Programa
Profesor
- Kevin Carrasco
- Departamento de Sociología N° 328
- kevin.carrasco@uchile.cl
- KevinCarrascoQ1
Información del curso
- Lunes
- Agosto 03–Noviembre 23, 2026
- 12:10-13:50 y 14:55-16:35
- UNAB
Resumen
Esta asignatura tributa al ámbito II del perfil de egreso, “Investigación Sociológica”, en el desarrollo del resultado de aprendizaje RA II.3: “Implementar estrategias de producción de datos cuantitativos y cualitativos sobre la realidad social, y aplicar estrategias de análisis de datos con apoyo de programas computacionales”.
Una vez finalizado el curso, el estudiante utilizará un programa computacional para realizar análisis estadísticos bivariados y multivariados de tipo paramétrico, utilizando el modelo de regresión lineal generalizado (GLM), y evaluará tanto la significancia estadística de las estimaciones mediante la prueba de significancia de la hipótesis nula, como también determinará la significancia práctica de los resultados mediante el cálculo de tamaños de efecto. Además, los estudiantes podrán evaluar la validez de constructo y fiabilidad de escalas en la investigación social.
Objetivo general
Al finalizar el curso, el/la estudiante podrá proponer, ajustar, evaluar e interpretar modelos de regresión lineal y logística binaria sobre datos sociales, utilizando el lenguaje R, y comunicar sus resultados de acuerdo con los estándares de reporte de la investigación social cuantitativa.
Aprendizajes esperados
Al concluir el curso lo/as estudiantes deberán haber alcanzado los siguientes resultados de aprendizaje:
AE1. Proponer y ajustar modelos de regresión lineal para determinar la magnitud, relación y significancia de la relación entre una o más variables independientes (categóricas o numéricas) y una variable dependiente numérica.
AE2. Evaluar si un modelo de regresión lineal cumple los supuestos estadísticos requeridos por esta técnica y, en caso de violación de supuestos, aplicar medidas paliativas o correctivas estándar para mejorar la generalización del modelo.
AE3. Realizar distintos tipos de análisis de correlación bivariada y comprender el modelo lineal generalizado y su aplicación a las ciencias sociales.
AE4. Proponer y ajustar modelos estadísticos bivariados para determinar la magnitud y significancia de la diferencia de medias entre dos o más grupos, sean independientes o relacionados, según el diseño experimental.
AE5. Evaluar la validez de constructo y la fiabilidad de escalas en la investigación social.
Saberes / contenidos
Unidad I: El modelo de regresión lineal
Introducción al modelo de regresión lineal simple: la ecuación de la recta (intercepto y pendiente). Variables dependientes e independientes. Coeficientes de regresión.
Suma de los cuadrados y error cuadrático medio. Estimación de parámetros mediante el método de los mínimos cuadrados.
Bondad de ajuste de un modelo lineal: R cuadrado, R cuadrado ajustado, error estándar del modelo, razón F y significancia estadística del modelo.
Significancia de las variables independientes: parámetros, error estándar, estadístico t, intervalos de confianza de los parámetros. Reporte de resultados.
El modelo de regresión lineal múltiple: coeficientes de regresión estandarizados, variables independientes numéricas y categóricas (codificación dummy). Centrar variables. Reporte de resultados.
Selección y comparación de modelos de regresión lineal: métodos stepwise o comparación en bloques. Reporte de resultados.
Unidad II: Supuestos del modelo de regresión lineal
Supuestos y fuentes de sesgo del modelo de regresión lineal.
Diagnóstico del modelo de regresión lineal: linealidad, homocedasticidad, baja colinealidad, independencia.
Técnicas para resolver la violación de supuestos del modelo de regresión lineal.
Estimación del poder estadístico de un modelo de regresión lineal.
Unidad III: Introducción a los modelos lineales generalizados (GLM)
El modelo lineal generalizado en la investigación social.
Análisis de correlación de dos variables numéricas: coeficiente de correlación de Pearson, coeficiente de correlación de Spearman. Reporte de resultados.
El coeficiente de determinación o R cuadrado. Reporte de resultados.
Correlaciones parciales y semiparciales. ¿Correlación o causalidad?
Unidad IV: Diseños experimentales: comparación de dos o más medias observadas
Comparación de dos medias independientes y relacionadas: supuestos, prueba t de Student (muestras independientes y relacionadas). Tamaño de efecto. Estimación de poder estadístico. Reporte de resultados.
Comparación de más de dos medias. ANOVA (GLM1): ANOVA con un factor aleatorizado, supuestos, contrastes planificados, contrastes post-hoc. Tamaño de efecto. Estimación de poder estadístico. Reporte de resultados.
Análisis de covarianza. ANCOVA (GLM2): supuestos. Tamaño de efecto. Estimación de poder estadístico. Reporte de resultados.
ANOVA factorial (GLM3): diseños factoriales, supuestos. Tamaño de efecto. Estimación de poder estadístico. Reporte de resultados.
ANOVA de un factor con medidas repetidas (GLM4): diseños de medidas repetidas, supuesto de esfericidad. Tamaño de efecto. Estimación de poder estadístico. Reporte de resultados.
Unidad V: Técnicas de reducción de variables y fiabilidad de escalas
Validez de constructo y confiabilidad de las escalas.
Análisis factorial exploratorio: componentes principales, cargas factoriales, métodos de rotación ortogonal y oblicua, matriz de componentes rotados. Reporte de resultados.
Análisis de fiabilidad de escalas: alfa de Cronbach.
Metodología
El curso contempla dos sesiones teóricas semanales (4 horas pedagógicas) y una sesión de ayudantía (2 horas pedagógicas), a lo largo de 16 semanas, además de 9 horas pedagógicas semanales de trabajo personal.
En las sesiones lectivas se presentan y discuten los conceptos centrales del análisis de regresión. En las ayudantías se aplican esos contenidos en R y se resuelven dudas sobre el avance de los trabajos.
La calendarización detallada se encuentra en la planificación del curso y puede verse modificada en función de contingencias y necesidades excepcionales emergentes durante el semestre.
Evaluación
| Evaluación | Actividad | Fecha | Ponderación | Aprendizaje esperado | Indicador de logro |
|---|---|---|---|---|---|
| Solemne 1 | Prueba 1 | 07 sept | 25% | AE1 | Interpreta coeficientes y reconoce bases del modelo de regresión lineal simple y múltiple |
| Solemne 2 | Prueba 2 | 09 nov | 25% | AE3 | Interpreta coeficientes y reconoce bases del modelo de regresión logística binaria |
| Laboratorio 1 | Trabajo 1 | 09 oct | 25% | AE1 | Interpreta coeficientes del modelo de regresión lineal simple y múltiple, componentes de la ecuación de la recta, parcialización, bondad de ajuste e inferencia |
| Laboratorio 2 | Trabajo 2 | 27 nov | 25% | AE2 y AE3 | Elabora e interpreta resultados de modelos de regresión logística con variables dummy |
La nota de presentación corresponde al promedio ponderado de las cuatro evaluaciones parciales y equivale al 70% de la calificación final. El examen (fecha por definir) equivale al 30% restante.
Requisitos de aprobación
Nota mínima de aprobación: 4,0 (escala de 1,0 a 7,0), según el Reglamento del Alumno de Pregrado (D.U. N°1897, 2012, artículo 33°). Las calificaciones admiten hasta un decimal; la centésima igual o superior a cinco se aproxima a la décima superior.
La calificación final corresponde al 70% de la nota de presentación y al 30% de la nota de examen. La nota de presentación se publica con al menos una semana de anticipación a la fecha del examen.
Eximición del examen final con nota de presentación de al menos 5,0 (artículo 36°).
Asistencia mínima exigida: 70%. Un porcentaje menor es causal de reprobación de la asignatura.
No es posible eliminar una calificación parcial. La asistencia a evaluaciones es obligatoria y su incumplimiento se califica con nota 1,0. Las justificaciones por salud u otra causa de fuerza mayor deben presentarse ante secretaría académica dentro de un plazo máximo de tres días desde la fecha de la evaluación (artículo 42°).
Cualquier tipo de plagio será evaluado inapelablemente con nota mínima 1,0. La ausencia de referencia a la obra y/o autor basta para la existencia de plagio.
Bibliografía
Obligatoria
Wooldridge, J. M. (2010). Introducción a la econometría (4ª ed.). Cengage Learning. Disponible en Recursos Digitales UNAB
Moore, D. S. (2005). Estadística aplicada básica (2ª ed.). Antoni Bosch editor.
Pardo, A., Ruiz, M., & San Martín, R. (2015). Análisis de datos en ciencias sociales y de la salud II. Síntesis.
Pérez López, C. (2009). Técnicas de análisis de datos con SPSS 15. Pearson.
Ritchey, F. J. (2008). Estadística para las ciencias sociales. McGraw-Hill.
Complementaria
Camacho Rosales, J. (2005). Estadística con SPSS: versión 12 para Windows. Ra-Ma.
Field, A. (2013). Discovering statistics using IBM SPSS Statistics (4ª ed.). SAGE.
Tarling, R. (2008). Statistical modelling for social researchers: principles and practice. Routledge.
Manuales de R
Wickham, H., & Grolemund, G. (2017). R para ciencia de datos.
Palabras clave
- Regresión lineal, regresión logística, modelos lineales generalizados, supuestos de regresión, interpretación de coeficientes, fiabilidad de escalas