-
♪ [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 tienen esta teoría.
-
Han visto que las personas atractivas
parecen tener ventajas especiales.
-
Y se preguntan
-
"¿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
-
con 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.
-
¿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 quieren saber
-
si las evaluaciones mejoran
con una mejor apariencia.
-
¿Cómo harían para probar esta hipótesis?
-
Podrían recolectar datos.
-
Primero, le pedirían 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, pueden 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
-
pertenecen a 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 haber una asociación negativa.
-
O quizás no obtendría ninguna asociación.
-
Y nuestras líneas
no tienen que ser rectas.
-
Puede ser una curva para encajar
los datos cuando sea necesario.
-
Esta línea también nos brinda
una manera de predecir los resultados.
-
Podemos tomar un puntaje de atractivo
y medir la línea
-
de lo que sería el puntaje
de evaluación predicho.
-
Ahora volvamos al profesor nuevo.
-
Podemos medir con precisión
su puntaje de evaluación.
-
Pero esperen un momento
-
¿podemos confiar en esta predicción?
-
¿Qué tan bien esta variable de atractivo
-
predice las evaluaciones?
-
La regresión lineal nos brinda
algunas medidas útiles
-
para responder esas preguntas
-
de las cuales hablaremos
en un próximo video.
-
Además, debemos tener cuidado
de otros inconvenientes
-
antes de llegar
a conclusiones definitivas.
-
Imaginemos este escenario
-
donde lo que está impulsando
la asociación que vemos
-
es una tercera variable
que dejamos de lado.
-
Por ejemplo, la dificultad del curso
-
podría estar
detrás de la asociación positiva
-
entre las tasas de atractivo
y los puntajes de evaluación.
-
Los cursos introductorios fáciles
obtienen evaluaciones buenas
-
y los cursos más difíciles y avanzados
obtienen evaluaciones malas.
-
Los profesores jóvenes pueden ser
asignados a los cursos introductorios.
-
Entonces, si los estudiantes piensan
que los profesores jóvenes son atractivos
-
encontrarán una asociación positiva
-
entre las tasas de atractivo
y los puntajes de evaluación.
-
Pero la dificultad del curso
-
la variable que dejamos de lado,
y no la parte del atractivo
-
lo que está impulsando
los puntajes de evaluaciones.
-
En ese caso, las horas en el espejo
no servirían de nada
-
un caso de correlación erróneo
por causalidad.
-
Hablaremos sobre esto en otro video.
-
¿Y qué sucedería si hubiera
otras variables importantes
-
que afecten tanto las tasas de atractivo
como los puntajes de evaluación?
-
Podría agregar consideraciones
como la habilidad, la raza, el sexo
-
y si el idioma inglés es
la lengua nativa del profesor
-
para aislar más el efecto
del atractivo en las evaluaciones.
-
Cuando tenemos una regresión múltiple
-
podremos medir el impacto del atractivo
-
en las evaluaciones del profesor
-
mientras consideramos otras variables
que podrían confundir esta asociación.
-
En el próximo episodio,
jugaremos un poco con estos datos
-
para obtener un mejor entendimiento
de lo que esta línea puede decirnos.
-
[Narrador] ¡Felicitaciones!
-
Está un paso más cerca
de ser un ninja de los datos.
-
Pero si quiere mejorar,
debe fortalecer sus habilidades
-
con algunas preguntas de práctica.
-
¿Está listo para su próxima misión?
Haga clic en "Next Video".
-
¿Sigue aquí?
-
Pase de entender los datos
a entender su mundo
-
revisando nuestros otros videos
populares de economía de MRU.
-
♪ [música] ♪
Marginal Revolution University
