Ejercicio Modelos Polinomiales2

Universidad Nacional Mayor de San Marcos
Facultad de Ciencias Matemáticas

E.P. de Estadística
CURSO: ANÁLISIS DE REGRESIÓN.

CICLO/AULA/TURNO: 2018-I /204/Noche
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
FCM-ESCUELA PROFESIONAL DE ESTADÍSTICA
Ejercicio 7.17
Véase el modelo cuadrático de regresión del problema 7.16. Determinar los factores
de inflación de varianza y comentar la multicolinealidad en ese modelo.
Solución:
Ejercicio 7.16:
Un artículo en la revista Journal of Pharmaceuthical Sciences (80,971-977,1991)
presenta datos sobre la solubilidad observada, en fracción molar, de un soluto a
temperatura constante, junto con X1=Solubilidad parcial de la dispersión,
X2=Solubilidad parcial dipolar y X3=Solubilidad parcial de Hansen por puentes de
hidrógeno. La respuesta Y es el logaritmo negativo de la solubilidad en fracción mol.
Nro de Obs Y X1 X2 X3
1 0.222 7.3 0 0
2 0.395 8.7 0 0.3
3 0.422 8.8 0.7 1
4 0.437 8.1 4 0.2
5 0.428 9 0.5 1
6 0.467 8.7 1.5 2.8
7 0.444 9.3 2.1 1
8 0.378 7.6 5.1 3.4
9 0.494 10 0 0.3
10 0.456 8.4 3.7 4.1
11 0.452 9.3 3.6 2
12 0.112 7.7 2.8 7.1
13 0.432 9.8 4.2 2
14 0.101 7.3 2.5 6.8
15 0.232 8.5 2 6.6
16 0.306 9.5 2.5 5
17 0.0923 7.4 2.8 7.8
18 0.116 7.8 2.8 7.7
19 0.0764 7.7 3 8
20 0.439 10.3 1.7 4.2
21 0.0944 7.8 3.3 8.5
22 0.117 7.1 3.9 6.6
23 0.0726 7.7 4.3 9.5
24 0.0412 7.4 6 10.9
25 0.251 7.3 2 5.2
26 0.00002 7.6 7.8 20.7
1
1. Antes de realizar el ajuste del modelo de regresión, analizaremos las variables

independientes X1, X2 y X3 mediante diagramas de dispersión para poder
detectar una posible tendencia entre las variables regresoras.
 Diagrama de dispersión entre la Solubilidad Parcial de la Dispersión (X1) y

Solubilidad Parcial Bipolar (X2).
Observamos que no hay una tendencia lineal entre las variables regresoras X1
y X2.
2
 Diagrama de dispersión entre la Solubilidad Parcial de la Dispersión (X1) y

Solubilidad parcial de Hansen por puentes de hidrógeno (X3).
Observamos que no hay una tendencia lineal entre las variables regresoras X1
y X3.
3
 Diagrama de dispersión entre la Solubilidad Parcial Bipolar (X2) y

Solubilidad parcial de Hansen por puentes de hidrógeno (X3).
Se puede apreciar que existe una tendencia lineal entre las variables X2 y X3.
4
2. Después de analizar los gráficos de dispersión, corroboraremos esa tendencia

verificando las correlaciones que existen entre las variables independientes.
Se confirma lo visto en los diagramas de dispersión, es decir, que existe una

dependencia lineal entre las variables X2 y X3 con un coeficiente de correlación
de 0.72.
Otra forma de ver la correlación entre las variables regresoras es mediante el

siguiente cuadro:
5
3. Utilizaremos el software R-Studio y Minitab para la obtención y análisis del

modelo cuadrático de regresión, las estimaciones de los coeficientes y los
factores de inflación de varianza (VIF) de la solubilidad en fracción mol.
Ajuste del modelo cuadrático con tres variables regresoras
modelo<-lm( Y1~X1+X2+X3+I(X1^2)+I(X2^2)+I(X3^2)+I(X1*X2)+I(X1*X3)+I(X2
*X3), data=datos)
summary(modelo)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.769364 1.286976 -1.375 0.1881
X1 0.420799 0.294173 1.430 0.1718
X2 0.222453 0.130742 1.701 0.1082
X3 -0.127995 0.070245 -1.822 0.0872
I(X1^2) -0.019325 0.016797 -1.150 0.2668
I(X2^2) -0.007449 0.012048 -0.618 0.5451
I(X3^2) 0.000824 0.001441 0.572 0.5754
I(X1 * X2) -0.019876 0.012037 -1.651 0.1182
I(X1 * X3) 0.009151 0.007621 1.201 0.2473
I(X2 * X3) 0.002576 0.007039 0.366 0.7192
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.06092 on 16 degrees of freedom

Multiple R-squared: 0.9169, Adjusted R-squared: 0.8702
F-statistic: 19.63 on 9 and 16 DF, p-value: 5.051e-07
Donde la ecuación de regresión cuadrática con tres variables, tomando en cuenta las
estimaciones de los coeficientes de regresión para cada variable, viene determinada
de la siguiente forma:
Y1 = -1.77 + 0.421 X1 + 0.222 X2 - 0.1280 X3 - 0.0193 X1*X1 -
0.0074 X2*X2 + 0.00082 X3*X3 - 0.0199 X1*X2 + 0.00915 X1*X3
+ 0.00258 X2*X3
6
DIAGNÓSTICO DE MULTICOLINEALIDAD
1. Análisis de la matriz de correlación
Datos
X1 X2 X3
7.3 0 0
8.7 0 0.3
8.8 0.7 1
8.1 4 0.2
9 0.5 1
8.7 1.5 2.8
9.3 2.1 1
7.6 5.1 3.4
10 0 0.3
8.4 3.7 4.1
9.3 3.6 2
7.7 2.8 7.1
9.8 4.2 2
7.3 2.5 6.8
8.5 2 6.6
9.5 2.5 5
7.4 2.8 7.8
7.8 2.8 7.7
7.7 3 8
10.3 1.7 4.2
7.8 3.3 8.5
7.1 3.9 6.6
7.7 4.3 9.5
7.4 6 10.9
7.3 2 5.2
7.6 7.8 20.7
7
attach(datos)
X1.C<-X1-mean(X1)
X2.C<-X2-mean(X2)
X3.C<-X3-mean(X3)
datos_centrados<-data.frame(X1.C=X1.C,X2.C=X2.C,X3.C=X3.C)
datos_centrados
X1.C X2.C X3.C

-1.0115 -2.8000 -5.1038
0.3885 -2.8000 -4.8038
0.4885 -2.1000 -4.1038
-0.2115 1.2000 -4.9038
0.6885 -2.3000 -4.1038
0.3885 -1.3000 -2.3038
0.9885 -0.7000 -4.1038
-0.7115 2.3000 -1.7038
1.6885 -2.8000 -4.8038
0.0885 0.9000 -1.0038
0.9885 0.8000 -3.1038
-0.6115 0.0000 1.9962
1.4885 1.4000 -3.1038
-1.0115 -0.3000 1.6962
0.1885 -0.8000 1.4962
1.1885 -0.3000 -0.1038
-0.9115 0.0000 2.6962
-0.5115 0.0000 2.5962
-0.6115 0.2000 2.8962
1.9885 -1.1000 -0.9038
-0.5115 0.5000 3.3962
-1.2115 1.1000 1.4962
-0.6115 1.5000 4.3962
-0.9115 3.2000 5.7962
-1.0115 -0.8000 0.0962
-0.7115 5.0000 15.5962
8
BDC<-read.csv("DatosCentrados.csv",sep=";",dec=",",header=TRUE)
BDC
X1.C X2.C X3.C x1*x2.C x1*x3.C x2*x3.C x1^2.C x2^2.C x3^2.C

-1.0115 -2.8000 -5.1038 2.8323 5.1627 14.2908 1.0232 7.8400 26.0492
0.3885 -2.8000 -4.8038 -1.0877 -1.8661 13.4508 0.1509 7.8400 23.0769
0.4885 -2.1000 -4.1038 -1.0258 -2.0046 8.6181 0.2386 4.4100 16.8416
-0.2115 1.2000 -4.9038 -0.2538 1.0374 -5.8846 0.0447 1.4400 24.0477
0.6885 -2.3000 -4.1038 -1.5835 -2.8253 9.4388 0.4740 5.2900 16.8416
0.3885 -1.3000 -2.3038 -0.5050 -0.8950 2.9950 0.1509 1.6900 5.3077
0.9885 -0.7000 -4.1038 -0.6919 -4.0565 2.8727 0.9771 0.4900 16.8416
-0.7115 2.3000 -1.7038 -1.6365 1.2124 -3.9188 0.5063 5.2900 2.9031
1.6885 -2.8000 -4.8038 -4.7277 -8.1111 13.4508 2.8509 7.8400 23.0769
0.0885 0.9000 -1.0038 0.0796 -0.0888 -0.9035 0.0078 0.8100 1.0077
0.9885 0.8000 -3.1038 0.7908 -3.0680 -2.4831 0.9771 0.6400 9.6339
-0.6115 0.0000 1.9962 0.0000 -1.2207 0.0000 0.3740 0.0000 3.9846
1.4885 1.4000 -3.1038 2.0838 -4.6200 -4.3454 2.2155 1.9600 9.6339
-1.0115 -0.3000 1.6962 0.3035 -1.7157 -0.5088 1.0232 0.0900 2.8769
0.1885 -0.8000 1.4962 -0.1508 0.2820 -1.1969 0.0355 0.6400 2.2385
1.1885 -0.3000 -0.1038 -0.3565 -0.1234 0.0312 1.4124 0.0900 0.0108
-0.9115 0.0000 2.6962 0.0000 -2.4576 0.0000 0.8309 0.0000 7.2692
-0.5115 0.0000 2.5962 0.0000 -1.3280 0.0000 0.2617 0.0000 6.7400
-0.6115 0.2000 2.8962 -0.1223 -1.7711 0.5792 0.3740 0.0400 8.3877
1.9885 -1.1000 -0.9038 -2.1873 -1.7973 0.9942 3.9540 1.2100 0.8169
-0.5115 0.5000 3.3962 -0.2558 -1.7373 1.6981 0.2617 0.2500 11.5339
-1.2115 1.1000 1.4962 -1.3327 -1.8126 1.6458 1.4678 1.2100 2.2385
-0.6115 1.5000 4.3962 -0.9173 -2.6884 6.5942 0.3740 2.2500 19.3262
-0.9115 3.2000 5.7962 -2.9169 -5.2834 18.5477 0.8309 10.2400 33.5954
-1.0115 -0.8000 0.0962 0.8092 -0.0973 -0.0769 1.0232 0.6400 0.0092
-0.7115 5.0000 15.5962 -3.5577 -11.0973 77.9808 0.5063 25.0000 243.2400
9
cor(BDC)
x1 x2 x3 x1.2 x2.2 x3.2 x1.x2 x1.x3 x2.x3

x1 1.000 -0.372 -0.493 0.551 -0.106 -0.151 -0.187 -0.243 -0.143
x2 -0.372 1.000 0.724 -0.162 0.353 0.516 -0.181 -0.378 0.370
x3 -0.493 0.724 1.000 -0.167 0.453 0.649 -0.300 -0.476 0.617
x1.2 0.551 -0.162 -0.167 1.000 -0.015 -0.096 -0.232 -0.252 -0.049
x2.2 -0.106 0.353 0.453 -0.015 1.000 0.894 -0.526 -0.569 0.944
x3.2 -0.151 0.516 0.649 -0.096 0.894 1.000 -0.415 -0.632 0.959
x1.x2 -0.187 -0.181 -0.300 -0.232 -0.526 -0.415 1.000 0.667 -0.495
x1.x3 -0.243 -0.378 -0.476 -0.252 -0.569 -0.632 0.667 1.000 -0.636
x2.x3 -0.143 0.370 0.617 -0.049 0.944 0.959 -0.495 -0.636 1.000
2. Análisis de los autovalores de la matriz de correlación
 Obtenemos los valores propios de la matriz de correlación

𝝀𝒎𝒂𝒙
 Definimos el número de condición: k =
𝝀𝒎𝒊𝒏
 Si el número de condición k < 100, entonces no hay problema grave de

multicolinealidad.
Si el número de condición se encuentra entre: 100 < k < 1000, implica

multicolinealidad moderada-fuerte.
Si k > 1000, es indicio de una fuerte multicolinealidad.
10
A<-cor(BDC)
eigen(A)$values
[1] 4.482966407 2.081145617 0.902426372 0.572746008 0.452583858

[6] 0.289069561 0.166530540 0.045090412 0.007441225
Donde:
Eigenvalores Índices de condición
4.482966407 K1 1.00
0.208114562 K2 21.54
0.902426372 K3 4.97
0.572746008 K4 7.83
0.452583858 K5 9.91
0.289069561 K6 15.51
0.166530540 K7 26.92
0.045090412 K8 99.42
0.007441225 K9 602.45
𝝀𝒎𝒂𝒙
k= = 602.45
𝝀𝒎𝒊𝒏
3. Factores de inflación de varianza (VIF)
library(carData)
library(car)
vif(modelo)
X1 521.01297
X2 401.58833
X3 688.02220
I(X1^2) 501.50614
I(X2^2) 173.60055
I(X3^2) 99.67708
I(X1 * X2) 204.43081
I(X1 * X3) 456.00750
I(X2 * X3) 349.97018
11
UNA FORMA DE CORREGIR LA MULTICOLINEALIDAD

Ajuste del modelo cuadrático centrando las variables
attach(datos)
X1.C<-X1-mean(X1)
X2.C<-X2-mean(X2)
X3.C<-X3-mean(X3)
modelo3<-lm( Y1~X1.C+X2.C+X3.C+I(X1.C^2)+I(X2.C^2)+I(X3.C^2)+I(X1.C*X3
.C)+I(X2.C*X3.C)+I(X1.C*X2.C), data=datos)
summary(modelo3)
Call:
lm(formula = Y1 ~ X1.C + X2.C + X3.C + I(X1.C^2) + I(X2.C^2) +
I(X3.C^2) + I(X1.C * X3.C) + I(X2.C * X3.C) + I(X1.C * X2.C),
data = datos)
Residuals:
Min 1Q Median 3Q Max
-0.063213 -0.037282 -0.001113 0.016738 0.122539
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.288271 0.027445 10.504 1.38e-08 ***
X1.C 0.090619 0.022540 4.020 0.000989 ***
X2.C 0.028686 0.017213 1.667 0.115062
X3.C -0.036309 0.008663 -4.191 0.000691 ***
I(X1.C^2) -0.019325 0.016797 -1.150 0.266847
I(X2.C^2) -0.007449 0.012048 -0.618 0.545111
I(X3.C^2) 0.000824 0.001441 0.572 0.575427
I(X1.C * X3.C) 0.009151 0.007621 1.201 0.247313
I(X2.C * X3.C) 0.002576 0.007039 0.366 0.719179
I(X1.C * X2.C) -0.019876 0.012037 -1.651 0.118183
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.06092 on 16 degrees of freedom

Multiple R-squared: 0.9169, Adjusted R-squared: 0.8702
F-statistic: 19.63 on 9 and 16 DF, p-value: 5.051e-07
12
Calculando el VIF del modelo centrado
vif(modelo3)
X1.C X2.C X3.C I(X1.C^2) I(X2.C^2)

3.058861 6.961039 10.464114 1.630000 28.007107
I(X3.C^2) I(X1.C * X3.C) I(X2.C * X3.C) I(X1.C * X2.C)
30.269890 3.659962 85.294795 2.449857
CUADRO RESUMEN
Factores de Inflacion de varianza (VIF) para los datos
de la solubilidad en fracción mol
Datos Centrados Datos sin centrar
X1 3,06 X1 521,01
X2 6,96 X2 401,59
X3 10,46 X3 688,02
X1^2 1,63 X1^2 501,51
X2^2 28,007 X2^2 173,6
X3^2 30,27 X3^2 99,68
X1*X2 2,45 X1*X2 204,43
X1*X3 3,66 X1*X3 456,01
X2*X3 85,29 X2*X3 349,57
13
ANEXO
Modelos polinomiales de regresión R-Studio

José Alamo
Mirella Farfán
7 de junio de 2018
Ejercicio 7.17
Definir la carpeta de trabajo
setwd("G:/2018-1/A.Regresion/Exposición Regresión/7.17/R-studio")
datos<-read.csv("base de datos 7.17.csv",sep=";",dec=".",header=TRUE)
datos
## Y1 X1 X2 X3
## 1 0.22200 7.3 0.0 0.0
## 2 0.39500 8.7 0.0 0.3
## 3 0.42200 8.8 0.7 1.0
## 4 0.43700 8.1 4.0 0.2
## 5 0.42800 9.0 0.5 1.0
## 6 0.46700 8.7 1.5 2.8
## 7 0.44400 9.3 2.1 1.0
## 8 0.37800 7.6 5.1 3.4
## 9 0.49400 10.0 0.0 0.3
## 10 0.45600 8.4 3.7 4.1
## 11 0.45200 9.3 3.6 2.0
## 12 0.11200 7.7 2.8 7.1
## 13 0.43200 9.8 4.2 2.0
## 14 0.10100 7.3 2.5 6.8
## 15 0.23200 8.5 2.0 6.6
## 16 0.30600 9.5 2.5 5.0
## 17 0.09230 7.4 2.8 7.8
## 18 0.11600 7.8 2.8 7.7
## 19 0.07640 7.7 3.0 8.0
## 20 0.43900 10.3 1.7 4.2
## 21 0.09440 7.8 3.3 8.5
## 22 0.11700 7.1 3.9 6.6
## 23 0.07260 7.7 4.3 9.5
## 24 0.04120 7.4 6.0 10.9
## 25 0.25100 7.3 2.0 5.2
## 26 0.00002 7.6 7.8 20.7
head(datos)
## Y1 X1 X2 X3
## 1 0.222 7.3 0.0 0.0
14
## 2 0.395 8.7 0.0 0.3

## 3 0.422 8.8 0.7 1.0
## 4 0.437 8.1 4.0 0.2
## 5 0.428 9.0 0.5 1.0
## 6 0.467 8.7 1.5 2.8
Diagrama de dispersion
plot(datos$X1,datos$x2,main="Gráfico de dispersión SPD vs SPB", xlab =

"SPD", ylab = "SPB")
plot(da
tos$X1,
datos$x
3,main=
"Gráfic
o de di
spersió
n SPD v
s SPHH"
15
, xlab = "SPD", ylab = "SPHH")
plot(datos$X2,datos$x3,main="Gráfico de dispersión SPB vs SPHH", xlab

= "SPB", ylab = "SPHH")
##Correlaciones entre los regresores

library(corrplot)
16
## corrplot 0.84 loaded
r=cor(datos,use = "pairwise.complete.obs")
corrplot.mixed(r,lower="ellipse",upper="number")
##Matriz de correlaciones
library(psych)
names(datos)
## [1] "Y1" "X1" "X2" "X3"
pairs.panels(datos[c(1,2,3,4)])
17
pairs.panels(datos[c(2,3,4)])
Ajuste del modelo cuadrático con tres variables regresoras
18
modelo<-lm( Y1~X1+X2+X3+I(X1^2)+I(X2^2)+I(X3^2)+I(X1*X2)+I(X1*X3)+I(X2
*X3), data=datos)
summary(modelo)
##
## Call:
## lm(formula = Y1 ~ X1 + X2 + X3 + I(X1^2) + I(X2^2) + I(X3^2) +
## I(X1 * X2) + I(X1 * X3) + I(X2 * X3), data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.063213 -0.037282 -0.001113 0.016738 0.122539
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.769364 1.286976 -1.375 0.1881
## X1 0.420799 0.294173 1.430 0.1718
## X2 0.222453 0.130742 1.701 0.1082
## X3 -0.127995 0.070245 -1.822 0.0872 .
## I(X1^2) -0.019325 0.016797 -1.150 0.2668
## I(X2^2) -0.007449 0.012048 -0.618 0.5451
## I(X3^2) 0.000824 0.001441 0.572 0.5754
## I(X1 * X2) -0.019876 0.012037 -1.651 0.1182
## I(X1 * X3) 0.009151 0.007621 1.201 0.2473
## I(X2 * X3) 0.002576 0.007039 0.366 0.7192
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.06092 on 16 degrees of freedom
## Multiple R-squared: 0.9169, Adjusted R-squared: 0.8702
## F-statistic: 19.63 on 9 and 16 DF, p-value: 5.051e-07
DIAGNÓSTICO DE MULTICOLINEALIDAD
1. Análisis de la matriz de correlación
datos
## Y1 X1 X2 X3
## 1 0.22200 7.3 0.0 0.0
## 2 0.39500 8.7 0.0 0.3
## 3 0.42200 8.8 0.7 1.0
## 4 0.43700 8.1 4.0 0.2
## 5 0.42800 9.0 0.5 1.0
## 6 0.46700 8.7 1.5 2.8
## 7 0.44400 9.3 2.1 1.0
## 8 0.37800 7.6 5.1 3.4
## 9 0.49400 10.0 0.0 0.3
## 10 0.45600 8.4 3.7 4.1
## 11 0.45200 9.3 3.6 2.0
## 12 0.11200 7.7 2.8 7.1
## 13 0.43200 9.8 4.2 2.0
## 14 0.10100 7.3 2.5 6.8
19
## 15 0.23200 8.5 2.0 6.6

## 16 0.30600 9.5 2.5 5.0
## 17 0.09230 7.4 2.8 7.8
## 18 0.11600 7.8 2.8 7.7
## 19 0.07640 7.7 3.0 8.0
## 20 0.43900 10.3 1.7 4.2
## 21 0.09440 7.8 3.3 8.5
## 22 0.11700 7.1 3.9 6.6
## 23 0.07260 7.7 4.3 9.5
## 24 0.04120 7.4 6.0 10.9
## 25 0.25100 7.3 2.0 5.2
## 26 0.00002 7.6 7.8 20.7
attach(datos)
X1.C<-X1-mean(X1)
X2.C<-X2-mean(X2)
X3.C<-X3-mean(X3)
datos_centrados<-data.frame(X1.C=X1.C,X2.C=X2.C,X3.C=X3.C)
datos_centrados
## X1.C X2.C X3.C

## 1 -1.01153846 -2.8 -5.10384615
## 2 0.38846154 -2.8 -4.80384615
## 3 0.48846154 -2.1 -4.10384615
## 4 -0.21153846 1.2 -4.90384615
## 5 0.68846154 -2.3 -4.10384615
## 6 0.38846154 -1.3 -2.30384615
## 7 0.98846154 -0.7 -4.10384615
## 8 -0.71153846 2.3 -1.70384615
## 9 1.68846154 -2.8 -4.80384615
## 10 0.08846154 0.9 -1.00384615
## 11 0.98846154 0.8 -3.10384615
## 12 -0.61153846 0.0 1.99615385
## 13 1.48846154 1.4 -3.10384615
## 14 -1.01153846 -0.3 1.69615385
## 15 0.18846154 -0.8 1.49615385
## 16 1.18846154 -0.3 -0.10384615
## 17 -0.91153846 0.0 2.69615385
## 18 -0.51153846 0.0 2.59615385
## 19 -0.61153846 0.2 2.89615385
## 20 1.98846154 -1.1 -0.90384615
## 21 -0.51153846 0.5 3.39615385
## 22 -1.21153846 1.1 1.49615385
## 23 -0.61153846 1.5 4.39615385
## 24 -0.91153846 3.2 5.79615385
## 25 -1.01153846 -0.8 0.09615385
## 26 -0.71153846 5.0 15.59615385
BDC<-read.csv("DatosCentrados.csv",sep=";",dec=",",header=TRUE)
BDC
## x1 x2 x3 x1.2 x2.2 x3.2

x1.x2
20
## 1 -1.01153846 -2.8 -5.10384615 1.023210059 7.84 2.604925e+01 2.8

3230769
## 2 0.38846154 -2.8 -4.80384615 0.150902367 7.84 2.307694e+01 -1.0
8769231
## 3 0.48846154 -2.1 -4.10384615 0.238594675 4.41 1.684155e+01 -1.0
2576923
## 4 -0.21153846 1.2 -4.90384615 0.044748521 1.44 2.404771e+01 -0.2
5384615
## 5 0.68846154 -2.3 -4.10384615 0.473979290 5.29 1.684155e+01 -1.5
8346154
## 6 0.38846154 -1.3 -2.30384615 0.150902367 1.69 5.307707e+00 -0.5
0500000
## 7 0.98846154 -0.7 -4.10384615 0.977056213 0.49 1.684155e+01 -0.6
9192308
## 8 -0.71153846 2.3 -1.70384615 0.506286982 5.29 2.903092e+00 -1.6
3653846
## 9 1.68846154 -2.8 -4.80384615 2.850902367 7.84 2.307694e+01 -4.7
2769231
## 10 0.08846154 0.9 -1.00384615 0.007825444 0.81 1.007707e+00 0.0
7961538
## 11 0.98846154 0.8 -3.10384615 0.977056213 0.64 9.633861e+00 0.7
9076923
## 12 -0.61153846 0.0 1.99615385 0.373979290 0.00 3.984630e+00 0.0
0000000
## 13 1.48846154 1.4 -3.10384615 2.215517751 1.96 9.633861e+00 2.0
8384615
## 14 -1.01153846 -0.3 1.69615385 1.023210059 0.09 2.876938e+00 0.3
0346154
## 15 0.18846154 -0.8 1.49615385 0.035517751 0.64 2.238476e+00 -0.1
5076923
## 16 1.18846154 -0.3 -0.10384615 1.412440828 0.09 1.078402e-02 -0.3
5653846
## 17 -0.91153846 0.0 2.69615385 0.830902367 0.00 7.269246e+00 0.0
0000000
## 18 -0.51153846 0.0 2.59615385 0.261671598 0.00 6.740015e+00 0.0
0000000
## 19 -0.61153846 0.2 2.89615385 0.373979290 0.04 8.387707e+00 -0.1
2230769
## 20 1.98846154 -1.1 -0.90384615 3.953979290 1.21 8.169379e-01 -2.1
8730769
## 21 -0.51153846 0.5 3.39615385 0.261671598 0.25 1.153386e+01 -0.2
5576923
## 22 -1.21153846 1.1 1.49615385 1.467825444 1.21 2.238476e+00 -1.3
3269231
## 23 -0.61153846 1.5 4.39615385 0.373979290 2.25 1.932617e+01 -0.9
1730769
## 24 -0.91153846 3.2 5.79615385 0.830902367 10.24 3.359540e+01 -2.9
1692308
## 25 -1.01153846 -0.8 0.09615385 1.023210059 0.64 9.245562e-03 0.8
0923077
## 26 -0.71153846 5.0 15.59615385 0.506286982 25.00 2.432400e+02 -3.5
5769231
21
## x1.x3 x2.x3
## 1 5.16273669 14.29076923
## 2 -1.86610947 13.45076923
## 3 -2.00457101 8.61807692
## 4 1.03735207 -5.88461539
## 5 -2.82534024 9.43884615
## 6 -0.89495562 2.99500000
## 7 -4.05649408 2.87269231
## 8 1.21235207 -3.91884615
## 9 -8.11110947 13.45076923
## 10 -0.08880177 -0.90346154
## 11 -3.06803254 -2.48307692
## 12 -1.22072485 0.00000000
## 13 -4.61995562 -4.34538462
## 14 -1.71572485 -0.50884615
## 15 0.28196746 -1.19692308
## 16 -0.12341716 0.03115385
## 17 -2.45764793 0.00000000
## 18 -1.32803254 0.00000000
## 19 -1.77110947 0.57923077
## 20 -1.79726331 0.99423077
## 21 -1.73726331 1.69807692
## 22 -1.81264793 1.64576923
## 23 -2.68841716 6.59423077
## 24 -5.28341716 18.54769231
## 25 -0.09726331 -0.07692308
## 26 -11.09726331 77.98076923
cor(BDC)
## x1 x2 x3 x1.2 x2.2
x3.2
## x1 1.0000000 -0.3717451 -0.4925686 0.55135481 -0.1057576 -0.15
072238
## x2 -0.3717451 1.0000000 0.7243160 -0.16160822 0.3531541 0.51
645076
## x3 -0.4925686 0.7243160 1.0000000 -0.16675104 0.4533189 0.64
912551
## x1.2 0.5513548 -0.1616082 -0.1667510 1.00000000 -0.0148154 -0.09
563865
## x2.2 -0.1057576 0.3531541 0.4533189 -0.01481540 1.0000000 0.89
386802
## x3.2 -0.1507224 0.5164508 0.6491255 -0.09563865 0.8938680 1.00
000000
## x1.x2 -0.1866154 -0.1808636 -0.2998630 -0.23153081 -0.5264122 -0.41
488796
## x1.x3 -0.2429896 -0.3784059 -0.4763393 -0.25202757 -0.5694622 -0.63
160107
## x2.x3 -0.1430171 0.3697501 0.6168755 -0.04863154 0.9435441 0.95
864281
## x1.x2 x1.x3 x2.x3
## x1 -0.1866154 -0.2429896 -0.14301707
22
## x2 -0.1808636 -0.3784059 0.36975010

## x3 -0.2998630 -0.4763393 0.61687552
## x1.2 -0.2315308 -0.2520276 -0.04863154
## x2.2 -0.5264122 -0.5694622 0.94354405
## x3.2 -0.4148880 -0.6316011 0.95864281
## x1.x2 1.0000000 0.6670822 -0.49527221
## x1.x3 0.6670822 1.0000000 -0.63612682
## x2.x3 -0.4952722 -0.6361268 1.00000000
2. Análisis de los autovalores de la matriz de correlación

A<-cor(BDC)
eigen(A)$values
## [1] 4.482966407 2.081145617 0.902426372 0.572746008 0.452583858 0.2

89069561
## [7] 0.166530540 0.045090412 0.007441225
3. Factores de inflación de varianza (VIF)
library(carData)
library(car)
##
## Attaching package: 'car'
## The following object is masked from 'package:psych':

##
## logit
vif(modelo)
## X1 X2 X3 I(X1^2) I(X2^2) I(X3^2)

## 521.01297 401.58833 688.02220 501.50614 173.60055 99.67708
## I(X1 * X2) I(X1 * X3) I(X2 * X3)
## 204.43081 456.00750 349.97018
UNA FORMA DE CORREGIR LA MULTICOLINEALIDAD

Ajuste del modelo cuadrático centrando las variables
attach(datos)
## The following objects are masked from datos (pos = 5):

##
## X1, X2, X3, Y1
attach(datos)

##
## X1, X2, X3, Y1
23

##
## X1, X2, X3, Y1
X1.C<-X1-mean(X1)
X2.C<-X2-mean(X2)
X3.C<-X3-mean(X3)
modelo3<-lm( Y1~X1.C+X2.C+X3.C+I(X1.C^2)+I(X2.C^2)+I(X3.C^2)+I(X1.C*X3
.C)+I(X2.C*X3.C)+I(X1.C*X2.C), data=datos)
summary(modelo3)
##
## Call:
## lm(formula = Y1 ~ X1.C + X2.C + X3.C + I(X1.C^2) + I(X2.C^2) +
## I(X3.C^2) + I(X1.C * X3.C) + I(X2.C * X3.C) + I(X1.C * X2.C),
## data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.063213 -0.037282 -0.001113 0.016738 0.122539
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.288271 0.027445 10.504 1.38e-08 ***
## X1.C 0.090619 0.022540 4.020 0.000989 ***
## X2.C 0.028686 0.017213 1.667 0.115062
## X3.C -0.036309 0.008663 -4.191 0.000691 ***
## I(X1.C^2) -0.019325 0.016797 -1.150 0.266847
## I(X2.C^2) -0.007449 0.012048 -0.618 0.545111
## I(X3.C^2) 0.000824 0.001441 0.572 0.575427
## I(X1.C * X3.C) 0.009151 0.007621 1.201 0.247313
## I(X2.C * X3.C) 0.002576 0.007039 0.366 0.719179
## I(X1.C * X2.C) -0.019876 0.012037 -1.651 0.118183
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.06092 on 16 degrees of freedom
## Multiple R-squared: 0.9169, Adjusted R-squared: 0.8702
## F-statistic: 19.63 on 9 and 16 DF, p-value: 5.051e-07
Calculando el VIF del modelo centrado
vif(modelo3)
## X1.C X2.C X3.C I(X1.C^2) I(

X2.C^2)
## 3.058861 6.961039 10.464114 1.630000 28
.007107
## I(X3.C^2) I(X1.C * X3.C) I(X2.C * X3.C) I(X1.C * X2.C)
## 30.269890 3.659962 85.294795 2.449857
24
Modelos polinomiales de regresión - Minitab
Análisis de regresión: Y1 vs. X1; X2; X3
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Regresión 9 0,655671 0,072852 19,63 0,000
X1 1 0,059991 0,059991 16,16 0,001
X2 1 0,010308 0,010308 2,78 0,115
X3 1 0,065200 0,065200 17,57 0,001
X1*X1 1 0,004913 0,004913 1,32 0,267
X2*X2 1 0,001419 0,001419 0,38 0,545
X3*X3 1 0,001213 0,001213 0,33 0,575
X1*X2 1 0,010120 0,010120 2,73 0,118
X1*X3 1 0,005352 0,005352 1,44 0,247
X2*X3 1 0,000497 0,000497 0,13 0,719
Error 16 0,059386 0,003712
Total 25 0,715057
Resumen del modelo
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
0,0609233 91,69% 87,02% 0,00%
Coeficientes
EE del
Término Coef coef. Valor T Valor p VIF
Constante 0,2883 0,0274 10,50 0,000
X1 0,0906 0,0225 4,02 0,001 3,06
X2 0,0287 0,0172 1,67 0,115 6,96
X3 -0,03631 0,00866 -4,19 0,001 10,46
25
X1*X1 -0,0193 0,0168 -1,15 0,267 1,63

X2*X2 -0,0074 0,0120 -0,62 0,545 28,01
X3*X3 0,00082 0,00144 0,57 0,575 30,27
X1*X2 -0,0199 0,0120 -1,65 0,118 2,45
X1*X3 0,00915 0,00762 1,20 0,247 3,66
X2*X3 0,00258 0,00704 0,37 0,719 85,29
Ecuación de regresión
Y1 = 0,2883 + 0,0906 X1 + 0,0287 X2 - 0,03631 X3 - 0,0193 X1*X1 - 0,0074 X2*X2

+ 0,00082 X3*X3 - 0,0199 X1*X2 + 0,00915 X1*X3 + 0,00258 X2*X3
Ajustes y diagnósticos para observaciones poco comunes
Resid
Obs Y1 Ajuste Resid est.
1 0,2220 0,2727 -0,0507 -2,02 R
10 0,4560 0,3485 0,1075 2,05 R
25 0,2510 0,1285 0,1225 2,23 R
26 0,0000 -0,0246 0,0246 2,80 R
Residuo grande
26

Ejercicio Modelos Polinomiales2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ejercicio Modelos Polinomiales2

Cargado por

Copyright:

Formatos disponibles

Universidad Nacional Mayor de San Marcos

Facultad de Ciencias Matemáticas

CURSO: ANÁLISIS DE REGRESIÓN.

1. Antes de realizar el ajuste del modelo de regresión, analizaremos las variables

 Diagrama de dispersión entre la Solubilidad Parcial de la Dispersión (X1) y

 Diagrama de dispersión entre la Solubilidad Parcial de la Dispersión (X1) y

 Diagrama de dispersión entre la Solubilidad Parcial Bipolar (X2) y

2. Después de analizar los gráficos de dispersión, corroboraremos esa tendencia

Se confirma lo visto en los diagramas de dispersión, es decir, que existe una

Otra forma de ver la correlación entre las variables regresoras es mediante el

3. Utilizaremos el software R-Studio y Minitab para la obtención y análisis del

Ajuste del modelo cuadrático con tres variables regresoras

Residual standard error: 0.06092 on 16 degrees of freedom

X1.C X2.C X3.C

X1.C X2.C X3.C x1*x2.C x1*x3.C x2*x3.C x1^2.C x2^2.C x3^2.C

x1 x2 x3 x1.2 x2.2 x3.2 x1.x2 x1.x3 x2.x3

2. Análisis de los autovalores de la matriz de correlación

 Obtenemos los valores propios de la matriz de correlación

 Si el número de condición k < 100, entonces no hay problema grave de

Si el número de condición se encuentra entre: 100 < k < 1000, implica

Si k > 1000, es indicio de una fuerte multicolinealidad.

[1] 4.482966407 2.081145617 0.902426372 0.572746008 0.452583858

3. Factores de inflación de varianza (VIF)

UNA FORMA DE CORREGIR LA MULTICOLINEALIDAD

Residual standard error: 0.06092 on 16 degrees of freedom

Calculando el VIF del modelo centrado

X1.C X2.C X3.C I(X1.C^2) I(X2.C^2)

Modelos polinomiales de regresión R-Studio

## 2 0.395 8.7 0.0 0.3

plot(datos$X1,datos$x2,main="Gráfico de dispersión SPD vs SPB", xlab =

, xlab = "SPD", ylab = "SPHH")

plot(datos$X2,datos$x3,main="Gráfico de dispersión SPB vs SPHH", xlab

##Correlaciones entre los regresores

## corrplot 0.84 loaded

## [1] "Y1" "X1" "X2" "X3"

Ajuste del modelo cuadrático con tres variables regresoras

## 15 0.23200 8.5 2.0 6.6

## X1.C X2.C X3.C

## x1 x2 x3 x1.2 x2.2 x3.2

## 1 -1.01153846 -2.8 -5.10384615 1.023210059 7.84 2.604925e+01 2.8

## x2 -0.1808636 -0.3784059 0.36975010

2. Análisis de los autovalores de la matriz de correlación

## [1] 4.482966407 2.081145617 0.902426372 0.572746008 0.452583858 0.2

3. Factores de inflación de varianza (VIF)

## The following object is masked from 'package:psych':

## X1 X2 X3 I(X1^2) I(X2^2) I(X3^2)

UNA FORMA DE CORREGIR LA MULTICOLINEALIDAD

## The following objects are masked from datos (pos = 5):

## The following objects are masked from datos (pos = 3):

## The following objects are masked from datos (pos = 6):

Calculando el VIF del modelo centrado

## X1.C X2.C X3.C I(X1.C^2) I(

Modelos polinomiales de regresión - Minitab

Análisis de regresión: Y1 vs. X1; X2; X3

Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Resumen del modelo

X1*X1 -0,0193 0,0168 -1,15 0,267 1,63

Y1 = 0,2883 + 0,0906 X1 + 0,0287 X2 - 0,03631 X3 - 0,0193 X1*X1 - 0,0074 X2*X2

Ajustes y diagnósticos para observaciones poco comunes

También podría gustarte

X1.C X2.C X3.C x1x2.C x1x3.C x2*x3.C x1^2.C x2^2.C x3^2.C

Y1 = 0,2883 + 0,0906 X1 + 0,0287 X2 - 0,03631 X3 - 0,0193 X1X1 - 0,0074 X2X2