0:00:00.087,0:00:06.941
♪ [música] ♪

0:00:20.830,0:00:22.027
[Thomas Stratmann] Hola.

0:00:22.027,0:00:24.128
En las próximas series de videos

0:00:24.128,0:00:26.808
les vamos a dar una herramienta[br]nueva muy útil

0:00:26.808,0:00:30.334
para ponerla en su caja de herramientas[br]de <i>Understanding Data</i>

0:00:30.334,0:00:31.981
regresión lineal.

0:00:32.685,0:00:34.608
Imaginemos que tiene esta teoría.

0:00:34.608,0:00:39.186
Ha visto que las personas atractivas[br]parecen tener ventajas especiales.

0:00:39.462,0:00:40.728
Y se pregunta

0:00:40.728,0:00:43.752
"¿Dónde más se podría ver este fenómeno?".

0:00:43.752,0:00:45.567
¿Qué tal el caso de los profesores?

0:00:45.567,0:00:49.930
¿Es posible que los profesores atractivos[br]obtengan ventajas especiales también?

0:00:49.930,0:00:53.779
¿Es posible que los estudiantes[br]los traten mejor

0:00:53.779,0:00:57.349
con evaluaciones[br]mejores de los estudiantes?

0:00:57.756,0:01:00.427
Si es así, ¿el efecto de la apariencia

0:01:00.427,0:01:03.620
en las evaluaciones[br]es grande o muy pequeño?

0:01:04.059,0:01:08.199
Supongamos que un profesor nuevo[br]está comenzando en una universidad.

0:01:08.199,0:01:13.485
¿Qué podemos predecir sobre su evaluación[br]con solo mirar su apariencia?

0:01:13.830,0:01:17.261
Dado que estas evaluaciones[br]pueden determinar los aumentos salariales

0:01:17.261,0:01:21.619
si esta teoría fuera cierta,[br]veríamos a profesores recurrir

0:01:21.619,0:01:24.995
a tácticas sorprendentes[br]para mejorar sus puntajes.

0:01:25.331,0:01:27.291
Supongamos que quería saber

0:01:27.291,0:01:30.813
si las evaluaciones mejoran[br]con una mejor apariencia.

0:01:31.261,0:01:34.484
¿Cómo haría para probar esta hipótesis?

0:01:34.856,0:01:36.331
Podría recolectar datos.

0:01:36.331,0:01:40.025
Primero, le pediría a los estudiantes[br]que califiquen en una escala del 1 al 10

0:01:40.025,0:01:42.026
qué tan apuesto les parece un profesor

0:01:42.026,0:01:44.949
lo que les da un puntaje[br]de atractivo promedio.

0:01:44.949,0:01:48.552
Luego, puede extraer las evaluaciones[br]de enseñanza del profesor

0:01:48.552,0:01:50.361
de 25 estudiantes.

0:01:50.361,0:01:53.203
Veamos estas dos variables al mismo tiempo

0:01:53.203,0:01:54.771
usando una dispersión.

0:01:54.771,0:01:57.512
Pondremos el atractivo[br]en el eje horizontal

0:01:57.512,0:02:00.725
y las evaluaciones del profesor[br]en el eje vertical.

0:02:01.093,0:02:05.444
Por ejemplo, este punto[br]representa al profesor Peate

0:02:06.083,0:02:08.811
que recibió un puntaje de atractivo de 3

0:02:08.811,0:02:11.854
y una evaluación de 8.425.

0:02:11.854,0:02:14.918
Este de aquí es el profesor Helmchen

0:02:14.918,0:02:16.627
que es muy atractivo.

0:02:16.627,0:02:20.721
Y obtuvo un puntaje de atractivo alto,[br]pero una evaluación no muy buena.

0:02:20.721,0:02:22.183
¿Pueden ver una tendencia?

0:02:22.183,0:02:24.483
Mientras nos movemos[br]de izquierda a derecha

0:02:24.483,0:02:27.753
en el eje horizontal,[br]de lo feo a lo atractivo

0:02:27.753,0:02:31.370
vemos una tendencia ascendente[br]en los puntajes de evaluación.

0:02:31.680,0:02:35.134
Por cierto, los datos[br]que revisamos en estas series

0:02:35.134,0:02:36.618
no son inventados

0:02:36.618,0:02:40.914
pertenecen a un estudio real,[br]realizado en la Universidad de Texas.

0:02:41.217,0:02:46.023
Si se preguntan, "pulcritud" es[br]una manera elegante y académica

0:02:46.023,0:02:47.970
de referirse a lo atractivo.

0:02:48.295,0:02:51.414
Con las dispersiones, puede ser difícil

0:02:51.414,0:02:55.404
distinguir la relación exacta[br]entre dos variables

0:02:55.404,0:02:59.014
sobre todo, cuando los valores[br]fluctúan un poco

0:02:59.014,0:03:01.451
si nos desplazamos de izquierda a derecha.

0:03:01.910,0:03:04.718
Una manera de suprimir esta fluctuación

0:03:04.718,0:03:08.084
es dibujando una línea recta[br]a través de la nube de datos

0:03:08.084,0:03:10.635
de manera que esta línea resuma los datos

0:03:10.635,0:03:12.646
lo más aproximado posible.

0:03:13.145,0:03:17.268
El término técnico para esto[br]es "regresión lineal".

0:03:17.639,0:03:20.808
Más adelante, hablaremos[br]sobre cómo se crea esta línea

0:03:20.808,0:03:24.178
pero por ahora supongamos[br]que la línea encaja con los datos

0:03:24.178,0:03:26.476
lo más aproximado posible.

0:03:26.987,0:03:29.697
¿Qué nos puede decir esta línea?

0:03:29.697,0:03:32.356
Primero, vemos rápidamente

0:03:32.356,0:03:35.428
si la línea se inclina[br]hacia arriba o hacia abajo.

0:03:35.907,0:03:39.967
En nuestro conjunto de datos, vemos[br]que la línea se inclina hacia arriba.

0:03:40.624,0:03:43.667
Esto confirma lo que especulamos antes

0:03:43.667,0:03:45.605
con solo observar la dispersión.

0:03:46.000,0:03:49.987
La pendiente ascendente significa[br]que existe una asociación positiva

0:03:49.987,0:03:53.164
entre los puntajes[br]de atractivo y de evaluación.

0:03:53.164,0:03:55.727
En otras palabras, en promedio

0:03:55.727,0:03:59.498
los profesores más atractivos[br]obtienen mejores evaluaciones.

0:03:59.498,0:04:04.017
Para otros conjuntos de datos,[br]podríamos ver una asociación más fuerte

0:04:04.017,0:04:07.523
o podría haber una asociación negativa.

0:04:07.817,0:04:10.778
O quizás no obtendría ninguna asociación.

0:04:10.778,0:04:13.985
Y nuestras líneas[br]no tienen que ser rectas.

0:04:14.359,0:04:17.304
Pueden ser una curva para encajar[br]los datos cuando sea necesario.

0:04:17.770,0:04:21.262
Esta línea también nos brinda[br]una manera de predecir los resultados.

0:04:21.579,0:04:25.569
Podemos tomar un puntaje de atractivo[br]y medir la línea

0:04:25.569,0:04:28.429
de lo que sería el puntaje[br]de evaluación predicho.

0:04:28.429,0:04:30.229
Ahora volvamos al profesor nuevo.

0:04:30.229,0:04:31.297


0:04:31.297,0:04:34.109
Podemos medir con precisión[br]su puntaje de evaluación.

0:04:34.683,0:04:36.749
Pero esperen un momento

0:04:37.019,0:04:38.749
¿podemos confiar en esta predicción?

0:04:39.233,0:04:41.665
¿Qué tan bien esta variable de atractivo

0:04:41.665,0:04:43.515
predice las evaluaciones?

0:04:44.844,0:04:47.890
La regresión lineal nos brinda[br]algunas medidas útiles

0:04:47.890,0:04:49.770
para responder esas preguntas

0:04:49.770,0:04:52.039
de las cuales hablaremos[br]en un próximo video.

0:04:52.838,0:04:55.439
Además, debemos tener cuidado[br]de otros inconvenientes

0:04:55.439,0:04:58.340
antes de llegar[br]a conclusiones definitivas.

0:04:58.833,0:05:00.430
Imaginemos un escenario

0:05:00.430,0:05:03.639
donde lo que está impulsando[br]la asociación que vemos

0:05:03.639,0:05:06.900
es una tercera variable[br]que dejamos de lado.

0:05:07.344,0:05:09.965
Por ejemplo, la dificultad del curso

0:05:09.965,0:05:12.456
podría estar[br]detrás de la asociación positiva

0:05:12.456,0:05:15.645
entre las tasas de atractivo[br]y los puntajes de evaluación.

0:05:16.052,0:05:18.956
Los cursos introductorios fáciles[br]obtienen evaluaciones buenas

0:05:19.228,0:05:22.972
y los cursos más difíciles y avanzados[br]obtienen evaluaciones malas.

0:05:23.660,0:05:27.668
Los profesores jóvenes pueden ser[br]asignados a los cursos introductorios.

0:05:28.080,0:05:32.095
Entonces, si los estudiantes piensan[br]que los profesores más jóvenes...

0:05:32.095,0:05:34.335
encontrarán una asociación positiva

0:05:34.335,0:05:37.383
entre las tasas de atractivo[br]y los puntajes de evaluación.

0:05:37.861,0:05:40.388
Pero la dificultad del curso

0:05:40.388,0:05:43.537
la variable que dejamos de lado,[br]y no la parte del atractivo

0:05:43.537,0:05:45.848
lo que está impulsando[br]los puntajes de evaluaciones.

0:05:46.346,0:05:49.807
En ese caso, las horas en el espejo[br]no servirían de nada

0:05:50.289,0:05:53.620
un caso de correlación erróneo[br]por causalidad.

0:05:53.620,0:05:54.900


0:05:54.900,0:05:58.166
Hablaremos sobre esto en otro video.

0:05:58.922,0:06:02.069
¿Y qué sucedería si hubiera[br]otras variables importantes

0:06:02.069,0:06:05.781
que afecten tanto las tasas de atractivo[br]como los puntajes de evaluación?

0:06:06.626,0:06:09.575
Podría querer agregar consideraciones[br]como la habilidad, la raza, el sexo

0:06:09.846,0:06:14.577
y si el idioma inglés es[br]la lengua nativa del profesor

0:06:14.577,0:06:18.994
para aislar más el efecto[br]del atractivo en las evaluaciones.

0:06:19.408,0:06:21.758
Cuando tenemos una regresión múltiple

0:06:21.758,0:06:24.477
podremos medir el impacto del atractivo

0:06:24.477,0:06:26.219
en las evaluaciones del profesor

0:06:26.219,0:06:28.368
mientras consideramos otras variables

0:06:28.368,0:06:30.737
que podrían confundir esta asociación.

0:06:31.762,0:06:35.509
En el próximo episodio,[br]jugaremos un poco con estos datos

0:06:35.509,0:06:39.070
para obtener un mejor entendimiento[br]de lo que esta línea puede decirnos.

0:06:41.169,0:06:42.445
[Narrador] ¡Felicitaciones!

0:06:42.445,0:06:45.247
Está un paso más cerca[br]de ser un ninja de los datos.

0:06:45.568,0:06:47.139
Pero para mejorar,[br]necesita fortalecer sus habilidades

0:06:47.139,0:06:48.700


0:06:48.700,0:06:50.404
con algunas preguntas de práctica.

0:06:50.865,0:06:53.976
¿Listo para su próxima misión?[br]Haga clic en <i>"Next Video"</i>.

0:06:54.313,0:06:55.364
¿Sigue aquí?

0:06:55.598,0:06:58.325
Pase de entender los datos[br]a entender su mundo

0:06:58.325,0:07:01.642
revisando nuestros otros videos[br]populares de economía de MRU.

0:07:01.892,0:07:04.406
♪ [música] ♪