Regresión lineal y ANOVA: cuándo utilizar cada método y cómo interpretar los resultados

Regresión lineal y ANOVA aparecen en muchas asignaturas de Estadística, Psicología, ADE, Economía, Biología e Ingeniería. A veces se estudian como técnicas separadas, pero están más relacionadas de lo que parece.

La pregunta práctica es: ¿cuándo uso cada una y cómo interpreto el resultado?

Cuándo usar ANOVA

Usa ANOVA cuando quieres comparar la media de una variable cuantitativa entre tres o más grupos.

Ejemplo:

• Variable dependiente: nota en un test de memoria.
• Factor: método de estudio con tres grupos.
• Pregunta: ¿hay diferencias medias entre métodos?

ANOVA contrasta:

frente a que al menos una media sea distinta.

El estadístico principal es:

Si la variabilidad entre grupos es grande respecto a la interna, hay evidencia de diferencias.

Cuándo usar regresión lineal

Usa regresión lineal cuando quieres explicar o predecir una variable cuantitativa a partir de una o más variables.

El modelo simple es:

Ejemplo:

• Variable dependiente: nota.
• Variable explicativa: horas de estudio.
• Pregunta: ¿cómo cambia la nota esperada por cada hora adicional?

Si $\hat{\beta}_1=0.4$, interpretamos que una hora adicional se asocia con 0.4 puntos más en la nota esperada, según el modelo.

La conexión entre ANOVA y regresión

ANOVA puede verse como una regresión donde las variables explicativas son categóricas. Si tienes tres métodos de estudio, puedes crear variables indicadoras para comparar grupos.

Por eso ambas técnicas pertenecen al marco del modelo lineal. La diferencia está en cómo formulas la pregunta y qué tipo de predictores usas.

Interpretar ANOVA correctamente

Un resultado significativo en ANOVA no dice automáticamente qué grupos difieren. Solo indica que no todas las medias parecen iguales.

Después necesitas comparaciones post hoc o contrastes planificados.

Una redacción básica:

Se encontraron diferencias estadísticamente significativas entre métodos de estudio, $F(2,57)=5.31$, $p=0.008$. Las comparaciones posteriores indicaron que el método A obtuvo una media superior al método C.

Interpretar regresión correctamente

En regresión, no basta con decir si el modelo es significativo. Debes interpretar coeficientes:

• $\hat{\beta}_0$: valor esperado de $Y$ cuando $X=0$, si tiene sentido.
• $\hat{\beta}_1$: cambio esperado en $Y$ por cada unidad adicional de $X$.
• $R^2$: proporción de variabilidad explicada por el modelo.

Si hay varios predictores, añade "manteniendo constantes las demás variables".

Errores frecuentes

• Usar ANOVA con dos grupos cuando una t de Student sería suficiente, aunque ANOVA también puede dar resultado equivalente.
• Decir que ANOVA indica exactamente qué grupo difiere sin hacer comparaciones.
• Interpretar correlación o regresión como causalidad automática.
• Olvidar revisar supuestos.
• Informar solo $p$ sin magnitud del efecto.

Decisión rápida

Usa esta regla:

• Variable dependiente cuantitativa y predictor categórico con grupos: ANOVA.
• Variable dependiente cuantitativa y predictor cuantitativo: regresión.
• Varios predictores mixtos: modelo lineal/regresión con variables codificadas.

Para profundizar en regresión, lee Econometría desde cero. Para decidir entre pruebas, revisa qué prueba estadística utilizar.