EJERCICIO DE REGRESION LINEAL MULTIPLE

El gerente de ventas de una compaa de refacciones para automviles, quiere

desarrollar un modelo para predecir, en el mes de junio, las ventas anuales totales para
una regin. Si las ventas regionales se pueden predecir, entonces se podrn estimar las
ventas totales de la compaa. El nmero de distribuidoras de la regin que mantiene en
inventario las refacciones de la compaa y el nmero de automviles registrados para
cada regin, desde el primero de junio, son las dos variables de prediccin que el gerente
quiere investigar. Este obtiene los siguientes datos.
Regin

Ventas (millones)
y

1
2
3
4
5
6
7
8
9
10
11

52.3
26.0
20.2
16.0
30.0
46.2
35.0
3.5
33.1
25.2
38.2

Nmero de
distribuidoras
2011
2850
650
480
1694
2302
2214
125
1840
1233
1699

Nmero de
automviles reg.
24.6
22.1
7.9
12.5
9.0
11.5
20.5
4.1
8.9
6.1
9.5

a) Analice la matriz de correlacin b) Son vlidos los coeficientes de regresin? c)

Cul es el error involucrado en el pronstico para regin 1 d) Indique cmo se calcul el
error estndar de la estimacin e) Cmo puede mejorar esta ecuacin de regresin?
Anlisis de Regresin Mltiple
----------------------------------------------------------------------------Variable dependiente: Y
----------------------------------------------------------------------------Error
Estadstico
Parmetro
Estimacin
estndar
T
P-Valor
----------------------------------------------------------------------------CONSTANTE
10,1093
7,21956
1,40026
0,1990
X2
0,0109889
0,00520014
2,11319
0,0675
X3
0,19466
0,639844
0,304231
0,7687
----------------------------------------------------------------------------Anlisis de Varianza
----------------------------------------------------------------------------Fuente
Suma de cuadrados
GL Cuadrado medio Cociente-F
P-Valor
----------------------------------------------------------------------------Modelo
1043,66
2
521,832
4,91
0,0405
Residuo
849,564
8
106,196
----------------------------------------------------------------------------Total (Corr.)
1893,23
10
R-cuadrado = 55,1262 porcentaje
R-cuadrado (ajustado para g.l.) = 43,9077 porcentaje
Error estndar de est. = 10,3051
Error absoluto medio = 6,22424
Estadstico de Durbin-Watson = 2,45921 (P=0,1735)
Autocorrelacin residual en Lag 1 = -0,401176

Y = 10,1093 + 0,0109889*X2 + 0,19466*X3

Matriz de correlacin de los estimadores de los coeficientes
----------------------------------------------------------------------------CONSTANTE
X2
X3
CONSTANTE
1,0000
0,7390
0,5480
X2
0.7390
1,0000
0.6700
X3
0.5480
0.6700
1,0000
----------------------------------------------------------------------------y

X2

X3

Pronstico

ME

52,3

2011

24,6

36,51

15,79

26

2850

22,1

36,51

-10,51

20,2

650

7,9

36,51

-16,31

16

480

12,5

36,51

-20,51

30

1694

36,51

-6,51

46,2

2302

11,5

36,51

9,69

35

2214

20,5

36,51

-1,51

3,5

125

4,1

36,51

-33,01

33,1

1840

8,9

36,51

-3,41

25,2

1233

6,1

36,51

-11,31

38,2

1699

9,5

36,51

1,69

a) El nmero de distribuidoras se relaciona con las ventas anuales

y es una
buena variable de prediccin potencial. El nmero de automviles registrados tiene una
relacin moderada con las ventas anuales
y, debido a la multicolinealidad
, no ser un buen predictor junto con el nmero de distribuidoras
b) NO, la multicolinealidad est presente y causa que los coeficientes de regresin no
sean confiables.
c) el error involucrado en el pronstico para la regin 1 es 15.79
d) Del anlisis de varianza obtenemos el valor de residuo

=10.3

e) Se deben probar nuevas variables de prediccin

El gerente decide investigar una nueva variable de prediccin: el ingreso personal en la
regin. Los datos para esta nueva variable son:

Regin

Ingreso
Personal
(miles de
millones)

1
2
3
4
5
6
7
8
9
10
11

98.5
31.1
34.8
32.7
68.8
94.7
67.6
19.7
67.9
61.4
85.6

f) Es el ingreso personal por regin una buena variable de prediccin potencial?

g) Qu porcentaje de la varianza en las ventas se explicar usando solamente el ingreso
personal como variable de prediccin? h) Qu porcentaje de la varianza en las ventas
se explicar usando las tres variables de prediccin? i) Explica la ecuacin de
prediccin de la ejecucin nmero 1 un porcentaje significativo de la varianza en las
ventas? Pruebe a un nivel de significancia del 5% j) Realice una prueba con un nivel de
significancia del 5% para determinar si se debe usar cada una de las tres variables de
prediccin k) Realice una prueba con un nivel de significancia del 5% para determinar si
el ingreso personal y el nmero de distribuidoras
deben usarse para predecir las
ventas. l) realice una prueba con un nivel de significancia del 5% para determinar si el
ingreso personal y el nmero de automviles registrados
deben usarse para
predecir las vetas m) Qu modelo debe usar el gerente? n) Interprete el coeficiente de
regresin estimados para la ecuacin del punto j o) Son vlidos estos coeficientes de
regresin? p) Analice la exactitud de este modelo
Ejecucin 1
Anlisis de Regresin Mltiple
----------------------------------------------------------------------------Variable dependiente: Y
----------------------------------------------------------------------------Error
Estadstico
Parmetro
Estimacin
estndar
T
P-Valor
----------------------------------------------------------------------------CONSTANTE
-3,9177
2,29017
-1,71066
0,1309
X2
0,00238409
0,00157212
1,51648
0,1732
X3
0,457426
0,167499
2,73091
0,0293
X4
0,400576
0,0377914
10,5996
0,0000
----------------------------------------------------------------------------Anlisis de Varianza
----------------------------------------------------------------------------Fuente
Suma de cuadrados
GL Cuadrado medio Cociente-F
P-Valor
----------------------------------------------------------------------------Modelo
1843,4
3
614,467
86,32
0,0000
Residuo
49,8268
7
7,11812
----------------------------------------------------------------------------Total (Corr.)
1893,23
10
R-cuadrado = 97,3682 porcentaje
R-cuadrado (ajustado para g.l.) = 96,2402 porcentaje
Error estndar de est. = 2,66798
Error absoluto medio = 1,65087
Estadstico de Durbin-Watson = 2,01049 (P=0,4483)
Autocorrelacin residual en Lag 1 = -0,013595

Ejecucin 2
Anlisis de Regresin Mltiple
----------------------------------------------------------------------------Variable dependiente: Y
----------------------------------------------------------------------------Error
Estadstico
Parmetro
Estimacin
estndar
T
P-Valor
----------------------------------------------------------------------------CONSTANTE
-4,0269
2,46799
-1,63165
0,1414
X3
0,620922
0,13821
4,49259
0,0020
X4
0,430169
0,0348932
12,3281
0,0000
----------------------------------------------------------------------------Anlisis de Varianza
----------------------------------------------------------------------------Fuente
Suma de cuadrados
GL Cuadrado medio Cociente-F
P-Valor
----------------------------------------------------------------------------Modelo
1827,03
2
913,516
110,40
0,0000
Residuo
66,1964
8
8,27455
----------------------------------------------------------------------------Total (Corr.)
1893,23
10
R-cuadrado = 96,5035 porcentaje
R-cuadrado (ajustado para g.l.) = 95,6294 porcentaje
Error estndar de est. = 2,87655
Error absoluto medio = 2,18538
Estadstico de Durbin-Watson = 2,17004 (P=0,2940)
Autocorrelacin residual en Lag 1 = -0,100016

Ejecucin 3
Anlisis de Regresin Mltiple
----------------------------------------------------------------------------Variable dependiente: Y
----------------------------------------------------------------------------Error
Estadstico
Parmetro
Estimacin
estndar
T
P-Valor
----------------------------------------------------------------------------CONSTANTE
-1,60819
2,86116
-0,562076
0,5895
X2
0,00514754
0,00161745
3,1825
0,0129
X4
0,385301
0,0502448
7,66847
0,0001
----------------------------------------------------------------------------Anlisis de Varianza
----------------------------------------------------------------------------Fuente
Suma de cuadrados
GL Cuadrado medio Cociente-F
P-Valor
----------------------------------------------------------------------------Modelo
1790,32
2
895,158
69,59
0,0000
Residuo
102,913
8
12,8641
----------------------------------------------------------------------------Total (Corr.)
1893,23
10
R-cuadrado = 94,5642 porcentaje
R-cuadrado (ajustado para g.l.) = 93,2052 porcentaje
Error estndar de est. = 3,58666
Error absoluto medio = 2,57292
Estadstico de Durbin-Watson = 1,0611 (P=0,0568)
Autocorrelacin residual en Lag 1 = 0,298956

Matriz de correlacin de los estimadores de los coeficientes

----------------------------------------------------------------------------CONSTANTE
X2
X3
X4
CONSTANTE
1,0000
0,739
0.548
0.936
X2
0.739
1,0000
0.670
0.556
X3
0.548
0.670
1,0000
0.281
X4
0.936
0.556
0.281
1,0000
-----------------------------------------------------------------------------

f) Si, el ingreso personal tiene una fuerte relacin con las ventas anuales
g)
h)
i) Las hiptesis nula y alternativa son:

En la salida del anlisis de varianza de la ejecucin 1, se observa que el p-valor del

modelo es 0.000 y como
, por tanto se rechaza la hiptesis nula y el gerente
concluye que la ecuacin de regresin muestral explica un porcentaje significativo de la
varianza en las ventas
j) Las hiptesis adecuadas son:

El ingreso personal (

es una variable significativa, lo mismo que el nmero de registros

(
ya que el p-valor es 0.000 y 0.0293 por el contrario el nmero de distribuidoras
no es una variable significativa
k) Las variables que deben probarse estn en la ejecucin nmero 3. Las hiptesis
adecuadas son:

La hiptesis nula se rechaza de acuerdo con los p-valores 0.0129 y 0.0001

respectivamente, por tanto el gerente concluye que ambas variables explican una parte
significativa de la varianza en las ventas.
l) Las variables que deben probarse estn en la ejecucin nmero 2.
adecuadas son:

Las hiptesis

La hiptesis nula se rechaza de acuerdo con los p-valores 0.0020 y 0.000

respectivamente, el gerente concluye que ambas variables explican una porcin
significativa de la varianza en las ventas.
m) El gerente de ventas debe elegir el modelo que incluye a los automviles registrados y
al ingreso personal
por que explican un mayor porcentaje de la varianza

n) La ecuacin es
. Si el nmero de automviles
registrados en la regin aumenta en un milln, mientras que el ingreso personal se
mantiene constante, las ventas aumentarn en un promedio de 620.920. Si el ingreso
personal aumenta en mil millones, mientras que el nmero de automviles registrados se
deja constante, las ventas aumentarn en promedio de 430.170
o) Los coeficientes de regresin deben ser vlidos, ya que las variables 3 y 4 tiene una
relacin muy fuerte entre ellas (
de manera que la multicolinealidad no es un
problema.
p) El modelo explica el 96.5% de la varianza en las ventas y debe ser bastante adecuado.
Cada pronstico se aleja alrededor de 2.877 millones (el valor de la desviacin estndar
de la estimacin) (Ejecucin nmero 2)