HERNANDEZ_Metodologia de la investigación 5ta Edición

318
Capítulo 10 Análisis de los datos cuantitativos
Resultado: a (intercept) = 0.42
b (slope) = 0.65
Interpretación: Cuando X (autonomía) es 1, la predicción estimada de Y es 1.07; cuando X es 2,
la predicción estimada de Y es 1.72; cuando X es 3, Y será 2.37; cuando X es 4,
Y será 3.02, y cuando X es 5, Y será 3.67.
Y = a + bX
1.07 = 0.42 + 0.65 (1)
1.72 = 0.42 + 0.65 (2)
2.37 = 0.42 + 0.65 (3)
3.02 = 0.42 + 0.65 (4)
3.67 = 0.42 + 0.65 (5)
Consideraciones: la regresión lineal es útil con relaciones lineales, no con relaciones curvilineales.
Porque como señalan León y Montero (2003, p. 191) es un error atribuir a la relación causal una
covariación exclusivamente lineal: a mayores valores en la variable independiente, mayores valores en
la dependiente. Existen muchas relaciones de causa-efecto que no son lineales, como por ejemplo: la
vinculación entre ansiedad y rendimiento. Cierto grado de ansiedad ayuda a conseguir mejores resultados
en un examen o la práctica de un deporte; pero, por encima de cierto nivel (nerviosismo extremo),
la ejecución empeora. En la figura 10.19 se muestran ejemplos de estas relaciones.
Las relaciones curvilineales son aquellas en las cuales la tendencia varía: primero es ascendente y luego descendente, o
viceversa.
Se ha demostrado que una estrategia persuasiva con niveles altos de apelación al temor, por ejemplo, un comercial televisivo
muy dramático, provoca una baja persuasibilidad, lo mismo que una estrategia persuasiva con niveles muy bajos de apelación al
temor.
La estrategia persuasiva más adecuada es la que utiliza niveles medios de apelación al temor. Esta relación es curvilineal; se
representaría así:
Persuasibilidad
Y
Elevada
Media
Baja
Baja
Media
Alta
Apelación al temor X
Otras gráfi cas de relaciones curvilineales serían:
Y
Y
X
X
Figura 10.19 Ejemplos de relaciones curvilineales.
www.FreeLibros.com