Comparación de Escenarios

REGRESIÓN LINEAL SIN INTERACCIÓN ANOVA Regresión con interacción ANOVA

 Comparación de Escenarios
ESCENARIOS ANÁLISIS REGRESIÓN SIN INTERACCIÓN
Educación-Sexo ¿Cómo contribuyen los efectos principales educación y
sexo a una variación significativa de los salarios? El
coeficiente b1 de educación nos indica que por cada
unidad de incremento en educación hay un
incremento
salarial de 3391.683, toda vez que dicho coeficiente es
positivo. La variable sexo es negativa lo que indica una
variación proporcional inversa entre salario y sexo. De
esta manera al incrementarse la variable sexo mujer
en
una unidad el salario decrece en -8423.462.
La ordenada al origen indica que cuando el educación
y salario son cero, el salario es de -7500.990, lo que
tampoco tiene mucho sentido.
Desde el punto de vista de las pruebas de hipótesis
para los coeficientes del modelo se puede apreciar
que b_0
CON INTERACCIÓN
El intercepto indica que si las variables sexo, La interacción mejoró el modelo
educación y la interacción son cero el salario
pronosticado será
de -19541.165
El coeficiente de educación indica que por cada
incremento de una unidad de educación el
salario se incrementa
en 4226.054 unidades monetarias.
El de sexo, indica que por cada unidad de
incremento en la variable sexo, el salario se
incrementa en 23978.553
unidades monetarias y un incremento en la
interacción de una unidad implica una
disminución del salario en -2480.389
El efecto de la interacción permitió incrementar
el nivel de significancia los coeficientes de la
ordenada al
 Comparación de Escenarios
es aceptable ya que su p-valor está mínimamente por
debajo de 0.05 y su t-valor está en el límite entre -2 y
2.
El b_1 de la variable educación es altamente
significativo ya es mucho menor que 0.05 y el
coeficiente de
sexo b_2 también es altamente significativo ya que es
menor que 0.05. Entre estos dos últimos el coeficiente
más significativo es el de educación.
El coeficiente de determinación ajustado es de 0.487,
es decir que el efecto aditivo de las variables
educación
y sexo explican la variación en el salario en un 48.7% lo
cual no es muy significativo, ya que el resto, es decir
un 51.3% obedece a otras variables no incluidas en el
modelo.
El análisis anova, nos muestra que podemos rechazar
la hipótesis nula de que los coeficientes son ceros y
aceptar que al menos uno de ellos es diferente de
cero, por lo tanto, hay correlación entre las variables.
Edad-sexo Según el cuadro la ordenada al origen la Edad y el sexo
mujer son significativos, pero la edad es menos
significativa que la ordenada al origen y el sexo.
Si la Edad y el sexo mujer fueran cero, el ingreso seria
de 48972.74, lo cual no tiene sentido. Por cada
incremento de la edad en una unidad el ingreso
disminuye en 178.23 y por cada incremento del sexo
en una
unidad el salario disminuye en-15216.7
Se puede rechazar que la Ho: bj=0 y que al menos un
bj es diferente de cero.
El P-valor del modelo es < 0.05 es decir que es
significativo,
El coeficiente de determinación es de 0.2178 y el
ajustado es de 0.2145, es decir que solo el 21.45% del
salario
es explicado por el modelo y el otro 71.55% del
comportamiento del salario se debe a variables
externas al
origen y sexo, pero no tuvo ningún efecto en
educación, el cual conservó su nivel de
significancia, por lo tanto,
puede concluirse que la variable de más peso
para definir el salario es la educación, y la
interacción sólo
logró incrementar el coeficiente de
determinación ajustado en 0.0333, por lo tanto,
el modelo ahora explica el
52.03% del salario como efecto de la relación y
la interacción entre las variables sexo y
educación, el resto es
decir, 47.97% se debe a variables externas al
modelo. El P-valor del modelo original no se
modifica con la
interacción.
Podemos observar que el error estándar
residual disminuyó de 12230 a 11830, es decir
perdió 400 unidades, lo
cual implica que la interacción fue importante
para el modelo. Igualmente, el P-valor de la
interacción es muy
significativo, por lo cual, la interacción es buena
para el modelo.
Se puede observar que todos los coeficientes La interacción no es significativa
son significativos excepto la interacción, la cual
no es significativa,
por lo tanto, la interacción deberá quitarse del
modelo. Si la edad y el sexo son cero, el salario
es de 49616.84.
92
Por cada incremento en una unidad de la edad
el ingreso disminuye en -193.5229 Po cada
incremento en una
unidad del sexo, el salario disminuye en
16277.99. Por cada incremento en una unidad
de la interacción el
salario crece en 24.92
El coeficiente de determinación es de 0.2179 y
el ajustado de 0.2129, es decir que el salario es
explicado en
21.29 % por el modelo y el resto por otras
variables no incluidas en el modelo. El P-valor
del modelo sigue siendo significativo
 Comparación de Escenarios

modelo. El análisis de varianza muestra que hay

correlación entre las variables y los coeficientes son
altamente
significativos.
Edad-categorial laboral Según el cuadro cuando la Edad y catlab son ceros el
salario es de 19485.8 lo que no tiene sentido Por un
incremento en la Edad de una unidad el salario
disminuye en 221.59 Por un incremento en una
unidad de la
ctalabseguridad el salario aumenta en 17269.17
Todos los coeficientes son <0.05 en forma altamente
significativa excepto ctalabseguiridad. El coeficiente de
determinación es de 0.6323 y el ajustado de 0.6308,
es decir que el salario es explicado en un 63.08% por
el modelo y el restante 36.92% por variables externas
al modelo. El P-valor del modelo es significativo 2.2e-
16
<0.05 por lo cual se considera que es un modelo fiable
y hay correlación entre las variables.
El análisis de varianza muestra que hay correlación
altamente significativa entre las variables Edad, catlab
y
el salario, pero la categoria catlab sale agrupada y con
alto nivel de significancia.
Educación y categoria laboral En el modelo los coeficientes son muy significativos
con un coeficiente de determinación de 70.35% que es
aceptable
La interacción muestra que cada uno de los La interacción es significativa
coeficientes son significativos, excepto la
interacción. El coeficiente
de determinación creció muy poco, el salario es
explicado en un 63.08% según el coeficiente de
determinación
ajustado, el cual no ha cambiado. Lo que
muestra que la interacción no fue significativa
para el modelo.
El análisis de varianza muestra que todos los
coeficientes son altamente significativos a
excepción de la
interacción, la cual se debe sacar del modelo.
La interacción bajó la significación del La interacción es significativa
intercepto y de catlab directivo. Incremento el
coeficiente de determinación en 71.72%
El análisis ANOVA muestra que la interacción
fue altamente significativa.

Conclusión general:
Cuando la interacción es significativa reduce el cuadrado medio de los residuales. Cuando se agrega una variable al modelo de regresión, la suma de cuadrados de la regresión aumenta y la suma de
cuadrados de los residuales disminuye. Dado lo anterior son mejores los segundos modelos (multivariados) del taller a los que se propusieron al principio, ya que al incluir variables y hacer interacciones
se mejoraron los coeficientes de correlación y determinación en algunos casos, se redujeron los cuadrados medios de los residuos por el uso de regresores adicionales, sin embargo, los análisis de residuales
demostraron muy poca normalidad en los datos, lo que hace que los modelos de cada escenario no fueran eficientes en su mayoría.