Help
Options
Didn't know it?
click below
click below
Knew it?
click below
click below
Don't Know
Remaining cards (0)
Know
retry
shuffle
restart
0:00
Embed Code - If you would like this activity on your web page, copy the script below and paste it into your web page.
Normal Size Small Size show me how
Normal Size Small Size show me how
Modelos de Regresión
| Term | Definition |
|---|---|
| Regresión lineal | Técnica estadistica que busca modelar la relación entre una variable dependiente (resultado) y una o más variables independientes (predictoras) mediante una linea recta que se ajusta a los datos |
| Grafico en la regresión lineal | La regresión linear intenta dibujar una linea recta que se ajuste a los puntos de la grafica (datos), minimizando la distancia entre ellos y la linea. |
| Variables dependientes | Representan el resusltado que deseas predecir o explicar. |
| Variables independientes | Son los factores que utilizamos para predecir o explicar el resultado |
| RRelación entre variables | La regresión lineal establece una relación matematica entre las variables dependientes e independientes, nuscando determinar como los cambios en las independientes afectan el resultado |
| En un gráfico, que eje representan las variables independientes? | Eje X |
| En un gráfico, que eje representan las variables dependientes? | Eje Y |
| Regresión simple | Se basa en el uso de una sola variable independiente para predecir la variable dependiente. |
| Es fácil de interpretar y útil cuando hay una relación clara directa entre dos variables | Regresión simple |
| Regresión múltiple | Implica el uso de varias variables independientes como predictores. |
| Permite mayor precisión al capturar la influencia de diversos factores en el resultado | Regresión múltiple |
| Beneficios de la regresión multiple | Utilizar multiples variables puede reducir los errores asociados con el modelo y proporcionar mejores estimaciones. |
| Limitaciones regresión simple | No captura la complejidad de relaciones o situaciones en las que múltiples factores influyen |
| De que depende el elegir uun modelo simple o múltiple? | De los datos disponibles, la naturaleza de la relación entre las variables y el contexto del analisis. |
| Coeficiente | Representa cuánto cambia la variable dependiente por cada unidad que incremente la variable independiente. |
| Medida clave para interpretar los resultados de una regresión lineal | Coeficiente |
| Coeficiente negativo | Refleja una relación inversa entre la independencia y la dependencia. |
| Ejemplo de coeficiente negativo | Si el coeficiente es -8.9, significa que por cada hora adicional de sueñoñ, el mal humor disminuye en 8.9 puntos. |
| Coeficiente positivo | Si el coeficiente es positivo, indica que tanto la variable dependiente como la independiente aumentan juntas |
| Variación en magnitudes | Los valores del ceoficiente pueden variar dependiendo de la escala de las variables. Coeficientes pequeños pueden tener grandes impactos si la variable independiente se mide en una escala alta |
| Que muestra cada coeficiente en una regresión multiple? | Cada coeficiente muestra el impacto individual de una variable independiente sobre la variable dependiente, |
| R2 (R al cuadrado) | Mide que tan cerca están los datos observados de los valores predichos por el modelo. Representa el porcentaje de variación de la variable dependiente explicado por las variables independientes. |
| Que significa un valor de R2 cercano a 1? | Indica que el modelo tiene una alta capacidad explicativa, es decir, puede predecir la mayoria de los cambios en la variable dependiente. |
| Que significa un valor de R2 bajo (menor a 1)? | Significa que las variables independiente explican solo una fracción de la variación, lo que sugiere que el modelo no es muy util. |
| Un valor elevado de R2 es deseable? | Si, en aplicaciones practicas ya que valida la capacidad predictiva del modelo, pero siempre debe de evaluarse en conjunto con otros indicadores y gráficos de dispersión |
| Limitaciones del R2 | No siempre indica causalidad ni garantiza que el modelo sea completamente adecuado. Es necesario complementarlo con otros analisis, como el p-valor y la evaluación de sobreajuste |
| p-valor | Indica sí los resultados observados en un analisis estadistico son significativos o simplemente se deben al azar, estableciendo un criterio común, como el umbral 0.05, para tomar decisiones más fundamentadas |
| Regla del 0.05 | Si el p-valor es menor a 0.05, la relación entre las variables puede considerarse significativa y no aleatoria; valores superiores a 0.05 implican que no hay pruebas suficientes para conferir la relación estadistica. |
| Limitaciones del p-valor | No mide la magnitud o importancia de la relación. Los investigadores deben complementarlo con otroas métricas, como el tamaño del efecto, para una interpretación más completa |
| Como se usa el p-valor en modelos de regresión? | Ayuda a identificar cualespredictores tienen un impacto real en la variable dependiente, descartando aquellos que no son estadisticamente relevantes |
| Que pregunta nos ayudan a responder los predictores? | ¿Que factores especificos influyen en la aparición o evolución de un desenlace determinado? |
| Que busca la investigación clinica? | Desentrañar como los diversos factores (predictores) se relacionan con los resultados de salud (desenlaces) |
| 1 desenlace principal | Resultado primario que el estudio esta diseñado para mediry sobre el cual se basan las conclusiones más importantes |
| Varios predictores | Conjunto de variables que se analizan enrelación con ese desenlace principal, incluyendo factores demograficos, clinicos, de estilo de vida, etc. |
| ¿Que es un Modelo de regresión? | Una tecnica estadistica avanzada que nos permite cuantificar y describir la relación entre una o más variables predictorasy una variable de desenlace. |
| ¡Cual es el objetivo principal de un Modelo de Regresión? | Estimar el efecto (o la asociación) que cada predictor tiene sobre el desenlace,controlando el impacto de otras variables enel modelo |
| Aplicaciones de un Modelo de Regresión | Predecir resultados futuros, ajustar por multiples variables al mismo tiempo, controlar factores de confusión |
| ¿Que significa decodificar? | Intempretar, analizar y convertir datos, indicioso información cruda en conocimiento comprensible y útil. |
| Decodificar datos | Proceso de transformar un mensaje o señal "codificada" en un formato inteligible para extraersignificado puro |
| Proceso de decodificación | 1) datos crudos, información sinn procesar 2) Analisis, examendetallado 3) Interpretación, comprensión profunda 4) Conocimiento, acción aplicable |
| El "porque" | Entender las causas y motivaciones detrás de un evento o compartamiento |
| El "como" | Comprender los mecanismos y procesos que llevaron a un resultado especifico |
| Desafios en decodificación | Complejidad de datos, sesgos de interpretación, contexto incompleto |
| Medidas de asociación | Herramientas estadisticas fundamentales que cuantifican la relación entre una exposición y un resultado en estudios clinicos. |
| Permiten determinar si un tratamiento, factor de riesgo o intervención tiene un efecto significativo en la salud de los pacientes, escenciales para tomar decisiones basadas en evidencia | Medidas de asociación |
| Son medidas de asociación: | Riesgo relativo (RR), Odds ratio (OR), Razón de prevalencia (RP) |
| Medidas de impacto o del efecto | Roesgo atribueible, fracción atribuible en expuestos, reducción absoluta del riesgo, reducción relativa del riesgo, número de sujetos a tratatar (NNT) |
| Riesgo relativo (RR) | Razón de dos incidencias acumuladas. Cuantas veces más probable es enfermerse si te expones al factor |
| En que tipo de estudios se usa el RR? | Estudios prospectivos (cohortes, ensayos clinicos) |
| Incidencia en Expuestos/Incidencia en No Expuestos | RR |
| Odds ratio (OR) | Compara la "ventaja" de exposición entre enfermos y sanos. No calcula incidencia real. |
| Tipos de estudios donde se usa OR? | Estudios retrospectivos (Casos y controles) |
| Casos Expuestos X Control No Expuesto/Control Expuesto X Casos No Expuestos | RR |
| Riesgo (Probabilidad) | Eventos/Total de sujetos |
| Odds (Momio/Ventaja) | Probabilidad de ocurrencia/Probabilidad de no ocurrencia |
| Factor protector | OR/RR < 1 |
| Factor de riesgo | OR/RR > 1 |
| Trampa del OR | OR sobreestima el riesgo cuando el evento es común. |
| Frecuencia del evento: Raro <10% | OR = RR (intercambiables) |
| Frecuencia del evento: Frecuente >10% | OR =/= RR (Sobreestimación) |
| Valor p | Probabilidad de que la diferencia observada sea por azar si la hipotesis nula fuera cierta |
| Número necesario a tratar (NNT) | ¿A cuantos pacientes debo tratar para evitar 1 evento negativo? |
| Número necesario para dañar (NNH) | Cantidad de pacientes que es necesario tratar con una intervención específica para que un paciente adicional presente un efecto adverso, secundario o perjudicial, en comparación con un grupo control |
Created by:
user-2038903