_penguins_df.bill_depth_mm.max()])
fy2 = res_y_x.intercept + res_y_x.slope * fx2

print(res_x_y, res_y_x, sep='\n')
fig, ax = plt.subplots(1,2, figsize=(15,10))
sns.scatterplot(ax=ax[0],x=x,y=y)
sns.scatterplot(ax=ax[1],x=y,y=x)
ax[0].plot(fx1,fy1)
ax[0].plot(fy2,fx2)
ax[1].plot(fx2,fy2)
ax[1].plot(fy1,fx1)

Introducción al análisis exploratorio de datos

¿Qué es y para qué sirve el análisis exploratorio de datos?

¿Cómo hacer un análisis exploratorio de datos?

Tipos de análisis de datos

Tipos de datos y análisis de variables

Herramientas de software para el análisis exploratorio de datos

Conociendo nuestros datos: palmerpenguins

Recolección de datos, limpieza y validación

Ejercicio de validación de datos

Análisis univariado

Explorando una variable categórica: conteos y proporciones

Estadística descriptiva aplicada: medidas de tendencia central

Estadística descriptiva aplicada: medidas de dispersión

Ejercicio de obtención de medidas de dispersión

Estadística descriptiva aplicada: distribuciones

Estadística descriptiva aplicada: funciones de densidad de probabilidad

Bonus: Teorema del límite central

Análisis bivariado

Estableciendo relaciones: gráficos de puntos

Estableciendo relaciones: gráficos de violín y boxplots

Estableciendo relaciones: matrices de correlación

Limitantes de los coeficientes de correlación lineal

Estableciendo relaciones: análisis de regresión simple