Regresión ortogonal

La regresión ortogonal (también conocida como regresión de Deming o regresión con errores en las variables) es un método estadístico que se usa para determinar la relación entre dos sistemas de medición o dos variables continuas cuando ambas variables contienen error de medición, y no solo la variable de respuesta. A diferencia de la regresión estándar, que supone que solo la variable Y tiene error, la regresión ortogonal tiene en cuenta simultáneamente la incertidumbre de las mediciones de X y de Y, y produce una recta de mejor ajuste más precisa y sin sesgo.

Última revisión:

Idea clave

La regresión ortogonal (también conocida como regresión de Deming) es un método estadístico que se usa para determinar la relación entre dos sistemas de medición o dos variables continuas cuando ambos contienen error de medición.

En esta página
  1. ¿Qué es la regresión ortogonal?
  2. ¿Cuándo usar la regresión ortogonal?
  3. Pautas para el uso correcto de la regresión ortogonal
  4. Alternativas: cuándo no usar la regresión ortogonal
  5. Ejemplo de regresión ortogonal
  6. Cómo realizar una regresión ortogonal

¿Qué es la regresión ortogonal?

La regresión ortogonal (también conocida como regresión de Deming o regresión con errores en las variables) es un método estadístico que se usa para determinar la relación entre dos sistemas de medición o dos variables continuas cuando ambas variables contienen error de medición, y no solo la variable de respuesta. A diferencia de la regresión estándar, que supone que solo la variable Y tiene error, la regresión ortogonal tiene en cuenta simultáneamente la incertidumbre de las mediciones de X y de Y, y produce una recta de mejor ajuste más precisa y sin sesgo.
Se usa con mayor frecuencia para evaluar si dos métodos de medición, instrumentos o laboratorios producen resultados equivalentes, por ejemplo, al comparar un método de prueba nuevo con un método de referencia establecido para determinar si pueden usarse indistintamente.

¿Cuándo usar la regresión ortogonal?

  • Úsela cuando desee comparar dos métodos de medición para determinar si producen resultados equivalentes en el mismo conjunto de elementos.
  • Úsela cuando ambas variables que se comparan contengan error de medición : si solo la variable Y tiene error, use en su lugar la gráfica de línea ajustada (Fit Line Model) estándar.
  • Úsela cuando el objetivo sea establecer la equivalencia o la intercambiabilidad de métodos , por ejemplo, validar un método de prueba más rápido o más barato frente a un patrón de referencia aceptado.
  • Úsela cuando necesite estimar la relación real entre dos variables que se miden ambas con imprecisión, en lugar de usar una relación distorsionada por ignorar el error de la variable X.
  • Úsela en estudios de laboratorio, clínicos, de fabricación y de calibración en los que la comparación de sistemas de medición sea un requisito central.

Pautas para el uso correcto de la regresión ortogonal

  • Ambas variables deben ser continuas : la regresión ortogonal no es apropiada para datos categóricos o de atributos.
  • Debe especificarse o estimarse la razón de varianzas del error (la razón entre la varianza del error de medición de X y la varianza del error de medición de Y); por defecto se supone que ambas variables tienen el mismo error de medición (razón = 1), pero esto debe verificarse o ajustarse según la capacidad conocida del sistema de medición.
  • Recopile suficientes pares de datos : mida el mismo conjunto de elementos con ambos métodos. Se recomienda un mínimo de 30 a 50 observaciones pareadas para obtener estimaciones estables y fiables de la recta de regresión.
  • Asegúrese de que el rango de elementos medidos cubra todo el rango operativo de interés: un rango de medición estrecho producirá estimaciones poco fiables de la pendiente y la intersección y dificultará respaldar las conclusiones sobre la equivalencia de los métodos.
  • Tras el ajuste, examine el intervalo de confianza de la pendiente : si el intervalo contiene 1.0, los dos métodos tienen respuestas proporcionalmente equivalentes. Examine el intervalo de confianza de la intersección : si contiene 0, no hay un sesgo sistemático fijo entre los métodos.
  • Revise las gráficas de residuos para verificar que se cumplen los supuestos del modelo y que ninguna observación inusual influye de forma desproporcionada en la recta ajustada.
  • No extrapole las conclusiones más allá del rango de elementos probados : la equivalencia de los dos métodos solo se demuestra dentro del rango medido.

Alternativas: cuándo no usar la regresión ortogonal

  • Si solo la variable de respuesta (Y) contiene error de medición y el predictor (X) se mide con un error insignificante o es un valor controlado y exacto, use en su lugar la gráfica de línea ajustada o Ajustar modelo de regresión : la regresión ortogonal sobrecorregiría y produciría una estimación sesgada de la pendiente.
  • Si el objetivo es predecir una respuesta a partir de predictores y no comparar dos sistemas de medición, use en su lugar Ajustar modelo de regresión : la regresión ortogonal está diseñada específicamente para la comparación de métodos, no para la predicción.
  • Si la razón de varianzas del error es totalmente desconocida y no puede estimarse a partir de un estudio del sistema de medición, los resultados de la regresión ortogonal no serán fiables: realice primero un Gage R&R o un análisis del sistema de medición para cuantificar el error de cada variable antes de continuar.
  • Si tiene más de dos variables que comparar o modelar simultáneamente, use en su lugar Ajustar modelo de regresión o el análisis multivariante .
  • Si las dos variables que se comparan están en escalas distintas o miden características fundamentalmente diferentes, un estudio de comparación de métodos no es apropiado: la regresión ortogonal exige que ambas variables midan la misma magnitud subyacente.
  • Si la variable de respuesta es categórica o binaria, use en su lugar la regresión logística .

Ejemplo de regresión ortogonal

Un ingeniero compara un nuevo tensiómetro con un dispositivo existente midiendo la presión arterial sistólica de 60 personas con ambos instrumentos. Para evaluar la equivalencia se usa la regresión ortogonal, ya que ambos dispositivos tienen error de medición. En estudios previos, la varianza del nuevo tensiómetro es 1.08 y la del existente es 1.20. El nuevo tensiómetro se trata como la respuesta y el dispositivo existente como el predictor, lo que da una razón de varianzas del error de 0.90 para el análisis. Los pasos son los siguientes:

  1. Se reunieron los datos necesarios.
Orthogonal Regression — figure 1
  1. Ahora analice los datos en Zometric Statistical Software en https://statsai.zometric.com/.
  2. Para encontrar la regresión ortogonal, elija Statistical module> Regression>Orthogonal Regression.
  3. Dentro de la herramienta, introduzca los datos junto con las demás entradas del siguiente modo:
Orthogonal Regression — figure 2

5. Tras usar la herramienta anterior, se obtiene la salida siguiente:

Orthogonal Regression — figure 3Orthogonal Regression — figure 4

Cómo realizar una regresión ortogonal

La guía es la siguiente:

  1. Inicie sesión en Zometric Statistical Software en https://statsai.zometric.com/
  2. En la página de inicio, elija Statistical Tool> Regression > Orthogonal Regression.
  3. A continuación, introduzca los datos manualmente, o copie todos los datos (Ctrl+C) de una hoja de Excel y péguelos (Ctrl+V), o bien use la opción Load Example, con la que se cargarán los datos de ejemplo.
  4. A continuación, debe completar las opciones necesarias.
  5. Por último, haga clic en calculate en la parte inferior de la página para obtener los resultados deseados.

En el tablero de la regresión ortogonal, la ventana está dividida en dos partes.

Orthogonal Regression — figure 5

En la parte izquierda se encuentra el panel de datos (Data Pane). En el Data Pane, cada fila forma un subgrupo. Los datos pueden introducirse manualmente o copiarse por completo (Ctrl+C) de una hoja de Excel y pegarse (Ctrl+V) aquí.

Load example: Secargarán los datos de ejemplo.

En la parte derecha hay numerosas opciones, como las siguientes:

  • Response(Y): Seleccione la columna que contiene las mediciones del método o instrumento que desea evaluar, normalmente el método nuevo, alternativo o de prueba que se evalúa frente a una referencia establecida. Es la variable que se representa en el eje vertical. En un estudio de comparación de métodos, suele ser el sistema de medición más nuevo, más rápido o más económico cuya equivalencia con la referencia debe demostrarse.
  • Predictor (X): Seleccione la columna que contiene las mediciones del método de referencia, establecido o estándar , el sistema de medición ya aceptado como fiable y preciso. Es la variable que se representa en el eje horizontal. Tanto la columna Response como la columna Predictor deben contener mediciones tomadas en el mismo conjunto de elementos o muestras : cada fila representa un elemento medido con ambos métodos.
  • Error Variance Ratio (Y/X): Define la razón supuesta entre la varianza del error de medición de la variable Y y la varianza del error de medición de la variable X. Es la entrada más crítica y exclusiva de la regresión ortogonal: indica al modelo cuánto error existe en cada variable en relación con la otra, de modo que la recta ajustada tenga en cuenta correctamente la imprecisión de ambas mediciones.

Preguntas frecuentes

¿Qué es la regresión ortogonal?

La regresión ortogonal, también conocida como regresión de Deming o regresión con errores en las variables, determina la relación entre dos sistemas de medición o dos variables continuas cuando ambos contienen error de medición. A diferencia de la regresión estándar, que supone que solo Y tiene error, tiene en cuenta la incertidumbre de X y de Y, y da una recta de mejor ajuste más precisa y sin sesgo.

¿Cuándo debe usarse la regresión ortogonal en lugar de la regresión lineal simple?

Use la regresión ortogonal para comparar dos métodos de medición, instrumentos o laboratorios cuando ambas variables contengan error de medición, por ejemplo, para validar un método de prueba nuevo frente a una referencia. Si solo Y tiene error y X es un valor controlado o exacto, use en su lugar la gráfica de línea ajustada o Ajustar modelo de regresión, porque la regresión ortogonal sobrecorregiría la pendiente.

¿Cómo se interpretan los resultados de la regresión ortogonal?

Examine el intervalo de confianza de la pendiente: si contiene 1.0, los dos métodos tienen respuestas proporcionalmente equivalentes. Examine el intervalo de confianza de la intersección: si contiene 0, no hay un sesgo sistemático fijo entre los métodos. Revise las gráficas de residuos y no extrapole la equivalencia más allá del rango de elementos probados.

¿Qué es la razón de varianzas del error en la regresión ortogonal?

La razón de varianzas del error es la razón entre la varianza del error de medición de Y y la de X. Indica al modelo cuánto error existe en cada variable en relación con la otra. Por defecto se supone el mismo error (razón 1), pero debe verificarse o estimarse, por ejemplo, a partir de un estudio Gage R&R. Use al menos 30 a 50 observaciones pareadas.