-
♪ [música] ♪
-
[Thomas Stratmann] Hola.
-
En las próximas series de videos
-
les vamos a dar una herramienta
nueva muy útil
-
para ponerla en su caja de herramientas
de Understanding Data
-
regresión lineal.
-
Imaginemos que tiene esta teoría.
-
Ha visto que personas atractivas
parecen tener ventajas especiales.
-
-
Y se pregunta
-
"¿Dónde más se podría ver este fenómeno?".
-
¿Qué tal el caso de los profesores?
-
¿Es posible que los profesores atractivos
obtengan ventajas especiales también?
-
-
¿Es posible que los estudiantes
los traten mejor
-
llenándolos de evaluaciones
mejores de los estudiantes?
-
Si es así, ¿el efecto de la apariencia
-
en las evaluaciones
es grande o muy pequeño?
-
Supongamos que un profesor nuevo
está comenzando en una universidad.
-
Buenos días, amigos.
-
¿Qué podemos predecir sobre su evaluación
-
con solo mirar su apariencia?
-
Dado que estas evaluaciones
pueden determinar los aumentos salariales
-
si esta teoría fuera cierta,
veríamos a profesores recurrir
-
a tácticas sorprendentes
para mejorar sus puntajes.
-
-
Supongamos que quería saber
-
si las evaluaciones mejoran
con una mejor apariencia.
-
¿Cómo haría para probar esta hipótesis?
-
Podría recolectar datos.
-
Primero, le pediría a los estudiantes
que califiquen en una escala del 1 al 10
-
qué tan apuesto les parece un profesor
-
lo que les da un puntaje
de atractivo promedio.
-
Luego, puede extraer las evaluaciones
de enseñanza del profesor
-
de 25 estudiantes.
-
Veamos estas dos variables al mismo tiempo
-
usando una dispersión.
-
Pondremos el atractivo
en el eje horizontal
-
y las evaluaciones del profesor
en el eje vertical.
-
Por ejemplo, este punto
representa al profesor Peate
-
-
que recibió un puntaje de atractivo de 3
-
y una evaluación de 8.425.
-
Este de aquí es el profesor Helmchen
-
que es muy atractivo.
-
Y obtuvo un puntaje de atractivo alto
-
pero una evaluación no muy buena.
-
¿Pueden ver una tendencia?
-
Mientras nos movemos
de izquierda a derecha
-
en el eje horizontal,
de lo feo a lo atractivo
-
vemos una tendencia ascendente
en los puntajes de evaluación.
-
Por cierto, los datos
que revisamos en estas series
-
no son inventados
-
vienen de un estudio real,
realizado en la Universidad de Texas.
-
Si se preguntan, "pulcritud" es una manera
elegante y académica
-
de referirse a lo atractivo.
-
Con las dispersiones, puede ser difícil
-
distinguir la relación exacta
entre dos variables
-
sobre todo, cuando los valores
fluctúan un poco
-
si nos desplazamos de izquierda a derecha.
-
Una manera de suprimir esta fluctuación
-
es dibujando una línea recta
a través de la nube de datos
-
de manera que esta línea resuma los datos
-
lo más aproximado posible.
-
El término técnico para esto
es "regresión lineal".
-
Más adelante, hablaremos
sobre cómo se crea esta línea
-
pero por ahora supongamos
que la línea encaja con los datos
-
lo más aproximado posible.
-
¿Qué nos puede decir esta línea?
-
Primero, vemos rápidamente
-
si la línea se inclina
hacia arriba o hacia abajo.
-
En nuestro conjunto de datos, vemos
que la línea se inclina hacia arriba.
-
Esto confirma lo que especulamos antes
-
con solo observar la dispersión.
-
La pendiente ascendente significa
que existe una asociación positiva
-
entre los puntajes
de atractivo y de evaluación.
-
En otras palabras, en promedio
-
los profesores más atractivos
obtienen mejores evaluaciones.
-
Para otros conjuntos de datos,
podríamos ver una asociación más fuerte.
-
O podría tener una asociación negativa.
-
O quizás no obtendría ninguna asociación.
-
Y nuestras líneas
no tienen que ser rectas.
-
Pueden ser una curva para encajar
los datos cuando sea necesario.
-
Esta línea también nos brinda
una manera de predecir los resultados.
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
Marginal Revolution University
